Fakultas Ilmu Komputer
3406
Sistem Pakar Diagnosis Penyakit Sapi Ternak Potong Menggunakan
Metode Naïve Bayes
-
Certainty Factor
Dhimas Tungga Satya1, Nurul Hidayat2, Sutrisno3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1dhimastunggasatya@gmail.com, 2ntayadih@ub.ac.id, 3trisno@ub.ac.id
Abstrak
Rendahnya kemampuan peternakan dalam negeri untuk mencukupi kebutuhan daging dan susu sapi disebabkan oleh banyak hal. Salah satunya adalah penyakit. Seperti penyakit antraks, penyakit sapi ngorok, penyakit brucellosis dan penyakit yang disebabkan oleh cacing parasit saluran pencernaan yang merupakan penyebab salah satu turunnya tingkat produksi daging dan susu sapi oleh peternak. Saat ini sumberdaya pakar dalam mendiagnosis penyakit sapi masih terbatas, maka dibutuhkan sebuah sistem pakar yang dapat menggantikan peran pakar dalam mendiagnosis penyakit pada sapi. Pada penelitian ini mengimpelmentasikan sistem pakar diagnosis penyakit sapi ternak potong menggunakan metode Naïve Bayes – Certainty Factor. Dengan menggunakan metode Naïve Bayes – Certainty Factor menghasilkan ketepatan hasil diagnosis yang baik dan akurat karena keluaran yang dihasilkan oleh sistem mempunyai tingkat keakuratan sebesar 92% dan sistem yg telah dibuat memiliki tingkat kepuasan pengguna sebesar 3,19411.
Kata kunci: Sistem Pakar, Penyakit Sapi, Naïve Bayes, Certainty Factor,Android.
Abstract
The low ability of domestic farms to fulfill necessity of beef and cow's milk is caused by many things. One of them is a disease. Such as anthrax, snore of cow disease, brucellosis and diseases caused by parasitic gastrointestinal worms which are the most agent of decreasing levels of beef and dairy production by breeders. Currently expert resources in diagnosing cattle diseases are limited, it takes an expert system that can replace the role of experts in diagnosing diseases in cattle. In this study to implement the expert system diagnosis of cattle disease using method Naïve Bayes - Certainty Factor. Using the Naïve Bayes - Certainty Factor method results in accurate and accurate diagnostic accuracy, since the output produced by the system has a level of accuracy of 92% and the system created has a user satisfaction level of 3.19411.
Keywords: Expert System, Cow Disease, Naïve Bayes, Certainty Factor, Android.
1. PENDAHULUAN
Susu dan daging yang bersumber dari sapi adalah produk dari sektor peternakan yang perlu mendapatkan perhatian. Kebutuhan masyarakat akan susu dan daging meningkat setiap tahun namun industri susu dan daging nasional belum memenuhi kebutuhan susu dan daging untuk masyarakat sepenuhnya. Oleh karena itu untuk mencukupi kebutuhan susu dan daging nasional hingga saat ini, Indonesia tergantung pada susu dan daging impor dari luar negeri.
Rendahnya kemampuan peternakan dalam negeri untuk mencukupi kebutuhan akan daging dan susu sapi disebabkan oleh banyak hal. Salah
satunya adalah penyakit. Seperti penyakit antraks, penyakit sapi ngorok, penyakit brucellosis dan penyakit yang disebabkan oleh cacing parasit saluran pencernaan yang merupakan penyebab salah satu turunnya tingkat produksi daging dan susu sapi oleh peternak.
ternak yang sakit melalui pemeriksaan ternak yang diduga sakit. Namun para peternak sapi memiliki pengetahuan yang rendah mengenai teknis pemeliharaan sapi seperti mutu pakan, perkandangan, dan kesehatan atau penyakit sapi. Keadaan tersebut mengakibatkan para peternak memiliki ketergantungan yang tinggi terhadap pakar ternak sapi atau dokter hewan yang ahli dalam menangani penyakit sapi. Akan tetapi jumlah pakar ternak sapi atau dokter hewan saat ini jumlahnya terbatas, terutama di pedesaan. Biaya yang harus dikeluarkan juga tidak sedikit jumlahnya karena pakar ternak sapi atau dokter hewan harus bekerja secara on call.
Dalam dunia komputer, sistem yang bekerja seperti pakar biasa disebut sebagai sistem pakar atau expert system. Sistem pakar ini akan mengimplementasikan wawasan dan ilmu pakar dalam mendeteksi dan memberikan solusi penanganan penyakit baik manusia, hewan, dan tanaman (Kusumadewi, 2003).
Naïve Bayes merupakan teknik probabilitas yang mampu menyelesaikan masalah ketidakpastian dengan konsep probabilitas hipotesis dan evidence (Hardika, 2014). Teknik probabilitas ini dapat digunakan dalam memprediksi suatu penyakit yang diderita oleh seseorang.
Certainty Factor menyatakan kepercayaan dalam sebuah kejadian (fakta atau hipotesa) berdasar bukti atau penilaian pakar (Turban, 2005). Certainty Factor memiliki tingkat keakuratan yang lebih tinggi dibandingkan dengan metode lainnya karena cara perhitungannya yang hanya dapat membandingkan tiap dua nilai saja (Sutojo, 2011).
Penelitian pertama tentang Aplikasi Algoritma Naïve Bayes untuk mendiagnosa penyakit sapi potong. Pada penelitian ini algoritma naïve bayes digunakan untuk mengklasifikasi dan menentukan probabilitas yang nantinya perhitungan pada penyakit sapi potong sesuai dengan fakta gejala yang ada pada tabel kepercayaan. Pengujian sistem dilakukan untuk mengetahui tingkat kesuksesan sistem pakar yang telah dibangun. Pengujian sistem dilakukan melalui dua cara yaitu pengujian blackbox dan pengujian akurasi. Pengujian blackbox akan menguji fungsionalitas sistem dapat berjalan dengan baik. Pengujian akurasi dilakukan dengan membandingkan hasil diagnosa sistem dengan hasil diagnosa seorang pakar. Pengujian akurasi dilakukan terhadap
variasi data dengan cara mengubah data training. Pengujian variasi data terbagi menjadi empat skenario yaitu jumlah data training 20%, 40%, 60%, 80% dan 100%. Tujuan pengujian variasi data training adalah untuk akurasi paling optimal terhadap perubahan data training. Berdasarkan hasil perancangan dan pengujian yang dilakukan pada sistem pakar diagnosa penyakit pada sapi potong dengan metode Naive Bayes, didapatkan hasil sebagai berikut: Berdasarkan kelima skenario pengujian akurasi terhadap variasi data menghasilkan nilai rata-rata akurasi masing-masing skenario sebesar 93,08%, 93,85%, 93,85%, 92,31% dan 92,31%. Sehingga didapatkan rata-rata akurasi sistem sebesar 93,08%. Tingkat akurasi tertinggi didapat ketika variasi data training berjumlah 40% dan 60% dari keseluruhan jumlah data training yang ada. Hal ini membuktikan bahwa komposisi data kasus berpengaruh dalam hasil akurasi sistem. Semakin banyak data training belum tentu dapat menjamin sistem pakar yang dihasilkan akan semakin baik. Jadi dalam menentukkan data training harus komposisi data kasus masing-masing class untuk menghasilkan sistem pakar yang baik (Indriana, 2015).
Pada penelitian Selanjutnya tentang sistem pakar diagnosa penyakit sapi dengan metode certainty factor berbasis Android. Dimana Certainty Factor digunakan untuk perancangan program aplikasi. Certainty Factor merupakan nilai parameter klinis yang diberikan MYCIN untuk menunjukkan besarnya kepercayaan sebesar 0,710 yang berarti 71%. Namun dalam penelitian ini hanyalah bersifat prototype (Swono, 2015).
Berdasarkan uraian diatas, peneliti mengusulkan penelitian menggunakan metode Naïve Bayes untuk menghitung nilai probabilitas prior dari setiap penyakit dan metode Certainty Factor untuk menghitung nilai keyakinan dari hasil diagnosis dari perhitungan metode Naïve Bayes.
2. TINJAUAN PUSTAKA
2.1 Sistem Pakar
pasien serta dapat memberikan penatalaksanaan terhadap penyakit tersebut (Turban, 2005).
2.2 Naive Bayes
Menurut Fauziyah (2012), metode Naïve Bayes Classifier adalah suatu classifier probabilistic simple yang berdasarkan pada teorema bayes pada umumnya, inferensi Bayes khususnya dengan asumsi independensi yang kuat (naïve), Pada prosesnya, Naïve Bayes Classifier mengasumsikan bahwa ada atau tidaknya suatu fitur pada suatu kelas tidak berhubungan dengan ada atau tidaknya fitur lain di kelas yang sama. Teorema Bayes dikemukakan oleh seorang ilmuan pada abad 18 yang bernama Thomas Bayes. Teorema Bayes adalah sebuah pendekatan untuk sebuah ketidaktentuan yang diukur dengan probabilitas. Pada saat klasifikas, pendekatan Bayes akan menghasilkan label kategori yang paling tinggi probabilitasnya. Perhitungan metode Naïve Bayes dapat dilakukan dengan langkah-langkah sebagai berikut :
1. Mencari Nilai prior untuk tiap-tiap kelas dengan menghitung rata-rata tiap kelas dengan menggunakan persamaan (2).
P = 𝑋
𝐴
(2)
Dimana, P = Nilai prior
X = Jumlah data tiap kelas A = Jumlah data seluruh kelas
2. Mencari nilai likelihood untuk tiap-tiap kelas dengan persamaan (3).
L = 𝐹
𝐵
(3) Dimana,
L = Nilai likelihood
F = Jumlah data fitur tiap kelas B = Jumlah seluruh data tiap kelas
3. Mencari nilai posterior sari tiap kelas yang ada menggunakan persamaan (4).
𝑃(𝑐) ∏ 𝑃 (𝑎|𝑐)
(4)
Dimana,
P(c) = Nilai prior tiap kelas P(a|c) = Nilai likelihood
2.3 Certainty Factor
Faktor kepastian (certainty factor) diperkenalkan oleh Shortliffe Buchanan dalam
pembuatan MYCIN. Certainty Factor (CF) merupakan nilai parameter klinis yang diberikan MYCIN untuk menunjukkan besarnya kepercayaan.
Certainty Factor didefinisikan sebagai persamaan berikut:
CF (H, E) = MB (H, E) – MD (H, E) CF (H, E): Certainty Factor dari
hipotesis H yang dipengaruhi oleh gejala (evidence) E. Besarnya CF berkisar antara -1 sampai 1. Nilai -1 menunjukkan ketidakpercayaan mutlak sedangkan nilai 1 menunjukkan kepercayaan mutlak.
MB (H, E): ukuran kenaikan kepercayaan (measure of increased belief) terhadap hipotesis H yang dipengaruhi oleh gejala E.
MD (H, E): ukuran kenaikan ketidakpercayaan (measure of increased disbelief) terhadap hipotesis H yang dipengaruhi oleh gejala E. Bentuk dasar rumus certainty factor, adalah sebuah aturan JIKA E MAKA H seperti ditunjukkan oleh persamaan 2 berikut: CF (H, e) = CF (E, e) * CF (H, E) Dimana :
CF (H, e): certainty factor hipotesis yang dipengaruhi oleh evidence e. CF (E, e): certainty factor evidence E
yang dipengaruhi oleh evidence e. CF (H, E): certainty factor hipotesis
dengan asumsi evidence diketahui dengan pasti, yaitu ketika CF(E, e) = 1 Jika semua evidence pada antecedent diketahui dengan pasti maka persamaannya akan menjadi:
CF (E, e) = CF (H, E)
Dalam aplikasinya, CF(H,E) merupakan nilai kepastian yang diberikan oleh pakar terhadap suatu aturan, sedangkan CF(E,e) merupakan nilai kerpercayaan yang diberikan oleh pengguna terhadap gejala yang dialaminya.
3. METODOLOGI
Gambar 1. Diagram Alir sistem
Pada Gambar 1 dijelaskan bahwa sistem yang akan dikembangkan memiliki tujuan untuk menghitung peluang probabilitas penyakit menggunakan metode Naïve Bayes pada penyakit sapi yang ada dari setiao gejala gejala inputan yang ada. Proses Naïve Bayes tersebut diawali oleh proses Prior , yaitu proses mencari peluang semua penyakit dibagi seluruh jumlah penyakit, lalu selanjutnya proses Likelihood yang dimana mengitung setiap gejala pada masing masing penyakit yang ada, kemudian langkah terakhir dari Naïve Bayes adalah perhitungan Posterior yang dimana mencari nilai tertinggi hasil Likelihood dikalikan dengan Hasil Prior dengan mencari nilai yang tertinggi, yang dimana nilai tertinggi itu akan menjadi hasil dari diagnosis. Kemudian dilanjut dengan perhitungan metode Certainty Factor untuk mengetahui hasil keyakinan dari hasil diagnosis yang didapat dari hasil Posterior.
4. HASIL DAN PEMBAHASAN
4.1Pengujian Kepuasan Pengguna
Pengujian kepuasan pengguna dilakukan agar mengetahui tingkat kepuasan pengguna dan kenyamanan dalam menggunakan aplilkasi sistem pakar.
Pada pengujian kepuasan pengguna, diberikan kuisioner untuk menguji tingkat kepuasan pengguna dalam menggunakan aplikasi sistem pakar sejumlah 13 butir pertanyaan yang terdapat pada Lampiran.. Kuisioner diberikan kepada 17 responden yang berasal dari pakar penyakit sapi. Tiap-tiap
pertanyaan dari kuisioner bertujuan untuk menunjukkan tingkat usability aplikasi sistem pakar menurut pendapat pengguna saat menggunakan aplikasi sistem pakar.
Nilai yang didapatkan dari hasil perhitungan nilai setiap butir pertanyaan akan digunakan dalam menghitung nilai kepuasan pengguna menggunakan rumus:
𝑁𝑖𝑙𝑎𝑖 𝐾𝑒𝑝𝑢𝑎𝑠𝑎𝑛 𝑃𝑒𝑛𝑔𝑔𝑢𝑛𝑎
=𝑇𝑜𝑡𝑎𝑙 𝐽𝑢𝑚𝑙𝑎ℎ 𝑁𝑖𝑙𝑎𝑖 𝐵𝑢𝑡𝑖𝑟 𝑃𝑒𝑟𝑡𝑎𝑛𝑦𝑎𝑎𝑛
𝐽𝑢𝑚𝑙𝑎ℎ 𝐵𝑢𝑡𝑖𝑟 𝑃𝑒𝑟𝑡𝑎𝑛𝑦𝑎𝑎𝑛
Nilai Kepuasan Pengguna = (3,5294 + 3,3529 + 3,2941 + 3,2353 + 3,4118 + 3,0588 + 2,8824 + 3,0588 + 3,0588 + 3,0588)/10
= 31,9411/10 = 3,19411
Dari proses perhitungan nilai kepuasan pengguna didapatkan nilai kepuasan pengguna sebesar 3,19411.
Berdasarkan hasil pengujian kepuasan pengguna yang telah dilakukan, aplikasi sistem pakar diagnosis penyakit pada sapi menggunakan metode naïve bayes-certainty factor menghasilkan nilai tingkat kepuasan pengguna sebesar 3,19411. Hal tersebut menunjukkan bahwa aplikasi sistem pakar yang telah dibuat memberikan user experience yang bai dan kenyamanan pada saat digunakan.
4.2 Pengujian Akurasi Sistem
Pada pengujian akurasi ini total data uji yang dipakai yaitu 50 data. Pengujian akurasi akan membandingkan hasil diagnosis pakar terdapat 46 data yang memiliki hasil diagnosis yang sama dengan hasil diagnosis yang sama dengan hasil diagnosis pakar, sehingga tingkat akurasi pada pengujian akurasi sebagai berikut: 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 %
=𝐽𝑢𝑚𝑙𝑎ℎ 𝐷𝑎𝑡𝑎 𝑈𝑗𝑖 𝐵𝑒𝑛𝑎𝑟𝐽𝑢𝑚𝑙𝑎ℎ 𝑇𝑜𝑡𝑎𝑙 𝐷𝑎𝑡𝑎 𝑈𝑗𝑖 𝑥 100%
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 % =4650 𝑥 100% = 92 %
Berdasarkan hasil pengujian akurasi yang telah dilakukan, sistem pakar diagnosis penyakit sapi menggunakan metode Naïve Bayes-Certainty Factor menghasilkan tingkat akurasi sebesar 92 %. Hasil tersebut menunjukkan bahwa sebuah sistem pakar menggunakan metode naïve bayes-certainty factor untuk melakukan proses diagnosis akan menghasilkan sebuah sistem pakar dengan ketepatan hasil diagnosis yang baik dan akurat.
5. KESIMPULAN
Berdasarkan dari hasil penelitian yang telah Mulai
Data uji
Perhitungan Naïve Bayes
Perhitungan Certainty
Factor
dilakukan demikian, maka dapat diambil beberapa kesimpulan sebagai berikut:
1. Dalam mengimplementasikan metode naïve bayes-certainty factor pada sistem pakar diagnosis penyakit sapi berbasis android dapat diterapkan dengan baik. Proses diagnosis penyakit sapi dapat dilakukan memasukkan gejala-gejala yang muncul pada penyakit sapi oleh pengguna. Melalui gejala-gejala yang dimasukkan akan dilakukan perhitungan dengan menggunakan metode naïve bayes – certainty factor untuk mendapatkan hasil sistem berupa jenis penyakit yang
menyerang sapi. Dalam
mengimplementasikan metode naïve bayes-certainty factor pada sistem dalam mendiagnosis nama penyakit, dapat dilakukan perhitungan menggunakan metode naïve bayes dengan menghitung nilai probabilitas prior nilai probabilitas likelihood, nilai probabilitas posterior, dimana hasil dari perhitungan akan menghasilkan sebuah diagnosis berupa nama hama-penyakit yang menyerang tanaman beserta cara penanganannya. Setelah didapatkan hasil diagnosis dari metode naïve bayes, hasil diagnosis akan dihitung nilai keyakinannya (CF) yang bertujuan untuk mengetahui persentase dari hasil perhitungan metode naïve bayes. 2. Aplikasi sistem pakar diagnosis penyakit
sapi menggunakan metode naïve bayes-certainty factor berbasis android yang telah dibuat memiliki nilai tingkat kepuasan pengguna sebesar 3,19411, nilai tingkat kepuasan pengguna merupakan hasil dari penilaian kuisioner 17 responden yang berasal dari pakar penyakit sapi. Tingkat akurasi yang dihasilkan oleh sistem pakar yang telah dibuat memberikan user experience yang baik dan kenyamanan pada saat digunakan, serta dalam membuat sebuah sistem pakar menggunakan metode naïve bayes-certainty factor akan menghasilkan sebuah sistem pakar dengan ketepatan hasil diagnosis yang baik dan akurat.
3. Metode yang digunakan pada implementasi dapat diterapkan dengan baik dan memiliki nilai akurasi yang cukup tinggi dan mendapatkan akurasi sistem sebesar 92%.
6. DAFTAR PUSTAKA
BPS. (2015). Badan Pusat Statistik Indonesia. Retrieved Agustus 12, 2017, from https://www.bps.go.id/
Diasta, L. S. (2016). Pemodelan Sistem Pakar Diagnosia Penyakit HIV Menggunakan Metode Fuzzy Sugeno-Certainy Factor. Malang.
Fauziyah. (2012). Sistem Pakar Untuk Diagnosis Penyakit Paru Dengan Metode Naïve Bayes Classifier. Jurnal Sarjana Informatika, I, 39.
Hardika, A. (2014). Aplikasi Sistem Pakar Untuk Identifikasi Hama dan Penyakit Tanaman Tebu Dengan Metode Naïve Bayes Berbasis Web. Malang.
Kusumadewi S. (2003). Artificial Intelegence (Teknik dan Aplikasinya). Yogyakarta: Graha Ilmu.
Lestari, P. (2016). Pemodelan Sistem Pakar Diagnosa Penyakit Mata Menggunakan Metode Naïve Bayes-Certainty Factor. Malang.
Pertiwi, B. (2015). Pemodelan Sistem Pakar Diagnosis Penyakit Demam Berdarah Menggunakan Metode Naïve Bayes- Certainty Factor. Malang.
Pusat Data dan Sistem Informasi Pertanian. (2013). Sedap Malam. Informasi Komoditas Holtikultura. Jakarta: Bidang Data Komoditas Pusat Data dan Sistem Informasi Pertanian.
Safaat, H. (2012). Android: Pemrograman Aplikasi Mobile Smartphone dan Tablet PC. Bandung: INFORMATIKA.
Saputro, B., Delima, R., & Purwadi, J. (2011). Sistem Diagnosis Penyakit Diabetes Melitus Menggunakan Metode Certainty Factor. Jurnal Sarjana Teknik Informatika. Silalahi, N. (2015). Sistem Pakar Diagnosis
Penyakit Jantung Menggunakan Metode Certainty Factor. Malang.
Sutojo T. (2011). Kecerdasan Buatan. Yogyakarta: Andi.
Syatibi, A. (2012). Sistem Pakar Diagnosis Awal Penyakit Kulit Sapi Berbasis Web Menggunakan Metode Certainty Factor. Semarang: Univeritas Diponegoro.
