Fakultas Ilmu Komputer
650
Sistem Pakar Diagnosis Penyakit Kucing Menggunakan Metode
Naive
Bayes
–
Certainty Factor
Berbasis Android
Achmad Affan Suprayogi Nugraha1, Nurul Hidayat2, Lutfi Fanani3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email: 1affansupra@gmail.com, 2ntayadih@ub.ac.id, 3lutfifanani@ub.ac.id
Abstrak
Pada saat ini masyarakat banyak sekali yang memelihara hewan kucing. Kondisi ini disebabkan karena banyak sekali manfaat yang dirasakan setelah memelihara kucing, anatar lain yaitu menumbuhkan rasa kasih sayang terhadap makluk hidup dan juga dapat membantu memulihkan kondisi psikologis seseorang sehingga dapat mengurangi stres. Selain pemeliharaannya yang relatif mudah, kucing adalah hewan yang lucu dan menggemaskan. Akan tetapi apabila kondisi kesehatan kucing terganggu akan berdampak negatif bagi pemelihara karena resiko dapat tertular penyakit dari kucing. Kesehatan kucing dirasa penting tetapi jumlah tenaga medis hewan kucing yang ada sangat terbatas. Pembuatan sistem ini dapat membantu pekerjaan pakar dalam mendiagnosis penyakit kucing. Metode yang digunakan adalah Naive Bayes dan Certainty Factor. Metode Naive Bayes bekerja dengan cara mencari nilai peluang kemunculan penyakit kucing, sedangkan metode Certainty Factor bekerja dengan cara mencari nilai kepercayaan. Aplikasi ini dikembangkan berbasis android dengan menggunakan bahasa pemrograman JAVA dan XML pada Android Studio. Pengujian yang dilakukan dengan membandingkan kesesuaian hasil diagnosis sistem dengan hasil diagnosis pakar. Dari pengujian 25 data kasus didapatkan tingkat akurasi sistem pakar diagnosis penyakit kucing menggunakan metode Naive Bayes – Certainty Factor Berbasis Android sebesar 80%.
Kata Kunci: penyakit kucing, diagnosis, sistem pakar, naive bayes, certainty factor
Abstract
At this time a lot of people who nourish cats. This is because a lot of the perceived benefits after nourish cats, such as foster a sense of compassion for sentient beings and also can help restore a person's psychological condition so as to reduce stress. In addition to maintenance a relatively easy, the cat is a cute animal. However, if the health condition of cats is disrupted will have a negative impact for the keeper because of the risk can be infected. Healthy cats deemed important but the number of medical personnel cat animals is very limited. Making this system can help the work of experts in the diagnosis of diseases of cats. The method used is Naive Bayes and Certainty Factor. Naive Bayes method works by looking for the emerging value opportunities cat disease, whereas the Certainty Factor method works by looking for the value of the trust. The application is built using the android-based programming language JAVA and XML in Android Studio. The test is performed by comparing the conformity result of the system diagnosis with the expert diagnosis. And from 25 test case data obtained accuracy rate cat disease diagnosis expert system using Naive Bayes method - Certainty Factor-Based Android by 80%.
Keywords: cat diseases, diagnosis, expert systems, naive Bayes, certainty factor
1. PENDAHULUAN
Banyak sekali masyarakat yang memilih kucing sebagai hewan peliharaan. Kucing dapat menjadi bermanfaat bagi manusia, namun apabila kucing sakit justru menjadi dampak buruk seperti tertularnya penyakit kucing ke
manusia. Jadi kesehatan kucing sangatlah penting, peran klinik rumah sakit hewan sangat dibutuhkan untuk melakukan tindakan medis pada hewan peliharaan. Akan tetapi keterbatasan seorang dokter hewan dalam melakukan diagnosis penyakit kucing.
Oleh sebab itu diperlukan sistem yang
menangani kasus penyakit kucing, dimana sistem tersebut dapat melakukan diagnosis penyakit kucing secara cepat dan tepat berdasarkan gelala penyakit kucing pada pasien berdasarkan rekap medis sebelumnya, Dengan adanya riwayat pelatihan (data latih) proses klasifikasi akan memperkuat hasil diagnosis penyakit kucing seperti menangani penyakit dengan kemiripan pola gejala. Dan dengan adanya hasil wawancara dengan pemilik kucing akan membantu dalam perhitungan nilai derajat ketidakpastian sehingga akan memperkuat faktor kepercayaan. Metode yang digunakan dalam penelitian ini adalah metode Naive Bayes dan metode Certainty Factor. Metode Naive Bayes Classifier untuk proses kalsifikasi, dalam proses sistemnya membutuhkan data latih dan data uji. Sedangkan metode Certainty Factor digunakan untuk menghadapi masalah yang jawabannya tidak pasti, ketidakpastian ini bisa merupakan probabilitas.
Berdasarkan survey dari We Are Social sebuah agensi marketing social, mengeluarkan sebuah laporan mengenai data jumlah pengguna mobile dari seluruh dunia, dan Indonesia termasuk mengguna mobile terbesar didunia (Wijaya K.K, 2015). Oleh karenanya aplikasi yang akan dibangun berbasis Android untuk menyesuaikan kebutuhan pengguna.
Pada penelitian penelitian terdahulu, penelitian dengan objek yang berbeda namun dengan metode yang sama yaitu, Analisis Perbandingan Metode Naive Bayes dan Certainty Factor Dalam Mendeteksi Kemungkinan Anak Terkena Disleksia. Pada penelitian ini dilakukan perbandingan antara metode Naive Bayes dan Certainty Factor untuk mengetahui metode mana yang terbaik dalam ketepatan akurasi. Hasil akurasi yang didapat yaitu 93% untuk metode Naive Bayes dan 53% untuk metode Certainty Factor (Tjahyati, 2014). Penelitian selanjutnya Implementasi Metode Naïve Bayes Classifier Untuk Diagnosis Klasifikasi Gejala Penyakit Kucing, didapakan hasil akurasi yaitu 99,44% (Pitaloka, 2016).
Berdasarkan penjelasan yang sudah dipaparkan, oleh karenanya pada penelitian ini akan dibangun sebuah Sistem Pakar Diagnosis Penyakit Kucing Menggunakan Metode Naive Bayes – Certainty Factor Berbasis Android.
Tujuan dari penelitian ini yaitu membuat sistem klasifikasi penyakit kucing menggunakan naive bayes – certainty factor dan melakukan pengujian sistem pakar diagnosis penyakit kucing merupakan jawaban dari rumusan
masalah yang telah dibuat yaitu bagaimana membuat sistem klasifikasi penyakit kucing menggunakan naive bayes – certainty factor dan bagaimana hasil pengujian.
2. LANDASAN KEPUSTAKAAN
2.1. Penyakit Kucing
Pada sistem ini hanya dapat mengidentifikasi 9 macam penyakit kucing saja. Berikut merupakan macam-macam penyakit kucing yang diidentifikasi: Scabies, Gastritis, Helminthiasis, Rhinitis Dermatitis, Dermaphytosis, Otitis, Enteritis dan Sehat.
2.2. Sistem Pakar
Sistem pakar adalah sistem cerdas berbasis komputer digunakan dalam penyelesaian masalah yang hanya bisa dilakukan oleh ahli/pakar pada suatu bidang. Dengan sistem ini masyarakat umum dapat melakukan perhitungan layaknya seorang pakar (Kusumadewi, 2003).
Terdapat dua bagian penting dari sistem pakar meliputi linkungan konsultasi dan
lingkungan pengembang. Lingkungan
pengembang digunakan oleh pengembang sistem untuk membangun komponen dan memperkenalkan pengetahuan ke dalam basis pengetahuan. Untuk linkungan konsultasi berguna untuk melakukan konsultasi sehingga memperoleh penegetahuan dari sistem pakar layaknya dari seorang pakar (Sutojo, 2011).
2.3. Naive Bayes
Naive Bayes adalah salah satu metode klasifikai. Perhitungan Bayes dapat dilakukan dengan menggunakan langkah-langkah berikut (Natalius, 2011).
1. Mencari nilai prior untuk tiap kelas dengan menghitung rata-rata tiap kelas dengan menggunakan persamaan (1).
𝑃 =𝑋𝐴 (1)
2. Mencari nilai likelihood untuk tiap kelas dengan menggunakan persamaan (2).
𝐿 =𝐹𝐵 (2)
3. Mencari nilai posterior dari tiap kelas yang ada dengan menggunakan persamaan (3).
membandingkan nilai posterior dari kelas-kelas yang ada. Nilai posterior yang paling tinggi yang terpilih sebagai hasil klasifikasi.
2.4. Certainty Factor
Certainty theory menggunakan suatu nilai yang disebut Certainty Factor (CF) untuk mengasumsikan derajat keyakinan seorang pakar terhadap suatu data (Arhami, 2005). Ditunjukkan Formula Certainty Factor oleh Giarattano dan Riley, 1994 menggunakan persamaan (4).
CF (H,E) = MB (H,E) – MD (H,E) (4)
Keterangan :
• CF (H,E) = Certainty Factor dari hipotesis H yang dipengaruhi oleh gejala (evidence) E. Besarnya CF berkisar antara -1 sampai 1. Nilai 1 menunjukkan kepercayaan mutlak sedangkan nilai -1 menunjukkan ketidakpercayaan 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.
3. METODOLOGI
Gambar 1. Diagram Alir Metodologi
Penelitian dimulai dengan mengumpulkan dan mempelajari literatur-literatur yang dapat menunjukkan keberhasilan penelitian. Setelah itu, dilanjutkan dengan proses pembangunan
aplikasi yang diawali dengan analisis kebutuhan, pengumpulan data, lalu dilanjutkan dengan perancangan dan implementasi, dilanjutkan dengan pengujian dan analisis hasil pengujian sistem. Setelah semua proses selesai dilakukan maka penelitian diakhiri dengan penarikan kesimpulan dan saran.
4. ANALISIS KEBUTUHAN
4.1. Gambaran Umum Sistem
Sistem pakar diagnosis penyakit kucing menggunakan metode Naive Bayes – Certainty Factor merupakan sistem yang dapat melakukan proses diagnosis penyakit terhadap seekor kucing berdasarkan gejala-gejala masukan dari pengguna aplikasi. Sistem ini dibangun dengan
berbasis android yang dikembangkan
menggunakan Android Studio dengan bahasa pemrograman JAVA dan Extensible Markup Language (XML).
Pada sistem ini tersedia 3 fitur, yaitu fitur panduan kode gejala, fitur diagnosis, dan fitur info. Fitur panduan kode gejala berisi mengenai kode-kode gejala beserta keterangannya. Fitur diagnosis merupakan fitur utama, pada fitur ini pengguna melakukan proses diagnosis dengan memasukkan beberapa kode gejala pada checkbox yang tersedia dan nantinya hasilnya akan ditampilkan pada halaman hasil. Yang terakhir adalah fitur info, fitur ini berisi mengenai informasi tentang sistem.
4.2. Identitas Aktor
Tahap ini ditujukan untuk melakukan identifikasi aktor yang berinteraksi dengan sistem pakar. Aktor apa saja yang terlibat dalam sistem pakar beserta proses apa saja yang dapat dilakukan oleh aktor berikut pada Tabel 1.
Tabel 1. Identifikasi Aktor
Aktor Deskripsi
Pengguna
Aktor dapat melakukan melihat panduan kode gejala, mendiagnosis penyakit, melihat hasil diagnosis, dan melihat info tentang aplikasi.
4.3. Kebutuhan Fungsional
factor. Kebutuhan fungsional ditunjukkan pada pada tabel 2.
Tabel 2. Kebutuhan Fungsional
No. Nama Fungsi Deskripsi Kebutuhan
1 Menampilkan
panduan kode gejala
Aplikasi harus menampilkan keterangan dari masing-masing kode gejala dalam menu panduan kode gejala
2 Tentukan kode
gejala
Aplikasi harus
menyediakan ceckbox untuk digunakan pengguna sebagai masukan gejala-gejala penyakit untuk didiagnosis
3 Menampilkan
hasil diagnosis
Aplikasi harus menampilkan hasil diagnosis. Diantaran penyakit, nilai keyakinan, info penyakit, dan solusi.
4 Menampilkan
informasi tentang aplikasi
Aplikasi harus menampilkan informasi mengenai aplikasi dalam menu info
4.4. Usecase Diagram
Use case diagram merupakan gambaran pada sistem yang menjelaskan interaksi aktor terhadap sistem yang akan dibangun. Use case diagram sangat penting untuk menjadi panduan bagi user maupun bagi developer untuk dalam proses pengembangan sistem. Didalam use case akan menjelaskan secara singkat bagaimana hubungan anatara usecase, aktor, dan juga sistem.
Berikut adalah Use Case Diagram dari sistem, pada Gambar 2.
Gambar 2.Use Case Diagram
Gambar 2 merupakan model Use Case Diagram yang telah dibuat terdapat 1 (satu) aktor dan 4 (empat) use case yaitu melihat kode gejala, diagnosis, hasil, dan lihat info.
5. PERANCANGAN DAN IMPLEMENTASI
5.1. Basis Pengetahuan
Basis pengetahuan merupakan kumpulan suatu informasi yang diperoleh dari pakar untuk memecahkan suatu permasalahan terhadap suatu bidang tertentu. Basis pengetahuan bersifat dinamis, dapat berubah sewaktu-waktu karena pengetahuan dapat berkembang. Basis pengetahuan merupakan inti dari sistem pakar karena basis pengetahuan dijadikan sebagai acuan dalam perhitungan sistem pakar. Basis pengetahuan mencakup dua elemen dasar, yaitu fakta dan aturan (mengarahkan pengguna untuk memecahkan masalah khusus dalam domain tertentu). Berikut merupakan sekumpulan informasi yang digunakan pada penelitian ini, jenis penyakit kucing ditunjukkan pada tabel 3, gejala penyakit kucing ditunjukkan pada tabel 4 dan aturan diagnosis penyakit kucing ditunjukkan pada tabel 5.
Tabel 3 Jenis Penyakit Kucing
Kode Penyakit
Nama
Penyakit Solusi
P1 Scabies salep scabies
P2 Gastritis
P3
Helmin-thiasis
Pemberian obat cacing tiap 3 bulan sekali
P4 Rhintis
identifikasi penyebab alergi, obat anti alergi, obat anti radang, antibiotic
P5
Dermato-phytosis
Mandi dengan shampoo jamur 2x seminggu, salep anti jamur, obat anti jamur
P6 Dermatitis
Identifikasi penyebab alergi jika ada, antibiotik mandi dengan shampoo anti bakteri/jamur 2x
antibiotik, anti diare, obat cacing
P8 Otitis
Bersihkan telinga dengan pembersih telinga, obat tetes telinga dan anti radang
P9 Sehat
Mandi 1 – 2 minggu sekali tergantung tingkat kekotoran, vaksinasi rutin, cek dokter tiap 3 bulan
Tabel 4 Gejala Penyakit Kucing
Kode
Gejala Gejala
G1 Keratinisasi
G2 Gatal gatal
G13 Hilang nafsu makan
G14 Ada cacing di fases
G15 Pilek
G16 Bersin bersin
G17 Hidung tersumbat
G18 Badan lemas
G19 Mata berair
G20 Hidung berair
G21 Ringwarm pada kulit
G22 Kulit kemerahan sampai lecet
G23 Jamuran
G24 Lesi berminyak pengganti
G25 Guratan parah pada telinga
G26 Adanya cairan hitam keluar
telinga
G27 Telinga terdapat lilin dan bau
G28 Diare campur darah
G29 Feses lembek
G30 Minum banyak
G31 Abdomen sakit
G32 Vaksinasi
Tabel 5 Aturan Diagnosis Penyakit Kucing
Aturan Penyakit Gejala
R1 P1 G1, G2, G3, G4, G5, G6, G7,
5.2.1 Diagram Alir
Gambar 3. Diagram Alir Perhitungan Naive Bayes
Berikut merupakan diagram alir perhitungan Certainty Factor pada gambar 4.
Gambar 4 Diagram Alir Perhitungan Certainty Factor
5.2.2. Langkah-langkah Perhitungan Naive Bayes
1. Menghitung nilai prior (peluang
kemunculan suatu penyakit pada data training) berdasarkan gejala yang diperlukan. Perhitungan ini dilakukan dengan membagi jumlah masing-masing penyakit dengan jumlah keseluruhan data yang ada pada data latih.
2. Melakukan pencarian nilai likelihood (peluang munculnya suatu gejala terhadap suatu penyakit) dari probabilitas gejala yang mempengaruhi pada setiap penyakit) dari probabibilitas gejala yang mempengaruhi pada setiap penyakit. Perhitungan ini dilakukan dengan membagi jumlah gejala yang ada pada masing-masing penyakit dengan jumlah masing-masing penyakit. 3. Melakukan pencarian nilai posterior
(probabilitas akhir) pada masing-masing penyakit, dengan cara mengalikan nilai prior dengan nilai likelihood masing-masing gejala pada setiap penyakit.
memastikan hasil output CF maksimal yaitu mendekati nilai 1, dan juga untuk mengetahui persentase dari hasil perhitungan metode Naive Bayes.
5.2.3. Langkah-langkah Perhitungan Certainty Factor
1. Penyakit yang akan dihitung nilai kepastiannya merupakan penyakit dari hasil diagnosis pada metode Naive Bayes. Pada perhitungan ini nilai CFpakar dikalikan dengan CFuser.
2. Setelah nilai CF dihitung, maka selanjutnya yaitu menghitung nilai CFcombine. Perhitungan CFcombine menggunakan nilai CF yang diperoleh dari CFpakar*CFuser, dimana nilai CF dianggap sebagai nilai CF1 dan CF2. Setiap kali eksekusi hanya menggunakan dua buah data saja (CF1 dan CF2). Nilai tersebut digunakan untuk memberikan bobot pada setiap aturan yang ada.
6. PENGUJIAN
6.1 Pengujian Validasi (Blackbox)
Prosedur pengujian validasi diawali dengan mendefinisikan kebutuhan fungsional yang akan diuji. Setelah itu, hasil yang diharapkan akan dibandingkan dengan hasil yang didapatkan setelah melalui tahap-tahap pengujian yang telah ditentukan sebelumnya. Hasil pengujian terhadap kebutuhan fungsional memilih kode gejala, ditunjukkan pada Tabel 6.
Tabel 6 Kasus Uji Memilih Kode Gejala
Nama Kasus
Uji Memilih kode gejala
Tujuan Pengujian
Untuk memastikan sistem dapat
menampilkan checkbox
kode-kode gejala dan sistem dapat melakukan diagnosis
berdasarkan masukan pengguna
Prosedur Pengujian
1. Sistem dijalankan
2. Memilih menu diagnosis
3. Memilih kode gejala
Hasil yang diharapkan
Dapat menampilkan checkbox
kode-kode gejala dan sistem dapat melakukan diagnosis berdasarkan masukan pengguna
Hasil yang didapatkan
Sistem menampilkan checkbox
kode-kode gejala dan sistem dapat melakukan diagnosis berdasarkan masukan pengguna
Status
Validasi Valid
Berdasarkan prosedur pengujian yang telah dijalankan, maka dapat disimpulkan bahwa sistem pakar diagnosis penyakit kucing telah sesuai dengan seluruh kebutuhan fungsional yang telah ditentukan.
6.2 Pengujian Usability
Prosedur Pengujian usability dilakukan dengan cara meminta pengguna sistem untuk
mengisi kuisioner setelah mencoba
menggunakan sistem yang telah dibuat. Pada kuisioner, setiap pertanyaan memiliki nilai satu sampai dengan lima dan dari total seluruh nilai dibagi dengan jumlah pertanyaan, hasil dari nilai tersebut dijadikan sebagai tolak ukur kelayakan sistem dimana semakin tinggi nilai yang didapat maka semakin baik sistemnya.
Kuisioner sebanyak 20 yang masing-masing berisi 10 pertanyaan dibagikan kepada pengguna, masing-masing pertanyaan memiliki nilai satu sampai dengan lima penilaian dilakukan setelah pengguna mengoperasikan sistem.
Hasil kuisioner pengujian usability diatas maka dilakukan perhitungan mean untuk mendapatkan rata-rata. Perhitungan hasil kuisioner pengujian usability dapat dilihat sebagai berikut:
𝑀𝑒𝑎𝑛 =𝐽𝑢𝑚𝑙𝑎ℎ 𝑃𝑒𝑟𝑡𝑎𝑛𝑦𝑎𝑎𝑛 =𝑇𝑜𝑡𝑎𝑙 𝑁𝑖𝑙𝑎𝑖 822200 = 4,11
Keterangan :
Jika Mean = 1 maka sistem dianggap sangat buruk
Jika Mean = 2 maka sistem dianggap buruk Jika Mean = 3 maka sistem dianggap biasa saja
Jika Mean = 4 maka sistem dianggap baik Jika Mean = 5 maka sistem dianggap sangat baik.
6.3 Pengujian Akurasi
hasil diagnosis sistem apakah hasil yang didapatkan sama.
Berdasarkan hasil pengujian akurasi menggunakan 25 yang telah dilakukan, terdapat 20 data yang hasil diagnosisnya sama dengan hasil diagnosis pakar. Selanjutnya akan dihitung nilai akurasi dengan persamaan berikut:
𝑁𝑖𝑙𝑎𝑖 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑎𝑘𝑢𝑟𝑎𝑠𝑖𝑘𝑒𝑠𝑒𝑙𝑢𝑟𝑢ℎ𝑎𝑛 𝑑𝑎𝑡𝑎 × 100%
𝑁𝑖𝑙𝑎𝑖 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = 2025 × 100% = 80
Maka hasil nilai akurasi pada pengujian tersebut didapatkan nilai sebesar 80%.
7. KESIMPULAN
Berdasarkan hasil perancangan dan pengujian yang sudah dilakukan pada sistem pakar pakar diagnosis penyakit kucing menggunakan metode Naive Bayes – Certainty Factor berbasis android dapat diambil kesimpulan sebagai berikut :
1. Sistem Pakar Diagnosis Penyakit Kucing Menggunakan Metode Naive Bayes – Certainty Factor Berbasis Android, sistem ini dibangun dengan berbasis android. Untuk metode Naive Bayes dengan menggunakan data gejala penyakit yang kemudian dihitung peluang kemunculan dan probabilias dari masing-masing penyakit. Setelah itu untuk metode Certaity Factor menggunakan gejala penyakit yang diberikan nilai kepercayaan. Sistem dapat mendiagnosis penyakit kucing dengan gejala yang digunakan sebanyak 32 butir dan jenis penyakit kucing sebanyak 9 butir berdasarkan hasil wawancara dengan pakar.
2. Terdapat 2 tahapan pengujian yang merupakan kelanjutan dari sistem ini sebagai syarat memenuhi kebutuhan pembuatan sistem.
a. Hasil pengujian validasi (blackbox) Sistem Pakar Diagnosis Penyakit Kucing Menggunakan Metode Naive Bayes – Certainty Factor Berbasis Android dikarenakan pada semua kasus uji yang sudah dilakukan, secara keseluruhan dapat berfungsi dengan baik, maka tingkat persentase kesesuaian validasi sebesar 100%. b. Hasil pengujian usability diperoleh
rata-rata perhitungan yang bernilai 4,11. Dari nilai rata-rata tersebut dapat
disimpulkan bahwa sistem yang dibangun sudah baik.
c. Hasil pengujian akurasi Sistem Pakar
Diagnosis Penyakit Kucing
Menggunakan Metode Naive Bayes – Certainty Factor Berbasis Android memiliki nilai persentase akurasi sebesar 80%, karena terdapat 5 data uji dari 25 data uji yang tidak sesuai dengan hasil pakar yang disebabkan oleh kemiripan gejala anatara penyakit, dengan membandingkan hasil diagnosis pakar dengan hasil diagnosis sistem.
DAFTAR PUSTAKA
Rahman, A., 2008. MORFOGENETIKA
KUCING RUMAH (Felis domesticus) DI DESA JAGOBAYO KECAMATAN LAIS BENGKULU UTARA BENGKULU. Jurnal Exacta. pp. 30
Hidayat S., 2010. Aplikasi Untuk Mendeteksi Jenis Penyakit Pada Tanaman Tebu Dan Cara Penanganannya Berbasis Web. Skripsi. Tidak diterbitkan. Jurusan Teknik Informatika Fakultas Ilmu Komputer Universitas Indonesia Bandung.
Pitaloka., 2016. Implementasi Metode Naïve Bayes Classifier Untuk Diagnosis Klasifikasi Gejala Penyakit Kucing. Teknik Informastika PTIIK Universitas Brawijaya, Malang
Kusumadewi, Sri., 2003. Artificial Itelligence (Teknik dan Aplikasinya). Graha Ilmu. Yogyakarta.
Wijaya K.K., 2015. Berapa jumlah pengguna website, mobile, dan media sosial di Indonesia?. id.techinasia.com. [Online] Tersedia di: https://id.techinasia.com /laporan-pengguna-website-mobile-media-sosial-indonesia. [Diakses Pada tanggal 10 Maret 2017]
Meilani, D.B., 2014. SISTEM DATA MINING UNTUK MENGHASILKAN POLA KELULUSAN SISWA DENGAN METODE NAIVE BAYES. Jurnal Link. pp. 3
Natalius., 2011. Metode Naive Bayes Classifier dan Penggunaannya pada Klasifikasi Dokumen. Makalah II 2092 Probabilitas dan Statistika. pp. 1
Neno., 2016. Infeksi Telinga (Otitis) pada Kucing. KucingKita.com. [Online] Tersedia di: http://kucingkita.com. [Diakses Pada tanggal 05 Maret 2017]
Palguna David dkk., 2014. SISTEM PAKAR DIAGNOSIS PENYAKIT KULIT PADA KUCING MENGGUNAKAN CERTAINTY FACTOR. JSIKA. Pp. 75
Saputra., 2014. KOMPOSISI ALGORITMA KLASIFIKASI DATA MINING UNTUK
MEMPREDIKSI PENYAKIT
TUBERCULOSIS (TB): STUDI KASUS PUSKESMAS KARAWANG SUKABUMI. Seminar Nasional Inovasi dan Tren (SNIT). pp. 2
Saputra Thomas., 2015. Enteritis Pada Hewan. Ilmu Veteriner. [Online] Tersedia di: http://ilmuveteriner.com/enteritis-pada-hewan. [Diakses Pada tanggal 05 Maret 2017]
Silalahi Rumondang M.S., 2011. Perancangan Aplikasi Sistem Pakar Untuk Diagnosis Penyakit Ginjal Dengan Kombinasi Metode Certainty Factor Dan Metode Forward Chaining. Skripsi. Tidak Diterbitkan. Departemen Ilmu Komputer Fakultas MIPA Universitas Sumatra Utara, Medan.
Sufyan Muhammad., 2016. Ini Manfaat Memelihara Kucing untuk Kesehatan. Liputan6. [Online] Tersedia di http://health.liputan6.com/read/2516695/i ni-manfaat-memelihara-kucing-untuk-kesehatan. [Diakses Pada tanggal 05 Maret 2017]
Sutojo T, Mulyanto Edy, & Suhartono Vincent., 2011. Kecerdasan Buatan. Yogyakarta: Andi
Tjahyati T., 2014. Analisa Perbandingan Metode Certainty Factor Dan Naive Bayesian Dalam Mendeteksi Kemungkinan Anak Terkena Disleksia. Skripsi. Tidak diterbitkan. Program Studi Teknik Informatika Fakultas Teknik Dan Ilmu Komputer Universitas Komputer Indonesia.
Triakoso N., 2006. PENYAKIT SISTEM DIGESTI VETERINER II. BAHAN AJAR ILMU PENYAKIT DALAM VETERINER II. Pp 31
Triakoso N., 2013. Small Animal Dematology.
[Online] Tersedia di:
https:/triakoso.wordpress.com/tag/dermat ology [Diakses Pada tanggal 05 Maret 2017]