Implementasi Metode Naive Bayes Pada Sistem Diagnosa Penyakit Ikan Discus

(1)

1

Implementasi Metode Naive Bayes Pada Sistem Diagnosa Penyakit Ikan Discus

Danang Bagus Kurniawan^[1]*, Wiyanto^[2], Sifa Fauziah^[3]

Program Studi Teknik Informatika, Fakultas Tenik[1], [2]

Universitas Pelita Bangsa Bekasi, Jawa Barat, Indonesia

Ikan diskus merupakan ikan yang diminati karena keindahannya yang khas dan unik, mulai dari beragam corak, warna, dan bentuk, namun ikan ini sulit untuk dipelihara karena rentan dengan berbagai macam penyakit. Dan ada beberapa para budidaya ikan discus ini mengalami permasalahan. Sering terjadinya kematian terhadap ikan Discus, dan Belum ada sebuah jawaban yang pasti untuk menjawab kematian ikan. Sering terjadinya salah vonis terhadap penyakit ikan, yang mengakibatkan salah penanganan ikan. Kurangnya pengetahuan peternak terhadap penyakit ikan Discus. Tujuan agar dapat mendiagnosis penyakit ikan Discus yang dapat memberikan suatu keputusan yang sama, sebaik dan seperti pakar kepada peternak, untuk merancang suatu sistem pakar yang dapat digunakan untuk mendiagnosis suatu jenis penyakit berdasarkan gejala yang timbul, sehingga user menemukan solusi atas permasalahan yang dihadapi. Maka dari itu perlu dibuatnya aplikasi sistem pakar diagnosa penyakit pada ikan diskus Menggunakan Metode Naïve Bayes dengan mencari hasil dari perkalian terbesar. Hasil yang dicapai adalah aplikasi berbasis dekstop yang dapat digunakan oleh pengguna untuk mendiagnosa, mencegah, dan mengobati ikan diskus dari penyakit.

Simpulan yang dicapai dari penelitian ini adalah pengguna dapat melakukan proses diagnosa penyakit ikan diskus dengan hasil yang memuaskan.

KataKunci:Discus,SistemPakar,DiagnosaPenyakit,NaïveBayes Abstract

Abstract - Discus fish is a fish that is in demand because of its distinctive and unique beauty, ranging from various patterns, colors, and shapes, but this fish is difficult to maintain because it is susceptible to various kinds of diseases. And there are some discus fish cultivators experiencing problems. The death of Discus fish often occurs, and there is no definite answer to the death of fish. Often the occurrence of wrong verdicts against fish diseases, which results in mishandling of fish. Lack of knowledge of farmers about Discus fish disease. The aim is to be able to diagnose Discus fish disease which can provide the same decision, as good and as an expert to breeders, to design an expert system that can be used to diagnose a type of disease based on the symptoms that arise, so that users find solutions to the problems they face. Therefore, it is necessary to make an expert system application for diagnosing diseases in discus fish using the Naïve Bayes method by finding the result of the largest multiplication. The result achieved is a desktop- based application that can be used by users to diagnose, prevent, and treat discus fish from disease. The conclusion reached from this research is that users can carry out the process of diagnosing discus fish diseases with satisfactory results.

Keywords : Discus, Expert System, Disease Diagnosis, Nave Bayes

I. PENDAHULUAN

Pada era yang serba Teknologi sekarang ini di sekitara kehidupan kita yang semuanya serba komputerisasi, masyarakat juga sudah mulai menerima akan bergantinya sistem manual menjadi sistem yang otomatis atau komputerisasi, selain itu masyarakat juga tidak hanya

menggunakan untuk berkomunikasi saja, mereka terus mengembangkan komputerisasi agar mendapatkan informasi yang cepat dan efisien, yang berorientasi berdasarkan Internet. Perkembangan teknologi Kecerdasan Buatan yang terjadi telah memungkinkan Sistem Pakar untuk diaplikasikan khususnya dalam diagnosa penyakit. [1]

Budidaya ikan Discus merupakan salah satu bisnis yang memiliki prospek cerah dalam bidang bisnis ikan hias. Akan tetapi dalam proses pembudidayaan ikan Discus ini tidak mudah karena ketika salah satu ikan terkena penyakit maka berpotensi besar menularkan penyakitnya ke ikan yang lain sehingga menyebabkan peternak mengalami kerugian karena banyak ikan yang mati. Pada dasarnya setiap penyakit yang menyerang ikan Discus pasti memiliki gejala – gejala fisik yang tampak, dari gejala – gejala tersebut dapat diketahui jenis penyakit apa yang menyerang ikan Discus sehingga dapat dilakukan penanganan penyakit dengan mudah dan peternak ikan tidak akan mengalami kerugian yang besar.

Namun kurangnya pengetahuan yang dimiliki peternak ikan Discus terhadap penyakit yang menyerang ikan membuat peternak ikan Discus belum dapat menentukan jenis penyakit apa yang menyerang ikan Discus serta solusi pengobatan penyakit tersebut berdasarkan gejala yang ditimbulkan oleh ikan Discus. Untuk membantu mengatasi permasalahan tersebut maka dibuatlah sebuah sistem yang dapat digunakan untuk mendiagnosa penyakit yang menyerang ikan Discus serta cara penanganannya. Penelitian ini dilakukan dengan proses inferensi

(2)

2 menggunakan forward chaining dan proses

perhitungan nilai kepastian terjadinya penyakit dilakukan menggunakan metode bayes. [2] EASE OF USE

1. Identifikasi Masalah

Dalam peneiltian yang dilakukan penulis, ada beberapa masalah yang menjadi masalah :

1. Sering terjadinya kematian terhadap ikan Discus.

2. Belum ada sebuah jawaban yang pasti untuk menjawab kematian ikan.

3. Sering terjadinya salah vonis terhadap penyakit ikan, yang mengakibatkan salah penanganan ikan.

4. Kurangnya pengetahuan peternak terhadap penyakit ikan Discus.

5. Kerugian terhadap peternak Karena ikannya banyak yang mati.

2. Batasan Masalah

Karena keterbatasan waktu dan pengetahuan penulis, maka batasan-batasan dalam penelitian ini adalah sebagai berikut :

1. Kurang tepatnya penanganan peternak terhadap ikan yang terkena penyakit.

2. Perlu adanya sebuah sistem yang dapat menemukan penyebab kematian ikan Discus, dan hanya mendiagnosis penyakit ikan Discus, agar dapat ditemukan solusinya.

3. Rumusan Masalah

Berdasarkan latar belakang pemilihan judul, maka yang menjadi permasalahan adalah :

1. Bagaimana cara merancang suatu sistem pakar yang dapat digunakan untuk mendiagnosis suatu jenis penyakit berdasarkan gejala yang timbul, agar peternak mendapat sebuah cara yang cepat tepat dan efisien tentang cara penanganan ikan yang terkena penyakit?

4. Tujuan Penelitian

Berdasarkan permasalahan yang dikemukakan diatas maka tujuan yang ingin dicapai pada penelitian ini adalah sebagai berikut:

1. Untuk melakukan diagnosis penyakit ikan Discus yang dapat memberikan suatu keputusan yang sama, sebaik dan seperti pakar kepada peternak.

2. Untuk merancang suatu sistem pakar yang dapat digunakan untuk mendiagnosis suatu jenis penyakit berdasarkan gejala yang timbul, sehingga user menemukan solusi atas permasalahan yang dihadapi.First, confirm that you have the correct template for your paper size. This template has been tailored for output on the A4 paper size. If you are using US letter-sized paper, please close this file and download the file “MSW_USltr_format”.

I. LANDASAN TEORI A. Ikan Discus

Diskus adalah ikan dari jenis Symphysodon yang dimiliki oleh family Cichlids. Ikan ini berasal dari perairan Brazil, tepatnya dari sungai Amazon. Discus merupakan ikan yang mempunyai sifat paling dekat dengan family Cichlids. Ikan ini hidup secara berkelompok (social fish) . Karena sifatnya yang tidak agresif, maka ikan ini tidak harus dipelihara di akuarium.

Ikan discus tidak mengigit karena mereka bukan termasuk predator, maka tidak akan menjadi masalah apabila ikan ini dipelihara bersama-sama dengan ikan kecil lainnya di satu akuarium. Seperti family Cichlids dari jenis Pterophyllum, semua spesies dari Symphysodon mempunyai bentuk tubuh yang pipih.

Tidak seperti spesies dari Pterophyllum yang mempunyai bentuk tubuh yang cenderung memanjang, spesies dari Symphysodon mempunyai bentuk yang lebih bulat.

Karena bentuk tubuh inilah ikan ini dinamakan ikan diskus. Panjang dari tubuh ikan diskus yang sudah dewasa bisa mendapai 8– 10 inci (20-25 cm) [8]

B. Sistem Pakar

Sistem pakar adalah sistem komputer yang mengemulasi kemampuan kepakaran manusia. Kata mengemulasi diartikan lebih kuat dari simulasi yang berarti bahwa sistem pakar diharapkan mampu bertindak sebagai yang dilakukan pakar manusia dalam melakukan penalaran untuk memberikan suatu justifikasi atau kesimpulan [11].

C. Algoritma Naïve Bayes

Naive Bayes Classifier (NBC) merupakan sebuah pengklasifikasi probabilitas sederhana yang mengaplikasikan Teorema Bayes dengan asumsi ketidak tergantungan (independent) yang tinggi. Keuntungan penggunan NBC adalah bahwa metode ini hanya membutuhkan jumlah data pelatihan (training data) yang kecil untuk menentukan estimasi parameter yang diperlukan dalam proses pengklasifikasian. Karena yang diasumsikan sebagai variable independent, maka hanya varians dari suatu variabel dalam sebuah kelas yang dibutuhkan untuk menentukan klasifikasi, bukan keseluruhan dari matriks kovarians. Probabilitas bayes merupakan salah satu cara yang baik untuk mengatasi ketidakpastian data dengan menggunakan formula bayes yang dinyatakan seperti pada persamaan 2.1 [3] :

P(ai|vj) =(nc+m*p)/(n+m) (2.1)

nc = jumlah record pada data learning yang v = vj dan a = ai

p = 1/ banyaknya jenis class / penyakit m = jumlah parameter / gejala

n = jumlah record pada data learning yang v = vj / tiap class

P(vj) = peluang penyakit ai = atribut gejala

D. Teori Bahasa Pemrograman

(3)

3 2.1 Bahasa Pemrograman PHP

PHP adalah bahasa scripting yang menyatu dengan HTML dan dijalankan pada serverside.Artinya semua sintaks yang kita berikan akan sepenuhnya dijalankan pada server sedangkan yang dikirimkan ke browser hanya hasilnya saja. Ketika seorang pengguna internet membuka suatu situs yang menggunakan fasilitas server side scripting PHP, maka terlebih dahulu server yang bersangkutan akan memproses semua perintah PHP di server lalu mengirimkan hasilnya dalam format HTML ke web server pengguna internet tadi. Sehingga kode asli yang ditulis dengan PHP tidak terlihat di browser pengguna. PHP merupakan software yang open source bebas. Jadi anda dapat merubah source code dan mendistribusikan secara bebas dan gratis. PHP juga dapat berjalan lintas platform, yaitu dapat digunakan dengan sistem operasi (Windows dan Linux) dan web server apapun (misalnya: PWS, IIS, Apache dll. [12]

2.2 Xampp

Pengertian XAMPP menurut wikipedia (2017), adalah perangkat lunak bebas, yang mendukung banyak sistem operasi, dan merupakan kompilasi dari beberapa program. Fungsi XAMPP adalah sebagai server yang berdiri sendiri (localhost), terdiri atas program Apache HTTP Server, MySQL database, dan penerjemah bahasa yang ditulis dengan bahasa pemrograman PHP dan Perl.

Nama XAMPP merupakan singkatan dari X (empat sistem operasi apapun), Apache, MySQL, PHP dan Perl.

Program ini tersedia dalam GNU General Public License dan bebas, merupakan web server yang mudah digunakan yang dapat melayani tampilan halaman web yang dinamis. XAMPP dikembangkan dari sebuah tim proyek bernama Apache Friends, yang terdiri dari Tim Inti, Tim Pengembang & Tim Dukungan. [13]

2.3 Database MySQL

Menurut Winarno (2014) “MySQL adalah sebuah software database. MySQL merupakan tipe data relasional yang artinya MySQL menyimpan datanya dalam bentuk table-tabel yang saling berhubungan.

Keuntungan menyimpan data di database adalah kemudahannya dalam penyimpanan dan menampilkan data karena dalam bentuk tabel.” Menurut Priyanto, Hidayatullah dkk (2015) “MySQL adalah salah satu aplikasi DBMS yang sudah sangat banyak digunakan para pemrogram aplikasi web. Kelebihan dari MySQL adalah gratis, handal, selalu di-update dan banyak forum yang memfasilitasi para pengguna jika memiliki kendala.

MySQL juga menjadi DBMS yang sering di bundling dengan web server sehingga proses instalasinya jadi lebih mudah”.

Dapat ditarik kesimpulan bahwa MySQL merupakan aplikasi yang digunakan untuk mengolah basis data yang banyak digunakan untuk membangun aplikasi yang menggunakan database. [1]

II. METODE PENELITIAN 3.1 Instrumen Penelitian

Dalam menyelesaikan penelitian ini Instrument yang di butuhkan meliputi berbagai hal sebagai berikut:

3.1.1 Kebutuhan Perangkat Lunak

Sistem Operasi Microsoft Windows 7 System operasi

yang dipakai dalam penelitian ini standar minimal yang di butuhkan yaitu menggunakan system operasi Microsoft windows 7, dikarenakan system operasi ini lebih rungan dalam menjalankan aplikasi yang nantinya di butuhkan untuk membuat suatu sistem.

1. PHP versi 7.5 2. Xampp 3.2 3. MysQL 4. Notpad ++

3.1.2 Kebutuhan Perangat Keras

Disamping adanya kebutuhan perangkat lunak dibutuhkan juga ada standar untuk perangkat keras dalam menyelesaikan penelitian ini. Spesifikasi yang di butuhkan yaitu:

1. Intel Core i5-1035G1 1.00 GHz - 3.60 GHz 2. Ram 2G

3. 32 bit Operating System 4. 320 GB Harddisk (HDD)

3.2 Waktu dan tempat penelitian 3.2.1 Waktu

Penelitian dimulai dari 20-April-2021 sampai dengan 30-September-2021. Pertama penulis pengenalan dengan jenis-jenis ikan.

3.2.2 Tempat

Tempat penelitian dilakukan di Mahameru discus yang beralamat : KP. Kali Baru, Rt.001/Rw 001, Kel. Tridayasakti Kec. Tambun Selatan.

Penulis memilih melakukan penelitian di Mahameru Discus karena peternak belum lama berbudidaya Discus, masih kurangnya pengalaman dan jam terbang peternak maka penulis memutuskan untuk melakukan penelitian ditempat ini.

3.3 Data Yang Digunakan

Sumber data dalam penelitian adalah subyek dari mana datanya dapat diperoleh dalam penelitian ini, peneliti menggali data dari dua sumber yaitu:

3.3.1 Data Primer

Data primer atau data tangan pertama adalah data yang diperoleh langsung dari subjek penelitian dengan mengenakan alat pengukuran atau alat pengambilan data langsung pada subjek sebagai sumber informasi yang dicari. Penulis mengambil data yang berasal dari peternak discus yang beralamat di tridayasakti tambun kota Bekasi. Pemilik bernama Agus Rangin .

3.3.2 Data Sekunder

Data sekunder adalah data yang diperoleh dari pihak lain, tidak langsung di peroleh pihak peneliti dari subjek penelitian. Seperti Literatur, Buku-buku referensi dan internet, antara lain : dasar teori, kecerdasan buatan, sistem pakar,website, informasi tentang ikan dan rekayasa perangkat lunak.

3.4 Metode Pengumpulan Data 3.4.1 Wawancara

Wawancara dilakukan secara langsung kepada peternak ikan, untuk menanyakan masalah-masalah yang ada seputar ikan discus kepada peternak.

(4)

4 3.4.2 Pengamatan Langsung

Pengamatan langsung di lakukan di Mahameru Discus, pengamatan di mulai dari jenis-jenis ikan, makanan apa saja yang dapat diberikan kepada ikan discus, kemudian sifat betina dan jantan. Dan yang terakhir pengamatan mengenai gejala-gejala dan penyakit yang sering menyerang ikan discus.

3.4.3 Studi Pustaka

Peneliti melakukan studi pustaka melalui literature- literatur atas referensi yang ada diperpustakaan atau internet dan buku.

3.5 Metode Yang Digunakan

Perhitungan menggunakan metode Naïve Bayes Classifier bertujuan untuk menglasifkasikan data uji melalui satu set data latih yang telah ada sebelumnya sehingga dapat mengetahui huubungan antar fitur data dengan variable kelas yang dibentuk melalui probabilitas bagi setiap klasifikasinya dengan menggunakan asumsi indepensi.

Naïve Bayes Classifier merupakan sebuah metoda klasifikasi yang berakar pada teorema Bayes . Metode pengklasifikasian dg menggunakan metode probabilitas dan statistik yg dikemukakan oleh ilmuwan Inggris Thomas Bayes , yaitu memprediksi peluang di masa depan berdasarkan pengalaman di masa sebelumnya sehingga dikenal sebagai Teorema Bayes . Ciri utama dr Naïve Bayes Classifier ini adalah asumsi yg sangat kuat (naïf) akan independensi dari masing-masing kondisi / kejadian. [14]

Kelebihan Naïve Bayes :

1. Bisa dipakai untuk data kuantitatif maupun kualitatif.

2. Tidak memerlukan jumlah data yang banyak.

3. Tidak perlu melakukan data training yang banyak.

4. Jika ada nilai yang hilang, maka bisa diabaikan dalam perhitungan.

5. Perhitungannya cepat dan efisien.

6. Pengklasifikasian dokumen bisa dipersonalisasi, disesuaikan dengan kebutuhan setiap orang.

7. Bisa digunakan untuk klasifikasi masalah biner ataupun multiclass.

Kekurangan Naïve Bayes :

1. Apabila probabilitas kondisionalnya bernilai nol, maka probabilitas prediksi juga akan bernilai nol 2. Asumsi bahwa masing-masing variabel independen membuat berkurangnya akurasi, karena biasanya ada korelasi antara variabel yang satu dengan variabel yang lain

3. Keakuratannya tidak bisa diukur menggunakan satu probabilitas saja. Butuh bukti-bukti lain untuk membuktikannya.

4. Untuk membuat keputusan, diperlukan pengetahuan awal atau pengetahuan mengenai masa sebelumnya. Keberhasilannya sangat bergantung pada pengetahuan awal tersebut Banyak celah yang bisa mengurangi efektivitasnya

5. Dirancang untuk mendeteksi kata-kata saja, tidak bisa berupa gambar

3.6 Perancangan Progam Aplikasi Dan Basis Data Dalam tahap ini penulis menyusun apa saja yang akan dilakukan untuk membangun aplikasi sistem pakar yaitu :

1. Penentuan entitas atribut yang akan dipakai pada database

2. Menampilkan strukur database.

3.7 Pengujian

Tahap ini akan dilakukan pengujian terhadap aplikasi progam sistem pakar yang telah dibuat, Pengujian dilakukan oleh pakar .pengujian merujuk pada data yang telah disusun dalam tahap planning dan seleksi data.

Adapun metode yang digunakan adalah metode blackbox.

IV HASIL DAN PEMBAHASAN 4.1 Hasil Pengumpulan Data

Pada tahap ini penulis mengumpulkkan data penyakit- penyakit ikan discus yang secara umum seing dialami oleh para peternak dan penghobi ikan discus.

Tabel 4.1 Variabel Data penyakit

Kode Nama penyakit P01 Whitespot P02 Could eye P03 Velvet P04 Fin foot P05 Gill worm

Adapun gejala-gejala yang terkumpul dari setiap peyakit yaitu :

Tabel 4.2 Variabel Nama gejala Kode Nama gejala

G01 Bercak pada tubuh

G02 Bercak putih di tubuh, sirip dan ingsang G03 Berdiam di pojok

G04 Berenang tidak stabil

G05 Gerakan ingsang tidak teratur G06 Gerakan mulut tidak teratur

G07 Hilang nafsu makan G08 Ikan kurus

G09 Ikan lesu

G10 Kesusahan bernafas G11 Menggesekan badan

G12 Muncul selaput putih diarea mata G13 Sirip robek atau compang-camping G14 Susah makan

G15 Terdapat garis lateral di tubuh G16 Tubuh menghitam

(5)

5 G17 Warna berubah

Adapun Tabel aturannya yaitu :

Tabel 4.3 Basis Aturan kode Aturan

RO1 IF G2&G3&G7&G11&G14 THEN P1 RO2 IF G9&G12&G15 THEN P2

RO3 IF G1&G3&G7&G8&G16&G17 THEN P3 RO4 IF G4&G9&G13 THEN P4

RO5 IF G4&G5&G6&G10 THEN P5

4.2 Pembahasan Perhitungan Manual

Berikut ini contoh pengujian penentuan diagnosa penyakit pada ikan Discus berdasarkan data kuisioner yang telah dilakukan di Mahameru Discus. Data pemeriksaan ikan Discus dapat dilihat pada Tabel 7.

Tabel 4.4 Data Kuisioner Gejala

NO KODE GEJALA

1 SA1 G1,G2,G7,G9,G11,G15 2 SA2 G1,G4,G2,G7,G9 3 SA3 G2,G4,G5,G11,G7 4 SA4 G3,G5,G8,G12,G14,G17 5 SA5 G2,G3,G6,G8,G10 6 SA6 G5,G7,G9,G10 7 SA7 G4,G5,G13,G16,G17 8 SA8 G2,G3,G4,G14,G16 9 SA9 G7,G8,G10,G11,G12 10 SA10 G1,G3,G6,G12,G14 11 SA11 G1,G7,G8,G9 12 SA12 G2,G6,G8,G9,G15 13 SA13 G2,G6,G10,G11,G12 14 SA14 G3,G7,G9,G13 15 SA15 G3,G11,G14,G17 16 SA16 G9,G11,G13,G14 17 SA17 G8,G10,G12,G16 18 SA18 G6,G8,G11,G13,G16,17 19 SA19 G4,G8,G9,G13,G15 20 SA20 G15,G16,G17

21 SA21 G1,G2,G7,G9,G11,G15,G3 22 SA22 G1,G4,G2,G7,G9,G3

23 SA23 G2,G4,G5,G11,G7,G3 24 SA24 G3,G5,G8,G12,G14,G17,G2 25 SA25 G2,G3,G6,G8,G10,G4 26 SA26 G5,G7,G9,G10,G6 27 SA27 G4,G5,G13,G16,G17,G7 28 SA28 G2,G3,G4,G14,G16,G1 29 SA29 G7,G8,G10,G11,G12,G8 30 SA30 G1,G3,G6,G12,G14,G2 31 SA31 G1,G7,G8,G9,G5 32 SA32 G2,G6,G8,G9,G15,G16 33 SA33 G2,G6,G10,G11,G12,G3 34 SA34 G3,G7,G9,G13,G7 35 SA35 G3,G11,G14,G17,G8 36 SA36 G9,G11,G13,G14,G8 37 SA37 G8,G10,G12,G16,G9 38 SA38 G6,G8,G11,G13,G16 39 SA39 G4,G8,G9,G13,G15,G17 40 SA40 G15,G16,G17,G6 41 SA41 G1,G2,G9,G11,G15 42 SA42 G1,G4,G2,G7 43 SA43 G2,G4,G5,G11 44 SA44 G3,G5,G8,G12,G14 45 SA45 G2,G3,G6,G8 46 SA46 G5,G7,G9 47 SA47 G4,G5,G13,G16 48 SA48 G2,G3,G4,G14 49 SA49 G7,G8,G10,G11 50 SA50 G15,G16,G3,G4

Proses inferensi dari Naive Bayes Classifier dimulai dengan pencarian nc atau jumlah record pada data learning, kemudian menghitung nilai P (ai|vj) dan menghitung nilai P (vj), setelah itu menghitung P(ai|vj) x P(vj) untuk tiap v dan langkah terakhir menentukan hasil klasifikasi yaitu v yang memiliki hasil perkalian yang terbesar, dimana :

Contoh proses inferensi dari Naive Bayes Classifier

(6)

6 dengan gejala yang ditemukan pada ikan Discus dengan

kode SA1 sesuai Tabel 7 adalah sebagai berikut : 1. Menentukan nilai nc untuk setiap kelas n = 1

p = 1/5 = 0.0666666667 m = 17

Penyakit ke satu whitespot Gejala G1, nc = 0

Gejala G2, nc = 1 Gejala G7, nc = 1 Gejala G9, nc = 0 Gejala G11, nc = 1 Gejala G15, nc = 0

Penyakit ke dua could eye Gejala G1, nc = 0

Gejala G2, nc = 0 Gejala G7, nc = 0 Gejala G9, nc = 0 Gejala G11, nc = 0 Gejala G15, nc = 1 Penyakit ke tiga velvet Gejala G1, nc = 1 Gejala G2, nc = 0 Gejala G7, nc = 1 Gejala G9, nc = 0 Gejala G11, nc = 0 Gejala G15, nc = 0

Penyakit ke empat fin foot Gejala G1, nc = 0

Penyakit ke lima gill worm Gejala G1, nc = 0

2. Menghitung nilai P (ai | vj) dan menghitung nilai P (vj) Penyakit ke satu Whitespot :

P(1|X) = 0+17x0.0666666667 = 0.0629629628 1+17

P(2|X) = 1+17x0.0666666667 = 0.118518518 1+17

P(7|X) = 1+17x0.0666666667 = 0.118518518 1+17

P(9|X) = 0+17x0.0666666667 = 0.0629629628 1+17

P(11|X) = 1+17x0.0666666667 = 0.118518518 1+17

P(15|X) = 0+17x0.0666666667 = 0.0629629628 1+17

Penyakit ke dua Could eye :

P(1|X) = 0+17x0.0666666667 = 0.0629629628 1+17

P(2|X) = 0+17x0.0666666667 = 0.0629629628 1+17

P(7|X) = 0+17x0.0666666667 = 0.0629629628 1+17

P(9|X) = 1+17x0.0666666667 = 0.118518518 1+17

P(11|X) = 0+17x0.0666666667 = 0.0629629628 1+17

P(15|X) = 1+17x0.0666666667 = 0.118518518 1+17

Penyakit ke tiga Velvet :

P(1|X) = 1+17x0.0666666667 = 0.118518518 1+17

P(2|X) = 0+17x0.0666666667 = 0.0629629628 1+17

P(7|X) = 1+17x0.0666666667 = 0.118518518 1+17

P(9|X) = 0+17x0.0666666667 = 0.0629629628 1+17

P(11|X) = 0+17x0.0666666667 = 0.0629629628 1+17

P(15|X) = 0+17x0.0666666667 = 0.0629629628 1+17

Penyakit ke empat Fin foot :

P(1|X) = 0+17x0.0666666667 = 0.0629629628 1+17

(7)

7 P(2|X) = 0+17x0.0666666667 = 0.0629629628

1+17

P(7|X) = 0+17x0.0666666667 = 0.0629629628 1+17

P(9|X) = 1+17x0.0666666667 = 0.118518518 1+17

P(11|X) = 0+17x0.0666666667 = 0.0629629628 1+17

P(15|X) = 0+17x0.0666666667 = 0.0629629628 1+17

Penyakit ke lima Gill worm :

P(1|X) = 0+17x0.0666666667 = 0.0629629628 1+17

P(2|X) = 0+17x0.0666666667 = 0.0629629628 1+17

P(7|X) = 0+17x0.0666666667 = 0.0629629628 1+17

P(9|X) = 0+17x0.0666666667 = 0.0629629628 1+17

P(11|X) = 0+17x0.0666666667 = 0.0629629628 1+17

P(15|X) = 0+17x0.0666666667 = 0.0629629628 1+17

3. Menghitung nilai P (ai | vj) x P (vj) untuk tiap v.

Penyakit ke satu Whitespot :

P(X) x [ P(1|X) x P(2|X) x P(7|X) x P(9|X) x P(11|X) x P(15|X) ]

= 0.0666666667 x [ 0.0629629628 x 0.118518518 x 0.118518518 x 0.0629629628 x 0.118518518 x 0.0629629628 ]

= 2.77027477e-8

Penyakit ke dua Could eye :

= 0.0666666667 x [ 0.0629629628 x 0.0629629628 x 0.0629629628 x 0.118518518 x 0.0629629628 x 0.118518518 ]

= 1.47170847e-8

Penyakit ke tiga Velvet :

= 0.0666666667 x [ 0.118518518 x 0.0629629628 x 0.118518518 x 0.0629629628 x 0.0629629628 x 0.0629629628 ]

= 1.47170847e-8

Penyakit ke empat Fin foot :

= 0.0666666667 x [0.0629629628 x 0.0629629628 x 0.0629629628 x 0.118518518 x 0.0629629628 x 0.0629629628 ]

= 7.81845127e-9

Penyakit ke lima Gill worm :

= 0.0666666667 x [ 0.0629629628 x 0.0629629628 x 0.0629629628 x 0.0629629628 x 0.0629629628 x 0.0629629628 ]

= 4.15355225e-9

4. Menentukan hasil klasifikasi yaitu v yang memiliki hasil perkalian terbesar.

Hasil v yang memiliki perkalian terbesar ditunjukkan pada Tabel 8.

Tabel 4.5. Tabel Hasil V No Nama Penyyakit Nilai V

1 Whitespot 2.77027477e-8

2 Coud eye 1.47170847e-8

3 Velvet 1.47170847e-8

4 Fin foot 7.81845127e-9

5 Gill worm 4.15355225e-9

Karena nilai paling besar adalah 2.77027477e-8, maka contoh kasus ikan Discus SA1 didiagnosa mengalami penyakit yang diklasifikasikan sebagai penyakit Whitespot.

Hasil penelitian Berdasarkan 50 data kasus yang diuji dengan sistem dan divalidasi oleh pakar diperoleh tingkat kepresisian sebesar 93%. Sistem pakar ini menghasilkan informasi diagnosa penyakit pada ikan Discus yang dapat dipergunakan untuk mempermudah dalam mengantisipasi penyakit pada ikan Discus. Sistem yang dirancang dengan mengimplementasi metode Naive Bayes Classifier dapat digunakan untuk membantu dalam mendiagnosa penyakit pada ikan Discus. Jika dibandingkan dengan penelitian sebelumnya mempunyai perbedaan yang berbeda-beda,dari tema yang diambil dan hasil kesesuainnya yang dihasilkan.

(8)

8 V. KESIMPULAN DAN SARAN

5.1. Kesimpulan

Berdasarkan hasil analisa dan pembahasan yang telah dilakukan melalui sistem yang telah dibuat, dapat diambil kesimpulan sebagai berikut:

1. Dengan adanya aplikasi sistem pakar ini dapat membantu peternak atau para budidaya ikan Discus mendapatkan solusi cara menangani ikan yang sakit dengan tepat dan akurat seperti pakar.

2.Dengan adanya sistem pakar ini dapat memberikan suatu solusi alternative dalam mendiagnosis penyakit berdasarkan gejala gejala yang ditimbulkan dengan bantuan komputer, sehingga deteksi bisa dilakukan lebih cepat dan mudah.

5.2. Saran

Adapun saran yang dapat diberikan untuk pengembangan sistem ini selanjutnya adalah sebagai berikut :

1. Peneliti selanjutnya diharapkan juga dapat memberikan fitur layanan tanya jawab (chatting) untuk ketersediaan obat ikan.

2.Untuk selanjutnya, pengembangan sistem pakar ini juga dapat menambahkan tampilan jenis ikan dihalaman atau penyakit dan gejala pada ikan.

DAFTARPUSTAKA

[1] D. D. Jancte Jt Sijintak, Maman and J. Suwita,

"ANALISA DAN PERANCANGAN SISTEM INFORMASI ADMINISTRASI KURSUS BAHASA INGGRIS PADA,"

IPSIKOM, vol. 8, no. 1, Juni 2020.

[2] S. N. and T. Baidawi, "Sistem Pakar Diagnosa Penyakit Ikan Nila (Oreochomis Niloticus) Berbasis Web

Menggunakan Metode Forward Chaining," jurnal komputer dan Informatika Akademi bina saran Informatika, vol. 20, no. 2, September 2018.

[3] M. S. Putranti, "DIAGNOSA PENYAKIT PADA IKAN LELE DENGAN MENGGUNAKAN METODE NAIVE BAYES CLASSIFIER," 2019.

[4] M. H. Wa Kafa, N. Hidayat and I. Cholissodin,

"Diagnosis Penyakit Ikan Mas Koki Menggunakan Metode Naïve Bayes Classifier," Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 3, no. 1, pp. 472-480, 2019.

[5] I. M. Fadhl, D. D. Siti fatimah and D. Kurniadi,

"Perancangan Aplikasi Sistem Pakar untuk Diagnosis Penyakit pada Ikan Cupang dengan Metode Naive Bayes," Jurnal Algoritma, vol. 16, no. 02, pp. 255-262, 2019.

[6] I. Prawira, "Sistem Pakar Diagnosis Penyakit Ikan Koi Menggunakan Metode Probabilitas Klasik Dengan Mesin Inferensi Forward Chaining Berbasis Android," JATI (Jurnal Mahasiswa Teknik Informatika), vol. 2, no. 1, Maret 2018.

[7] H. N. Suhardjito, "Sistem Pakar Penyakit Ikan Gurame Pada Pembudidayaan Mengunakan Metode Forward Chaining," JATI (Jurnal Mahasiswa Teknik Informatika), vol.

3, no. 1, Maret 2019.

[8] K. Sugiarto, Y. Ardi, R. Prathama and D. Suhartono,

"Sistem pakar untuk diagnosa penyakit pada ikan diskus dengan," Computer Science Department, Bina Nusantara University, 2018.

[11] I. Prawira, "SISTEM PAKAR DIAGNOSIS PENYAKIT IKAN KOI MENGGUNAKAN METODE PROBABILITAS KLASIK DENGAN MESIN INFERENSI FORWARD CHAINING BERBASIS ANDROID," JATI (Jurnal Mahasiswa Teknik Informatika), vol. 2, no. 1, Maret 2018.

[12] P. S. Dewi, R. D. Lestari and R. T. Lestari, "SISTEM PAKAR DIAGNOSIS PENYAKIT IKAN KOI," Jurnal Ilmiah Komputer dan Informatika (KOMPUTA), vol. 4, no. 1, Maret 2015.

[13] R. Safitri, "SIMPLE CRUD BUKU TAMU PERPUSTAKAAN BERBASIS PHP DAN MYSQL," Jurnal Tibanndaru, vol. 2, no. 2, Oktober 2018.

[14] M. H. Widianto, "Algoritma Naive Bayes," Binus University, Desember 2019.

,.