ANALISIS DIAGNOSA PENYAKIT
TANAMAN PADI DENGAN METODE
FUZZY
INFERENCE SYSTEM
DAN
CERTAINTY
FACTOR
Retma Aqmarina1, *)Muliadi2, Dwi Kartini3
1,2,3Prodi Ilmu Komputer FMIPA UNLAM
Jl. A. Yani Km 36 Banjarbaru, Kalimantan Selatan Email: *Muliadi@ulm.ac.id
Abstract
Rice plants are now many been developed in the swamp land. One of the problems is disease of rice is a risk that must be faced and counted in rice cultivation to increase production as expected. The purpose of this research is an analysis of rice disease diagnosis that grows in wetlands by applying the method of Fuzzy Inference System and Certainty Factor. Fuzzy Inference System used in this system is fuzzy Tsukamoto used to obtain the value measure of belief (MB) and a measure of disbelief (MD) symptoms of the disease. And the certainty factor (CF) for the assessment of each disease. The result that obtained is the analysis succeeded in giving a diagnosis of disease in rice of symptoms that attack the rice.
Keywords:Rice Plants, Diagnosis, Fuzzy Inference System Tsukamoto, Certainty Factor.
Abstrak
Tanaman padi sekarang banyak dikembangkan di lahan rawa. Salah satu masalahnya adalah penyakit padi, yang merupakan resiko yang harus dihadapi dan diperhitungkan dalam budidaya padi untuk meningkatkan produksi yang sesuai dengan harapan. Tujuan penelitian ini adalah membuat analisis diagnosa penyakit padi yang tumbuh di lahan rawa dengan menerapkan metode Fuzzy Inference System dan Certainty Factor. Fuzzy Inference System yang digunakan dalam sistem ini adalah Fuzzy Tsukamoto yang digunakan untuk memperoleh nilai measure of belief (MB) dan measure of disbelief (MD) gejala terhadap suatu penyakit. Sedangkan certainty factor (CF) untuk pemberian nilai masing-masing penyakit. Hasil yang didapatkan yaitu analisis ini berhasil memberikan diagnosa penyakit yang padi dari gejala-gejala yang menyerang padi tersebut.
Kata kunci:Tanaman Padi, Diagnosa, Fuzzy Inference System Tsukamoto, Certainty Factor.
1. PENDAHULUAN
Pemanfaatan lahan gambut untuk pertanian berkembang pesat seiring dengan adanya Proyek Pembukaan Persawahan Pasang Surut (P4S). Menurut Aqmarina[1] tanaman padi sekarang banyak dikembangkan di lahan rawa. Salah
sesuai dengan harapan.Serangan penyakit padi cukup menonjol sejak awal masa pertumbuhan sampai dengan menjelang panen, hal ini harus diwaspadai agar dapat dilakukan pengendalian secara tepat sehingga tidak menimbulkan kerusakan berat dan bahkan kehilangan hasil panen.
Banyak sekali metode yang digunakan dalam mendiagnosa penyakit, beberapa diantaranya adalah metode backward chaining, forward chaining, fuzzy logic, certainty factor dan lain-lain. Dari banyaknya algoritma dari metode tersebut, analisis disini adalah mencoba menggabungkan dua algoritma sehingga mendapatkan hasil yang diinginkan. Hasil yang diinginkan disini adalah mendapatkan diagnosa penyakit padi berdasarkan gejala-gejala yang menyerang padi tersebut. Tujuannya agar keberadaan penyakit tersebut dapat diberi penanganan yang tepat. Semakin dini penyakit padi yang tumbuh dilahan rawa ini dideteksi, kemungkinan padi untuk diberi penanganan secara cepat jauh lebih besar. Secara khusus beras merupakan hasil dari tanaman padi yang digunakan sebagai makanan pokok manusia, oleh karena itu diagnosa padi ini penting.
Menurut Agbonifo[2] melakukan pengembangan sistem pakar fuzzy untuk
diagnosis dan pengobatan penyakit tanaman. Sehingga diperoleh hasil sistem fuzzy berdasarkan aturan dikembangkan menjadi sasaran data uji untuk menunjukkan efisiensi sistem. Pengamatan dari data yang diuji menunjukkan bahwa sistem ini mampu mendiagnosis dengan benar jenis penyakit yang mempengaruhi tanaman pada perkebunan berdasarkan berbagai gejala yang dapat diamati dan pengendalian penyakitnya. Juga dapat menyediakan sarana untuk tenaga ahli. Menurut Munandar[5] dalam penelitiannya, ia mengembangkan sistem pakar
aplikasi untuk mendiagnosa penyakit dengan menggunakan certainty factor dengan beberapa aturan premis, yang memungkinkan konsultasi pasien untuk menentukan banyak gejala. Dari hasilnya ia mendapatkan nilai tingkat kepercayaan yaitu 90% dari hasil penelitiannya.
Penelitian ini mencoba untuk menggunakan penggabungan dua algoritma tersebut yaitu fuzzy inference system dan Certainty Factor. Metode fuzzy inference system digunakan adalah metode tsukamoto untuk menentukan nilai tingkat kepercayaan terhadap gejala yang menyerang padi dan metode certainty factor akan digunakan untuk nilai kepastian dalam mendefinisikan hubungan antara gejala dengan penyakit. Melalui analisis ini diharapkan dapat menjadi solusi terhadap permasalahan-permasalahan yang ada di dalam bidang pertanian khususnya pada tanaman padi yang tumbuh pada lahan rawa.
2. METODOLOGI PENELITIAN
Perancangan sistem fuzzy digunakan untuk memperoleh nilai MB (measure of belief) dan MD (measure of disbelief), meliputi penentuan input dan output, penentuan himpunan dan fungsi keanggotaan, penyusunan aturan (rules), serta penentuan metode inferensi. Dalam penelitian ini metode inferensi yang digunakan adalah metode Tsukamoto. Input sistem fuzzy merupakan nilai yang digunakan untuk merepresentasikan tingkat kepercayaan terhadap suatu gejala yang menyerang. Serta metode certainty factor yang digunakan untuk pemberian nilai masing-masing penyakit.
Menurut kusumadewi[4], pada dasarnya metode Tsukamoto
IF-THEN harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton. Output hasil inferensi dari tiap-tiap aturan diberikan secara tegas (crisp) berdasarkan α-predikat (fire strength). Proses agregasi antar aturan dilakukan, dan hasil akhirnya diperoleh dengan menggunakan defuzzy dengan konsep rata-rata terbobot. Secara garis besar, diagram blok proses inferensi fuzzy
Menurut Sutojo[6], Inferensi metode tsukamoto dapat menggunakan tahapan
sebagai berikut :
a. Fuzzyfikasi, yaitu proses untuk mengubah input sistem yang mempunyai nilai tegas menjadi variabel linguistik menggunakan fungsi keanggotaan yang disimpan dalam basis pengetahuan fuzzy.
b. Pembentukan basis pengetahuan fuzzy (Rule dalam bentuk IF...THEN), yaitu Secara umum bentuk model fuzzy Tsukamoto adalah IF(X IS A) and (Y IS B) and (Z IS C), dimana A,B, dan C adalah himpunan fuzzy.
c. Mesin Inferensi, yaitu proses dengan menggunakan fungsi implikasi MIN untuk mendapatkan nilai α-predikat tiap-tiap rule (α1,α2, α3, ... αn). Kemudian masing-masing nilai α-predikat ini digunakan untuk menghitung keluaran hasil inferensi secara tegas (crisp) masing-masing rule (z1, z2, z3, ... zn).
d. Defuzzyfikasi, dengan menggunakan metode rata-rata (Average):
Z =
∑𝑛𝑖=1𝛼𝑖 . 𝑧𝑖∑𝑛𝑖=1𝛼𝑖 ...(1) Menurut Sutojo[7], certainty factor adalah metode yang cocok dipakai dalam
sistem pakar untuk mengukur sesuatu apakah pasti atau tidak pasti dalam mendiagnosis dan mengidentifikasi hama atau penyakit sebagai salah satu contohnya.
Ada dua tahap model yang sering digunakan untuk menghitung tingkat keyakinan (CF) dari sebuah rule adalah sebagai berikut:
a. Dengan menggali dari hasil wawancara dengan pakar. Nilai CF didapat dari interpretasi term dari pakar menjadi nilai MD atau MB tertentu.
b. Menggunakan metode perhitungan. Faktor kepastian menunjukkan ukuran kepastian suatu fakta atau aturan.
Dalam perancangan dan pembuatan sistem pakar, ada tiga hal yang mungkin terjadi:
e1
e2
h h1 h2
A
B
C
(a) (b) (c)
Gambar 1. Kombinasi aturan kepastian
Sumber : Artficial Intelligence (Teknik dan Aplikasinya). 2003
MB[h, e1 ^ e2] ={ adalah hipotesis, maka:
MB[h1 h2,e] = min(MB[h1,e],MB[h2,e]) ...(4)
MB[h1 h2,e] = max(MB[h1,e],MB[h2,e]) ...(5) MD[h1 h2,e] = min(MD[h1,e],MD[h2,e])
...(6)
MD[h1 h2,e] = max(MD[h1,e],MD[h2,e]) ...(7)
c. Beberapa aturan saling bergandengan, ketidakpastian dari suatu aturan menjadi input untuk aturan yang lainnya (Gambar 1.c), maka:
MB[h,s]=MB’[h,s]*max(0,CF[s,e]) ...(9)
Dengan MB’[h,s] adalah ukuran kepercayaan h berdasarkan keyakinan
penuh terhadap validitas s[3].
3. HASIL DAN PEMBAHASAN
3.1 Hasil
Dari gejala-gejala yang terdapat di tanaman padi didapatkan hasil yaitu penyakit tanaman yang menyerang tanaman padi tersebut. Adapun hasil dari analisis dengan metode fuzzy inference system tsukamoto dan certainty factor antara lain adalah sebagai berikut :
Gejala 1 : Bercak daun yang dikelilingi oleh warna kuning, tepi coklat Gejala 2 : Bercak daun berwarna hijau gelap
Gejala 3 : Bercak daun berwarna abu-abu sedikit kebiru-biruan
Tabel 1. Hasil Perhitungan dengan Metode Fuzzy Tsukamoto untuk Menentukan Nilai MB/MD
Gejala Penyakit Tingkat
Kemunculan
Bercak daun yang dikelilingi oleh warna kuning, tepi coklat
BLAS Banyak Sedang 0,2 0,8
Bercak daun berwarna hijau gelap BLAS Banyak Tinggi 0 1 Bercak daun berwarna abu-abu
sedikit kebiru-biruan
BLAS Banyak Tinggi 0 1
Bercak daun yang dikelilingi oleh warna kuning, tepi coklat
HAWAR PELEPAH DAUN
Banyak Sedang 0,2 0,8
Tabel 2. Hasil nilai CF pada Suatu Penyakit
Sumber : Sistem Pakar Diagnosa Penyakit Pada Tumbuhan Padi Dengan Metode Fuzzy Inference System dan Certainty Factor (Studi Kasus : Pertanian Lahan Rawa). 2015
Penyakit dengan nilai CF terbesar adalah penyakit utama dari gejala-gejala yang telah menyerang padi lahan rawa tersebut. Dengan demikian dapat dikatakan bahwa penyakit utama yang memiliki nilai CF tertinggi yaitu 0,8 dan dapat disimpulkan bahwa tanaman padi lahan rawa user diserang penyakit Blas.
3.2 Pembahasan
3.2.1 Gambaran Umum
Komponen-komponen yang terdapat pada analisis diagnosa penyakit padi lahan rawa dengan menggunakan metode fuzzy inference system dan certainty factor yaitu :
a. Sebelumnya dilakukan penginputan berupa : [INPUT I] Tingkat kemunculan gejala yang menyatakan seberapa berat kerusakan gejala yang muncul mengiringi suatu penyakit yang menyerang dan [INPUT II] Tingkat keunikan gejala yang menyatakan seberapa khas (unik) suatu gejala yang terdapat pada tanaman yang mengindikasikan suatu penyakit.
b. Dalam penelitian ini metode inferensi yang digunakan untuk mengubah nilai input I dan input II adalah metode fuzzy inference system tsukamoto.
c. Setelah perhitungan dari metode fuzzy inference system tsukamoto, maka output yang keluar adalah nilai MB (Measure of Belief) dan nilai MD (Measure of Disbelief).
d. Kemudian dilakukan cek diagnosa dengan memilih gejala yang telah menyerang penyakit tanaman padi lahan rawa. Dengan daftar gejala adalah sebagai berikut :
Tabel 3. Daftar Gejala Penyakit Padi yang Tumbuh di Lahan Rawa No. GEJALA
1 Bercak daun yang dikelilingi oleh warna kuning, tepi coklat
2 Bercak daun berwarna hijau gelap
3 Bercak daun berwarna abu-abu sedikit kebiru-biruan 4 Daun berwarna kuning oranye
5 Bercak daun berwarna coklat
6 Bercak merata pada permukaan daun
No Nama Penyakit Nilai
1. Blas 0,8
2. Tungro 0
3. Bercak Coklat 0
No. GEJALA
7 Bercak daun sepenuhnya berwarna coklat dengan titik tengah putih/abu-abu
8 Bercak daun berwarna coklat gelap/sedikit ungu 9 Bercak bentuk bulat
10 Tanaman kerdil/pertumbuhan terhambat
11 Kulit gabah bercak berwarna hitam/coklat gelap 12 Bercak kecil, agak memanjang
13 Tepi bercak daun berwarna coklat kemerah-merahan 14 Daun mengering
15 Bercak pada ketiak daun
16 Bercak pada gabah lebih besar & lebih pendek 17 Dari tepi daun terdapat garis kuning/orange
18 Gejala muncul pada saat pembungaan/stadia anakan maksimum
19 Bercak pada pelepah daun
20 Bercak daun berwarna kelabu kehijauan 21 Jumlah anakan berkurang
22 Bercak membentuk sklerotia berwarna coklat 23 Bercak bentuk oval/elips
Sumber : Sistem Pakar Diagnosa Penyakit Pada Tumbuhan Padi Dengan Metode Fuzzy Inference System dan Certainty Factor (Studi Kasus : Pertanian Lahan Rawa). 2015
e. Proses diagnosa menggunakan metode Certainty Factor (CF) untuk mengatasi ketidakpastian dalam pengambilan keputusan hasil diagnosa.
f. Hasil diagnosa yang diperoleh adalah penyakit dengan nilai CF masing-masing. Penyakit dengan nilai CF terbesar adalah penyakit utama yang menyerang padi lahan rawa.
Atau dapat dilihat pada gambaran umum seperti yang terlihat pada gambar dibawah ini.
Gambar 2. Gambaran umum
3.2.2 Perancangan
a. Perancangan fuzzy digunakan untuk memperoleh nilai MB dan MD meliputi penentuan input dan output, penentuan himpunan dan fungsi keanggotaan, penyusunan aturan (rules), serta penentuan metode inferensi. Dalam penelitian ini metode inferensi yang digunakan adalah metode Tsukamoto.
b. Mendefinisikan variabel
Dalam tahap ini ada 3 variabel fuzzy yang akan dimodelkan yaitu :
1). Variabel Tingkat kemunculan gejala, menyatakan seberapa berat kerusakan gejala yang muncul mengiringi suatu penyakit yang menyerang. Dibagi menjadi himpunan Sedikit, Sedang, Banyak, dengan nilai 0,20; 0,55; 0,85. 2). Variabel Tingkat keunikan gejala, menyatakan seberapa khas (unik) suatu
gejala yang terdapat pada tanaman yang mengindentifikasikan suatu penyakit. Dibagi menjadi himpunan Rendah, Sedang, dan Tinggi, dengan nilai 0,25; 0,65; 0,85.
3). Nilai MB/MD adalah nilai measure of belief (MB) dan measure of disbelief (MD) yang nantinya akan digunakan dalam pencarian tingkat keyakinan (certainty factor/CF). Terdiri dari himpunan Tidak Tahu, Mungkin, Kemungkinan Besar, Hampir Pasti, dan Pasti.
90 adalah Tinggi MAKA Nilai MB adalah Pasti
Aturan 2 : JIKA Kemunculan Gejala adalah Banyak dan Keunikan Gejala adalah Sedang MAKA Nilai MB adalah Hampir Pasti
Aturan 3 : JIKA Kemunculan Gejala adalah Banyak dan Keunikan Gejala adalah Rendah MAKA Nilai MB adalah Mungkin
Aturan 4 : JIKA Kemunculan Gejala adalah Sedang dan Keunikan Gejala adalah Tinggi MAKA Nilai MB adalah Hampir Pasti
Aturan 5 : JIKA Kemunculan Gejala adalah Sedang dan Keunikan Gejala adalah Sedang MAKA Nilai MB adalah Kemungkinan Besar Aturan 6 : JIKA Kemunculan Gejala adalah Sedang dan Keunikan Gejala
adalah Rendah MAKA Nilai MB adalah Mungkin
Aturan 7 : JIKA Kemunculan Gejala adalah Sedikit dan Keunikan Gejala adalah Tinggi MAKA Nilai MB adalah Hampir Pasti
Aturan 8 : JIKA Kemunculan Gejala adalah Sedikit dan Keunikan Gejala adalah Sedang MAKA Nilai MB adalah Mungkin
Aturan 9 : JIKA Kemunculan Gejala adalah Sedikit dan Keunikan Gejala adalah Rendah MAKA Nilai MB adalah Tidak Tahu
c. Nilai akhir z ditentukan dari rata-rata terbobot output masing-masing aturan (metode Tsukamoto) :
Menghitung nilai MB dan MD : MB= Z/100
MD= 1-MB
d. Perancangan certainty factor :
Jika yang diketahui 1 gejala dalam suatu penyakit : CF[h, e] =
Yang diketahui 2 gejala dalam suatu penyakit : MB[h, e1 ^ e2] =
MD[h, e1 ^ e2] =
Yang diketahui 3 gejala atau lebih dalam suatu penyakit :
Dst.
3.3 Implementasi
Berikut adalah implementasi metode fuzzy tsukamoto untuk mendapatkan nilai MB dan nilai MD :
Gejala 1 : Bercak daun yang dikelilingi oleh warna kuning, tepi coklat Gejala 2 : Bercak daun berwarna hijau gelap
Gejala 3 : Bercak daun berwarna abu-abu sedikit kebiru-biruan
Gejala 1 (untuk penyakit Blas)
a. input kemunculan gejala : Banyak b. input keunikan gejala : Sedang
(Menentukan nilai MB) Derajat keanggotaan a. µ[x] = 1 b. µ[x] = 1
Fungsi keanggotaan untuk mendapat nilai Z
Aturan 1 : JIKA Kemunculan Gejala adalah Banyak dan Keunikan Gejala adalah Tinggi MAKA Nilai MB adalah Pasti
αpred1 = µbanyak ; µtinggi
(0,85 ; 0)
µ[x] = (Z1-90)/10
0 = (Z1-90)/10
Z1 = 90
Aturan 2 : JIKA Kemunculan Gejala adalah Banyak dan Keunikan Gejala adalah Sedang MAKA Nilai MB adalah Hampir Pasti
Aturan 3 : JIKA Kemunculan Gejala adalah Banyak dan Keunikan Gejala adalah Rendah MAKA Nilai MB adalah Mungkin
αpred3 = µbanyak ; µrendah
(0,85;0)
µ[x] = (Z3-30)/10
0 = (Z3-30)/10
Z3 = 5
Aturan 4 : JIKA Kemunculan Gejala adalah Sedang dan Keunikan Gejala adalah Tinggi MAKA Nilai MB adalah Hampir Pasti
αpred4 = µsed ng ; µtinggi
(0;0)
µ[x] = (Z4-70)/10
0 = (Z4-70)/10
Z4 = 7
Aturan 5 : JIKA Kemunculan Gejala adalah Sedang dan Keunikan Gejala adalah Sedang MAKA Nilai MB adalah Kemungkinan Besar
αpred5 = µsedang ; µsedang
(0;0,65)
µ[x] = (Z5-50)/10
0 = (Z5-50)/10
Z5 = 50
Aturan 6 : JIKA Kemunculan Gejala adalah Sedang dan Keunikan Gejala adalah Rendah MAKA Nilai MB adalah Mungkin
αpred6 = µsedang ; µrendah
(0;0) µ[x] = (Z6-30)/10
0 = (Z6-30)/10
Z6 = 30
Aturan 7 : JIKA Kemunculan Gejala adalah Sedikit dan Keunikan Gejala adalah Tinggi MAKA Nilai MB adalah Hampir Pasti
αpred7 = µsedikit ; µtinggi
(0;0) µ[x] = (90-Z7)/10
0 = (90-Z7)/10
Z7 = 90
Aturan 8 : JIKA Kemunculan Gejala adalah Sedikit dan Keunikan Gejala adalah Sedang MAKA Nilai MB adalah Mungkin
αpred8 = µsedikit ; sedang
Z8 = 30
Aturan 9 : JIKA Kemunculan Gejala adalah Sedikit dan Keunikan Gejala adalah Rendah MAKA Nilai MB adalah Tidak Tahu
αpred9 = µsedikit ; µrendah
(0;0)
µ[x] = (Z9-30)/10
0 = (30-Z9)/10
Z9 = 30
Z = (αpred1*Z1+..+αpredn*Zn)/αpred1+..+αpredn)
= (80 / 1) = 80 MB = 80 / 100 = 0,8 MD = 1 - 0,8 = 0,2
Kemudian dilakukan perhitungan yang sama seperti diatas untuk gejala 2 dan gejala 3. Setelah itu dilakukan perhitungan menggunakan metode certainty factor, yang mana implementasinya adalah untuk masing-masing penyakit dari gejala-gejala yang telah diketahui (gejala-gejala 1, 2 dan 3).
Blas
MB[h, e1 ^ e2] = MB[h,e1]+MB[h,e2]*(1 MB[h,e1 ])
MD[h, e1 ^ e2] = MD[h,e1]+MD[h,e2]*(1 MD[h,e1 ])
MB (Blas, G01 ^ G02) = 0,8+1*(1-0,8)= 1 MD (Blas, G01 ^ G02) = 0,2+0*(1-0,2)= 0,2
MB[h, eold ^ e3] = MB[h,eold]+MB[h,e3]*(1 MB[h,eold])
MD[h, eold ^ e3] = MD[h,eold]+MD[h,e3]*(1 MD[h,eold])
MB (Blas, G01 ^ G02 ^ G03) = 1+1*(1-1)= 1 MD (Blas, G01 ^ G02 ^ G03) = 0,2+0*(1-0,2)= 0,2 CF= MB-MD= 1-0,2 = 0,8
Tungro
CF= 0-0=MB-MD=0
Bercak Coklat CF= 0-0=MB-MD=0
Bercak Coklat Bergaris CF= 0-0=MB-MD=0
Hawar Pelepah Daun CF [h, e1] = MB - MD
CF (Hawar Pelepah Daun, G01) = 0,8-0,2= 0,6 CF= 0,6
Dari hasil perhitungan diatas diketahui bahwa penyakit Blas mempunyai nilai CF tertinggi yaitu 0,8 daripada penyakit lainnya. Hal ini membuktikan bahwa penyakit Blas adalah penyakit utama yang menyerang padi dari gejala-gejala yang sudah diketahui.
4. SIMPULAN
Simpulan yang didapat dari penelitian ini adalah :
a. Metode fuzzy inference system dan certainty factor dapat diterapkan untuk melakukan diagnosa penyakit tanaman padi lahan rawa.
b. Metode fuzzy inference system yang digunakan adalah metode Fuzzy Tsukamoto digunakan untuk memperoleh nilai measure of belief (MB) dan measure of disbelief MD gejala terhadap suatu penyakit. certainty factor (CF) untuk pemberian nilai masing-masing penyakit. Yang mana penyakit dengan nilai CF terbesar merupakan penyakit utama dari gejala-gejala yang sudah dipilih menyerang.
DAFTAR PUSTAKA
[1] Aqmarina, Retma. 2015. Sistem Pakar Diagnosa Penyakit Pada Tumbuhan Padi Dengan Metode Fuzzy Inference System dan Certainty Factor (Studi Kasus : Pertanian Lahan Rawa). Program S-1 Ilmu Komputer, Universitas Lambung Mangkurat: Banjarbaru.
[2] Agbonifo, et al. 2013. A Fuzzy Expert System for Diagnosis and Treatment of
Maize Plant Diseases Volume 2, Issue 12, December 2012, ISSN: 2277 128X.
University of Technology Akure: Nigeria.
[3] Kusumadewi. 2003. Artficial Intelligence (Teknik dan Aplikasinya). Yogyakarta: Graha Ilmu.
[4] Kusumadewi. 2006. Neuro Fuzzy-Integrasi Sistem Fuzzy dan Jaringan Syaraf. Yogyakarta: Graha Ilmu.
[5] Munandar, dkk. 2012. The Use of Certainty Factor with Multiple Rules for Diagnosing Internal Disease Volume 1, Issue 1, September 2012, ISSN 2319 - 4847. Universitas Serang Raya Banten: Indonesia.
