Fakultas Ilmu Komputer
Universitas Brawijaya
451
Sistem Pakar Diagnosis Penyakit Pada Kambing Menggunakan Metode
Naive Bayes dan Certainty Factor
Wahyu Rizki Ferdiansyah1, Lailil Muflikhah2, Sigit Adinugroho3
Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya
Email: 1rizkiiwf@gmail.com, 2lailil@ub.ac.id, 3sigit.adinu@ub.ac.id
Abstrak
Pemeriksaan penyakit pada ternak kambing secara berkala saat ini kurang diperhatikan sehingga membuat kambing mudah terserang penyakit. Hal ini membuat para peternak kesulitan dalam penanganan awal dan tidak tahu apa yang harus dilakukan tanpa adanya seorang pakar. Proses diagnosis penyakit pada kambing pun tidak bisa dilakukan oleh sembarang orang karena antara jenis penyakit dengan gejalanya memiliki ketidakpastian. Berdasarkan permasalahan tersebut, penulis membuat sebuah sistem pakar yang mampu mendiagnosis penyakit pada kambing sebagaimana yang biasa
dilakukan oleh seorang pakar. Sistem pakar ini menggunakan metode Naive Bayes dan Certainty Factor,
bahasa pemrograman PHP dan database MySQL. Hasil pengujian fungsional sistem pakar menunjukkan
kebutuhan fungsional berjalan dengan baik. Selain itu, hasil pengujian akurasi sistem menggunakan
metode f-measure didapatkan akurasi sebesar 86,80%. Dengan hasil akurasi tersebut, sistem pakar
diagnosis penyakit pada kambing menggunakan metode Naive Bayes dan Certainty Factor ini memiliki
performa yang baik.
Kata kunci: penyakit kambing, sistem pakar, naive bayes, certainty factor. Abstract
Examination on goats disease periodically is getting less now, so it makes the goats get diseases easily. This makes breeders have difficulty in the first treatment and the don’t know what they should do without an expert. The process of diagnosis of diseases on goats can’t be done by just anyone because of the type of disease with symptoms have uncertainty. Based on these problems, the author makes an expert system that is able to diagnosis diseases on goats as usually do an expert. This expert system uses Naive Bayes and Certainty Factor method, PHP programming language and MySQL database. Experimental functional test results show all functional requirements can run well. In addition, the results of system accuracy testing using f-measure method is 86,80%. With the amount of accuracy, expert system diagnosis of goats diseases uses Naive Bayes and Certainty Factor method has a good performance. Keywords: goat disease, expert system, naive bayes, certainty factor.
1. PENDAHULUAN
Kambing merupakan salah satu jenis ternak yang akrab dengan sistem usaha tani di
pedesaan, hampir setiap rumah tangga
memelihara kambing (Mulyono & Sarwono, 2014). Masyarakat Indonesia secara umum
sangat familiar dengan ternak kambing
mengingat modal usahanya relatif kecil dibandingkan dengan ternak sapi. Proses pemeliharaannya cukup mudah, bisa dilakukan oleh anggota keluarga, termasuk anak-anak. Selain itu, kambing mampu berkembang biak lebih cepat, karena dalam melahirkan bisa
menghasilkan 1-3 ekor anak (Susanto & Sitanggang, 2015). Sebagian dari mereka menjadikan usaha ini sebagai salah satu sumber penghasilan keluarga. Saat ini pemeliharaan kambing bukan hanya di pedesaan, tetapi sudah menyebar ke berbagai tempat. Semakin banyak peternak kambing yang muncul disebabkan oleh permintaan daging dan susu kambing yang terus mengalami peningkatan.
Jawa Timur merupakan salah satu provinsi di Indonesia yang memiliki potensi produksi
ternak kambing cukup besar. Berdasar
Direktorat Jenderal Peternakan dan Kesehatan Hewan pada tahun 2016, menyebutkan bahwa
jumlah populasi kambing di Jawa Timur sekitar 3.267.954 ekor. Pemeliharaan kambing ditingkat petani masih dilakukan secara tradisional, pengobatan hanya menggunakan obat-obat tradisional. Jika penyakit pada ternak tidak ditangani dan diperhatikan secara cepat dan tepat maka akan menimbulkan kerugian ekonomi yang cukup besar bagi peternak khususnya dan masyarakat luas pada umumnya.
Penyakit pada ternak dapat dideteksi secara dini dengan mengetahui gejala-gejala yang ada pada ternak itu sendiri. Seorang pakar atau dokter hewan akan mendaftar gejala-gejala yang dialami oleh ternak, dan dari daftar gejala tersebut dapat dilakukan proses diagnosis. Penyakit pada kambing pada umumnya memiliki gejala yang hampir sama antar satu jenis dengan jenis yang lainnya sehingga gejala X belum tentu hanya gejala yang menyebabkan penyakit jenis A, bisa saja gejala X juga menyebabkan penyakit jenis B dan lainnya.
Dengan adanya permasalahan tersebut maka penulis membangun sebuah aplikasi “Sistem Pakar Diagnosis Penyakit Pada Kambing
Menggunakan Metode Naive Bayes - Certainty
Factor”. Sistem pakar merupakan sistem yang
penuh dengan unsur ketidakpastian dan
kesamaran. Naive Bayes merupakan teknik yang
digunakan dalam statistika untuk menghitung peluang suatu hipotesis (Shadiq, 2009). Metode
Naive Bayes dipilih karena merupakan metode yang baik di dalam mesin pembelajaran berdasarkan data latih, dengan menggunakan probabilitas bersyarat sebagai dasarnya (Basuki,
2006). Certainty Factor menyatakan
kepercayaan dalam sebuah kejadian sesuai dengan bukti dan penilaian seorang pakar. Metode ini menggunakan suatu nilai dalam mengasumsikan derajat keyakinan seorang pakar terhadap suatu data (Ardhitama, 2014).
2. DASAR TEORI
Pada bab ini akan dijelaskan teori-teori yang berhubungan dan berfungsi sebagai acuan agar penelitian tidak menyimpang dari tujuan awal yang telah ditetapkan.
2.1 SISTEM PAKAR
Sistem pakar adalah sistem berbasis komputer yang menggunakan pengetahuan, fakta, dan teknik penalaran dalam memecahkan masalah yang biasanya hanya dapat dipecahkan oleh seorang pakar dalam bidang tersebut (Kusrini, 2006). Dengan sistem pakar, orang
awam pun dapat menyelesaikan masalahnya atau sekedar mencari suatu informasi berkualitas yang sebenarnya hanya dapat diperoleh dengan bantuan para ahli di bidangnya. Seseorang pakar yang dimaksud disini adalah orang yang mempunyai keahlian dalam bidang tertentu yaitu
pakar yang mempunyai knowledge atau
kemampuan khusus yang tidak dimiliki oleh orang lain. Struktur sistem pakar dibagi oleh 2 bagian yaitu, lingkungan konsultasi dan lingkungan pengembangan. Struktuk sistem pakar dapat dilihat pada Gambar 1.
Gambar 1. Struktur Sistem Pakar
2.2 NAIVE BAYES CLASSIFIER
Naive Bayes Classifier merupakan suatu
classifier probabilistic simple yang berdasarkan
pada teorema Bayes pada umumnya, inferensi
Bayes khususnya dengan asumsi independensi yang kuat (Han & Kamber, 2006). Pada
prosesnya, Naive Bayes Classifier
mengasumsikan bahwa ada atau tidak adanya suatu fitur pada suatu kelas tidak berhubungan dengan ada atau tidak adanya fitur lain di kelas
yang sama. Teorema Bayes yaitu sebuah
pendekatan untuk sebuah ketidakpastian yang
diukur dengan probabilitas. Teorema Bayes
dikemukakan oleh Thomas Bayes, seorang ilmuwan yang hidup pada abad 18. Pada saat
klasifikasi, pendekatan Bayes akan
menghasilkan label kategori yang paling tinggi probabilitasnya. Perhitungan metode Naive Bayes dapat dilakukan dengan menggunakan langkah-langkah berikut ini:
1. Mencari nilai prior probability untuk setiap
kelas dengan menghitung rata-rata setiap kelas dengan menggunakan persamaan (1).
Kasus n Keseluruha Total A Kejadian Kemunculan Jumlah A P _ _ _ _ _ ) ( (1) Keterangan:
P(A) adalah peluang kejadian A.
2. Mencari nilai likelihood untuk setiap kelas
dengan menggunakan persamaan (2).
) ( ) ( ) | ( A P A B P A B P
(2)
Keterangan:P(B|A) adalah Peluang kejadian B bilai A terjadi. P(B∩A) adalah Peluang kejadian B dan A terjadi bersama.
P(A) adalah Peluang kejadian A (prior
probability).
3. Mencari nilai posterior dari setiap kelas
yang ada dengan menggunakan persamaan (3). ) ( ) | ( ) ( ) ( ) | ( ) | ( P B A P A B P A P A B P B A P
(3)
Keterangan:P(A|B) adalah Peluang kejadian A bila B terjadi. P(B|A) adalah Peluang B bila A terjadi (likelihood).
P(A) adalah Peluang kejadian A (prior
probability).
P(B) adalah Peluang kejadian B atau marginal
probability.
Berdasarkan pada persamaan 3, nilai dari peluang kejadian B atau P(B) tidak lagi digunakan dalam perhitungan, sehingga untuk proses perhitungan marginal probability tidak perlu dilakukan.
2.2.1 Laplacian Smoothing
Laplacian Smoothing merupakan suatu teknik yang digunakan untuk mengatasi nilai
probabilitas kondisional pada metode Naive
Bayes Classifier yang dapat bernilai 0. Cara
yang digunakan pada teknik Laplacian
Smoothing adalah dengan menambahkan angka
1 pada proses perhitungan Likelihood (Dai et al.,
2007).
Persamaan dibawah ini menunjukkan
perhitungan nilai likelihood untuk algoritma
Naive Bayes Classifier.
) ( | | ) , ( 1 ) | ( C n W C F n C F P i i (4) dimana,
)
,
(
F
C
n
i = jumlah term Fi yang ditemukan diseluruh data pelatihan dengan kategori C.
) (C
n = jumlah term di seluruh data pelatihan
dengan kategori C.
|
|W = jumlah seluruh term dari seluruh data
pelatihan.
2.3 CERTAINTY FACTOR
Dalam aplikasi sistem pakar terdapat suatu
metode untuk menyelesaikan masalah
ketidakpastian data. Salah satu metode yang dapat digunakan adalah faktor kepastian (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 nilai kepercayaan (Kusrini, 2008).
Ada 2 macam faktor kepastian yang digunakan, yaitu (Kusrini, 2008):
1. Faktor kepastian yang diisikan oleh pakar
bersama dengan aturan
2. Faktor kepastian yang diberkan oleh
pengguna.
Faktor kepastian yang diisikan oleh pakar menggambarkan kepercayaan pakar terhadap hubungan antecedent dan konsekuen pada aturan kaidah produksi. Mengetahui faktor kepastian oleh pengguna tidaklah mudah karena pengguna sulit memperkirakan besarnya nilai kepastian
terhadap elemen antecedent sesuai dengan
standar yang diberikan oleh pakar.
Certainty Factor didefinisikan sebagai berikut (Kusrini, 2008): ) , ( ) , ( ) , (H E MB H E MD H E CF (5) Dimana,
CF[H,E] = Faktor kepastian dari hipotesis H
yang dipengaruhi oleh gejala
(evidence) E. Bersama CF berkisar antara -1 sampai dengan 1. Nilai -1 menunjukkan ketidakpastian 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 sebuah aturan JIKA E MAKA H ditunjukkan oleh persamaan (6). ) , ( * ) , ( ) , (H e CF E e CF H E CF (6) Dimana,
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.
CF(H,e) : certainty factor hipotesis yang
dipengaruhi oleh evidence e.
Jika semua evidence pada saat antecedent diketahui dengan pasti, maka rumus certainty factor yang digunakan ditunjukkan pada persamaan (7). ) , ( ) , (H e CF H E CF (7)
Dalam aplikasinya, CF(H,E) merupakan nilai kepastian yang diberikan oleh pakar terhadap suatu aturan, sedangkan CF(E,e) merupakan nilai kepercayaan yang diberikan oleh pengguna terhadap gejala yang dialaminya. CF Gabungan merupakan nilai CF Akhir dari sebuah calon konklusi. CF Gabungan dibutuhkan jika suatu konklusi diperoleh dari beberapa aturan sekaligus (Kusrini, 2008). CF Akhir dari satu aturan dengan aturan yang lain digabungkan untuk mendapatkan nilai CF Akhir bagi calon konklusi tersebut. Adapun rumus untuk melakukan CF Gabungan ditunjukkan pada persamaan (8). 0 ) ( _ _ 0 ) ( ))), ( 1 ( * ) ( ( ) ( 0 )) ( ), ( ( _ , |))) ) ( | |, ) ( (| ( 1 ( ) ( ) ( 0 ) ( _ _ 0 ) ( )), ( * ) ( ( ) ( ) ( ) , ( y CF dan x CF x CF y CF x CF y CF x CF satu Salah y CF x CF Min y CF x CF y CF dan x CF y CF x CF y CF x CF y x CF (8)
2.4 JENIS-JENIS PENYAKIT KAMBING
Beberapa jenis penyakit pada kambing yang akan diidentifikasi oleh sistem adalah sebagai berikut: 1. Cacingan 2. Endometritis 3. Kelumpuhan 4. Kembung 5. Keracunan 6. Mastitis 7. Myasis 8. Orf 9. Pink Eye 10. Pneumonia 11. Scabies 3. PERANCANGAN
Pada bab ini dijelaskan perancangan dari struktur sistem pakar yang meliputi perancangan
basis pengetahuan, mesin inferensi, blackboard,
fasilitas penjelas, perbaikan pengetahuan dan antarmuka.
3.1 Basis Pengetahuan
Basis pengetahuan berisi pengetahuan tentang data aturan yang diperlukan sistem pakar
untuk memformulasikan, memahami dan
memecahkan masalah. Basis pengetahuan
digunakan untuk merepresentasikan
pengetahuan seorang pakar. Basis pengetahuan mencakup dua elemen dasar yaitu fakta dan aturan khusus yang memberikan saran user untuk memecahkan masalah khusus dalam domain tertentu. Penalaran berdasarkan pada basis pengetahuan yang ada memanipulasi dan mengarahkan sesuai kaidah, model dan fakta
yang disimpan hingga mencapai suatu
kesimpulan. Data gejala klinis penyakit pada kambing dapat dilihat pada Tabel 1.
Tabel 1. Gejala Penyakit Kambing
No Kode Gejala
Nama Gejala
1 G1 Ambing bengkak berwarna
kemerahan
2 G2 Bengkak di sekitar luka
3 G3 Bulu kusam terasa kasar
4 G4 Bulu rontok
5 G5 Bulu rontok pada bagian
terinfeksi 6 G6 Demam 7 G7 Depresi 8 G8 Diare 9 G9 Diare berdarah 10 G10 Gatal-gatal 11 G11 Kaku saat berjalan
12 G12 Kejang-kejang
13 G13 Keluar belatung dari kulit luka
14 G14 Keluar ingus
15 G15 Keluar lendir pada vulva 16 G16 Keropeng di mulut
17 G17 Kornea keruh
18 G18 Kulit kasar dan bersisik
19 G19 Kurus
20 G20 Lemah lesu
21 G21 Mata merah
22 G22 Menggosokkan kulit ke dinding kandang
23 G23 Mulut berbusa
24 G24 Nafas berbau busuk 25 G25 Nafsu makan berkurang
26 G26 Perubahan warna susu dan terdapat gumpalan pada susu 27 G27 Perut sebelah kiri membesar dan
terasa sakit
28 G28 Produksi susu menurun
29 G29 Sesak nafas
30 G30 Tidak dapat berdiri
31 G31 Tumbuh bintil-bintil kecil pada telinga
32 G32 Vulva berbau busuk
Berikut adalah jenis penyakit pada kambing berdasarkan penelitian dan observasi di UPT PT dan HMT Kabupaten Jember dapat dilihat pada Tabel 2.
Tabel 2. Jenis Penyakit Kambing
No Kode Penyakit Nama Penyakit 1 P1 Cacingan 2 P2 Endometritis (Radang uterus) 3 P3 Kelumpuhan (Hypocalcemia) 4 P4 Kembung (Bloat) 5 P5 Keracunan
6 P6 Mastitis (Radang ambing)
7 P7 Myasis (Belatungan)
8 P8 Orf
9 P9 Pink Eye (Radang mata)
10 P10 Pneumonia
11 P11 Scabies (Kudis)
3.2 Mesin Inferensi
Pada sistem pakar ini, mesin inferensi yang digunakan adalah mesin inferensi dengan
penulusuran jawaban forward chaining. Proses
diagnosis penyakit kambing ini dengan
melakukan proses perhitungan probabilitas
menggunakan metode Naive Bayes untuk
mendiagnosis jenis penyakit yang diderita oleh ternak tersebut, kemudian dari hasil diagnosis
dilakukan perhitungan derajat keyakinan
menggunakan metode Certainty Factor.
Diagram blok alur metode inferensi forward
chaining dapat dilihat pada Gambar 2.
Gambar 2. Diagram Blok Inferensi Forward Chaning dengan metode Naive Bayes dan Certainty
Factor
Sedangkan alur algoritma dari metode Naive
Bayes dan Certainty Factor dapat dilihat pada Gambar 3.
Gambar 3. Flowchart Metode Naive Bayes dan
Certainty Factor
3.3 Blackboard
Blackboard adalah area memori yang berfungsi sebagai basis data untuk merekam hasil sementara suatu keputusan dengan menyetarakan hasil perhitungan akhir sebelum
sistem memutuskan kesimpulan. Pada sistem pakar diagnosis penyakit kambing ini data yang
disimpan dalam blackboard adalah hasil
perhitungan sementara dari metode Naive Bayes
dan Certainty Factor. Perhitungan sementara itu meliputi data gejala masukan dari pengguna,
probabilitas prior, likehood, posterior, nilai CF
setiap gejala, hasil perhitungan nilai CF combine
dan hasil akhirnya.
3.4 Fasilitas Penjelas
Fasilitas penjelas pada sistem ini akan dimasukkan ke dalam hasil diagnosis. Fasilitas penjelas ini berisi tabel-tabel hasil perhitungan
pada metode Naive Bayes dan Certainty Factor
sehingga dapat diketahui bagaimana kesimpulan dapat diambil. Tabel-tabel hasil perhitungan diperlukan untuk memberikan penjelasan yang kongkrit dari hasil keputusan sistem. Fasilitas
penjelas juga dapat digunakan untuk
meyakinkan pengguna atas diagnosis yang dihasilkan oleh sistem pakar.
3.5 Perbaikan Pengetahuan
Perbaikan pengetahuan pada sistem pakar ini akan melakukan pembaharuan jika terdapat
pengetahuan baru yang belum ada di database.
Pembaharuan pengetahuan dilakukan dengan memeriksa data latih, jika ada pengetahuan baru
di data training maka sistem akan menambahkan
pengetahuan di basis pengetahuan.
4. PENGUJIAN DAN ANALISIS
Pengujian yang dilakukan dalam sistem pakar diagnosis penyakit pada kambing
menggunakan metode Naive Bayes dan
Certainty Factor yaitu pengujian validasi dan pengujian akurasi.
4.1 Pengujian Validasi
Blackbox merupakan teknik pengujian validasi yang digunakan untuk mengetahui apakah sistem yang dibangun sudah benar sesuai dengan yang dibutuhkan baik untuk kebutuhan fungsional. Hasil pengujian validasi dengan
menggunakan blackbox menunjukkan hasil
akurat dengan nilai 100% karena semua fungsi pada sistem telah berjalan sesuai dengan apa yang dirancang.
4.2 Pengujian Akurasi
Pengujian akurasi dilakukan guna
mengetahui performa dari sistem pakar dalam
memberikan hasil diagnosis penyakit pada kambing berdasarkan gejala yang dimasukkan oleh pengguna. Pengujian akurasi dilakukan
dengan metode pengujian f-measure. Pembagian
kondisi tiap kelas dan nilai f-measure dapat
dilihat pada Tabel 3.
Tabel 3. Pengujian f-measure
Kod e T P F P F N T N Precisio n Recall f-measu re P00 1 4 0 0 28 1 1 1 P00 2 1 0 0 31 1 1 1 P00 3 2 0 0 30 1 1 1 P00 4 3 1 1 27 0.75 0.75 0.75 P00 5 2 0 0 30 1 1 1 P00 6 2 0 0 30 1 1 1 P00 7 3 0 0 29 1 1 1 P00 8 3 0 0 29 1 1 1 P00 9 4 1 0 27 0.8 1 0.8888 9 P01 0 0 0 2 30 0 0 0 P01 1 5 1 0 26 0.83333 1 0.9090 9 Rata-rata 0.85303 0 0.8863 6 0.8679 9
Berdasarkan hasil perhitungan f-measure
diatas didapatkan nilai akurasi sebesar
0,86799atau 86,80%. Berdasarkan hasil tersebut dapat dikatakan bahwa sistem pakar ini memiliki tingkat akurasi yang cukup baik.
5. KESIMPULAN
Kesimpulan yang diperoleh berdasarkan pada penelitian yang telah dilakukan adalah sebagai berikut:
1. Proses diagnosis penyakit pada kambing
dilakukan dengan cara memasukkan gejala klinis yang muncul pada kambing. Melalui gejala klinis tersebut akan dilakukan perhitungan menggunakan metode Naive Bayes untuk mendiagnosis penyakit yang diderita oleh kambing tersebut dan metode Certainty Factor untuk menghitung derajat keyakinan penyakit hasil diagnosis.
2. Sistem pakar diagnosis penyakit pada
kambing ini memiliki kinerja yang mampu berjalan dengan baik sesuai kebutuhan fungsional. Hal ini berdasarkan pengujian
seluruh fungsi dapat bekerja sesuai dengan hasil yang diharapkan.
3. Hasil pengujian akurasi terhadap jumlah
data menghasilkan nilai akurasi sebesar 86,80%. Berdasarkan hasil tersebut dapat dikatakan bahwa sistem pakar ini memiliki tingkat akurasi yang cukup baik.
Saran yang dapat diberikan untuk
pengembangan sistem agar menjadi lebih baik antara lain:
1. Data gejala, data penyakit, data latih, dan
data aturan sebaiknya ditambahkan lagi agar dapat memperoleh hasil yang lebih akurat serta perbaikan pengetahuan dilakukan secara berkala agar dapat terus mengikuti
perkembangan pengetahuan dan
mengevaluasi apakah
pengetahuan-pengetahuan yang sudah ada masih cocok digunakan di masa yang akan datang.
2. Sistem dapat dikembangkan lebih lanjut
dengan menggunakan metode-metode yang berbeda agar sistem lebih akurat, efektif, dan efisien.
DAFTAR PUSTAKA
Ardhitama, I., 2014. Aplikasi Sistem Pakar
Untuk Mendiagnosis Dan Penanganan Dini Gangguan Autisme Pada Anak Dengan Metode Certainty Factor Berbasis Web. S1. Universitas Brawijaya. Bahri, S., Adjid, R., Beriajaya, & Wardhana, A.
H., 2014. Manajemen Kesehatan Dalam
Usaha Ternak Kambing. Lokakarya Nasional Kambing Potong, 79-95.
Basuki, S., 2006. Metode Penelitian. Jakarta:
Wedatama Widya Sastra dan Fakultas Ilmu Pengetahuan Budaya Universitas Indonesia.
Dai, W., Xue,G., Yang, Q., Yu, Y., 2007.
Transferring Naive Bayes Classifier for Text Classification. Shanghai: Shanghai Jiao Tong University.
Dinas Pertanian Tanaman Pangan dan
Peternakan., 2013. Gangguan Reproduksi
Pada Ternak Ruminansia. Tersedia di: <http://dispertanak.batangkab.go.id/?p=2 92> [Diakses 1 Mei 2017]
Fadli, A., 2010. Sistem Pakar Dasar. Jakarta:
Komunitas eLearning
IlmuKomputer.Com.
Fauziyah., 2012. Sistem Pakar Untuk Diagnosis
Penyakit Paru Dengan Metode Naive
Bayes Classifier. Informatika, 39.
Ferdiansyah, W. R., 2017. Sistem Pakar
Diagnosis Penyakit Pada Kambing Menggunakan Metode Naive Bayes dan
Certainty Factor. S1. Universitas Brawijaya.
Han, J., & Kamber, M., 2006. Data Mining
Concepts and Techniques. San Francisco: Morgan Kaufmann Publisher.
Hardika, A., 2014. Aplikasi Sistem Pakar Untuk
Identifikasi Hama dan Penyakit Tanaman Tebu Dengan Metode Naive Bayes Berbasis Web . S1. Universitas Brawijaya.
Hidayati, N., 2013. Sistem Pakar Berbasis Web
Untuk Identifikasi Hama Penyakit Pada Budidaya Tanaman Jamur Menggunakan Metode Certainty Factor. S1. Universitas Brawijaya.
Kementerian Pertanian RI, 2016. Sub Sektor
Peternakan. Tersedia di: <
http://www.pertanian.go.id/ap_pages/mo d/datanak> [Diakses 1 Mei 2017]
Kusrini., 2006. Sistem Pakar, Teori dan
Aplikasi. Yogyakarta: ANDI.
Kusrini., 2008. APLIKASI SISTEM PAKAR
Menentukan Faktor Kepastian Pengguna dengan Metode Kuantifikasi Pertanyaan.
Yogyakarta: ANDI OFFSET.
Lestari, P., 2016. Pemodelan Sistem Pakar
Diagnosis Penyakit Mata Menggunakan Metode Naive Bayes - Certainty Factor.
S1. Universitas Brawijaya.
Liu, Bing. 2007. Web data mining. University of
Illinois. Springer-Verlag Berlin Heidelberg. ISBN-10 3-540-37881-2.
Mulyono, S., & Sarwono, B., 2014.
Penggemukan Kambing Potong. Jakarta: Penerbit Swadaya.
Orisa, M., Santoso, P. B., & Setyawati, O., 2014.
Sistem Pakar Diagnosis Penyakit Kambing Berbasis Web Menggunakan Metode Certainty Factor. EECCIS, 151-156.
Pudjiatmoko, Syibili, M., & Nurtanto, S., 2014.
Manual Penyakit Hewan Mamalia.
Jakarta: Direktorat Jenderal Peternakan dan Kesehatan Hewan.
Setiawan, S. A., 2015. Sistem Pakar Diagnosis
Menggunakan Metode Certainty Factor. Semarang: Universitas Dian Nuswantoro.
Shadiq, M. A., 2009. Keoptimalan Naive Bayes
dalam Klasifikasi. Bandung: Ilmu
Komputer Universitas Pendidikan
Indonesia.
Suparman., 2014. Beternak Kambing.
Semarang: Azka Press.
Susanto, A., & Sitanggang, M., 2015. Mengatasi
Permasalahan Praktis Beternak
Kambing. Jakarta: PT. Agro Media Pustaka.
Tjahyati, T., 2014. Analisis Perbandingan
Metode Certainty Factor dan Naive
Bayesian dalam Mendeteksi
Kemungkinan Anak Terkena Disleksia. S1. Universitas Brawijaya.