Identifikasi Penyakit Pada Kambing Menggunakan Metode Fuzzy K- Nearest Neighbor (F-KNN )

Fakultas Ilmu Komputer

Universitas Brawijaya

4312

Identifikasi Penyakit Pada Kambing Menggunakan Metode Fuzzy

K-Nearest Neighbor (F-KNN )

Basuki Rahmat Rialdi1_{, Nurul Hidayat}2_{, Suprapto}3

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya Email : 1_{basuki1994@gmail.com,} 2_{ntayadih@ub.ac.id,} 3_{spttif@ub.ac.id}

Abstrak

Kambing (Capra Aegragus Hircus) merupakan salah satu hewan yang diternakkan oleh manusia. Namun, usaha ternak kambing akan mengalami kendala ketika kambing terinfeksi penyakit. Selain menyebabkan kerugian, penyakit juga dapat menurunkan minat masyarakat untu beternak kambing. Maka dibuatlah sistem untuk mengidentifikasi penyakit pada hewan ternak kambing, sehingga peternak bisa mengetahui jenis penyakit yang menyerang dan menanganinya secara tepat. Metode yang digunakan adalahk-nearest neighbor dan fuzzy. Langkah awal metode ini memasukkan data latih yang berisi gejala penyakit. Kemudian pengklasifikasian menggunakan k-nearest neighbor. Setelah dilakukan implementasi dan pengujian, didapat hasil akurasi tertinggi sebesar 96 % pada K yang bernilai 9. Dari hasil tersebut dapat disimpulkan bahwa hasil dari sistem dan pakar sudah sejalan dan memiliki akurasi positif.

Kata kunci: Kambing, Penyakit Kambing, klasifikasi, fuzzy, fuzzy k-nearest neighbor

Abstract

Goat (Capra Aegragus Hircus) is one of the animals raised by humans. However, goat cattle business will experience constraints when the goats are infected with the disease. In addition to causing harm, the disease can also reduce public interest to goat breeding. So the system was made to identify the disease in goat farms, so the breeder could know the type of disease that attacked and handled it appropriately. The method used is k-nearest neighbor and fuzzy. The first step of this method includes trainer data that contains symptoms of the disease. Then the classification uses k-nearest neighbor. After the implementation and testing, obtained the highest accuracy of 96% at K which is worth 9. From these results can be concluded that the results of the system and experts are aligned and have positive accuracy

Keywords: Goats, Goat Diseases, clasification, fuzzy, fuzzy k-nearest neighbor

1.

PENDAHULUAN

Kambing atau Capra Aegragus Hircus merupakan salah satu hewan yang diternakkan oleh manusia. Hewan ternak ini prospeknya sangat menjanjikan di Indonesia. Selain perawatannya mudah, Ketersediaan pangan juga banyak di Indonesia. Makanan utama hewan ini adalah rerumputan dan dedaunan. Hewan ternak ini dibudidayakan untuk memperoleh susu, daging, bulu dan kulit. Bertambahnya penduduk di Indonesia adalah salah satu faktor kebutuhan akan produk dari kambing terus meningkat. Namun, usaha ternak kambing akan mengalami kendala ketika kambing terinfeksi penyakit. Selain menyebabkan kerugian, penyakit juga dapat menurunkan minat masyarakat untu beternak kambing (heriyadi, 2004).

mengatasi masalah yang timbul dibutuhkan keahlian seorang pakar.

Jumlah pakar yang mengetahui tentang penyakit kambing kurang memadai, sehingga membuat kebanyakan peternak kambing melakukan sendiri identifikasi penyakit dengan pengetahuan terbatas. Akhirnya penanganan penyakit kurang optinal.

Penelitian dengan metode Fuzzy K-Nearest Neighbor (F-KNN) telah dilakukan sebelumnya oleh Restia Dwi Oktavianing dengan judul

“Pengembangan Sistem Pakar Diagnosa

Penyakit Sapi Potong dengan Metode Fuzzy K-Nearest Neighbor” dengan hasil uji akurasi sebesar 97,65%. Dengan akurasi seperti itu menggunakan metode Metode Fuzzy K-Nearest Neighbor diharapkan mampu memberikan hasil identifikasi yang cukup akurat (Tyas, 2015)

Metode Fuzzy K-Nearest Neighbor (F-KNN) merupakan metode klasifikasi dengan menggabungkan antara metode fuzzy dan metode K-Nearest Neighbor. Metode ini digunakan untuk mengatasi masalah dalam pengklasifikasian yang cenderung mengatur jumlah data latih yang memiliki nilai mayoritas (Wisdarianto, 2013). Akan tetapi metode tersebut masih memiliki kelemahan, yaitu dimana antar data latih belum diketahui kekuatan keanggotaan pada sebuah kelas tertentu, tapi hal ini dapat diatasi menggunakan inisialisasi fuzzy.

Selain memiliki suatu kelemahan, metode Fuzzy K-Nearest Neighbor juga memiliki dua keunggulan utama jika dibandingkan dengan algoritma K-NN. Pertama, algoritma ini mampu mempertimbangkan sifat yang tidak jelas kelasnya (ambigu) dari tetangga jika ada. Algoritma ini telah dirancang sedemikian rupa agar anggota yang ambigu tidak memainkan peranan penting dalam klasifikasi. Keunggulan kedua yaitu sebuah instance akan memiliki derajat nilai keanggotaan pada setiap kelas sehingga akan lebih memberikan kekuatan atau kepercayaan suatu instance berada pada suatu kelas (Putri, et al., 2010).

Berdasarkan uraian di atas, perlu dilakukan

suatu penelitian tentang “Identifikasi Penyakit

Pada Kambing Menggunakan Metode Fuzzy K-Nearest Neighbor (F-KNN)” pada sistem yang akan dibuat nantinya user dapat memasukkan gejala penyakit yang tampak pada hewan ternak kambing. Dari gejala penyakit yang di inputkan tersebut datanya akan diproses dengan metode Fuzzy K-Nearest Neighbor. Output dari sistem ini yaitu jenis penyakit pada hewan ternak

Kambing. Sistem ini diharapkan mampu membantu peternak mengidentifikasi penyakit pada kambing dan memberikan saran serta solusi penanganannya secara cepat pada hewan ternak.

2.

TINJAUAN PUSTAKA

2.1 Kambing

Kambing merupakan hewan piaraan tertua yang didomestikasi setelah anjing dan domba. Domestikasi kambing pertama kali diperkirakan terjadi pada abad ke - 7 sebelum Masehi. Kambing yang berkembang sekarang berasal dari nenek moyang bangsa kambing yang hidup di daerah-daerah marginal dan berbatu / Capra Hircus Aegagrus (Heriyadi, 2004).

2.2 Penyakit Kambing

1. Kembung atau juga disebut bloat

Kembung atau juga disebut bloat adalah kondisi perut kambing berisi banyak gas yang diakibatkan proses fermentasi yang berjalan cepat dan tidak dapat mengeluarkannya dalam bentuk kentut. Tingginya akumulasi gas dalam perut menekan organ dalam tubuh yang lain dan menimbulkan kesakitan. Sehingga kambing pun melakukan pernapasan dengan mulut terbuka akibat frekuensi pernapasan yang tinggi.

2. Cacingan

Ada banyak jenis cacing yang bisa menyerang kambing, diantaranya adalah: haemonchus cocortus, Trichuris sp dan Oestophagostomum sp yang kemungkinan besar terdapat pada pakan. Cacing–cacing tersebut akan hidup sebagai parasit di saluran pencernaan, melekat di selaput usus dan menghisap sari makanan, cairan tubuh, darah serta mengeluarkan racun.

3. Scabies

Bahasa awamnya kudis dan kurap. Penyebabnya adalah ektoparasit atau tungau Sarcoptes scabei, Psoroptes communis varovis dan Chorioptes ovis. Biasanya penyakit ini akan menyerang area disekitar telinga dulu, kemudian baru menyebar. Tanda klinis terkena scabies biasanya timbul bercak–bercak merah yang membentuk bisul pada kulit kambing, kemudian kulit yang berbercak akan mulai menebal, mengeras dan bersisik serta gatal.

4. Orf

Parapoxvyrus yang bersifat zoonosis dan dapat menular ke manusia. Biasanya kambing terkena orf saat memakan rumput yang berbulu dan debu dari konsentrat. Gejala klinisnya adalah: luka disekitar mulut yang berupa keropeng hitam dan terdapat juga benjolan. Lama–lama bisa menyebar ke sela–sela kuku, akibatnya kambing menjadi kurus karena tidak selera makan.

5. Pink eye

Disebut juga mata belekan, biasanya disebabkan iritasi akibat tertusuk benda seperti: duri, kayu, ujung rambut bahkan debu dari konsentrat. Tapi terkadang bisa juga disebabkan oleh bakteri, virus atau parasit. Gejala klinis yang terlihat biasanya mata kambing sering berkedip, mengeluarkan air dan mata berwarna kemerah–kemerahan. Selanjutnya mata akan keruh dan timbul borok hingga mengalami pembengkakan Sapu setan (Witches’ Broom).

6. Miasis

Miasis adalah sejenis Korengan atau Belatungan, orang sering mengenalnya juga dengan sebutan Seten. Penyakit ini sering menyerang pada bagian paha kambing betina yang setelah melahirkan sisa darahnya tidak dibersihkan. Bisa juga terjadi pada anak kambing yang baru lahir karena tidak diberikan antiseptik atau anti lalat pada pusarnya.

7. Diare

Biasanya terjadi karena adanya gangguan pada saluran pencernaan yang bisa disebabkan oleh bakteri, makanan yang rusak, serta lingkungan atau udara dingin. Gejala klinisnya: kambing tampak lesu, lemah dan juga pucat. Kotoran kambing berwarna hijau muda, hijau mengkilap, hijau kekuningan, hijau kemerahan atau hijau kehitaman.

8. Mastitis

Sering dijumpai pada kambing perah karena penyakit ini memang menyerang bagian puting kambing. Sering kali pemicunya adalah bakteri Staphylococcus Aureus atau bisa juga diakibatkan proses pemerahan yang kurang sempurna, sehingga susu belum habis diperah sepenuhnya. Mastitis berakibat pada penurunan jumlah produksi susu dan kualitas dari susu itu sendiri. Cara pengobatan: memberi antibiotik intra-mammary dan memperbaiki proses dari pemerahan susu.

9.

Pnemunia

Umumnya disebabkan karena keadaan udara yang lembap, dingin dan kotor serta kambing

yang tidak terpelihara dengan baik. Gejalanya: kambing sulit bernafas, nafsu makan hilang, sering batuk dan juga demam. Kandang di kondisikan agar tidak lembap, selalu bersih, tidak tergenang air, menutup kandang jika angin kencang dan lakukan karantina pada kambing sakit. Pengobatan yang dapat dilakukan adalah dengan memberikan preparat antibiotik.

2.3 Fuzzy

Logika fuzzy merupakan salah satu pembentuk soft computing. Logika fuzzy pertama kali diperkenalkan oleh Prof. Lotfi A. Zadeh pada thun 1965. Dasar logika fuzzy adalah teori himpunan fuzzy. Pada teori himpunan fuzzy, peranan derajat keanggotaan sebagai penentu keberadaan elemen dalam suatu himpunan sangatlah penting. Nilai atau derajat keanggotaan atau membership function sebagai ciri utama dari penalaran dari logika fuzzy tersebut (Kusumadewi, 2010).

2.4 K-Nearest Neighbor

Metode K-NearestNeighbor (K-NN) adalah metode yang digunakan dalam klasifikasi dengan melakukakn prediksi pada data uji berdasarkan data uji terdekat. Jarak terdekat yang dimaksud adalah jarak terpendek. Metode K-Nearest Neighbor mengklasifikasikan objek berdasarkan jarak terdekat terhadap data training sehingga dapat memperkirakan objek tersebut masuk ke dalam sebuah kelas. Prinsip kerja metode K-Nearest Neighbor mencari jarak berdasarkan tetangga terdekat antara data uji dengan K tetangga terdekatnya terhadap data latih. Untuk dapat menghitung jarak antara jarak tetangga terdekat dapat menggunakan rumus EuclideanDistance (Beyan, 2014).

2.5 Fuzzy K-Nearest Neighbor

K-Nearest Neighbor merupakan sebuah metode algoritma untuk melakukan klasifikasi terhadap objek berdasarkan data yang memiliki jarak terdekat dengan objek tersebut. k-nearest neighbor termasuk dalam algoritma supervised learning dimana hasil dari queryinstance yang baru akan diklasifikasikan berdasarkan dari mayoritas kategori yang ada. dan nantinya kelas yang paling banyak akan menjadi kelas dari hasil klasifikasi (Anggraeni. 2014).

Langkah-langkah pada algoritma k-Nearest Neighbor adalah sebagai berikut (Meristika, 2013) :

1. Normalisasi

Langkah awal yang dilakukan yaitu menormalisasl parameter terhadap nilai data uji dan data latih. Hai tersebut dilakukan karena atribut cenderung memiliki rentang nilai yang bervariasi. Atribut yang telah dinormalisasi nantinya akan digunakan pada proses klasifikasi. Dalam penelitian kali ini menggunkan min-max. Persamaan 2.1 merupakan persamaan yang digunakan untuk menghitung normalisasi.

𝑣1₌ 𝑣− 𝑚𝑖𝑛𝐴

𝑚𝑎𝑥𝐴− 𝑚𝑖𝑛𝐴 (1)

𝑣1 _{= hasil normalisasi yang nilainya berkisar}

antara 0 dan 1

V= nilai atribut A yang akn dinormalisasi

𝑚𝑖𝑛𝐴 = nilai minimum dari suatu atribut, A 𝑚𝑎𝑥𝐴 = nilai maksimum dari suatu atribut, A

2. Menghitung kuadrat jarak Euclidean Langkah selanjutnya adalah menghitun gjarak terdekat antara data uji dengan data latih. Perhitungan ini dengan tujuan untuk

menentukan perbedaan antara nilai-nilai atribut pada record x1 dan x2. Persamaan 2.2

merupakan persamaan untuk menghitung jarak menggunakan Euclidean.

𝑥1= (𝑥11, 𝑥12, … , 𝑥1𝑛) 𝑥2 = (𝑥21, 𝑥22, … , 𝑥2𝑛)

(2)

𝑑 (𝑥1, 𝑥2) = √∑ (𝑎𝑛𝑟=1 𝑟(𝑥1) − (𝑎𝑟(𝑥2))2

𝑥1 𝑑𝑎𝑛 𝑥2 = dua record dengan n atribut

N = banyaknya data

𝑑 (𝑥1, 𝑥2) = jarak Euclidean

𝑎𝑟 = nilai atribut ke r pada record

3. Mengurutkan berdasarkan nilai jarak Euclidean

Setelah memperoleh nilai jarak Euclidean. data diurutkan berdasar jarak euckidean terkecil. Hal ini menunjukkan kemiripan data uji terhadap data latih yang paling dekat. Semakin kecil nilai jarak eucliean maka akan semakin dekat kemiripan kelas pada data uji.

4. Diambil sebanyak K tetangga

Setelah data diurutkan, langkah selanjutnya diambll sebanyak k tetangga terdekat untuk memprediksi label kelas dari record baru menggunakan label kelas tetangga.

5. Target output kelas mayoritas

Dengan menggunakan mayoritas kategori k-nearest neighbor mka kelas target output data yng baru merupakan kelas mayoritas.

2.6 Proses Fuzzy K-Nearest Neighbor Proses fuzzy k-nearest neighbor pada awalnya menggunakan proses. K-nearest neighbor, hanya saja yang membedakan pada penentuan hasil akhirnya yang menggunakan nilai keanggotaan kelas pada sejumlah k tetangga terdekat. Penentuan nilai keanggotaan kelas ke-l pada tetangga ke-j dihitung menggunakan persamaa 2.3 (Keller, et al., 1985).

𝑢𝑖𝑗{

0,51 + (𝑛𝑗

𝑘) ∗ 0.49 , 𝑗𝑖𝑘𝑎 𝑗 = 1 𝑛𝑗

𝑘 ∗ 0.49 , 𝑗𝑖𝑘𝑎 𝑗 ≠ 2

(3)

𝑢𝑖𝑗 = nilai kenggotaan pada vector i kelas j 𝑛𝑗 = jumlah anggota kelas j pada suatu

dataset k

K = banyaknya tetangga terdekat J = kelas target

Kemudian penentuan nilai keanggotaan kelas pada data uji x dihitung menggunakan persamaan 4

𝑢1 (𝑥) =

∑𝑘𝑗=1𝑢𝑖𝑗(|𝑥− 𝑥𝑗| _𝑚−1−2) ∑𝑘𝑗=1(|𝑥− 𝑥𝑗| _𝑚−1−2)

(4)

𝑢1 (𝑥) : Nili kenggotaan data x kelas c 𝑥 − 𝑥𝑗 :selisih jarak data x ke data 𝑥𝑗

K : jumlah tetangga terdekat yang digunakan

M : bobot pangkat (weight exponent) yang besarnya m>1

Langkah-langkah dari perhitungan Fuzzy K-Nearest Neighbor adalah sebagai berikut: 1. Normalisasi data

3. Menghitung jarak Euclidean data uji terhadap data latih.

4. Mengurutkan berdasarkan nllaiEuclidean terkecil.

5. Menentukan K record terdekat

6. Menghitung derajat keanggotaan data baru terhadap masing-masing kelas menggunakan persamaan 4.

7. Memiliki kelas yang memiliki nilai keanggotaan terbesar sebagai hasil

3

PENGUJIAN

DAN ANALISIS

Pengujian dalam penelitian ini menggunakan pengujian akurasi. Proses pengujian dilakuka dalam 3 tahap yaitu, pengujian nilai K, dan pengujian variasi jumlah data.

3.1 Pengujian Akurasi

Pengujian tingkat akurasi dilakukan untuk mengetahui performa dari sistem Identifikasi penyakit pada kamning menggunakan metode Fuzzy K-Nearest Neighbor. Pengujian akurasi dilakukan dalam 3 tahap yaitu, pengujian nilai K, pengujian variable m (bobot pangkat), dan pengujian variasi jumlah data.

1. Pengujian Akurasi Nilai K

Skenario pengujian akurasi nilai K menggunakan nilai K mulai dari 3 sampai 18. Nilai K tersebut tidak secara berurutan namun diambil pada nilai ganjil. Nilai m (bobot pangkat) yang digunakan adalah 2. Data latih yang digunakan berjumlah 100 dan data uji berjumlah 30 dengan komposisi yang sama pada setiap percobaan. Skenario pengujian dilakukan 6 kali percobaan dengan kombinasi nilai K yang berbeda pada setiap percobaan. Hasil dari pengujian ditunjukkan grafik pada Gambar .

Gambar 1 Akurasi Nilai K

Kecendurangan pada grafik yang ditunjukkan pada Gambar 6.1 terjadi karena penyesuaian

terhadap data latih dan data uji yang digunakan. Saat K bernilai kecil, perhitungan menjadi kurang akurat karena kurangnya jumlah dari tetangga terdekat. Namun, saat K bernilai tepat dengan komposisi yang digunakan, maka akan mendapatkan akurasi yang tepat. Kemudian setelah mencapai nilai yang tepat, akurasi menurun dikarenakan terlalu banyaknya tetangga terdekat. Hal ini memungkin akurasi menjadi turun.

Dari Gambar 1 terlihat pengujian menunjukkan bahwa hasil terbaik terletak pada K yang bernilai 9, 12, dan 15 yang mencapai akurasi 96%.

2. Pengujian Jumlah Variasi Data

Pada skenario ini dilakukan dengan menggunakan K yang bernilai 9 dan nilai bobot pangkat adalah 2. Skenario dilakukan sebanyak 6 kali percobaan dengan 6 jumlah data latih. Jumlah data latih yang digunakan , 50, 60, 70, 80, 90, dan 100 dan jumlah data uji adalah 30. Hasil pengujian ditunjukkan grafik pada Gambar 2.

Pada Gambar 2 ditunjukkan bahwa pengaruh variasi jumlah data. Terjadi kenaikan akurasi jika data latih yang digunakan semakin besar. Variasi dari data latih tersebut memungkin terjadinya perbedaan hasil akurasi. Pengujian jumlah data latih dan data uji menunjukkan hasil terbaik terletak pada rasio jumlah data latih 100 yang mencapai akurasi 96%.

Gambar 2 Variasi Data

4 KESIMPULAN

Hasil dari perancangan, implementasi, dan pengujian yang sudah dilakukan pada penelitian ini, maka kesimpulan yang diperoleh adalah sebagai berikut :

1. Rancangan sistem identifikasi penyakit pada kambing terdiri dari 4 user interface yaitu antarmuka identifikasi, daftar gejala, daftar penyakit, dan hasil identifikasi.

93 93

96 96 96

93

90 92 94 96 98

K = 3 K = 6 K = 9 K = 12 K = 15 K = 18

Akurasi

Akurasi

85 90 95 100

50 60 70 80 90 100

Chart Title

2. Hasil pengujian sistem identifikasi penyakit pada kambing dengan metode Fuzzy K-Nearest Neighbor di penelitian ini dengan data latih sebanyak 100 dan data uji sebanyak 30, dengan nilai K = 9 diperoleh akurasi sebesar 96%.

3. Saat K bernilai kecil, perhitungan menjadi kurang akurat karena kurangnya jumlah dari tetangga terdekat. Namun, saat K bernilai tepat dengan komposisi yang digunakan, maka akan mendapatkan akurasi yang tepat. Kemudian setelah mencapai nilai yang tepat, akurasi menurun dikarenakan terlalu banyaknya tetangga terdekat.

DAFTAR PUSTAKA

Anggraeni, D., 2015. Sistem Pakar untuk Identifikasi Hama dan Penyakit Tanaman Tebu dengan Metode Fuzzy-AHP. Skripsi mahasiswaa PTIIK Universitas Brawijaya

Asri, R. M., Hidayat, N., Fauzi, A. M., 2016., "Pemodelan Sistem Pakar Untuk Identifikasi Penyakit Pada Tanaman Kedelai Menggunakan Metode Fuzzy K-Nearest Neighbor"., Skripsi Mahasiswa Filkom Universitas Brawijaya.

Heriyadi, D., A. Sarwestri,, dan D.C.

Budinuryanto., 2001. Ngawangkong Peternak Domba Tangkas. Fakultas Peternakan, IKA Fakultas Peternakan, Pusat Dinamika Pembangunan, Universitas Padjadjaran. Bandung. Heriyadi, D., dan W.S. Budi. 2004. Sertifikasi

Bibit Domba Garut Tahap II.

Kerjasama Dinas Peternakan Provinsi Jawa Barat dengan Himpunan Peternak Domba dan Kambing Indonesia (HPDKI) Jawa Barat. Bandung. Meristika, Y. S., 2013 Perbandingan K-nearst

Neighbor dan Fuzzy K-Nearst Neighbor pada Diagnosis penyakit Diabetes Melitus

Nugraha, D. S., Putri, R. R. M., dan Wihandika, R. C., 2017., "Penerapan Fuzzy K-Nearest Neighbor (FK-NN) Dalam Menentukan Status Gizi Balita ". Putri, Y. C. M., Atasnina, I. &Yulita, I. N.,

2010 Analisis dan Implementasi Teknik Fuzzy K-Nearst Neighbor Pada kasus Imbalance class.

Tyas, R. D. O., Soebroto, A. A., Furqon, M. T., 2015., "Pengembangan Sistem Pakar Diagnosa Penyakit Sapi Potong Dengan