Review Jurnal

JUDUL	SISTEM PAKAR DIAGNOSIS PENYAKIT KUCING MENGGUNAKAN METODE NAÏVE BAYES – CERTAINTY FACTOR BERBASIS ANDROID
JURNAL	Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol. 2, No. 2
ISSN	2548-964X
TAHUN	Februari 2018
PENULIS	Achmad Affan Suprayogi Nugraha , Nurul Hidayat , Lutfi Fanani
REVIEWER	Sewin Fathurrohman
TANGGAL	26 Desember 2019

LATAR BELAKANG	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 membantu peran dokter hewan dalam 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.
TUJUAN PENELITIAN	§ Untuk mengetahui gejala gejala penyakit pada kucing. § Untuk merangcang sebuah aplikasi system pakar yang dapat mendiagnosa penyakit pada kucing.
Metode Penelitian	·   Naive Bayes adalah salah satu metode klasifikasi. 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). 𝑃(𝐻|𝐸)=𝑃(𝐻)×𝑃(𝐸|𝐻) (3) Hasil klasifikasi kelas dengan menggunakan metode Naive Bayes dilakukan dengan membandingkan nilai posterior dari kelas-kelas yang ada. Nilai posterior yang paling tinggi yang terpilih sebagai hasil klasifikasi. ·   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.
Kelebihan	Jurnal ini menampilkan Gambaran umum dari system yang akan dibuat.
Kekurangan	Jurnal ini menjelaskan perancangan dan implementasi yang digunakan terlalu panjang dan berbelit belit.
Saran	Penelitian ini harus dikembangkan karena ada banyak penyakit kucing yang kita belum ketahui.
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 Referensi	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 Ali A.A., 2015. PEMODELAN SISTEM PAKAR DIAGNOSA PENYAKIT TANAMAN CABAI MERAH MENGGUNAKAN METODE AHP-SAW. Skripsi. Tidak diterbitkan. Teknik Informatika PTIIK Universitas Brawijaya, Malang.