Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer e-ISSN: 2548-964X

Vol. 2, No. 2, Februari 2018, hlm. 650-658 http://j-ptiik.ub.ac.id

Sistem Pakar Diagnosis Penyakit Kucing Menggunakan Metode Naive

Bayes – Certainty Factor Berbasis Android
Achmad Affan Suprayogi Nugraha1, Nurul Hidayat2, Lutfi Fanani3

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya

Email: 1affansupra@gmail.com, 2ntayadih@ub.ac.id, 3lutfifanani@ub.ac.id

Abstrak
Pada saat ini masyarakat banyak sekali yang memelihara hewan kucing. Kondisi ini disebabkan karena
banyak sekali manfaat yang dirasakan setelah memelihara kucing, anatar lain yaitu menumbuhkan rasa
kasih sayang terhadap makluk hidup dan juga dapat membantu memulihkan kondisi psikologis
seseorang sehingga dapat mengurangi stres. Selain pemeliharaannya yang relatif mudah, kucing adalah
hewan yang lucu dan menggemaskan. Akan tetapi apabila kondisi kesehatan kucing terganggu akan
berdampak negatif bagi pemelihara karena resiko dapat tertular penyakit dari kucing. Kesehatan kucing
dirasa penting tetapi jumlah tenaga medis hewan kucing yang ada sangat terbatas. Pembuatan sistem ini
dapat membantu pekerjaan pakar dalam mendiagnosis penyakit kucing. Metode yang digunakan adalah
Naive Bayes dan Certainty Factor. Metode Naive Bayes bekerja dengan cara mencari nilai peluang
kemunculan penyakit kucing, sedangkan metode Certainty Factor bekerja dengan cara mencari nilai
kepercayaan. Aplikasi ini dikembangkan berbasis android dengan menggunakan bahasa pemrograman
JAVA dan XML pada Android Studio. Pengujian yang dilakukan dengan membandingkan kesesuaian
hasil diagnosis sistem dengan hasil diagnosis pakar. Dari pengujian 25 data kasus didapatkan tingkat
akurasi sistem pakar diagnosis penyakit kucing menggunakan metode Naive Bayes – Certainty Factor
Berbasis Android sebesar 80%.
Kata Kunci: penyakit kucing, diagnosis, sistem pakar, naive bayes, certainty factor
Abstract
At this time a lot of people who nourish cats. This is because a lot of the perceived benefits after nourish
cats, such as foster a sense of compassion for sentient beings and also can help restore a person's
psychological condition so as to reduce stress. In addition to maintenance a relatively easy, the cat is
a cute animal. However, if the health condition of cats is disrupted will have a negative impact for the
keeper because of the risk can be infected. Healthy cats deemed important but the number of medical
personnel cat animals is very limited. Making this system can help the work of experts in the diagnosis
of diseases of cats. The method used is Naive Bayes and Certainty Factor. Naive Bayes method works
by looking for the emerging value opportunities cat disease, whereas the Certainty Factor method
works by looking for the value of the trust. The application is built using the android-based
programming language JAVA and XML in Android Studio. The test is performed by comparing the
conformity result of the system diagnosis with the expert diagnosis. And from 25 test case data obtained
accuracy rate cat disease diagnosis expert system using Naive Bayes method - Certainty Factor-Based
Android by 80%.
Keywords: cat diseases, diagnosis, expert systems, naive Bayes, certainty factor

manusia. Jadi kesehatan kucing sangatlah

1. PENDAHULUAN
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
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

Fakultas Ilmu Komputer

Universitas Brawijaya 650
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
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. Dan dengan
adanya hasil wawancara dengan pemilik kucing
akan membantu dalam perhitungan nilai derajat
ketidakpastian sehingga akan memperkuat
faktor kepercayaan. Metode yang digunakan
dalam penelitian ini adalah metode Naive Bayes
dan metode Certainty Factor. Metode Naive
Bayes Classifier untuk proses kalsifikasi, dalam
proses sistemnya membutuhkan data latih dan
data uji. Sedangkan metode Certainty Factor
digunakan untuk menghadapi masalah yang
jawabannya tidak pasti, ketidakpastian ini bisa
merupakan probabilitas.
Berdasarkan survey dari We Are Social
sebuah agensi marketing social, mengeluarkan
sebuah laporan mengenai data jumlah pengguna
mobile dari seluruh dunia, dan Indonesia
termasuk mengguna mobile terbesar didunia
(Wijaya K.K, 2015). Oleh karenanya aplikasi
yang akan dibangun berbasis Android untuk
menyesuaikan kebutuhan pengguna.
Pada penelitian penelitian terdahulu,
penelitian dengan objek yang berbeda namun
dengan metode yang sama yaitu, Analisis
Perbandingan Metode Naive Bayes dan
Certainty Factor Dalam Mendeteksi
Kemungkinan Anak Terkena Disleksia. Pada
penelitian ini dilakukan perbandingan antara
metode Naive Bayes dan Certainty Factor untuk
mengetahui metode mana yang terbaik dalam
ketepatan akurasi. Hasil akurasi yang didapat
yaitu 93% untuk metode Naive Bayes dan 53%
untuk metode Certainty Factor (Tjahyati, 2014).
Penelitian selanjutnya Implementasi Metode
Naïve Bayes Classifier Untuk Diagnosis
Klasifikasi Gejala Penyakit Kucing, didapakan
hasil akurasi yaitu 99,44% (Pitaloka, 2016).
Berdasarkan penjelasan yang sudah
dipaparkan, oleh karenanya pada penelitian ini
akan dibangun sebuah Sistem Pakar Diagnosis
Penyakit Kucing Menggunakan Metode Naive
Bayes – Certainty Factor Berbasis Android.
Tujuan dari penelitian ini yaitu membuat
sistem klasifikasi penyakit kucing menggunakan
naive bayes – certainty factor dan melakukan
pengujian sistem pakar diagnosis penyakit
kucing merupakan jawaban dari rumusan
Fakultas Ilmu Komputer, Universitas Brawijaya
651
masalah yang telah dibuat yaitu bagaimana
membuat sistem klasifikasi penyakit kucing
menggunakan naive bayes – certainty factor dan
bagaimana hasil pengujian.
2. LANDASAN KEPUSTAKAAN
2.1. Penyakit Kucing
Pada sistem ini hanya dapat mengidentifikasi
9 macam penyakit kucing saja. Berikut
merupakan macam-macam penyakit kucing
yang diidentifikasi: Scabies, Gastritis,
Helminthiasis, Rhinitis Dermatitis,
Dermaphytosis, Otitis, Enteritis dan Sehat.
2.2. Sistem Pakar
Sistem pakar adalah sistem cerdas berbasis
komputer digunakan dalam penyelesaian
masalah yang hanya bisa dilakukan oleh
ahli/pakar pada suatu bidang. Dengan sistem ini
masyarakat umum dapat melakukan perhitungan
layaknya seorang pakar (Kusumadewi, 2003).
Terdapat dua bagian penting dari sistem
pakar meliputi linkungan konsultasi dan
lingkungan pengembang. Lingkungan
pengembang digunakan oleh pengembang
sistem untuk membangun komponen dan
memperkenalkan pengetahuan ke dalam basis
pengetahuan. Untuk linkungan konsultasi
berguna untuk melakukan konsultasi sehingga
memperoleh penegetahuan dari sistem pakar
layaknya dari seorang pakar (Sutojo, 2011).
2.3. Naive Bayes
Naive Bayes adalah salah satu metode
klasifikai. 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).
𝑋
𝑃= (1)
𝐴
2. Mencari nilai likelihood untuk tiap kelas
dengan menggunakan persamaan (2).
𝐹
𝐿= (2)
𝐵
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
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
membandingkan nilai posterior dari kelas-kelas
yang ada. Nilai posterior yang paling tinggi yang
terpilih sebagai hasil klasifikasi.
2.4. Certainty Factor
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)
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.
3. METODOLOGI
Gambar 1. Diagram Alir Metodologi
Penelitian dimulai dengan mengumpulkan
dan mempelajari literatur-literatur yang dapat
menunjukkan keberhasilan penelitian. Setelah
itu, dilanjutkan dengan proses pembangunan
Fakultas Ilmu Komputer, Universitas Brawijaya
652
aplikasi yang diawali dengan analisis kebutuhan,
pengumpulan data, lalu dilanjutkan dengan
perancangan dan implementasi, dilanjutkan
dengan pengujian dan analisis hasil pengujian
sistem. Setelah semua proses selesai dilakukan
maka penelitian diakhiri dengan penarikan
kesimpulan dan saran.
4. ANALISIS KEBUTUHAN
4.1. Gambaran Umum Sistem
Sistem pakar diagnosis penyakit kucing
menggunakan metode Naive Bayes – Certainty
(4)
Factor merupakan sistem yang dapat melakukan
proses diagnosis penyakit terhadap seekor
kucing berdasarkan gejala-gejala masukan dari
pengguna aplikasi. Sistem ini dibangun dengan
berbasis android yang dikembangkan
menggunakan Android Studio dengan bahasa
pemrograman JAVA dan Extensible Markup
Language (XML).
Pada sistem ini tersedia 3 fitur, yaitu fitur
panduan kode gejala, fitur diagnosis, dan fitur
info. Fitur panduan kode gejala berisi mengenai
kode-kode gejala beserta keterangannya. Fitur
diagnosis merupakan fitur utama, pada fitur ini
pengguna melakukan proses diagnosis dengan
memasukkan beberapa kode gejala pada
checkbox yang tersedia dan nantinya hasilnya
akan ditampilkan pada halaman hasil. Yang
terakhir adalah fitur info, fitur ini berisi
mengenai informasi tentang sistem.
4.2. Identitas Aktor
Tahap ini ditujukan untuk melakukan
identifikasi aktor yang berinteraksi dengan
sistem pakar. Aktor apa saja yang terlibat dalam
sistem pakar beserta proses apa saja yang dapat
dilakukan oleh aktor berikut pada Tabel 1.
Tabel 1. Identifikasi Aktor
Aktor Deskripsi
Aktor dapat melakukan melihat
panduan kode gejala, mendiagnosis
Pengguna
penyakit, melihat hasil diagnosis,
dan melihat info tentang aplikasi.
4.3. Kebutuhan Fungsional
Pada bagian analisis kebutuhan fungsional
akan di deskripsikan daftar kebutuhan-
kebutuhan yang diperlukan untuk membangun
aplikasi sistem pakar diagnosis penyakit kucing
menggunakan metode naive bayes – certainty
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 653

factor. Kebutuhan fungsional ditunjukkan pada

pada tabel 2.
Tabel 2. Kebutuhan Fungsional
No. Nama Fungsi Deskripsi Kebutuhan
1 Menampilkan Aplikasi harus
panduan kode menampilkan
gejala keterangan dari
masing-masing kode
gejala dalam menu
panduan kode gejala
2 Tentukan kode Aplikasi harus
gejala menyediakan ceckbox
untuk digunakan
pengguna sebagai
masukan gejala-gejala Gambar 2. Use Case Diagram
penyakit untuk
Gambar 2 merupakan model Use Case
didiagnosis
Diagram yang telah dibuat terdapat 1 (satu) aktor
3 Menampilkan Aplikasi harus
dan 4 (empat) use case yaitu melihat kode gejala,
hasil diagnosis menampilkan hasil
diagnosis. Diantaran
diagnosis, hasil, dan lihat info.
penyakit, nilai
keyakinan, info
5. PERANCANGAN DAN
penyakit, dan solusi. IMPLEMENTASI
4 Menampilkan Aplikasi harus
informasi menampilkan
5.1. Basis Pengetahuan
tentang aplikasi informasi mengenai Basis pengetahuan merupakan kumpulan
aplikasi dalam menu suatu informasi yang diperoleh dari pakar untuk
info memecahkan suatu permasalahan terhadap suatu
bidang tertentu. Basis pengetahuan bersifat
dinamis, dapat berubah sewaktu-waktu karena
4.4. Usecase Diagram pengetahuan dapat berkembang. Basis
Use case diagram merupakan gambaran pengetahuan merupakan inti dari sistem pakar
pada sistem yang menjelaskan interaksi aktor karena basis pengetahuan dijadikan sebagai
terhadap sistem yang akan dibangun. Use case acuan dalam perhitungan sistem pakar. Basis
diagram sangat penting untuk menjadi panduan pengetahuan mencakup dua elemen dasar, yaitu
bagi user maupun bagi developer untuk dalam fakta dan aturan (mengarahkan pengguna untuk
proses pengembangan sistem. Didalam use case memecahkan masalah khusus dalam domain
akan menjelaskan secara singkat bagaimana tertentu). Berikut merupakan sekumpulan
hubungan anatara usecase, aktor, dan juga informasi yang digunakan pada penelitian ini,
sistem. jenis penyakit kucing ditunjukkan pada tabel 3,
Berikut adalah Use Case Diagram dari gejala penyakit kucing ditunjukkan pada tabel 4
sistem, pada Gambar 2. dan aturan diagnosis penyakit kucing
ditunjukkan pada tabel 5.
Tabel 3 Jenis Penyakit Kucing
Kode Nama
Solusi
Penyakit Penyakit
P1 Scabies salep scabies
Makan lunak/halus,
obat penetral asam
P2 Gastritis lambung, antibiotik,
obat pengurang asam
lambung

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 654

Pemberian obat G20 Hidung berair

Helmin-
P3 cacing tiap 3 bulan G21 Ringwarm pada kulit
thiasis
sekali G22 Kulit kemerahan sampai lecet
identifikasi penyebab G23 Jamuran
alergi, obat anti alergi, G24 Lesi berminyak pengganti
P4 Rhintis
obat anti radang, G25 Guratan parah pada telinga
antibiotic Adanya cairan hitam keluar
Mandi dengan G26
telinga
Dermato- shampoo jamur 2x G27 Telinga terdapat lilin dan bau
P5
phytosis seminggu, salep anti G28 Diare campur darah
jamur, obat anti jamur G29 Feses lembek
Identifikasi penyebab G30 Minum banyak
alergi jika ada, G31 Abdomen sakit
antibiotik mandi G32 Vaksinasi
P6 Dermatitis
dengan shampoo anti
bakteri/jamur 2x Tabel 5 Aturan Diagnosis Penyakit Kucing
seminggu
Makanan halus/lunak, Aturan Penyakit Gejala
makanan khusus G1, G2, G3, G4, G5, G6, G7,
R1 P1
P7 Enteritis pencernaan, G13, G23, G29, G32
antibiotik, anti diare, G6, G8, G9, G10, G11, G13,
R2 P2
obat cacing G18, G19, G29, G32
Bersihkan telinga G5, G6, G7, G8, G10, G11,
dengan pembersih R3 P3 G12, G13, G14, G18, G23,
P8 Otitis telinga, obat tetes G29, G32
telinga dan anti G5, G13, G15, G16, G17,
R4 P4
radang G19, G20, G32
Mandi 1 – 2 minggu G2, G3, G4, G5, G7, G8,
R5 P5
sekali tergantung G11, G21, G22, G23, G32
P9 Sehat tingkat kekotoran, G3, G4, G5, G6, G7, G21,
R6 P6
vaksinasi rutin, cek G22, G23, G24, G32
dokter tiap 3 bulan G3, G7, G8, G10, G11, G13,
R7 P7 G18, G28, G29, G30, G31,
Tabel 4 Gejala Penyakit Kucing G32
G3, G5, G8, G10, G11, G12,
Kode
Gejala R8 P8 G13, G18, G25, G26, G27,
Gejala
G32
G1 Keratinisasi
R9 P9 G32
G2 Gatal gatal
G3 Keropeng
G4 Ketombe 5.2. Implementasi
G5 Kutuan
G6 Kurus 5.2.1 Diagram Alir
G7 Bulu rontok Berikut merupakan diagram alir perhitungan
G8 Anoreksia Naive Bayes pada gambar 3.
G9 Abdomen keras
G10 Muntah
G11 Diare
G12 Perut buncit
G13 Hilang nafsu makan
G14 Ada cacing di fases
G15 Pilek
G16 Bersin bersin
G17 Hidung tersumbat
G18 Badan lemas
G19 Mata berair

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 655

Gambar 4 Diagram Alir Perhitungan Certainty

Factor

5.2.2. Langkah-langkah Perhitungan Naive

Bayes
1. Menghitung nilai prior (peluang
kemunculan suatu penyakit pada data
training) berdasarkan gejala yang
diperlukan. Perhitungan ini dilakukan
dengan membagi jumlah masing-masing
penyakit dengan jumlah keseluruhan data
yang ada pada data latih.
2. Melakukan pencarian nilai likelihood
(peluang munculnya suatu gejala terhadap
Gambar 3. Diagram Alir Perhitungan Naive Bayes
suatu penyakit) dari probabilitas gejala yang
Berikut merupakan diagram alir perhitungan mempengaruhi pada setiap penyakit) dari
Certainty Factor pada gambar 4. probabibilitas gejala yang mempengaruhi
pada setiap penyakit. Perhitungan ini
dilakukan dengan membagi jumlah gejala
yang ada pada masing-masing penyakit
dengan jumlah masing-masing penyakit.
3. Melakukan pencarian nilai posterior
(probabilitas akhir) pada masing-masing
penyakit, dengan cara mengalikan nilai prior
dengan nilai likelihood masing-masing
gejala pada setiap penyakit.
Setelah didapatkan hasil diagnosis penyakit
menggunakan metode Naive Bayes, maka
selanjutnya akan dilakukan perhitungan nilai
kepastian dengan menggunakan Certainty
Factor. Perhitungan ini dimaksudkan untuk

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
memastikan hasil output CF maksimal yaitu
mendekati nilai 1, dan juga untuk mengetahui
persentase dari hasil perhitungan metode Naive
Bayes.
5.2.3. Langkah-langkah Perhitungan
Certainty Factor
1. Penyakit yang akan dihitung nilai
kepastiannya merupakan penyakit dari hasil
diagnosis pada metode Naive Bayes. Pada
perhitungan ini nilai CFpakar dikalikan
dengan CFuser.
2. Setelah nilai CF dihitung, maka selanjutnya
yaitu menghitung nilai CFcombine.
Perhitungan CFcombine menggunakan nilai
CF yang diperoleh dari CFpakar*CFuser,
dimana nilai CF dianggap sebagai nilai CF1
dan CF2. Setiap kali eksekusi hanya
menggunakan dua buah data saja (CF1 dan
CF2). Nilai tersebut digunakan untuk
memberikan bobot pada setiap aturan yang
ada.
6. PENGUJIAN
6.1 Pengujian Validasi (Blackbox)
Prosedur pengujian validasi diawali dengan
mendefinisikan kebutuhan fungsional yang akan
diuji. Setelah itu, hasil yang diharapkan akan
dibandingkan dengan hasil yang didapatkan
setelah melalui tahap-tahap pengujian yang telah
ditentukan sebelumnya. Hasil pengujian
terhadap kebutuhan fungsional memilih kode
gejala, ditunjukkan pada Tabel 6.
Tabel 6 Kasus Uji Memilih Kode Gejala
Nama Kasus
Memilih kode gejala
Uji
Untuk memastikan sistem dapat
menampilkan checkbox kode-
Tujuan
kode gejala dan sistem dapat
Pengujian
melakukan diagnosis
berdasarkan masukan pengguna
1. Sistem dijalankan
Prosedur
2. Memilih menu diagnosis
Pengujian
3. Memilih kode gejala
Dapat menampilkan checkbox
Hasil yang kode-kode gejala dan sistem
diharapkan dapat melakukan diagnosis
berdasarkan masukan pengguna
Fakultas Ilmu Komputer, Universitas Brawijaya
656
Sistem menampilkan checkbox
Hasil yang kode-kode gejala dan sistem
didapatkan dapat melakukan diagnosis
berdasarkan masukan pengguna
Status
Valid
Validasi
Berdasarkan prosedur pengujian yang telah
dijalankan, maka dapat disimpulkan bahwa
sistem pakar diagnosis penyakit kucing telah
sesuai dengan seluruh kebutuhan fungsional
yang telah ditentukan.
6.2 Pengujian Usability
Prosedur Pengujian usability dilakukan
dengan cara meminta pengguna sistem untuk
mengisi kuisioner setelah mencoba
menggunakan sistem yang telah dibuat. Pada
kuisioner, setiap pertanyaan memiliki nilai satu
sampai dengan lima dan dari total seluruh nilai
dibagi dengan jumlah pertanyaan, hasil dari nilai
tersebut dijadikan sebagai tolak ukur kelayakan
sistem dimana semakin tinggi nilai yang didapat
maka semakin baik sistemnya.
Kuisioner sebanyak 20 yang masing-masing
berisi 10 pertanyaan dibagikan kepada
pengguna, masing-masing pertanyaan memiliki
nilai satu sampai dengan lima penilaian
dilakukan setelah pengguna mengoperasikan
sistem.
Hasil kuisioner pengujian usability diatas
maka dilakukan perhitungan mean untuk
mendapatkan rata-rata. Perhitungan hasil
kuisioner pengujian usability dapat dilihat
sebagai berikut:
𝑇𝑜𝑡𝑎𝑙 𝑁𝑖𝑙𝑎𝑖 822
𝑀𝑒𝑎𝑛 = = = 4,11
𝐽𝑢𝑚𝑙𝑎ℎ 𝑃𝑒𝑟𝑡𝑎𝑛𝑦𝑎𝑎𝑛 200
Keterangan :
Jika Mean = 1 maka sistem dianggap sangat
buruk
Jika Mean = 2 maka sistem dianggap buruk
Jika Mean = 3 maka sistem dianggap biasa
saja
Jika Mean = 4 maka sistem dianggap baik
Jika Mean = 5 maka sistem dianggap sangat
baik.
6.3 Pengujian Akurasi
Pengujian akurasi digunakan untuk
mengetahui seberapa besar nilai akurasi sistem.
Pada pengujian akurasi dilakukan dengan
membandingkan hasil diagnosis pakar dengan
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
hasil diagnosis sistem apakah hasil yang
didapatkan sama.
Berdasarkan hasil pengujian akurasi
menggunakan 25 yang telah dilakukan, terdapat
20 data yang hasil diagnosisnya sama dengan
hasil diagnosis pakar. Selanjutnya akan dihitung
nilai akurasi dengan persamaan berikut:
𝑗𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑎𝑘𝑢𝑟𝑎𝑠𝑖
𝑁𝑖𝑙𝑎𝑖 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = × 100%
𝑘𝑒𝑠𝑒𝑙𝑢𝑟𝑢ℎ𝑎𝑛 𝑑𝑎𝑡𝑎
20
𝑁𝑖𝑙𝑎𝑖 𝐴𝑘𝑢𝑟𝑎𝑠𝑖 = × 100% = 80
25
Maka hasil nilai akurasi pada pengujian tersebut
didapatkan nilai sebesar 80%.
7. 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
Fakultas Ilmu Komputer, Universitas Brawijaya
657
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 PUSTAKA
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.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 658

Natalius., 2011. Metode Naive Bayes Classifier Triakoso N., 2006. PENYAKIT SISTEM
dan Penggunaannya pada Klasifikasi DIGESTI VETERINER II. BAHAN AJAR
Dokumen. Makalah II 2092 Probabilitas ILMU PENYAKIT DALAM VETERINER
dan Statistika. pp. 1 II. Pp 31
Neno., 2016. Infeksi Telinga (Otitis) pada Triakoso N., 2013. Small Animal Dematology.
Kucing. KucingKita.com. [Online] [Online] Tersedia di:
Tersedia di: http://kucingkita.com. https:/triakoso.wordpress.com/tag/dermat
[Diakses Pada tanggal 05 Maret 2017] ology [Diakses Pada tanggal 05 Maret
2017]
Palguna David dkk., 2014. SISTEM PAKAR
DIAGNOSIS PENYAKIT KULIT PADA Vhodzan Adzima., 2013. ISOLASI DAN
KUCING MENGGUNAKAN CERTAINTY IDENTIFIKASI KAPANG PENYEBAB
FACTOR. JSIKA. Pp. 75 DERMATOFITOSIS PADA ANJING DI
KECAMATAN SYIAH KUALA LUMPUR
Saputra., 2014. KOMPOSISI ALGORITMA
BANDA ACEH. Jurnal Medika
KLASIFIKASI DATA MINING UNTUK
Veterinaria. pp. 46
MEMPREDIKSI PENYAKIT
TUBERCULOSIS (TB): STUDI KASUS
PUSKESMAS KARAWANG SUKABUMI.
Seminar Nasional Inovasi dan Tren
(SNIT). pp. 2
Saputra Thomas., 2015. Enteritis Pada Hewan.
Ilmu Veteriner. [Online] Tersedia di:
http://ilmuveteriner.com/enteritis-pada-
hewan. [Diakses Pada tanggal 05 Maret
2017]
Silalahi Rumondang M.S., 2011. Perancangan
Aplikasi Sistem Pakar Untuk Diagnosis
Penyakit Ginjal Dengan Kombinasi
Metode Certainty Factor Dan Metode
Forward Chaining. Skripsi. Tidak
Diterbitkan. Departemen Ilmu Komputer
Fakultas MIPA Universitas Sumatra Utara,
Medan.
Sufyan Muhammad., 2016. Ini Manfaat
Memelihara Kucing untuk Kesehatan.
Liputan6. [Online] Tersedia di
http://health.liputan6.com/read/2516695/i
ni-manfaat-memelihara-kucing-untuk-
kesehatan. [Diakses Pada tanggal 05 Maret
2017]
Sutojo T, Mulyanto Edy, & Suhartono Vincent.,
2011. Kecerdasan Buatan. Yogyakarta:
Andi
Tjahyati T., 2014. Analisa Perbandingan
Metode Certainty Factor Dan Naive
Bayesian Dalam Mendeteksi
Kemungkinan Anak Terkena Disleksia.
Skripsi. Tidak diterbitkan. Program Studi
Teknik Informatika Fakultas Teknik Dan
Ilmu Komputer Universitas Komputer
Indonesia.

Fakultas Ilmu Komputer, Universitas Brawijaya