JUKI : Jurnal Komputer dan Informatika Volume 6 Nomor 1 Mei 2024 e-ISSN : 2722-4368 Penerapan Case-Based Reasoning untuk Pendeteksian Penyakit Sapi dengan Algoritma Nayve Bayes Clarissa E.
Amos Pah1.
Derwin Rony Sina2.
Ahmad Z.
Farhan3 Program Studi Ilmu Komputer.
Fakultas Sains dan Teknik.
Universitas Nusa Cendana.
Kota Kupang.
Nusa Tenggara Timur.
Indonesia Email : 1clarissaelfira@staf.
id, 2derwinsina@staf.
id, 3ahmadfarha000@gmail.
1,2,3
Abstrak.
Sapi adalah hewan ternak paling umum di Indonesia dengan jumlah 18.
148 ekor pada tahun 2021.
Seperti hewan ternak lainnya sapi dapat terserang berbagai macam penyakit.
Berdasarkan data dari Pusat Kesehatan Hewan (Puskeswa.
Kayu Putih.
Nusa Tenggara Timur (NTT) di tahun 2022 penyakit yang biasanya dialami oleh sapi adalah Avitaminosis.
Athritis.
Bloat.
Malnutrisi.
Hipocalsemia.
Helminthiasis.
Abses.
Vulnus, dan Septicemia Epizootika.
Penyakit-penyakit yang diderita sapi ini menjadi isu penting karena dapat membahayakan konsumen akibat tertular penyakit tersebut, khusunya di Kota Kupang yang menjadi produsen daging sapi terbanyak di NTT dengan 2.
718 Kg pada tahun 2022.
Adapun masalah lain yang dialami peternak sapi di Kota Kupang adalah kekurangan dokter hewan yang hanya berjumlah 11 orang dan harus menangani sapi dengan jumlah sebanyak 7.
840 ekor pada tahun 2022.
Oleh karena itu, salah satu solusi yang dapat diterapkan adalah pengembangan sebuah sistem pakar yang dapat memberikan diagnosis awal berdasarkan gejala yang diinput Sistem pakar yang dibangun pada penelitian ini adalah sistem berbasis kasus atau Case-Based Reasoning (CBR) dengan metode indexing Nayve Bayes yang dapat memudahkan peternak mendiagnosis penyakit ternak CBR merupakan teknik pencarian solusi berdasarkan pengalaman masa lalu untuk menyelesaikan masalah di masa mendatang.
Adapun tahapan yang dilakukan pada CBR adalah Retrieve.
Reuse.
Revise, dan Retain.
Hasil pengujian sistem Case-Based Reasoning menggunakan 8-fold cross validation pada 96 data didapat rata-rata similarity 99% dengan rata-rata waktu 0,071 detik.
Sistem yang dibangun berbasis web untuk memudahkan pengaksesan secara dalam jaringan oleh pengguna.
Kata Kunci: Case-Based Reasoning (CBR).
Penyakit Sapi.
Nayve Bayes.
K-Fold Cross Validation Abstract.
Cattle are the most common farm animal in Indonesia with 18,610,148 head in 2021.
Like other farm animals, cattle can be affected by various diseases.
Based on data from the Animal Health Center (Puskeswa.
Kayu Putih.
East Nusa Tenggara (NTT) in 2022, diseases that are usually experienced by cattle are Avitaminosis.
Athritis.
Bloat.
Malnutrition.
Hypocalsemia.
Helminthiasis.
Abscess.
Vulnus, and Septicemia Epizootika.
These diseases have become an important issue because they can endanger consumers by infecting them, especially in Kupang City which is the largest beef producer in NTT with 2,600,718 Kg in 2022.
Another problem experienced by cattle farmers in Kupang City is the shortage of veterinarians, with only 11 veterinarians, who must handle a total of 7,840 cattle in 2022.
Therefore, one solution that can be applied is the development of an expert system that can provide an initial diagnosis based on the symptoms inputted by The expert system built in this research is a Case-Based Reasoning (CBR) system with the Nayve Bayes indexing method that can make it easier for farmers to diagnose their cattle diseases.
CBR is a technique for finding solutions based on experience to solve problems in the future.
The stages carried out in CBR are Retrieve.
Reuse.
Revise, and Retain.
The results of testing the Case-Based Reasoning system using 8-fold cross validation on 96 data obtained an average similarity of 99% with an average time of 0.
071 seconds.
The system built is web-based to facilitate access to the network by users.
Keyword: Case-Based Reasoning (CBR).
Cattle Disease.
Nayve Bayes.
K-Fold Cross Validation PENDAHULUAN Menurut data Peternakan Dalam Angka 2022, sapi adalah hewan ternak terbanyak kedua di Indonesia setelah unggas dengan jumlah 18.
148 ekor pada tahun 2021 .
Berdasarkan data dari Badan Pusat Statistik (BPS) NTT.
Kota Kupang menjadi produsen daging sapi terbanyak di NTT 718 kg pada tahun 2022.
Besarnya angka produksi ini seiring dengan manfaat yang akan didapatkan dari sapi seperti konsumsi daging, pemanfaatan kulit sapi, dan lainnya.
Namun.
Penerapan Case-Based Reasoning untuk Pendeteksian Penyakit Sapi dengan Algoritma Nayve Bayes Oleh : Clarissa E.
Amos Pah.
Derwin Rony Sina.
Ahmad Z.
Farhan JUKI : Jurnal Komputer dan Informatika Volume 6 Nomor 1 Mei 2024 e-ISSN : 2722-4368 angka produksi ini dapat menurun akibat terpapar berbagai jenis penyakit sapi yang disebabkan oleh berbagai jenis bakteri, virus, parasit, dan cacing.
Masalah penyakit pada ternak sapi menyebabkan penurunan produksi karena dapat membahayakan konsumen akibat tertular penyakit tersebut .
Berdasarkan data pada Pusat Kesehatan Hewan (Puskeswa.
Kayu Putih.
Kota Kupang di tahun 2022, penyakit yang biasanya diderita sapi adalah Avitaminosis.
Athritis.
Bloat.
Malnutrisi.
Hipocalsemia.
Helminthiasis.
Abses.
Vulnus, dan Septicemia Epizootika.
Penyakit sapi bukan hal yang asing bagi para peternak, namun minimnya pengetahuan terhadap penyakit apa yang menyerang hewan ternaknya membuat para peternak tidak dapat langsung menangani penyakit yang dialami oleh hewan ternaknya, sehingga dibutuhkan pakar dalam hal ini dokter hewan untuk mendiagnosis dan menangani penyakit sapi.
Namun, terbatasnya jumlah dokter hewan menyebabkan kesulitan berkonsultasi ketika dibutuhkan peternak.
Berdasarkan wawancara dengan drh.
Maria F.
Vivi Jaman.
Kota Kupang kekurangan dokter hewan yang dimana hanya berjumlah 11 orang dan harus menangani sapi dengan jumlah sebanyak 7.
840 ekor pada tahun 2022.
Untuk mengatasi masalah yang telah dipaparkan, penulis menawarkan solusi untuk membangun sebuah sistem pakar berbasis kasus (CBR) untuk menyelesaikan suatu kasus baru dengan cara mengadaptasi atau mengingat solusi yang terdapat pada kasus sebelumnya yang mirip dengan kasus baru tersebut dan dapat menggantikan pakar untuk mempermudah peternak dalam mengidentifikasi penyakit sapi dan mendapatkan solusi yang diberikan oleh sistem tersebut .
CBR
membutuhkan metode indexing untuk mengefisienkan waktu dan memori.
pada penelitian ini metode indexing yang akan digunakan adalah Nayve Bayes yang merupakan metode statistik bayesian sederhana .
Sistem yang dibangun berbasis web sehingga dapat diakses langsung oleh para METODOLOGI PENELITIAN Tahapan Penelitian Tahapan penelitian yang telah dilakukan untuk menyelesaikan penelitian ini adalah pengumpulan data, pengolahan data, perancangan sistem, dan pengujian sistem.
Pengumpulan data dilakukan dengan observasi dan wawancara dengan drh.
Maria F.
Vivi Jaman pada Puskeswan Kayu Putih untuk mendapatkan data penyakit sapi yang pernah didiagnosis pada tahun 2020 sampai 2023.
Pengolahan data dilakukan dengan penyuntingan untuk menghasilkan data awal penyakit, gejala, dan diagnosis .
edepannya akan disebut Basis Kasu.
yang akan digunakan pada sistem CBR.
Hasil penyuntingan data memperoleh 96 data diagnosis dengan melibatkan 9 penyakit dan 23 Sampel data data Penyakit.
Gejala, dan Basis Kasus dapat dilihat pada Tabel 1.
Tabel 2, dan Tabel 3.
Tabel 1.
Penyakit Sapi
Kode
Penyakit P01
Avitaminosis P02
Athritis P03
Bloat
P04
Malnutrisi
P05
Hipocalsemia
P06
Helminthiasis P07
Abses
P08
Vulnus
P09
Septicemia Epizootika No.
Tabel 2.
Gejala Penyakit Sapi Kode Gejala Penerapan Case-Based Reasoning untuk Pendeteksian Penyakit Sapi dengan Algoritma Nayve Bayes Oleh : Clarissa E.
Amos Pah.
Derwin Rony Sina.
Ahmad Z.
Farhan JUKI : Jurnal Komputer dan Informatika Volume 6 Nomor 1 Mei 2024 e-ISSN : 2722-4368 No.
G01
G02
G03
G04
G05
G06
G07
G23
Nafsu Makan Menurun Kelemahan Otot Perut Kembung Susah Buang Air Besar Sulit Berjalan Pembengkakan Pada Sendi Kaki Kurus Demam Tabel 3.
Basis Kasus Penyakit Gejala Nafsu makan menurun Avitaminosis Kelemahan otot Kelemahan otot Athritis Sulit berjalan Pembengkakan pada sendi kaki Nafsu makan menurun Bloat Perut Kembung Susah buang air besar A A luka pada salah satu bagian tubuh Perancangan Sistem Sistem CBR yang dibangun digunakan oleh Peternak Sapi sebagai Pengguna dan Pakar/Dokter Penyakit Sapi sebagai Admin.
Flowchart rancangan sistem terdapat pada Gambar 1.
Flowchart Perancangan Sistem Gambar 1.
Sistem yang dibangun menerapkan tahapan CBR, sistem akan mengambil kasus yang paling mirip .
pada saat kasus baru muncul.
Tahap retrieve ini menggunakan Penerapan Case-Based Reasoning untuk Pendeteksian Penyakit Sapi dengan Algoritma Nayve Bayes Oleh : Clarissa E.
Amos Pah.
Derwin Rony Sina.
Ahmad Z.
Farhan JUKI : Jurnal Komputer dan Informatika Volume 6 Nomor 1 Mei 2024 e-ISSN : 2722-4368 indexing dengan Nayve Bayes untuk mendapatkan beberapa kasus yang paling mirip.
Selanjutnya dilakukan perhitungan similarity untuk melihat pertentase kemiripan kasus baru dengan kasus-kasus hasil klasifikasi Nayve Bayes.
Kasus yang paling mirip tersebut akan digunakan kembali .
untuk mendapatkan solusi yang tepat bagi kasus baru.
Apabila tidak ada kasus yang mirip atau kemiripan kurang dari 80%, maka kasus baru ini akan dipertimbangkan dan disesuaikan .
untuk dimasukkan ke tabel basis kasus sehingga dapat menjadi pengetahuan baru yang dapat digunakan untuk kasus baru selanjutnya .
Pengujian Sistem Pengujian sistem dilakukan dengan menggunakan K-Fold Cross Validation dengan K=8.
Masing-masing fold akan menghasilkan persentase similarity antara data uji dan data latih, yang kemudian dirata-ratakan.
Semakin tinggi persentase similarity, maka basis kasus semakin akurat dalam memberi diagnosis.
Case-Based Reasoning (CBR) CBR merupakan metode pemecahan masalah dengan menggunakan peran pengalaman Pengalaman masa lalu disimpan di tempat yang disebut Basis Kasus.
Salah satu aplikasi CBR untuk menyelesaikan masalahnya adalah bidang Kesehatan, yakni dengan mendiagnosis penyakit yang diderita pasien .
Awalnya, riwayat kasus .
umpulan gejala dan diagnosis yang diberikan yang sudah pernah terjad.
yang sudah divalidasi kebenarannya oleh Pakar/Dokter akan dikumpulkan dan dimasukkan ke dalam Basis Kasus, selanjutnya, riwayat ini akan digunakan untuk menjadi referensi diagnosis pada kasus baru mendatang.
Kasus baru yang sudah divalidasi, akan dimenjadi riwayat dan menambah pengetahuan pada basis kasus.
Semakin banyak variasi kasus, maka CBR akan memberikan solusi yang semakin akurat.
Menurut .
, tahap-tahap penyelesaian masalah berbasis CBR adalah sebagai berikut:
A Pengambilan kasus-kasus yang sesuai dari sebuah basis kasus/memori .
Basis kasus membutuhkan indexing untuk mengelompokkan kasus-kasus sesuai kesamaan fitur-fiturnya.
A Pemilihan kasus-kasus terbaik sesuai dengan kasus baru yang diinput .
A Pemilihan solusi berdasarkan kasus yang terpilih sebagai penyelesaian .
A Evaluasi penyelesaian .
untuk menyerap kasus baru yang sudah disolusikan ke dalam basis kasus dengan validasi oleh pakar.
A Penyimpanan hasil revise atau penambahan kasus baru untuk digunakan pada basis kasus yang akan menjadi pengalaman untuk kasus baru ke depan.
Nayve Bayes Metode Naive Bayes berasal dari hukum perkalian yang melibatkan probabilitas kondisional, di mana dua peristiwa dikatakan memiliki hubungan bersyarat jika peristiwa yang satu memiliki syarat untuk peristiwa yang lain.
Metode ini menghitung sekumpulan probabilitas dengan menjumlahkan frekuensi dan kombinasi nilai dari riwayat data yang diberikan.
Teorema Bayes mengasumsikan semua nilai atribut .
bersifat independen atau saling lepas .
Nayve Bayes didasarkan pada asumsi penyederhanaan bahwa nilai atribut secara kondisional saling bebas jika diberikan nilai output.
Dengan kata lain, diberikan nilai output, probabilitas mengamati secara bersama adalah produk dari probabilitas individu .
Persamaan Nayve Bayes dapat dilihat pada Persamaan .
P(X|Ci )P(Ci ) P(X|Ci ) P(Ci ) P(Ci |X) = .
Oci=1 P(X|Ci )P(Ci ) P(X) Keterangan:
P(C.
X) = Peluang hipotesis C jika terdapat atribut X .
robabilitas posterio.
P(X|C.
= Peluang atribut X terhadap terpilihnya hipotesis C P(C.
= Peluang hipotesis C .
robabilitas prio.
P(X) = Peluang atribut X yang muncul .
Penerapan Case-Based Reasoning untuk Pendeteksian Penyakit Sapi dengan Algoritma Nayve Bayes Oleh : Clarissa E.
Amos Pah.
Derwin Rony Sina.
Ahmad Z.
Farhan JUKI : Jurnal Komputer dan Informatika Volume 6 Nomor 1 Mei 2024 e-ISSN : 2722-4368 Similarity Metode kemiripan/similarity merepresentasikan nilai kedekatan didasarkan pada seberapa mirip kasus baru dan kasus lama.
Beberapa kasus baru dan kasus lama akan dibandingkan, nilai kemiripan dalam penelitian ini akan sama dengan 1 jika atributnya sama persis, tetapi 0 jika tidak.
Similarity dihitung dengan persamaan .
eEyeayeayeayeaye.
ycycyecyee = yu .
eEyeayeayeayeaye.
eIyeOyeNyeNyeIyeeyeIyeaye.
Keterangan:
ycIycA = Similarity Measure P = Kasus baru Q = Kasus yang tersimpan di basis kasus yu .
= Fungsi jumlah atribut yang sama yu .
= Fungsi jumlah atribut yang berbeda K-Fold Cross Validation Pada metode pengujian ini, data dibagi menjadi beberapa bagian yang disebut folds.
Banyaknya folds (K) ditentukan oleh penguji data.
Semua data dibagi sama rata ke semua fold sehingga setiap fold memiliki data berjumlah sama atau mendekati sama jika ada sisa bagi.
Saat pengujian pada salah satu fold, salah satu fold dipilih sebagai data uji, sedangkan sisa k-1-fold dijadikan data latih .
Gambar 2 menunjukkan ilustrasi K-Fold Cross Validation.
Gambar 2.
Ilustrasi K-Fold Cross Validation HASIL DAN PEMBAHASAN Hasil penelitian penerapan CaseAeBased Reasoning untuk pendeteksian penyakit sapi diperoleh sebagai berikut:
Retrive Untuk mengefisiensikan waktu dan memori dilakukan proses indexing menggunakan algoritma Nayve Bayes antara kasus lama dan kasus baru.
Setelah mendapat hasil indexing akan dilakukan perhitungan similarity menggunakan persamaan .
Sebagai contoh, terdapat kasus baru dengan A Nafsu makan menurun A Perut Kembung A Susah buang air besar A Bulu berdiri Dari contoh kasus diatas akan dihitung menggunakan algoritma Nayve Bayes dengan persamaan .
terhadap 96 kasus lama pada Basis Kasus dan menghasilkan indexing pada Tabel 4.
Tabel 4.
Hasil Indexing Nayve Bayes Gejala Kelas Kasus Nafsu makan menurun Malnutrisi Perut Kembung Penerapan Case-Based Reasoning untuk Pendeteksian Penyakit Sapi dengan Algoritma Nayve Bayes Oleh : Clarissa E.
Amos Pah.
Derwin Rony Sina.
Ahmad Z.
Farhan JUKI : Jurnal Komputer dan Informatika Volume 6 Nomor 1 Mei 2024 e-ISSN : 2722-4368 Gejala Susah buang air besar Nafsu makan menurun Perut Kembung Nafsu makan menurun Susah buang air besar Perut Kembung Susah buang air besar Nafsu makan menurun Perut Kembung Susah buang air besar Bulu berdiri Perut Kembung Susah buang air besar Bulu berdiri Nafsu makan menurun Kurus Bulu berdiri Nafsu makan menurun Susah buang air besar Bulu berdiri Kelas Kasus Malnutrisi Malnutrisi Malnutrisi Malnutrisi Malnutrisi Malnutrisi Malnutrisi Setelah didapat hasil indexing, selanjutnya dilakukan penghitungan similarity menggunakan Persamaan .
dan mendapatkan hasil seperti yang ditunjukkan pada Tabel 5.
Tabel 5.
Hasil Perhitungan Similarity Gejala Kelas Kasus Similarity Nafsu makan menurun Perut Kembung Malnutrisi Susah buang air besar Nafsu makan menurun Malnutrisi Perut Kembung Nafsu makan menurun Malnutrisi Susah buang air besar Perut Kembung Malnutrisi Susah buang air besar Nafsu makan menurun Perut Kembung Malnutrisi Susah buang air besar Bulu berdiri Perut Kembung Susah buang air besar Malnutrisi Bulu berdiri Nafsu makan menurun Kurus Malnutrisi Bulu berdiri Nafsu makan menurun Susah buang air besar Malnutrisi Bulu berdiri Penerapan Case-Based Reasoning untuk Pendeteksian Penyakit Sapi dengan Algoritma Nayve Bayes Oleh : Clarissa E.
Amos Pah.
Derwin Rony Sina.
Ahmad Z.
Farhan JUKI : Jurnal Komputer dan Informatika Volume 6 Nomor 1 Mei 2024 e-ISSN : 2722-4368 Dari hasil perhitungan similarity, kasus yang diinput memiliki nilai kemiripan tertinggi dengan kasus ke-5 dengan similarity 100%.
Pada sistem yang telah dibangun, tampilan penginputan kasus baru dapat dilihat pada Gambar 3, di mana pengguna akan menginput gejala-gejala yang terjadi sebagai kasus baru.
Gambar 3.
Tampilan Formulir Untuk Mendiagnosis Kasus Baru Gambar 4.
Tampilan Hasil Diagnosis Untuk Kasus yang Telah Diinput Beserta Solusi Penanganannya.
Reuse Setelah melewati tahap indexing serta perhitunggan similarity didapatkan bahwa kasus baru memiliki tingkat similarity tertinggi pada kasus ke-5, maka dari itu solusi yang di berikan merupakan penanganan pada penyakit Malnutrisi.
Contoh hasil reuse ditampilkan pada halaman Hasil Diagnosis yang terlihat pada Gambar 4.
Revise Tahap Revise merupakan tahap menelaah kembali kasus dan solusi yang diberikan oleh sistem.
Tahap ini dilakukan oleh Pakar/Dokter yang diset sebagai Admin pada sistem yang telah dibangun.
Jika hasil yang diberikan terhadap kasus baru memiliki nilai similarity di bawah 80%, pakar akan melakukan peninjauan kembali agar kasus itu layak di masukan ke basis kasus.
Gambar 5 menunjukkan riwayat konsultasi .
dan similarity-nya.
Gambar 6 merupakan tampilan detail konsultasi salah satu kasus yang memiliki nilai similarity di bawah 80% yang akan direvisi, terlihat tombol AuTambah ke Basis KasusAy untuk menambahkan kasus ini ke Basis Kasus.
Saat tambah ke basis kasus, pakar akan melakukan revisi, lalu dilanjutkan penyimpanan kasus baru ke Basis Kasus.
Penerapan Case-Based Reasoning untuk Pendeteksian Penyakit Sapi dengan Algoritma Nayve Bayes Oleh : Clarissa E.
Amos Pah.
Derwin Rony Sina.
Ahmad Z.
Farhan JUKI : Jurnal Komputer dan Informatika Volume 6 Nomor 1 Mei 2024 e-ISSN : 2722-4368 Gambar 5.
Tampilan Riwayat Konsultasi Gambar 6.
Detail Hasil Diagnosis Salah Satu Riwayat Konsultasi (Kasu.
Retain Proses retain dilakukan jika kasus baru mendapatkan nilai similarity lebih besar sama dengan 80%, yang artinya solusi dan diagnosis penyakit telah dilakukan dengan tepat, maka hasil kasus tersebut akan ditambahkan ke basis kasus.
Proses retain juga menyimpan kasus yang telah direvisi pakar pada tahap sebelumnya.
Hasil Pengujian Sistem Pengujian dilakukan dengan menggunakan K-Fold Cross Validation dengan K=8.
Proses pengujian dilakukan dengan memvalidasi data dengan membagi data tersebut menjadi kelompok data latih dan kelompok data uji, dengan tiap fold terdapat 12 data uji dan 84 data latih.
Hasil pengujian dapat dilihat pada Tabel 6.
Tabel 6.
Hasil Pengujian 8-Fold Cross Validation Fold Similarity Rata-rata waktu per-fold 0,081 detik 0,08 detik 0,074 detik 0,062 detik 0,07 detik 0,072 detik 0,074 detik 0,06 detik Penerapan Case-Based Reasoning untuk Pendeteksian Penyakit Sapi dengan Algoritma Nayve Bayes Oleh : Clarissa E.
Amos Pah.
Derwin Rony Sina.
Ahmad Z.
Farhan JUKI : Jurnal Komputer dan Informatika Volume 6 Nomor 1 Mei 2024 e-ISSN : 2722-4368 Fold Rata-rata Similarity Rata-rata waktu per-fold 0,071 detik Berdasarkan pengujian di atas, maka dapat dilihat tingkat similarity sistem paling rendah adalah 92% dan paling tinggi 100% dengan rata-rata similarity system mencapai 99%.
Dapat dilihat juga waktu pengujian sistem paling lama adalah 0,081 detik dan waktu paling cepat adalah 0,06 detik dengan rata-rata 0.
071 detik waktu pengujian.
KESIMPULAN
Berdasarkan hasil penelitian sistem penerapan CBR untuk pendeteksian penyakit sapi dengan algoritma Nayve Bayes, maka dapat disimpulkan bahwa sistem penerapan CBR untuk pendeteksian penyakit sapi dengan algoritma Nayve Bayes mampu malakukan tahap Retrieve.
Reuse.
Revise, dan Retain pada kasus baru yang ditambahkan guna mendiagnosis penyakit yang dialami sapi sehingga memudahkan peternak agar tidak harus menemui pakar untuk mengetahui penyakit pada sapinya.
Sistem ini telah diuji dengan menggunakan K-Fold Cross Validation pada 96 dataset dan dibagi menjadi 84 data latih dan 12 data uji menjadi 8 fold dan memperoleh rata-rata hasil similarity 99% dan waktu pengujian rata-rata 0,071 detik.
Sistem ini bermanfaat karena memudahkan peternak untuk dapat mengetahui penyakit sapi mereka lebih awal tanpa harus menemui pakar.
Peternak juga dapat melakukan penanganan penyakit yang diderita sapinya berdasarkan solusi penanganan yang diberikan oleh sistem.
DAFTAR PUSTAKA