PENALARAN BERBASIS KASUS UNTUK DIAGNOSA PENYAKIT BUSUK BUAH PADA TANAMAN KAKAO DENGAN MENGGUNAKAN ALGORITMA BAYESIAN Achmad Lukman Teknik Komputer, STMIK EL RAHMA Yogyakarta e-mail: [email protected], Abstract Bayesian algorithm is one of the techniques used for classification. In this research, the base case will be made for diagnosis of fruit rot disease on cocoa crop is by grading the existing case by using Bayesian algorithm that will produce the output of diagnostic information probability value percentage rotten fruit of the base case existing case. Bayesian algorithms are used to retrieve stage Bayesian algorithm that is expected to be used to complete the diagnosis permsalahan fruit rot disease on cocoa Keywords— Bayesian algorithms, case-based reasoning, fruit rot disease PENDAHULUAN Pada akhir abad ke-18, Kakao sudah ditanam di pekarangan-pekarangan di Minahasa. Namun kakao baru dijadikan sebagai tanaman perkebunan besar pada tahun 1880 di Jawa Tengah [1]. Saat ini, Indonesia adalah negara penghasil terbesar ke-3 kakao dunia atau setara 15% dari total produksi kakao dunia. Kakao yang berasal dari Indonesia bisa diakui dipasaran dunia karena adanya kualitas yang diukur dari titik leleh bubuk coklatnya yang tinggi. Pengetahuan tentang gejala-gejala penyakit busuk buah dan cara pengendalian yang disarankan untuk tanaman kakao merupakan pengetahuan yang tidak hanya dapat disimpan di dalam memori atau ingatan seorang ahli saja. Salah satu cara yang digunakan untuk menyimpan informasi tersebut adalah dengan menggunakan Penalaran Berbasis Kasus (PBK). Pada sistem penalaran berbasis kasus, basis pengetahuannya berupa kasus-kasus yang pernah terjadi dimasa lampau dengan mengidentifikasi penyakit berdasarkan gejala- gejala yang dialami dan basis pengetahuan telah tersimpan. Kasus-kasus dapat diperoleh dari pengalaman seorang pakar di bidang pertanian khususnya tanaman kakao. Solusi permasalahan diperoleh dari penelusuran kasus-kasus yang tersimpan berdasarkan kasus yang pernah terjadi sebelumnya dan dicari yang paling mirip kemudian mengadaptasikanya sesuai dengan kasus yang diberikan (kasus baru). . METODE PENELITIAN Metode penelitian diawali dengan analisis dan perancangan sistem untuk menyelesaikan kasus busuk buah, berikut adalah urutan analisis dan perancangan : 2.1 Analisis Kebutuhan Sistem Analisis kebutuhan sistem akan diuraikan kedalam analisis kebutuhan fungsional dan analisis kebutuhan non fungsional[2]. 2.1.1 Analisis Kebutuhan Data Data yang dibutuhkan pada aplikasi penalaran berbasis kasus untuk diagnosa penyakit busuk buah pada tanaman kakao. 1. Data kasus terdiri dari nomor urut kasus, gejala-gejala berupa umur buah, bercak coklat, spora, dan kelembaban udara, dan diagnosa busuk buah. 2. Data cara pengendalian yang harus dilakukan jika ter diagnosa busuk buah.
16
Embed
PENALARAN BERBASIS KASUS UNTUK DIAGNOSA …jurnal.stmikelrahma.ac.id/assets/file/Achmad Lukman-28-stmikelrahma... · data basis kasus terdapat 2 class yang terbentuk untuk hasil diagnosa
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
PENALARAN BERBASIS KASUS UNTUK DIAGNOSA PENYAKIT BUSUK BUAH PADA TANAMAN KAKAO DENGAN
MENGGUNAKAN ALGORITMA BAYESIAN
Achmad Lukman
Teknik Komputer, STMIK EL RAHMA Yogyakarta e-mail: [email protected],
Abstract
Bayesian algorithm is one of the techniques used for classification. In this research, the base case will be made for diagnosis of fruit rot disease on cocoa crop is by grading the existing case by using Bayesian algorithm that will produce the output of diagnostic information probability value percentage rotten fruit of the base case existing case. Bayesian algorithms are used to retrieve stage Bayesian algorithm that is expected to be used to complete the diagnosis permsalahan fruit rot disease on cocoa Keywords— Bayesian algorithms, case-based reasoning, fruit rot disease PENDAHULUAN
Pada akhir abad ke-18, Kakao sudah ditanam di pekarangan-pekarangan di Minahasa. Namun kakao baru dijadikan sebagai tanaman perkebunan besar pada tahun 1880 di Jawa Tengah [1]. Saat ini, Indonesia adalah negara penghasil terbesar ke-3 kakao dunia atau setara 15% dari total produksi kakao dunia. Kakao yang berasal dari Indonesia bisa diakui dipasaran dunia karena adanya kualitas yang diukur dari titik leleh bubuk coklatnya yang tinggi.
Pengetahuan tentang gejala-gejala penyakit busuk buah dan cara pengendalian yang disarankan untuk tanaman kakao merupakan pengetahuan yang tidak hanya dapat disimpan di dalam memori atau ingatan seorang ahli saja. Salah satu cara yang digunakan untuk menyimpan informasi tersebut adalah dengan menggunakan Penalaran Berbasis Kasus (PBK).
Pada sistem penalaran berbasis kasus, basis pengetahuannya berupa kasus-kasus yang pernah terjadi dimasa lampau dengan mengidentifikasi penyakit berdasarkan gejala-gejala yang dialami dan basis pengetahuan telah tersimpan. Kasus-kasus dapat diperoleh dari pengalaman seorang pakar di bidang pertanian khususnya tanaman kakao. Solusi permasalahan diperoleh dari penelusuran kasus-kasus yang tersimpan berdasarkan kasus yang pernah terjadi sebelumnya dan dicari yang paling mirip kemudian mengadaptasikanya sesuai dengan kasus yang diberikan (kasus baru).
. METODE PENELITIAN Metode penelitian diawali dengan analisis dan perancangan sistem untuk menyelesaikan kasus busuk buah, berikut adalah urutan analisis dan perancangan : 2.1 Analisis Kebutuhan Sistem
Analisis kebutuhan sistem akan diuraikan kedalam analisis kebutuhan fungsional dan analisis kebutuhan non fungsional[2]. 2.1.1 Analisis Kebutuhan Data
Data yang dibutuhkan pada aplikasi penalaran berbasis kasus untuk diagnosa penyakit busuk buah pada tanaman kakao. 1. Data kasus terdiri dari nomor urut kasus, gejala-gejala berupa umur buah, bercak
coklat, spora, dan kelembaban udara, dan diagnosa busuk buah. 2. Data cara pengendalian yang harus dilakukan jika ter diagnosa busuk buah.
2.1.2 Analisis Kebutuhan Fungsional Fasislitas-fasilitas akses yang ada pada aplikasi penalaran berbasis kasus untuk
mendiagnosa penyakit busuk buah pada tanaman kakao dengan menggunakan algoritma bayesian terdiri dari halaman pakar, halaman pengendalian, dan halaman konsultasi. 1. Halaman ‘Data dari Pakar’
a. Pada halaman ini, pakar dapat memasukkan data-data kasus berupa nomor urut kasus, data-data gejala, dan data diagnosa busuk buah.
b. Pakar bisa melakukan manipulasi terhadap data-data yang telah dimasukkan yaitu berupa menambah data kasus, mengubah data kasus, dan menghapus data kasus.
2. Halaman ‘Pengendalian Penyakit’ a. Halaman ‘Pengendalian Penyakit’ ini adalah halaman untuk menginputkan data cara
pengendalian yang dapat dilakukan jika terdiagnosa penyakit busuk buah. b. Pakar juga bisa melakukan manipulasi data terhadap data cara pengendalian yaitu
berupa menambah data baru, mengubah data yang sudah ada, dan menghapus data yang sudah ada.
3. Halaman ‘Konsultasi’ Pada halaman ini dapat dilakukan pendiagnosaan penyakit busuk buah dengan
menginputkan data gejala umur buah, bercak coklat, spora, dan kelembaban udara. Setelah memberikan data gejala dan melakukan pemrosesan, makan akan mendapatkan output berupa hasil diagnosa penyakit busuk buah beserta nilai probabilitas.
2.1.3 Analisis Kebutuhan Non Fungsional Kebutuhan non fungsional terdiri dari kebutuhan perangkat keras dan kebutuhan
perangkat lunak yang digunakan dalam membuat aplikasi penalaran berbasis kasus untuk mendiagnosa penyakit busuk buah pada tanaman kakao dengan menggunakan algoritma bayesian. 2.1.3.1 Kebutuhan Perangkat Lunak
Spesifikasi perangkat lunak yang digunakan adalah: 1. Database MySQL. 2. Bahasa pemrograman Visual Basic 6.0. 3. Sistem operasi Windows7.
2.1.3.2 Kebutuhan Perangkat Keras Spesifikasi perangkat keras yang digunakan adalah: 1. Processor Core2Duo. 2. RAM 2 GB. 3. Hard disk 60 GB.
2.2 Flowchart Sistem
Flowchart sistem yang terdapat pada Gambar 1 menjelaskan bahwa terjadi penginputan data untuk data gejala, data busuk buah dan data pengendalian yang dilakukan oleh pakar. Data gejala dan data busuk buah di simpan pada data storage yang bernama gejala. Sedangkan untuk data pengendalian di simpan pada data storage pengendalian. Kemudian user menginputkan data gejala dan terjadi proses konsultasi yang menghasilkan output diagnosa busuk buah dan nilai probabilitas.
3
Gambar 1. Flowchart Sistem Penalaran Berbasis Kasus untuk
Diagnosa Busuk Buah
2.3 Teknik Penalaran Komputer Berbasis Kasus Pada teknik penalaran komputer berbasis kasus untuk mendiagnosa penyakit busuk
buah pada tanaman kakao meliputi tahap representasi kasus, tahap penelusuran (retrieve menggunakan algoritma bayesian), tahap diagnosa (identifikasi), dan tahap pencocokan [3]. 2.3.1 Representasi Kasus
Dicontohkan representasi basis kasus pada Tabel 1 berikut ini [4]. Terdapat 10 kasus yang sudah berada pada basis data, data kasus.
IJCCS Vol. x, No. x, July 20
Uraian dari kode data gejala yang terdapat pada tabel 3.1 yaitu :1. Gejala umur buah : muda, sedang, masak2. Gejala bercak coklat : ada, tidak3. Gejala spora : ada, tidak4. Gejala kelembaban udara : kurang, sedang, tinggi
2.3.2 Penelusuran Kasus (Retrieve
Pada tahap indexing akan digunakan algoritma data basis kasus terdapat 2 class yang terbentuk untuk hasil diagnosa penyakit busuk buah pada tanaman kakao, yaitu :
C1 = Ya (Busuk Buah)C2 = Tidak (Tidak Busuk Buah)
Misal terdapat data baru yang berupa :X = ( 1 = “masak”, 2 = “tidak”, 3 = “ada”, 4 = “tinggi”)
Maka penyelesaiannya dengan menggunakan rumusan persamaan algoritma bayesian adalah: Langkah 1
Menghitung P(C1), P(CP(C1) : Ya P(C2) : Tidak
1
1 S
CCP
2
2 S
CCP
Langkah 2 Berdasar dari kasus X, menghitung P(xDimana x1 : 1 = masak
x2 : 2 = tidakx3 : 3 = ada x4 : 4 = tinggi
201x : first_page – end_page
Tabel 1. Representasi Basis Kasus
Uraian dari kode data gejala yang terdapat pada tabel 3.1 yaitu :Gejala umur buah : muda, sedang, masak Gejala bercak coklat : ada, tidak Gejala spora : ada, tidak Gejala kelembaban udara : kurang, sedang, tinggi
Retrieve) Pada tahap indexing akan digunakan algoritma Bayesian [5]. Dari Table
data basis kasus terdapat 2 class yang terbentuk untuk hasil diagnosa penyakit busuk buah
C1 = Ya (Busuk Buah) C2 = Tidak (Tidak Busuk Buah)
Misal terdapat data baru yang berupa : X = ( 1 = “masak”, 2 = “tidak”, 3 = “ada”, 4 = “tinggi”)
Maka penyelesaiannya dengan menggunakan rumusan persamaan algoritma bayesian
), P(C2), P(C3), dan P(C4)
: Tidak
6.010
6
4.010
4
Berdasar dari kasus X, menghitung P(xi|C1), P(xi|C2), i=1,2,3,4,5. : 1 = masak : 2 = tidak
: 4 = tinggi
Uraian dari kode data gejala yang terdapat pada tabel 3.1 yaitu :
Table 1 representasi data basis kasus terdapat 2 class yang terbentuk untuk hasil diagnosa penyakit busuk buah
Maka penyelesaiannya dengan menggunakan rumusan persamaan algoritma bayesian
5
Perhitungan berdasarkan kelompok class Ya
33.06
2| 11 CXP
167.06
1| 12 CXP
5.06
3| 13 CXP
167.06
1| 14 CXP
Perhitungan berdasarkan kelompok class Tidak
25.04
1| 21 CXP
14
4| 22 CXP
75.04
3| 23 CXP
5.04
2| 24 CXP
Langkah 3
Menghitung 3,2,1,||4
1 iCXPCXP
j iji
1. Busuk Buah = “Ya” = 0.33 X 0.167 X 0.5 X 0.167 = 0.0046
2. Busuk Buah = “Tidak” = 0.25 X 1 X 0.75 X 0.5 = 0.093
Langkah 4 Perhitungan dan pemilihan nilai yang terbesar dari P(X|Ci)P(Ci), i=1,2,3 1. Busuk Buah = “Ya”
P(X|C1)P(C1) = 0.0046 X 0.6 = 0.00276
2. Busuk Buah = “Tidak” P(X|C2)P(C2) = 0.093 X 0.4
= 0.0372 P(X|C1)P(C1) < P(X|C2)P(C2)
Dari perhitungan dengan menggunakan rumus algoritma bayesian dihasilkan bahwa dengan data kasus baru, yaitu : X = ( 1 = “masak”, 2 = “tidak”, 3 = “ada”, 4 = “tinggi”) dihasilkan nilai maksimum dari class : Busuk Buah “Tidak” dengan nilai probabilitas 0.0372.
2.3.3 Identifikasi Tahapan identifikasi merupakan tahap dimana user memasukkan data gejala yang
dihadapi, gejala yang dihadapi adalah umur buah, bercak coklat, spora, dan kelembaban udara. 2.3.4 Pencocokan
Tahapan pencocokan merupakan tahapan dilakukannya pencocokan dari data kasus yang baru terhadap kasus yang berada dalam basis kasus yang telah berada di data base. Dilakukan perhitungan probabilitas yang terdapat pada tahap retrieve. Nilai probabilitas yang diperoleh akan menjadi output yang bisa dilihat user. Hasil pencocokan akan menghasilkan ‘ya’ busuk buah atau ‘tidak’ busuk buah, nilai probabilitas akan tetap menjadi output untuk user.
2.4 Perancangan Basis Data (Database)
Pada pembuatan aplikasi penalaran berbasis kasus untuk diagnosa penyakit busuk buah membutuhkan 2 tabel yaitu tbl_gejala dan tbl_pengendalian. a. tbl_gejala
Tabel gejala digunakan untuk menyimpan data representasi kasus berupa nomor kasus, gejala-gejala (umur buah, bercak coklat, spora, dan kelembaban udara), dan busuk buah. Uraian tabel gejala dapat dilihat pada Tabel 2 berikut ini.
Tabel 2. Tabel tbl_gejala
No Field Data Type
Range Explanation
1 nomor (PK) int 11 primary key untuk menyimpan nomor kasus
2 umurbuah varchar 20 untuk menyimpan data gejala umur buah
3 bercakcoklat varchar 20 untuk menyimpan data gejala bercak coklat
4 spora varchar 20 untuk menyimpan data gejala spora
5 udaralembab varchar 20 untuk menyimpan data gejala kelembaban udara
6 bbuah varchar 20 untuk menyimpan hasil diagnosa busuk buah
7 cek int 10 melakukan cek terhadap pilihan gejala dan busuk buah
b. tbl_pengendalian Tabel tbl_pengendalian digunakan untuk menyimpan data cara pengendalian yang direkomendasikan untuk dilakukan jika terdiagnosa busuk buah. Uraian tabel tbl_pengendalian dapat dilihat pada Tabel 3.
Tabel 3. tabel tbl_pengendalian
No Field Data Type
Range Explanation
1 nomor (PK) int 5 primary key untuk menyimpan nomor pengendalian
2 pengendalian text no untuk menyimpan uraian cara pengendalian penyakit busuk buah
2.5 Perancangan Antarmuka Pengguna (User Interface)
2.5.1 Perancangan Antarmuka Form Depan Form depan merupakan form tampilan utama pada aplikasi sistem
7
penalaran berbasis kasus untuk mendiagnosa penyakit busuk buah pada tanaman kakao dengan menggunakan algoritma bayesian.
Terdapat 4 tombol operasi pada form depan yaitu tombol data dari pakar, tombol pengendalian penyakit, tombol konsultasi, dan tombol keluar. Perancangan form depan dapat dilihat pada Gambar 2.
Gambar 2. Perancangan Form Depan
2.5.2 Perancangan Antarmuka Form Data dari Pakar
Form data dari pakar akan digunakan oleh pakar untuk menginputkan data gejala-gejala dan busuk buah sehingga menjadi data representasi kasus yang menjadi basis kasus. Perancangan form data dari pakar dapat dilihat pada Gambar 3.
Gambar 3. Perancangan Form Data dari Pakar
2.5.3 Perancangan Antarmuka Form Cara Pengendalian
Perancangan antarmuka form cara pengendalian dibuat untuk menginputkan data cara pengendalian yang harus dilakukan jika terdiagnosa busuk buah. Perancangan antarmuka form cara pengendalian diperlihatkan pada Gambar 4.
Perancangan form konsultasi merupakan form aplikasi yang akan digunakan untuk melakukan konsultasi oleh user dengan cara memberikan masukan berupa gejala-gejala yang dihadapi sehingga sistem akan melakukan proses retrieve dan pencocokan terhadap basis kasus sehingga hasil diagnosa dapat dihasilkan. Perancangan form konsultasi dapat dilihat pada Gambar 5.
Gambar 5. Perancangan Form Konsultasi
4.1 Implementasi Form Depan
Form depan terdapat 3 (tiga) tombol operasi yaitu: 1. Tombol data dari pakar
Tombol data dari pakar digunakan untuk menginputkan data gejala dan data busuk buah sehingga menjadi representasi kasus.
9
2. Tombol pengendalian penyakit Digunakan untuk melakukan penginputan data cara pengendalian terhadap penyakit busuk buah pada tanaman kakao.
3. Tombol konsultasi Digunakan untuk melakukan konsultasi dengan memberikan inputan berupa gejala-gejala yang dialami. Implementasi dari Gambar 2 dapat dilihat pada Gambar 6.
Gambar 6. Implementasi Form Depan
4.2 Implementasi Form Data dari Pakar`
Implemetasi yang dapat dilihat pada Gambar 7 merupakan hasil implementasi dari perancangan form data dari pakar yang terdapat pada Gambar 3.
Form data dari pakar digunakan untuk menginputkan data nomor kasus, data-data gejala dan data keputusan bususk buah atau tidak. Terdapat 4 tombol operasi yaitu tombol simpan, ubah, hapus, dan batal. Data yang diinputkan akan menjadi representasi kasus. Representasi kasus yang baru dapat disimpan, jika mau melakukan proses perubahan data maka dapat menggunakan tombol ubah, jika mau menghapus data representasi kasus maka akan menggunakan tombol hapus. Tombol batal digunakan untuk membatalkan aktifitas pada saat pemilihan data sudah dilakukan.
Form pengendalian penyakit sudah diimplementasikan pada Gambar 8, merupakan implementasi dari perancangan form pengendalian penyakit yang terdapat pada Gambar 4.
Implementasi dari form pengendalian penyakit digunakan untuk melakukan proses input data baru, ubah data yang sudah data, menghapus data yang sudah ada untuk data cara pengendalian penyakit terhadap diagnosa penyakit busuk buah pada tanaman kakao.
11
Gambar 9. Implemetasi Form Pengendalian Penyakit
4.4 Implementasi Form Konsultasi
Implementasi form konsultasi merupakan implementasi dari perancangan form konsultasi pada Gambar 5, dapat dilihat pada Gambar 10.
Dengan memberikan inputan berupa gejala umur buah, bercak coklat, spora, dan kelembaban udara kemudian memilih tombol proses untuk di klik, maka akan tampil hasil diagnosa terdeteksi busuk buah atau tidak serta akan ditampilkan cara pengendalian yang direkomendasikan dan nilai probabilitas yang dihasilkan dari proses penelusuran (retrieve) dengan menggunakan algoritma bayesian.
Pada gambar 4.4 terlihat hasil diagnosa adalah ‘ya’ dengan nilai probabilitas 0.38,
contoh inputan data untuk kasus baru mengacu pada contoh perhitungan dengan menggunakan algoritma bayesian yang berada pada bab 3 point 3.3.2. Pada Gambar 11 merupakan contoh masukan data kasus baru yang menghasilkan diagnosa ‘tidak’ dan memberikan nilai probabilitas serta tidak menampilkan cara pengendalian yang direkomendasikan karena terdiagnosa tidak terdeteksi penyakit busuk buah.
13
Gambar 11. Implementasi Form Konsultasi2
HASIL DAN PEMBAHASAN Pada tahap penelusuran akan digunakan algoritma bayesian. Dari Tabel 1 representasi
data basis kasus terdapat 2 class yang terbentuk untuk hasil diagnosa penyakit busuk buah pada tanaman kakao [7], yaitu:
C1 = Ya (Busuk Buah) C2 = Tidak (Tidak Busuk Buah)
Misal terdapat data baru yang berupa:
X = ( 1 = “masak”, 2 = “tidak”, 3 = “ada”, 4 = “tinggi”) Maka penyelesaiannya dengan menggunakan rumusan persamaan algoritma bayesian
adalah: Langkah 1
Menghitung P(C1), P(C2), P(C3), dan P(C4) P(C1) : Ya P(C2) : Tidak
Langkah 2 Berdasar dari kasus X, menghitung P(xi|C1), P(xi|C2), i=1,2,3,4,5. Dimana x1 : 1 = masak
x2 : 2 = tidak x3 : 3 = ada x4 : 4 = tinggi
Perhitungan berdasarkan kelompok class Ya
33.06
2| 11 CXP
167.06
1| 12 CXP
5.06
3| 13 CXP
167.06
1| 14 CXP
Perhitungan berdasarkan kelompok class Tidak
25.04
1| 21 CXP
14
4| 22 CXP
75.04
3| 23 CXP
5.04
2| 24 CXP
Langkah 3
Menghitung 3,2,1,||4
1 iCXPCXP
j iji
3. Busuk Buah = “Ya” = 0.33 X 0.167 X 0.5 X 0.167 = 0.0046
4. Busuk Buah = “Tidak” = 0.25 X 1 X 0.75 X 0.5 = 0.093
Langkah 4 Perhitungan dan pemilihan nilai yang terbesar dari P(X|Ci)P(Ci), i=1,2,3 3. Busuk Buah = “Ya”
P(X|C1)P(C1) = 0.0046 X 0.6 = 0.00276
4. Busuk Buah = “Tidak” P(X|C2)P(C2) = 0.093 X 0.4
= 0.0372
15
P(X|C1)P(C1) < P(X|C2)P(C2) Dari perhitungan dengan menggunakan rumus algoritma bayesian dihasilkan bahwa
dengan data kasus baru, yaitu: X = ( 1 = “masak”, 2 = “tidak”, 3 = “ada”, 4 = “tinggi”) dihasilkan nilai maksimum dari class : Busuk Buah “Tidak” dengan nilai probabilitas 0.0372.
KESIMPULAN
Kesimpulan yang dapat diuraikan dari pembahasan yaitu algoritma bayesian dapat digunakan untuk menyelesaikan permasalahan untuk diagnosa penyakit busuk buah pada tanaman kakao. Proses retrieve dengan menggunakan algoritma Bayesian menghasilkan 0.0372 untuk kasus baru berupa gejala 1 = masak, gejala 2 = tidak, gejala 3 = ada, dan gejala 4 = tinggi. SARAN
Saran yang disampaikan oleh peneliti adalah untuk melakukan diagnosa busuk buah, algoritma bayesian dapat digabungkan dengan metode yang lain dengan tujuan hasil persentasi retrieve kasus menjadi lebih baik. DAFTAR PUSTAKA [1] Semangun, H. 2000. Penyakit-Penyakit Tanaman Perkebunan di Indonesia. Gadjah Mada
University Press. Yogjakarta. [2] Jogiyanto, 2000, Analisis dan Desain Sistem Informasi, ANDI Offset, Yogyakarta. [3] Kusrini, Emha Taufiq Luthfi, 2009, Algoritma Data Mining, Andi Offset, Yogyakarta. [4] Kusrini and Hartati, S, Penggunaan Penalaran berbasis Kasus Untuk membangun Basis
Pengetahuan dalam Sistem Diagnosa Penyakit, http://dosen.amikom.ac.id/downloads/artikel/full_paper_sriti_kusrini.pdf , diakses pada tanggal 17 maret 2010.
[5] Pal, Sankar.K, Simon K.C. Shiu, 2004, Foundations of Soft Case-Based Reasoning, John
Wiley & Sons, Inc., Hoboken, New Jersey, Canada. [6] Fatta, Hanif Al, 2007, Analisis & Perancangan Sistem Informasi untuk Keunggulan
Bersaing Perusahaan & Organisasi Modern, Andi Offset, Yogyakarta. [7] Seniwati, Erni, Ferry W.W, 2012, Comparison of Nutritional Status Data Calculation
Between K-Nearest Neighbour and Bayesian Algorithms, Proceeding Vol.5, ISSN:1978-774X, International Seminar on Industrial Engineering and Management (ISIEM), Manado, Indonesia.
[8] Sri dan Sukamto, 1998, Pengendalian Penyakit Utama Tanaman Kakao, Warta Pusat
Penelitian Kopi dan Kakao 14(3), 271-276. [9] Watson, I., 1997, Applying Case-Based Reasoning, Technique for Enterprise Systems,