Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal Jurnal Komtekinfo Journal of Information System and Education Development
Sajida, Mayang
Unknown Affiliation
Computer Science & IT Education Languange, Linguistic, Communication & Media Other

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Perancangan Sistem Pakar Dengan Metode Forward Chaining dan Certainty Factor Untuk Mendeteksi Penyakit Kelinci Sajida, Mayang; Yuhandri; Nurcahyo, Gunadi Widi
Jurnal KomtekInfo Vol. 11 No. 3 (2024): Komtekinfo
Publisher : Universitas Putra Indonesia YPTK Padang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35134/komtekinfo.v11i3.546

Abstract

Pada era teknologi saat ini pemanfaatan kecerdasan buatan atau Artificial Intelligence telah meluas ke berbagai bidang kehidupan manusia. Kecerdasan buatan memiliki cakupan yang sangat luas dan mencakup berbagai aplikasi salah satunya adalah sistem pakar. Sistem pakar merupakan salah satu cabang dari Artificial Intelligence yang dirancang untuk meniru kemampuan dan pengetahuan seorang pakar dalam suatu bidang tertentu yang mempunyai tujuan untuk membuat keputusan yang tepat dan berbasis pengetahuan tersebut. Konteks dunia medis khususnya dalam diagnosis penyakit pada hewan, sistem pakar dapat dimanfaatkan untuk mendiagnosis berbagai penyakit berdasarkan gejala-gejala yang dialami oleh kelinci. Sistem ini dirancang untuk mengidentifikasi 6 jenis penyakit seperti Scabies, Gastroenteritis, Radang Telinga, Radang Mata, Hipocalcium dan Pneumonia, melalui analisis terhadap 24 gejala yang terkait. Penelitian ini bertujuan untuk merancang dan mengembangkan sebuah sistem pakar yang menggunakan metode Forward Chaining (FC) dan Certainty Factor (CF) sebagai teknik utama dalam mendeteksi penyakit pada kelinci. Penelitian ini mengembangkan sistem pakar berbasis online yang dirancang khusus untuk membantu para pemilik kelinci dalam proses diagnosis penyakit yang mungkin diderita oleh kelinci mereka. Sistem ini dibangun dengan tujuan untuk memberikan tingkat kepastian yang tinggi pada hasil diagnosis yang berkaitan dengan penyakit berbahaya pada kelinci. Indikator diagnosis didasari oleh gejala yang didapatkan berdasarkan riwayat diagnosis serta nilai probabilitas mengacu kepada nilai yang diberikan oleh pakar. Berdasarkan pengujian kinerja metode CF dan FC dalam diagnosis mendapatkan tingkat akurasi sebesar 90% berdasarkan data uji. Dengan akurasi tersebut, maka penelitian ini dapat dikatakan berhasil dalam melakukan deteksi penyakit pada kelinci.
Klasifikasi Jenis Daun Herbal Klasifikasi Jenis Daun Herbal Menggunakan Metode Logistic Regression dan Decision Tree Classifier Berdasarkan Fitur (Warna dan Bentuk) Honestya, Gabriela; Sajida, Mayang; Ramadhanu, Agung
Journal of Information System and Education Development Vol. 2 No. 1 (2024): Journal of Information System and Education Development
Publisher : Manna wa Salwa Foundation (Yayasan Manna wa Salwa)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62386/jised.v2i1.59

Abstract

Penelitian ini membandingkan metode klasifikasi citra daun herbal menggunakan Logistic Regression dan Decision Tree Classifier. Ekstraksi fitur dilakukan berdasarkan warna (HSV), dan bentuk (eksentrisitas dan metrik). Fitur yang digunakan untuk mengenali jenis daun meliputi bentuk, warna, dan tekstur. Tidak semua jenis fitur perlu digunakan untuk melakukan komputasi hasil ektraksi, namun perlu diseleksi beberapa fitur yang paling berpengarauh dalam sistem temu kembali citra daun. Analisis keterkaitan korelasi antar fitur melalui seleksi fitur juga dikombinasikan dengan penggunaan kedekatan dalam menghitung similaritas pada sistem temu kembali. Dari data uji sebanyak 40 buah dan 3 jenis klasifikasi daun herbal (anggur, Ketapang, dan pisang) diperoleh keberhasilan pengujian sebanyak 37 data dengan tingkat akurasi yang layak. Hasil Berdasarkan hasil pengujian menggunakan 40 sampel citra daun, dimana masing-masing jenis daun digunakan 4 sampai 6 sampel citra, memberikan persentase keberhasilan dalam identifikasi sebesar 80,93%.
Co-Authors Gunadi Widi Nurcahyo Honestya, Gabriela Ramadhanu, Agung Yuhandri