Fiction Short Story

THE FIRST MONKEY

Many years ago, there was a king and queen who lived in Mindanao. They were not liked by their people. The king was cruel and the queen was greedy.
Legenda Monyet Pertama

The king collected a lot of money from his people and gave it to the queen. The queen bought expensive food, wine and clothes from all over the world and kept them in the palace.
Legenda Monyet Pertama

One day, the king gave a party in the palace garden. There were six tables placed in the shade of some tall trees. Next to the trees, there was a large pond with goldfish in it.
Legenda Monyet Pertama

Soon the guests arrived and everybody started eating and enjoying themselves. Suddenly, an old woman entered the garden. No one knew where she came from. She approached each table and begged for food. No one gave her any and the king told his guest to chase her away.
Legenda Monyet Pertama

“Your Majesty, please have pity on me! I am an old woman. I haven’t eaten any food for several days.”

The queen, who was sitting next to the king became angry. “Go away, old woman!” she shouted. “Who asked you to come here? This party is for rich and important people.”
Legenda Monyet Pertama

The king roared with laughter. He banged the table with spoon.

“Chase her away!” he cried. Everyone started beating her with their spoon. They chased the poor old woman all over the palace garden, suddenly, there was a great crash of thunder and a bright flash lightning. The old woman changed into a beautiful girl.
Legenda Monyet Pertama

“You are not human beings,” she said “You are all so cruel. None of you wanted to help me. Because of this, I shall changed you into monkeys.”
Legenda Monyet Pertama

She clapped her hands. Immediately, the spoon turned into tails and fixed themselves on the backs of the king, queen and their guests. The beautiful clothes which they were wearing turned into long hair. Their fingers and toes grew longer. When they tried to speak, they could chatter only like monkeys.
Legenda Monyet Pertama

They ran back to the palace but the king’s guards chased them away, and threw stones at them. “Go away, you dirty little things!” the guards shouted. “This is the king’ palace.
Legenda Monyet Pertama

As they had nowhere to go. They hid in the forest and hills where they have ever since.

Sumber:

http://englishstory12.blogspot.com/2012/06/narrative-teks-first-monkey.html

The tenses: simple past tense

Active and Passive Voice

1. Active Voice: The king collected a lot of money from his people and gave it to the queen
2. Passive Voice: The queen was given a lot of money that has been collected by the king from his people

CARA MUDAH MEMAHAMI GERUND DAN INFINITIVE

Pronouns

Subject Pronouns 

Kata ganti subjek. I, you, he, she, it, we, they, and who.

• I love my family
• She went to Africa last month

Complement Pronouns

Kata ganti objek. Me, you, us, them, her, him, it.

• It was him!
• I saw her last night.

Possessive Adjectives

Kata ganti kepunyaan pada posisi subjek. My, your, his, her, its, our, their, and whose.

• Your glassess is on top of your head.
• My mother went to California yesterday.

Possessive Pronouns

Kata ganti kepunyaan pada posisi objek. “mine,” “yours,” “his,” “hers,” “ours,” and “theirs.”

• That mug is mine!
• The bag on the table is hers!

Reflexive Pronouns

Kata ganti yang mencerminkan yang tindakan yangdilakukan oleh subjek sendiri. Myself, yourself, herself, himself, itself, ourselves, yourselves, and themselves.

• We did the homework by ourselves.
• I went home by myself last night.

Demonstrative Pronouns

Kata ganti yang menunjukkan objek yang dimaksud. This, that, these, and those.

• That photobook is mine!
• Those books are really dirty!

Relative Pronouns

Kata ganti penjelasan. Which, that, who, whom, whose, and where are

• She is the one who kill Mr. Goldick!
• The one that Ms. Stimpy choose is Belzek

Interrogative Pronouns

Kata ganti yang digunakan untuk menanyakan 5W + 1H, yakni apa, siapa, dimana, kapan, dan bagaimana. Who, which, what, where, when, and how.

• Who eat my noodles?
• Where did you go last night?

Reciprocal Pronouns

Kata ganti yang mengungkapkan balasan yang dilakukan satu sama lain. Each other and one another.

• They like one another.

Sumber : https://www.grammar-monster.com/lessons/pronouns_different_types.htm

Metode Audit dan Teknik untuk Operasi

Bab 16

Metode Audit dan Teknik untuk Operasi

 Bab 16 membahas metode dan teknik audit yang digunakan dalam peninjauan operasi. Pembahasan pertama adalah audit kontinjensi dan pemulihan bencana. Bagian ini membahas langkah-langkah utama yang harus dicari auditor dalam rencana tersebut. Pembahasan kedua adalah mengaudit pemulihan DBMS. Prosedur yang sesuai harus diikuti untuk memulihkan, memvalidasi sehingga sistem tidak crash. Pembahasan ketiga yang ditinjau adalah komunikasi data. Area terakhir yang dicakup adalah end-user computing (EUC).

1.      Audit Kontinjensi dan Perencanaan Pemulihan Bencana

Audit rencana kontinjensi dan pemulihan bencana adalah pemeriksaan bagi manajemen dan staf untuk membantu mereka mempertahankan rencana yang realistis dapat berjalan. Alat ini penting untuk bisnis karena dapat membantu bisnis untuk tetap bertahan hidup setelah mengalami kejadian yang mengganggu operasi bisnis normal.  Bisnis dapat bertahan apabila  manajemen dan staf mendukung rencana tersebut dengan cara sering diperbarui, dipelihara serta diuji. Berikut langkah-langkah audit rencana kontinjensi dan pemulihan bencana.

1.      Langkah-langkah harus ditulis.

2.      Pilih hot site/cold site.

3.      Cadangan sistem penuh dan bertahap dibuat setiap hari atau setiap minggu.

4.      Data cadangan.

5.      Jadwal tes dan latihan.

6.      Data dan cadangan sistem disimpan di penyimpanan luar.

7.      Penunjukkan ketua dan komite pemulihan bencana.

8.      Mencatat nomor-nomor penting.

9.      Mengenali aplikasi penting.

10.  Sistem operasi, utilitas, dan file aplikasi dibuat cadangan.

11.  Pertanggungan asuransi tersedia.

12.  Membuat rencana komunikasi.

13.  Sistem dan operasi dokumentasi terbaru yang sudah diakui.

14.  Rencana relokasi karyawan dibuat untuk tempat kerja alternatif.

15.  Makanan dan persediaan air.

16.  Posisi personil penting didukung.

17.  CPR / pendidikan P3K tersedia.

18.  Perencanaan perawatan untuk keluarga dalam keadaan darurat.

19.  Daftar terbuat dari perangkat keras dan perangkat lunak.

20.  Pernyataan misi dibuat untuk rencana pemulihan bencana.

21.  Prosedur manual berlaku sebagai cadangan untuk prosedur otomatis

22.  Pengaturan kontrak ditandatangani dengan pembersihan awak untuk menghapus

Setelah mengikuti langkah-langkah diatas, selanjutnya adalah melakukan latihan simulasi bencana. Hal ini digunakan untuk menguji staf, manajemen, dan pengambilan keputusan, baik aspek yang terkait dengan komputer maupun nonkomputer dari suatu organisasi rencana pemulihan bencana. Tes ini mengurangi peluang terjadinya miskomunikasi ketika rencana itu dilaksanakan selama bencana nyata. Ini juga menawarkan manajemen peluang untuk menemukan kelemahan dan memperbaiki prosedur. Di bawah ini adalah pendekatan bertahap yang disarankan:

1.        Mulai pengujian dengan menggunakan pemeriksaan meja periksa dan walk-through.

2.        Selanjutnya, bencana dapat disimulasikan pada waktu yang tepat (selama a periode lambat dalam sehari). Personil juga dapat diberikan pemberitahuan sebelumnya dari tes sehingga mereka siap.

3.        Terakhir, simulasikan bencana tanpa peringatan. Kecuali jika rencana pemulihan bencana diuji itu jarang digunakan.

2.      Mengaudit Pemulihan DBMS

Ada banyak penyebab kegagalan DBMS. Penyebab yang paling sering adalah kesalahan dalam program aplikasi, kesalahan oleh pengguna terminal, kesalahan operator, hilangnya validitas dan konsistensi data, kesalahan perangkat keras, kegagalan media, kesalahan transmisi jaringan, kesalahan yang diperkenalkan oleh lingkungan, dan kesalahan yang disebabkan oleh kerusakan atau bencana.

Tinjauan pemulihan DBMS memastikan kepatuhan terhadap tepat praktik dan prosedur untuk memastikan bahwa suatu organisasi dapat pulih dan kembali beroperasi penuh status setelah bencana demi meminimalkan kerugian bisnis. Pengguna dan profesional TI memainkan peran penting dalam mengembalikan DBMS ke operasi; yaitu, setelah sistem berhasil dipulihkan, seluruh staf TI dan perusahaan harus berpartisipasi memastikan keamanan, integritas, dan validitas informasi dan transaksinya properti.

3.      Mengaudit Komputasi End-computing user

Setelah ditentukan bahwa audit kelompok EUC diperlukan, auditor IT membutuhkan persetujuan manajemen mengenai tujuan audit, audit metode, dan ruang lingkup audit. Tujuan audit dapat mencakup aplikasi tertentu, dukungan end-computing user, masalah keuangan, atau menyediakan informasi strategis untuk dilaporkan kepada manajemen. Tergantung pada lingkungan kontrol dan tujuan audit, metode audit akan bersifat formal atau informal. Menentukan grup EUC untuk lingkungan tertentu akan menentukan ruang lingkup audit.

Kesimpulan

Telah dibahas sejumlah area operasional untuk memberi pembaca dan auditor IT masa depan. Beragam lingkungan yang dihadapi oleh profesional audit TI dan kedalaman sumber daya dan pengalaman yang harus mereka miliki.  Pengulangan langkah pada topik perencanaan pemulihan bencana oleh beberapa berbeda penulis membuktikan pentingnya subjek ini sehingga dapat digunakan sebagai audit. Adapun pemulihan DBMS, itu adalah urusan semua orang, terutama profesional TI. Kebutuhan untuk meninjau pemulihan DBMS sangat penting responsif terhadap persyaratan bisnis. Kemampuan untuk pulih dan melanjutkan operasi bisnis dapat berarti perbedaan antara kerugian bisnis dan profitabilitas bisnis.  Yang terakhir, pentingnya kelompok-kelompok EUC telah tumbuh sebagai reaksi ke lingkungan TI yang dikontrol ketat. Sayangnya, saat end-computing user membuat dan mengelola informasi penting, organisasi harus melembagakan kontrol untuk memastikan lengkap dan akurat informasi. Keseimbangan harus dicapai antara kontrol dan fleksibilitas untuk mendorong inovasi dalam lingkungan yang stabil. Peran IT dan end-computing user terus berubah seiring perubahan teknologi. Peran auditor juga akan terus berkembang dalam menanggapi hal ini. Lingkungan EUC memberikan banyak peluang bagi auditor IT untuk mengidentifikasi risiko dan mendidik pengguna dan manajemen tentang perlunya kontrol yang efektif.

IMPLEMENTASI DATA MINING ALGORITMA APRIORI PADA SISTEM PERSEDIAAN ALAT-ALAT KESEHATAN

Pengertian Data Mining

Data mining adalah upaya untuk mendapatkan informasi yang berharga dan berguna pada database yang sangat besar.  Data Mining disebut juga sebagai Knowledge Discovery in Database (KDD). Proses Knowlegde Discovery in Database  ini melibatkan hasil proses data mining (proses pengekstrak kecenderungan suatu pola data), kemudian mengubah hasilnya secara akurat menjadi informasi yang mudah dipahami.

Berdasarkan definisi diatas, hal penting yang terkait dengan Data Mining adalah:

1.       Data mining merupakan suatu proses otomatis terhadap data yang sudah ada.

2.       Data yang akan diproses berupa data yang sangat besar.

3.       Tujuan data mining adalah mendapatkan hubungan atau pola yang akan  mungkin memberikan indikasi yang bermanfaat.

Fungsi dan Tugas Data Mining

Data mining menganalisis data menggunakan alat untuk menemukan pola dan aturan dalam himpunan data.  Perangkat lunak bertugas untuk menmukan pola dengan mengidentifikasi aturan dan fitur pada data.  Alat pada data mining diharapkan mampu mengenal pola ini dalam data dengan input minimal dari user.

Langkah-langkah Data Mining

Menurut Feen Lee & Juan Santana, ada empat tahap yang dilalui dalam Data Mining antara lain:

1.       Tahap pertama yaitu mendefinisikan permasalahan yang ingin diketahui. Misalnya ingin mengetahui apakah seorang customer berpotensi memiliki kredit macet atau mengidentifikasi seorang customer apakah akan pindah ke kompetitor bisnis kita. Setelah menemukan pertanyaan bisnis yang perlu dijawab oleh data mining, selanjutnya tentukan tipe tugas untuk menjawab pertanyaan bisnis tersebut. Tugas dasar yang menjadi dasar algoritma data mining adalah klasifikasi, regresi, segmentasi, asosiasi dan sequence analisis.

2.       Tahap kedua yaitu mencari data yang mendukung definisi masalah. Menentukan porsi data yang digunakan men-training data mining berdasarkan algoritma data mining yang telah dibuat. Setelah persiapan data selesai dilakukan, langkah berikutnya adalah memberikan sebagian data kedalam algoritma data mining.

3.       Tahap ketiga yaitu memvalidasi apakah data mining memberikan prediksi yang akurat. Setelah training data selesai dilakukan, data mining tersebut perlu diuji atau di validasi keakuratannya terhadap data testing.

4.       Tahap keempat yaitu memilih aplikasi yang tepat terhadap data mining untuk membuat prediksi.

Algoritma Apriori

 Algoritma apriori adalah suatu algoritma dasar yang diusulkan oleh Agrawal & Srikant pada tahun 1994 untuk menentukan Frequent itemsets untuk aturan asosiasi Boolean. Algoritma Apriori termasuk jenis Aturan Asosiasi pada data mining. Aturan yang menyatakan asosiasi antara beberapa atribut sering disebut affinity analysis atau market basket analisis. Analisis asosiasi atau association rule mining adalah teknik data mining untuk menemukan aturan suatu kombinasi item. Salah satu tahap analisis asosiasi yang menarik perhatian banyak peneliti untuk menghasilkan algoritma yang efisien adalah analisis pola frequensi tinggi (frequent pattern mining). Penting tidaknya suatu asosiasi dapat diketahui dengan dua tolok ukur, yaitu : support dan confidence. Support (nilai penunjang) adalah persentase kombinasi item tersebut dalam database, sedangkan confidence (nilai kepastian) adalah kuatnya hubungan antara-item dalam aturan asosiasi. (Kusrini, Emha Taufiq Luthfi,2009 : 149).

Algoritma apriori dibagi menjadi beberapa tahap yang disebut narasi atau pass (Devi dinda setiawan, 2009) yaitu:

1.       Pembentukan kandidat itemset. Kandidat k-itemset dibentuk dari kombinasi (k-1)itemset yang didapat dari iterasi sebelumnya. Satu cara dari algoritma apriori adalah pemangkasan kandidat k-itemset yang subsetnya  berisi k-1 item tidak termasuk dalam pola frekuensi tinggi dengan panjang k-1.

2.       Penghitungan support dari tiap kandidat k-itemset. Support dari tiap kandidat k-itemset didapat dengan menscan database untuk menghitung jumlah transaksi yang memuat semua item didalam kandidat k-itemset tersebut.  Ini adalah juga ciri dari algoritma apriori dimana diperlukan penghitungan dengan cara seluruh database sebanyak k-itemset terpanjang.

3.       Tetapkan pola frekuensi tinggi. Pola frekuensi tinggi yang memuat k item atau kitemset ditetapkan dari kandidat k-itemset yang supportnya lebih besar dari minimum support.

4.       Bila tidak didapat pola frekuensi tinggi baru maka seluruh proses dihentikan. Untuk lebih memahami proses algoritma Apriori maka berikut ini akan diberikan illustrasi penggunaan algoritma Apriori. Dengan menggunakan database pada gambar 4 dan mengasumsikan minimum support adalah 2  transaksi.     

Apotek dan Alat-Alat Kesehatan

Pengertian Apotek menurut (Kepmenkes RI).No.1332/M ENKES/SK/X/2002 adalah suatu tempat tertentu, tempat di lakukan pekerjaan kefarmasian penyaluran perbekalan farmasi kepada masyarakat. Yang di maksud pekerjaan kefarmasiaan di antaranya pengadaan obat, penyimpanan obat, pembuatan sediaan obat, peracikan , penyaluran dan penyerahan perbekalan farmasi serta memberikan informasi kepada masyarakat mengenai perbekalan kefarmasian yang terdiri dari obat, bahan obat, obat tradisional, alat-alat kesehatan, dan kosmetik. (http://farmasismk.blogspot.com/2011/11/pengertianapotek html)

Analisa

Sistem informasi aktifitas penjualan dan pembelian alat-alat kesehatan di Apotek Kelambir 2 Medan sudah menggunakan komputer  dengan berbasis jaringan yang terpusat kedalam satu server.  Sistem informasi persediaan barang di Apotek ini terdiri dari pelayanan resep obat, penjualan obat dan alat-alat kesehatan serta gudang farmasi,.  Ditampilan gudang farmasi terdiri atas bagian persediaan, laporan pembelian, laporan penjualan. Data penjualan alat-alat kesehatan terdiri atas attribute nomor, tanggal, nomor slip, nama, jumlah barang, harga dan total harga. Untuk mendapat analisa data maka data  penjualan  di export kedalam database Microsoft excel karena bersifat spreadsheet sehingga sangat mendukung beberapa aplikasi data mining, dimana aplikasi data mining digunakan sebagai tempat uji coba atau implementasi. Data mining yang digunakan yaitu untuk mendapatkan informasi yang berharga dan berguna khususnya dalam penjualan alat-alat kesehatan.

Pembahasan

Analisis data dilakukan pada penjualan data alat kesehatan pada Apotek Kelambir 2 Medan ini bertujuan untuk menemukan pola penjualan alat-alat kesehatan, serta hubungan antar item jenis alat-alat kesehatan didalam transaksi. Tahap dalam menganalisa data dengan algoritma Apriori pada penjualan data alat-alat kesehatan dimulai dengan menyeleksi dengan cara membersihkan data data yang akan dianalisis, kemudian mencari semua jenis item nama alat-alat kesehatan yang ada didalam list transaksi penjualan, selanjut mencari jumlah setiap item yang ada pada setiap transaksi penjualan dari alat-alat kesehatan tersebut. Sesuai dengan support yang telah ditentukan maka terseleksilah beberapa item data yang memenuhi minimal support sesuai dengan jumlah item barang didalam transaksi, itu disebut pembentukan kombinasi satu item. Tahap selanjutnya dari item-item alat-alat kesehatan yang telah terseleksi dibentuk lah kombinasi dua item, maka terbentuk lah beberapa item data dengan kombinasi 2 item yang berbeda, dengan support yang ditentukan maka terseleksi lah beberapa data dua item, ini disebut pembentukan kombinasi dua item. Demikian seterusnya sampai kombinasi batas maksimal item transaksi. 

Pengujian

Untuk membuktikan data-data yang telah dihasilkan berupa pola hubungan kombinasi antar items dan rules-rules asosiasi sesuai dengan Algoritma Apriori maka perlu dilakukan pengujian dengan menggunakan suatu aplikasi. Aplikasi yang digunakan adalah Tanagra versi 1.4. Secara umum, cara menggunakan aplikasi Tanagra dimulai dengan mengklik menu File, New, muncul jendela untuk load database. Load database supaya masuk kesistem, klik menu icon define status dan atur parameternya, masukkan komponen frequent itemsets dan Apriori dan masukkan parameternya, kemudian execute, setelah view untuk melihat hasilnya.

Pengujian yang dilakukan pertama adalah pengujian untuk menghasilkan jenis item dan pola kombinasi dua items. Dengan paremeters adalah minimal support sama dengan 16 persen (%), maxsimal support sama dengan 100 persen (%), minimal length sama dengan satu, maksimal length sama dengan dua, dan itemset type sama dengan frequent.  Setelah dilakukan penentuan nilai parameter, maka dihasilkan jenis item dan pola kombinasi dua items. Setelah melakukan pengujian untuk menghasilkan jenis items dan pola kombinasi, mulai dari kombinasi dua items sampai dengan pola kombinasi lima items, maka pengujian yang dilakukan selanjutnya adalah pengujian untuk menghasilkan rules-rules, dimana rules-rules tersebut terbentuk dari pola kombinasi items pada pengujian sebelumnya. Pengujian yang dilakukan pertama adalah pengujian untuk menghasilkan rules-rules yang terbentuk dari pola kombinasi dua items.    Paremeters yang harus diisi adalah support sama dengan 16 persen (%), Confidence sama dengan 70 persen (%), maksimal card itemsets sama dengan dua. Jendela Association rules. Pada  pengujian untuk menghasilkan rules dari pola kombinasi dua items.  Rules diatas terdiri atas Antecedent, consequent, lift, support(%), Confidence (%). Antecedent adalah bentuk  kondisi dari pada rules, consequent adalah bentuk pernyataan dari pada rules, lift adalah menunjukkan adanya tingkat kekuatan rules kejadian acak dari antecedent dan consequent berdasarkan pada support masing-masing, support adalah persentasi kombinasi items tersebut, sedangkan confidence adalah kuatnya hubungan antar items dalam aturan asosiasi.

Kesimpulan

Berdasarkan pembahasan yang telah dilakukan  dengan algoritma Apriori dan dilakukannya  pengujian dengan aplikasi Tanagra maka penulis menarik beberapa kesimpulan yang penting. Adapun kesimpulan-kesimpulan tersebut adalah sebagai berikut: 1. Data Mining dapat di implementasikan dengan menggunakan Database penjualan alat-alat kesehatan karena dapat menemukan kecenderungan pola kombinasi itemsets  sehingga dapat dijadikan sebagai informasi yang sangat berharga dalam pengambilan keputusan untuk  mempersiapkan stok jenis  barang apa yang diperlukan kemudian. 2. Penerapan Algoritma Apriori  pada teknik Data Mining sangat efisien dan dapat mempercepat proses pembentukan kecenderungan pola kombinasi itemset  hasil penjualan alat-alat kesehatan di Apotek Kelambir-2 Medan, yaitu dengan support dan confidence tertinggi adalah Stick Asam Urat -  Stick Gula dan Stick Colestrol- Stick Gula.

Saran

Untuk kepentingan lebih lanjut dari penulisan tesis ini maka penulis memberikan beberapa saran sebagai berikut : 1. Data mining dengan Algoritma Apriori memiliki kelemahan karena harus melakukan scan database setiap kali iterasi, sehingga untuk database yang sangat besar membutuhkan waktu yang lama. 2. Penerapan algoritma Apriori sangat praktis namun perlu dilakukan perbandingan dengan algoritma lain, untuk menguji sejauh mana Algoritma  Apriori masih dapat diandalkan untuk memproses dan menemukan pola hubungan (asosiasi) antar item pada database  berskala besar. 3. Dalam penggunaan algoritma Apriori di perlukan pemahaman tentang  aturan Asosiasi dan Data Mining dan cara menjalankan aplikasi sofware Tanagra 1.4.48.

Daftar Pustaka

Pratima Gautam, and K. R. Pardasani. Efficient Method for Multiple-Level Association Rules in Large Databases. Journal of Emerging Trends in Computing and Information Sciences. VOL.2  No.12. December 2011.

Abdullah Saad Almalaise Alghamdi., Efficient Implementation of  FP Growth Algoritma- Data Mining on Medical Data. International Journal of Computer Science and Network Security, VOL.11 No.12, December  2011.

Sanjeev Rao, and Priyanka Gupta. Implementing Improved Algorithm Over Apriori Data Mining Association Rule Algorithm. International Journal of Computer Science and Technology (IJCST)-VOL.3 Issue 1, Jan-March 2012.

OTHMAN YAHYA, OSMAN HEGAZY, and EHAB EZAT. An Efficient Implemantation of Apriori Algorithm Based on HADOOPMAPREDUCE Model. International Journal of Reviews in Computing (IJRIC)-VOL.12, December 2012.

Jogi. Suresh, and T. Ramanjaneyulu. Mining Frequent Itemsets Using Apriori Algorithm. International Journal of Computer Trends and Technology (IJCTT)-VOL.4 Issue4-April 2013.

Shuruti Aggarwal, and Ranveer Kaur. Comparative Study of  Various Improved Versions of Apriori Algorithm. International Journal of Engineering Trends and Technology (IJETT)-VOL.4 Issue4-April 2013.

Prof. Paresh Tama., and Dr. Yogesh Ghodasara. Foundation for Frequent Pattern Mining Algorithms’ Implementation. International Journal of Computer Trends and Technology (IJCTI)-VOL.4 Issue 7 - July 2013.

REVIEW JURNAL

Sistem Pakar untuk Mendiagnosis Hama pada Tanaman Jambu Biji menggunakan Metode Bayes

ABSTRAK

Jambu biji merupakan tanaman yang berasal dari Amerika tropic. Tanaman ini dapat tumbuh pada tanah yang gembur maupun liat selama tempat tersebut terbuka dan mengandung air yang cukup banyak. Jambu biji bisa menghasilkan buah dengan sempurna namun bisa juga tak berbuah seperti yang diharapkan. Hal tersebut tidak terlepas dari adanya pengaruh hama dan penyakit yang mengintainya. Maka dari itu dibuatlah sistem pakar dengan menggunakan metode bayes ini untuk mendiagnosis hama pada tanaman jambu biji agar para petani jambu biji mendapatkan hasil panen yang maksimal.

METODE

Probabilitas bayes adalah salah satu cara untuk mengatasi ketidakpastian dengan rumus sebagai berikut: 𝑝(𝐻|𝐸) = 𝑝(𝐸|𝐻) × 𝑝(𝐻) 𝑝(𝐸) Dimana : P(H|E) : Probabilitas hipotesa H jika terdapat evidence E P(E|H) : Probabilitas munculnya evidence E jika diketahui hipotesa H P(H)    : Probabilitas hipotesa H tanpa memandang evidence apapun P(E)     : Probabilitas evidence E tanpa memandang apapun

MASALAH

Adapun permasalahan yang dibahas dalam jurnal ini yaitu bagaimana mengatasi permasalahan yang ada pada tanaman jambu biji ini dengan menggunakan sistem pakar agar dapat mencari solusi yang tepat dan cepat.

SOLUSI

Metode yang digunakan adalah metode bayes yang diawali dengan tahapan analisis yang terdiri dari 3 tabel yaitu tabel gejala penyakit pada tanaman jambu biji, tabel nilai bayes dan tabel presentasi kesimpulan. Tabel-tabel ini yang nantinya akan menjadi penentu apakah tanaman jambu biji tersebut terserang penyakit atau tidak. Jika iya, maka akan diperhitungkan pula berapa persen keyakinan bahwa tanaman itu terserang penyakit dengan menggunakan rumus probabilitas bayes.

EVALUASI

Jurnal ini hanya menjelaskan berapa persen keyakinan bahwa tanaman jambu biji tersebut terserang penyakit atau tidak. Namun tidak ada penjelasan apa yang menyebabkan tanaman tersebut terkena penyakit, bagaimana cara mencegah atau mengobati tanaman-tanaman itu. Kedepannya, semoga peneliti mampu menjabarkan lebih detail sehingga para petani tahu dengan jelas penyebab dan cara mencegahnya.