Source code sistem pakar diagnosa penyakit tanaman kentang algoritma naive bayes berbasis web php mysql

Sistem Pakar adalah sebuah program komputer yang dirancang untuk meniru pengetahuan dan kecerdasan seorang pakar manusia dalam suatu bidang tertentu. Tujuan utama dari sistem pakar adalah membantu pengguna dalam mengambil keputusan atau memberikan solusi untuk masalah yang kompleks.

Sistem pakar memanfaatkan pengetahuan yang diberikan oleh seorang pakar manusia, yang biasanya diwakili dalam bentuk aturan atau basis pengetahuan. Aturan-aturan ini menggambarkan hubungan antara fakta-fakta atau gejala-gejala tertentu dengan diagnosis atau solusi yang tepat. Sistem pakar menggunakan pengetahuan ini untuk menganalisis masalah yang diberikan dan menghasilkan rekomendasi atau solusi yang sesuai.

Metode Naive Bayes adalah sebuah metode klasifikasi yang berdasarkan pada teorema Bayes dengan asumsi sederhana yang disebut "naive" (ingenu). Metode ini sangat populer dalam bidang analisis data dan pembelajaran mesin karena sifatnya yang efisien dan mudah diimplementasikan.

Pada dasarnya, metode Naive Bayes menggabungkan probabilitas dan aturan probabilitas kondisional untuk melakukan klasifikasi. Metode ini mengasumsikan bahwa setiap fitur (atribut) yang digunakan dalam klasifikasi adalah independen secara kondisional, yaitu tidak ada ketergantungan langsung antara fitur-fitur tersebut.

Berikut adalah langkah-langkah dasar dalam metode Naive Bayes untuk klasifikasi:

Pengumpulan Data Latih: Pertama, data latih yang berisi contoh-contoh dengan atribut-atribut yang terkait dan label kelas yang sudah diketahui dikumpulkan.

Menghitung Probabilitas Kelas: Dalam langkah ini, probabilitas masing-masing kelas dalam data latih dihitung dengan menghitung jumlah contoh dalam setiap kelas dibagi dengan jumlah total contoh.

Menghitung Probabilitas Atribut: Probabilitas kondisional dari masing-masing atribut diberikan kelas dihitung. Misalnya, jika atribut adalah "Umur" dan kelas adalah "Diabetes", maka probabilitas kondisional P(Umur|Diabetes) dihitung.

Menerapkan Teorema Bayes: Dalam langkah ini, teorema Bayes digunakan untuk menghitung probabilitas kelas setelah diberikan atribut-atribut. Probabilitas kelas dihitung menggunakan rumus P(Kelas|Atribut) = (P(Atribut|Kelas) * P(Kelas)) / P(Atribut), di mana P(Atribut) adalah probabilitas atribut secara umum.

Klasifikasi: Setelah probabilitas kelas dihitung, kelas dengan probabilitas tertinggi menjadi prediksi atau klasifikasi akhir untuk contoh yang diberikan.

Meskipun metode Naive Bayes memiliki asumsi yang sederhana, namun sering kali memberikan hasil yang baik dalam berbagai tugas klasifikasi, terutama ketika ada jumlah atribut yang besar atau ketika data pelatihan terbatas. Metode ini sering digunakan dalam pemrosesan teks, pengenalan pola, dan filtrasi spam email.

Detail aplikasi sistem pakar metode naive bayes 

1. Halaman utama sistem pakar 

2. Halaman data penyakit data gejala dan data aturan naive bayes

3. Halaman data penyakit tanaman kentang

4. Laporan riwayat diagnosa user / petani

5. Login petani

6. Halaman diagnosa penyakit tanaman  kentang

7. Hasil diagnosa

8 . Halaman chat admin 

Berikut adalah langkah-langkah dasar dalam metode Naive Bayes untuk klasifikasi:

• Pengumpulan Data Latih: Pertama, data latih yang berisi contoh-contoh dengan atribut-atribut yang terkait dan label kelas yang sudah diketahui dikumpulkan.

• Menghitung Probabilitas Kelas: Dalam langkah ini, probabilitas masing-masing kelas dalam data latih dihitung dengan menghitung jumlah contoh dalam setiap kelas dibagi dengan jumlah total contoh.

• Menghitung Probabilitas Atribut: Probabilitas kondisional dari masing-masing atribut diberikan kelas dihitung. Misalnya, jika atribut adalah "Umur" dan kelas adalah "Diabetes", maka probabilitas kondisional P(Umur|Diabetes) dihitung.

• Menerapkan Teorema Bayes: Dalam langkah ini, teorema Bayes digunakan untuk menghitung probabilitas kelas setelah diberikan atribut-atribut. Probabilitas kelas dihitung menggunakan rumus P(Kelas|Atribut) = (P(Atribut|Kelas) * P(Kelas)) / P(Atribut), di mana P(Atribut) adalah probabilitas atribut secara umum.

• Klasifikasi: Setelah probabilitas kelas dihitung, kelas dengan probabilitas tertinggi menjadi prediksi atau klasifikasi akhir untuk contoh yang diberikan.

• Meskipun metode Naive Bayes memiliki asumsi yang sederhana, namun sering kali memberikan hasil yang baik dalam berbagai tugas klasifikasi, terutama ketika ada jumlah atribut yang besar atau ketika data pelatihan terbatas. Metode ini sering digunakan dalam pemrosesan teks, pengenalan pola, dan filtrasi spam email.

Perhitungan naive bayes :

Studi kasus :

Diketahui Seorang User menginput G1 (Terdapat bercak-bercak pada daun bagian tengah dan tepi), G2 (daun membusuk / mati) dan G3 (Bercak bercak melebar,bulat berwarna coklat atau hitam). Penyakit apakah yang menyerang tanaman kentang berdasarkan gejala tersebut dan berapakah nilai probabiilitas bayesnya ?

P ( H | E) =  p (E|H) x p(H)

          p ( E )

 P(H1|E)= 0.56 * 0.53 * 0.53 * 0.14 = 0.02202      = * 100 % = 96.325%

 P(H2|E)= 0.1 * 0.1 * 0.1* 0.21       = 0.00021      = * 100 %    = 0.918 %

 P(H3|E)= 0.1 * 0.1 * 0.1* 0.20       = 0.0002      = * 100 % =0.874%

 P(H4|E)= 0.1 * 0.1 * 0.1* 0.18       = 0.00018      = * 100 % =0.787%

 P(H5|E)= 0.1 * 0.1 * 0.1* 0.13       = 0.00013     = * 100 % =0.5686%

 P(H6|E)= 0.1 * 0.1 * 0.1* 0.12       = 0.00012  +  = * 100 %  0.5249 %

             0.02286 

Kemungkinan besar user mengalamai penyakit PH1 dengan nilai probabilitas 96.325 % mengalami penyakit busuk daun.

info detail aplikasi 

👉🏻 download source code 

lebih detail bisa wa  0831-4196-8858

tagkeyword:

source code sistem pakar naive bayes

source code sistem pakar naive bayes

source code sistem pakar berbasis web

source code naive bayes

source code naive bayes python

sistem pakar naive bayes

source code sistem pakar metode cbr

source code naive bayes php

source code sistem pakar forward chaining

source code sistem pakar forward chaining gratis