HASIL DAN PEMBAHASAN
Tahap 2 Evaluasi data
parameter data latih.
Masih terdapat kesalahan range nilai pada beberapa parameter, yaitu:
Suhu
Kecerahan
Jenis kolam
penelitian harus kembali ke tahap akuisisi pengetahuan.
Tahap 2 Evaluasi data latih dan pengajuan kuisioner pengujian pada pakar.
Dari 30 data uji yang diajukan ke pakar hanya 15 dari data tersebut yang benar.
Terdapat parameter yang kurang berpengaruh dan tidak memiliki keterkaitan yang erat dengan parameter lain.
Penghapusan parameter kemiringan pematang.
Mengubah range nilai ketinggian, jenis kolam, kecerahan dan kadar oksigen terlarut (dissolved oxygen).
Penelitian harus kembali pada tahap akuisisi pengetahuan. Tahap 3 Pengajuan kuisioner pengujian kepada pakar.
Dari 12 data pengujian 10 telah terjawab dengan benar, sehingga dapat dikatakan data latih yang digunakan sudah sesuai dengan keahlian pakar.
24
Untuk memastikan kebenaran dari data yang diperoleh dari proses akuisisi pengetahuan, maka perlu dilakukan validasi data dengan pakar. Pada penelitian ini, proses validasi data dilakukan dengan pengajuan kuisioner yang berisi sampel data kepada pakar. Selanjutnya pakar akan menentukan apakah data yang diajukan sudah tepat sesuai dengan keilmuan pakar. Tahapan proses validasi lebih lengkap dapat dilihat pada Tabel 9.
Representasi Pengetahuan
Jenis representasi pengetahuan yang digunakan untuk mengkonfigurasikan fakta–fakta pengetahuan adalah merepresentasikan dalam bentuk tabel yang dapat dilihat pada Tabel 10.
Tabel 10 Representasi pengetahuan
No Parameter Satuan nilai Jenis data
1 Lokasi Jauh dari pembuangan limbah Nominal
2 Ketersediaan sumber air Ada sumber air Nominal
3 Syarat tanah Tanah liat, beton Nominal
4 Jenis kolam Kolam air tenang (KAT), kolam air deras (KAD)
Nominal 5 Sistem pengairan Mengalir, tidak mengalir Nominal 6 Ketinggian dataran m dpl (di atas permukaan laut) Numerik
7 Suhu C Numerik
8 Kecerahan cm Numerik
9 DO (Dissolved Oxygen) mg/lt Numerik
10 pH Numerik
11 NH3 (Nitrit) mg/lt Numerik
12 CO2 ppm Numerik
14 NO2 ppm Numerik
15 Kesadahan total mg/lt Numerik
Pengembangan Mesin Inferensi
Metode pengembangan mesin inferensi yang digunakan adalah KNN. Beberapa tahapan yang dilakukan di antaranya adalah:
Identifikasi Masalah
Kesalahan dalam pemilihan lokasi budidaya dapat mengakibatkan ikan menjadi stres, sehingga mengakibatkan kematian. Terbatasnya jumlah pakar juga menghambat masyarakat khususnya petani budidaya jika ingin melakukan konsultasi.
25 Pengadaan Data
Terdapat 16 variabel yang diperoleh dan digunakan sebagai parameter input. 6 variabel berdasarkan kondisi lokasi, dan 9 variabel berdasarkan kualitas air. Semua variabel tersebut digunakan sebagai parameter penentuan jenis ikan yang akan dibudidayakan.
Praproses Data
Data yang digunakan dalam penelitian ini merupakan data yang diperoleh dari proses akuisisi pengetahuan yang telah dilakukan sebelumnya. Data yang diperoleh berupa jenis ikan yang akan digunakan sebagai kelasnya serta range nilai untuk tiap parameter sesuai kelasnya. Proses pengambilan data ini dilakukan selama kurang lebih dua bulan.
Terdapat 6 jenis ikan yang digunakan sebagai kelasnya, yaitu ikan bawal, ikan lele, ikan patin, ikan mas, ikan nila dan ikan mujair. Tiap kelas memiliki 90 data yang mewakili tiap parameter input, sehingga total data yang digunakan sebanyak 540 data. Contoh data yang valid dapat dilihat pada Tabel 11.
Tabel 11 Standar kualitas air dan lokasi budidaya ikan patin
Berdasarkan beberapa parameter yang digunakan, terdapat 5 parameter yang berasal dari kelayakan kondisi lokasi bersifat nominal, yaitu:
1. Lokasi jauh dari pembuangan limbah 2. Ketersediaan sumber air (ada). 3. Syarat tanah
Tanah liat atau lempung
Beton 4. Jenis Kolam
Kolam air tenang (KAT)
Kolam air deras (KAD) 5. Sistem pengairan
Mengalir
Tidak mengalir
Parameter Standar
Lokasi Jauh dari pembuangan limbah
Sumber air Ada sumber air
Syarat tanah Tanah liat Ketinggian dataran 10-200 m dpl Jenis kolam Kolam air tenang Sistem pengairan Air mengalir
Suhu 26-32 C pH 6-7 Oksigen terlarut 4.5 – 6.5 mg/lt NH3 <0.05 ppm Kecerahan 40-60 cm Karbondioksida (CO2) 9-20 ppm Nitrit (NO2) <0.05 ppm Alkalinitas 90-100 mg/lt Kesadahan total 20-70 mg/lt
26
Perhitungan jarak untuk parameter input yang bertipe nominal, menggunakan nominal distance. Sedangkan sebanyak 10 parameter input bertipe numerik yang berasal dari 9 parameter kualitas air dan 1 parameter dari syarat lokasi akan dihitung menggunakan jarak Euclidean, yaitu:
1. Ketinggian dataran 2. Suhu
3. pH
4. Oksigen terlarut (dissolved oxygen [DO]) 5. NH3 6. Kecerahan 7. Karbondioksida (CO2) 8. Nitrit (NO2) 9. Alkalinitas 10. Kesadahan total Min Max Normalization
Dari data yang diperoleh, range nilai yang ada terlihat sangat jauh. Hal ini dapat dilihat misalnya pada salah satu data kelas bawal, nilai parameter input NH3 nya adalah 0.001 sedangkan pada parameter ketinggian nilainya adalah 100. Begitu nilai untuk parameter lainnya. Terlihat bahwa range dari kedua nilai ini sangatlah jauh. Perbedaan range nilai yang lumayan jauh pada peremeter numerik ini, menyebabkan perlu dilakukannya proses normalisasi. Normalisasi dilakukan sebelum melakukan pengolahan data. Hal ini bertujuan untuk menyamakan range antar parameter. Untuk mendapatkan range antara 0–1 digunakan min-max normalization, sesuai dengan Persamaan 1 yang telah dijelaskan sebelumnya.
Nilai maksimum dan minimum di sini, menggunakan nilai maksimum dan minimum dari suatu parameter input. Misalkan pada parameter ketinggian, nilai maksimum adalah 50, nilai minimum adalah 0.001. Contoh normalisasi untuk record pertama dengan nilai 10 berdasarkan rumus normalisasi adalah:
10 - 0.001
50 = 0.199984
Begitu juga untuk data input yang akan digunakan nantinya, harus melewati proses normalisasi ini.
Penentuan Data Latih dan Data Uji Menggunakan K-Fold Cross Validation Pada penelitian ini pembagian data latih dan data uji dilakukan dengan menggunakan teknik k-fold cross validation dengan nilai k = 3. Dari 6 jenis ikan yang digunakan sebagai kelas, masing-masing memiliki 90 data yang mewakili parameter input yang digunakan, sehingga total data yang digunakan adalah 540 data.
Selanjutnya dari total data yang ada, dibagi menjadi 3 subset yang mana tiap subset berisi 30 data dari tiap jenis ikan, sehingga diperoleh 180 data pada tiap subset. Tiap subset nantinya akan digunakan pada 3 kali percobaan untuk setiap nilai k yang digunakan pada tahap klasifikasi KNN, hingga setiap subset pernah menjadi data latih dan data uji. Banyaknya data tiap subset dapat dilihat pada Tabel 12. Susunan data latih dan data uji pada tiap percobaan nilai k pada tahap klasifikasi KNN dapat dilihat pada Tabel 13.
27 Tabel 12 Jumlah data setiap subset
Subset Jumlah Data
S1 180
S2 180
S3 180
Total Data 540
Tabel 13 Susunan data latih dan data uji Subset Pelatihan Pengujian Subset 1 S2, S3 S1 Subset 2 S1, S3 S2 Subset 3 S1, S2 S3
Metode Klasifikasi Menggunakan K-NN
Teknik klasifikasi yang digunakan adalah KNN, yaitu mencari jarak terdekat antara data yang akan dievaluasi dengan k tetangga terdekatnya dalam data pelatihan. Pada penelitian ini nilai k yang digunakan adalah 3, 5, dan 7. Penghitungan jarak menggunakan dua cara yaitu nominal distance untuk data yang bersifat nominal dan Euclidean distance untuk data yang bersifat numerik. Hasil dari perhitungan nominal distance dan Euclidean distance akan digabungkan menggunakan rumus aggregate.
Euclidean Distance
Setelah melakukan normalisasi pada setiap data input yang akan digunakan, tahap selanjutnya adalah perhitungan jarak antara data uji dengan data latih untuk tiap parameternya. Pada parameter input yang bersifat numerik perhitungan jaraknya menggunakan Euclidean distance. Perhitungan yang dilakukan sesuai dengan Persamaan 2.
Nominal Distance
Nominal distance digunakan untuk menghitung jarak antar parameter yang bersifat nominal. Pada sistem ini, terdapat 5 parameter input yang bersifat nominal, di antaranya adalah:
1. Lokasi (jauh dari pembuangan limbah) 2. Ketersediaan sumber air
3. Syarat tanah 4. Jenis kolam 5. Sistem pengairan
Untuk kelima parameter input ini, perhitungan jaraknya menggunakan nominal distance. Hasilnya adalah 0 jika nilai nominal pada parameter input data uji sama dengan nilai nominal pada data latih dan bernilai 1 jika nilai nominal data uji tidak sama dengan nilai data latih sesuai dengan Persamaan 3.
Aggregate
Tahap aggregate ini dilakukan untuk menggabungkan nilai yang dihasilkan pada perhitungan nominal distance dan Euclidean distance untuk 1 data uji agar
28
bisa dihasilkan 1 nilai jarak yang dapat dibandingkan dengan data latih yang ada. Adapun nilai aggregate ini dihasilkan berdasarkan Persamaan 4 yang telah dijelaskan sebelumnya.
Pemberian bobot 1 untuk perhitungan jarak numerik dan 0.5 untuk jarak nominal agar parameter nominal tidak terlalu mendominasi perhitungan. Selain itu, sebagian besar parameter kunci pada tiap kelas berasal dari parameter numerik. Selanjutnya, akan diambil nilai aggregate terkecil dari data uji sebanyak nilai k pada KNN.
Tahap KNN (Penetuan Tetangga Terdekat)
Setelah dilakukan tahap aggregate, selanjutnya dilakukan tahap penentuan kelas yang sesuai melalui tahapan KNN. Di sini, data uji akan dibandingkan dengan data latih untuk kemudian ditentukan sebanyak k tetangga terdekat. Untuk nilai k = 3, maka diambil 3 nilai aggregate terkecil dari data uji. Untuk nilai k = 5, maka diambil 5 nilai aggregate terkecil dari data uji. Sedangkan untuk nilai k = 7, maka diambil 7 nilai aggregate terkecil dari data uji. Selanjutnya dari k = 3, k = 5 dan k = 7 akan ditentukan manakah kelas terdekat dari data latih yang ada. Dari kelas terdekat ini, akan ditentukan kelas pemenang sebagai kelas yang paling sesuai dengan data uji yang dimasukkan.
Percobaan dengan Normalisasi
Pada percobaan dengan normalisasi ini, data dibagi menjadi 3 subset. Tiap subset berisi 30 record dari setiap jenis ikan. Variasi data latih dan data uji dihasilkan dari proses k-fold cross validation. Percobaan terus dilakukan hingga setiap subset pernah menjadi data latih dan data uji. Susunan data latih dan data uji pada percobaan dapat dilihat pada Tabel 13.
Percobaan selanjutnya dilakukan dengan menambahkan tahap normalisasi pada data yang akan digunakan. Percobaan ini menggunakan 540 record data, yang dibagi menjadi 3 subset yang tiap subset berisi 30 record dari setiap jenis ikan. Variasi data latih dan data uji dihasilkan dari proses k-fold cross validation. Percobaan terus dilakukan hingga setiap subset pernah menjadi data uji.
Percobaan pertama menggunakan 360 record sebagai data latih yang berisi subset 2 dan 3. Subset 1 yang berisi 180 record sebagai data uji. Percobaan kedua menggunakan subset 1 dan subset 3 sebagai data latih, subset 2 sebagai data uji. Percobaan ketiga menggunakan subset 1 dan subset 2 sebagai data latih, subset 3 sebagi data uji. Pada ketiga percobaan tersebut kemudian diterapkan dalam metode k-nearest neighbour melalui tahapan berikut ini:
1. Pada setiap data latih dan data uji yang akan digunakan, akan diterapkan proses normalisasi terlebih dahulu yang bertujuan untuk menyamakan range antar parameter. Untuk mendapatkan range antara 0-1 digunakan min-max normalization, sesuai dengan Persamaan 1 yang telah dijelaskan sebelumnya. 2. Setiap record data uji dihitung jaraknya ke setiap record data latih untuk
mengetahui kedekatan antara data uji dengan data latih. Untuk data bertipe numerik, selisih antara data uji dengan data latih menggunakan Euclidean distance. Untuk data bertipe nominal, data diolah menggunakan nominal distance. Jika data uji sama dengan data latih maka bernilai 0 dan jika data uji berbeda dengan data latih maka bernilai 1.
29 3. Selanjutnya hasil perhitungan menggunakan jarak Euclidean dan nominal
distance digabungkan dengan menggunakan rumus aggregate. Bobot 1 diberikan pada perhitungan Euclidean dan bobot 0.5 pada hasil perhitungan nominal agar perhitungan nominal tidak mendominasi hasil perhitungan.
Penentuan nilai k tetangga terdekat dilakukan dengan mencobakan nilai k = 3, 5, dan 7 dalam metode k-nearest neighbour. Untuk nilai k = 3, 5 dan 7 masing-masing akan dilakukan sebanyak 3 kali percobaan untuk subset 1, subset 2, dan subset 3. Hasil akurasi setiap nilai k pada setiap subset yang diperoleh dapat dilihat pada Tabel 14.
Tabel 14 Hasil akurasi setiap subset dengan k = 3, 5, dan 7 Subset k = 3 k = 5 k = 7
1 96.67% 91.67% 93.33%
2 98.33% 98.89% 98.89%
3 97.22% 97.22% 97.78%
Rata–Rata 97.41% 95.93% 96.67%
Dari Tabel 14 terlihat rata–rata akurasi tertinggi didapat pada saat nilai
k tetangga terdekat 3, yaitu 97.41%. Hasil akurasi terbaik dari ketiga jenis
subset diperoleh pada nilai k = 7, subset 2 dengan 98.89%. Dari percobaan yang telah dilakukan, didapatkan hasil akurasi yang sudah bagus, hal ini disebabkan range yang ada sudah tidak terlalu besar sehingga dapat memperkecil adanya kesalahan dalam perhitungan jarak terdekat antar parameter pada setiap kelas.
Untuk melihat kesalahaan klasifikasi pada kelas atau jenis ikan tertentu, data ditampilkan dalam bentuk confusion matrix pada setiap percobaan. Contoh confusion matrix percobaan dengan normalisasi k = 7 subset ke-2 dapat dilihat pada Tabel 15.
Tabel 15 Confusion matrix percobaan dengan k = 7 subset ke-2 Bawal Lele Patin Mas Nila Mujair
Bawal 30 0 0 0 0 0 Lele 0 30 0 0 0 0 Patin 0 0 30 0 0 0 Mas 0 0 0 30 0 0 Nila 0 0 0 0 28 2 Mujair 0 0 0 0 0 30
Berdasarkan tabel confusion matrix yang dihasilkan, terlihat pada jenis ikan nila dari 30 data uji, 28 data tepat diklasifikasi pada ikan nila sedangkan 2 data meleset dan masuk ke kelas ikan mujair. Hal ini disebabkan adanya kemiripan pada karakteristik tiap parameter yang dimiliki kedua jenis ikan tersebut, baik dari kebutuhan syarat lokasi maupun kualitas air sehingga pada saat dilakukan perhitungan jarak selisih yang dihasilkan hanya sedikit. Akibatnya, pada ikan nila dapat terjadi kesalahan klasifikasi. Untuk tabel confusion matrix yang lebih detail untuk setiap tahap percobaan dapat dilihat pada Lampiran 1.
Setelah dilakukan beberapa kali percobaan, ternyata hasil akurasi yang dihasilkan berbeda–beda untuk tiap percobaan. Hasil akurasi yang dihasilkan pada
30
percobaan dengan normalisasi ini dapat dilihat pada Tabel 16, Gambar 8, dan Gambar 9.
Tabel 16 Hasil akurasi setiap subset dan rata-rata akurasi setiap nilai k
Nilai k Subset Akurasi
3 Subset 1 96,67% Subset 2 98,33% Subset 3 97,22% Rata–Rata 97,41% 5 Subset 1 91,67% Subset 2 98,89% Subset 3 97,22% Rata–Rata 95,93% 7 Subset 1 93,33% Subset 2 98,89% Subset 3 97,78% Rata–Rata 96,67% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% 3 5 7 Ak u ras i Nilai k Subset 1 Subset 2 Subset 3
31
Dari Tabel 16, Gambar 8, dan Gambar 9 dapat diketahui bahwa akurasi cenderung naik kurang lebih sebanyak 1–2% pada tiap percobaan. Rata-rata akurasi terbaik yang diperoleh 97.41% yaitu pada percobaan dengan normalisasi dengan nilai k tetangga terdekat 3.
Hal ini disebabkan nilai k yang lebih kecil biasanya mengurangi adanya varasi tetangga terdekat. Jadi kemungkinan akan lebih banyak data yang tepat terklasifikasi pada kelasnya. Namun, nilai k yang terlalu kecil juga tidak dapat sepenuhnya menjamin hasil yang bagus, karena bisa saja pada saat kita menggunakan nilai k yang lebih besar ternyata data tersebut bukan termasuk pada kelas awalnya. Hal inilah yang melatarbelakangi dilakukan percobaan dengan nilai k = 5 dan k = 7.
Setelah dilakukan percobaan dengan nilai k = 5 dan k = 7 ternyata hasil akurasi yang diperoleh lebih tinggi yaitu 98.89%. Jadi, skenario percobaan yang akan digunakan pada sistem pakar berbasis website ini sesuai dengan hasil akurasi tertinggi. Susunan data latih subset 2 melalui proses normalisasi dan nilai k = 7 untuk proses perhitungan klasifikasi KNN.
Implementasi
Pada sistem yang dikembangkan ini terdiri dari beberapa modul diantaranya home, penentuan jenis ikan, faktor budidaya, jenis ikan air tawar dan terminologi sistem seperti terlihat pada Gambar 10.
Gambar 10 Modul/menu pada sistem
Modul home berisi informasi mengenai latar belakang pembuatan sistem pakar budidaya ikan air tawar berdasarkan lokasi dan kualitas air. Modul faktor budidaya berisi informasi mengenai apa saja faktor-faktor yang mempengaruhi budidaya jenis ikan air tawar yang ada. Modul jenis ikan air tawar berisi informasi mengenai jenis-jenis ikan air tawar yang digunakan sebagai kelas pada penelitian
10% 20% 30% 40% 50% 60% 70% 80% 90% 100% 3 5 7 Ak u rasi Nilai k
32
ini. Modul terminologi sistem berisi informasi mengenai dasar-dasar ilmu yang digunakan dalam pembuatan sistem pakar ini.
Terdapat pula menu tambahan yaitu menu bantuan, hubungi kami, buku tamu, dan fasilitas pencarian (search) seperti terlihat pada Gambar 11. Menu bantuan berisi informasi bantuan penggunaan sistem untuk user. Modul hubungi kami berisi informasi mengenai siapa yang dapat dihubungi user jika ada pertanyaan mengenai sistem. Modul buku tamu digunakan apabila user ingin memberikan komentar dengan memasukkan alamat email user.
Gambar 11 Menu tambahan pada sistem
Modul yang paling utama pada sistem ini terletak pada modul penentuan jenis ikan yang akan menampilkan sebuah halaman berupa form yang berisi beberapa pertanyaan yang harus dijawab oleh user. Jawaban yang diberikan oleh user berupa pilihan pada radio button dan nilai yang dimasukkan pada kolom textbox yang disediakan sesuai dengan parameter yang ada. Halaman ini dibagi menjadi tiga bagian. Bagian pertama berisi pertanyaan mengenai kondisi awal yang ada, yaitu “apakah lokasi ini sudah pernah dijadikan sebagai tempat budidaya sebelumnya?”, “jika iya, apakah jenis ikan yang pernah dibudidayakan?” jawaban yang diberikan user pada bagian ini hanya akan digunakan sebagai informasi tambahan dan tidak diikutsertakan dalah perhitungan klasifikasi di sistem. Tampilan bagian awal ini terlihat pada Gambar 12.
Gambar 12 Tampilan pertanyaan kondisi awal
Bagian kedua berisi pertanyaan yang berhubungan dengan syarat kondisi lingkungan atau lokasi, di antaranya apakah lokasi yang ada jauh dari tempat pembuangan limbah, ketersediaan sumber air, syarat tanah yang digunakan, jenis kolam, sistem pengairan yang digunakan, dan ketinggian lokasi. Bagian ketiga berisi pertanyaan yang berkaitan dengan syarat kualitas air yang digunakan, di antaranya suhu, kecerahan, kadar oksigen terlarut (dissolved oxygen [DO]), derajat keasaman air (pH), kadar amonia (NH3), kadar karbondioksida (CO2), kadar nitrit (NO2), alkalinitas, dan kesadahan total. Tampilan bagian kedua dan ketiga ini dapat dilihat pada Gambar 13.
33
Gambar 13 Tampilan pertanyaan syarat kondisi lokasi dan kualitas air Setelah memasukkan nilai jawaban pada kolom textbox yang disediakan, user harus memilih nilai k yang akan digunakan untuk proses klasifikasi jenis ikan yang sesuai. Apabila tidak memilih nilai k yang ada, maka digunakan nilai default 7 karena akurasi terbaik diperoleh ketika menggukan nilai k = 7. Tampilan penentuan nilai kdan tombol “hasil identifikasi” dapat dilihat pada Gambar 14.
Gambar 14 Tampilan penentuan nilai k yang akan digunakan
Selanjutnya, setelah user menekan tombol hasil identifikasi maka sistem akan langsung memproses hasil jawaban yang telah dimasukkan oleh user. Hasil akhir yang akan ditampilkan adalah jenis ikan apa yang sesuai dengan kondisi lingkungan dan kualitas air yang ada, hasil perhitungan jarak Euclidean dan jawaban yang telah dimasukkan oleh user sebelumnya. Contoh tampilan hasil akhir dapat dilihat pada Gambar 15 dan Gambar 16.
34
Gambar 16 Tampilan hasil akhir identifikasi bagian II
Pada contoh kasus yang dihasilkan Gambar 16 terlihat 7 kelas terdekat teridentifikasi pada kelas ikan mas. Hal ini disebabkan berdasarkan nilai yang dimasukkan user untuk setiap parameter input-nya setelah dihitung berdasarkan rumus Euclidean distance, nominal distance, aggregate, dan dihitung sebanyak k-tetangga terdekat ternyata jarak terkecil yang dihasilkan mengarah pada ikan mas. Dalam hal ini, karena nilai k yang dipilih adalah 7 maka ditampilkan 7 tetangga terdekat seperti yang ditampilkan pada Gambar 11. Semakin kecil jarak maka akan semakin mirip pada kelas tertentu. Karena hasil perhitungan menghasilkan 7 selisih jarak terkecil adalah jarak pada ikan mas, maka ikan yang sesuai untuk dibudidayakan berdasarkan kondisi lokasi lokasi dan kualitas air yang telah dimasukkan user sebelumnya seperti terlihat pada Gambar 10 adalah ikan mas.
Sistem ini juga dilengkapi validasi untuk menanggulangi adanya kesalahan yang mungkin terjadi, diantaranya apabila user belum memasukkan nilai pada form yang sudah disediakan, maka akan muncul peringatan bahwa form harus diisi. Peringatan akan muncul di tiap parameter. Tampilan peringatan yang dihasilkan dapat dilihat pada Gambar 17.
Gambar 17 Tampilan peringatan jika user belum memasukkan nilai
Selanjutnya, apabila user memilih jenis kolam “Kolam Air Deras (KAD)”, kolom ketinggian minimum 100 dpl. Jika user memasukkan nilai kurang dari 100, maka akan muncul peringatan seperti Gambar 18.
35
Gambar 18 Peringatan jika jenis kolam air deras tetapi ketinggian <100 Nilai yang dimasukkan juga tidak boleh dalam bentuk bilangan negatif, sesuai dengan range data latih yang digunakan, seperti terlihat pada Gambar 19. Pada tiap parameter juga terdapat rentang nilai tertentu, jika user hanya memasukkan nilai yang tidak semestinya, maka akan muncul tanda peringatan, contohnya dapat dilihat pada Gambar 20.
Gambar 19 Tampilan peringatan jika nilai yang dimasukkan negatif
Gambar 20 Tampilan peringatan untuk rentang nilai suhu
Selain halaman untuk user, sistem ini juga dilengkapi halaman untuk admin jika sewaktu–waktu ingin mengubah isi dari modul yang ada. Sebelum masuk ke halaman admin, user harus login dulu untuk memastikan admin yang valid. Tampilan login admin dapat dilihat pada Gambar 21, sedangkan tampilan awal halaman admin dapat dilihat pada Gambar 22.
36
Gambar 22 Tampilan awal halaman admin
Pada halaman admin, dapat memanipulasi (tambah, ubah, hapus) data yang akan ditampilkan di website sistem pakar ini. Seperti terlihat pada Gambar 22 terdapat beberapa menu yang dapat dimanfaatkan di halaman admin ini. Di antaranya, pada menu manajemen user digunakan untuk memanipulasi siapa saja yang mempunyai hak akses untuk login sebagai admin. Menu jenis ikan air tawar digunakan untuk memanipulasi data–data dari jenis ikan air tawar yang digunakan sebagai kelas di sistem pakar ini. Menu data latih digunakan untuk melihat data latih yang digunakan dalam penelitian ini. Menu buku tamu digunakan untuk melihat pesan yang disampaikan oleh pengunjung website yang ditujukan ke email admin. Logout digunakan apabila admin ingin keluar dari sistem.
Pengujian
Tahap pengujian dilakukan dengan uji coba program kepada ahli atau praktisi. Dilakukan juga pengujian melalui kuisioner yang nantinya akan dijawab oleh pakar. Pada tahap ini dilakukan evaluasi terhadap berbagai kriteria yang berkaitan dengan sistem dan data yang digunakan, seperti ketepatan dan