Departemen Ilmu Komputer
HASIL DAN PEMBAHASAN Desain Sistem
Sistem Pakar Diagnosis Penyakit Pada Tanaman Cabai Merah dikembangkan dalam basis sistem fuzzy yang menggunakan Fuzzy
Inference System (FIS) sebagai proses untuk
pengambilan keputusan. Sistem ini memiliki 2
kelompok jenis penyakit yang akan dideteksi. Jaringan inferensi pertama adalah jaringan yang dibangun untuk menghasilkan output jenis penyakit dari kelompok 1, yaitu penyakit yang memiliki gejala terdapat bercak pada daun. Proses fuzzifikasi sistem inferensi kelompok 1 melibatkan 5 parameter input fuzzy yang memiliki himpunan fuzzy dan domain masing-masing. Parameter input tersebut antara lain : 1. Warna Daun
Fuzzifikasi warna daun memiliki 3 himpunan fuzzy, yaitu hijau, hijau pucat, dan hijau kekuningan yang direpresentasikan menggunakan kurva Gaussian seperti ditunjukkan pada Gambar 6.
Gambar 6 Fuzzifikasi warna daun. Fungsi keanggotaan setiap himpunan fuzzy
parameter warna daun adalah sebagai berikut: µ hijau (x) = . . µ hijau_pucat (x) = . . µ hijau_kekuningan (x) = . .
2. Warna atau Pola Bercak
Fuzzifikasi warna atau pola bercak memiliki 6 himpunan fuzzy, yaitu kekuningan, putih, putih pinggiran hitam, keabuan, abu-abu pinggiran cokelat dan cokelat yang direpresentasikan menggunakan kurva Gaussian seperti ditunjukkan pada Gambar 7.
Gambar 7 Fuzzifikasi warna atau pola bercak.
7 tertentu (Askerzade & Mahmood 2010).
Jumlah total rule parameter fuzzy untuk kelompok penyakit dengan gejala terdapat bercak pada daun adalah 486 rule. Untuk kelompok penyakit dengan gejala tidak terdapat bercak pada daun memiliki 108 rule. Salah satu contoh rule yang berlaku dalam sistem inferensi kelompok 1 adalah sebagai berikut :
IF (Warna Daun = Hijau) AND (Warna Bercak = Kekuningan) AND (Diameter Bercak = Kecil) AND (Jumlah Bercak = Sedikit) AND (Warna Batang = Hijau) THEN (Penyakit = Sangat Mendukung Embun Tepung).
Salah satu contoh rule yang berlaku dalam sistem inferensi kelompok 2 adalah sebagai berikut :
IF (Warna Daun = Hijau) AND (Warna Batang = Hijau) AND (Kadar pH = Rendah) AND (Kelembaban = Rendah) THEN (Penyakit = Mendukung Layu Fusarium).
Rule lengkap untuk tiap sistem inferensi dapat
dilihat di Lampiran 1.
Pengembangan Mesin Inferensi
Penyusunan mesin inferensi dimulai dengan perumusan proses penalaran dan kemungkinan modifikasinya. Setelah itu dilakukan pemeriksaan kebenaran dari aturan-aturan, parameter-parameter, peubah-peubah dan proses penalaran yang diterapkan. Metode inferensi yang digunakan adalah metode Fuzzy
Inference System (FIS) Mamdani untuk data
masukan fuzzy.
Tahap Implementasi dan Pengujian
Sistem ini dikembangkan menggunakan Matlab versi 6.5.1 yang menyediakan fasilitas
fuzzy untuk proses Fuzzy Inference System dan
GUI sebagai user interface. Tahap pengujian dilakukan dengan uji coba program kepada ahli atau praktisi. Pada tahap ini dilakukan evaluasi terhadap berbagai kriteria yang berkaitan dengan aplikasi, seperti kelengkapan, ketepatan dan konsistensi pengetahuan, kemudahan mengakses dan melakukan komunikasi.
HASIL DAN PEMBAHASAN Desain Sistem
Sistem Pakar Diagnosis Penyakit Pada Tanaman Cabai Merah dikembangkan dalam basis sistem fuzzy yang menggunakan Fuzzy
Inference System (FIS) sebagai proses untuk
pengambilan keputusan. Sistem ini memiliki 2
kelompok jenis penyakit yang akan dideteksi. Jaringan inferensi pertama adalah jaringan yang dibangun untuk menghasilkan output jenis penyakit dari kelompok 1, yaitu penyakit yang memiliki gejala terdapat bercak pada daun. Proses fuzzifikasi sistem inferensi kelompok 1 melibatkan 5 parameter input fuzzy yang memiliki himpunan fuzzy dan domain masing-masing. Parameter input tersebut antara lain : 1. Warna Daun
Fuzzifikasi warna daun memiliki 3 himpunan fuzzy, yaitu hijau, hijau pucat, dan hijau kekuningan yang direpresentasikan menggunakan kurva Gaussian seperti ditunjukkan pada Gambar 6.
Gambar 6 Fuzzifikasi warna daun. Fungsi keanggotaan setiap himpunan fuzzy
parameter warna daun adalah sebagai berikut: µ hijau (x) = . . µ hijau_pucat (x) = . . µ hijau_kekuningan (x) = . .
2. Warna atau Pola Bercak
Fuzzifikasi warna atau pola bercak memiliki 6 himpunan fuzzy, yaitu kekuningan, putih, putih pinggiran hitam, keabuan, abu-abu pinggiran cokelat dan cokelat yang direpresentasikan menggunakan kurva Gaussian seperti ditunjukkan pada Gambar 7.
Gambar 7 Fuzzifikasi warna atau pola bercak.
8 parameter warna atau pola bercak adalah
sebagai berikut: µ kekuningan (x) = . . µ putih (x) = . . ! µ putih_hitam (x) = .! . ! µ keabuan (x) = . " . ! µ keabuan_cokelat (x) = . . ! µ cokelat (x) = .# . 3. Diameter Bercak
Fuzzifikasi diameter bercak memiliki 3 himpunan fuzzy, yaitu kecil, sedang dan besar yang direpresentasikan menggunakan kurva segitiga seperti ditunjukkan pada Gambar 8.
Gambar 8 Fuzzifikasi diameter bercak. Fungsi keanggotaan setiap himpunan fuzzy
parameter diameter bercak adalah sebagai berikut: 0; x ≥ 3.5 kecil (x) = (3.5-x)/(3.5-2); 2 ≤ x ≤ 3.5 1; x = 2 0; x ≤ 3 atau x ≥ 5 sedang (x) = (x-3)/(4-3); 3 ≤ x ≤ 4 1; x = 4 (5-x)/(5-4); 4 ≤ x ≤ 5 0; x ≤ 4.5 besar (x) = (x-4.5)/(6-4.5); 4.5 ≤ x ≤ 6 1; x = 6 4. Jumlah Bercak
Fuzzifikasi jumlah bercak memiliki 3 himpunan fuzzy, yaitu sedikit, sedang dan banyak yang direpresentasikan menggunakan kurva segitiga seperti ditunjukkan pada Gambar 9.
Gambar 9 Fuzzifikasi jumlah bercak. Fungsi keanggotaan setiap himpunan fuzzy
parameter jumlah bercak adalah sebagai berikut: 0; x ≥ 4 kecil (x) = (4-x)/(4-1); 1 ≤ x ≤ 4 1; x = 1 0; x ≤ 3 atau x ≥ 7 sedang (x) = (x-3)/(5-3); 3 ≤ x ≤ 5 1; x = 5 (7-x)/(7-5); 5 ≤ x ≤ 7 0; x ≤ 6 besar (x) = (x-6)/(10-6); 6 ≤ x ≤ 10 1; x = 10 5. Warna Batang
Fuzzifikasi warna batang memiliki 3 himpunan fuzzy, yaitu hijau, cokelat dan cokelat kehitaman yang direpresentasikan menggunakan kurva Gaussian seperti ditunjukkan pada Gambar 10.
Gambar 10 Fuzzifikasi warna batang. Fungsi keanggotaan setiap himpunan fuzzy
parameter warna batang adalah sebagai berikut: µ hijau (x) = . . µ cokelat (x) = . . µ cokelat_hitam (x) = ." .
Lima parameter inputfuzzy tersebut membentuk
486 rules pembangkit untuk menghasilkan
output jenis penyakit yang direpresentasikan
9 dan sangat mendukung seperti ditunjukkan
dalam Gambar 11.
Gambar 11 Kategori output kelompok 1. Fungsi keanggotaan untuk setiap himpunan
fuzzy pada output jenis penyakit adalah sebagai
berikut: µ M-BDS (x) = . µ SM-BDS (x) = . . µ M-ET (x) = . . µ SM-ET (x) = .! . µ M-BDF (x) = . . µ SM-BDF (x) = . . µ M-BKS (x) = .# . µ SM-BKS (x) = .
Jaringan inferensi kedua adalah jaringan yang dibangun untuk menghasilkan output jenis penyakit dari kelompok 2, yaitu penyakit yang memiliki gejala tidak terdapat bercak pada daun seperti yang ditunjukkan dalam Gambar 15. Proses fuzzifikasi sistem inferensi kelompok 2 melibatkan 4 parameter input fuzzy yang memiliki himpunan fuzzy dan domain masing-masing. Parameter input tersebut antara lain : 1. Warna Daun
Fuzzifikasi warna daun memiliki 4 himpunan fuzzy, yaitu hijau, hijau kekuningan, cokelat dan cokelat kehitaman yang direpresentasikan menggunakan kurva Gaussian seperti ditunjukkan pada Gambar 12.
Gambar 12 Fuzzifikasi warna daun.
parameter warna daun adalah sebagai berikut: µ hijau (x) = . . µ hijau_kekuningan (x) = . . µ cokelat (x) = . . µ cokelat_kehitaman (x) = ." . 2. Warna Batang
Fuzzifikasi warna batang memiliki 3 himpunan fuzzy, yaitu hijau, cokelat dan cokelat kehitaman yang direpresentasikan menggunakan kurva Gaussian seperti ditunjukkan pada Gambar 13.
Gambar 13 Fuzzifikasi warna batang. Fungsi keanggotaan setiap himpunan fuzzy
parameter warna batang adalah sebagai berikut: µ hijau (x) = . . µ cokelat (x) = . . µ cokelat_hitam (x) = ." . 3. Kadar pH
Fuzzifikasi kadar pH memiliki 3 himpunan
fuzzy, yaitu rendah, sedang dan tinggi yang
direpresentasikan menggunakan kurva segitiga seperti ditunjukkan pada Gambar 14.
Gambar 14 Fuzzifikasi kadar pH. Fungsi keanggotaan setiap himpunan fuzzy
parameter ukuran bercak adalah sebagai berikut:
10 rendah (x) = (6-x)/(6-2); 2 ≤ x ≤ 6 1; x = 2 0; x ≤ 5 atau x ≥ 9 sedang (x) = (x-5)/(7-5); 5 ≤ x ≤ 7 1; x = 7 (9-x)/(9-7); 7 ≤ x ≤ 9 0; x ≤ 8 tinggi (x) = (x-8)/(14-8); 8 ≤ x ≤ 14 1; x = 14 4. Kelembaban
Fuzzifikasi kelembaban memiliki 3 himpunan fuzzy, yaitu rendah, sedang dan tinggi yang direpresentasikan menggunakan kurva segitiga seperti ditunjukkan pada Gambar 15.
Gambar 15 Fuzzifikasi kelembaban. Fungsi keanggotaan setiap himpunan fuzzy
parameter kelembaban adalah sebagai berikut: 0; x ≥ 70 rendah (x) = (70-x)/(70-10); 10 ≤ x ≤ 70 1; x = 10 0; x ≤ 65 atau x ≥ 85 sedang (x) = (x-65)/(75-65); 65 ≤ x ≤ 75 1; x = 75 (85-x)/(85-75); 75 ≤ x ≤ 85 0; x ≤ 80 tinggi (x) = (x-80)/(100-80); 80 ≤ x ≤ 100 1; x = 100
Empat parameter input fuzzy tersebut membentuk 108 rules pembangkit untuk menghasilkan output jenis penyakit yang direpresentasikan dengan kurva Gaussian. Setiap penyakit memiliki 2 himpunan fuzzy, yaitu mendukung dan sangat mendukung seperti ditunjukkan dalam Gambar 16.
Gambar 16 Kategori output kelompok 2. Fungsi keanggotaan untuk setiap himpunan
fuzzy pada output jenis penyakit adalah sebagai
berikut: µ M-ANT (x) = . µ SM-ANT (x) = . . µ M-BDC (x) = .! . µ SM-BDC (x) = . . µ M-LF (x) = ." . µ SM-LF (x) = .# .
Selain dari data perameter input, untuk memperoleh suatu keputusan dalam Fuzzy
Inference System dibutuhkan adanya suatu
aturan (rule) tertentu. Aturan (rule) yang diterapkan dalam Sistem Pakar Fuzzy untuk Diagnosis Penyakit pada Tanaman Cabai Merah direpresentasikan dalam bentuk kaidah produksi
if – then dan menghubungkan antar premisnya
dengan operator “and”.
Pada metode Mamdani, proses output
merupakan proses berikutnya setelah proses penarikan kesimpulan. Proses output ini ditandai dengan dilakukannya tahap defuzzifikasi untuk menghasilkan satu nilai
crisp dari beberapa output fuzzy hasil evaluasi
aturan pada basis pengetahuan. Metode defuzzifikasi yang digunakan pada penelitian ini adalah metode centroid (composite moment). Pada metode centroid, nilai crisp yang dihasilkan merupakan nilai pusat daerah fuzzy.
Hasil defuzzifikasi dari tiap sistem inferensi merupakan hasil diagnosis penyakit sementara yang selanjutnya akan diproses menggunakan data parameter input non-fuzzy untuk menghasilkan diagnosis akhir. Parameter input
non-fuzzy yang diberikan hanya parameter yang
berhubungan dengan penyakit sementara seperti yang ditunjukkan dalam Decision Tree di Lampiran 2.
Misalkan output sementara yang dihasilkan adalah Sangat Mendukung Antraknosa.
11 untuk diisi oleh pengguna adalah terjadi mati
pucuk, benjolan pada batang dan kondisi batang. Salah satu rule yang berlaku adalah sebagai berikut :
IF (terjadi mati pucuk = Ya) AND (benjolan pada batang = Ya) AND (kondisi batang = busuk kering) THEN (penyakit = sangat mendukung antraknosa).
Rule lengkap yang berlaku di setiap penyakit
dapat dilihat di Lampiran 3.
Implementasi Dan Pengujian
Sistem ini dikembangkan menggunakan Matlab versi 6.5.1 yang menyediakan fasilitas
fuzzy untuk proses Fuzzy Inference System dan
GUI sebagai user interface. Tampilan awal dari sistem ini dapat dilihat di Lampiran 4. Pada tampilan ini pengguna disediakan 3 menu utama, yaitu menu Deteksi, Tentang Program dan Keluar. Untuk memulai proses deteksi pengguna harus memilih menu Deteksi.
Tahap paling awal yang dilakukan dalam proses deteksi adalah mendeteksi adanya bercak pada daun atau tidak seperti ditunjukkan dalam Gambar 17.
Gambar 17 Proses deteksi awal. Jika terdapat bercak pada daun, maka akan ditampilkan parameter-parameter fuzzy
kelompok penyakit dengan gejala terdapat bercak pada daun sebagai data input dalam sistem inferensi seperti dilampirkan pada Lampiran 5. Namun, jika tidak terdapat bercak pada daun, maka akan ditampilkan parameter
fuzzy dalam sistem inferensi kelompok penyakit
dengan gejala tidak terdapat bercak pada daun yang dapat dilihat pada Lampiran 6.
akan diolah melalui proses inferensi untuk menghasilkan suatu diagnosis sementara. Gambar hasil diagnosis sementara dapat dilihat di Lampiran 7.
Untuk mendapatkan hasil diagnosis akhir, proses harus dilanjutkan dengan menekan tombol Deteksi Lebih Lanjut. Pada tahap ini akan ditampilkan beberapa parameter non-fuzzy
yang berkaitan dengan hasil diagnosis sementara sebelumnya. Pengguna kembali mengisi data tersebut untuk diproses seperti ditunjukkan dalam Gambar 18.
Gambar 18 Proses deteksi lebih lanjut. Setelah data tersebut terisi, selanjutnya akan diproses untuk menghasilkan diagnosis akhir berupa jenis penyakit, jenis cendawan, dan metode pencegahan dan pengendalian terhadap penyakit tersebut. Tampilan diagnosis akhir dapat dilihat di Lampiran 8.
Hasil diagnosis akhir tersebut dapat disimpan dalam format teks untuk memberikan kemudahan bagi pengguna dalam menyimpan hasil diagnosis.
Tahap pengujian dilakukan dengan uji coba program kepada ahli atau praktisi dengan menilai kelengkapan, ketepatan dan konsistensi pengetahuan, kemudahan mengakses dan melakukan komunikasi.
Untuk kelengkapan, sistem ini dinilai masih belum memperhitungkan semua parameter yang dianggap perlu untuk dijadikan input dalam sistem ini. Masih ada beberapa parameter yang berkaitan dengan keadaan lingkungan tempat tanaman cabai tumbuh yang belum diperhitungkan untuk proses deteksi.
Untuk mengukur ketepatan dan konsistensi pengetahuan, sistem diuji berdasarkan skenario
12 melakukan berbagai kombinasi parameter input.
Berdasarkan pengujian didapat beberapa kombinasi yang dinilai sudah mengeluarkan hasil yang benar dan ada kombinasi yang dinilai masih mengeluarkan hasil yang kurang tepat. Sistem ini juga dinilai sudah memiliki antarmuka yang cukup sederhana dan dapat memberikan kemudahan bagi pengguna untuk mengakses dan berkomunikasi dengan sistem. Hasil pengujian yang telah dilakukan dapat dilihat di Lampiran 9.
Kelebihan sistem ini dibandingkan dengan sistem yang telah dikembangkan oleh Faihah (1999), Suryadi (2002) dan Adnan (2003) adalah sistem ini telah mampu mendeteksi jenis penyakit dengan parameter masukan yang bersifat fuzzy atau tidak pasti. Penelitian sebelumnya belum ada yang mengembangkannya dalam lingkungan fuzzy. Selain itu, sistem ini juga lebih fokus untuk mendeteksi jenis penyakit yang disebabkan oleh cendawan yang merupakan jenis patogen yang paling sering menyerang tanaman cabai dan cenderung sulit untuk dideteksi karena memiliki kemiripan dalam gejala yang ditimbulkan. Gejala yang dideteksi oleh sistem merupakan gejala yang timbul di awal serangan penyakit, sehingga sistem dapat mendeteksi jenis penyakit yang menyerang tanaman cabai lebih dini.
Operasionalisasi Sistem
Untuk dapat menggunakan sistem ini, pengguna harus memiliki program Matlab minimal versi 6.5.1. Selain itu, sistem ini dikembangkan dalam sistem operasi Windows XP Professional menggunakan perangkat keras
processor Intel Pentium Dual Core 1.60GHz,
RAM 1 GB, dan harddisk kapasitas 120 GB. Pengguna bisa menggunakan sistem operasi dan perangkat keras yang sama atau menggunakan yang lebih baru dari yang digunakan peneliti untuk menggunakan sistem ini.
Kompleksitas Sistem
Proses inferensi yang terjadi dalam sistem sangat memengaruhi kompleksitas sistem tersebut. Sistem ini memiliki 7 variabel fuzzy
yang memiliki kompleksitas 3C1 + 4C2 = C. C merupakan konstanta dengan C1 adalah proses yang terjadi di fungsi keanggotaan Gaussian dengan 3 variabel input dan C2 adalah proses yang terjadi di fungsi keanggotaan segitiga dengan 4 variabel input.
Setelah itu dilakukan proses evaluasi aturan (rule) sebanyak jumlah aturan yang ada dalam
sebanyak m, maka proses evaluasi dilakukan sebanyak m kali.
Selanjutnya terjadi proses agregrasi output setiap aturan. Proses ini juga memiliki kompleksitas sebesar m sesuai dengan banyaknya aturan (rule). Akhir dari proses inferensi adalah proses defuzzifikasi yang memiliki kompleksitas n, dengan n adalah banyaknya titik yang digunakan pada himpunan
fuzzy output.
Proses terakhir pada sistem ini adalah mengolah variabel non-fuzzy yang dilakukan sebanyak jumlah aturan yang ada. Jika terdapat sejumlah o aturan, maka evaluasi dilakukan sebanyak o untuk mendapatkan output akhir. Sehingga kompleksitas keseluruhan adalah O(2m + n + o).
Keterbatasan Sistem
Sistem Diagnosis Penyakit Pada Tanaman Cabai Merah ini hanya dapat mendeteksi jenis penyakit yang disebabkan oleh cendawan. Masih ada jenis patogen lain yang bisa membawa penyakit pada tanaman cabai dan tidak kalah merugikan dari penyakit yang disebabkan oleh cendawan.
Pada proses pendeteksian, sistem ini belum memperhitungkan parameter-parameter lain yang bisa dijadikan sebagai masukan sistem inferensi, seperti sinar matahari, curah hujan, suhu udara, angin dan penguapan.
Sistem ini juga hanya mendiagnosis gejala klinis berupa gejala yang ditimbulkan pada awal serangan dan belum sampai pada tahap pemeriksaan di laboratorium. Selain itu, sistem masih berbasis desktop sehingga jangkauan pengguna sistem ini masih belum luas.