PEMODELAN SISTEM PAKAR BERBASIS KOMPUTASI LUNAK
UNTUK EVALUASI KESESUAIAN LAHAN KOMODITAS
SEREALIA: STUDI KASUS KABUPATEN BOGOR
FITRI INSANI
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR
PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
*Dengan ini saya menyatakan bahwa tesis berjudul Pemodelan Sistem Pakar Berbasis Komputasi Lunak untuk Evaluasi Kesesuaian Lahan Komoditas Serealia: Studi Kasus Kabupaten Bogor adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.
RINGKASAN
FITRI INSANI. Pemodelan Sistem Pakar Berbasis Komputasi Lunak untuk Evaluasi Kesesuaian Lahan Komoditas Serealia: Studi Kasus Kabupaten Bogor. Dibimbing oleh IMAS SUKAESIH SITANGGANG dan MARIMIN.
Pada saat sekarang ini, ancaman akan kekurangan pangan sedang melanda negara Indonesia. Sebagian besar dari tanaman pangan adalah komoditas serealia. Budidaya serealia sering mengalami beberapa masalah dalam menentukan apakah suatu lahan baik atau tidak untuk tanaman tertentu. Sistem pakar dapat membantu petani memilih lahan yang cocok untuk jenis serealia.
Dalam penelitian ini, dikembangkan model optimasi aturan fuzzy dalam sistem inferensi fuzzy menggunakan jaringan saraf tiruan dan algoritme genetika yang digunakan untuk membangun sistem pakar evaluasi kesesuaian lahan komoditas serealia. Model ini menerapkan komputasi lunak untuk mesin inferensi yang menggabungkan sistem fuzzy, jaringan syaraf tiruan, dan algoritme genetika. Terdapat 16 parameter untuk menentukan kesesuaian lahan yang terdiri dari 12 parameter numerik dan 4 parameter kategori. Jenis serealia yang digunakan adalah padi sawah irigasi dan jagung. Fungsi keanggotaan trapesium digunakan dalam penelitian ini. Algoritma genetika digunakan untuk penyetelan fungsi keanggotaan fuzzy dan jaringan saraf tiruan digunakan untuk klasifikasi kesesuaian lahan yang terdiri dari sangat sesuai (S1), cukup sesuai (S2), sesuai marginal (S3) dan tidak sesuai (N).
Berdasarkan penelitian yang telah dilakukan, telah berhasil dibuat suatu model sistem pakar berbasis komputasi lunak. Hasil percobaan dengan memasukan beberapa kasus uji pada sistem dan dibandingkan dengan hasil pakar menunjukkan sistem yang dibangun telah sesuai dengan hasil pakar dengan tingkat akurasi sebesar 85% untuk padi dan 90% untuk jagung. Kesalahan dari pengelompokan kelas kesesuian lahan terjadi karena nilai masukan berada pada bagian tepi dari fungsi keanggotaan. Perkembangan model sistem selanjutnya disarankan menggunakan data aktual yang berasal dari lapangan, sehingga keluaran yang dihasilkan oleh model sesuai dengan kondisi di lapangan. Setiap parameter sebaiknya juga diberikan pembobotan berdasarkan tingkat kepentingan sehingga diketahui parameter yang menjadi faktor penentu kesesuaian lahan.
SUMMARY
FITRI INSANI. Soft Computing Based Expert System Modelling for Land Suitability Assesment of Cereals Commodities: Case Study Bogor District. Supervised by IMAS SUKAESIH SITANGGANG and MARIMIN.
Nowadays, the threat of food shortages are happen in Indonesia. Most of crops are cereals commodities. Cereals cultivation often experience some problems in defining if the land is good or not for the plant. Expert system can help researcher and practitioners to choose the suitable kind of cereals for land.
In this research, a model of fuzzy rule within fuzzy inference system using artificial neural network and genetic algorithm was built. The model was used to develop an expert system of land suitability for cereals commodity. This model implement soft computing which combine fuzzy system, artificial neural network and genetic algorithm. In this research, an expert system model of land suitability for cereals plant were built. The model implement soft computing methods for inference engine which combine fuzzy system and genetic algorithm. There are 16 parameters to define the land suitability which consists of 12 numeric parameters and 4 categorical parameters. The kind of cereals that will be used are wetland paddy and corn. Trapezoid membership functions was used here. Genetic algorithm was used for tuning the membership function of fuzzy for land suitability which is consist of very suitable (S1), quite suitable (S2), marginal suitable (S3) and not suitable (N).
This research has produced a model of soft-computing-based expert system. The experimental result by entering some of test cases in the system and compared with the results of the expert show that the system was built in accordance with the results of the expert with accuracy 85% for rice and 90% for corn. Errors of land suitability class grouping occurs because the input value was on the edge of the membership function. We suggest the usage of actual data for future research, so that the output of the model appropriate to real condition. Each parameter should be weighted based on its importance.
© Hak Cipta Milik IPB, Tahun 2015
Hak Cipta Dilindungi Undang-Undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan IPB
Tesis
sebagai salah satu syarat untuk memperoleh gelar Magister Ilmu Komputer
pada
Program Studi Ilmu Komputer
PEMODELAN SISTEM PAKAR BERBASIS KOMPUTASI LUNAK
UNTUK EVALUASI KESESUAIAN LAHAN KOMODITAS
SEREALIA: STUDI KASUS KABUPATEN BOGOR
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR
BOGOR 2015
Judul Tesis : Pemodelan Sistem Pakar Berbasis Komputasi Lunak untuk Evaluasi Kesesuaian Lahan Komoditas Serealia: Studi Kasus Kabupaten Bogor
Nama : Fitri Insani NIM : G651120321
Disetujui oleh Komisi Pembimbing
Dr Imas Sukaesih Sitanggang, SSi, MKom Ketua
Prof Dr Ir Marimin, MSc Anggota
Diketahui oleh
Ketua Program Studi Ilmu Komputer
DrEng Wisnu Ananta Kusuma, MT
Dekan Sekolah Pascasarjana
Dr Ir Dahrul Syah, MScAgr
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan September 2013 ialah evaluasi kesesuaian lahan, dengan judul Pemodelan Sistem Pakar Berbasis Komputasi Lunak untuk Evaluasi Kesesuaian Lahan Komoditas Serealia: Studi Kasus Kabupaten Bogor.
Terima kasih penulis ucapkan kepada Ibu Dr Imas Sukaesih Sitanggang, SSi, MKom dan Bapak Prof Dr Ir Marimin selaku pembimbing. Di samping itu, penghargaan penulis sampaikan kepada Bapak Prof Dr Kukuh Murtilaksono, MSc dari Departemen Ilmu Tanah dan Sumber Daya Lahan IPB, Bapak Ir Muhammad Hikmat, MSi dari Balai Besar Sumber Daya Lahan dan Pertanian, Kementerian Pertanian selaku pakar pada penelitian ini. Terima kasih kepada Ibu Dr Yudiwanti WE Kusumo, MS dan Bapak Prof(Riset) Dr Ir Ridwan Thahir atas nasehat dan saran yang diberikan. Di samping itu, penghargaan penulis sampaikan kepada Direktorat Jenderal Pendidikan Tinggi atas beasiswa yang telah diberikan.
Terima kasih juga disampaikan kepada Ayah Drs M Yusuf dan Almarhumah Ibu Dra Muhrayanis serta adik-adik penulis Safa Nurani dan Ayu Nauri atas segala do’a dan kasih sayangnya. Terkhusus kepada suami tercinta Priyo Puji Nugroho yang selalu sabar dan memotivasi penulis. Semoga Allah subhanahu wa ta’ala selalu merahmati kalian. Terima kasih kepada pengelola pasca sarjana, seluruh dosen dan staf akademik Ilmu Komputer Institut Pertanian Bogor, teman-teman angkatan 14. Program Studi Ilmu Komputer atas kebersamaan dan bantuannya selama kuliah dan penyelesaian penelitian ini. Semoga karya ini dapat bermanfaat. Kritik dan saran sangat penulis harapkan demi kesempurnaan karya ini di kemudian hari.
Semoga karya ilmiah ini bermanfaat.
DAFTAR ISI
DAFTAR TABEL x
DAFTAR GAMBAR x
DAFTAR LAMPIRAN xi
1 PENDAHULUAN 1
Latar Belakang 1
Perumusan Masalah 2
Tujuan Penelitian 2
Manfaat Penelitian 2
Ruang Lingkup Penelitian 3
2 TINJAUAN PUSTAKA 3
Sistem Pakar 3
Komputasi Lunak (Soft Computing) 7
Lahan 15
Parameter Kesesuaian Lahan Untuk Penggunaan Tanaman Serealia 16
Komoditas Serealia 18
3 METODE 18
Parameter Pengetahuan 18
Alat 18
Tahapan Penelitian 18
Identifikasi Masalah 19
Penentuan Pakar 21
Akuisisi Pengetahuan 21
Representasi Pengetahuan 21
Tuning Aturan Fuzzy dengan Algoritme Genetika 22 Adaptive Neuro Fuzzy Inference System (ANFIS) 24
Implementasi 25
Pengujian 25
4 HASIL DAN PEMBAHASAN 25
Desain Strukur Data 26
Data fuzzy dari pakar 26
Basis aturan 28
Data fuzzy hasil tuning dengan algoritme genetika 29
Desain Arsitektur 37
Implementasi 40
Hasil Pengujian 42
5 SIMPULAN DAN SARAN 42
Simpulan 42
Saran 42
DAFTAR PUSTAKA 43
DAFTAR TABEL
1 Kelas bahaya banjir 16
2 Kategori untuk parameter drainase tanaman padi sawah irigasi 27
3 Kategori untuk parameter tekstur tanaman padi sawah irigasi 28
4 Kategori untuk parameter bahaya erosi tanaman padi sawah irigasi 28
5 Kategori untuk parameter bahaya banjir tanaman padi sawah irigasi 28
6 Basis aturan kelompok parameter temperatur tanaman padi sawah irigasi 29
7 Contoh perhitungan fitness untuk 800 data latih pada individu pertama 30
8 Nilai fitness setiap individu 30
9 Hasil pengujian di Kabupaten Bogor 42
DAFTAR GAMBAR
1 Fungsi dasar sistem pakar (Giarratano dan Riley 1998) 3
2 Hubungan domain pengetahuan dan domain masalah (Giarratano dan
Riley 1998) 4
3 Hubungan antar elemen dalam sistem pakar (Giarratano dan Riley 1998) 5
4 Tahapan pengembangan sistem pakar (Marimin 2009) 6
5 Tahapan akusisi pengetahuan pada sistem pakar (Marimin 2009) 7
6 Kemungkinan integrasi metode pada komputasi lunak (Castellano et al.
2007) 8
7 Struktur jaringan saraf tiruan dengan tiga lapisan (Castellano et al. 2007) 8
8 Himpunan Fuzzy TUA 10
9 Kurva segitiga (Kusumadewi et al. 2006) 11
10 Kurva Sigmoid (Kusumadewi et al. 2006) 11
11 Kurva Pi (Kusumadewi et al. 2006) 12
12 Kurva bahu (Kusumadewi et al. 2006) 12
13 Tahapan algoritme genetika (Lawrence 1991) 13
14 Tahapan penelitian pemodelan sistem pakar 19
15 Kerangka kerja sistem pakar 20
16 Tahapan akuisisi pengetahuan sistem pakar evaluasi kesesuaian lahan
komoditas serealia 21
17 Interval fungsi keanggotaan pembangkitan basis aturan acak 22
18 Struktur Adaptive Neuro Fuzzy Inference System (ANFIS) 24
19 Pengelompokan parameter kesesuaian lahan komoditas serealia 26
20 Fungsi keanggotaan temperatur rerata tanaman padi sawah irigasi 27
21 Fungsi keanggotaan kelembaban tanaman padi sawah irigasi 27
22 Representasi individu 31
23 Populasi awal 31
24 Contoh pemilihan populasi individu melalui roullete wheel 32
25 Pemilihan pasangan crossover 32
27 Penggabungan semua anak hasil crossover ke dalam populasi 33
28 Pemilihan titik mutasi 33
29 Penentuan hasil mutasi 34
30 Memasukkan anak hasil mutasi ke dalam populasi 35
31 Menghitung fitness function hasil rekombinasi 35
32 Hasil akhir tuning fungsi keanggotaan dengan algoritme genetika 36
33 Hasil tuning fungsi keanggotaan parameter batuan di permukaan 36
34 Hasil tuning fungsi keanggotaan parameter singkapan batuan 36
35 Nilai fitness untuk padi sawah pada 50 generasi 37
36 Nilai fitness untuk jagung pada 50 generasi 37
37 Model arsitektur ANFIS untuk kelompok temperatur tanaman padi
sawah irigasi 38
38 Model arsitektur ANFIS untuk kelompok media perakaran tanaman padi
sawah irigasi 39
39 Model arsitektur ANFIS untuk kelompok retensi hara tanaman padi
sawah irigasi 39
40 Model arsitektur ANFIS untuk kelompok kondisi lahan tanaman padi
sawah irigasi 40
41 Tampilan depan aplikasi kesesuaian lahan untuk serealia 41
42 Tampilan utama aplikasi kesesuaian lahan untuk serealia 41
43 Pemilihan populasi individu melalui roullete wheel 61
DAFTAR LAMPIRAN
1 Data fuzzy dari pakar untuk parameter padi sawah irigasi 46
2 Data fuzzy dari pakar untuk parameter jagung 50
3 Basis aturan tanaman padi sawah irigasi dan jagung 55
4 Roullete Wheel 60
5 Model arsitektur ANFIS untuk kelompok tanaman jagung 62
6 Pengujian dengan berbagai kombinasi nilai masukan 64
7 Petunjuk Aplikasi Kesesuaian Lahan untuk Serealia 67
1
PENDAHULUAN
Latar Belakang
Pada masa sekarang ini ancaman akan kekurangan pangan sedang melanda negara Indonesia. Berbagai cara telah dilakukan pemerintah untuk mengatasi hal ini, namun belum memberikan hasil yang optimal. Hingga saat ini Indonesia masih melakukan impor bahan pangan dengan membebaskan bea masuk gandum dan kedelai yang secara tidak langsung malah menekan produksi pangan Indonesia sendiri. Belum lagi masalah lahan pertanian yang semakin sempit karena konversi lahan ke non pertanian dan teknologi serta teknik pertanian yang ramah lingkungan tidak berkembang (IPB 2008).
Konversi lahan ke non pertanian makin sulit dikendalikan. Hal ini dapat dilihat dari konversi lahan sawah yang terjadi selama 1979-1999 seluas 1,63 juta ha, dimana satu juta ha diantaranya terjadi di pulau Jawa (Isa 2006). Karena kondisi seperti ini, maka perlu dilakukan upaya untuk meningkatkan produksi pertanian bahan pangan nasional salah satunya dengan evaluasi kesesuaian lahan tanaman pangan. Evaluasi lahan yang dimaksud adalah pendekatan atau cara yang digunakan untuk menilai potensi sumber daya lahan, dimana hasilnya dapat memberikan informasi dan/atau arahan penggunaan lahan yang diperlukan, dan akhirnya nilai harapan produksi yang kemungkinan akan diperoleh (Djaenuddin et al. 2011).
Jenis tanaman pangan sebagian besarnya adalah komoditas serealia. Serealia atau biji-bijian merupakan sumber karbohidrat yang dihasilkan dari jenis tanaman yang ditanam untuk dipanen biji/bulirnya, tanaman ini juga mengandung serat yang tinggi. Di Indonesia serealia yang paling banyak dikonsumsi adalah padi, jagung dan gandum dan yang jarang dijumpai di Indonesia adalah oat, barley dan rye. Karena menjadi sumber energi bagi manusia dan ternak, serealia dibudidayakan secara besar-besaran di seluruh dunia melebihi semua jenis tanaman lain, apalagi di sebagian negara berkembang serealia seringkali merupakan satu-satunya sumber karbohidrat.
Usaha pembudidayaan tanaman serealia sering mengalami hambatan, salah satunya dalam menentukan kesesuaian lahan pertanian untuk penanaman tanaman serealia tertentu, karena produktivitas tanaman serealia tergantung pada kualitas lahan yang digunakan (Sevani et al. 2009). Oleh karena itu, dibutuhkan suatu sistem pakar untuk evaluasi kesesuaian lahan komoditas serealia.
Sistem hybrid pada komputasi lunak didasarkan pada kesadaran bahwa menggabungkan metode akan lebih efisien dalam menyelesaikan masalah pada dunia nyata (Castellano et al. 2007). Teknik hybrid yang merupakan kombinasi dari tiga paradigma pada komputasi lunak merupakan prospek yang menarik. Ketika metode-metode ini digabungkan maka mereka akan beroperasi secara sinergi dan tidak saling bersaing. Saling ketergantungan dari metode yang digabungkan dapat menghasilkan peningkatan kinerja yang tak terduga. Brasil et al. (1998) menggabungkan metode fuzzy neuro genetika untuk membantu proses akuisisi pengetahuan. Di tahun 1998, Farag et al. menggunakan ketiga metode ini pada sistem dinamis. Pada kasus sistem identifikasi yang bersifat linear algoritme genetika digunakan untuk mengoptimalkan inferensi dari neuro fuzzy (Mehrkian et al. 2011).
Pada penelitian ini akan dimodelkan sistem pakar evaluasi kesesuaian lahan komditas serealia berbasis komputasi lunak. Sistem pakar ini menggunakan metode forward chaining, sebuah metode yang akan mencari kesimpulan berdasarkan fakta-fakta yang ada dan kemudian diuji kebenaranya dalam bentuk hipotesis. Diharapkan dengan adanya sistem pakar ini dapat membantu praktisi dan peneliti dalam menentukan kesesuaian lahan untuk komoditas serealia.
Perumusan Masalah
Pada penelitian ini masalah yang akan dibahas adalah bagaimana membuat model sistem pakar evaluasi kesesuaian lahan komoditas serealia berbasis komputasi lunak dengan menggabungkan fuzzy, jaringan saraf tiruan dan algoritme genetika. Usaha pembudidayaan tanaman serealia sering mengalami hambatan, salah satunya dalam menentukan kesesuaian lahan pertanian untuk penanaman tanaman serealia tertentu, karena produktivitas tanaman serealia tergantung pada kualitas lahan yang digunakan serta fakta kondisi lahan terkadang masih sulit dihafal oleh Penyuluh Pertanian untuk penanaman jenis tanaman komoditas serealia.
Tujuan Penelitian
Tujuan dari penelitian ini adalah:
1. Membuat model optimasi aturan fuzzy dalam sistem inferensi fuzzy menggunakan jaringan saraf tiruan dan algoritme genetika.
2. Membangun sistem pakar untuk evaluasi kesesuaian lahan komoditas serealia berbasis komputasi lunak.
Manfaat Penelitian
Manfaat dari penelitian ini adalah:
1. Penelitian diharapkan menghasilkan alternatif baru sistem pakar dengan menggunakan metode komputasi lunak.
Ruang Lingkup Penelitian
Ruang lingkup dari penelitian ini adalah:
1. Evaluasi kesesuaian lahan dilakukan untuk komoditas serealia pada kabupaten Bogor yaitu padi dan jagung.
2. Teknik yang digunakan adalah forward chaining dimana nilai parameter yang dimasukkan oleh pengguna dianalisis dan kemudian digunakan untuk proses pengambilan keputusan.
2
TINJAUAN PUSTAKA
Sistem Pakar
Definisi Sistem Pakar
Menurut Giarratano dan Riley (1998), sistem pakar merupakan sistem komputer yang dapat merespon dan bertingkah laku dalam segala aspek, seperti halnya seorang manusia yang pakar dalam suatu hal. Sistem pakar juga merupakan salah satu cabang kecerdasan buatan yang meniru cara berpikir seorang pakar dalam menyelesaikan masalah, membuat keputusan, atau mengambil kesimpulan dari sejumlah fakta (Handojo et al. 2004). Dimana pakar adalah seseorang yang mempunyai keahlian kusus atau keahlian dalam suatu bidang tertentu (Giarratano dan Riley 1998). Keahlian yang dimiliki oleh seorang pakar tidak banyak diketahui oleh orang lainnya. Dengan demikian, biasanya seorang pakar dapat menyelesaikan masalah dengan cara yang lebih efisien dibandingkan dengan orang lain pada umumnya.
Sistem pakar disebut juga sebagai sistem berbasis pengetahuan karena menyimpan dan mengelola keahlian atau pengetahuan dari seorang pakar. Fungsi dasar sistem pakar dapat dapat dilihat pada Gambar 1.
Pengguna
Sistem Pakar
Basis Pengetahuan
Inference Engine
Fakta Kesimpulan
Gambar 1 Fungsi dasar sistem pakar (Giarratano dan Riley 1998)
Knowledge Domain Problem Domain
Gambar 2 Hubungan domain pengetahuan dan domain masalah (Giarratano dan Riley 1998)
Ada dua cara berbeda yang dapat digunakan untuk merancang basis pengatahuan (Cordon et al. 2001):
1. Dari informasi seorang pakar
2. Dengan menggunakan metode mesin pembelajaran dengan bantuan informasi numerik yang ada (klasifikasi dan permodelan fuzzy) atau dengan model dari sistem kontrol.
Keuntungan Sistem Pakar
Menurut Giarratano dan Riley (1998), penerapan sistem pakar dalam kehidupan sehari-hari sendiri mempunyai beberapa keuntungan, seperti:
Mengurangi biaya yang diperlukan untuk konsultasi dengan pakar setiap kali ada masalah yang harus diselesaikan.
Pengetahuan yang dimiliki bersifat permanen, karena pengetahuan yang sudah disimpan pada sistem pakar tidak mungkin dapat hilang, habis, atau rusak.
Memungkinkan untuk menggabungkan pengetahuan dan keahlian beberapa pakar secara bersamaan untuk menyelesaikan suatu masalah.
Meningkatkan kehandalan karena sistem pakar dapat menjaga kebenaran kesimpulan atau saran yang diberikan, sebab sistem pakar tidak mungkin merasa lelah dan tidak terpengaruh kondisi emosional.
Sistem pakar dapat memberikan penjelasan terhadap kesimpulan atau saran yang diberikan.
Memberikan respon yang cepat terhadap masalah yang dimasukkan oleh penggunanya.
Sistem pakar dapat menjadi tutor yang memiliki kecerdasan, yang dapat menjelaskan proses dan tahapan pengambilan kesimpulan.
Sistem pakar merupakan basis data yang cerdas karena dapat mengakses basis data dengan cara-cara yang cerdas.
Karakteristik Sistem Pakar
Giarratano dan Riley (1998) menyatakan ada beberapa karakteristik sistem pakar, sebagai berikut:
Kinerja yang tinggi
Dapat merespon sesuatu dengan cepat.
Memiliki tingkat kehandalan yang tinggi.
Bersifat fleksibel
Memberikan daftar semua alasan yang diperlukan untuk menghasilkan suatu kesimpulan.
Elemen Sistem Pakar
Meneurut Giarratano dan Riley (1998), sebuah sistem pakar terdiri dari beberapa komponen, seperti:
Antar Muka Pengguna (User interface)
Tatap muka pengguna merupakan tampilan sistem pakar, tempat dimana pengguna dan sistem pakar dapat saling berkomunikasi.
Fasilitas Penjelasan (Explanation facility)
Fasilitas penjelasan merupakan fasilitas pada sistem pakar yang menjelaskan tentang alasan-alasan suatu kesimpulan dihasilkan.
Memori Kerja (Working memory)
Memori kerja merupakan basis data global berisi fakta-fakta yang dimasukkan oleh pengguna.
Mekanisme Inferensi (Inference engine)
Mekanisme inferensi merupakan suatu mekanisme untuk menghasilkan kesimpulan dengan memilih aturan-aturan yang ada pada basis pengetahuan yang dianggap sesuai dengan fakta yang dimasukkan oleh pengguna. Mekanisme inferensi juga akan memberikan prioritas kepada setiap aturan yang dipilih dari basis pengetahuan tadi.
Agenda
Agenda adalah daftar aturan dengan prioritas tinggi yang dibuat oleh mekanisme pengetahuan. Aturan yang berada pada agenda adalah aturan yang sesuai dengan fakta-fakta yang diberikan oleh pengguna.
Fasilitas Akuisisi Pengetahuan (Knowledge acquisition facility)
Merupakan fasilitas yang memungkinkan pengguna untuk memasukkan pengetahuan ke dalam sistem, di samping pengetahuan-pengetahuan yang sebelumnya sudah dimasukkan oleh Knowledge Engineer (KE). Fasilitas ini merupakan fasilitas tambahan dan bukan fasilitas wajib dalam sistem pakar. Gambar 3 berikut ini menampilkan stuktur dan hubungan antar elemen pada sistem pakar
Basis Pengtahuan
Mekanisme Inferensi
Memori Kerja Agenda
Fasilitas Penjelasan Fasilitas Akuisisi Pengetahuan
Antar Muka Pengguna
Tahapan Pengembangan Sistem Pakar
Giarratano dan Riley (1998) menggambarkan tahapan pengembangan sistem pakar secara lebih sederhana, hanya melalui melalui 3 tahap. Tahapan ini masih sangat umum sehingga tidak dapat menunjukkan secara jelas sub-proses yang terjadi pada masing-masing tahap. Marimin (2009) menggambarkan tahapan pengembangan sistem pakar menjadi delapan tahap seperti terlihat pada Gambar 4.
Identifikasi Masalah
Mencari Sumber Pengetahuan
Akuisisi Pengetahuan
Representasi Pengetahuan
Pembuatan Sistem Pakar
Implementasi
Pengujian
Mewakili
Human Expert?
Rekomendasi Ya Tidak
Gambar 4 Tahapan pengembangan sistem pakar (Marimin 2009)
Manajemen Pengetahuan (Knowledge Management)
Manajemen pengetahuan dapat diartikan sebagai proses pengumpulan dan penggunaan pengetahuan pengetahuan dalam perusahaan, baik yang berupa pengetahuan tertulis (dokumen, laporan, basis data) maupun pengetahuan yang berada pada pikiran pekerja di perusahaan tersebut (Awad dan Ghaziri 2004).
1. Akuisisi Pengetahuan (Knowledge Aquisition)
Akuisisi pengetahuan merupakan salah satu tahap penting dalam pengembangan sistem pakar, oleh karena itu keberadaannya perlu didukung oleh sistem pengetahuan dasar (knowledge based system). Pada tahap akuisisi pengetahuan inilah dilakukan proses pengumpulan pengetahuan dari para pakar oleh perekayasa pengetahuan atau knowledge engineer (KE), yang akan dimasukkan dalam sistem berbasis pengetahuan (knowledge based system), atau dapat dikatakan sebagai proses penyerapan pengetahuan. Penyerapan pengetahuan dari pakar ini dapat diperoleh oleh KE melalui wawancara dan berbagai macam metode lainnya, seperti observasi dan diskusi masalah (Marimin 2009).
dan model yang diperlukan oleh sistem pakar dari berbagai sumber (Marimin 2009), seperti:
Akuisisi pengetahuan dari para pakar.
Pengorganisasian dari beberapa buku, jurnal, data, dasar dan media lain yang relevan dengan ruang lingkup sistem pakar yang akan dikembangkan.
Penyeleksian hasil deduksi dan induksi dari pengetahuan yang sudah tersimpan dalam sistem pakar atau yang berupa pengalaman itu sendiri. Dalam Marimin (2009), proses akuisisi pengetahuan terdiri dari tiga tahap, yaitu komunikasi, formulasi atau implementasi parsial (permodelan pengetahuan), dan tahap validasi (keabsahan data sistem dan interpretasi pengetahuan), seperti dapat dilihat pada Gambar 5. Ketiga tahap tersebut penting dalam penentuan keseluruhan implementasi dari sistem pakar yang dikembangkan.
Komunikasi Formulasi/Implementasi
Parsial Validasi Implementasi
Akuisisi Pengetahuan
Gambar 5 Tahapan akusisi pengetahuan pada sistem pakar (Marimin 2009)
2. Representasi Pengetahuan (Knowledge Representation)
Representasi pengetahuan merupakan bagian yang memuat obyek-obyek pengetahuan serta hubungan yang dimiliki antar obyek tersebut. Obyek-obyek pengetahuan ini akan disimpan dalam basis pengetahuan (knowledge based). Basis pengetahuan merupakan sumber kecerdasan sistem yang dimanfaatkan oleh mekanisme inferensi untuk mengambil kesimpulan (Marimin 2009). Basis pengetahuan terdiri dari basis pengetahuan statis dan basis pengetahuan dinamik. Basis pengetahuan statis dapat juga disebut sebagai basis pengetahuan deklaratif, yang memuat informasi tentang obyek, peristiwa, dan juga situasi. Basis pengatahuan seperti ini dapat direpresentasikan dalam bentuk kalkulus predikat, frames, dan jaringan semantik. Sedangkan basis pengetahuan dinamik dapat juga disebut sebagai basis pengetahuan prosedural yang dapat direpresentasikan dalam bentuk pattern invocked program, kaidah produksi, dan representasi logik. Basis pengetahuan dinamik memuat tentang cara membangkitkan fakta atau hipotesa baru dari fakta yang sudah ada.
Komputasi Lunak (Soft Computing)
Dekade terakhir ini, beberapa kerangka kerja dari komputasi lunak telah dikembangkan di berbagai bidang. Banyak dari kerangka kerja tersebut menyelesaikan masalah komputasi dengan menggunakan kombinasi dari metodologi yang berbeda. Tujuannya untuk mengatasi keterbatasan dan kelemahan dari beberapa teknik.
mencapai kemudahan pengendalian, ketahanan dan biaya solusi yang rendah. Paradigma yang mendasari komputasi lunak adalah Neural Computing, Fuzzy Logic Computing dan Evolutionary Computing. Sistem yang didasarkan pada paradigma tersebut jaringan saraf tiruan (ANN), Sistem Fuzzy (FS), dan Algoritme Evolusi (EA). Hubungan ini memungkinkan penciptaan skema komputasi hybrid yang menggunakan jaringan saraf, sistem fuzzy dan algoritme evolusi dalam kombinasi seperti yang dapat dilihat pada Gambar 6.
Sistem Fuzzy
Gambar 6 Kemungkinan integrasi metode pada komputasi lunak (Castellano et al. 2007)
Jaringan Saraf Tiruan
Jaringan saraf tiruan merupakan model komputasi yang mencontoh pola otak manusia pada sistem biologis. Model ini terdiri oleh sejumlah prosesor sederhana (neuron) bekerja secara paralel, tanpa kontrol terpusat. Neuron tersebut diatur dalam struktur tertentu yang biasanya berupa lapisan-lapisan. Sistem dengan koneksi terbobot menentukan alur informasi melalui jaringan. Gambar 7 berikut menunjukkan contoh struktur jaringan saraf tiruan yang terdiri dari tiga lapisan.
Lapisan Keluaran
Gambar 7 Struktur jaringan saraf tiruan dengan tiga lapisan (Castellano et al. 2007)
tergantung pada berat aktual. Nilai bobot tergantung dari pengalaman masa lalu. Pembelajaran dari sebuah JST didasarkan pada analisis data masukan (training set) dan algoritme pembelajaran tertentu. Pengetahuan ini akhirnya tertanam ke dalam konfigurasi bobot pada jaringan (Castellano et al. 2007).
Jaringan saraf tiruan biasanya mempunyai tiga grup atau lapisan yaitu unit-unit lapisan masukan yang terhubung dengan lapisan tersembunyi yang selanjutnya terhubung dengan lapisan keluaran.
Aktifitas unit-unit lapisan masukan menunjukkan informasi dasar yang kemudian digunakan dalam jaringan saraf tiruan.
Aktifitas setiap unit-unit lapisan tersembunyi ditentukan oleh aktifitas dari unit masukan dan bobot dari koneksi antara unit masukan dan unit-unit lapisan tersembunyi
Karakteristik dari unit-unit keluaran tergantung dari aktifitas unit-unit lapisan tersembunyi dan bobot antara unit-unit lapisan tersembunyi dan unit-unit keluaran.
Umumnya, jika menggunakan jaringan saraf tiruan, hubungan antara masukan dan keluaran harus diketahui secara pasti dan jika hubungan tersebut telah diketahui maka dapat dibuat suatu model. Hal lain yang penting adalah proses belajar hubungan masukan/keluaran dilakukan dengan pembelajaran. Ada dua tipe pembelajaran yang dikenal yaitu: pembelajaran terawasi dan pembelajaran tak terawasi. Pada pembelajaran terawasi, metode ini digunakan jika keluaran yang diharapkan telah diketahui sebelumnya. Biasanya pembelajaran dilakukan dengan menggunakan data yang telah ada. Pada metode pembelajaran yang tidak terawasi, tidak memerlukan target keluaran. Pada metode ini tidak dapat ditentukan hasil seperti apa yang diharapkan selama proses pembelajaran. Selama proses pembelajaran, nilai bobot disusun dalam suatu interval tertentu tergantung pada nilai masukan yang diberikan. Tujuan pembelajaran ini adalah mengelompokkan unit-unit yang hampir sama dalam suatu area tertentu. Pembelajaran seperti ini biasanya sangat cocok untuk pengelompokkan (klasifikasi) pola.
Sistem Fuzzy
Fuzzy secara bahasa diartikan sebagai kabur atau samar-samar. Suatu nilai dapat bernilai besar atau salah secara bersamaan. Dalam fuzzy dikenal derajat keanggotaan yang memiliki rentang nilai 0 (nol) hingga (satu). Berbeda denganhimpunan tegas yang memiliki nilai 1 atau 0 (ya atau tidak). Logika Fuzzy merupakan seuatu logika yang memiliki nilai kekaburan atau kesamaran (fuzzyness) antara benar atau salah. Dalam teori logika fuzzy suatu nilai bias bernilai benar atau salah secara bersama. Namun berapa besar keberadaan dan kesalahan suatu tergantung pada bobot keanggotaan yang dimilikinya. Logika fuzzy memiliki derajat keanggotaan dalam rentang 0 hingga 1.
berarti nilai tersebut adalah anggota himpunan. Logika fuzzy adalah suatu cara yang tepat untuk memetakan suatu ruang masukan kedalam suatu ruang keluaran, mempunyai nilai kontinyu. Fuzzy dinyatakan dalam derajat dari suatu keanggotaan dan derajat dari kebenaran. Oleh sebab itu sesuatu dapat dikatakan sebagian benar dan sebagian salah pada waktu yang sama (Zadeh 1994).
Sebuah sistem fuzzy merupakan sistem yang berdasarkan aturan-aturan. Sistem ini dibangun oleh aturan IF-THEN. Fungsi keanggotaan atau membership function adalah suatu kurva yang menunjukkan pemetaan titik-titik masukan data ke dalam nilai keanggotaannya yang memiliki interval antara 0 sampai 1. Contoh fungsi keanggotaan fuzzy TUA dapat dilihat di persamaan (1). Dengan menggunakan himpunan fuzzy, kita bisa membuat fungsi keanggotaan yang bersifat kontinu. Untuk fungsi keanggotaan fuzzy TUA di persamaan 1, akan didapatkan himpunan fuzzy seperti dalam Gambar 8.
(1)
Gambar 8 Himpunan Fuzzy TUA
Sebuah himpunan fuzzy atau fuzzy set terdiri dari dua variabel, yaitu variabel numeris dan variabel linguistik. Variabel numeris merupakan variabel yang berupa angka, dan variabel linguistik merupakan variabel yang berupa linguistik atau bahasa. Dalam gambar 8, variabel angkanya misalnya umur 35 th, 60 th dan sebagainya, sedangkan variabel linguistiknya adalah TUA. Himpunan fuzzy bisa direpresentasikan dalam beberapa jenis kurva, yaitu:
a. Representasi linear
Representasi linear berupa kurva garis lurus. Representasi ini merupakan yang paling sederhana dan terdiri dari dua macam fungsi representasi yaitu naik dan turun. Contoh dari representasi ini dapat dilihat pada persamaan (1) dan Gambar 8.
b. Kurva segitiga
Kurva segitiga merupakan gabungan dari duagaris linear. Adapun fungsi keanggotaannya dapat dilihat pada persamaan (2) dan Gambar 9.
Gambar 9 Kurva segitiga (Kusumadewi et al. 2006) c. Kurva S (Sigmoid)
Kurva S pertumbuhan akan bergerak menaik dari sisi paling kiri ke paling kanan. Sisi paling kiri akan mempunyai nilai keanggotaan 0 dan sisi paling kanan akan mempunyai nilai keanggotaan 1. Sedangkan kurva penyusutan akan bergerak dari paling kanan ke paling kiri. Rumus fungsi keanggotaan kurva S pertumbuhan dapat dilihat pada persamaan (3) dan fungsi keanggotaan kurva S penyusutan pada persamaan (4).
(3)
(4) Adapun representasi kurva nya dapat dilihat pada Gambar 10.
Gambar 10 Kurva Sigmoid (Kusumadewi et al. 2006) d. Kurva π (Pi)
Kurva Pi berbentuk lonceng. Kurva Pi mempunyai derajat keanggotaan 1 yang terletak pada pusat dengan domain ( ) dan lebar kurva ( ). Persamaan (5) berikut ini merupakan rumus fungsi keanggotaan dari kurva Pi.
(5)
Gambar 11 Kurva Pi (Kusumadewi et al. 2006) e. Kurva bentuk bahu
Pada kurva bahu ada sisi variabel yang tidak berubah. Kurva ini digunakan untuk menyatakan daerah yang terletak pada tengah-tengah suatu variabel yang direpresentasikan dalam bentuk segitiga. Representasi dari kurva bahu dapat dilihat pada Gambar 12.
Gambar 12 Kurva bahu (Kusumadewi et al. 2006)
Inference merupakan proses untuk menggambarkan kesimpulan berdasarkan data yang ada (Silver et al. 2005). Inference juga merupakan proses menyimpulkan kebenaran baru yang didapatkan dari kebenaran lama. Logika proposisi klasik hanya memiliki dua nilai kebenaran, benar dan salah, proses untuk menyimpulkan hasil lebih mudah dibandingkan dengan logika fuzzy dimana tidak hanya fokus pada proposisi saja tetapi juga pada nilai kebenaran. Sistem kendali fuzzy merupakan suatu kerangka komputasi yang didasarkan pada teori himpunan fuzzy, aturan fuzzy bertentuk IF-THEN, dan penalaran fuzzy.
Algoritme Genetika
Mulai
Inisialisasi
Evaluasi
Seleksi
Crossover
Mutasi
Maksimum Generasi?
Selesai Ya Tidak
Gambar 13 Tahapan algoritme genetika (Lawrence 1991)
Populasi disusun dari bermacam-macam individu, setiap individu berisi phenotype (parameter), genotype (chromosome buatan atau bit string), dan fitness (fungsi obyektif). Fungsi evaluasi mengambil sebuah chromosome sebagai input dan mengembalikan nomor atau daftar dari nomor yang merupakan ukuran dari chromosome pada masalah yang akan diselesaikan. Fungsi evaluasi mempunyai aturan yang sama dalam algoritme genetika yang berkecimpung dalam evolusi alam. Inisialisasi dilakukan secara random atau acak. Rekombinasi termasuk di dalamnya crossover/kawin silang dan mutasi untuk munghasilkan offspring/keturunan. Kenyataannya ada dua operasi pada algoritme genetika, yaitu: - Operasi genetika yaitu crossover dan mutasi
- Operasi evolusi yaitu seleksi
Operasi genetika meniru proses turun menurun dari gen untuk membentuk offspring pada setiap generasi. Operasi evolusi meniru proses dari Darwinian evolution untuk membentuk populasi dari generasi ke generasi.
Operator Algoritme Genetika
Algoritme Genetika mempunyai operator-operator yang secara berurutan dipakai untuk menyelesaikan suatu permasalahan. Operator-operator tersebut dibahas berikut ini (Suyanto 2005).
1. Seleksi
Tiga dasar pokok yang tergabung di dalam fase seleksi dalam metode Algoritme Genetika yaitu:
o Sampling space
dikarakteristikkan oleh dua faktor yaitu size (ukuran) dan ingredient (bahan) yang menunjuk pada parent dan offspring. Pop_size menunjuk pada ukuran dari populasi dan off_size menunjuk pada ukuran dari offspring yang dihasilkan pada setiap generasi.
o Sampling mechanism
Sampling mechanism memperhatikan masalah bagaimana memilih chromosome dari sampling space.
o Selection probability
Bagian ini membicarakan bagaimana probabilitas seleksi untuk setiap kromosom. Dalam prosedur seleksi perbandingan, probabilitas seleksi dari sebuah kromosom sebanding dengan fitness value yang dimilikinya.
Beberapa pemakai Algoritme Genetika juga banyak yang menggunakan metode Elitist yaitu pemilihan kromosom yang memiliki fitness yang paling baik di dalam satu populasi. Pada pemilihan kromosom dalam suatu populasi yang terdiri dari 10 kromosom, pemilihan kromosom itu tidak mengurangi jumlah kromosom dalam satu populasi, melainkan metode elitist ini berfungsi mirip dengan penggandaan dan kemudian menyimpan hasil penggandaan itu. Kromosom yang terpilih dalam metode elitist ini tidak melewati urutan proses seperti seleksi, crossover, dan mutasi, tetapi chromosome yang terpilih akan menggantikan secara langsung chromosome pada generasi selanjutnya, yang memiliki nilai fitness paling kecil.
2. Crossover
Di alam, crossover terjadi ketika parent bertukar bagian dari gen pembentuknya. Dalam Algoritme Genetika, crossover menggabungkan materi genetika dari kedua chromosome parent menjadi dua anak. Crossover yang dipakai untuk bilangan real adalah Arithmatic Crossover. Prosedur untuk memilih parent mana yang akan mengalami proses crossover:
Tentukan probabilitas crossover.
Bangkitkan bilangan random 0 sampai 1 sebanyak i (jumlah chromosome dalam satu populasi).
Bandingkan bilangan random itu dengan probabilitas crossover (Pc).
Parent terpilih bila bilangan r yang ke-i kurang atau sama dengan probabilitas crossover (Pc).
Bila parent yang terpilih jumlahnya hanya satu maka proses ini diulang sampai jumlah parent lebih dari satu.
3. Mutasi
Proses mutasi adalah proses yang bertujuan untuk mengubah salah satu atau lebih bagian dari chromosome. Untuk bilangan floating ini memakai Nonuniform Mutation atau yang dikenal sebagai Dynamic Mutation. Mutasi ini didesain untuk dapat mentuning dengan baik dengan tujuan mencapai tingkat ketelitian yang tinggi. Prosedur untuk menentukan gen mana yang akan dimutasi adalah:
Tentukan probabilitas mutasi.
Tentukan banyaknya bilangan random yang diperoleh dari banyaknya jumlah kromosom dalam satu populasi x banyaknya gen dalam satu kromosom (total_random).
Bandingkan hasil random yang didapat sebanyak total_random dengan probabilitas mutasi.
Bila kurang dari probabilitas mutasi (Pm) maka gen tersebut yang akan dipilih untuk dimutasi.
Gen yang terpilih kemudian dihitung sehingga dapat diketahui gen tersebut berada pada kromosom nomor berapa dan pada gen yang nomor berapa.
Lahan
Lahan merupakan bagian dari bentang alam (landscape) yang mencakup pengertian lingkungan fisik termasuk iklim, topografi/relief, tanah, hidrologi, dan bahkan keadaan vegetasi alami (natural vegetation) yang semuanya secara potensial akan berpengaruh terhadap penggunaan lahan (FAO 1976). Lahan dalam pengertian yang lebih luas termasuk yang telah dipengaruhi oleh berbagai aktivitas flora, fauna dan manusia baik di masa lalu maupun saat sekarang, seperti lahan rawa dan pasang surut yang telah direklamasi atau tindakan konservasi tanah pada suatu lahan tertentu. Penggunaan yang optimal memerlukan keterkaitan dengan karakteristik dan kualitas lahannya. Hal tersebut disebabkan adanya keterbatasan dalam penggunaan lahan sesuai dengan karakteristik dan kualitas lahannya, bila dihubungkan dengan pemanfaatan lahan secara lestari dan berkesinambungan.
Kualitas Lahan
Kualitas lahan adalah sifat-sifat pengenal atau atribut yang bersifat kompleks dari sebidang lahan. Setiap kualitas lahan mempunyai keragaman (performance) yang berpengaruh terhadap kesesuaiannya bagi penggunaan tertentu dan biasanya terdiri atas satu atau lebih karakteristik lahan (land characteristics). Kualitas lahan ada yang bisa diestimasi atau diukur secara langsung di lapangan, tetapi pada umumnya ditetapkan dari pengertian karakteristik lahan (FAO 1976). Dalam evaluasi lahan sering kualitas lahan tidak digunakan tetapi langsung menggunakan karakteristik lahan (Driessen 1971; Staf PPT; FAO 1983), karena keduanya dianggap sama nilainya dalam evaluasi. Berikut ini adalah beberapa kualitas lahan pada evaluasi lahan pertanian secara umum:
1. Faktor Tingkat Bahaya Erosi (TBE)
Menurut Djaenuddin et al. (2011), tingkat bahaya erosi (TBE) dapat diprediksi berdasarkan keadaan lapangan, yaitu dengan cara memperhatikan adanya erosi lembar permukaan (sheet erosion), erosi alur (reel erotion), dan erosi parit (gully erotion). Cara lain yang lebih mudah memprediksi bahaya erosi adalah dengan memperhatikan rata-rata permukaan tanah yang hilang per tahun dibandingkan dengan tanah yang tidak tererosi yang tercirikan dengan masih adanya horizon A.
2. Faktor Banjir
Banjir ditetapkan sebagai kombinasi pengaruh dari: kedalaman banjir (X) dan lamanya banjir (Y). Kedua data tersebut dapat diperoleh melalui wawancara dengan penduduk setempat di lapangan.
Tabel 1 Kelas bahaya banjir
Simbol Kelas bahaya banjir
Kelas bahaya banjir berdasarkan
kombinasi kedalaman dan lamanya banjir (Fx,y)
Sumber: Djaenuddin et al. 2011
Karakteristik lahan
Karakteristik lahan adalah sifat lahan yang dapat diukur atau diestimasi. Dari beberapa pustaka menunjukkan bahwa penggunaan karakteristik lahan untuk keperluan evaluasi lahan bervariasi. Berikut ini adalah beberapa karakteristik yang digunakan pada evaluasi lahan secara umum:
1. Faktor Tanah
Faktor tanah dalam evaluasi kesesuaian lahan ditentukan oleh beberapa sifat atau karakteristik tanah di antaranya drainase tanah, tekstur, kedalaman tanah dan retensi hara (pH, KTK), serta beberapa sifat lainnya diantaranya alkalinitas, bahaya erosi, dan banjir/genangan.
2. Faktor Topografi
Topografi yang dipertimbangkan dalam evaluasi lahan adalah bentuk wilayah (relief) atau lereng dan ketinggian tempat di atas permukaan laut. Relief erat hubungannya dengan faktor pengelolaan lahan dan bahaya erosi. Sedangkan faktor ketinggian tempat di atas permukaan laut berkaitan dengan persyaratan tumbuh tanaman yang berhubungan dengan temperatur udara dan radiasi matahari.
3. Faktor Iklim
Salah satu faktor iklim yang digunakan adalah suhu, dimana pada daerah yang data suhu udaranya tidak tersedia, suhu udara diperkirakan berdasarkan ketinggian tempat dari permukaan laut. Semakin tinggi tempat, semakin rendah suhu udara rata-ratanya.
Faktor iklim lainya adalah curah hujan. Data curah hujan diperoleh dari hasil pengukuran stasiun penakar hujan yang ditempatkan pada suatu lokasi yang dianggap dapat mewakili suatu wilayah tertentu. Pengukuran curah hujan dapat dilakukan secara manual dan otomatis. Secara manual biasanya dicatat besarnya jumlah curah hujan yang terjadi selama 1 (satu) hari, yang kemudian dijumlahkan menjadi bulanan dan seterusnya tahunan. Sedangkan pengukuran curah hujan secara otomatis menggunakan alat-alat khusus yang dapat mencatat kejadian hujan setiap periode tertentu, misalnya setiap menit, setiap jam, dan seterusnya (Sitorus 1985).
Parameter Kesesuaian Lahan Untuk Penggunaan Tanaman Serealia
Sifat fisik tanah yang digunakan untuk menentukan kesesuaian lahan untuk penggunaan tanaman serealia adalah (Sevani et al. 2009):
1. Suhu
Suhu yang diperlukan adalah suhu udara rata-rata pada lahan yang akan digunakan.
2. Kedalaman Efektif
Kedalaman efektif merupakan kedalaman tanah yang masih dapat ditembus oleh akar tanaman. Kedalaman efektif dapat diukur dengan menghitung jarak antara permukaan tanah sampai pada lapisan di bawah tanah yang keras (batu). Pengukuran dilakukan dengan menggunakan alat ukur panjang yang biasa digunakan seperti penggaris dan hasilnya dituliskan dengan satuan centimeter (cm). 3. Bahan Kasar
Bahan kasar merupakan persentasi banyaknya bahan berukuran lebih dari 2 mm, seperti batu dan kerikil yang terdapat pada permukaan tanah.
4. Tekstur
Tekstur menyatakan ukuran butir-butir tanah. Yang dimaksud dengan butir tanah adalah bahan pembentuk tanah yang berukuran kurang dari 2 mm. Tekstur tanah ditentukan dengan cara meremas dan merasakan butir-butir tanah tersebut di permukaan pada saat tanah dalam kondisi basah.
5. Drainase
Drainase merupakan cepat atau lambatnya air diserap oleh suatu tanaman. Drainase dapat ditentukan dengan mengamati cepatnya air hilang dari permukaan tanah dan mengamati tekstur tanah, karena tekstur tanah pada suatu lahan sangat berhubungan dengan drainase pada lahan tersebut.
6. Tingkat Bahaya Erosi (TBE)
Parameter TBE merupakan parameter pengganti untuk parameter lereng. TBE dapat digunakan, apabila pengguna sistem tidak mengetahui nilai lereng. TBE menyatakan besarnya erosi yang mungkin terjadi pada lahan tersebut. Penentuan TBE dilakukan dengan menggunakan suatu rumus tertentu. Nilai TBE sangat berkaitan dengan kecuraman lereng.
7. Bahaya Banjir
Bahaya banjir merupakan parameter pengganti untuk parameter tekstur dan drainase. Nilai bahaya banjir dapat diisikan apabila pengguna tidak mengetahui nilai tekstur dan drainase. Bahaya banjir merupakan kombinasi dari kedalaman banjir dan lamanya banjir.
8. Lereng
Lereng yang terdapat pada lahan yang akan digunakan perlu diukur karena dapat mempengaruhi pola penggunaan lahan. Lereng dapat diukur dengan Abney Level atau Clinometer dan dinyatakan dalam persen.
Sedangkan sifat kimia dapat diukur di laboratorium tanah dengan suatu perlakuan khusus terhadap tanah pada lahan yang akan digunakan atau menggunakan satu set piranti uji yang sudah dikeluarkan oleh Badan Penelitian dan Pengembangan Sumberdaya Lahan Pertanian Bogor. Sifat kimia tanah yang digunakan sebagai parameter adalah (Sevani et al. 2009):
1. pH
pH merupakan sifat yang berkaitan dengan parameter kejenuhan basa. 2. Kapasitas Tukar Kation (KTK)
C-Organik menunjukkan kandungan kadar karbon dalam tanah. Karbon merupakan salah satu unsur hara makro yang diperlukan bagi pertumbuhan tanaman.
Komoditas Serealia
Serealia adalah biji-bijian dari famili rumput- rumputan (Gramineae) yang kaya akan karbohidrat sehingga dapat menjadi makanan pokok manusia, pakan ternak, dan industri yang menggunakan karbohidrat sebagai bahan baku (Muchtadi 2010). Serealia adalah jenis bahan makanan yang berasal dari keluarga biji-bijian seperti padi (Oryza sativa), jagung (Zae mays), gandum (Triticum sp), sorghum (Sorghum sp), dan lain-lain. Sebagian besar bahan makanan ini digunakan sebagai sumber bahan makanan pokok karena kandungan karbohidrat dalam bentuk patinya yang tinggi. Serealia atau padi-padian termasuk tumbuhan keluarga rumput-rumputan (Gramineae) yang menghasilkan bulir-bulir berisi biji-bijian.
3
METODE
Parameter Pengetahuan
Terdapat 16 parameter yang akan digunakan untuk menentukan kesesuaian lahan yang terdiri dari 12 parameter numerik dan 4 parameter kategori. Parameter numerik yaitu temperatur (0C), curah hujan (mm), kelembaban (%), pH, bahan
kasar (%), kedalaman tanah (cm), KTK liat (cmol), C-organik (%), kejenuhan basa (%), lereng (%), singkapan batuan (%) dan batuan permukaan (%). Sedangkan parameter kategori yaitu drainase, tekstur, bahaya erosi dan bahaya banjir.
Alat
Perangkat keras yang digunakan berupa komputer personal dengan spesifikasi:
Processor : Intel Core i3 2.53 GHz,
Memori : 2,048 GB
Harddisk : 550 GB. Perangkat lunak yang digunakan yaitu:
Sistem operasi : Window 7 Ultimate
Alat untuk pemrograman: Matlab 7.11.0 (R2010b)
Tahapan Penelitian
Identifikasi Masalah
Pada masa sekarang ini, Indonesia masih melakukan impor bahan pangan dengan membebaskan bea masuk gandum dan kedelai yang secara tidak langsung malah menekan produksi pangan Indonesia sendiri. Ditambah lagi masalah lahan pertanian yang semakin sempit karena konversi lahan ke non pertanian dan teknologi serta teknik pertanian yang ramah lingkungan tidak berkembang (IPB 2008).
Sistem pakar dapat membantu pelaksana pertanian dalam menentukan kesesuaian lahan, dimana sistem pakar memuat pengetahuan dari para pakar mengenai pengetahuan kesesuaian lahan yang akan digunakan dengan jenis tanaman yang akan ditanam. Sistem hybrid pada komputasi lunak didasarkan pada kesadaran bahwa menggabungkan metode akan lebih efisien dalam menyelesaikan masalah pada dunia nyata (Castellano et al. 2007). Setiap metode dasar dari komputasi lunak memiliki kelebihan dan kekurangan. Sistem fuzzy tidak memiliki pembelajaran otomatis seperti halnya jaringan saraf tiruan, walaupun demikian kedua metode ini tidak dapat digunakan tanpa adanya pengetahuan dari pakar. Di sisi lain, sistem fuzzy memiliki kelebihan dibandingkan jaringan saraf tiruan dan algoritme genetika yaitu dapat merepresentasikan pengetahuan dalam bentuk linguistik yang sesuai dengan penalaran manusia.
Akuisisi Pengetahuan Identifikasi Permasalahan
Sistem Kontrol dan Pelatihan Aturan Fuzzy dengan Jaringan
Syaraf Tiruan
Penentuan Pakar
Tuning Aturan Fuzzy dengan
Algoritme Genetika
Implementasi dan Uji Model Representasi Pengetahuan
Pengembangan
Me
sin
Inferensi
Gambar 14 Tahapan penelitian pemodelan sistem pakar
Pengguna
PenggunaWorkstationWorkstation
Program Antarmuka Pengguna
Akuisisi Pengetahuan
Penetapan Parameter Penentu Kesesuaian Lahan
Pengumpulan Data Perbaikan Kelas Kesesuaian Lahan Sistem Pakar untuk Evaluasi Kesesuaian Lahan Komoditas Serealia
Pakar
Fuzzy Genetika Neural Network Representasi Pengetahuan
Pemberian nilai keanggotaan
Perumusan kaidah pada
Knowledge Base
Adaptive Neuro Fuzzy Inference System
Parameter Non Fuzzy
Fungsi Keanggotaan Hasil Tuning
Tuning Fungsi Keanggotaan dengan Algoritme Genetika
Kesesuian Lahan
Kelompok Temperatur
Kelompok Media Perakaran Kelompok Retensi Hara
Kelompok Kondisi Lahan
Penentuan Pakar
Adapun sumber pengetahuan pada sistem pakar ini berasal dari:
Pakar
Pakar yang akan dimintai keterangan adalah orang-orang yang memiliki pendidikan formal di bidang tanah dan sumber daya lahan. Pengetahuan yang digunakan dalam perancangan sistem pakar ini adalah pengetahuan dari para pakar yang merupakan peneliti tanah dari Balai Besar Penelitian dan Pengembangan Sumberdaya Lahan Pertanian, Bogor dan staf pengajar dari Departemen Ilmu Tanah dan Sumber Daya Lahan, Fakultas Pertanian, IPB, Bogor.
Buku Teks
Buku teks yang digunakan adalah buku teks yang berisi informasi tentang tanah, seperti sifat-sifat tanah dan petunjuk evaluasi lahan
Akuisisi Pengetahuan
Menurut Marimin (2009), terdapat berbagai macam metode yang dapat digunakan dalam proses akuisisi pengetahuan, salah satunya adalah wawancara. Metode yang digunakan untuk proses akuisisi pengetahuan sistem pakar penentuan kelas kesesuaian lahan adalah metode wawancara dengan human expert dari IPB dan Litbang Tanah dan Sumber Daya Lahan Bogor, serta diskusi masalah dan analisis masalah. Wawancara dilakukan untuk menggali pengetahuan, fakta, serta kaidah yang dimiliki oleh pakar dalam menentukan kesesuaian lahan dan menentukan persyaratan tumbuh tanaman pangan. Dengan melakukan analisis masalah dapat diketahui bagaimana pakar menyelesaikan berbagai masalah yang diajukan berkaitan dengan proses penentuan kesesuaian lahan, sehingga didapatkan model pengetahuan kesesuaian lahan komoditas Serealia. Selanjutnya model pengetahuan divalidasi oleh pakar. Adapun tahapan akuisisi pengetahuan pada penelitian ini dapat dilihat pada Gambar 16.
Wawancara dengan Pakar
Pengorganisasian dari Buku Teks
Pemodelan Pengetahuan Kesesuaian
Lahan Komoditas Serealia Validasi ke Pakar
Gambar 16 Tahapan akuisisi pengetahuan sistem pakar evaluasi kesesuaian lahan komoditas serealia
Representasi Pengetahuan
Tuning Aturan Fuzzy dengan Algoritme Genetika
Proses tuning aturan kendali dalam sistem kendali fuzzy adalah untuk membuat sistem inferensi fuzzy memberikan hasil yang optimal dengan cara mengatur kembali parameter fungsi keanggotaan yang dipakai dalam sistem. Untuk itu diperlukan sekumpulan data latih yang merupakan pasangan data masukan dan keluaran yang dihasilkan dari sistem kendali fuzzy. Dalam hal ini data masukan berhubungan dengan nilai variabel masukan dan data keluaran dianggap sebagai nilai keluaran yang diharapkan dapat dihasilkan oleh sistem. Proses tuning akan memodifikasi parameter himpunan fuzzy dari variabel masukan sehingga sistem dapat memberikan keluaran yang mendekati data latih yang diberikan. Pendekatan yang dipakai dalam penelitian ini adalah pendekatan Pittsburgh dimana kromosom akan merepresentasikan seluruh basis aturan sebagai suatu individu, sehingga populasi dinyatakan sebagai kumpulan basis aturan (Herrera dan Magdalena 1995). Kromosom yang merupakan suatu basis aturan dari sistem fuzzy direpresentasikan sebagai Cr. Setiap aturan dalam sistem akan direpresentasikan sebagai kromosom
Cri. Dengan demikian suatu basis aturan dalam sistem fuzzy dengan m aturan akan
direpresentasikan sebagai Cr = Cr1 Cr2 … Crm. (Jaina et al. 2011; Eiben dan Smith
2003; Cordon et al. 2001; Herrera et al. 1995).
Suatu aturan yang berbentuk Ri : IF x1 is Ai1and ….. and xn is Ain THEN y is
Bi dengan fungsi keanggotaan untuk pemetaan data masukan dan keluaran
menggunakan fungsi trapezoidal, akan dikodekan menjadi kromosom: Cri =
(ai1,bi1,ci1,di1 … , ain,bin,cin,din, ai ). Dalam hal ini (aij, bij, cij, dij) adalah parameter
fungsi trapezoidal untuk variabel masukan ke j pada aturan ke i. Dengan demikian basis aturan akan direpresentasikan sebagai vektor kromosom yang dikodekan sebagai vektor bilangan real. Populasi dari R basis aturan dinyatakan sebagai: C = (C1….CR).
Populasi awal dibuat dari basis aturan awal yang diberikan oleh pakar. Kumpulan basis aturan awal ini merupakan kromosom yang dinyatakan sebagai C1.
Untuk keperluan proses tuning, kita definisikan untuk setiap gen ch dari C1, h = l…
H, dimana H = (n + l) * 4 dan n merupakan jumlah parameter input. Gen ch berada
pada interval [chl, chr]. Jika (t mod 4) = 1 maka ct adalah nilai terkiri dari titik yang
membentuk fungsi trapezoidal untuk himpunan fuzzy. Selanjutnya populasi awal untuk (C2…CR) diisi dengan basis aturan yang dibangkitkan secara acak dari
interval himpunan fuzzy dari variabel masukan seperti terlihat pada Gambar 17.
Gambar 17 Interval fungsi keanggotaan pembangkitan basis aturan acak Dengan demikian interval yang didefinisikan adalah sebagai berikut (Jaina et al. 2011; Eiben dan Smith 2003; Cordon et al. 2001; Herrera et al. 1995):
� ∈ [� . � ] = [� −� + − � . � +� + − � ]
ct+ ∈ [ct + . ctr+ ] = [ct+ −ct+ − ct+ . ct+ +ct+ − ct+ ]
ct+ ∈ [ct + . ctr+ ] = [ct+ −ct+ − ct+ . ct+ +ct+ − ct+ ]
(6) Jika terdapat sekumpulan data masukan-keluaran latih yang berukuran K, yaitu {(xi, yi) = (xi1, …, xin, yi), i = 1, …, K} maka kesalahan inferensi dari suatu
sistem berbasis fuzzy S, dengan kumpulan basis aturan (BR) dan kumpulan data masukan-keluaran training data (TRD) dihitung sebagai jumlah dari kuadrat error (Jaina et al. 2011; Eiben dan Smith 2003; Cordon et al. 2001; Herrera et al. 1995), yaitu:
( , , ) =� ∑�= ̂ − E S, BR, TRD = ∑ (yKi= i-S xi ) (7)
Fungsi fitness digunakan untuk mengukur ketangguhan setiap kromosom di dalam suatu populasi. Evaluasi nilai fitness dilakukan dengan tujuan untuk meminimumkan fungsi fitness. Fungsi fitness dari algoritma genetik untuk kromosom C yang merepresentasikan kumpulan basis aturan (BR), dan data training (TRD) didefinisikan sebagai berikut:
= ( , , ) =� ∑� ̂ −
= (8)
Operator genetik yang dapat digunakan adalah crossover dan mutasi. Crossover yang digunakan yaitu max-min arithmetical crossover sedangkan operator mutasi digunakan mutasi non uniform.
Operator max-min arithmetical crossover bekerja sebagai berikut (Jaina et al. 2011; Eiben dan Smith 2003; Cordon et al. 2001; Herrera et al. 1995):
Jika
= c , … , c … , cH
= c ′, … , c ′, … , c H′
dikawin silang, maka turunan yang dihasilkan adalah:
(9) dengan a adalah konstanta atau variabel yang nilainya bergantung pada usia populasi. Turunan yang dipilih adalah dua turunan dengan nilai fitness terbaik.
Operasi mutasi non uniform dilakukan sebagai berikut: Jika Cvt =
c , … , c , … , cH adalah kromosom suatu aturan dan elemen ck dipilih untuk
dimutasi (domain ck adalah [ckl, ckr]), maka hasilnya adalah vektor Cvt+ = c , … , c ′, … , cH
′ = {� + ∆ �, � − �
� − ∆ �, � − � (10)
Adaptive Neuro Fuzzy Inference System (ANFIS)
Struktur ANFIS digambarkan dalam diagram blok atau disebut arsitektur jaringan syaraf feedforward seperti Gambar 18.
Gambar 18 Struktur Adaptive Neuro Fuzzy Inference System (ANFIS) Lapisan 1: Semua simpul pada lapisan ini adalah simpul adaptif (parameter dapat berubah) dengan fungsi simpul (Ekong et al. 2012; Shanthi et al. 2009; Nguyen et al. 2003; Medsker 1999; Fuller 1995):
Oi1= μAi(x), i = 1, 2
Oi1 = μBi-2(y), i = 3, 4 (11)
dimana μAi and μBi menyatakan derajat keanggotaan (MF) tiap masukan terhadap
himpunan fuzzy A dan B.
Lapisan 2: Semua simpul pada lapisan ini adalah nonadaptif (parameter tetap). Fungsi simpul ini adalah mengalikan setiap sinyal masukan yang datang. Fungsi simpul:
(12) Tiap keluaran simpul menyatakan derajat pengaktifan (firing strength) tiap aturan fuzzy. Banyaknya simpul pada lapisan ini menunjukkan banyaknya aturan yang dibentuk.
Lapisan 3: Setiap simpul pada lapisan ini adalah simpul nonadaptif yang menampilkan fungsi derajat pengaktifan ternomalisasi (normalized firing strength) yaitu rasio keluaran simpul ke-i pada lapisan sebelumnya terhadap seluruh keluaran lapisan sebelumnya, dengan bentuk fungsi simpul:
(13) dimana ѿ adalah derajat pengaktifan ternormalisasi (normalized firing strengths) Lapisan 4: Setiap simpul pada lapisan ini adalah simpul adaptif dengan fungsi simpul:
Lapisan 5: Pada lapisan ini hanya ada satu simpul tetap yang fungsinya untuk menjumlahkan semua masukan. Fungsi simpul:
(15)
Keluaran pada Gambar 18 dapat ditulis sebagai berikut:
(16)
Implementasi
Implementasi sistem pakar penentuan kelas kesesuaian lahan untuk tanaman pangan dilakukan dengan menggunakan software Matlab 7.11.0 (R2010b). Matlab dapat memodelkan suatu aplikasi berbasis pengetahuan seperti jaringan saraf tiruan, sistem fuzzy dan algoritme genetika. Matlab juga sangat handal untuk komputasi yang terkait dengan array atau matriks. Kehandalan ini bisa terlihat mulai dari proses assignment variabel terhadap nilai bertipe array atau matriks yang sederhana, sampai dengan operasi perhitungannya yang cepat. Kesederhanaan dalam proses assignment variabel terhadap nilai bertipe array atau matriks ini disebabkan tidak diperlukannya pendefinisian ukuran (size) array atau matriks pada variabel tersebut. Secara otomatis, ukuran atau dimensi dari variabel bertipe array ini akan menyesuaikan dengan array yang diberikan atau dengan kata lain ukuran untuk variabel bertipe array ini bersifat dinamis.
Pengujian
Verifikasi dan validasi terhadap sistem pakar kesesuaian lahan komoditas serealia akan dilakukan oleh pakar. Apabila hasil pengujian dan validasi dari pakar menyatakan bahwa sistem pakar yang dirancang sudah cukup mewakili pengetahuan pakar, maka sistem pakar dapat langsung direkomendasikan untuk digunakan. Namun bila hasilnya masih dirasa kurang, maka harus ditinjau ulang basis pengetahuan yang ada.
4
HASIL DAN PEMBAHASAN
Desain Strukur Data
Data fuzzy dari pakar
Desain struktur data menggunakan himpunan fuzzy. Data dibedakan atas parameter dan fungsi keanggotaan fuzzy berdasarkan dari hasil wawancara dengan pakar. Pada penelitian ini, terdapat 2 jenis tanaman yaitu, padi sawah irigasi dan jagung. Setiap tanaman terdiri dari 16 parameter yang digunakan. Parameter kemudian dibagi menjadi 6 kelompok yaitu, temperatur (temperatur rerata, kelembaban), media perakaran (drainase, tekstur, bahan kasar, kedalaman tanah), retensi hara (KTK liat, kejenuhan basa, pH, C-Organik), bahaya erosi (lereng, bahaya erosi), bahaya banjir (genangan) dan kondisi lahan (batuan di permukaan, singkapan batuan) yang dapat dilihat pada Gambar 19. Sedangkan fungsi keanggotaan yang digunakan adalah fungsi trapezoidal.
Penetapan fungsi keanggotaan trapezoidal dilakukan berdasarkan pengalaman pakar tentang kecenderungan dari pola data yang ada. Pemilihan himpunan fuzzy dan domain dari masing-masing himpunan ditentukan berdasarkan pengamatan dan pengelompokkan pola nilai masing-masing parameter yang terdapat pada buku Petunjuk Teknis Evaluasi Lahan Untuk Komoditas Pertanian (2011) dan wawancara dengan pakar.
Gambar 19 Pengelompokan parameter kesesuaian lahan komoditas serealia Berdasarkan Gambar 19 dapat dilihat bahwa kelompok temperature memiliki input temperature rerata dan kelembaban. Temperatur rerata terdiri 4 himpunan fuzzy yaitu, AS1, AS2a, AS2b, AS3a, AS3b, ANa, dan ANb. Pengukuran temperatur rerata berkisar antara 5 0C – 50 0C. Nilai fuzzy temperatur dapat dilihat
pada Tabel 2.
Tabel 2 Nilai fuzzy temperatur rerata tanaman padi sawah irigasi
Parameter Himpunan
fuzzy Domain Keterangan
Temperatur (0C)
AS1 [23.75 24.25 28.75 29.25] Sangat sesuai AS2a
AS2b
[21.75 22.25 23.75 24.25] [28.75 29.25 31.75 32.25]
Cukup sesuai batas bawah Cukup sesuai batas atas AS3a
AS3b
[17.75 18.25 21.75 22.25] [31.75 32.25 34.75 35.25]
Sesuai marginal batas bawah Sesuai marginal batas atas ANa
ANb
[5 5 17.75 18.25] [34.75 35.25 50 50]
Tidak sesuai batas bawah Tidak sesuai batas atas
Gambar 20 Fungsi keanggotaan temperatur rerata tanaman padi sawah irigasi Kelembaban terdiri 3 himpunan fuzzy yaitu, BS1, BS2, BS3a dan BS3b. Pengukuran kelembaban berkisar antara 0 – 100. Tabel 3 dan Gambar 21 menunjukkan himpunan fuzzy yang dimaksud.
Tabel 3 Nilai fuzzy kelembaban tanaman padi sawah irigasi
Parameter Himpunan
fuzzy Domain Keterangan
Kelembaban (%)
BS1 [32.75 33.25 89.75 90.25] Sangat sesuai BS2 [29.75 30.25 32.75 33.25] Cukup sesuai BS3a
BS3b
[0 0 29.75 30.25] [89.75 90.25 100 100]
Sesuai marginal batas bawah Sesuai marginal batas atas
Gambar 21 Fungsi keanggotaan kelembaban tanaman padi sawah irigasi Secara detail, pengelompokan pola nilai parameter padi sawah irigasi dan jagung dapat dilihat pada Lampiran 1 dan Lampiran 2.
Selain parameter numerik, pada penelitian ini juga menggunakan parameter kategori yang terdiri dari drainase, tekstur, bahaya erosi dan bahaya banjir. Kategori untuk parameter drainase dapat dilihat pada Tabel 4.
Tabel 4 Kategori untuk parameter drainase tanaman padi sawah irigasi
Parameter Kelas Kategori
Drainase S1 Agak terhambat, sedang
S2 Terhambat, baik
S3 Sangat terhambat, agak cepat N Cepat
Tabel 5 Kategori untuk parameter tekstur tanaman padi sawah irigasi
Parameter Kelas Kategori
Tekstur S1 Halus, agak halus
S2 Sedang
S3 Agak kasar
N Kasar
Kategori untuk parameter bahaya erosi pada tanaman padi sawah irigasi dapat dilihat pada Tabel 6.
Tabel 6 Kategori untuk parameter bahaya erosi tanaman padi sawah irigasi
Parameter Kelas Kategori
Bahaya erosi S1 Sangat rendah
S2 Rendah
S3 Sedang
N Berat
Kategori untuk parameter bahaya banjir pada tanaman padi sawah irigasi dapat dilihat pada Tabel 7.
Tabel 7 Kategori untuk parameter bahaya banjir tanaman padi sawah irigasi
Parameter Kelas Kategori
Bahaya banjir S1 F0, F11, F12, F21, F23, F31, F32 S2 F13, F22, F33, F41, F42, F43
S3 F14, F24, F34, F44 N F15, F25, F35, F45
Basis aturan
Pada perhitungan data fuzzy digunakan kaidah IF-THEN. Aturan dibuat berdasarkan pendapat pakar. Jumlah aturan sesuai dengan perkalian jumlah parameter dan himpunan fuzzy nya. Pada penelitian ini, terdapat 2 jenis tanaman yaitu, padi sawah irigasi dan jagung. Setiap tanaman terdiri dari 16 parameter yang digunakan dan setiap parameter memiliki beberapa himpunan fuzzy. Aturan yang terbentuk jika semua himpunan fuzzy dari 16 parameter dikombinasikan adalah sekitar 660 juta aturan. Untuk mengatasi permasalahan tersebut, parameter kemudian dibagi menjadi 6 kelompok berdasarkan kualitas lahan, yaitu:
1. Temperatur dan ketersediaan air: Suhu, kelembaban dan curah hujan tahunan. 2. Media perakaran : Drainase, tekstur, bahan kasar dan kedalaman tanah. 3. Retensi hara : KTK liat, kejenuhan basa, pH H2O dan C-Organik. 4. Erosi : Lereng dan bahaya erosi.
5. Genangan banjir : Genangan.
6. Kondisi lahan : Batuan di permukaan dan singkapan batuan.
Tabel 8 Basis aturan kelompok parameter temperatur tanaman padi sawah irigasi
Basis aturan untuk kelompok lainnya dapat dilihat pada Lampiran 3.
Data fuzzy hasil tuning dengan algoritme genetika
Pada tahap algoritme genetika, parameter yang digunakan pada tahap algoritme genetika yaitu probabilitas mutasi (Pm) = 0.1 dan probabilitas crossover (Pc) = 0.6. Adapun tahapan tuning fungsi keanggotaan fuzzy menggunakan algoritme genetika untuk kesesuaian lahan komoditas serealia adalah sebagai berikut:
1. Representasi kromosom dan individu
