SISTEM PAKAR
FUZZY
PREDIKSI EFEKTIVITAS RESPON
TUMBUH FUNGI EKTOMIKORIZA PADA TANAMAN
KEHUTANAN
ZURIATI
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI
Dengan ini saya menyatakan bahwa tesis Sistem Pakar Fuzzy Prediksi Efektivitas Respon Tumbuh Fungi Ektomikoriza Pada Tanaman Kehutanan adalah 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.
Bogor, Maret 2012
Zuriati
ABSTRACT
ZURIATI. Fuzzy expert system for ectomycorrhizal fungi growth response effectiveness prediction on forestry tree. Supervized by MARIMIN and AZIZ KUSTIYO.
The growth response effectiveness of ectomycorrhizal fungi is influenced by environmental factors and compatibility with the host plan. An ectomycorrhizal fungi has its own growing characteristics including its level of effectiveness and interaction with the different physiology of the host plant. Thus, experience and expertise are required to make an accurate prediction of the effectiveness of ectomycorrhizal fungi. The objective at this study is designing an expert system model that can predict the effectiveness of ectomycorrhizal fungi quickly, accurately, and easily. The model is developed using a combination of decision trees and adaptive neuro fuzzy inference system (ANFIS). The process is divided into two stages. In the first stage, decision tree with classification and regression tree (CART) algorithm is used as feature selection procedure to select the most important variables. In the last stage, ANFIS is used to predict the growth response effectiveness of ectomycorrhizal fungi. The following process are showing how CART algorithm works, first the process of growing the tree based on the training data, second the process of pruning the tree which is based on the minimum cost-complexity principle. The CART results to identify the structure and parameter of ANFIS
Keywords: expert system, fuzzy, decision trees, CART, ANFIS, effectiveness, ectomycorrhizal.
RINGKASAN
ZURIATI. Sistem Pakar Fuzzy Prediksi Efektivitas Respon Tumbuh Fungi Ektomikoriza Pada Tanaman Kehutanan. Dibawah bimbingan MARIMIN dan AZIZ KUSTIYO.
Mikoriza adalah istilah yang digunakan untuk menggambarkan simbiosis antara fungi dengan akar tanaman. Simbiosis ini diyakini dapat meningkatkan pertumbuhan tanaman inang. Efektivitas mikoriza dipengaruhi oleh faktor lingkungan tanah yang meliputi faktor abiotik dan biotik. Faktor abiotik meliputi konsentrasi hara, pH tanah, intensitas cahaya, kadar air tanah, suhu, pengolahan tanah, jenis media tanam, dan penggunaan pupuk atau pestisida. Faktor biotik meliputi interaksi antar mikroba, spesies fungi, tanaman inang, tipe perakaran tanaman inang, dan kompetisi antar fungi. Setiap spesies fungi mikoriza memiliki karakteristik tumbuh tersendiri serta tingkat efektivitas dan interaksi fisiologi yang berbeda terhadap tumbuhan inangnya. Sebagai akibatnya, semua faktor lingkungan yang memengaruhi fisiologi tanaman inang juga akan memengaruhi fungi mikoriza, sehingga faktor kecocokan dengan tanaman inang juga menjadi faktor penting dalam prediksi efektivitas fungi mikoriza. Karena hal tersebut, maka prediksi efektivitas memerlukan pengalaman dan keahlian tertentu, hal ini menjadi suatu kendala bagi masyarakat umum, seperti mahasiswa, petani atau pengusaha hutan tanamanan industri. Oleh karena itu perlu dibangun suatu model sistem pakar yang dapat membantu memprediksi efektivitas fungi mikoriza secara cepat, tepat, dan mudah.
Penelitian ini bertujuan untuk mengimplementasikan sistem pakar fuzzy pada prediksi efektivitas respon tumbuh mikoriza dari kelompok ektomikoriza pada tanaman kehutanan. Pada penelitian ini dikembangkan metode neurofuzzy. Neurofuzzy adalah suatu metode yang mengkombinasikan penggunaan logika samar (fuzzy logic) dan jaringan syaraf tiruan (Artificial Neural Network), yang sering disebut Adaptive Neuro Fuzzy Inference System (ANFIS). Alasan penggunaan sistem neurofuzzy karena sistem ini merupakan teknologi yang saling melengkapi. Jaringan syaraf tiruan digunakan untuk melatih dan mengawasi informasi sistem dan sistem fuzzy digunakan sebagai metode inferensi informasi linguistik dan verbal dari pakar.
Representasi pengetahuan yang digunakan pada penelitian ini adalah representasi fuzzy, hal ini disebabkan karena faktor lingkungan pada sistem memiliki sifat ambiguitas dan ketidakpastian. Variabel input sistem bersifat fuzzy dan nonfuzzy. Variabel input yang bersifat fuzzy yaitu: suhu, pH tanah, kapasitas tukar kation (KTK), kandungan fosfor, karbon, nitrogen, kalium, aluminium, magnesium, dan kandungan kalsium. Sedangkan variabel input lainnya yang bersifat nonfuzzy adalah spesies fungi ektomikoriza dan jenis tanaman inang, yang dihubungkan dengan nilai kecocokan inang. Variabel output pada sistem ini adalah persentase efektivitas respon tumbuh yang didasarkan pada nilai biomassa (berat kering total) tanaman inang.
input ANFIS perlu diseleksi, dalam penelitian ini digunakan metode decision tree dengan algoritme Classification and Regresion Tree (CART). Algoritme CART melalui pohon regresinya digunakan untuk melakukan pemilihan peubah dominan dari sederet peubah yang dilibatkan, dan untuk mengidentifikasi peubah-peubah yang hanya berpengaruh dan berinteraksi secara lokal dalam kelompok tertentu dalam prediksi efektivitas respon tumbuh fungi ektomikoriza.
Untuk membangun sebuah pohon keputusan yang cocok, CART pertamakali menumbuhkan tree secara luas didasarkan pada gugus data pelatihan, dan kemudian memangkas kembali pohon didasari atas prinsip kompleksitas biaya minimum. Hasilnya adalah runutan tree dengan ukuran yang bervariasi, tree terakhir yang dipilih adalah tree dengan ukuran terbaik.
Pohon regresi yang terbentuk pada model Ekto1, berukuran 39 daun. Hasil dari pemangkasan untuk pohon tersebut menghasilkan pohon berukuran 13 daun dengan tiga input terpilih yaitu kecocokan inang, suhu, dan magnesium (Mg). Pohon regresi yang terbentuk pada model Ekto2, berukuran 43 daun. Hasil dari pemangkasan untuk pohon tersebut menghasilkan pohon berukuran 11 daun dengan empat input terpilih yaitu kecocokan inang, fosfor (P), aluminium (Al), dan kalium (K). Pohon regresi yang terbentuk pada model Ekto3, berukuran 29 daun. Hasil dari pemangkasan untuk pohon tersebut menghasilkan pohon berukuran 7 daun dengan tiga input terpilih yaitu kecocokan inang, nitrogen (N), dan kalsium (Ca). Hasil dari algoritme CART akan dijadikan dasar untuk identifikasi struktur dan parameter jaringan ANFIS. Fungsi keanggotaan yang digunakan adalah Gaussian.
Jumlah rule yang dihasilkan model bervariasi, untuk model Ekto1 dihasilkan 27 rule, untuk model Ekto2 dihasilkan 81 rule, sedangkan untuk model Ekto3 dihasilkan 27 rule.
Kinerja model yang dibangun diukur dengan melakukan analisa korelasi dan dengan menghitung mean absolute percentage error (MAPE). Nilai korelasi pada model Ekto1 adalah 0.998, untuk Ekto2 adalah 0.997, dan untuk Ekto 3 adalah 0.999. Dari nilai korelasi yang dihasilkan dapat dinyatakan bahwa ada hubungan yang sangat erat antara nilai efektivitas respon tumbuh fungi ektomikoriza dengan hasil prediksi model ANFIS.
Nilai MAPE untuk Ekto1 adalah 1.47%, untuk Ekto2 adalah 1.29%, dan untuk Ekto3 adalah 3.40%. Dari kecilnya nilai MAPE yang dihasilkan menunjukan bahwa akurasi model sangat baik.
Pada sistem dilakukan juga pengujian terhadap pakar mikoriza, hal ini dilakukan untuk mengetahui apakah sistem yang telah dibangun sudah mewakili human expert. Pengujian dilakukan oleh pakar dengan memberikan berbagai kombinasi input kepada sistem kemudian melihat outputnya. Output sistem akan dinilai oleh pakar. Uji coba dilakukan untuk setiap species fungi ektomikoriza.
Sistem pakar yang dibangun juga dilengkapi dangan saran tentang hal-hal yang harus dilakukan oleh pengguna terkait kategori efektivitas respon tumbuh yang dihasilkan model.
© Hak Cipta Milik IPB, Tahun 2012 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 yang wajar IPB
SISTEM PAKAR
FUZZY
PREDIKSI EFEKTIVITAS RESPON
TUMBUH FUNGI EKTOMIKORIZA PADA TANAMAN
KEHUTANAN
ZURIATI
Tesis
Sebagai salah satu syarat untuk memperoleh gelar
Magister Ilmu Komputer pada
Program Studi Magister Ilmu Komputer
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
Judul Penelitian : Sistem Pakar Fuzzy Prediksi Efektivitas Respon Tumbuh Fungi Ektomikoriza Pada Tanaman Kehutanan
Nama : Zuriati NIM : G 651090081
Disetujui Komisi Pembimbing
Prof. Dr. Ir. Marimin, M.Sc Aziz Kustiyo, S.Si, M.Kom
Ketua Anggota
Diketahui
Ketua Program Studi Dekan Sekolah Pascasarjana
Ilmu Komputer
Dr. Yani Nurhadryani, S.Si, M.T Dr. Ir. Dahrul Syah, M.Sc.Agr
PRAKATA
Alhamdulillahirabbil ‘alamin, penulis panjatkan puji dan syukur ke hadirat Allah SWT yang telah memberikan rahmat, hidayah, serta karuniaNya sehingga penulis dapat menyelesaikan tesis yang berjudul Sistem Pakar Fuzzy Prediksi Efektivitas Respon Tumbuh Fungi Ektomikoriza Pada Tanaman Kehutanan.
Penulis mengucapkan terima kasih kepada Bapak Prof. Dr. Ir. Marimin, M.Sc dan Bapak Aziz Kustiyo, S.Si, M.Kom selaku pembimbing 1 dan 2 yang telah begitu sabar dan teliti dalam memberikan banyak masukan kepada penulis dalam penyusunan tesis ini. Selanjutnya penulis ingin mengucapkan terima kasih kepada:
1. Suami tercinta, yang selalu mendo’akan dan memberi motivasi.
2. Aba, Ama dan Ibu Mertua yang selama ini selalu mendukung dan berdoa demi kelancaran studi penulis. Anak – anak tercinta yang dapat memahami dan bersabar kepada penulis dalam penyelesaian tesis ini.
3. Rekan-rekan seperjuangan angkatan XI S2 Ilmu Komputer IPB, untuk sobatku Dewi, Sinta, Ari, Retno, Mukhlis, Rico, atas kebersamaan dan bantuannya selama kuliah dan penelitian di ILKOM IPB.
4. Bapak Dr Yadi Setiadi beserta staf di Pusat Antar Universitas (PAU) IPB dan Ibu Melya Riniarti di Fakultas Kehutanan Universitas Lampung.
5. Departemen Ilmu Komputer beserta dosen dan staf yang telah banyak membantu dalam penyusunan tesis ini. dan kepada semua pihak yang telah membantu penulis dalam penyusunan tesis ini yang tidak bisa disebutkan satu per satu. Semoga Allah SWT yang membalas semua kebaikannya.
Penulis menyadari bahwa dalam penulisan tesis ini masih banyak kekurangan. Kritik, saran, dan masukan dalam penelitian ini sangat penulis harapkan, demi sempurnanya tesis ini di kemudian hari.
Bogor, Maret 2012
RIWAYAT HIDUP
Penulis dilahirkan di Duri pada tanggal 3 Juni 1970 sebagai anak pertama dari lima bersaudara pasangan H. Zulkifli dan Hj. Saniwar. Pendidikan dasar dimulai dari TK Mutiara Duri, dan SDN 1 Sebanga Duri. Kemudian, penulis melanjutkan pendidikan menengah ke SMPN 2 Sebanga Duri, lalu SMAN 1 Bukittinggi. Setelah lulus SMA pada tahun 1989, penulis berkesempatan melanjutkan studi di Program Studi Teknik Komputer Universitas Gunadarma dan lulus pada tahun 1994 .
DAFTAR ISI
Halaman
DAFTAR TABEL ... xi
DAFTAR GAMBAR ... xii
DAFTAR LAMPIRAN... xiv
1 PENDAHULUAN ... 1
1.1 Latar Belakang ... 1
1.2 Tujuan Penelitian... 4
1.3 Ruang Lingkup Penelitian ... 5
1.4 Manfaat Penelitian... 5
2 TINJAUAN PUSTAKA ... 6
2.1 Sistem Pakar ... 6
2.1.1 Fasilitas Akuisisi Pengetahuan ... 7
2.1.2 Basis Pengetahuan dan Basis Aturan... 7
2.1.3 Mesin Inferensi ... 7
2.1.4 Fasilitas Penjelasan Sistem ... 8
2.1.5 Antarmuka Pemakai ... 8
2.2 Sistem Pakar Fuzzy... 8
2.2.1 Himpunan Fuzzy... 8
2.2.2 Fungsi Keanggotaan ... 9
2.3 Sistem Inferensi Fuzzy (FIS) ... 10
2.3.1 Struktur Dasar FIS ... 10
2.3.2 Model Inferensi Fuzzy Sugeno ... 11
2.4 Decision Tree... 12
2.4.1 Classification and Regression Tree (CART)... 13
2.4.2 Aturan Pemilahan ... 14
2.4.3 Aturan Growing dan Kriteria Goodness of Split... 14
2.4.4 Penentuan Ukuran Pohon yang Layak... 15
2.5 Adaptive Neuro Fuzzy Inference System (ANFIS) ... 17
2.5.1 Arsitektur ANFIS ... 17
2.5.2 Algoritme Pembelajaran Hybrid... 19
2.6 Koefisien Korelasi... 22
2.7 Mean Absolute Percentage Error (MAPE)... 23
2.8 K-fold Cross Validation... 24
2.9 Mikoriza ... 24
2.9.1 Ektomikoriza ... 24
2.9.2 Manfaat Ektomikoriza pada Tanaman Inang... 25
3 METODE PENELITIAN ... 30
3.1 Kerangka Pemikiran ... 30
3.2 Tahapan Penelitian... 32
3.2.1 Identifikasi Masalah ... 33
3.2.2 Pencarian Sumber Pengetahuan ... 33
3.2.3 Akuisisi Pengetahuan ... 34
3.2.4 Pengumpulan dan Praproses Data... 35
3.2.4.1 Pengumpulan Data ... 35
3.2.4.2 Praproses Data ... 36
3.2.5 Representasi Pengetahuan... 38
3.2.6 Pengembangan Mesin Inferensi ... 39
3.2.7 Implementasi ... 40
3.2.8 Pelatihan dan Pengujian Model... 40
3.2.9 Pengujian Model pada Pakar... 40
3.3 Waktu dan Tempat Penelitian... 41
3.4 Kebutuhan Alat dan Bahan Penelitian ... 41
4 RANCANG BANGUN SISTEM ... 42
4.1 Asumsi Rancang Bangun Sistem Pakar... 42
4.2 Rancang Bangun Sistem Pakar ... 43
4.3 Pemodelan Sistem... 43
4.3.1 Komposisi Data... 44
4.3.2 Himpunan fuzzy... 46
4.3.3 Desain Arsitektur ANFIS... 57
4.3.3.1 Identifikasi Struktur dan Parameter ANFIS... 57
4.3.3.2 Arsitektur ANFIS... 65
4.3.4 Basis Aturan (Rule Base) ... 69
4.4 Proses Inferensi... 70
4.5 Desain Output... 72
5 PENGUJIAN DAN PEMBAHASAN ... 75
5.1Pembelajaran ANFIS ... 75
5.2Pelatihan dan Pengujian Model ANFIS ... 76
5.2.1 Pelatihan dan Pengujian Model Ekto1 ... 77
5.2.2 Pelatihan dan Pengujian Model Ekto2 ... 78
5.2.3 Pelatihan dan Pengujian Model Ekto3 ... 79
5.3Pengukuran Kinerja Sistem ... 80
5.4Pengujian Pakar ... 87
5.5 Implikasi Manajerial ... 94
5.6Keterbatasan Sistem ... 95
5.7Kompleksitas Sistem ... 96
6 SIMPULAN DAN SARAN ... 98
6.1Simpulan... 98
6.2 Saran... 99
DAFTAR PUSTAKA ... 100
DAFTAR TABEL
Halaman
1 Dokumentasi data ……… 37
2 Dokumentasi data training dan data testing model……….. 37
3 Nama-nama model ANFIS………... 44
4 Parameter input dan output prediksi efektivitas ektomikoriza………… 45
5 Contoh data input……… 45
6 Data inputnonfuzzy kecocokan inang …..……….……….. 46
7 Rangkuman variabel fuzzy input…………..……….………... 47
8 Rangkuman output CART ……… …... 65
9 Rangkuman kegunaan setiap layer ANFIS……….. 65
10 Rentang nilai efektivitas respon tumbuh (e)……… 72
11 Saran berdasarkan kategori linguistik efektivitas respon tumbuh…….. 74
12 Perbandingan hasil prediksi dengan data aktual Ekto1 ………... 81
13 Perbandingan hasil prediksi dengan data aktual Ekto2 ………... 83
14 Perbandingan hasil prediksi dengan data aktual Ekto3 ………... 85
15 Rangkuman hasil korelasi dan MAPE model……….. 86
16 Pengujian pakar untuk model Ekto1 ……….. 91
17 Pengujian pakar untuk model Ekto2 ……….. 92
DAFTAR GAMBAR
Halaman
1 Struktur bagan sistem pakar ……… 6
2 Representasi fungsi keanggotaan Gaussian………. 9
3 4 Representasi fungsi keanggotaan Trapesium..………. Blok diagram FIS ……… 10 11 5 Model fuzzy Sugeno ……… 12
6 Arsitektur ANFIS…….………... 19
7 Model perambatan balik error dari simpul O5 ke simpul O1,1 22 …………. 8 Diagram kerangka pemikiran sistem pakar………..……… 31
9 Tahapan penelitian sistem pakar……… ………. 32
10 Representasi kurva Gaussian kecocokan inang ……..……… 49
11 Representasi kurva Gaussian pH…….……… ……….……….. 49
12 Representasi kurva Gaussian suhu………….... ……….. 50
13 Representasi kurva Gaussian KTK………….. ………... 51
14 Representasi kurva Gaussian fosfor ……… 52
15 Representasi kurva Gaussian aluminium…………... 53
16 Representasi kurva Gaussian kalsium ………..……….. 53
17 Representasi kurva Gaussian nitrogen ………... 54
18 Representasi kurva Gaussian kalium ……….. 55
19 Representasi kurva Trapesium magnesium…. ………... 55
20 Representasi kurva Gaussian karbon………... 56
21 Pembentukan tree model Ekto1 ………... 58
22 Pemangkasan tree model Ekto1………... 59
23 Pembentukan tree model Ekto1 setelah validasi data ….……… 60
24 Pemangkasan tree model Ekto1 setelah validasi data ………. 60
25 Pembentukan tree model Ekto2 ………... 61
26 Pemangkasan tree model Ekto2……….. 62
27 Pembentukan tree model Ekto3……….. 63
29 Arsitektur ANFIS model Ekto1……….. 66
30 Arsitektur ANFIS model Ekto2……….. 67
31 Arsitektur ANFIS model Ekto3……… 68
32 Hasil pelatihan FIS model Ekto1………. 75
33 Hasil pelatihan FIS model Ekto2………. 76
34 Hasil pelatihan FIS model Ekto3………. 76
35 Hasil pengujian FIS terhadap data training model Ekto1……… 77
36 Hasil pengujian FIS terhadap data testing model Ekto1……….. 78
37 Hasil pengujian FIS terhadap data training model Ekto2……… 78
38 Hasil pengujian FIS terhadap data testing model Ekto2……….. 79
39 Hasil pengujian FIS terhadap data training model Ekto3……… 79
40 Hasil pengujian FIS terhadap data testing model Ekto3……….. 80
41 Grafik korelas model Ekto1………..………... 82
42 Grafik korelasi model Ekto2……….………... 84
43 Grafik korelasi model Ekto3……….………... 86
44 Ilustrasi uji coba pakar pada model Ekto1………... 88
45 Ilustrasi uji coba pakar pada model Ekto2………... 89
46 Ilustrasi uji coba pakar pada model Ekto3………... 90
DAFTAR LAMPIRAN
Halaman
1 Rule Viewer Model... 105
2 Rule of Inference Ektomikoriza. ... 108
3 Dokumentasi Penggunaan Sistem ... 117
4 Histogram Pola Data Input... 130
5 Listing Program Algoritme CART... 134
DAFTAR ISTILAH
A
Akuisisi pengetahuan : Proses untuk mendapatkan pengetahuan, fakta, dan aturan yang diperlukan dan dirangkum dalam basis pengetahuan.
Algoritme : Penjelasan dari suatu proses pemecahan masalah yang disusun secara berurutan dan terperinci.
Algoritme hybrid : Salahsatu algoritme pelatihan ANFIS, pada proses pelatihannya menggabungkan dua metode. Pada langkah maju menggunakan metode least square estimator dan pada langkah mundur menggunakan metode gradient descent.
ANFIS : Adaptive neuro fuzzy inference system adalah sistem yang menggabungkan jaringan syaraf tiruan dengan fuzzy inference system (FIS).
B
Biomassa : Berat kering total tanaman.
C
CART : Classification and regression tree. Salah satu algoritme dari metode decision tree untuk permasalahan klasifikasi dan regresi.
D
Decision tree : Pohon keputusan, metode pada permasalahan
klasifikasi dan regresi.
bilangan tunggal (crisp).
Dipterocarpaceae : Suku kelompok tanaman yang mendominasi hutan hujan tropika.
E
Efektivitas : Kemampuan mikoriza dalam menghasilkan pengaruh atau menunjukan kinerja tertentu pada keadaan yang tidak menguntungkan.
Ektomikoriza : Hasil simbiosis antara jamur pembentuk ektomikoriza dengan akar tanaman.
F
FIS : Fuzzy inference system adalah sistem yang
menerapkan logika fuzzy dalam penarikan kesimpulan atau proses inferensi.
Fotosintesis : Suatu proses biokimia anabolisme, pembentukan zat makanan atau energy yaitu glukosa yang dilakukan tumbuhan, alga, dan beberapa jenis bakteri dengan menggunakan zat hara, karbondioksida, dan air serta dibutuhkan bantuan energi cahaya mattahari.
Fungi : Sekelompok besar makhluk hidup eukariotik eterotrof yang mencerna makanannya di luar tubuh lalu menyerap molekul nutrisi ke dalam sel-selnya. Fuzzifikasi : Proses memetakan bilangan tunggal (crisp) ke
variabel kata-kata (linguistic).
Fuzzy : Himpunan dengan variabel kata-kata. Fungsi
H
Hartig net : Hifa yang membentuk struktur seperti net (jala) di antara dinding sel-sel jaringan korteks.
Hifa : Struktus biologis berupa berkas-berkas halus yang merupakan bagian dari tubuh vegetatif berbagai fungi.
I
Inferensi : Proses mendapatkan fakta baru dari fakta yang sudah.
Inokulasi : Proses penularan, yaitu jatuhnya inokulum pada tanaman inangnya.
Inokulum : Bahan inokulasi.
J
Jaringan korteks : Jaringan pertama dari akar. Jaringan ini terdiri dari sel yang mempunyai dinding yang tipis.
K
Kapasitas tukar kation : Salah satu sifat kimia tanah yang terkait erat dengan ketersedian hara bagi tanaman dan menjadi indicator kesuburan tanah.
Kompatibilitas : Tingkat kecocokan.
Korelasi : Analisa yang membahas derajat hubungan antara dua variabel. Dua variabel dikatakan berkorelasi apabila perubahan pada satu variabel diikuti oleh perubahan variabel lainnya, baik searah maupun tidak.
L
M
MAPE : Mean absolute percentage error adalah rata-rata keseluruhan persentase kesalahan antara data actual dan data hasil peramalan.
Media : Perantara atau pengantar.
Mikoriza : Istilah yang menggambarkan hubungan simbiosis mutualistik antara fungi (mykles) dan perakaran (rhiza) tumbuhan tingkat tinggi.
Miselia : Hifa yang membentuk massa yang rapat dan membentuk koloni-koloni pada bagian tubuh organisme inang atau sisa-sisa organisme atau makanan.
N
Neurofuzzy : Metode gabungan fuzzy dan jaringan syaraf tiruan.
P
Patogen : Agen biologis yang menyebabkan penyakit pada inangnya.
R
Respon : Tanggapan atau balasan (respon) terhadap
rangsangan atau stimulus.
S
1.1 Latar Belakang
Mikoriza adalah istilah yang digunakan untuk menggambarkan hubungan atau simbiosis antara fungi dengan sistem perakaran tanaman (Yin et al. 2011; Tata 2011). Istilah mikoriza pertama kali digunakan oleh Frank pada tahun 1885 ketika menjelaskan adanya simbiosis antara sejenis fungi dengan akar tanaman (Yin et al. 2011). Istilah mikoriza diambil dari bahasa Yunani yang secara harfiah berarti fungi (mykes = miko) dan perakaran (rhiza) (Setiadi 2007).
Dewasa ini mikoriza sangat populer dan banyak mendapat perhatian dari peneliti lingkungan hidup dan ahli biologi karena memiliki berbagai manfaat. Di antara manfaat mikoriza adalah sebagai pupuk hayati karena dapat membantu penyerapan unsur hara dan air (Peterson et al. 2004, Riniarti 2011), sehingga dapat meningkatkan kesuburan dan ketahanan tanaman terhadap kekeringan (Setiadi 2000; Simanungkalit 2006; Umam 2007). Novriani dan Madjid (2009) menyebutkan mikoriza dapat dijadikan sebagai salah satu alternatif teknologi untuk membantu pertumbuhan, meningkatkan produktivitas dan kualitas tanaman terutama yang ditanam pada lahan yang kurang subur atau bekas industri. Mikoriza juga mampu melindungi tanaman dari penyakit atau patogen akar dan hama (Peterson et al. 2004; Auge 2001), selain itu mampu membantu dalam program rehabilitasi lahan pasca tambang dan pembenah lahan kritis. Manfaat lain adalah beberapa fungi ektomikoriza memiliki tubuh buah yang dapat dikonsumsi oleh manusia (Peterson et al. 2004; Riniarti2011).
Sebelum mikoriza digunakan, perlu dilakukan serangkaian penelitian berupa uji infektivitas dan efektivitas (Kabirun 1992, diacu dalam Pandanwangi 1999). Uji infektivitas adalah uji terhadap kemampuan mikoriza mengkolonisasi pada akar tanaman, sedangkan efektivitas merupakan kemampuan mikoriza dalam menghasilkan pengaruh atau menunjukan kinerja tertentu, misalnya peningkatan penyerapan unsur fosfor, peningkatan biomassa, peningkatan tinggi atau diameter tanaman, ketahanan terhadap kekeringan atau penyakit, dan lain-lain. Selanjutnya untuk tanaman kehutanan penentuan efektivitas dilakukan pada saat vegetatif, dengan mengukur diameter batang, tinggi tanaman, biomassa (berat kering total) tanaman dan kandungan fosfor tanaman pada waktu tertentu (Pandanwangi 1999). Efektivitas mikoriza dipengaruhi oleh faktor lingkungan abiotik dan biotik. Faktor abiotik meliputi konsentrasi hara, pH tanah, intensitas cahaya, kadar air tanah, suhu, pengolahan tanah, jenis media tanam dan penggunaan pupuk atau pestisida. Faktor biotik meliputi interaksi antar mikroba, spesies fungi mikoriza, tanaman inang, tipe perakaran tanaman inang, dan kompetisi antar fungi (Simanungkalit 2006; Novriani & Madjid 2009). Selain itu efektivitas juga dipengaruhi oleh lamanya isolasi fungi dalam biakan, umur inokulum, metode inokulasi, dan jenis inang (Fakuara 1988 dalam Martiningsih 2000). Inokulum mikoriza yang tumbuh dalam medium pertumbuhan tidak menjadi jaminan bahwa mikoriza akan berkembang pada tanaman inang karena interaksi antara fungi dengan inang dalam medium pertumbuhan adalah kompleks dan dipengaruhi oleh sejumlah interaksi biokimia, faktor fisiologi, dan proses lingkungan. Setiap spesies fungi memiliki karakteristik tumbuh tersendiri serta tingkat efektivitas dan interaksi fisiologi yang berbeda terhadap tumbuhan inangnya. Sebagai akibatnya, semua faktor lingkungan yang memengaruhi fisiologi tanaman inang juga akan memengaruhi fungi, sehingga faktor kecocokan dengan tanaman inang juga menjadi faktor penting dalam prediksi efektivitas respon tumbuh mikoriza.
industri. Oleh karena itu perlu dibangun suatu model sistem pakar yang dapat membantu memprediksi efektivitas fungi ektomikoriza secara cepat, tepat, dan mudah. Sistem pakar menurut Wellbank (1983) didefinisikan sebagai program komputer yang memiliki basis pengetahuan luas dalam domain terbatas dan menggunakan penalaran kompleks untuk menjalankan tugas yang biasa dilakukan oleh seorang ahli. Sistem pakar dapat membantu mempermudah kerja atau bahkan mengganti tenaga ahli, penggabungan ilmu dan pengalaman dari beberapa tenaga ahli, pelatihan tenaga ahli baru, penyediaan keahlian yang diperlukan oleh suatu proyek yang tidak ada atau tidak mampu membayar tenaga ahli (Marimin 2009).
Penelitian sistem pakar untuk prediksi efektivitas respon tumbuh mikoriza, khususnya dari golongan ektomikoriza belum dilakukan. Adapun yang telah dilakukan adalah upaya identifikasi keanekaragaman hayati mikoriza dan penyusunan klasifikasi taksonomi berdasarkan morfologinya dengan membuat sebuah sistem basisdata (Trappe 1982; Walker 1992; INVAM 2011). Dodd dan Rosendahl (1996) telah membuat sistem pakar identifikasi keanekaragaman hayati mikoriza dengan pendekatan multimedia berbasis web.
Pada penelitian ini dirancang sebuah sistem pakar fuzzy untuk prediksi efektivitas respon tumbuh fungi ektomikoriza pada tanaman kehutanan dengan faktor abiotik yang diperhatikan adalah suhu, pH tanah, KTK, kandungan hara dengan melihat kandungan fosfor, nitrogen, kalium, kalsium, magnesium, karbon, dan kandungan aluminium dengan faktor biotik kesesuaian tiga species fungi ektomikoriza dengan enam jenis tanaman inang.
Pada penelitian ini digunakan metode decision tree dan adaptive neuro fuzzy inference system (ANFIS). Algoritme yang digunakan pada metode
decision tree adalah Classification and Regression Tree (CART). CART digunakan untuk identifikasi parameter dan struktur ANFIS (Jang et al. 1997; Tran et al. 2009; Kissi & Ramdani 2010). Metode ANFIS digunakan untuk melakukan prediksi nilai efektivitas respon tumbuh ektomikoriza.
Metode gabungan decision tree dan ANFIS telah digunakan pada penelitian sistem pakar untuk diagnosa kesalahan induksi mesin (Tran et al. 2009). Hasil penelitian tersebut menunjukkan bahwa model decision tree dan ANFIS memiliki potensi untuk mendiagnosa kesalahan induksi motor. Kissi dan Ramdani (2010) menggunakan model yang sama untuk memprediksi aktivitas molekul anti HIV. Hasilnya menunjukkan bahwa model yang diusulkan lebih unggul dari pada
multiple linear regression (MLR), jaringan syaraf tiruan (JST) dan partial least-squares (PLS).
1.2 Tujuan Penelitian
Tujuan penelitian ini adalah:
1. Melakukan rancang bangun sistem pakar fuzzy untuk prediksi efektivitas respon tumbuh fungi ektomikoriza pada tanaman kehutanan dengan metode
decision tree dan adaptive neuro-fuzzy inference system (ANFIS).
1.3 Ruang Lingkup Penelitian
Sistem pakar fuzzy untuk prediksi efektivitas respon tumbuh fungi ektomikoriza ini dikembangkan dengan batasan pada:
1. Golongan mikoriza adalah ektomikoriza dengan species fungi yaitu:
Scleroderma columnare, S. dictyosporum, dan S.sinnamarieanse.
2. Jenis tanaman inang adalah tanaman kehutanan yaitu: Shorea javanica, S. pinanga, S. seminis, Gnetum gnemon, Eucalyptus pellita, dan E. urophylla. 3. Faktor lingkungan yang diperhitungkan adalah: faktor kecocokan inang,
suhu, pH tanah, kapasitas tukar kation (KTK), kandungan hara, yaitu kandungan fosfor, nitrogen, kalium, kalsium, magnesium, karbon, dan kandungan aluminium.
4. Efektivitas yang dimaksud adalah efektivitas respon tumbuh yang didasarkan pada nilai biomassa (berat kering total) tanaman inang.
5. Pada rancang bangun sistem pakar fuzzy prediksi efektivitas respon tumbuh diterapkan metode decision tree dan adaptive neuro-fuzzy inference system
(ANFIS). Decision tree menggunakan algoritme Classification and Regression Tree (CART) dan teknik pembelajaran ANFIS menggunakan algoritme hybrid.
1.4 Manfaat Penelitian
Manfaat dari penelitian ini adalah:
1. Membantu ahli biologi, ahli lingkungan hidup, peneliti mikoriza, ahli pertanian, petani, dan pihak komersial seperti perusahaan penyedia bibit tanaman industri untuk memprediksi efektivitas respon tumbuh fungi ektomikoriza pada tanaman kehutanan.
2.1
Sistem pakar adalah perangkat lunak komputer yang menggunakan pengetahuan (aturan-aturan tentang sifat dari unsur suatu masalah), fakta, dan teknik inferensi untuk masalah yang biasanya membutuhkan kemampuan seorang ahli (Oxman 1985, dalam Marimin 2009). Menurut Arhami (2004) ada banyak keuntungan sistem pakar antara lain: (a) pengetahuan dan nasehat lebih mudah didapat, (b) meningkatkan ouput dan produktivitas kerja, (c) menyimpan kemampuan dan keahlian pakar, (d) meningkatkan penyelesaian masalah dan reliabilitas, (e) memberikan respon (jawaban) yang cepat, (f) merupakan panduan yang cerdas, (g) dapat bekerja dengan informasi yang kurang lengkap dan mengandung ketidakpastian, (h) memiliki basis data yang cerdas.
Sistem Pakar
Gambar 1 mengilustrasikan struktur bagan sistem pakar (Turban 1988, dimodifikasi oleh Marimin 2009).
[image:32.595.138.482.412.693.2]Fasilitas Pengetahuan Mekenisme Inferensi Strategi Penalaran Strategi Pengendalian Fasilitas penjelasan - fakta -fakta -aturan -model Pakar Pengguna DBMS -aturan -model Struktur berbasis pengetahuan Dangkal Mendalam Statis Dinamis - fakta -aturan -model Pengguna -nasehat -justifikasi -konsultasi
Berikut penjelasan setiap bagian dari struktur bagan sistem pakar tersebut:
2.1.1 Fasilitas Akuisisi Pengetahuan
Akuisisi pengetahuan merupakan obyek utama analisis dari pengembangan paket program sistem pakar, karena itu keberadaannya perlu didukung oleh sistem pengetahuan dasar (Knowledge Based System). Sistem pengetahuan dasar tersebut dijadikan dokumentasi untuk dipelajari, diolah, dan diorganisasikan secara terstruktur (Marimin 2009). Tahapan akuisisi pengetahuan digunakan sebagai alat untuk mendapatkan pengetahuan, fakta-fakta, dan aturan yang diperlukan sistem pakar. Pengetahuan diperoleh melalui wawancara dan diskusi dengan pakar dan melalui studi pustaka atau literatur.
2.1.2 Basis Pengetahuan dan Basis Aturan
Representasi pengetahuan adalah penyajian pengetahuan ahli atau praktisi dalam bahasa logika yang sederhana yaitu basis pengetahuan. Basis pengetahuan terdiri atas pengetahuan yang dimaksud dan spesifikasi dari pokok persoalan yang akan diselesaikan (Marimin 2009). Ada banyak cara yang dapat dilakukan untuk merepresentasikan data menjadi basis pengetahuan.
2.1.3 Mesin Inferensi
Mesin inferensi adalah fasilitas untuk memanipulasi dan mengarahkan pengetahuan yang terdapat dalam basis pengetahuan, sehingga diperoleh suatu kesimpulan. Strategi yang digunakan dalam mekanisme inferensi terdiri atas tiga macam, yakni strategi penalaran, strategi pengendalian, dan strategi pelacakan (Marimin 2009). Penyusunan mesin inferensi dimulai dengan perumusan proses penalaran dan kemungkinan modifikasinya. Proses penalaran akan berjalan efisien dan efektif bila dikendalikan dengan baik, karena itu pemilihan strategi pengendalian perlu mempertimbangkan berbagai faktor termasuk kemudahan dalam implementasi.
2.1.4 Fasillitas Penjelasan Sistem
Fasilitas penjelasan sistem merupakan bagian dari sistem pakar yang memberikan penjelasan tentang bagaimana program dijalankan, apa yang harus dijelaskan kepada pemakai tentang suatu masalah, memberikan rekomendasi kepada pemakai, mengakomodasi kesalahan pemakai dan menjelaskan bagaimana suatu masalah terjadi (Marimin 2009).
2.1.5 Antarmuka Pemakai
Antarmuka pemakai dirancang sedemikian rupa sehingga memudahkan bagi pengguna. Antarmuka pemakai memberikan fasilitas komunikasi antara pemakai dan sistem, memberikan berbagai fasilitas informasi dan berbagai keterangan yang bertujuan untuk membantu mengarahkan alur penelusuran masalah sampai solusi ditemukan (Marimin 2009).
2.2 Sistem Pakar Fuzzy
Dalam Marimin (2009) dijelaskan bahwa pengembangan sistem fuzzy dapat diterapkan dalam segala bidang, terutama dalam bidang sistem pakar. Penggabungan kedua sistem tersebut dikenal dengan sistem pakar fuzzy. Sistem tersebut merupakan pengembangan sistem pakar yang menggunakan logika fuzzy
secara keseluruhan, yang meliputi himpunan fuzzy, aturan fuzzy if-then, serta proses inferensi. Kontrol fuzzy memanfaatkan pengetahuan empiris yang diperoleh dari operator yang berkeahlian dengan menggunakan sejumlah
membership function dan aturan IF-THEN.
2.2.1 Himpunan Fuzzy
interval [0,1]. Derajat keanggotaan tidak hanya 0 atau 1, tetapi juga nilai yang terletak di antaranya.
2.2.2 Fungsi Keanggotaan
Fungsi keanggotaan adalah fungsi yang menunjukan derajat suatu input
berada pada suatu himpunan yang memiliki interval antara 0 sampai 1. Pada himpunan biasa (crisp) nilai keanggotaan memiliki dua kemungkinan yaitu satu (1) berarti menjadi anggota himpunan dan nol (0) berarti tidak menjadi anggota.
Fungsi keanggotaan yang digunakan dalam penelitian ini adalah representasi Gaussian dan Trapesium. Representasi fungsi keanggotaan Gaussian ditentukan oleh dua parameter {γ,k}. Parameter γ menyatakan pusat (centre) dari fungsi dan
[image:35.595.138.425.381.615.2]k menyatakan lebar fungsi. Representasi fungsi keanggotaan Gaussian ditunjukkan pada Gambar 2.
Gambar 2 Representasi fungsi keanggotaan Gaussian. Fungsi keanggotaan untuk representasi kurva Gaussian adalah :
Representasi fungsi keanggotaan Trapesium ditunjukan pada Gambar 3.
Gambar 3 Representasi fungsi keanggotaan Trapesium. Fungsi keanggotaan untuk representasi kurva Trapesium adalah :
µ[x] =
(2)
2.3 Sistem Inferensi Fuzzy (FIS)
Seorang pakar biasanya memiliki pengetahuan tentang cara kerja dari sistem yang bisa dinyatakan dalam sekumpulan IF-THEN rule. Dengan melakukan fuzzy inference pengetahuan pakar akan ditransfer kedalam perangkat lunak yang selanjutnya memetakan suatu input menjadi output berdasarkan IF-THEN rule
yang diberikan. Sistem fuzzy yang dihasilkan disebut Sistem Inferensi Fuzzy
(FIS) (Naba 2009).
2.3.1 Struktur Dasar FIS
Struktur dasar FIS terdiri dari beberapa bagian, menurut Marimin (2009) adalah sebagai berikut:
1. Basis aturan yang berisi sejumlah aturan fuzzy yang memetakan nilai masukan fuzzy ke nilai keluaran fuzzy. Aturan ini sering dinyatakan dengan format IF-THEN.
3. Decision menunjukan mekanisme penalaran fuzzy yang melakukan prosedur inferensi.
4. Unit fuzzyfikasi melakukan proses fuzzifikasi dari data input tunggal (crisp) dengan cara mengubah data yang terpetakan tersebut ke istilah lingustik yang sesuai dengan himpunan fuzzy yang telah didefinisikan untuk variabel tersebut.
5. Unit defuzzyfikasi melakukan pemetaan dari output inferensi fuzzy ke nilai tunggal (crisp).
Blok diagram FIS ditunjukan oleh Gambar 4 (Jang et al.1997).
Gambar 4 Blok diagram FIS.
2.3.2 Model Inferensi Fuzzy Sugeno
Metode Sugeno pertama kali diperkenalkan pada tahun 1985, oleh Takagi Sugeno Kang. Model inferensi fuzzy Sugeno menurut Jang et al. (1997) hampir sama dengan penalaran Mamdani, hanya output (konsekuen) sistem tidak berupa himpunan fuzzy, melainkan berupa konstanta atau persamaan linear.
Berikut adalah 2 model fuzzy Sugeno: a. Model fuzzy Sugeno Orde-Nol
IF (X1 is A1) • (X2 is A2) ••• (Xn is An Dengan A
) THEN Y = K (3)
b. Model fuzzy Sugeno Orde-Satu
IF(X1 is A1)•(X2 is A2) ••• (Xn is An) THEN Z = P1* X1 +...+ Pn * Xn
Dengan A
+ q (4) i adalah himpunan fuzzy ke-i sebagai anteseden dan Pi adalah suatu konstanta (crisp) ke-i dan q juga merupakan konstanta dalam konsekuen. Gambar 5 adalah gambar model fuzzy Sugeno (Jang et al.1997).
Gambar 5 Model fuzzy Sugeno.
2.4 Decision Tree
Decision tree (pohon keputusan) adalah struktur pohon yang mengandung
internal node (dengan 2 children) dan terminal node (tanpa children). Setiap
internal node berhubungan dengan fungsi keputusan untuk menunjukkan node
berikutnya yang akan dilalui, sementara setiap terminal node merupakan output
dari vektor input yang diberikan.
Decision tree dapat diterapkan pada permasalahan klasifikasi
(classification) ataupun masalah regresi (regression). Pada permasalahan klasifikasi setiap terminal node mengandung sebuah huruf yang menunjukkan kelas perkiraan dari vektor yang diberikan, sedangkan pada permasalahan regresi setiap terminal node biasanya merupakan sebuah konstanta yang merupakan
output dari vektor input.
peubah dominan dari sederet peubah yang dilibatkan dan dapat pula mengidentifikasi peubah-peubah yang hanya berpengaruh danberinteraksi secara lokal dalam kelompok tertentu (Jang et al. 1997; Tran et al. 2009; Kissi & Ramdani 2010).
Beberapa keunggulan yang dimiliki oleh decision tree adalah (Breiman et al. 1984):
1. Struktur datanya dapat dilihat secara visual sehingga berdasarkan model yang dihasilkan dapat memudahkan dalam eksplorasi data dan pengambilan keputusan.
2. Proses pendugaan nilai respon sangat mudah dilakukan dengan menelusuri pohon klasifikasi atau regresi yang dihasilkan.
3. Kemampuan identifikasi prioritas peubah yang mempengaruhi respon dapat diketahui dengan mudah.
4. Mempunyai kemampuan untuk mengidentifikasi interaksi antar peubah yang berpengaruh secara lokal sebagai akibat diterapkannya pengambilan keputusan secara bertahap dalam himpunan-himpunan bagian data pengukuran.
5. Hasil keluaran yang diperoleh lebih mudah untuk diinterpretasikan.
2.4.1 Classification & Regression Tree (CART)
Untuk membangun sebuah decision tree (pohon keputusan) yang cocok, algoritme CART pertamakali menumbuhkan tree secara luas berdasarkan pada gugus data pelatihan, dan kemudian memangkas kembali pohon didasari oleh sebuah prinsip kompleksitas biaya minimum. Hasilnya adalah runutan tree dengan ukuran yang bervariasi, tree terakhir yang dipilih adalah tree dengan ukuran terbaik.
Pembentukan pohon regresi memerlukan 4 komponen (Abdul Kudus, 1999 diacu dalam Suherlan 2006), yaitu :
ke anak ruang A sedangkan yang ”tidak” masuk ke ruang komplemen A. Anak ruang contoh yang terbentuk disebut simpul (node).
2. Kriteria goodnes of split φ(s,t) yang merupakan alat evaluasi bagi pemilahan yang dilakukan oleh pemilah (split) s pada simpul t.
3. Ukuran yang digunakan untuk menentukan ukuran pohon yang layak (right sized tree).
4. Statistik yang digunakan sebagai ringkasan dari tiap simpul akhir.
2.4.2. Aturan Pemilahan
Pohon regresi dibentuk melalui pemilahan data pada tiap simpul ke dalam dua simpul anak. Aturannya adalah sebagai berikut:
1. Tiap pemilahan tergantung pada nilai yang hanya berasal dari satu peubah penjelas.
2. Untuk peubah kontinu Xj, pemilahan hanya berasal dari pertanyaan ”Apakah Xj ≤ c ?” untuk c ∈ ℜ. Jadi jika ruang contohnya berukuran n dan terdapat sebanyak-banyaknya n nilai amatan yang berbeda pada peubah Xj, maka akan terdapat sebanyak-banyaknya n-1 split yang berbeda yang dibentuk oleh gugus pertanyaan {”Apakah Xj ≤ c ?”}, dengan i= 1, 2, ...,n-1 dan c nilai tengah-tengah antara dua nilai amatan peubah Xj berurutan yang berbeda.
2.4.3. Aturan Growing dan Kriteria Goodness of Split φ(t)
Pohon regresi dibentuk dengan pemilahan yang rekursif berdasarkan kriteria tertentu. Proses pemilahan dilakukan pada tiap simpul dengan cara :
1. Cari semua kemungkinan pemilahan tiap peubah penjelas.
Jumlah Kuadrat Sisaan digunakan sebagai kriteria kehomogenan di dalam setiap simpul. Misalkan simpul t berisi anak contoh {(Xn,Yn)}, n(t)
maka Jumlah Kuadrat Sisaan di dalam simpul t adalah:
adalah banyaknya amatan dalam simpul t dan rataan respon dalam simpul t adalah
ŷ(t) = (5)
JKS(t) = ∑[Yn − ŷ(t) 2
]
Misalkan ada pemilahan s yang menyekat t menjadi simpul anak kiri t (6)
L dan simpul anak kanan tR
φ(s,t )= JKS (t) – {JKS(t
. Kriteria Jumlah Kuadrat Sisaan Terkecil adalah L) + JKS(tR
dan pemilahan terbaik s* adalah pemilahan yang sedemikian sehingga
)} (7)
φ(s*,t )= max s∈Ω
dengan Ω adalah gugus yang berisi semua kemungkinan pemilahan.
φ(s,t ) (8)
Pemilahan tersebut dihentikan tatkala banyaknya amatan dalam simpul tersebut berjumlah ”tertentu” atau pada saat nilai φ lebih kecil dari suatu nilai ambang (threshold). Simpul yang terakhir dibentuk disebut sebagai simpul akhir (terminal node) atau simpul daun (leaf node).
Pohon yang terbentuk dengan kedua aturan di atas mungkin masih berukuran besar, hal ini bisa mengakibatkan adanya overfitting, dimana rule terus meningkat seiring banyaknya peubah penjelas (input) yang masuk ke dalam model, sehingga perlu ditentukan banyaknya peubah penjelas pada model terbaik. Sebaliknya kasus underfitting terjadi karena tidak adanya pemilahan lebih lanjut akibat adanya tetapan ambang φ(s*,t) padahal sebenarnya pemilahan yang terjadi adalah layak. Cara mengatasi masalah ini adalah mencari pohon dengan ukuran yang layak.
2.4.4 Penentuan Ukuran Pohon yang Layak
terbaik dari sekuen ini dengan menggunakan contoh uji (test sample) atau contoh validasi silang (crossvalidation sample).
Pemangkasan pada langkah (2) dilakukan dengan menggunakan ukuran cost complexity minimum. Untuk sembarang pohon T yang merupakan subpohon dari pohon terbesar Tmax
E
diperoleh ukuran complexity-nya |T|. Ukuran complexity
tersebut adalah banyaknya simpul akhir. Ukuran cost complexity E α(T)didefinisikan dengan
αs
dimana αadalah parameter complexity yang menghitung cost terkait complexity
pohon. Sehingga E
(T ) = E (T) + α |T | (9)
α
Untuk setiap nilai α kita dapat mencari subpohon minimum T(α) berhubungan dengan ukuran cost complexity α yang diberikan :
(T) adalah kombinasi linier dari cost of the tree dan
complexitynya.
E α(T(α))=min s∈Ω Eα
Jika T(α) pohon minimum untuk suatu nilai α yang diberikan, maka pohon tersebut akan terus diminimumkan sesuai peningkatan α hingga titik lompatan
α’ dicapai dan pohon baru T(α’) menjadi pohon minimum.
(T )
(10)
Misal bahwa Tmax memiliki L terminal node. Ide pemangkasan pohon arah naik adalah mencari sekuen pohon TL, TL-1,TL-2,... dan T1
{t
sehingga 1}=T1⊂T2⊂...⊂TL-2⊂TL-1⊂TL=Tmax
dimana Ti memiliki L terminal node. Tiap Ti-1 diperoleh dari Ti
Untuk mencari pohon minimisasi berikutnya bagi sebuah pohon T, prosesnya sebagai berikut. Untuk setiap internal node t dalam T, cari nilai α sehingga membuat T - T
melalui minimisasi subpohon pertama oleh ukuran cost complexity sesuai peningkatan nilai α dari nol.
αt
kemudian pilih internal node dengan α
=
(11) t
1. Menghitung α
paling kecil sebagai node target untuk pemangkasan, sehingga siklus pemangkasan pohon terdiri dari tahap:
t untuk setiap internal node t dalam T 2. Mencari α
i
t minimal dan memilih T-Tt sebagai pohon minimasi berikutnya. Proses ini berulang hingga pohon mengandung node akar (root node) yang tunggal. Masalah sekarang telah dikurangi untuk memilih satu dari calon-calon pohon ini sebagai pohon ukuran optimum. Terdapat 2 metode umum untuk melakukan ini, yaitu penggunaan data checking independen dan melakukan validasi silang.
2.5 Adaptive Neuro Fuzzy Inference System (ANFIS)
Pada tahun 1992 Jang mengembangkan sistem neurofuzzy yang disebut ANFIS (Adaptive Network based Fuzzy Inference System) di mana jaringan syaraf tiruan diterapkan dalam proses Fuzzy Inference System (FIS). Dalam sistem ANFIS tersebut, sistem fuzzy digunakan sebagai kontrol alur berfikir jaringan syaraf tiruan, sedangkan jaringan syaraf tiruan berfungsi untuk menentukan nilai pendekatan hasil inferensi fuzzy (Marimin 2009). Ide dasar ANFIS adalah membangun sistem yang menerapkan Neural Network dalam lingkungan Fuzzy Inference System (FIS).
2.5.1Arsitektur ANFIS
Arsitektur ANFIS Sugeno terdiri atas lima lapis, pada setiap lapis terdapat node atau simpul. Terdapat dua macam simpul yaitu simpul adaptif bersimbol kotak dan simpul tetap bersimbol lingkaran.
Jaringan ANFIS terdiri dari 5 lapisan sebagai berikut (Jang et al.1997):
Output tiap simpul berupa derajat keanggotaan yang diberikan oleh fungsi keanggotaan input. Bila output simpul ke i pada layer l disimbolkan Ol.i
O
maka
output layer 1 adalah :
1.i = µAi (x), untuk i = 1. 2 O
atau (12) 1.i = µBi-2(y), untuk i = 3. 4.
Dimana x atau y adalah input ke simpul i dan A
i (atau Bi-2) himpunan fuzzy dan O1,i adalah derajat keanggotaan fuzzy set A (=A1, A2, B1 atau B2
− + = i i i A a c x b x 2 1 1 ) ( µ). Sebagai contoh sebuah fungsi generalized bell berikut :
(13)
dimana {ai, bi, ci} adalah parameter. Jika nilai parameter ini berubah, maka kurva bell yang terjadi akan berubah. Parameter pada lapisan ini disebut parameter premis.
Lapisan 2 : Tiap simpul pada lapisan ini berupa simpul tetap yang keluarannya adalah hasil seluruh sinyal masuk sebagai berikut :
( ) ( )
,.
2 x y
O i =
ω
i =µ
Aiµ
Bi untuk i = 1.2 (14) Setiap output menggambarkan firing strength (α
-predikat) dari sebuah rule.Biasanya digunakan operator AND.
Lapisan 3 : Tiap simpul pada lapisan ini berupa simpul tetap. Output simpul ke i merupakan hasil perbandingan antara α -predikat aturan ke i terhadap jumlah seluruh α -predikat sebagai berikut:
2 1 . 3
ω
ω
ω
ϖ
+ = = i i iO untuk i = 1,2. (15)
Output dari lapisan ini disebut normalized firing strengths.
Lapisan 4 : Tiap simpul pada lapisan ini merupakan simpul adaptif yang mempunyai persamaan fungsi sebagai berikut :
(
i i i)
ii i
i f px qy r
Dimana ωi adalah normalized firing strengths dari lapisan 3 dan { pi, qi, ri
Lapisan 5 : Pada lapisan ini terdapat simpul tunggal yang tetap. Output simpul merupakan penjumlahan seluruh output sebagai berikut :
} adalah parameter di simpul ini. Parameter pada lapisan ini disebut parameter konsekuen.
∑
∑
= ∑
=
i i
i i i
i i i i
f f
O
ω ω ϖ
.
5 (17)
[image:45.595.121.448.294.472.2]Pada Gambar 6 disajikan arsitektur ANFIS.
Gambar 6 Arsitektur ANFIS.
2.5.2 Algoritme Pembelajaran Hybrid
ANFIS dilatih dengan algoritme pelatihan hybrid (Jang et al. 1997). Ada dua langkah dalam pelatihan hybrid yaitu: langkah maju (forward) dan langkah mundur (backward).
a. Langkah Maju dengan Metode LSE
Pada arsitektur ANFIS, parameter premis (a, b, c) tetap, maka output yang terjadi merupakan kombinasi linear dari parameter konsekuen. Untuk output f adalah: 2 2 1 2 1 2 1 1 f f f
ω
ω
ω
ω
ω
ω
+ + + =(
1 1 1)
2(
2 2 2)
1 px+q y+r + p x+q y+r
=
ϖ
ϖ
=
( )
ϖ
1x p1+( ) ( ) ( )
ϖ
1y q1+ϖ
1r1+ϖ
2x p2+(
ϖ
2y)
q2+( )
ϖ
2 r2 (18) yang linear dalam parameter konsekuen p1, q1, r1, p2, q2 dan r2Misalkan ada P pasangan data pelatihan yaitu : x
.
1, y1, x2, y2, …… xp, yp, dan
output : f(1), f(2), ..…… f(p),
(
1 1)
1(
1 1)
1( )
1 1(
2 1)
2(
2 1)
2( )
2 2 )1
( x p y q r x p y q r
f = ϖ + ϖ + ϖ + ϖ + ϖ + ϖ
maka diperoleh persamaan linear simultan sebagai berikut:
(
1 2)
1(
1 2)
1( )
1 1(
2 2)
2(
2 2)
2( )
2 2 )2
( x p y q r x p y q r
f = ϖ + ϖ + ϖ + ϖ + ϖ + ϖ (19)
Dalam notasi matrik, persamaan di atas dapat ditulis sebagai berikut:
F = A θ (20) F adalah vektor output ukuran P x 1:
= ) ( ) 2 ( ) 1 ( . p f f f
F (21)
A adalah matrik berukuran Px6 yang di dalam LSE disebut matrik desain:
= 2 2 2 2 2 2 1 2 2 2 2 1 2 1 1 1 1 2 1 1 1 1 2 1 1 1 . . . . . .
ϖ
ϖ
ϖ
ϖ
ϖ
ϖ
ϖ
ϖ
ϖ
ϖ
ϖ
ϖ
ϖ
ϖ
ϖ
ϖ
ϖ
ϖ
p p p py
y
y
x
x
x
y
y
y
x
x
x
A
(22) = 2 2 2 1 1 1 r q p r q p
θ (23)
Kemudian dicari θ yang meminimalkan jumlah error kuadrat yaitu:
( )
T TA A
A 1
^ −
=
θ (24)
b. Langkah Mundur dengan Metode Penurunan Gradien
Dari arsitektur ANFIS (Gambar 4) dimisalkan mempunyai P data pelatihan. Ukuran error untuk masukan ke p (1≤ p ≤P) adalah jumlah error kuadrat dari semua simpul keluaran:
(
)
21 , ,
∑
= − = N k k p k pp d f
E (25) dp,k
f
: keluaran yang diinginkan pada simpul ke k untuk masukan ke p. p,k
Karena pada ANFIS hanya satu keluaran maka:
: keluaran aktual pada simpul ke k untuk masukan ke p.
(
)
2p p
p d f
E = − (26) Minimalisasi seluruh error untuk seluruh P pasangan data pelatihan dapat didefinisikan sebagai berikut:
∑
= = P P P E E 1 (27) Dengan menggunakan metode penurunan gradien sederhana (steepest descent)tanpa minimalisasi garis maka formula perbaikan parameter premis sebagai berikut: α η α ∂ ∂ − =
∆ +E ŋ adalah laju pelatihan (digunakan konstanta yang kecil) (28)
Untuk menghitung vektor gradien, bila parameter premis mempengaruhi beberapa simpul digunakan formula sebagai berikut:
S adalah himpunan simpul yang dipengaruhi parameter premis, Sedangkan O* dan F* adalah keluaran dan fungsi dari simpul di dalam S. Misalkan untuk model ANFIS Sugeno (Gambar 4) maka simpul yang dipengaruhi oleh parameter premis di dalam simpul O1,1 adalah simpul-simpul: O2,1 , O3,1 , O3,2 , O4,1 , O4,2 , O5. Setiap simpul O l,i mempunyai fungsi simpul F l,i
Gambar 7 menunjukkan perambatan balik error dari simpul O
dengan l=1,2,...5 dan i=1,2 5. ke simpul O1,1.
A1 A2 B1 B2 π N ∑ w1 w2 w1 w2
W1f1
W2f2
f
Layer 1 Layer 2 Layer 3 Layer 4 Layer 5
є5 W2 ---(w1+w2)² -W2 ---(w1+w2)² f1 f2 µA1
µB1
O1 O2 O3 O4 O5
π N
Gambar 7 Model perambatan balik error dari simpul O5 ke simpul O1,1.
2.6 Koefisien Korelasi
Analisis korelasi digunakan untuk mengukur kekuatan hubungan antara dua peubah, dengan menggunakan sebuah bilangan yang disebut koefisien korelasi. Koefisien korelasi linear didefinisikan sebagai ukuran hubungan linear antara dua peubah acak X dan Y, dan dilambangkan dengan r. Jadi r akan mengukur sejauh mana titik-titik menggerombol sekitar sebuah garis lurus, sehingga dapat ditarik suatu kesimpulan tertentu mengenai r.
1. Korelasi Positif
Terjadinya korelasi positif apabila perubahan antara variabel yang satu diikuti oleh variabel lainnya dengan arah yang sama atau berbanding lurus. Artinya apabila variabel yang satu meningkat, maka akan diikuti peningkatan variabel lainnya.
2. Korelasi Negatif
Terjadinya korelasi negatif apabila perubahan antara variabel yang satu diikuti oleh variabel lainnya dengan arah yang berlawanan atau berbanding terbalik. Artinya apabila variabel yang satu meningkat, maka akan diikuti penurunan variabel lainnya.
3. Korelasi Nihil
Terjadinya korelasi nihil apabila perubahan antara variabel yang satu diikuti oleh variabel lainnya dengan arah yang tidak teratur atau acak. Artinya apabila variabel yang satu meningkat, maka akan diikuti penurunan variabel. Artinya apabila variabel yang satu meningkat, kadang diikuti dengan peningkatan pada variabel lain dan kadang diikuti dengan penurunan pada variabel lain.
Besarnya koefisien korelasi berkisar antara -1 ≤ r ≤ +1. Untuk mencari korelasi antara variabel y terhadap x atau ry.1,2,…,k
(30) dapat dicari dengan rumus menurut (Walpole 1993) sebagai berikut:
Nilai koefisien korelasi adalah -1 ≤ r ≤ +1. Jika dua variabel berkorelasi negatif maka nilai koefisien korelasinya akan mendekati -1, jika dua variabel tidak berkolerasi maka nilai koefisien korelasinya akan mendekati 0, sedangkan jika dua variabel berkorelasi positif maka nilai koefisien korelasinya akan mendekati 1.
Merupakan rata-rata dari keseluruhan persentase kesalahan (selisih) antara data aktual dengan data hasil peramalan. Ukuran akurasi dicocokkan dengan data time series, dan ditunjukkan dalam persentase. Nilai MAPE dihitung dengan persamaan menurut (Douglas et al. 2008) sebagai berikut:
(31) Dengan Xt
F
: adalah nilai aktual t
n : banyaknya data : nilai dugaan
2.8 K-fold Cross Validation
K-fold cross validation dilakukan untuk membagi training set dan testing set. K-fold cross validation mengulang k-kali untuk membagi sebuah himpunan contoh secara acak menjadi k subset yang saling bebas, setiap ulangan disisakan satu subset untuk pengujian dan subset lainnya untuk pelatihan.
2.9 Mikoriza
Mikoriza adalah istilah yang digunakan untuk menggambarkan hubungan antara sejenis fungi, yang hidup bersimbiosis dengan akar tanaman. Istilah mikoriza pertama kali digunakan oleh Frank pada tahun 1885 ketika menguraikan hubungan atau simbiosis antara fungi dan akar tanaman. Istilah mikoriza diambil dari bahasa Yunani yang secara harfiah berarti fungi (mykes = miko) dan perakaran (rhiza) (Setiadi 2007). Simbiosis mutualisma fungi dengan inang adalah dengan memeroleh karbohidrat dalam bentuk gula sederhana (glukosa) dari tumbuhan, sebaliknya fungi menyalurkan air dan hara tanah untuk tumbuhan (Setiadi 1988; Novriani dan Madjid 2009).
2.9.1 Ektomikoriza
dapat berasosiasi dengan akar tumbuhan tingkat tinggi. Ektomikoriza biasanya terdapat pada akar beberapa jenis pohon, seperti jenis Dipterocarpaceae (Fitriasari 2011).
Hubungan fungi dengan tanaman inang dapat disebut ektomikoriza bila terdapat perubahan morfologi dan anatomi pada akar tanaman akibat masuknya hifa pada sel-sel akar. Terdapat berbagai variasi dalam karakteristik morfologi dan struktur akar berektomikoriza, namun ada tiga bentuk utama yang secara umum disepakati sebagai karakteristik penting, yaitu terbentuknya sebuah mantel yang menutupi akar, berkembangnya hifa di antara sel-sel akar yang membentuk sel-sel yang kompleks yang disebut hartig net, dan hifa-hifa yang menonjol yang keluar dari mantel dan berkembang ke tanah (hifa ekstra radikal). Bila salah satu dari tiga ciri utama tersebut tidak ada, maka peranan fungi ektomikoriza pada tanaman inang tidak akan berjalan dengan baik (Setiadi 1988; Smith dan Read 2008 dalam
Riniarti 2011).
Masing-masing fungi ektomikoriza akan memiliki karakteristik morfologi dan anatomi yang khas pada tanaman inang yang dikolonisasinya. Keunikaan ini menjadi ciri khas yang akan digunakan untuk mengidentifikasi dan mengklasifikasikan jenis-jenis fungi tersebut. Fungi ektomikoriza umumnya dari golongan Basidiomisetes dan Askomisetes(Peterson et al. 2004; Riniarti 2011). Fungi pembentuk ektomikoriza diantaranya adalah Amanita sp, Bolletus sp,
Scleroderma sp, Russula sp, dan Laccaria sp (Peterson et al. 2004, Rinaldi et al. 2008 dalam Riniarti 2010).
Beberapa karekteristik lebih banyak dipengaruhi oleh tanaman inang daripada fungi ektomikoriza, antara lain adalah pola percabangan yang terbentuk adalah dikotomus walaupun tanaman diinokulasi oleh berbagai fungi ektomikoriza. Sementara kedalaman hartig net lebih banyak dipengaruhi oleh perbedaan struktur akar pada Angiospermae dan Gymnospermae. Pada Angiospermae hartig net hanya dapat mencapai jaringan epidermis, sedangkan pada Gymnospermae hartig net dapat mencapai jaringan korteks (Riniarti 2011).
2.9.2 Manfaat Ektomikoriza pada Tanaman Inang
1. Ektomikoriza memiliki kemampuan untuk meningkatkan penyerapan unsur hara tanaman baik itu penyerapan unsur hara makro maupun beberapa unsur hara mikro. Fungi mikoriza dapat menyerap unsur hara dalam bentuk yang tidak tersedia bagi tanaman dan mengubahnya menjadi bentuk yang tersedia. Fungi-fungi ektomikoriza juga meningkatkan luas permukaan areal penyedia unsur hara bagi tanaman. Hal ini disebabkan fungi ektomikoriza memiliki hifa-hifa yang jauh lebih kecil dibandingkan akar tanaman, sehingga bisa masuk di pori-pori tanah tempat unsur hara tersimpan. Hifa fungi ektomikoriza adalah sangat panjang, beberapa penelitian menyebutkan rasio perbandingan antara panjang akar dan panjang hifa berkisar antara 300-8000 kali (Riniarti 2011).
2. Mikoriza mampu meningkatkan ketahanan tanaman terhadap kekeringan. Kekeringan akan menyebabkan terjadinya kerusakan pada jaringan korteks tetapi tidak bersifat permanen pada akar yang bermikoriza. Akar bermikoriza akan cepat pulih, karena hifanya masih mampu menyimpan air pada pori tanah, dan penyebaran hifa yang luas akan dapat menyerap air lebih banyak, sehingga tanaman memiliki toleransi titik layu permanen yang lebih tinggi dibandingkan dengan tanaman yang tidak berasosiasi dengan mikoriza (Riniarti 2011).
3. Meningkatkan ketahanan terhadap serangan patogen. Mikoriza mampu berfungsi sebagai pelindung biologi bila terjadi serangan patogen akar, perlindungan terjadi karena adanya lapisan hifa pelindung fisik dan antibiotika yang dikeluarkan oleh mikoriza. Hifa pelindung terbentuk berupa jalinan hifa yang tersusun rapat dan seringkali membentuk beberapa lapisan dan membungkus akar sehingga dapat menjadi penghalang langsung bagi masuknya hama dan penyakit. Selain itu hifa mikoriza juga menghasilkan zat-zat antibiotik yang berfungsi untuk mematikan mikroorganisme yang tidak menguntungkan baik bagi perkembangan mikoriza maupun inang (Darusman et al. 1995 dalam Prameswari 2004; Riniarti 2011).
berfungsi mencegah atau menghambat proses penuaan dan sub aerasi akar sehingga umur dan fungsi akar lebih panjang.
5. Ektomikoriza memiliki tubuh buah yang dapat dimakan dan dikonsumsi oleh manusia, sehingga menghasilkan hutan non kayu yang bernilai ekonomi tinggi (Peterson et al. 2004; Riniarti 2011).
2.9.3 Faktor yang Memengaruhi Perkembangan Mikoriza
Banyak faktor biotik dan abiotik yang menentukan perkembangan mikoriza. Berikut ini faktor tersebut diuraikan satu persatu (Novriani dan Madjid 2009). 1. Suhu
Respon tanaman bermikoriza terhadap suhu berbeda-beda tergantung pada species fungi mikoriza. Suhu yang relatif tinggi akan meningkatkan aktivitas fungi. Suhu optimum untuk perkecambahan spora mikoriza sangat beragam tergantung pada jenisnya. Suhu yang tinggi pada siang hari (350C) tidak menghambat perkembangan akar dan aktivitas fisiologi mikoriza. Peran mikoriza hanya menurun pada suhu ditas 400C. Suhu bukan merupakan faktor pembatas utama bagi aktivitas mikoriza, suhu yang sangat tinggi lebih berpengaruh terhadap pertumbuhan tanaman inang. Suhu tanah yang kecil dari 170C dapat menurunkan kefektifan dan perkembangan mikoriza (Sieverding 1991).
2. Nilai pH tanah
Fungi pada umumnya lebih tahan terhadap perubahan pH tanah. Meskipun demikian daya adaptasi masing-masing species fungi terhadap pH tanah berbeda-beda karena pH tanah memengaruhi perkecambahan, perkembangan dan peran mikoriza terhadap pertumbuhan tanaman (Sieverding 1991). Kandungan pH tanah sangat mempengaruhi kolonisasi dan perkembangan mikoriza dalam hal proses infeksi dan proses pertumbuhan hifa (Karepesina 2007).
3. Kandungan Bahan Organik dan Hara
Unsur hara makro dan mikro. Unsur hara makro adalah unsur hara yang diperlukan tanaman dalam jumlah besar yang meliputi N, P, K, Ca, S, dan Mg. Sedangkan unsur hara mikro adalah unsur hara yang diperlukan tanaman dalam jumlah kecil yaitu Fe, Mn, B, Mo, Cu, Zn, dan Cl.
Nitrogen berfungsi untuk sintesa asam amino dan protein dalam tanaman dan merangsang pertumbuhan vegetatif seperti daun (Setyaningsih 2007). Tanaman yang kekurangan unsur nitrogen memiliki gejala yaitu pertumbuhan lambat atau kerdil, daun hijau kekuningan, daun sempit, pendek, dan tegak, daun-daun tua cepat menguning dan mati. Pertumbuhan dan kualitas daun-daun sebagai tempat terjadinya fotosintesa sangat dipengaruhi oleh ketersedian unsur Nitrogen (Setyaningsih 2007).
Fosfor berfungsi untuk pengangkutan energi hasil metabolisme dalam tanaman, dan merangsang pembungaan, pembuahan, pertumbuhan akar. Selain itu juga merangsang pembentukan biji serta merangsang pembelahan sel tanaman, dan memperbesar jaringan sel. Tanaman yang kekurangan unsur fosfor gejalanya adalah pembentukan buah dan biji berkurang, kerdil, daun berwarna keunguan atau kemerahan tanda kurang sehat.
Kalium berfungsi dalam proses fotosintesa, pengangkutan hasil asimilasi, enzim dan mineral termasuk air. Selain itu mampu meningkatkan daya tahan atau kekebalan tanaman terhadap penyakit. Tanaman yang kekurangan unsur kalium gejalanya adalah batang dan daun menjadi lemas atau rebah, daun berwarna hijau gelap kebiruan tidak hijau segar dan sehat, ujung daun menguning dan kering, timbul bercak coklat pada pucuk daun.
4. Jenis Media Tumbuh
5. Kapasitas Tukar Kation
3 METODE
3.1 Kerangka Pemikiran
Penelitian difokuskan pada prediksi efektivitas respon tumbuh fungi ektomikoriza. Efektivitas berarti kemampuan mikoriza dalam menghasilkan pengaruh atau menunjukan kinerja tertentu, misalnya peningkatan penyerapan unsur fosfor ataupun peningkatan respon tumbuh inang. Efektivitas mikoriza dipengaruhi oleh faktor lingkungan yang meliputi faktor abiotik dan biotik. Faktor abiotik meliputi konsentrasi hara, pH tanah, intensitas cahaya, kadar air tanah, suhu, pengolahan tanah, jenis media tanam, dan penggunaan pupuk atau pestisida. Faktor biotik meliputi interaksi antar mikroba, spesies fungi, tanaman inang, tipe perakaran tanaman inang, dan kompetisi antar fungi (Simanungkalit 2006; Novriani dan Madjid 2009). Selain itu, setiap spesies fungi memiliki karakteristik tumbuh tersendiri serta tingkat efektivitas dan interaksi fisiologi yang berbeda terhadap tumbuhan inangnya. Sebagai akibatnya, semua faktor lingkungan yang memengaruhi fisiologi tanaman inang juga akan memengaruhi fungi.
Karena proses pembentukan mikoriza melibatkan banyak faktor lingkungan, adanya perbedaan respon yang spesifik untuk setiap species fungi terhadap faktor lingkungan dan adanya faktor kecocokan tanaman inang, maka prediksi efektivitas memerlukan pengalaman dan keahlian tertentu. Hal ini menjadi suatu permasalahan yang rumit bagi masyarakat umum, seperti mahasiswa, petani atau pengusaha hutan tanamanan industri. Oleh karena itu perlu dibangun suatu model sistem pakar yang dapat membantu memprediksi efektivitas mikoriza khususnya dari golongan ektomikoriza secara cepat, tepat, dan mudah. Efektivitas yang dimaksud dalam penelitian ini adalah efektivitas respon tumbuh ektomikoriza.
ada, seperti layaknya pakar yang juga dapat memberikan saran tentang efektivitas respon tumbuh fungi ektomikoriza.
Pada Gambar 8 ditunjukkan kerangka pemikiran sistem pakar yang dirancang. Terdapat tujuh tahap penelitian yang dilakukan. Tahap pertama ada
