PENGEMBANGAN SISTEM PAKAR IDENTIFIKASI
AWAL PENYAKIT KEDELAI BERBASIS ANDROID
DENGAN PENDEKATAN NAÏVE BAYES
INDAH PUJI ASTUTI
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa tesis berjudul Pengembangan Sistem Pakar Identifikasi Awal Penyakit Kedelai Berbasis Android dengan Pendekatan Naïve Bayes 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.
Bogor, Agustus 2015
Indah Puji Astuti
RINGKASAN
INDAH PUJI ASTUTI. Pengembangan Sistem Pakar Identifikasi Awal Penyakit Kedelai Berbasis Android dengan Pendekatan Naïve Bayes. Dibimbing oleh IRMAN HERMADI, AGUS BUONO, dan KIKIN H. MUTAQIN.
Banyak faktor yang mempengaruhi menurunnya angka produksi kedelai di Indonesia, salah satunya adalah faktor penyakit. Identifikasi awal penyakit kedelai adalah upaya agar dapat dilakukan tindakan penanggulangan terhadap penyakit dengan segera sehingga penurunan angka produksi kedelai dapat diminimalisasikan. Hal ini membuat ketergantungan atas keberadaan seorang pakar penyakit kedelai sangatlah tinggi. Namun, kesempatan dan waktu pakar untuk ditemui tidak mudah tersedia untuk setiap saat, apalagi jumlahnya di daerah pedesaan yang masih relatif sedikit. Tujuan dari penelitian ini adalah mengembangkan sistem pakar identifikasi awal penyakit kedelai berbasis Android
menggunakanpendekatan Naïve Bayes. Sistem pakar berbasis Android diharapkan
menjadi solusi yang dapat dijadikan sarana untuk berkonsultasi tentang penyakit kedelai layaknya seorang pakar yang dapat digunakan kapanpun dan dimanapun.
Pengembangan sistem pakar mengadopsi pendekatan Expert System Development Life Cycle (ESDLC). Tahapan-tahapannya terdiri dari inisialisasi
proyek, analisis dan desain, implementasi dan pengujian. Jumlah penyakit kedelai yang bisa diidentifikasi dalam penelitian ini berjumlah 14 jenis penyakit. Penelitian ini menggunakan beberapa variabel untuk menghitung kemungkinan nilai bayesnya, di antaranya variabel gejala, variabel fase pertumbuhan kedelai dan variabel prior penyakit kedelai.
Hasil pengujian aplikasi pada penelitian ini menunjukkan bahwa tidak semua jenis penyakit berhasil diidentifikasi dengan tepat. Hasil pengujian menunjukkan bahwa aplikasi mampu mendeteksi dengan tepat sebesar 47% untuk jenis penyakit di dataran tinggi dan 75% untuk jenis penyakit di dataran rendah. Dalam hal ini, identifikasi menggunakan pendekatan Naïve Bayes tidak selalu dapat menemukan jenis penyakit dengan benar. Nilai akurasi yang masih kurang dari 100% ini dimungkinkan karena ada variabel yang menggunakan nilai pendekatan yang masih kurang merepresentasikan data aktual.
SUMMARY
INDAH PUJI ASTUTI. Android-based Expert System for Early Identification of Soybean Diseases with Naïve Bayes Classifier. Supervised by IRMAN HERMADI, AGUS BUONO, dan KIKIN H. MUTAQIN.
Many factors affect the decreasing of soybean production rate in Indonesia, one of which is disease factor. Early identification of soybean disease is a step that can be taken to get the description of the disease and can give countermeasures quickly so the decrease in soybean production can be minimized. The demand for the existence of an expert on soybean disease is very high. However, the number and time allocation of the experts is not easily available at any time, especially in rural areas. The aim of this research is to develop an Android-based expert system for early soybean disease identification using Naïve Bayes classifier. An expert system would become a solution to be used as a diagnostic tool for soybean diseases just like a human expert. It would be easier when the system is implemented using an Android-based application to use anywhere and anytime.
This research developed the system using Expert System Development Life Cycle (ESDLC) approach. The stages are project initialization, analysis, design, implementation, and testing. That soybean disease that could be identified in this study is about 14 diseases. This study used several variables to calculate Bayesian probability values: symptoms of soybean diseases, phases of the growth of soybean, and prior probability values of soybean diseases.
The test results on the system of this research showed that not all kinds of diseases were identified correctly. The test results showed that the system could detect 47% disease in the highland and 75% disease in the lowland. In this case, the identification using Naïve Bayes approach could not always find the type of the disease correctly. The accuracy values were still less than 100% because there were variables that used approximation values that could not represented the actual data properly.
© 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
PENGEMBANGAN SISTEM PAKAR IDENTIFIKASI
AWAL PENYAKIT KEDELAI BERBASIS ANDROID
DENGAN PENDEKATAN NAÏVE BAYES
SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2015
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 2014 ini ialah sistem pakar, dengan judul Pengembangan Sistem Pakar Identifikasi Awal Penyakit Kedelai Berbasis Android dengan Pendekatan Naïve Bayes.
Terima kasih penulis ucapkan kepada Bapak Irman Hermadi, S.Kom, MS, PhD, Bapak Dr. Ir. Agus Buono, M.Si, M.Kom, dan Bapak Dr. Ir. Kikin H. Mutaqin, M.Si selaku pembimbing yang telah banyak meluangkan waktu untuk membimbing, mengarahkan serta memberi saran kepada penulis sampai terselesaikannya penelitian ini. Ungkapan terima kasih juga disampaikan kepada ummi – abi atas cinta kasih dan dukungannya tiada henti kepada penulis, serta seluruh keluarga, atas segala doa dan kasih sayangnya. Selain itu, penulis menyampaikan terima kasih kepada semua dosen dan staf Departemen Ilmu Komputer IPB yang telah membantu selama proses penelitian. Teman-teman Dwi Regina, Kak Yudith, Halimah, Kak Adi, teman sepembimbingan Bapak Irman dan Bapak Agus dan teman-teman seperjuangan angkatan 15 Ilmu Komputer IPB yang selalu bersama penulis dua tahun ini, terima kasih atas dukungannya.
Semoga karya ilmiah ini bermanfaat.
Bogor, Juni 2015
DAFTAR ISI
DAFTAR TABEL xii
DAFTAR GAMBAR xii
DAFTAR LAMPIRAN xiii
1. PENDAHULUAN 1
Perumusan Masalah 2
Tujuan Penelitian 2
Manfaat Penelitian 3
Ruang Lingkup Penelitian 3
2. TINJAUAN PUSTAKA 3
Sistem Pakar 3
Kedelai (Glycine max (L.) Merril) 3
Penyakit Kedelai 4
Rule Based Reasoning 4
Metode Naïve Bayes 5
Knowledge Engineering Process 7
ESDLC 7
3. METODE PENELITIAN 8
4. HASIL DAN PEMBAHASAN 10
Tahap I Inisialisasi Proyek 10
Tahap II Knowledge Engineering Process 11
Mengumpulkan Pengetahuan 11
Merepresentasikan Pengetahuan 11
Membuat Basis Pengetahuan 12
Validasi Pengetahuan 13
Inferensi 13
Penjelasan Hasil Inferensi 16
Tahap III Pengembangan Sistem 17
Analisis 17
Desain 17
Implementasi 26
Pengujian 31
Tahap IV Pengujian Lapangan 32
5. KESIMPULAN 34
DAFTAR PUSTAKA 36
LAMPIRAN 38
DAFTAR TABEL
1. Penyakit Penting Tanaman Kedelai di Indonesia 4 2. Pengkodean Penyakit Penting Tanaman Kedelai di Indonesia 11
3. Peluang Prior Penyakit Kedelai 12
4. Rule Penyakit Kedelai dan Gejalanya pada Tiap-tiap Fase Pertumbuhan 12 5. Perbandingan Hasil Diagnosis Pendekatan Naïve Bayes dan Rule
(Dataran Tinggi) 14
6. Perbandingan Hasil Diagnosis Pendekatan Naïve Bayes dan Rule
(Dataran Rendah) 15
7. Aktor Sistem Pakar XSIDS 19
8. Hasil Pengujian Sistem Pakar Berbasis Android dengan Emulator 31
DAFTAR GAMBAR
1. Knowledge Engineering Process 7
2. Skema Tahapan ESDLC 8
3. Metode Penelitian Mengadopsi Metode ESDLC 9
4. Rancangan Use Case Diagram 18
5. Rancangan Class Diagram 19
6. Diagram Sekuensial Pengetahuan Tentang Kedelai 20
7. Diagram Sekuensial Kebijakan Pemerintah 20
8. Diagram Sekuensial Konsultasi 21
9. Diagram Sekuensial Tentang Kami 22
10. Diagram Sekuensial Tentang XSIDS 22
11. Diagram Sekuensial Note 23
12. Diagram Activititas Konsultasi 23
13. Arsitektur Sistem Pakar XSIDS 24
14. Rancangan Halaman Loading 25
15. Rancangan Halaman Menu Utama 25
16. Rancangan Menu Konsultasi 25
17. Package com.tesis.xsids 26
18. Tabel Rule di SQLite 27
19. Pembuatan Antarmuka pada File .xml 28
20. Contoh Tampilan Emulator Android 28
21. Halaman Loading XSIDS 29
22. Halaman Utama XSIDS 29
23. Menu Konsultasi XSIDS 30
24. Menu Pengetahuan Tentang Kedelai 30
25. Menu Kebijakan Pemerintah 30
26. Menu Tentang Kami 30
27. Menu Tentang XSIDS 30
28. Menu Note 31
29. Letak Berkas Xsids.apk 33
DAFTAR LAMPIRAN
1. Daftar Gejala Penyakit pada Tiap-tiap Fase Pertumbuhan 39
2. Informasi Penyakit Kedelai 42
3. Penanggulangan Penyakit Kedelai 49
4. Contoh Perhitungan Identifikasi Penyakit Kedelai dengan Naïve Bayes 51
5. Tampilan Aplikasi XSIDS 54
6. Pengelompokan Jenis Penyakit yang Menyerang Berdasarkan
Fase Pertumbuhan Kedelai 60
7. Form Pemberian Skoring pada Variabel Ketinggian (Dataran Tinggi –
Dataran Rendah) untuk Penentuan Nilai Prior 60
1
PENDAHULUAN
Kedelai memiliki manfaat yang beragam, misalnya dari kedelai dapat dihasilkan antara lain bahan olahan makanan seperti tahu, tempe, susu, tepung kedelai, minyak kedelai, pakan ternak, dan dapat juga untuk bahan baku industri. Hal ini menyebabkan tingginya permintaan kedelai di dalam negeri. Konsumsi kedelai di Indonesia mencapai 2,2 juta ton per tahun, dari jumlah itu sekitar 1,6 juta ton harus diimpor (75%) (Pusat Data dan Informasi Pertanian, 2013). Bila diamati berdasarkan subsektor, maka kondisi perdagangan komoditas tanaman pangan di Indonesia berada dalam posisi defisit atau menjadi negara net importer.
Komoditas pangan dengan nilai impor terbesar adalah gandum, kedelai diikuti oleh jagung dan beras. Hal ini menjadi indikator kinerja sasaran strategis Kementerian Pertanian. Sasaran yang ingin dicapai dalam periode 2015-2019 di antaranya adalah swasembada padi, jagung dan kedelai serta peningkatan produksi daging dan gula (Kementrian Pertanian Republik Indonesia, 2015).
Banyak faktor yang mempengaruhi menurunnya angka produksi kedelai diantaranya adalah faktor penyakit. Kedelai diketahui memiliki banyak penyakit yang disebabkan oleh berbagai jenis patogen seperti cendawan, virus, bakteri dan nematoda. Pengendalian suatu penyakit tanaman akan efektif jika didasarkan atas diagnosis dan identifikasi patogen penyebabnya secara tepat. Gejala suatu penyakit dapat berbeda-beda dan cukup khas tergantung jenis patogennya, walaupun patogen yang sama dapat menghasilkan variasi gejala dan sebaliknya beberapa patogen berbeda dapat menghasilkan gejala yang mirip. Gejala dapat dijadikan dasar untuk diagnosis maupun identifikasi awal suatu penyakit (Agrios, 2005). Pengetahuan tentang gejala maupun cara identifikasi diperlukan petani untuk mengetahui jenis penyakit dan dasar pengambilan keputusan pengendalianya, namun kemampuan tersebut harus diperoleh melalui pengalaman dan pelatihan yang panjang dan seringkali hanya dimiliki kalangan tertentu saja (pakar).
Petani perlu mengetahui informasi dengan cepat dan akurat terkait jenis penyakit yang menyerang kedelai yang mereka tanam untuk dapat segera mengetahui solusi dan memutuskan pengendalian. Keberadaan seorang pakar dalam bidang identifikasi penyakit kedelai sangatlah dibutuhkan untuk permasalahan seperti ini, namun seorang pakar tidak selalu ada di setiap saat atau seringkali sulit ditemui terutama di daerah pedesaan. Pakar yang berpengalaman adalah stakeholder yang dapat memberikan informasi untuk membuat keputusan
yang memungkinkan dapat meningkatkan produksi pertanian (Tatte dan Nichat, 2010), sehingga dibutuhkan suatu sistem untuk menjawab permasalahan di atas yaitu sistem yang bisa membantu mereka untuk mengontrol masalah yang mereka alami kaitannya dengan identifikasi penyakit yang menyerang tanaman tanpa harus bertemu langsung dengan pakar (Sharma et. al, 2010).
Aplikasi sistem pakar yang berbasis Android diharapkan dapat
mempermudah user memperoleh informasi dalam mengetahui jenis penyakit
kedelai secara dini dan mandiri tanpa harus memiliki perangkat komputer atau selalu terkoneksi dengan jaringan internet (Al Ihsan 2012). Penggunaan aplikasi akan lebih praktis dan efisien ketika diimplementasikan ke dalam aplikasi berbasis
sebagian besar masyarakat, pengguna aplikasi tersebut bisa mengggunakan aplikasi tersebut dimana saja (Ardianto et al. 2012).
Pada penelitian sebelumnya yang dilakukan oleh Ambica et al. (2013) yaitu,
penerapan metode Naive Bayes Classifier untuk efisiensi pada sistem pakar
identifikasi penyakit diabetes. Hasil penelitian tersebut menjelaskan bahwa metode Naive Bayes mampu mengekstrak data set secara optimal.
Setiawan dan Ratnasari (2014) menghitung nilai probabilitas untuk menentukan penyakit mata. Probabilitas dihitung menggunakan pendekatan Naïve Bayes dengan perbandingan nilai ketepatan antara perhitungan menggunakan Naïve Bayes dan pendapat pakar mencapai 83% berdasarkan 12 data pasien.
Kaitannya dengan penggunaan teori Naïve Bayes, Farid et al. (2014) telah
melakukan penelitian yang tujuannya untuk meningkatkan akurasi klasifikasi dalam klasifikasi multi-kelas yaitu dengan mengusulkan dua pendekatan algoritma, yaitu Decision Tree dan Naive Bayes Classifier. Hasil pengujian
menunjukkan bahwa kedua algoritma yang diusulkan berjalan dengan baik pada 10 sampel kasus.
Metode pendekatan Naive Bayes memiliki nilai akurasi yang lebih pada
penelitian-penelitian sebelumnya. Untuk itu, tujuan pada penelitian ini adalah mengembangkan sistem pakar untuk identifikasi awal penyakit kedelai dengan menentukan nilai kemungkinan deteksi penyakit kedelai menggunakan pendekatan
Naïve Bayes. Jumlah penyakit kedelai yang bisa diidentifikasi dalam penelitian ini
berjumlah 14 jenis penyakit. Penelitian ini menggunakan beberapa variabel untuk menghitung kemungkinan nilai bayesnya, di antaranya dibedakan menjadi 4 fase pertumbuhan kedelai (kecambah, tanaman muda, tanaman dewasa dan biji), menggunakan variable ketinggian (dataran tinggi dan dataran rendah) dengan nilai frekuensi terjadinya penyakit berdasarkan pemberian skoring oleh pakar untuk
menentukan nilai priornya, serta total gejala penyakit untuk semua fase
pertumbuhan berjumlah 94. Kemudian dari variabel yang dimasukkan, sistem akan menghitung nilai kemungkinan masing-masing gelaja dengan mengacu pada
rule yang sudah dibuat. Hasil perbandingan nilai terbesar dari tiap-tiap penyakit
maka akan diketahui jenis penyakit yang menyerang tanaman kedelai. Perumusan Masalah
Beberapa permasalahan yang dikaji dalam penelitian ini adalah:
1. Bagaimana menggunakan pendekatan Naive Bayes untuk menghitung nilai
kemungkinan hasil identifikasi penyakit kedelai
2. Bagaimana mengidentifikasi penyakit kedelai dan melakukan pengendalian yang tepat terhadap kedelai secara dini tanpa berkonsultasi langsung dengan pakar karena ketidaktersediaan pakar setiap saat
Tujuan Penelitian
Tujuan dari penelitian ini di antaranya adalah:
1. Mengembangkan sistem pakar identifikasi awal penyakit kedelai berbasis Android.
Manfaat Penelitian
Manfaat dari penelitian ini adalah:
1. Membantu mendeteksi penyakit kedelai secara mandiri tanpa harus berkonsultasi atau bertemu langsung dengan pakar.
2. Memberikan saran penanggulangan sehingga dapat segera diberikan penanggulangan terhadap penyakit yang menyerang kedelai.
Ruang Lingkup Penelitian
Beberapa ruang lingkup yang digunakan pada penelitian ini di antaranya : 1. Informasi gejala-gejala dan penyakit kedelai
2. Informasi penanggulangan penyakit kedelai
3. Nilai kemungkinan terjadinya penyakit kedelai pada dataran tinggi dan dataran rendah
keputusan atau pemecahan masalah yang dapat mencapai tingkat performa yang setara atau bahkan lebih dengan pakar manusia di beberapa bidang khusus dan biasanya mempersempit area masalah (Turban et al. 2005).
Definisi sistem pakar lainnya, yaitu sistem pakar merupakan bagian dari cabang ilmu Artificial Intellegence. Secara umum, sistem pakar adalah sistem
yang berusaha mengadopsi pengetahuan manusia (ahli atau pakar) ke komputer, agar komputer dapat menyelesaikan permasalahan seperti yang biasa dilakukan oleh para ahli atau pakar. Jadi ketika user menggunakan sistem tersebut,
seolah-olah user sedang berkonsultasi dengan layaknya seorang pakar (Giarratano dan
Filey 2005).
Kedelai (Glycine max (L.) Merril)
Kedelai termasuk salah satu komoditas pangan yang telah lama dikenal dan dibudidayakan oleh masyarakat Indonesia. Kedelai mempunyai nilai gizi yang tinggi namun dengan harga yang terjangkau untuk semua lapisan masyarakat. Selain digunakan sebagai bahan baku industri pangan seperti tempe, tahu, kecap, susu, tepung dan lain sebagainya, kedelai juga dapat digunakan sebagai bahan pakan ternak.
Kedelai (Glycine max (L.) Merril) dikenal dengan beberapa nama botani,
bahwa nama botani yang dapat diterima dalam istilah ilmiah, yaitu (Glycine max
(L.) Merill). Klasifikasi tanaman kedelai (Cahyadi 2009), Nama ilmiah : Glycine max (L.) Merrill
Ordo : Polypetales
Sub Famili : Papilionoideae
Genus : Glycine
Tabel 1. Penyakit Penting Tanaman Kedelai di Indonesia
No Nama Penyakit Patogen
1 Hawar Bakteri Pseudomonas syringae pv. Glycinea
2 Pustul Bakteri Xanthomonas axonopodis pv glycinea
3 Antraknosa Collectrichum truncatum
4 Bercak Coklat Septoria glycines
5 Bercak Biji Ungu Cerospora kikuchii
6 Penyakit Layu Sklerotium Sclerotium rolfsii Sacc
7 Bercak Daun cercospora (mata kodok)
Cerospora sojina Hara
8 Hawar Batang Phomopsis sojae
9 Busuk Arang Machrophonia phaseolina
10 Rebah Kecambah Rhizoctonia solani Kuhn
11 Penyakit Karat Phakospora pachyrhizi Syd
12 Kerdil Kedelai Soybean Stunt Virus
13 Sapu Fitoplasma
14 Virus Mosaik Soybean Mosaic Virus
Rule Based Reasoning
Representasi berbasis aturan mempunyai pola if sebagai kondisi atau premis
dan then sebagai aksikonklusi pada suatu tabel knowledge base. Kaitannya dalam
penelitian ini if bisa direprentasikan sebagai gejala-gejala yang menyerang pada
tanaman dan then berupa hasil identifikasi jenis penyakit tanaman.
Untuk suatu kondisi tertentu dimana if premis then konklusi, dan premisnya
lebih dari satu maka dapat dihubungkan dengan operator and atau or. Sedangkan
pada bagian konklusi dapat berupa kalimat tunggal, beberapa kalimat yang dihubungkan dengan and atau or (Turban et al. 2005).
Contoh aturan menggunakan if - then adalah sebagai berikut:
1 : if musim hujan then cuaca dingin
2 : if hari ini hujan AND tidak ada payung then tidak keluar rumah
Metode Naive Bayes
Pendekatan Naive Bayes merupakan sebuah metode klasifikasi yang
mengacu pada teorema Bayes. Teorema Bayes digunakan untuk menghitung probabilitas ketidakpastian data (Russel & Norvig 2010). Proses pendekatan
Naïve Bayes Classifier mengasumsikan bahwa ada atau tidaknya suatu fitur pada
suatu kelas tidak berhubungan dengan ada atau tidaknya fitur lain di kelas yang
sama (Setiawan & Ratnasari 2015). Pada saat klasifikasi, pendekatan Bayes akan
menghasilkan tabel kategori yang paling tinggi nilai probabilitasnya yaitu VMAP
(Maximum Apriori Probability) dengan atribut inputan G1, G2,… Gn (Aribowo
2010). Pernyataan tersebut dapat dituliskan dengan formula sebagai berikut : VMAP = argmaxvjϵv P(G1, G2, G3 … Gn) (1)
Formula bayes menurut (Duda et. al. 2001):
P( | ) = ) | )
) (2)
Formula Bayes pada persamaan (2) secara umum dapat ditulis sebagai berikut :
Posterior = (3)
Dimana :
Posterior( | ) : Formula bayes memperlihatkan bahwa dengan mengamati nilai x, kita dapat mengkonversi peluang prior P( ),
yang bersesuaian dengan x (evidence). Evidence (x) P(x) sebagai faktor skala.
Untuk menjelaskan teorema Naive Bayes, perlu diketahui bahwa proses
klasifikasi memerlukan sejumlah petunjuk untuk menentukan kelas apa yang cocok bagi sampel yang akan dianalisis (Natalius 2011). Karena itu, teorema Bayes di atas dapat disesuaikan sebagai berikut:
P( | 1, … , ) = ) !, ",… | )
!, ",… ) (4)
Dimana variabel V merepresentasikan kelas penyakit (Disease), sementara
variabel G1,G2,...Gn merepresentasikan fitur-fitur petunjuk (gejala) yang
(posterior) adalah peluang munculnya kelas V (sebelum masuknya sampel
tersebut (disebut juga prior) dikali dengan peluang munculnya fitur-fitur
(gejala-gejala) sampel pada kelas V (disebut juga likelihood), dibagi dengan peluang
kemunculan fitur-fitur (gejala-gejala) sampel secara global (disebut juga evidence)
(Natalius 2011).
Menggunakan teorema pada persamaan (4) dapat ditulis sebagai berikut :
VMAP = argmaxvjϵv
) !, ",… | )
!, ",… ) (5)
Dimana :
VMAP = Probabilitas (penyakit) tertinggi
P(Vj) = Peluang jenis penyakit kedelai kej (prior)
P(G1,G2,…Gn|Vj) = Peluang atribut-atribut inputan jika diketahui keadaan Vj P(G1,G2,…Gn) = Peluang atribut-atribut inputan
Karena nilai P(G1,G2,…Gn) nilainya konstan untuk semua Vj maka persamaan
tersebut dapat ditulis :
VMAP = argmaxvjϵv P(Vj) x P(G1, G2,…Gn|Vj) (6)
Untuk perhitungan P(Vj) x P(G1, G2,…Gn|Vj) akan semakin sulit karena
jumlah gejala P(Vj) x P(G1, G2,… Gn|Vj) dapat semakin besar. Hal ini karena
jumlah gejala tersebut sama dengan jumlah kombinasi gejala dikalikan dengan jumlah kelas yang ada (Aribowo 2010).
Perhitungan Naïve Bayes adalah sebagai berikut (Setiawan & Ratnasari 2015):
Menghitung P(Gi|Vj) =
Persamaan (6) dapat diselesaikan melalui perhitungan sebagai berikut : 1. Menentukan nilai nc untuk setiap class
2. Menentukan nilai P(Vj) atau nilai prior. Pada penelitian ini nilai prior
diperoleh dari pemberian scoring oleh pakar
3. Menghitung nilai P(Gi|Vj)
VMAP = argmaxvjϵv P(Vj) ∏ ' '| ) (8)
Dimana :
P(Vj) = Peluang jenis penyakit kej nilai prior penyakit kej P(Gi|Vj) =
4. Menghitung P(Vj) x P(Gi|Vj) untuk tiap V
5. Menentukan hasil klasifikasi yaitu V yang memiliki hasil perkalian yang
terbesar
Knowledge Engineering Process
Knowledge engineering process merupakan tahapan-tahapan yang
digunakan dalam mengembangkan atau membangun suatu sistem pakar. Tahapan dapat digambarkan sebagai berikut (Turban et al. 2005):
Gambar 1. Knowledge Engineering Process
Penjelasan pada Gambar 1. adalah sebagai berikut :
1. Tahap Aqcuisition of Knowledge, yaitu mengumpulkan pengetahuan yang di
dapat dari wawancara dengan pakar, buku referensi, jurnal, data-data penelitian sebelumnya dan sebagainya.
2. Tahap Knowledge Representation, yaitu merepresentasikan pengetahuan yang
telah dikumpulkan untuk membangun sebuah knowledge based.
3. Tahap Knowlagde Based, yaitu merepresentasikan pengetahuan dalam bentuk
aturan (rule).
4. Tahap Knowledge validation and verification, yaitu knowledge based yang
sudah dibangun divalidasi oleh pakar atau ahli.
5. Tahap Inferences, yaitu penentuan jawaban dari permasalahan yang ada. Jika
permasalahan berhasil diidentifikasi sesuai dengan rule yang dibuat berarti
proses identifikasi berhasil.
6. Tahap Explanation and justification capabilities, yaitu sistem akan
memberikan alasan atau penjelaan sesuai dengan permasalahan yang berhasil diidentifikasi.
ESDLC
Siklus ini digunakan sebagai acuan dari tahap ke tahap untuk mengembangkan sistem pakar agar lebih terstruktur dan terarah dalam pengerjaannya. Adapun tahapan-tahapan yang ada dalam ESDLC dapat digambarkan dalam skema berikut:
Gambar 2. Skema Tahapan ESDLC
3
METODE
Pada bagian ini akan dijabarkan tentang metode penelitian. Tahapan dalam penelitian ini diadopsi dari metode pengembangan sistem pakar ESDLC meliputi tahapan inisialisasi proyek, knowledge engineering process, membangun sistem,
Tahap I Inisialisasi Proyek
Tahap I adalah tahap inisialisasi proyek. Pada penelitian ini terdiri dari 4 fase. Fase tersebut adalah fase mendefinisikan masalah, fase memberikan solusi alternative, fase memverifikasi metode, fase menentukan pakar.
Tahap II KnowledgeEngineering Process
Tahap II merupakan tahapan-tahapan yang ada dalam knowledge engineering process. Dimulai dari tahapan akuisisi atau mengumpulkan
pengetahuan untuk membuat basis pengetahuan (knowledge base),
merepresentasikan pengetahuan, membuat basis pengetahuan, memvalidasi pengetahuan, inferensi, dan tahap memerikan penjelasan terhadap hasil inferensi.
Tahap III Pengembangan Sistem
Tahap III adalah tahap mengembangkan sistem pakar, terdiri dari beberapa tahapan di antaranya adalah tahap analisis, tahap desain, tahap implementasi dan tahap pengujian.
Tahap IV Pengujian Lapangan
Tahap IV dilakukan pengujian oleh para pengguna (user acceptance testing). Pengujian dilakukan terhadap menu-menu yang ada dalam sistem pakar
identifikasi awal penyakit kedelai berbasis Android dengan metode pengujian black box testing. Menu-menu diuji coba apakah sudah berjalan sesuai dengan
fungsinya.
4
HASIL DAN PEMBAHASAN
Tahap I Inisialisasi Proyek
Tahap ini merupakan tahap penting sebelum sistem pakar dikembangkan. Tahap inisialisasi dalam penelitian ini meliputi beberapa aspek seperti :
a. Mendefinisikan masalah
- Banyaknya jenis penyakit kedelai dengan gejala yang beraneka ragam yang cukup membingungkan dalam pengidentifikasian jenis penyakitnya.
- Tidak semua orang yang ingin mengetahui jenis penyakit kedelai memiliki perangkat komputer dan terkoneksi dengan jaringan Internet
- Keberadaan seorang pakar bidang penyakit kedelai yang susah untuk ditemui setiap saat
b. Memberikan solusi alternatif
Mengembangkan XSIDS (Expert System for Identification of Diseases in Soybean) yaitu sistem pakar identifikasi awal penyakit kedelai berbasis Android dengan harapan bisa membantu pengguna dalam mendapatkan
c. Memverifikasi metode yang digunakan dalam pembuatan sistem pakar
Metode inferensi yang digunakan dalam XSIDS adalah pendekatan Naive Bayes. Metode ini digunakan untuk menghitung nilai kemungkinan hasil
identifikasi penyakit kedelai. d. Menentuan pakar
Yaitu, Dr. Ir. Kikin H. Mutaqin, M.Si. pakar penyakit kedelai dari Departemen Proteksi Tanaman Institut Pertanian Bogor.
Tahap II Tahap Knowledge Engineering Process
Dalam mengembangkan suatu sistem pakar diperlukan beberapa tahapan yang mana tahapan-tahapan ini berbeda dengan tahapan pengembangan sistem informasi. Turban (2005) mengatakan tahapan-tahapan dalam pengembangan sistem pakar terdiri dari tahap akuisisi atau mengumpulkan pengetahuan untuk membuat basis pengetahuan (knowledge base), merepresentasikan pengetahuan,
membuat basis pengetahuan, memvalidasi pengetahuan, inferensi, dan tahap memerikan penjelasan terhadap hasil inferensi.
Mengumpulkan Pengetahuan
Dalam penelitian ini tahap mengumpulkan pengetahuan dilakukan dengan mengumpulan informasi tentang penyakit kedelai dari wawancara dengan pakar penyakit kedelai. Selain itu, pengetahuan juga diperoleh dari buku referensi, dan jurnal penelitian-penelitian sebelumnya.
Merepresentasikan Pengetahuan
Tujuan dari tahap ini adalah merepresentasikan pengetahuan yang telah dikumpulkan untuk membangun sebuah knowledge base. Dalam tahapan ini
beberapa pengetahuan direpresentasikan dalam bentuk kode, kemudian ditanamkan dalam sebuah knowledge base. Beberapa pengetahuan yang
digunakan dalam penelitian ini di antaranya adalah daftar penyakit penting tanaman kedelai di Indonesia, daftar peluang prior tiap-tiap penyakit, daftar gejala penyakit berdasarkan fase pertumbuhan yaitu kecambah, tanaman muda, tanaman dewasa, bijibenih, dan daftar informasi penyakit serta cara penanggulangannya.
Daftar penyakit penting tanaman kedelai di Indonesia dan daftar peluang prior tiap-tiap penyakit dapat dilihat pada Tabel 2. dan Tabel 3. Daftar gejala penyakit berdasarkan fase pertumbuhan, daftar informasi penyakit serta cara penanggulangannya dapat dilihat pada lampiran.
Tabel 2. Pengkodean Penyakit Penting Tanaman Kedelai di Indonesia
No Kode Nama Penyakit Patogen
1 A Hawar Bakteri Pseudomonas syringae pv. Glycinea
2 B Pustul Bakteri Xanthomonas axonopodis pv glycinea
3 C Antraknosa Collectrichum truncatum
4 D Bercak Coklat Septoria glycines
5 E Bercak Biji Ungu Cerospora kikuchii
No Kode Nama Penyakit Patogen 7 G Bercak Daun cercospora
(mata kodok) Cerospora sojina Hara
8 H Hawar Batang Phomopsis sojae
9 I Busuk Arang Machrophonia phaseolina
10 J Rebah Kecambah Rhizoctonia solani Kuhn
11 K Penyakit Karat Phakospora pachyrhizi Syd
12 L Kerdil Kedelai Soybean Stunt Virus
13 M Sapu Fitoplasma
14 N Virus Mosaik Soybean Mosaic Virus
Tabel 3. Peluang Prior Penyakit Kedelai (berdasarkan hasil pemberian scoring
oleh pakar)
No Nama penyakit Ketinggian Peluang Prior Tinggi Rendah Tinggi Rendah
1 Hawar Bakteri 4 5 447 558 7 Bercak Daun cercospora
(mata kodok) 2 3 247 358
Pada tahap ini, pengetahuan yang sudah dikumpulkan dibuat rule.Rule yang
digunakan pada penelitian ini dapat dilihat pada Tabel 4.
Tabel 4. Rule Penyakit Kedelai dan Gejalanya pada Tiap-tiap Fase Pertumbuhan
Fase Nama Penyakit Gejala
BijiBenih 1. Hawar Bakteri BJ001, BJ002
2. Antraknose BJ003
3. Bercak Biji Ungu BJ004, BJ005 4. Rebah Kecambah BJ006
5. Kerdil Kedelai BJ007
6. Virus Mosaik BJ007, BJ008
Kecambah 1. Hawar Bakteri KC001, KC002, KC007
2. Antraknose KC003
Fase Nama Penyakit Gejala
Kecambah 4. Busuk Arang KC005
5. Virus Mosaik KC006, KC009, KC0010 Tanaman 1. Hawar Bakteri TM003, TM010
Muda 2. Pustul Bakteri TM011, TM012, TM018
3. Antraknosa TM004
4. Bercak Coklat TM005, TM013 5. Penyakit Layu
Sklerotium TM006, TM019
6. Hawar Batang TM007, TM020
7. Busuk Arang TM001, TM008, TM014, TM021 8. Kerdil Kedelai TM015, TM016
9. Virus Mosaik TM002, TM009, TM017, TM022, TM023
Tanaman 1. Hawar Bakteri TD003, TD011, TD027
Dewasa 2. Pustul Bakteri TD012, TD013, TD028, TD029, TD044
3. Antraknosa TD004, TD030, TD031, TD032, TD033, TD045
4. Bercak Coklat TD005, TD014, TD015 5. Bercak Biji Ungu TD016, TD034, TD035 6. Bercak Daun cercospora
(mata kodok)
TD006, TD017, TD018, TD019, TD036, TD037, TD038
7. Hawar Batang TD007, TD046
8. Busuk Arang TD001, TD008, TD020, TD047 9. Penyakit Karat TD009, TD021, TD022, TD023,
TD039, TD048
10.Kerdil Kedelai TD024, TD025, TD040, TD049
11.Sapu TD041, TD050
12.Virus Mosaik TD002, TD010, TD026, TDD042, TD043, TD051, TD052, TD053 Validasi Pengetahuan
Pada tahapan ini, pengetahuan dan rule yang sudah dibuat divalidasi oleh
pakar. Inferensi
Pada tahap inferensi digunakan pendekatan Naïve Bayes untuk menentukan
jenis penyakit kedelai. Perhitungan secara manual deteksi penyakit kedelai dengan beberapa gejala yang sesuai pada rule yang sudah dibuat, dengan menggunakan
persamaan (6) yang terdiri dari beberapa tahapan berikut: 1. Menentukan nilai nc untuk setiap class
2. Menentukan nilai P(Vj) atau nilai prior. Pada penelitian ini nilai prior
3. Menghitung nilai P(Gi|Vj)
VMAP = argmaxvjϵv P(Vj) ∏ ' '| )
Dimana :
P(Vj) = Peluang jenis penyakit kej nilai prior penyakit kej P(Gi|Vj) =
Contoh perhitungan identifikasi penyakit kedelai dengan perhitungan Naïve Bayes dapat dilihat pada lampiran.
Berikut ini adalah hasil uji coba perhitungan dengan pendekatan Naïve Bayes yang dibandingkan dengan rule yang sebenarnya ketika diinputkan gejala
sesuai dengan yang ada pada Tabel 4. Perbandingan hasil diagnosis pendekatan
Naïve Bayes dan rule pada dataran tinggi ditunjukkan pada Tabel 5.
Tabel 5. Perbandingan hasil diagnosis pendekatan Naïve Bayes dan Rule
(Dataran Tinggi)
No Pendekatan Naïve Bayes Rule
Fase Biji
1 Hawar Bakteri Hawar Bakteri
2 Antraknosa Antraknosa
3 Bercak Biji Ungu Bercak Biji Ungu
4 Rebah Kecambah Rebah Kecambah
5 Kerdil Kedelai Kerdil Kedelai
6 Virus Mosaik Virus Mosaik
Fase Kecambah
7 Hawar Bakteri Hawar Bakteri
8 Antraknosa Antraknosa
9 Bercak Biji Ungu Bercak Biji Ungu
10 Busuk Arang Busuk Arang
11 Virus Mosaik Virus Mosaik
Tanaman Muda
12 Hawar Bakteri Hawar Bakteri
13 Pustul Bakteri Pustul Bakteri
14 Pustul Bakteri Antraknosa
15 Pustul Bakteri Bercak Coklat
16 Penyakit Layu Sklerotium Penyakit Layu Sklerotium
17 Pustul Bakteri Hawar Batang
18 Pustul Bakteri Busuk Arang
19 Pustul Bakteri Sapu
No Pendekatan Naïve Bayes Rule
Tanaman Dewasa
21 Pustul Bakteri Hawar Bakteri
22 Pustul Bakteri Pustul Bakteri
23 Pustul Bakteri Antraknosa
24 Pustul Bakteri Bercak Coklat
25 Pustul Bakteri Bercak Biji Ungu
26 Pustul Bakteri Bercak Cerospora
27 Pustul Bakteri Hawar Batang
28 Pustul Bakteri Busuk Arang
29 Pustul Bakteri Penyakit Karat
30 Pustul Bakteri Kerdil Kedelai
31 Pustul Bakteri Sapu
32 Pustul Bakteri Virus Mosaik
Dari Tabel 5 dapat dilihat bahwa pada dataran tinggi terdapat 17 penyakit yang hasilnya tidak sesuai dengan rule. Pendekatan Naïve Bayes mampu mendiagnosis dengan tepat sesuai rule yang sebenarnya sebesar 47% dari 32 data rule yang ada pada dataran tinggi.
Pada dataran tinggi terdapat 17 hasil identifikasi pada fase tanaman muda dan tanaman dewasa yang hasil diagnosanya berbeda dengan rule yaitu Pustul
Bakteri. Jika dilihat di tabel prior, penyakit Pustul Bakteri memiliki nilai prior yang lebih tinggi dari prior-prior penyakit lainnya. Sehingga hasil pendekatan
Naïve Bayesnya lebih mendominasi ke nilai prior penyakit yang lebih tinggi yaitu
penyakit Pustul Bakteri.
Perbandingan hasil diagnosis pendekatan Naïve Bayes dan rule pada dataran
rendah ditunjukkan pada Tabel 6.
Tabel 6. Perbandingan hasil diagnosis pendekatan Naïve Bayes dan Rule
(Dataran Rendah)
No Pendekatan Naïve Bayes Rule
Fase Biji
1 Hawar Bakteri Hawar Bakteri
2 Antraknosa Antraknosa
3 Bercak Biji Ungu Bercak Biji Ungu
4 Rebah Kecambah Rebah Kecambah
5 Kerdil Kedelai Kerdil Kedelai
6 Virus Mosaik Virus Mosaik
Fase Kecambah
7 Hawar Bakteri Hawar Bakteri
8 Antraknosa Antraknosa
9 Bercak Biji Ungu Bercak Biji Ungu
10 Busuk Arang Busuk Arang
No Pendekatan Naïve Bayes Rule Tanaman Muda
12 Hawar Bakteri Hawar Bakteri
13 Pustul Bakteri Pustul Bakteri
14 Antraknosa Antraknosa
15 Antraknosa Bercak Coklat
16 Penyakit Layu Sklerotium Penyakit Layu Sklerotium
17 Hawar Batang Hawar Batang
18 Busuk Arang Busuk Arang
19 Sapu Sapu
20 Virus Mosaik Virus Mosaik
Tanaman Dewasa
21 Hawar Bakteri Hawar Bakteri
22 Pustul Bakteri Pustul Bakteri
23 Antraknosa Antraknosa
24 Hawar Bakteri, Antraknosa,
Penyakit Karat, Kerdil Kedelai Bercak Coklat 25 Hawar Bakteri, Antraknosa,
Penyakit Karat, Kerdil Kedelai Bercak Biji Ungu 26 Hawar Bakteri, Antraknosa,
Penyakit Karat, Kerdil Kedelai Bercak Cerospora 27 Hawar Bakteri, Antraknosa,
Penyakit Karat, Kerdil Kedelai Hawar Batang 28 Hawar Bakteri, Antraknosa,
Penyakit Karat, Kerdil Kedelai Busuk Arang
29 Penyakit Karat Penyakit Karat
30 Kerdil Kedelai Kerdil Kedelai
31 Hawar Bakteri, Antraknosa,
Penyakit Karat, Kerdil Kedelai Sapu 32 Hawar Bakteri, Antraknosa,
Penyakit Karat, Kerdil Kedelai Virus Mosaik
Dari Tabel 6 dapat dilihat bahwa pada dataran rendah terdapat 8 penyakit yang hasilnya tidak sesuai dengan rule. Pendekatan Naïve Bayes mampu mendiagnosis dengan tepat sesuai rule yang sebenarnya sebesar 75% dari 32 data rule yang ada pada dataran rendah.
Pada dataran rendah terdapat 8 hasil identifikasi pada fase tanaman muda dan tanaman dewasa yang hasil diagnosanya berbeda dengan rule. Terdapat 7
hasil identifikasi pada tanaman dewasa yang terdiagnosa lebih dari 1 penyakit yaitu Hawar Bakteri, Antraknosa, Penyakit Karat, dan Kerdil Kedelai. Jika dilihat ditabel prior, ke 4 jenis prior pada tanaman tersebut lebih tinggi nilainya dari prior-prior tanaman lainnya. Sehingga hasil pendekatan Naïve Bayesnya lebih
mendominasi ke nilai prior penyakit yang lebih tinggi. Penjelasan Hasil Inferensi
Daftar informasi dan cara penanggulangan penyakit kedelai dapat dilihat pada lampiran.
Tahap III Pengembangan Sistem
Perancangan pada penelitian ini terdiri dari beberapa tahapan di antaranya, tahap analisis, tahap desain, tahap implementasi dan tahap pengujian. Berikut adalah tahapan-tahapan pengembangan sistem dalam penelitian ini:
Analisis
Pada tahapan ini akan dilakukan analisis kebutuhan sistem. Pada penelitian sebelumnya, pengembangan sistem pakar diimplementasikan pada sistem yang berbasis desktop dan web. Sistem dinilai kurang efisien karena ketergantungan
akan pemakaian perangkat komputer dan koneksi internet masih sangat tinggi.
Permasalahan yang terjadi adalah masih banyak user khususnya petani yang
tidak mempunyai perangkat komputer, apalagi koneksi internet yang susah
khususnya di daerah pedesaan. Untuk itu pada penelitian ini sistem pakar dikembangkan untuk diimplementasikan pada mobile device dengan
menggunakan basis Android. Dengan semakin banyaknya masyarakat yang sudah
memiliki perangkat smartphone maka selain digunakan untuki sarana komunikasi
dapat dimanfaatkan juga untuk berkonsultasi atau mengidentifikasi penyakit kedelai.
Desain
Tahap desain pada penelitian ini menggambarkan sistem secara konseptual menggunakan pendekatan Unified Modeling Language (UML). UML terdiri dari
perancangan use case, actor, class diagram, sequence diagram dan activity diagram. Di dalam tahap ini juga dibuat arsitektur sistem dan perancangan
antarmuka (Interface).
Beberapa desain yang dibuat dalam penelitian ini adalah sebagai berikut:
a. Use Case Diagram
Pemodelan fungsional dari sistem dapat dilihat pada use case diagram yang
merupakan pemodelan untuk menggambarkan lingkungan sistem. Use case ini
dibuat untuk mengetahui gambaran interaksi antara sistem pakar deteksi awal penyakit kedelai yang dibuat dengan aktor-aktor yang terlibat. Bisa juga didefinisikan bahwa use case ini dibuat untuk mengetahui fungsi-fungsi apa saja
yang ada di dalam aplikasi sistem pakar dan siapa saja yang berhak menggunakan fungsi-fungsi tersebut.
Pada Gambar 4. dapat dilihat gambaran use case diagram untuk pengguna
user
engineer, pakar pengetahuan
tentang kedelai
kebijakan pemerintah
konsultasi
tentang kami
tentang XSIDS
note
update pengetahuan
System Deteksi Awal Penyakit Kedelai Berbasis Android
Gambar 4. Rancangan Use Case diagram
Aktor merupakan orang, proses atau sistem lain yang berinteraksi dengan sistem yang akan dibuat. Pada penelitian ini aktor utamanya adalah semua jenis pengguna sistem, yaitu user (penyuluh, praktisi, dinas pertanisn, petani,
mahasiswa atau siapa saja yang membutuhkan informasi dan pengetahuan yang terkait dengan identifikasi awal penyakit kedelai), pakar, dan engineer.
Engineer adalah pengelola sistem pakar identifikasi awal penyakit kedelai
berbasis Android. Engineer mempunyai hak akses yang sama dengan pakar yaitu
dapat melihat dan memodifikasi seluruh data serta dapat menambah, mengubah, menyimpan, dan menghapus data berdasarkan kesepakatan dari pakar. Begitu juga dengan pakar. Ketika ingin memodifikasi data (pengetahuan) maka harus menghubungi engineer untuk mendapatkan password untuk security sistem.
Tabel 7. Aktor Sistem Pakar XSIDS
Aktor Peran
User Pengguna langsung sistem pakar XSIDS
Pakar Sumber pengetahuan
Engineer Pengguna langsung sistem pakar XSIDS sekaligus
sebagai developer XSIDS b. Class Diagram (Diagram Kelas)
Class diagram atau diagram kelas digunakan untuk menggambarkan
struktur sistem dari segi pendefinisian kelas yang akan dibuat dalam membangun suatu sistem (S. Rosa & Shalahuddin 2013). Rancangan class diagram dalam
penelitian ini terdiri dari beberapa kelas. Class diagram tersebut yaitu kelas Prior,
kelas PriorPenyakit, kelas Penyakit, kelas GejalaPenyakit, dan kelas Gejala. Class diagram dari XSIDS ditunjukkan pada Gambar 5.
+input()
Gambar 5. Rancangan Class Diagram
c. Sequence Diagram (Diagram Sekuensial)
Diagram sekuensial digunakan untuk memvisualisasikan pelaksanaan aktivitas objek terhadap sistem (Elmasri 2011). Aktormelakukan aktivitaskepada sistem dan sistem memberikan tanggapan sesuai dengan aktivitas aktor. Banyaknya diagram sekuen yang digambarkan sesuai dengan banyaknya use case
yang sudah didefinisikan (S. Rosa & Shalahuddin 2013).
- Diagram sekuensial Pengetahuan tentang Kedelai
Pada Gambar 6. ditunjukkan diagram sekuensial bagaimana user
mendapatkan informasi pengetahuan tentang kedelai. User memilih icon
pengetahuan tentang kedelai, kemudian sistem akan menampilkan halaman pengetahuan tentang kedelai.
User bisa menscroll gambar untuk jenis pengetahuan yang berbeda
misalnya tanaman kedelai, fase pertumbuhan, penyakit kedelai, hama kedelai, varietas tanaman kedelai, manfaat kedelai, dan kebutuhan kedelai di Indonesia. Sistem akan menampilkan informasi sesuai pilihan yang sudah diklik oleh user
pada gambar di menu pengetahuan tentang kedelai.
Gambar 6. Diagram Sekuensial Pengetahuan Tentang Kedelai - Diagram sekuensial Kebijakan Pemerintah
Pada Gambar 7. ditunjukkan diagram sekuensial bagaimana user
mendapatkan informasi tentang kebijakan pemerintah. User memilih icon
kebijakan pemerintah, kemudian sistem akan menampilkan halaman kebijakan pemerintah kaitannya dengan tanaman kedelai yang ada di Indonesia.
- Diagram sekuensial Konsultasi
Pada Gambar 8. ditunjukkan diagram sekuensial bagaimana user dapat
melakukan identifikasi penyakit kedelai. User memilih icon konsultasi, kemudian
sistem akan menampilkan halaman konsultasi. Ada beberapa tahapan yang dilakaukan pada saat proses identifikasi. Pertama, user memilih dataran (terdiri
dari dataran tinggi atau dataran rendah) yang menjelaskan di dataran jenis apa tanaman kedelai yang akan dideteksi tersebut ditanam. Kedua, user memilih fase
pertumbuhan kedelai yang akan dideteksi (terdiri dari fase kecambah, tanaman muda, tanaman dewasa dan biji). Kemudian user akan diarahkan ke halaman
pemilihan gejala. Ketiga, user memilih gejala-gejala penyakit sesuai dengan fase
yang sudah dipilih. Keempat, user mengklik button diagnosa untuk mengetahui
jenis penyakitnya.
Setelah diketahui jenis penyakitnya user dapat mengklik button info
penyakit untuk mengetahui informasi seputar penyakit yang berhasil diidentifikasi. Selain itu juga terdapat button penanggulangan penyakit untuk
mengetahui bagaimana cara memberikan penangggulangan terhadap kedelai sesuai dengan penyakit yang berhasil diidentifikasi.
- Diagram sekuensial Tentang Kami
Pada Gambar 9. ditunjukkan diagram sekuensial bagaimana user
mendapatkan informasi tentang tim pengembang XSIDS. User memilih icon
tentang kami, kemudian sistem akan menampilkan halaman tentang kami yang berisi informasi tentang personal para pengembang XSIDS.
Gambar 9. Diagram Sekuensial Tentang Kami - Diagram sekuensial Tentang XSIDS
Pada Gambar 10. ditunjukkan diagram sekuensial bagaimana user
mendapatkan informasi tentang cara penggunaan XSIDS. User memilih icon
tentang XSIDS, kemudian sistem akan menampilkan halaman tentang XSIDS yang berisi penjelasan masing-masing menu yang terdapat pada XSIDS.
- Diagram sekuensial Note
Pada Gambar 11. ditunjukkan diagram sekuensial bagaimana user
menggunakan note untuk pencatatan. User memilih icon note, kemudian sistem
akan menampilkan halaman note. Dengan menggunakan menu ini pengguna dapat membuat note baru, memodifikasi ataupun menghapus note yang sudah dibuat.
Gambar 11. Diagram Sekuensial Note d. Activity Diagram (Diagram Aktivitas)
Diagram aktivitas digunakan untuk menggambarkan aliran kerja atau aktivitas, proses bisnis atau menu dari suatu sistem. Menu utama yang ada dalam penelitian ini adalah menu Konsultasi. Pada Gambar 12. ditunjukkan diagram aktivitas bagaimana user menggunakan menu Konsultasi.
pilih konsultasi
pemilihan dataran
pemilihan fase pertumbuhan
pemilihan gajala
menampilkan konsultasi
diagnosa
menampilkan info penyakit menampilkan penanggulangan
User Sistem
e. Arsitektur Sistem
Sistem pakar dibangun dengan dua bagian utama yaitu lingkungan pengembangan (development environment) dan lingkungan konsultasi
(consultation environment) (Turban et al. 2005). Lingkungan pengembangan
sistem pakar dibuat untuk menyimpan atau mengumpulkan pengetahuan pakar ke dalam sistem sedangkan lingkungan konsultasi digunakan user yang bukan pakar
untuk berkonsultasi untuk mendapatkan jawaban dari pengetahuan yang sudah dikumpulkan dari pakar.
Dalam perancangan arsitektur sistem XSIDS terdiri dari beberapa elemen di antaranya :
- User, engineer dan pakar (pengguna yang akan berinteraksi dengan sistem)
- Interface berupa rancangan aplikasi sistem berbasis Android
- Proses akuisisi atau pengumpulan informasi tentang gejala dan penyakit kedelai oleh knowledge enginer dari seorang pakar penyakit kedelai
- Proses verifikasi pengetahuan oleh pakar - Aksi yang direkomendasikan untuk user
- Fasilitas penjelasan yang berisi info penyakit dan saran untuk menanggulangi penyakit kedelai
- Mesin inferensi untuk memproses gejala-gejala yang diinputkan sampai menghasilkan keputusan jenis penyakit yang menyerang kedelai
- Basis pengetahuan untuk menyimpan semua pengetahuan tentang penyakit kedelai
- Teknik inferensi yang nantinya akan menggunakan pendekatan Naïve Bayes
untuk menemukan jenis penyakit
Arsitektur sistem XSIDS dapat dilihat pada Gambar 13.
Gambar 13. Arsitektur Sistem Pakar XSIDS f. Rancangan Antarmuka (Interface)
Berikut adalah rancangan XSIDS yang berbasis Android. Terdiri dari
Gambar 14. Rancangan Halaman Loading Gambar 15. Rancangan Halaman Utama
Proses identifikasi jenis penyakit tanaman kedelai berada pada menu Konsultasi. Di dalam menu Konsultasi ada beberapa pilihan yang harus diinputkan oleh user di antaranya, pemilihan dataran, fase, dan gejala.
Info Penyakit
Berdasarkan dari gejala yang diinputkan, kemungkinan penyakit yang menyerang
adalah
---INFO PENYAKIT
SARAN PENANGGULANGAN
JPEG Gambar
Implementasi
Pengembangan XSIDS pada penelitian ini digunakan perangkat keras dan perangkat lunak sebagai berikut:
1. Perangkat lunak:
a. Eclipse dan android Emulator: untuk pembuatan desain, pengkodean, dan
pengujian
b. SQLite: untuk layanan basis data portable
c. Adobe photoshop CS, untuk desain gambar dan icon.
2. Perangkat keras:
a. Notebook dengan Prosesor Intel(R) Core(TM) i3 2.40Ghz
b. Wifi untuk koneksi internet
c. Smart phone berbasis Android untuk pengujian lapangan aplikasi Android
yang dibangun (menggunakan Lenovo S890)
Implementasi pada tahap ini adalah menterjemahkan tahap desain dalam bentuk kode program. Sistem pakar berbasis Android ini diimplementasikan
dengan menggunakan bahasa pemrograman Java dan basis data (database)
SQLite. Java digunakan untuk mebangun interface dari XSIDS sedangkan SQLite
digunakan sebagai penyimpanan basis pengetahuan.
Pengembangan sistem pakar berbasis Android ini terdiri dari beberapa hal
yaitu:
1. Pembuatan project
Pembuatan project adalah langkah pertama yang harus dilakukan dalam
membuat pemrograman dengan Java. Project yang berhasil dibuat di dalamnya
terdapat beberapa komponen yang dibutuhkan dalam pengembangan sistem. Pada penelitian ini, project diberi nama “Xsids” yang merupakan inisial dari (Expert System for Identification of Disease in Soybean)
2. Pengelolaan package untuk setiap kelas .java (class)
Pada penelitian ini dibuat satu package yaitucom.tesis.xsids yang terdapat pada folder src. Package ini berisi berkas-berkas kelas pada palikasi XSIDS
seperti CheckboxGejala.java, Loading.java, Xsids.java dan lain-lain. Package dan
berkas-berkas kelas dapat dilihat pada Gambar 17.
3. Pembuatan database.
Implementasi basis data pada penelitian ini menggunakan
SQLiteOpenHelper. Berikut adalah contoh cuplikan kode program implementasi
menggunakan SQLiteOpenHelper:
Berikut adalah bentuk tabel rule sesuai baris kode yang sudah dibuat.
Gambar 18. Tabel Rule di SQLite
4. Pembuatan antarmuka sistem dan pembuatan kode program.
Pembuatan antarmuka dilakukan dengan pengkodean pada file .xml sedangkan pembuatan kode program dilakukan dengan pembuatan kelas .java. Antarmuka di dalam pemrograman Android terletak pada sub direktori layout dari
direktori resource (reslayout*.xml). Kelas-kelas menu terletak pada
masing-masing package seperti yang sudah dibahas pada poin 2.
package com.tesis.xsids;
import android.content.ContentValues; import android.content.Context; import android.database.Cursor;
import android.database.sqlite.SQLiteDatabase; import android.database.sqlite.SQLiteOpenHelper;
public class dbHelperRule extends SQLiteOpenHelper {
private static final String DATABASE_NAME="dbrules.db"; private static final int SCHEMA_VERSION=1;
public dbHelperRule(Context context){super(context,
DATABASE_NAME, null, SCHEMA_VERSION);}
private static final String tb_rule="tbrule"; @Override
public void onCreate(SQLiteDatabase db){
db.execSQL("CREATE TABLE "+tb_rule+" (_id INTEGER PRIMARY KEY AUTOINCREMENT, kode_rule TEXT, nama_rule TEXT, keterangan TEXT)");
Gambar 19.Pembuatan Antar Muka pada File .xml
5. Simulasi program menggunakan simulator Android emulator untuk menguji
program yang telah dibuat apakah terjadi kesalahan (error).
Hasil dari implementasi sistem pakar berupa aplikasi Android yang bernama
XSIDS (Expert System for Identification of Disease in Soybean). Halaman menu
utama pada aplikasi ini terdapat enam icon yaitu Pengetahuan Tentang Kedelai,
Kebijakan Pemerintah, Konsultasi, Tentang Kami, Tentang XSIDS, dan Note seperti terlihat pada Gambar 22.
Gambar 21. Halaman Loading XSIDS Gambar 22. Halaman utama XSIDS Menu utama dalam sistem pakar ini adalah menu Konsultasi. Dengan menu ini user dapat mengidentifikasi jenis penyakit kedelai dengan memasukkan
variabel dataran (dataran tinggi atau dataran rendah), variabel fase (kecambah, tanaman muda, tanaman dewasa atau biji atau benih), dan variabel gejala yang ada pada tanaman kedelai.
Tanaman yang berhasil diidentifikasi jenis penyakitnya, maka user dapat
Gambar 23. Menu Konsultasi XSIDS
XSIDS memiliki 5 menu lain selain menu Konsultasi yaitu, menu Informasi Tentang Kedelai, menu Kebijakan Pemerintah, menu Tentang Kami, menu Tentang XSIDS dan menu Note.
Gambar 24. Menu Pengetahuan Gambar 25. Menu Kebijakan Tentang Kedelai Pemerintah
Menu pengetahuan tentang kedelai berisi tentang pengetahuan seperti fase pertumbuhan kedelai, hama, penyakit, varietas, manfaat, serta kebutuhan akan kedelai di Indonesia. Menu kebijakan pemerintah berisi informasi kebijakan-kebijakan pemerintah kaitannya dengan penyakit kedelai. Menu tentang kami berisi informasi tentang tim pengembang XSIDS. Menu tentang XSIDS berisi informasi tentang penggunaan aplikasi sistem pakar. Dan menu note digunakan untuk pencatatan.
Gambar 28. Menu Note Pengujian
Pengujian tahap pertama dilakukan dengan menggunakan emulator Android
dengan tujuan untuk mengetahui dan mengecek apakah menu-menu yang ada pada sistem yang dibangun mengalami error atau tidak. Tahapan pengujian ini
merupakan tahapan yang dilakukan sebelum sistem pakar ini digunakan oleh para pengguna. Berdasarkan hasil pengujian, sistem pakar ini dapat berjalan dengan baik, dimana fungsi-fungsi dalam menu sistem pakar dapat berjalan dengan baik dalam emulator. Pada Tabel 8 ditunjukkan hasil pengujian fungsi-fungsi dalam
sistem pakar yang dilakukan menggunakan emulator Android.
Tabel 8. Hasil Pengujian Sistem Pakar Berbasis Android dengan Emulator
No Modul Hasil Pengujian
1 Splash Screen (Animasi Pembuka) Berjalan dengan baik 2 Pengetahuan Tentang Kedelai
- Informasi Tanaman Kedelai Berjalan dengan baik
- Informasi Fase Pertumbuhan Berjalan dengan baik - Informasi Penyakit Kedelai Berjalan dengan baik
- Informasi Hama Kedelai Berjalan dengan baik
- Informasi Varietas Tanaman Kedelai Berjalan dengan baik
- Informasi Manfaat Kedelai Berjalan dengan baik
- Informasi Kebutuhan Kedelai di Indonesia Berjalan dengan baik
3 Kebijakan Pemerintah Berjalan dengan baik
4 Konsultasi
- Pilih Dataran Berjalan dengan baik
No Modul Hasil Pengujian
4 - Pilih Gejala Berjalan dengan baik
- Proses Diagnosa Berjalan dengan baik
- Informasi Penyakit hasil diagnosa Berjalan dengan baik - Informasi Penanggulangan Penyakit Berjalan dengan baik
5 Tentang Kami Berjalan dengan baik
6 Tentang XSIDS
- Pesan Pengtahuan Tentang Kedelai Berjalan dengan baik - Pesan Kebijakan Pemerintah Berjalan dengan baik
- Pesan Konsultasi Berjalan dengan baik
- Pesan Tentang Kami Berjalan dengan baik
- Pesan Tentang XSIDS Berjalan dengan baik
- Pesan Note Berjalan dengan baik
7 Note
- Create Note Berjalan dengan baik
- Read Note Berjalan dengan baik
- Update Note Berjalan dengan baik
- Delete Note Berjalan dengan baik
8 Tambah Pengetahuan - Input Gejala
• Create Gejala Berjalan dengan baik
• Read Gejala Berjalan dengan baik
• Update Gejala Berjalan dengan baik
• Delete Gejala Berjalan dengan baik
- Input Penyakit
• Create Penyakit Berjalan dengan baik
• Read Penyakit Berjalan dengan baik
• Update Penyakit Berjalan dengan baik
• Delete Penyakit Berjalan dengan baik - Input Rule
• CreateRule Berjalan dengan baik
• ReadRule Berjalan dengan baik
• UpdateRule Berjalan dengan baik
• DeleteRule Berjalan dengan baik
9 XSIDS’s Protection Berjalan dengan baik
10 Keluar dan menutup aplikasi Berjalan dengan baik
Tahap IV Pengujian Lapangan
Pengujian tahap kedua adalah pengujian lapangan, terdiri dari dua parameter yaitu proses instalasi, dan proses menjalankan sistem pakar tersebut setelah terinstal. Pengujian ini dilakukan langsung oleh beberapa user. Pengujian
dilakukan dengan menggunakan telepon pintar Lenovo S890 yang berbasis
Android versi 4.1.2.
untuk uploading berkasnya. Berkas berekstensi .apk inilah yang nantinya siap dirilis ke pengguna.
Letak berkas .apk dalam pemrograman Java menggunakan eclips dapat
dilihat pada Gambar 29.
Gambar 29. Letak Berkas Xsids.apk
Setelah berkas .apk berhasil dipindahkan ke telepon pintar, maka tahapan berikutnya adalah melakukan instalasi sistem. Tahapan instalasi ini sudah dilakukan dan berhasil dengan baik.
Pada Gambar 30. ditunjukkan keberhasilan proses instalasi ke dalam perangkat yang berbasis Android.
Tahap terakhir adalah menguji fungsionalitas menu-menu yang terdapat dalam sistem pakar. menu yang diuji pada tahap ini sama dengan menu-menu yang diuji ketika pengujian tahap pertama (Tabel 8). Pengujian telah dilakukan terhadap fungsionalitas sistem pada setiap menu. Daftar pertanyaan untuk proses user acceptance testing dapat dilihat pada lampiran.
Jika ada pengetahuan yang perlu ditambahakan seperti gejala, penyakit, cara penanggulangan dan lain sebagainya, pada sistem ini update konten dilakukan
oleh engineer atau pakar. Update masih dilakukan secara manual (tidak terhubung
ke internet)karena sistem pakar yang dibangun ini masih merupakan sistem yang stand alone. Pengembangan sistem ke depan diharapkan agar proses updating
basis pengetahuan dapat dilakukan oleh pakar secara langsung menggunakan fasilitas web yang terintegrasi dengan sistem yang berbasis Android, sehingga
lebih mudah dan evisien.
5
KESIMPULAN DAN SARAN
Kesimpulan
Sistem pakar identifikasi awal penyakit kedelai berbasis Android merupakan
pengembangan sistem yang menggunakan basis teknologi mobile. Penerapan
teknologi berbasis mobile ini diharapkan menjadi solusi alternative untuk
berkonsultasi tentang identifikasi penyakit kedelai tanpa harus bertemu dengan pakar yang dapat digunakan setiap waktu dan di manapun tanpa menggunakan perangkat komputer ataupun terkoneksi dengan jaringan internet.
Berdasarkan analisis pada penelitin ini, pendekatan Naïve Bayes mampu
mengidentifikasi dengan tepat masukkan berdasarkan rule (berjumlah 64, yang
terdiri dari 32 rule untuk dataran tinggi dan 32 rule untuk dataran rendah)
penyakit kedelai sebesar 47% untuk jenis penyakit di dataran tingggi dan 75% untuk jenis penyakit di dataran rendah. Dalam kasus ini hasil pengidentifikasian dengan pendekatan Naïve Bayes tidak selalu dapat menemukan jenis penyakit
yang tepat. Hal ini dikarenakan besarnya nilai peluang prior suatu penyakit sangat
mempengaruhi keputusan hasil identifikasi penentuan jenis penyakit.
Berdasarkan proses pendeteksian penyakitnya, sistem ini digunakan hanya untuk mendeteksi jenis penyakit per tanaman kedelai bukan untuk penyakit secara global disuatu lahan, karena kemungkinan dalam satu lahan terdapat lebih dari satu penyakit yang menyerang dan ada juga kemungkinan di satu tanaman mengalami lebih dari satu penyakit.
Saran
Karena data pencatatan atau rekap jenis penyakit yang menyerang tanaman kedelai disuatu wilayah belum ada, maka sangat dibutuhkan data tersebut untuk penentuan peluang prior sehingga lebih terstruktur dan konsisten yang nantinya
data tersebut dapat digunakan untuk memprediksi penyakit kedelai di wilayah tersebut. Selain itu dapat juga dilakukan pengujian terhadap Bayesian learning
Sistem yang ada pada penelitian ini masih bersifat stand alone dengan
proses updating pengetahuan yang masih dilakukan secara manual. Pada
penelitian berikutnya diharapkan bisa dikembangkan sistem pakar yang sudah menggunakan framework, sehingga update menu ataupun pengetahuan dapat
dilakukan dengan mudah karena terhubung ke internet.
DAFTAR PUSTAKA
Agrios GN. 2005. Plant Pathology. 5th Ed. Academic Press, New York.
Al Ihsan S H. 2012. Pengembangan sistem pakar agribisnis cabai (Capsicum Annuum.l) berbasis Android. [Tesis]. Bogor (ID): Institut Pertanian Bogor
Ambica A, Gandi S, Kothalanka A. 2013. An efficient expert system for diabetes by naïve bayesian classifier. International Journal of Engineering Trends and Technology (IJETT) – 4(10). 4634 – 4639.
Andayanie W. R. 2012. Diagnosis penyakit mosaik (Soybean Mosaic Virus)
terbawa benih kedelai. J. HPT Tropika. 12(2): 185 - 191
Ardianto W, Anggraeni W, Mukhlason A. 2012. Expert system development for early detection and treatment on cow disease based on android mobile with review of knowledge representation technique. Jurnal Teknik ITS, 1: 310 – 315
Aribowo T. 2010. Aplikasi inferensi bayes pada data mining terutama pattern recognition. [Makalah]. Bandung (ID) : ITB
Badan Penyuluhan dan Pengembangan SDM Pertanian. 2015. Pengendalian OPT (Organisme pengganggu tanaman). Pusat pelatihan pertanian.
Budhi G S, Aminah M. 2010. Felf-sufficiency in soybean : the hope and the reality. Agro Economic Forum. 28(1): 55 – 68.
Cahyadi W. 2009. Khasiat dan Teknologi Kedelai. Jakarta: Bumi Aksara.
Duda R O., Hart P E., Stork D G. 2001. Pattern Classification, 2nd Ed. John
Wiley & Sons, New York.
Elmasri R, Navathe S. B. 2011. Fundamentals of Database System. 7th Ed.
Addison-Wesley.
El-Barougy et al. 2009. Antagonistic activity of selected strains of rhizobacteria
against macrophomina phaseolina of soybean plants. American – Eurasian J. Agric. & Environ. Sci. 5(3): 337 – 347.
Farid D Md, Zhang L, Rahman C M, Hossain M.A., Strachan R. 2014. Hybrid
decision tree and naive bayes classifiers for multi-class classification tasks.
Expert Systems with Applications. 41: 1937–1946
Giarratano, J , & Filey, G ,2005, Expert System: Principles and Programming. 4th
Ed. Pws Publishing Company, Boston
Hartman .L. G. et al. 1999. Compendium of Soybean Diseases. 4th Ed. The
American Phytopathological Society. APS Press.
Kementerian Pertanian Republik Indonesia. 2015. Rencana Strategis Kementrian Pertanian Tahun 2015 – 2019. Renstra 2015 -2019. [Internet]. [diunduh 2015 April 23]. Tersedia pada: http:www.pertanian.go.idfileRENSTRA_2015-2019.pdf
Natalius S. 2011. Metoda naïve bayes classifier dan penggunaannya pada klasifikasi dokumen. [Makalah]. Bandung (ID): ITB
Pusat Data dan Informasi Pertanian. 2013. Buletin konsumsi pangan. 4(3).
Rukmana R, Yuniarsih R Kedelai Budidaya dan Pascapanen. Kanisius.
Yogyakarta
Russel S, Norvig P. 2010. Artificial Intellegent: A Modern Approach. 3rd Ed.
Pearson Education Ltd, Essex.