SISTEM PAKAR FUZZY UNTUK DIAGNOSIS PENYAKIT PADA TANAMAN CABAI MERAH MUHAMMAD MULYAWANTO

(1)

SISTEM PAKAR FUZZY UNTUK DIAGNOSIS PENYAKIT PADA

TANAMAN CABAI MERAH

MUHAMMAD MULYAWANTO

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN

ALAM INSTITUT PERTANIAN BOGOR

BOGOR

2011

(2)

SISTEM PAKAR FUZZY UNTUK DIAGNOSIS PENYAKIT PADA

TANAMAN CABAI MERAH

MUHAMMAD MULYAWANTO

Skripsi

Sebagai salah satu syarat untuk memperoleh gelar

Sarjana Komputer pada

Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN

ALAM INSTITUT PERTANIAN BOGOR

BOGOR

2011

(3)

ABSTRACT

MUHAMMAD MULYAWANTO. Fuzzy Expert System For Diagnosing Chili Plants Disease. Under the direction of MARIMIN and AZIZ KUSTIYO.

Chili plant is one plant that has high economic value for farmers in Indonesia. The risk of plants that have high economic value was also high. Production of the national average chili plants is still not maximized. One reason is the number of pests and pathogens that can attack chili plants and cause plants can not grow optimally.

This study developed an expert system that uses the concept of Fuzzy Inference System with Mamdani method to diagnose disease in chili plants. This system can provide early diagnosis of diseases affecting the chili plant from the symptoms caused without having to ask directly to the specialist or expert.

The parameters used as input parameters consist of fuzzy and non-fuzzy parameters. Fuzzy parameters such as leaf color, the color or pattern of leaf spot, leaf spot diameter, number of leaf spot, stem color, pH, and moisture. The non-fuzzy parameters used are the location of plant, leaf condition, position of leaf spot, stem rottenness, spots on the stems, bumps on the stem, blackish brown ring at the base of the stem, and dead shoots.

The results showed that the Fuzzy Inference System can be used as a way to cope uncertainty for the case of chili plant disease diagnosis.

Keyword : chili, disease, expert system, Fuzzy Inference System.

(4)

Judul : Sistem Pakar Fuzzy untuk Diagnosis Penyakit pada Tanaman Cabai Merah Nama : Muhammad Mulyawanto

NRP : G64061611

Menyetujui:

Pembimbing I, Pembimbing II,

Prof. Dr. Ir. Marimin, M.Sc Aziz Kustiyo, S.Si. M.Kom NIP. 19610905 198609 1 001 NIP. 19700719 199802 1 001

Mengetahui:

Ketua Departemen Ilmu Komputer,

Dr. Ir. Sri Nurdiati, M.Sc. NIP 19601126 198601 2 001

(5)

PRAKATA

Puji serta syukur penulis panjatkan kepada Allah SWT atas segala rahmat dan nikmat yang telah diberikan, sehingga tugas akhir dengan judul Sistem Pakar Fuzzy untuk Diagnosis Penyakit pada Tanaman Cabai Merah ini dapat diselesaikan. Penelitian ini dilakukan dari bulan Februari 2010 sampai Oktober 2010.

Terima kasih penulis ucapkan kepada semua pihak yang telah membantu dan berperan besar dalam menyusun tugas akhir ini, antara lain :

1. Kedua orang tua tercinta, Bapak Sarkosih dan Ibu Kaswaningsih atas doa, dorongan semangat, dan kasih sayang yang selalu diberikan.

2. Bapak Prof. Dr. Ir. Marimin, M.Sc dan Bapak Aziz Kustiyo, S.Si. M.Kom selaku pembimbing yang telah memberikan ilmu, waktu, bimbingan dan nasihat selama mengerjakan tugas akhir ini. 3. Ibu Prof. Dr. Ir. Sriani Sujiprihati, M.S dan Bapak Dr. Ir. Widodo, M.S selaku pakar yang telah

memberikan ilmu, waktu dan bimbingan dalam menyusun tugas akhir ini.

4. Bapak Toto Haryanto, S.Kom selaku penguji atas segala waktu, masukan dan koreksi yang telah diberikan.

5. Tris Ramadhan, Aditia WA, Rendi Rivaldy, Yoga Adi P dan Any Septiani M atas kebersamaan dan dorongan semangat yang telah diberikan.

6. Rekan – rekan ilkom 43 yang telah membantu penulis untuk menyelesaikan tugas akhir ini. 7. Departemen Ilmu Komputer, dosen dan staf yang telah banyak membantu selama masa

perkuliahan dan menyelesaikan tugas akhir ini.

Penulis menyadari masih banyak kekurangan dalam laporan skripsi yang telah disusun ini. Namun, penulis berharap dengan segala kekurangan yang ada semoga tulisan ini bisa memberikan manfaat kelak di kemudian hari. Amin.

Bogor, Desember 2010

(6)

RIWAYAT HIDUP

Muhammad Mulyawanto dilahirkan di kota Jakarta, pada tanggal 19 November 1987 dari pasangan Ibu Kaswaningsih dan Bapak Sarkosih. Pada tahun 2006 penulis lulus dari Sekolah Menengah Atas (SMA) Negeri 44 Jakarta dan diterima di Institut Pertanian Bogor melalui jalur Seleksi Masuk Penerimaan Mahasiswa (SPMB). Setelah penulis menyelesaikan masa perkuliahan Tingkat Persiapan Bersama (TPB), penulis diterima sebagai mahasiswa Departemen Ilmu Komputer IPB.

Tahun 2007 penulis aktif dalam organisasi Himpunan Mahasiswa Ilmu Komputer (Himalkom) FMIPA IPB sebagai staf Divisi Kestari. Selama aktif sebagai anggota Himalkom penulis juga aktif sebagai panitia dalam berbagai kegiatan yang diselenggarakan Himalkom.

Tahun 2009 penulis melaksanakan Praktik Kerja Lapang di PT Eramuslim Globa Media dan berhasil membantu mengembangkan website Eramuslim Muda.

(7)

iv DAFTAR ISI Halaman DAFTAR TABEL ... v DAFTAR GAMBAR ... v DAFTAR LAMPIRAN ... v PENDAHULUAN Latar Belakang ... 1 Tujuan Penelitian ... 1 Ruang Lingkup ... 1 Manfaat Penelitian ... 1 TINJAUAN PUSTAKA Sistem Pakar ... 1

Fasilitas Akuisisi Pengetahuan ... 2

Basis Pengetahuan ... 2

Mesin Inferensi ... 2

Fasilitas Penjelasan ... 2

Interaksi Manusia-Mesin (User Interface) ... 2

Sistem Fuzzy ... 2

Fungsi Keanggotaan ... 3

Fuzzy Inference System (FIS) ... 3

Metode Mamdani ... 3

Defuzzifikasi Centroid... 3

Tanaman Cabai ... 3

Fase Pertumbuhan Tanaman Cabai ... 4

Patogen ... 4

Penyakit Tanaman Cabai ... 4

METODE PENELITIAN Identifikasi Masalah dan Mencari Sumber Pengetahuan ... 5

Akuisisi Pengetahuan ... 5

Representasi Pengetahuan ... 6

Pengembangan Mesin Inferensi ... 7

Tahap Implementasi dan Pengujian ... 7

HASIL DAN PEMBAHASAN Desain Sistem ... 7

Implementasi Dan Pengujian ... 11

Operasionalisasi Sistem ... 12

Kompleksitas Sistem ... 12

Keterbatasan Sistem ... 12

KESIMPULAN DAN SARAN Kesimpulan ... 12

Saran ... 13

DAFTAR PUSTAKA ... 13

(8)

v

DAFTAR TABEL

Halaman

1 Deskripsi parameter input fuzzy kelompok 1 ... 6

2 Deskripsi parameter input fuzzy kelompok 2 ... 6

3 Deskripsi parameter input non-fuzzy kelompok 1... 6

4 Deskripsi parameter input non-fuzzy kelompok 2... 6

DAFTAR GAMBAR Halaman 1 Tahapan akuisisi pengetahuan ... 2

2 Kurva segitiga... 3

3 Kurva Gaussian ... 3

4 Tahap pembentukan sistem pakar ... 5

5 Proses diagnosis penyakit tanaman cabai ... 6

6 Fuzzifikasi warna daun ... 7

7 Fuzzifikasi warna atau pola bercak ... 7

8 Fuzzifikasi diameter bercak ... 8

9 Fuzzifikasi jumlah bercak... 8

10 Fuzzifikasi warna batang ... 8

11 Kategori output kelompok 1 ... 9

12 Fuzzifikasi warna daun ... 9

13 Fuzzifikasi warna batang ... 9

14 Fuzzifikasi kadar pH ... 9

15 Fuzzifikasi kelembaban ... 10

16 Kategori output kelompok 2 ... 10

17 Proses deteksi awal ... 11

18 Proses deteksi lebih lanjut ... 11

DAFTAR LAMPIRAN Halaman 1 Aturan yang terdapat di setiap sistem inferensi ... 15

2 Decision Tree parameter non-fuzzy ... 37

3 Aturan parameter non-fuzzy tiap jenis penyakit ... 41

4 Tampilan awal sistem pakar ... 43

5 Tampilan saat mengisi parameter masukan kelompok penyakit dengan gejala terdapat bercak pada daun ... 43

6 Tampilan saat mengisi parameter masukan kelompok penyakit dengan gejala tidak terdapat bercak pada daun ... 44

7 Hasil diagnosis sementara ... 44

8 Hasil diagnosis akhir ... 45

(9)

1

PENDAHULUAN Latar Belakang

Tanaman cabai merupakan salah satu komoditas sayuran penting dan bernilai ekonomi tinggi di Indonesia (Syukur et al. 2010). Luas area lahan cabai menurut data terakhir sekitar 165.000 hektar dan merupakan suatu usaha budidaya yang terluas dibandingkan komoditas sayuran lainnya (Duriat et al. 2007). Namun, produksi rata-rata nasional tanaman cabai baru mencapai 5.89 ton/hektar (BPS 2010), masih jauh di bawah potensi hasilnya yang berkisar antara 12 sampai 20 ton/hektar (Duriat et al. 2007). Penyebab utama masih rendahnya jumlah produksi tanaman cabai adalah seringnya tanaman cabai terserang hama dan penyakit yang menyebabkan pertumbuhan tanaman menjadi tidak optimal.

Banyaknya jenis penyakit yang dapat menyerang tanaman cabai serta sulitnya proses deteksi karena adanya kemiripan gejala yang ditimbulkan membuat para petani cabai tidak bisa menentukan metode pencegahan dan pengendalian yang tepat untuk mengatasi penyakit tersebut. Tiap jenis penyakit memiliki metode pencegahan dan pengendalian yang berbeda (Duriat et al. 2007). Jika salah dalam menerapkan metode pencegahan dan pengendalian untuk menangani suatu penyakit, maka penyakit tidak bisa diatasi secara tepat sehingga tanaman akan tetap terjangkit penyakit tersebut. Kemungkinan terburuk adalah tanaman akan mengalami kematian dan petani mengalami gagal panen. Oleh karena itu, dibutuhkan kemampuan seorang ahli yang bisa membantu dalam mendeteksi penyakit pada tanaman cabai sedini mungkin agar dapat segera dilakukan proses pengendaliannya untuk menghindari gagal panen.

Sistem pakar merupakan salah satu pemecahan yang potensial untuk mengatasi masalah diagnosis penyakit pada tanaman cabai. Adanya sistem pakar dapat mempermudah kerja atau bahkan mengganti tenaga ahli, menggabungkan ilmu dan pengalaman dari beberapa tenaga ahli, dan menyediakan keahlian yang diperlukan suatu proyek yang tidak memiliki tenaga ahli (Marimin 2009).

Penelitian dengan topik ini telah dilakukan sebelumnya oleh Faihah (1999) menggunakan metode forward chaining untuk mendeteksi penyakit pada tanaman cabai yang disebabkan oleh hama dan patogen. Selanjutnya penelitian tersebut dikembangkan oleh Suryadi (2002) dalam basis web dan multimedia melalui

penambahan grafik, audio dan video. Adnan (2003) kembali melakukan penelitian dengan topik ini dan masih menggunakan metode

forward chaining untuk menghasilkan kesimpulan akhir dengan basis desktop.

Penelitian kali ini akan merancang sebuah sistem pakar yang mampu mendeteksi jenis penyakit dengan gejala awal yang cenderung sulit dibedakan dengan penyakit tanaman cabai lainnya dalam lingkungan fuzzy atau tidak pasti. Selain itu, sistem juga akan memberikan informasi mengenai cara pencegahan dan pengendalian yang tepat terhadap penyakit yang menyerang tanaman cabai.

Tujuan Penelitian

Penelitian ini memiliki 2 tujuan utama, yaitu:

1. Merumuskan fakta dan basis pengetahuan diagnosis penyakit pada tanaman cabai. 2. Mengembangkan dan melakukan

implementasi Sistem Pakar Fuzzy untuk Diagnosis Penyakit pada Tanaman Cabai.

Ruang Lingkup

Hingga kini telah ditemui berbagai jenis tanaman cabai. Namun, yang paling banyak dibudidayakan oleh para petani hanya beberapa jenis saja, antara lain cabai rawit, cabai merah, paprika, dan cabai hias. Penyakit dapat menyerang tanaman cabai di setiap fase pertumbuhannya, mulai dari biji, persemaian, hingga tahap pertumbuhan vegetatif-generatif. Penyebab penyakit pada tanaman cabai juga bermacam-macam, mulai dari bakteri, cendawan, nematoda, dan virus (Duriat et al. 2007).

Penelitian ini akan merancang sistem pakar untuk mendeteksi penyakit tanaman cabai merah yang menyerang pada tahap pertumbuhan vegetatif-generatif dan disebabkan oleh cendawan.

Manfaat Penelitian

Manfaat yang diharapkan dari penelitian ini adalah untuk mendeteksi penyakit pada tanaman cabai sedini mungkin agar dapat segera dilakukan proses pencegahan dan pengendalian penyakit yang tepat untuk menghindari terjadinya gagal panen.

TINJAUAN PUSTAKA Sistem Pakar

Sistem pakar merupakan salah satu cabang dari Artificial Intelegency yang membuat penggunaan knowledge yang khusus secara luas

(10)

2 untuk penyelesaian masalah tingkat manusia

yang pakar (Arhami 2005). Sistem pakar berbeda dengan program konvensional yang hanya dapat dipahami oleh pembuat program. Sistem pakar bersifat interaktif dan mampu menjelaskan pertanyaan pengguna.

Pengguna menyampaikan fakta atau informasi untuk sistem pakar kemudian menerima saran dari pakar atau jawaban ahlinya. Bagian dalam sistem pakar terdiri dari 2 komponen utama, yaitu knowledge base yang berisi pengetahuan dan mesin inferensi yang menggambarkan kesimpulan. Kesimpulan tersebut merupakan tanggapan dari sistem pakar atas permintaan pengguna.

Fasilitas Akuisisi Pengetahuan

Fasilitas akuisisi pengetahuan merupakan alat untuk mendapatkan pengetahuan, fakta, aturan dan model yang diperlukan oleh sistem pakar dari berbagai sumber (Marimin 2009). Pengetahuan tersebut didapat dari para pakar, beberapa buku, jurnal, data dasar dan media lain yang relevan dengan ruang lingkup sistem pakar yang akan dikembangkan.

Pada Gambar 1 ditunjukkan proses akuisisi pengetahuan yang terdiri atas tahap komunikasi (mendapatkan pengetahuan dari ahli), formulasi atau implementasi parsial (merancang mode pengetahuan) dan validasi (keabsahan data sistem dan interpretasi pengetahuan).

Gambar 1 Tahapan akuisisi pengetahuan (Marimin 2009).

Basis Pengetahuan

Basis pengetahuan merupakan bagian yang memuat objek-objek pengetahuan serta hubungan yang dimiliki antar objek-objek dalam sistem pakar (Marimin 2009). Basis pengetahuan tersebut merupakan sumber kecerdasan sistem dan hal ini dimanfaatkan oleh mekanisme inferensi untuk mengambil keputusan.

Basis pengetahuan terdiri atas basis pengetahuan statik dan basis pengetahuan dinamik. Basis pengetahuan statik atau deklaratif memuat informasi tentang objek, peristiwa atau situasi. Basis pengetahuan dinamik atau prosedural menyatakan informasi tentang cara pembangkitan fakta baru atau hipotesis dari fakta yang sudah diketahui.

Mesin Inferensi

Mesin inferensi merupakan komponen sistem pakar yang memanipulasi dan mengarahkan pengetahuan dari basis pengetahuan, sehingga tercapai kesimpulan (Marimin 2009). Tugas utama dari mesin inferensi adalah menguji fakta dan kaidah serta menambah fakta baru jika memungkinkan serta memutuskan perintah sesuai dengan hasil penalaran yang telah dilaksanakan.

Fasilitas Penjelasan

Fasilitas penjelasan merupakan bagian yang menerangkan penalaran, aksi ataupun rekomendasi yang dilakukan oleh sistem pakar (Marimin 2009). Seorang pakar sering memberikan keterangan mengenai pandangan, rekomendasi atau keputusan mereka. Penjelasan di dalam sistem pakar biasanya berhubungan dengan beberapa bentuk penelusuran aturan (rule) yang dilakukan selama pemecahan permasalahan berlangsung, baik berupa diagnosis, perlakuan dan komplikasi.

Interaksi Manusia-Mesin (User Interface)

User interface merupakan mekanisme yang

digunakan oleh pengguna dan sistem pakar untuk berkomunikasi (Arhami 2005). Antarmuka menerima informasi dari pemakai dan mengubahnya ke dalam bentuk yang dapat diterima oleh sistem. Selain itu antarmuka menerima informasi dari sistem dan menyajikannya ke dalam bentuk yang dapat di mengerti oleh pengguna.

Sistem Fuzzy

Sistem fuzzy merupakan penduga numerik yang terstruktur dan dinamik. Sistem ini memunyai kemampuan untuk mengembangkan sistem intelijen dalam lingkungan yang tidak pasti, dan tidak tepat (Marimin 2009). Sistem ini menduga suatu fungsi dengan logika fuzzy. Dalam logika fuzzy terdapat beberapa proses, yaitu menerima input untuk proses fuzzifikasi, penerapan aturan if-then, proses inferensi fuzzy dan defuzzifikasi untuk menghasilkan nilai

(11)

3

Fungsi Keanggotaan

Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik masukan data ke dalam nilai keanggotaannya (Kusumadewi 2002). Pada sistem fuzzy, terdapat beberapa fungsi keanggotaan yang dapat digunakan untuk pemberian nilai keanggotaan pada suatu elemen dalam himpunan fuzzy. Beberapa fungsi keanggotaan yang umum digunakan adalah kurva segitiga dan kurva Gaussian.

1. Kurva Segitiga

Representasi kurva segitiga merupakan gabungan dari dua garis linear seperti terlihat pada Gambar 2.

Gambar 2 Kurva segitiga.

Fungsi keanggotaan untuk kurva segitiga adalah sebagai berikut :

0; x ≤ a atau x ≥ c

µ(x) = (x-a)/(b-a); a ≤ x ≤ b 1; x = b (c-x)/(c-a); b ≤ x ≤ c Nilai a menyatakan batas bawah dari range nilai, b menyatakan nilai puncak pada kurva segitiga sekaligus titik tengah dari a dan c, sedangkan c menyatakan nilai batas atas dari

range nilai. Variabel x menyatakan elemen

yang akan dicari nilai keanggotaannya. 2. Kurva Gaussian

Kurva Gaussian merupakan kurva bentuk lonceng dengan dua parameter, yaitu a (nilai rataan) dan b (standar deviasi). Representasi kurva Gaussian dapat dilihat pada Gambar 3.

Gambar 3 Kurva Gaussian.

Fungsi keanggotaan untuk kurva Gaussian adalah sebagai berikut:

µ [x] = e

Fuzzy Inference System (FIS)

Inferensi merupakan proses penarikan suatu kesimpulan berdasarkan data dan aturan tertentu (Siler & Buckley 2005). Fuzzy Inference System memiliki 3 komponen penting, yaitu basis pengetahuan (aturan fuzzy), database (fungsi keanggotaan), dan mekanisme pengambilan kesimpulan.

Metode Mamdani

Metode Mamdani merupakan metode yang sering digunakan dalam pengembangan model

fuzzy. Model Mamdani mendefinisikan aturan fuzzy sebagai:

IF x1 is A1 AND …AND xn is An THEN y is B

A1,…,An, dan B adalah nilai linguistik (fuzzy

set) dan x1 is A1 menyatakan bahwa nilai x1

adalah anggota fuzzy set A1 (Sivarao et al.

2009a).

Untuk mendapatkan output diperlukan 4 tahapan, yaitu pembentukan himpunan fuzzy, aplikasi fungsi implikasi (aturan), komposisi aturan, dan penegasan (defuzzifikasi).

Defuzzifikasi Centroid

Defuzzifikasi merupakan suatu proses pengubahan output fuzzy ke output yang bernilai tunggal (crisp) (Marimin 2009). Metode

Centroid menghitung nilai tunggal dari variabel output dengan menemukan nilai variabel dari center of gravity suatu fungsi keanggotaan

untuk nilai fuzzy.

Rumus umum untuk metode defuzzifikasi

centroid adalah sebagai berikut :

atau

∑ ∑

Untuk mendapatkan nilai defuzzifikasi (Z) dibutuhkan nilai domain (z) dan derajat keanggotaan (µ).

Tanaman Cabai

Tanaman cabai termasuk suku terung-terungan (Solanaceae), berbentuk perdu, dan tergolong tanaman semusim (Tjahjadi 1991). Tinggi tanaman antara 50 sampai 120 cm. Tanaman ini mempunyai banyak cabang, dan dari setiap cabang akan tumbuh bunga atau a

(12)

4 buah. Semakin banyak cabang yang terbentuk

berarti akan semakin banyak buahnya.

Fase Pertumbuhan Tanaman Cabai

Menurut Duriat et al. (2007) tanaman cabai memiliki 3 fase pertumbuhan, antara lain: 1. Fase Bibit.

Fase bibit merupakan fase saat tanaman cabai masih dalam bentuk bibit atau benih. 2. Fase Persemaian.

Pada fase ini benih cabai mulai disemaikan di kantung plastik atau di tempat persemaian (seed bed).

3. Fase Pertumbuhan Vegetatif-Generatif. Petumbuhan vegetatif merupakan perkembangan bagian vegetatif tanaman, antara lain akar, batang dan daun. Pertumbuhan generatif merupakan perkembangan bagian generatif tanaman, seperti bunga, buah dan biji. Tanaman cabai mengalami fase vegetatif dan generatif yang hampir bersamaan.

Patogen

Kata patogen berarti sesuatu yang menyebabkan tanaman menderita (Duriat et al. 2007). Oleh karena itu, patogen atau penyebab tersebut tidak selalu berupa makhluk hidup (animate pathogen), tetapi juga sesuatu yang tidak hidup (inanimate pathogen) seperti virus, hara, air atau penyebab lainnya. Patogen penyebab penyakit dibagi dalam 3 kelompok, antara lain:

1. Patogen yang hidup

Patogen ini merupakan makhluk hidup, dapat berpindah, menular dan berkembang biak. Bakteri, cendawan dan nematoda termasuk pada kelompok patogen yang hidup.

2. Patogen virus

Kelompok virus terletak antara patogen yang hidup dan patogen yang mati. Di luar jaringan tanaman, virus hanya benda protein yang mati, tetapi saat masuk ke dalam jaringan tanaman, virus menjadi aktif, memperbanyak diri dan dapat menular. 3. Patogen yang mati

Panyakit-penyakit fisiologi yang disebabkan oleh kahat atau kelebihan hara, sinar, kelembaban, pupuk atau kondisi lingkungan lainnya termasuk ke dalam kelompok ini. Patogen dari kelompok ini tidak bisa menyebar atau berpindah pada tanaman lain.

Penyakit Tanaman Cabai

Tanaman cabai dapat terserang penyakit di setiap fase pertumbuhannya, mulai dari bibit, persemaian, sampai fase pertumbuhan vegetatif-generatif cabai (Duriat et al. 2007). Penyakit yang menyerang tanaman cabai pada masa pertumbuhan vegetatif-generatif dan disebabkan oleh cendawan, antara lain:

1. Antraknosa

Penyakit ini disebabkan oleh cendawan

Colletotrichum spp. yang dapat menyerang

hampir seluruh bagian tanaman cabai. Gejalanya adalah bagian yang terserang menjadi busuk kering dan berwarna cokelat kehitaman.

2. Bercak Daun Serkospora

Penyakit yang disebabkan oleh cendawan

Cercospora capsici dengan gejala timbulnya

bercak pada daun. Infeksi lebih lanjut penyakit ini dapat menyebabkan daun tanaman menguning sebelum waktunya. 3. Busuk Daun Fitoftora

Penyakit disebabkan oleh cendawan

Phytophthora capsici yang mengakibatkan

daun tanaman cabai menjadi layu serentak disertai bercak. Batang menjadi busuk basah berwarna hijau dan menjadi cokelat ketika kering.

4. Layu Fusarium

Penyakit disebabkan oleh cendawan

Fusarium oxysporum yang juga mengakibatkan daun tanaman cabai menjadi layu dan berwarna kuning.

5. Busuk Daun Choanephora

Choanephora cucurbitarum yang mengakibatkan daun menjadi busuk dan berwarna cokelat kehitaman.

6. Bercak Kelabu Stemfilium

Penyakit yang disebabkan oleh cendawan

Stemphylium solani dengan gejala timbulnya

bercak pada daun. Bercak akan menyebar ke bagian tanaman lainnya, seperti pada batang yang ditandai dengan bercak berbentuk elips tidak beraturan.

7. Embun Tepung

Leveillula taurica dengan gejala timbulnya

bercak di atas dan di bawah permukaan daun. Penyakit akan menjalar dari daun tua ke daun muda dan seluruh daun menjadi gejala yang mencolok.

(13)

METODE PENELITIAN

Metode yang digunakan untuk merancang sistem pakar diagnosis penyakit tanaman cabai terdiri dari beberapa tahap yang secara lengkap disajikan pada Gambar 4.

Gambar 4 Tahap pembentukan sistem pakar (Marimin 2009).

Identifikasi Masalah dan Mencari Sumber Pengetahuan

Tahap indentifikasi permasalahan meliputi tahap pemilihan masalah, identifikasi tujuan, dan sumber pengetahuan.

Masalah yang sering dialami oleh petani cabai adalah rawannya tanaman cabai terjangkit berbagai jenis penyakit yang dapat menyebabkan rendahnya jumlah

dihasilkan. Banyaknya jenis penyakit yang dapat menyerang tanaman cabai dan memiliki kemiripan dalam gejala yang ditimbulkan, serta sulitnya proses deteksi dapat berdampak pada kegagalan panen jika tidak segera dicegah dan ditanggulangi sedini mungkin. Untuk itu, dibuat sebuah sistem pakar yang dapat mendeteksi

METODE PENELITIAN

Metode yang digunakan untuk merancang sistem pakar diagnosis penyakit tanaman cabai terdiri dari beberapa tahap yang secara lengkap

Tahap pembentukan sistem pakar (Marimin 2009).

Identifikasi Masalah dan Mencari Sumber

indentifikasi permasalahan meliputi tahap pemilihan masalah, identifikasi tujuan,

Masalah yang sering dialami oleh petani cabai adalah rawannya tanaman cabai terjangkit berbagai jenis penyakit yang dapat menyebabkan rendahnya jumlah produksi yang dihasilkan. Banyaknya jenis penyakit yang dapat menyerang tanaman cabai dan memiliki kemiripan dalam gejala yang ditimbulkan, serta sulitnya proses deteksi dapat berdampak pada kegagalan panen jika tidak segera dicegah dan ni mungkin. Untuk itu, dibuat sebuah sistem pakar yang dapat mendeteksi

jenis penyakit yang terdapat pada tanaman cabai agar dapat segera dilakukan proses pencegahan dan pengendalian terhadap penyakit tersebut secara cepat dan tepat.

Sumber pengetahuan dip

dari pakar yang berasal dari Departemen Agronomi dan Hortikultura (AG

Departemen Proteksi Tanaman

Pertanian Bogor. Selain dari pakar, pengetahuan juga berasal dari beberapa pustaka yang mendukung penelitian.

Akuisisi Pengetahuan

Fasilitas akuisisi pengetahuan merupakan alat untuk mendapatkan pengetahuan, fakta, dan aturan yang dibutuhkan oleh sistem pakar. Pengetahuan tersebut diperoleh dengan wawancara langsung kepada pakar dan dari beberapa pustaka yang mendukung pen tentang jenis-jenis penyakit yang dapat menyerang tanaman cabai, mulai dari faktor pembawa, gejala yang ditimbulkan, serta metode pencegahan dan pengendaliannya.

Berdasarkan proses akuisisi yang telah dilakukan didapat 7 jenis penyakit tanaman cabai yang akan dideteksi oleh sistem pakar ini. Penyakit tersebut kemudian dikelompokkan ke dalam 2 kelompok berdasarkan ge

dimiliki oleh tiap penyakit . Kelompok 1 adalah kelompok penyakit yang memiliki gejala terdapat bercak pada daun, antara lain

1. Bercak Daun Serkospora 2. Busuk Daun Fitoftora 3. Bercak Kelabu Stemfilium 4. Embun Tepung

Kelompok 2 adalah kelompok penyakit yang memiliki gejala tidak terdapat bercak pada daun, antara lain :

1. Antraknosa 2. Layu Fusarium

3. Busuk Daun Choanephora

Setiap kelompok memiliki parameter sistem inferensi fuzzy, serta rule

dan terpisah satu sama lain. Proses diagnosis penyakit tanaman cabai dapat dilihat pada Gambar 5.

5 jenis penyakit yang terdapat pada tanaman cabai agar dapat segera dilakukan proses pencegahan dan pengendalian terhadap penyakit tersebut

Sumber pengetahuan diperoleh langsung dari pakar yang berasal dari Departemen Agronomi dan Hortikultura (AGH) dan Departemen Proteksi Tanaman Institut Pertanian Bogor. Selain dari pakar, pengetahuan juga berasal dari beberapa pustaka yang

Fasilitas akuisisi pengetahuan merupakan alat untuk mendapatkan pengetahuan, fakta, dan aturan yang dibutuhkan oleh sistem pakar. Pengetahuan tersebut diperoleh dengan wawancara langsung kepada pakar dan dari beberapa pustaka yang mendukung penelitian jenis penyakit yang dapat menyerang tanaman cabai, mulai dari faktor pembawa, gejala yang ditimbulkan, serta metode pencegahan dan pengendaliannya.

Berdasarkan proses akuisisi yang telah dilakukan didapat 7 jenis penyakit tanaman i yang akan dideteksi oleh sistem pakar ini. Penyakit tersebut kemudian dikelompokkan ke dalam 2 kelompok berdasarkan gejala yang . Kelompok 1 adalah kelompok penyakit yang memiliki gejala terdapat bercak pada daun, antara lain :

Bercak Kelabu Stemfilium

Kelompok 2 adalah kelompok penyakit yang memiliki gejala tidak terdapat bercak pada

Busuk Daun Choanephora

liki parameter input,

rule masing-masing

dan terpisah satu sama lain. Proses diagnosis penyakit tanaman cabai dapat dilihat pada

(14)

Gambar 5 Proses diagnosis penyakit tanaman cabai.

Proses paling awal adalah

keberadaan bercak pada daun. Jika terdapat bercak maka akan masuk ke jaringan inferensi kelompok 1 dan jika tidak terdapat bercak maka akan masuk ke jaringan inferensi kelompok 2.

Jaringan inferensi kelompok 1 dibentuk dari 5 parameter input fuzzy yang dideskripsikan dalam Tabel 1.

Tabel 1 Deskripsi parameter kelompok 1 No Parameter 1 Warna daun 2 Warna / pola bercak 3 Diameter bercak 4 Jumlah bercak 5 Warna batang

Untuk jaringan inferensi kelompok 2 dibentuk dari 4 parameter input fuzzy yang dideskripsikan dalam Tabel 2.

Proses diagnosis penyakit tanaman

Proses paling awal adalah mengidentifikasi keberadaan bercak pada daun. Jika terdapat bercak maka akan masuk ke jaringan inferensi kelompok 1 dan jika tidak terdapat bercak maka akan masuk ke jaringan inferensi kelompok 2.

Jaringan inferensi kelompok 1 dibentuk dari yang dideskripsikan

Deskripsi parameter input fuzzy

Satuan Warna Warna Milimeter (mm) Bercak Warna

Untuk jaringan inferensi kelompok 2 dibentuk yang dideskripsikan

Tabel 2 Deskripsi parameter kelompok 2 No Parameter 1 Warna daun 2 Warna batang 3 Kadar pH 4 Kelembaban

Jaringan inferensi tersebut dibentuk untuk menghasilkan suatu hasil berupa diagnosis penyakit sementara. Selanjutnya proses diteruskan dengan mengisikan data parameter

input non-fuzzy yang berkaitan dengan hasil

diagnosis sementara.

Parameter input non-fuzzy

dideskripsikan dalam Tabel 3, sedangkan untuk kelompok 2 dideskripsikan dalam Tabel 4. Tabel 3 Deskripsi parameter

kelompok 1 No Parameter 1 Lokasi tanaman 2 Daun tampak layu 3 Posisi bercak daun 4 Bercak pada batang 5 Kebusukan batang Tabel 4 Deskripsi parameter

kelompok 2 No Parameter

1 Terjadi mati pucuk 2 Daun tampak layu 3 Benjolan pada batang 4 Kebusukan batang

5 Terdapat cincin cokelat kehitaman di pangkal batang

Setelah data parameter input

data tersebut akan diproses untuk menghasilkan diagnosis penyakit akhir.

Representasi Pengetahuan

Setelah memperoleh pengetahuan dari berbagai sumber, selanjutnya dipilih teknik representasi yang digunakan untuk mengembangkan sistem pakar. Pengembangan sistem pakar ini menggunakan kaidah produksi untuk menyajikan representasi pengetahuan prosedural. Bentuk kaidah produksi yang digunakan adalah bentuk

merupakan premis yang menunjukkan suatu kondisi yang akan dinilai dan “

konklusi yang menunjukkan aksi yang dapat diambil apabila kondisi terpenuhi. Untuk menghubungkan antar premis menggunakan operator “and”. Aturan fuzzy

kecerdasan manusia dalam memutuskan pilihan

6 Deskripsi parameter input fuzzy

Satuan Warna Warna -

Persen (%) Jaringan inferensi tersebut dibentuk untuk menghasilkan suatu hasil berupa diagnosis penyakit sementara. Selanjutnya proses diteruskan dengan mengisikan data parameter yang berkaitan dengan hasil

fuzzy untuk kelompok 1

dideskripsikan dalam Tabel 3, sedangkan untuk kelompok 2 dideskripsikan dalam Tabel 4.

Deskripsi parameter input non-fuzzy

Benjolan pada batang

Terdapat cincin cokelat kehitaman di

input non-fuzzy terisi,

data tersebut akan diproses untuk menghasilkan

Setelah memperoleh pengetahuan dari berbagai sumber, selanjutnya dipilih teknik representasi yang digunakan untuk mengembangkan sistem pakar. Pengembangan sistem pakar ini menggunakan kaidah produksi untuk menyajikan representasi pengetahuan ntuk kaidah produksi yang digunakan adalah bentuk if – then. “If” merupakan premis yang menunjukkan suatu kondisi yang akan dinilai dan “then” merupakan konklusi yang menunjukkan aksi yang dapat diambil apabila kondisi terpenuhi. Untuk premis menggunakan

fuzzy ini bekerja seperti

(15)

7 yang optimal untuk mengatasi suatu masalah

tertentu (Askerzade & Mahmood 2010). Jumlah total rule parameter fuzzy untuk kelompok penyakit dengan gejala terdapat bercak pada daun adalah 486 rule. Untuk kelompok penyakit dengan gejala tidak terdapat bercak pada daun memiliki 108 rule. Salah satu contoh rule yang berlaku dalam sistem inferensi kelompok 1 adalah sebagai berikut :

IF (Warna Daun = Hijau) AND (Warna Bercak = Kekuningan) AND (Diameter Bercak = Kecil) AND (Jumlah Bercak = Sedikit) AND (Warna Batang = Hijau) THEN (Penyakit = Sangat Mendukung Embun Tepung).

Salah satu contoh rule yang berlaku dalam sistem inferensi kelompok 2 adalah sebagai berikut :

IF (Warna Daun = Hijau) AND (Warna Batang = Hijau) AND (Kadar pH = Rendah) AND (Kelembaban = Rendah) THEN (Penyakit = Mendukung Layu Fusarium).

Rule lengkap untuk tiap sistem inferensi dapat

dilihat di Lampiran 1.

Pengembangan Mesin Inferensi

Penyusunan mesin inferensi dimulai dengan perumusan proses penalaran dan kemungkinan modifikasinya. Setelah itu dilakukan pemeriksaan kebenaran dari aturan-aturan, parameter-parameter, peubah-peubah dan proses penalaran yang diterapkan. Metode inferensi yang digunakan adalah metode Fuzzy

Inference System (FIS) Mamdani untuk data

masukan fuzzy.

Tahap Implementasi dan Pengujian

Sistem ini dikembangkan menggunakan Matlab versi 6.5.1 yang menyediakan fasilitas

fuzzy untuk proses Fuzzy Inference System dan

GUI sebagai user interface. Tahap pengujian dilakukan dengan uji coba program kepada ahli atau praktisi. Pada tahap ini dilakukan evaluasi terhadap berbagai kriteria yang berkaitan dengan aplikasi, seperti kelengkapan, ketepatan dan konsistensi pengetahuan, kemudahan mengakses dan melakukan komunikasi.

HASIL DAN PEMBAHASAN Desain Sistem

Sistem Pakar Diagnosis Penyakit Pada Tanaman Cabai Merah dikembangkan dalam basis sistem fuzzy yang menggunakan Fuzzy

Inference System (FIS) sebagai proses untuk

pengambilan keputusan. Sistem ini memiliki 2

jaringan inferensi yang terpisah berdasarkan kelompok jenis penyakit yang akan dideteksi.

Jaringan inferensi pertama adalah jaringan yang dibangun untuk menghasilkan output jenis penyakit dari kelompok 1, yaitu penyakit yang memiliki gejala terdapat bercak pada daun. Proses fuzzifikasi sistem inferensi kelompok 1 melibatkan 5 parameter input fuzzy yang memiliki himpunan fuzzy dan domain masing-masing. Parameter input tersebut antara lain : 1. Warna Daun

Fuzzifikasi warna daun memiliki 3 himpunan fuzzy, yaitu hijau, hijau pucat, dan hijau kekuningan yang direpresentasikan menggunakan kurva Gaussian seperti ditunjukkan pada Gambar 6.

Gambar 6 Fuzzifikasi warna daun. Fungsi keanggotaan setiap himpunan fuzzy parameter warna daun adalah sebagai berikut: µ hijau (x) = . . µ hijau_pucat (x) = . . µ hijau_kekuningan (x) = . .

2. Warna atau Pola Bercak

Fuzzifikasi warna atau pola bercak memiliki 6 himpunan fuzzy, yaitu kekuningan, putih, putih pinggiran hitam, keabuan, abu-abu pinggiran cokelat dan cokelat yang direpresentasikan menggunakan kurva Gaussian seperti ditunjukkan pada Gambar 7.

Gambar 7 Fuzzifikasi warna atau pola bercak.

(16)

8 Fungsi keanggotaan setiap himpunan fuzzy

parameter warna atau pola bercak adalah sebagai berikut: µ kekuningan (x) = . . µ putih (x) = . .! µ putih_hitam (x) = .! .! µ keabuan (x) = ." .! µ keabuan_cokelat (x) = . .! µ cokelat (x) = .# . 3. Diameter Bercak

Fuzzifikasi diameter bercak memiliki 3 himpunan fuzzy, yaitu kecil, sedang dan besar yang direpresentasikan menggunakan kurva segitiga seperti ditunjukkan pada Gambar 8.

Gambar 8 Fuzzifikasi diameter bercak. Fungsi keanggotaan setiap himpunan fuzzy parameter diameter bercak adalah sebagai berikut: 0; x ≥ 3.5 µkecil (x) = (3.5-x)/(3.5-2); 2 ≤ x ≤ 3.5 1; x = 2 0; x ≤ 3 atau x ≥ 5 µsedang (x) = (x-3)/(4-3); 3 ≤ x ≤ 4 1; x = 4 (5-x)/(5-4); 4 ≤ x ≤ 5 0; x ≤ 4.5 µbesar (x) = (x-4.5)/(6-4.5); 4.5 ≤ x ≤ 6 1; x = 6 4. Jumlah Bercak

Fuzzifikasi jumlah bercak memiliki 3 himpunan fuzzy, yaitu sedikit, sedang dan banyak yang direpresentasikan menggunakan kurva segitiga seperti ditunjukkan pada Gambar 9.

Gambar 9 Fuzzifikasi jumlah bercak. Fungsi keanggotaan setiap himpunan fuzzy parameter jumlah bercak adalah sebagai berikut: 0; x ≥ 4 µkecil (x) = (4-x)/(4-1); 1 ≤ x ≤ 4 1; x = 1 0; x ≤ 3 atau x ≥ 7 µsedang (x) = (x-3)/(5-3); 3 ≤ x ≤ 5 1; x = 5 (7-x)/(7-5); 5 ≤ x ≤ 7 0; x ≤ 6 µbesar (x) = (x-6)/(10-6); 6 ≤ x ≤ 10 1; x = 10 5. Warna Batang

Fuzzifikasi warna batang memiliki 3 himpunan fuzzy, yaitu hijau, cokelat dan cokelat kehitaman yang direpresentasikan menggunakan kurva Gaussian seperti ditunjukkan pada Gambar 10.

Gambar 10 Fuzzifikasi warna batang. Fungsi keanggotaan setiap himpunan fuzzy parameter warna batang adalah sebagai berikut: µ hijau (x) = . . µ cokelat (x) = . . µ cokelat_hitam (x) = ." .

Lima parameter input fuzzy tersebut membentuk 486 rules pembangkit untuk menghasilkan

output jenis penyakit yang direpresentasikan

(17)

9 memiliki 2 himpunan fuzzy, yaitu mendukung

dan sangat mendukung seperti ditunjukkan dalam Gambar 11.

Gambar 11 Kategori output kelompok 1. Fungsi keanggotaan untuk setiap himpunan

fuzzy pada output jenis penyakit adalah sebagai

berikut: µ M-BDS (x) = . µ SM-BDS (x) = . . µ M-ET (x) = . . µ SM-ET (x) = .! . µ M-BDF (x) = . . µ SM-BDF (x) = . . µ M-BKS (x) = .# . µ SM-BKS (x) = .

Jaringan inferensi kedua adalah jaringan yang dibangun untuk menghasilkan output jenis penyakit dari kelompok 2, yaitu penyakit yang memiliki gejala tidak terdapat bercak pada daun seperti yang ditunjukkan dalam Gambar 15. Proses fuzzifikasi sistem inferensi kelompok 2 melibatkan 4 parameter input fuzzy yang memiliki himpunan fuzzy dan domain masing-masing. Parameter input tersebut antara lain : 1. Warna Daun

Fuzzifikasi warna daun memiliki 4 himpunan fuzzy, yaitu hijau, hijau kekuningan, cokelat dan cokelat kehitaman yang direpresentasikan menggunakan kurva Gaussian seperti ditunjukkan pada Gambar 12.

Gambar 12 Fuzzifikasi warna daun.

Fungsi keanggotaan setiap himpunan fuzzy parameter warna daun adalah sebagai berikut: µ hijau (x) = . . µ hijau_kekuningan (x) = . . µ cokelat (x) = . . µ cokelat_kehitaman (x) = ." . 2. Warna Batang

Fuzzifikasi warna batang memiliki 3 himpunan fuzzy, yaitu hijau, cokelat dan cokelat kehitaman yang direpresentasikan menggunakan kurva Gaussian seperti ditunjukkan pada Gambar 13.

Gambar 13 Fuzzifikasi warna batang. Fungsi keanggotaan setiap himpunan fuzzy parameter warna batang adalah sebagai berikut: µ hijau (x) = . . µ cokelat (x) = . . µ cokelat_hitam (x) = ." . 3. Kadar pH

Fuzzifikasi kadar pH memiliki 3 himpunan

fuzzy, yaitu rendah, sedang dan tinggi yang

direpresentasikan menggunakan kurva segitiga seperti ditunjukkan pada Gambar 14.

Gambar 14 Fuzzifikasi kadar pH. Fungsi keanggotaan setiap himpunan fuzzy parameter ukuran bercak adalah sebagai berikut:

(18)

10 0; x ≥ 6 µrendah (x) = (6-x)/(6-2); 2 ≤ x ≤ 6 1; x = 2 0; x ≤ 5 atau x ≥ 9 µsedang (x) = (x-5)/(7-5); 5 ≤ x ≤ 7 1; x = 7 (9-x)/(9-7); 7 ≤ x ≤ 9 0; x ≤ 8 µtinggi (x) = (x-8)/(14-8); 8 ≤ x ≤ 14 1; x = 14 4. Kelembaban

Fuzzifikasi kelembaban memiliki 3 himpunan fuzzy, yaitu rendah, sedang dan tinggi yang direpresentasikan menggunakan kurva segitiga seperti ditunjukkan pada Gambar 15.

Gambar 15 Fuzzifikasi kelembaban. Fungsi keanggotaan setiap himpunan fuzzy parameter kelembaban adalah sebagai berikut: 0; x ≥ 70 µrendah (x) = (70-x)/(70-10); 10 ≤ x ≤ 70 1; x = 10 0; x ≤ 65 atau x ≥ 85 µsedang (x) = (x-65)/(75-65); 65 ≤ x ≤ 75 1; x = 75 (85-x)/(85-75); 75 ≤ x ≤ 85 0; x ≤ 80 µtinggi (x) = (x-80)/(100-80); 80 ≤ x ≤ 100 1; x = 100 Empat parameter input fuzzy tersebut membentuk 108 rules pembangkit untuk menghasilkan output jenis penyakit yang direpresentasikan dengan kurva Gaussian. Setiap penyakit memiliki 2 himpunan fuzzy, yaitu mendukung dan sangat mendukung seperti ditunjukkan dalam Gambar 16.

Gambar 16 Kategori output kelompok 2. Fungsi keanggotaan untuk setiap himpunan

fuzzy pada output jenis penyakit adalah sebagai

berikut: µ M-ANT (x) = . µ SM-ANT (x) = . . µ M-BDC (x) = .! . µ SM-BDC (x) = . . µ M-LF (x) = ." . µ SM-LF (x) = .# .

Selain dari data perameter input, untuk memperoleh suatu keputusan dalam Fuzzy

Inference System dibutuhkan adanya suatu

aturan (rule) tertentu. Aturan (rule) yang diterapkan dalam Sistem Pakar Fuzzy untuk Diagnosis Penyakit pada Tanaman Cabai Merah direpresentasikan dalam bentuk kaidah produksi

if – then dan menghubungkan antar premisnya

dengan operator “and”.

Pada metode Mamdani, proses output merupakan proses berikutnya setelah proses penarikan kesimpulan. Proses output ini ditandai dengan dilakukannya tahap defuzzifikasi untuk menghasilkan satu nilai

crisp dari beberapa output fuzzy hasil evaluasi

aturan pada basis pengetahuan. Metode defuzzifikasi yang digunakan pada penelitian ini adalah metode centroid (composite moment). Pada metode centroid, nilai crisp yang dihasilkan merupakan nilai pusat daerah fuzzy.

Hasil defuzzifikasi dari tiap sistem inferensi merupakan hasil diagnosis penyakit sementara yang selanjutnya akan diproses menggunakan data parameter input non-fuzzy untuk menghasilkan diagnosis akhir. Parameter input non-fuzzy yang diberikan hanya parameter yang berhubungan dengan penyakit sementara seperti yang ditunjukkan dalam Decision Tree di Lampiran 2.

Misalkan output sementara yang dihasilkan adalah Sangat Mendukung Antraknosa.

(19)

11 Parameter non-fuzzy yang akan ditampilkan

untuk diisi oleh pengguna adalah terjadi mati pucuk, benjolan pada batang dan kondisi batang. Salah satu rule yang berlaku adalah sebagai berikut :

IF (terjadi mati pucuk = Ya) AND (benjolan pada batang = Ya) AND (kondisi batang = busuk kering) THEN (penyakit = sangat mendukung antraknosa).

Rule lengkap yang berlaku di setiap penyakit

dapat dilihat di Lampiran 3.

Implementasi Dan Pengujian

Sistem ini dikembangkan menggunakan Matlab versi 6.5.1 yang menyediakan fasilitas

fuzzy untuk proses Fuzzy Inference System dan

GUI sebagai user interface. Tampilan awal dari sistem ini dapat dilihat di Lampiran 4. Pada tampilan ini pengguna disediakan 3 menu utama, yaitu menu Deteksi, Tentang Program dan Keluar. Untuk memulai proses deteksi pengguna harus memilih menu Deteksi.

Tahap paling awal yang dilakukan dalam proses deteksi adalah mendeteksi adanya bercak pada daun atau tidak seperti ditunjukkan dalam Gambar 17.

Gambar 17 Proses deteksi awal. Jika terdapat bercak pada daun, maka akan ditampilkan parameter-parameter fuzzy

kelompok penyakit dengan gejala terdapat bercak pada daun sebagai data input dalam sistem inferensi seperti dilampirkan pada Lampiran 5. Namun, jika tidak terdapat bercak pada daun, maka akan ditampilkan parameter

fuzzy dalam sistem inferensi kelompok penyakit

dengan gejala tidak terdapat bercak pada daun yang dapat dilihat pada Lampiran 6.

Setelah data terisi, selanjutnya data tersebut akan diolah melalui proses inferensi untuk menghasilkan suatu diagnosis sementara. Gambar hasil diagnosis sementara dapat dilihat di Lampiran 7.

Untuk mendapatkan hasil diagnosis akhir, proses harus dilanjutkan dengan menekan tombol Deteksi Lebih Lanjut. Pada tahap ini akan ditampilkan beberapa parameter non-fuzzy yang berkaitan dengan hasil diagnosis sementara sebelumnya. Pengguna kembali mengisi data tersebut untuk diproses seperti ditunjukkan dalam Gambar 18.

Gambar 18 Proses deteksi lebih lanjut. Setelah data tersebut terisi, selanjutnya akan diproses untuk menghasilkan diagnosis akhir berupa jenis penyakit, jenis cendawan, dan metode pencegahan dan pengendalian terhadap penyakit tersebut. Tampilan diagnosis akhir dapat dilihat di Lampiran 8.

Hasil diagnosis akhir tersebut dapat disimpan dalam format teks untuk memberikan kemudahan bagi pengguna dalam menyimpan hasil diagnosis.

Tahap pengujian dilakukan dengan uji coba program kepada ahli atau praktisi dengan menilai kelengkapan, ketepatan dan konsistensi pengetahuan, kemudahan mengakses dan melakukan komunikasi.

Untuk kelengkapan, sistem ini dinilai masih belum memperhitungkan semua parameter yang dianggap perlu untuk dijadikan input dalam sistem ini. Masih ada beberapa parameter yang berkaitan dengan keadaan lingkungan tempat tanaman cabai tumbuh yang belum diperhitungkan untuk proses deteksi.

Untuk mengukur ketepatan dan konsistensi pengetahuan, sistem diuji berdasarkan skenario

(20)

12 uji yang sudah dibuat sebelumnya dengan

melakukan berbagai kombinasi parameter input. Berdasarkan pengujian didapat beberapa kombinasi yang dinilai sudah mengeluarkan hasil yang benar dan ada kombinasi yang dinilai masih mengeluarkan hasil yang kurang tepat. Sistem ini juga dinilai sudah memiliki antarmuka yang cukup sederhana dan dapat memberikan kemudahan bagi pengguna untuk mengakses dan berkomunikasi dengan sistem. Hasil pengujian yang telah dilakukan dapat dilihat di Lampiran 9.

Kelebihan sistem ini dibandingkan dengan sistem yang telah dikembangkan oleh Faihah (1999), Suryadi (2002) dan Adnan (2003) adalah sistem ini telah mampu mendeteksi jenis penyakit dengan parameter masukan yang bersifat fuzzy atau tidak pasti. Penelitian sebelumnya belum ada yang mengembangkannya dalam lingkungan fuzzy. Selain itu, sistem ini juga lebih fokus untuk mendeteksi jenis penyakit yang disebabkan oleh cendawan yang merupakan jenis patogen yang paling sering menyerang tanaman cabai dan cenderung sulit untuk dideteksi karena memiliki kemiripan dalam gejala yang ditimbulkan. Gejala yang dideteksi oleh sistem merupakan gejala yang timbul di awal serangan penyakit, sehingga sistem dapat mendeteksi jenis penyakit yang menyerang tanaman cabai lebih dini.

Operasionalisasi Sistem

Untuk dapat menggunakan sistem ini, pengguna harus memiliki program Matlab minimal versi 6.5.1. Selain itu, sistem ini dikembangkan dalam sistem operasi Windows XP Professional menggunakan perangkat keras

processor Intel Pentium Dual Core 1.60GHz,

RAM 1 GB, dan harddisk kapasitas 120 GB. Pengguna bisa menggunakan sistem operasi dan perangkat keras yang sama atau menggunakan yang lebih baru dari yang digunakan peneliti untuk menggunakan sistem ini.

Kompleksitas Sistem

Proses inferensi yang terjadi dalam sistem sangat memengaruhi kompleksitas sistem tersebut. Sistem ini memiliki 7 variabel fuzzy yang memiliki kompleksitas 3C1 + 4C2 = C. C merupakan konstanta dengan C1 adalah proses yang terjadi di fungsi keanggotaan Gaussian dengan 3 variabel input dan C2 adalah proses yang terjadi di fungsi keanggotaan segitiga dengan 4 variabel input.

Setelah itu dilakukan proses evaluasi aturan (rule) sebanyak jumlah aturan yang ada dalam

sistem. Jika sistem memiliki jumlah aturan sebanyak m, maka proses evaluasi dilakukan sebanyak m kali.

Selanjutnya terjadi proses agregrasi output setiap aturan. Proses ini juga memiliki kompleksitas sebesar m sesuai dengan banyaknya aturan (rule). Akhir dari proses inferensi adalah proses defuzzifikasi yang memiliki kompleksitas n, dengan n adalah banyaknya titik yang digunakan pada himpunan

fuzzy output.

Proses terakhir pada sistem ini adalah mengolah variabel non-fuzzy yang dilakukan sebanyak jumlah aturan yang ada. Jika terdapat sejumlah o aturan, maka evaluasi dilakukan sebanyak o untuk mendapatkan output akhir. Sehingga kompleksitas keseluruhan adalah O(2m + n + o).

Keterbatasan Sistem

Sistem Diagnosis Penyakit Pada Tanaman Cabai Merah ini hanya dapat mendeteksi jenis penyakit yang disebabkan oleh cendawan. Masih ada jenis patogen lain yang bisa membawa penyakit pada tanaman cabai dan tidak kalah merugikan dari penyakit yang disebabkan oleh cendawan.

Pada proses pendeteksian, sistem ini belum memperhitungkan parameter-parameter lain yang bisa dijadikan sebagai masukan sistem inferensi, seperti sinar matahari, curah hujan, suhu udara, angin dan penguapan.

Sistem ini juga hanya mendiagnosis gejala klinis berupa gejala yang ditimbulkan pada awal serangan dan belum sampai pada tahap pemeriksaan di laboratorium. Selain itu, sistem masih berbasis desktop sehingga jangkauan pengguna sistem ini masih belum luas.

KESIMPULAN DAN SARAN Kesimpulan

Penyakit tanaman cabai yang disebabkan oleh cendawan hampir semuanya menyerang pada bagian daun pada awal serangan dan memiliki dampak yang cukup berbahaya apabila tidak segera ditangani sedini mungkin. Tiap jenis penyakit juga memiliki metode pencegahan dan pengendalian yang berbeda dengan penyakit lainnya, sehingga perlu adanya deteksi yang tepat agar tidak salah dalam menerapkan metode pencegahan dan pengendaliannya.

Fakta dan basis pengetahuan telah dirancang untuk menentukan jenis panyakit pada tanaman cabai yang memiliki kemiripan dalam gejala

(21)

13 awal yang ditimbulkan dan telah dikembangkan

menggunakan logika fuzzy dengan mengintegrasikan kemampuan para pakar yang kompeten dalam sebuah sistem pakar.

Pengguna sistem ini dapat mengambil keputusan dengan lebih tepat dalam menentukan langkah yang harus diambil untuk menanggulangi penyakit tanaman cabai secara dini. Sistem ini memberikan informasi berupa nama penyakit yang diderita, faktor pembawa atau penyebab penyakitnya, serta saran berupa metode pencegahan dan pengendalian terhadap penyakit tersebut.

Saran

Untuk pengembangan lebih lanjut dari sistem ini, ada beberapa hal yang dapat disarankan, antara lain :

1. Memperbanyak jenis penyakit yang bisa dideteksi oleh sistem.

2. Menambahkan parameter lain yang mendukung dan bisa menjadi masukan dalam proses diagnosis penyakit tanaman cabai.

3. Sistem dikembangkan berbasis web agar dapat menyimpan aturan (rule) dalam suatu

database sehingga sistem lebih dinamis.

DAFTAR PUSTAKA

Adnan H. 2003. Sistem Pakar Untuk Mendeteksi Hama Dan Penyakit Pada Tanaman Cabai Merah Dalam Industri Pertanian [Skripsi]. Bandung: Universitas Komputer Indonesia.

Arhami M. 2005. Konsep Dasar Sistem Pakar. Yogyakarta: Penerbit Andi.

Askerzade IN, Mahmood M. 2010. Control the Extension Time of Traffic Light in Single Junction by Using Fuzzy Logic.

International Journal of Electrical and Computer Sciences. Vol 10. No 2. PP

52-59.

Badan Pusat Statistik (BPS). 2010. Luas Panen, Produksi dan Produktifitas Cabai 2009.

http://www.bps.go.id.html [6 November 2010].

Duriat AS, Gunaeni N, Wulandari AW. 2007.

Penyakit Penting Pada Tanaman Cabai dan Pengendaliannya. Bandung: Balai

Penelitian Tanaman Sayuran.

Faihah SE. 1999. Sistem Pakar untuk Identifikasi Penyakit Tanaman Cabai Merah Besar [Skripsi]. Bogor: Institut Pertanian Bogor.

Kusumadewi S. 2002. Analisis dan Desain

Sistem Fuzzy Menggunakan Toolbox Matlab. Yogyakarta: Graha Ilmu.

Marimin. 2009. Teori dan Aplikasi Sistem

Pakar dalam Teknologi Manajerial. Bogor:

IPB Press.

Siler W dan Buckley JJ. 2005. Fuzzy Expert

System and Fuzzy Reasoning. Birmingham:

Wiley-Interscience.

Sivarao, Breven P, El-Tayeb NSM, Vengkatesh VC. 2009a. GUI Based Mamdani Fuzzy Inference System Modeling To Predict Surface Roughness in Laser Machining.

International Journal of Electrical and Computer Sciences. Vol 9. No 9. PP

281-288.

Sivarao, Castillo WJG, Taufik. 2009b. Machining Quality Predictions : Comparative Analysis of Neural Network and Fuzzy Logic. International Journal of

Electrical and Computer Sciences. Vol 9.

No 9. PP 451-456.

Suryadi R. 2002. Sistem Pakar (Expert System) Diagnosa Penyakit Tanaman Cabai Besar Merah (Capsicum'annuum L.) Berbasis Internet Dan Multimedia [Skripsi]. Bogor: Institut Pertanian Bogor.

Syukur M, Sujiprihati S, Yunianti R, Kusumah DA. 2010. Evaluasi Daya Hasil Cabai Hibrida dan Daya Adaptasinya di Empat Lokasi dalam Dua Tahun. Indonesian

Journal of Agronomy. Vol 38. No 1. PP

43-51.

Tjahjadi N. 1991. Seri Budi Daya Cabai. Yogyakarta: Kanisius.

(22)

(23)

15 Lampiran 1 Aturan yang terdapat di setiap sistem inferensi

Sistem inferensi 1

No Warna

Daun

Warna Bercak Ukuran

Bercak Jumlah Bercak Warna Batang Penyakit

1 Hijau Kekuningan Kecil Sedikit Hijau Sangat Mendukung Embun Tepung 2 Hijau Kekuningan Kecil Sedikit Cokelat Mendukung Busuk

Daun Fitoftora 3 Hijau Kekuningan Kecil Sedikit Cokelat

Kehitaman

Mendukung Busuk Daun Fitoftora 4 Hijau Kekuningan Kecil Sedang Hijau Sangat Mendukung

Embun Tepung 5 Hijau Kekuningan Kecil Sedang Cokelat Mendukung Busuk

Daun Fitoftora 6 Hijau Kekuningan Kecil Sedang Cokelat

Kehitaman

Mendukung Busuk Daun Fitoftora 7 Hijau Kekuningan Kecil Banyak Hijau Sangat Mendukung

Embun Tepung 8 Hijau Kekuningan Kecil Banyak Cokelat Mendukung Busuk

Daun Fitoftora 9 Hijau Kekuningan Kecil Banyak Cokelat

Kehitaman

Mendukung Busuk Daun Fitoftora 10 Hijau Kekuningan Sedang Sedikit Hijau Sangat Mendukung

Embun Tepung 11 Hijau Kekuningan Sedang Sedikit Cokelat Mendukung Busuk

Daun Fitoftora 12 Hijau Kekuningan Sedang Sedikit Cokelat

Kehitaman

Mendukung Busuk Daun Fitoftora 13 Hijau Kekuningan Sedang Sedang Hijau Sangat Mendukung

Embun Tepung 14 Hijau Kekuningan Sedang Sedang Cokelat Mendukung Busuk

Daun Fitoftora 15 Hijau Kekuningan Sedang Sedang Cokelat

Kehitaman

Mendukung Busuk Daun Fitoftora 16 Hijau Kekuningan Sedang Banyak Hijau Sangat Mendukung

Embun Tepung 17 Hijau Kekuningan Sedang Banyak Cokelat Mendukung Busuk

Daun Fitoftora 18 Hijau Kekuningan Sedang Banyak Cokelat

Kehitaman

Mendukung Busuk Daun Fitoftora 19 Hijau Kekuningan Besar Sedikit Hijau Sangat Mendukung

Embun Tepung 20 Hijau Kekuningan Besar Sedikit Cokelat Mendukung Busuk

Daun Fitoftora 21 Hijau Kekuningan Besar Sedikit Cokelat

Kehitaman

Mendukung Busuk Daun Fitoftora 22 Hijau Kekuningan Besar Sedang Hijau Sangat Mendukung

Embun Tepung 23 Hijau Kekuningan Besar Sedang Cokelat Mendukung Busuk

Daun Fitoftora 24 Hijau Kekuningan Besar Sedang Cokelat

Kehitaman

Mendukung Busuk Daun Fitoftora 25 Hijau Kekuningan Besar Banyak Hijau Sangat Mendukung

Embun Tepung 26 Hijau Kekuningan Besar Banyak Cokelat Mendukung Busuk

(24)

16 Lampiran 1 Lanjutan

27 Hijau Kekuningan Besar Banyak Cokelat Kehitaman

Mendukung Busuk Daun Fitoftora

28 Hijau Putih Kecil Sedikit Hijau Sangat Mendukung Busuk Daun Fitoftora 29 Hijau Putih Kecil Sedikit Cokelat Sangat Mendukung

Busuk Daun Fitoftora 30 Hijau Putih Kecil Sedikit Cokelat

Kehitaman

Sangat Mendukung Busuk Daun Fitoftora 31 Hijau Putih Kecil Sedang Hijau Sangat Mendukung

Busuk Daun Fitoftora 32 Hijau Putih Kecil Sedang Cokelat Sangat Mendukung

Busuk Daun Fitoftora 33 Hijau Putih Kecil Sedang Cokelat

Kehitaman

Sangat Mendukung Busuk Daun Fitoftora 34 Hijau Putih Kecil Banyak Hijau Sangat Mendukung

Busuk Daun Fitoftora 35 Hijau Putih Kecil Banyak Cokelat Sangat Mendukung

Busuk Daun Fitoftora 36 Hijau Putih Kecil Banyak Cokelat

Kehitaman

Sangat Mendukung Busuk Daun Fitoftora 37 Hijau Putih Sedang Sedikit Hijau Sangat Mendukung

Busuk Daun Fitoftora 38 Hijau Putih Sedang Sedikit Cokelat Sangat Mendukung

Busuk Daun Fitoftora 39 Hijau Putih Sedang Sedikit Cokelat

Kehitaman

Sangat Mendukung Busuk Daun Fitoftora 40 Hijau Putih Sedang Sedang Hijau Sangat Mendukung

Busuk Daun Fitoftora 41 Hijau Putih Sedang Sedang Cokelat Sangat Mendukung

Busuk Daun Fitoftora 42 Hijau Putih Sedang Sedang Cokelat

Kehitaman

Sangat Mendukung Busuk Daun Fitoftora 43 Hijau Putih Sedang Banyak Hijau Sangat Mendukung

Busuk Daun Fitoftora 44 Hijau Putih Sedang Banyak Cokelat Sangat Mendukung

Busuk Daun Fitoftora 45 Hijau Putih Sedang Banyak Cokelat

Kehitaman

Sangat Mendukung Busuk Daun Fitoftora 46 Hijau Putih Besar Sedikit Hijau Mendukung Busuk

Daun Fitoftora

47 Hijau Putih Besar Sedikit Cokelat Mendukung Busuk Daun Fitoftora

48 Hijau Putih Besar Sedikit Cokelat Kehitaman

49 Hijau Putih Besar Sedang Hijau Mendukung Busuk Daun Fitoftora

50 Hijau Putih Besar Sedang Cokelat Mendukung Busuk Daun Fitoftora

51 Hijau Putih Besar Sedang Cokelat Kehitaman

52 Hijau Putih Besar Banyak Hijau Mendukung Busuk Daun Fitoftora

53 Hijau Putih Besar Banyak Cokelat Mendukung Busuk Daun Fitoftora

(25)

54 Hijau Putih Besar Banyak Cokelat Kehitaman

55 Hijau Putih pinggiran hitam

Kecil Sedikit Hijau Sangat Mendukung Bercak Kelabu Stemfilium

Kecil Sedikit Cokelat Mendukung Bercak Kelabu Stemfilium

Kecil Sedikit Cokelat Kehitaman

Mendukung Bercak Kelabu Stemfilium

Kecil Sedang Hijau Sangat Mendukung Bercak Kelabu Stemfilium

Kecil Sedang Cokelat Mendukung Bercak Kelabu Stemfilium

Kecil Sedang Cokelat Kehitaman

Kecil Banyak Hijau Sangat Mendukung Bercak Kelabu Stemfilium

Kecil Banyak Cokelat Mendukung Bercak Kelabu Stemfilium

Kecil Banyak Cokelat Kehitaman

Sedang Sedikit Hijau Sangat Mendukung Bercak Kelabu Stemfilium

Sedang Sedikit Cokelat Mendukung Bercak Kelabu Stemfilium

Sedang Sedikit Cokelat Kehitaman

Sedang Sedang Hijau Sangat Mendukung Bercak Kelabu Stemfilium

Sedang Sedang Cokelat Mendukung Bercak Kelabu Stemfilium

Sedang Sedang Cokelat Kehitaman

Sedang Banyak Hijau Sangat Mendukung Bercak Kelabu Stemfilium

Sedang Banyak Cokelat Mendukung Bercak Kelabu Stemfilium

Sedang Banyak Cokelat Kehitaman

Besar Sedikit Hijau Mendukung Bercak Kelabu Stemfilium

Besar Sedikit Cokelat Mendukung Bercak Kelabu Stemfilium

Besar Sedikit Cokelat Kehitaman

Besar Sedang Hijau Mendukung Bercak Kelabu Stemfilium

Besar Sedang Cokelat Mendukung Bercak Kelabu Stemfilium

Besar Sedang Cokelat Kehitaman

Besar Banyak Hijau Mendukung Bercak Kelabu Stemfilium

Besar Banyak Cokelat Mendukung Bercak Kelabu Stemfilium

(26)

Besar Banyak Cokelat Kehitaman

Mendukung Bercak Kelabu Stemfilium 82 Hijau Keabuan Kecil Sedikit Hijau Sangat Mendukung

Embun Tepung 83 Hijau Keabuan Kecil Sedikit Cokelat Mendukung Bercak

Daun Serkospora 84 Hijau Keabuan Kecil Sedikit Cokelat

Kehitaman

Mendukung Bercak Daun Serkospora 85 Hijau Keabuan Kecil Sedang Hijau Sangat Mendukung

Embun Tepung 86 Hijau Keabuan Kecil Sedang Cokelat Mendukung Bercak

Daun Serkospora 87 Hijau Keabuan Kecil Sedang Cokelat

Kehitaman

Mendukung Bercak Daun Serkospora 88 Hijau Keabuan Kecil Banyak Hijau Sangat Mendukung

Embun Tepung 89 Hijau Keabuan Kecil Banyak Cokelat Mendukung Bercak

Daun Serkospora 90 Hijau Keabuan Kecil Banyak Cokelat

Kehitaman

Mendukung Bercak Daun Serkospora 91 Hijau Keabuan Sedang Sedikit Hijau Sangat Mendukung

Embun Tepung 92 Hijau Keabuan Sedang Sedikit Cokelat Mendukung Bercak

Daun Serkospora 93 Hijau Keabuan Sedang Sedikit Cokelat

Kehitaman

Mendukung Bercak Daun Serkospora 94 Hijau Keabuan Sedang Sedang Hijau Sangat Mendukung

Embun Tepung 95 Hijau Keabuan Sedang Sedang Cokelat Mendukung Bercak

Daun Serkospora 96 Hijau Keabuan Sedang Sedang Cokelat

Kehitaman

Mendukung Bercak Daun Serkospora 97 Hijau Keabuan Sedang Banyak Hijau Sangat Mendukung

Embun Tepung 98 Hijau Keabuan Sedang Banyak Cokelat Mendukung Bercak

Daun Serkospora 99 Hijau Keabuan Sedang Banyak Cokelat

Kehitaman

Mendukung Bercak Daun Serkospora 100 Hijau Keabuan Besar Sedikit Hijau Sangat Mendukung

Embun Tepung 101 Hijau Keabuan Besar Sedikit Cokelat Mendukung Bercak

Daun Serkospora 102 Hijau Keabuan Besar Sedikit Cokelat

Kehitaman

Mendukung Bercak Daun Serkospora 103 Hijau Keabuan Besar Sedang Hijau Sangat Mendukung

Embun Tepung 104 Hijau Keabuan Besar Sedang Cokelat Mendukung Bercak

Daun Serkospora 105 Hijau Keabuan Besar Sedang Cokelat

Kehitaman

Mendukung Bercak Daun Serkospora 106 Hijau Keabuan Besar Banyak Hijau Sangat Mendukung

Embun Tepung 107 Hijau Keabuan Besar Banyak Cokelat Mendukung Bercak

(27)

108 Hijau Keabuan Besar Banyak Cokelat Kehitaman

Mendukung Bercak Daun Serkospora 109 Hijau Abu-abu

pinggiran cokelat

Kecil Sedikit Hijau Mendukung Bercak Daun Serkospora 110 Hijau Abu-abu

pinggiran cokelat

Kecil Sedikit Cokelat Mendukung Bercak Daun Serkospora 111 Hijau Abu-abu

pinggiran cokelat

Kecil Sedikit Cokelat Kehitaman

pinggiran cokelat

Kecil Sedang Hijau Mendukung Bercak Daun Serkospora 113 Hijau Abu-abu

pinggiran cokelat

Kecil Sedang Cokelat Mendukung Bercak Daun Serkospora 114 Hijau Abu-abu

pinggiran cokelat

Kecil Sedang Cokelat Kehitaman

pinggiran cokelat

Kecil Banyak Hijau Mendukung Bercak Daun Serkospora 116 Hijau Abu-abu

pinggiran cokelat

Kecil Banyak Cokelat Mendukung Bercak Daun Serkospora 117 Hijau Abu-abu

pinggiran cokelat

Kecil Banyak Cokelat Kehitaman

pinggiran cokelat

Sedang Sedikit Hijau Mendukung Bercak Daun Serkospora 119 Hijau Abu-abu

pinggiran cokelat

Sedang Sedikit Cokelat Mendukung Bercak Daun Serkospora 120 Hijau Abu-abu

pinggiran cokelat

Sedang Sedikit Cokelat Kehitaman

pinggiran cokelat

Sedang Sedang Hijau Mendukung Bercak Daun Serkospora 122 Hijau Abu-abu

pinggiran cokelat

Sedang Sedang Cokelat Mendukung Bercak Daun Serkospora 123 Hijau Abu-abu

pinggiran cokelat

Sedang Sedang Cokelat Kehitaman

pinggiran cokelat

Sedang Banyak Hijau Mendukung Bercak Daun Serkospora 125 Hijau Abu-abu

pinggiran cokelat

Sedang Banyak Cokelat Mendukung Bercak Daun Serkospora 126 Hijau Abu-abu

pinggiran cokelat

Sedang Banyak Cokelat Kehitaman

pinggiran cokelat

Besar Sedikit Hijau Mendukung Bercak Daun Serkospora 128 Hijau Abu-abu

pinggiran cokelat

Besar Sedikit Cokelat Mendukung Bercak Daun Serkospora 129 Hijau Abu-abu

pinggiran cokelat

Besar Sedikit Cokelat Kehitaman

pinggiran cokelat

Besar Sedang Hijau Mendukung Bercak Daun Serkospora 131 Hijau Abu-abu

pinggiran cokelat

Besar Sedang Cokelat Mendukung Bercak Daun Serkospora 132 Hijau Abu-abu

pinggiran cokelat

Besar Sedang Cokelat Kehitaman

pinggiran cokelat

Besar Banyak Hijau Mendukung Bercak Daun Serkospora 134 Hijau Abu-abu

pinggiran cokelat

Besar Banyak Cokelat Mendukung Bercak Daun Serkospora