SISTEM PAKAR MENDIAGNOSA PENYAKIT TANAMAN KELAPA
SAWIT DENGAN METODE CERTAINTY FACTOR
Linda Wahyuni1, Surya Darma2
1
Dosen Jurusan Sistem Informasi, STMIK Potensi Utama 2
Mahasiswa Jurusan Sistem Informasi STMIK Potensi Utama 1,2
STMIK Potensi Utama, Jl. K.L. Yos Sudarso Km 6,5 No. 3A Medan
1
linda_irsyad83@yahoo.co.id, 2 surya.darma_pu@yahoo.com
Abstrak
Tanaman kelapa sawit (Elaeis guinensis) berasal dari Nigeria, Afrika Barat. Pada kenyataannya tanaman kelapa sawit hidup subur di luar daerah asalnya, seperti Malaysia, Indonesia, Thailand, dan Papua Nugini. Bagi Indonesia, tanaman kelapa sawit memiliki arti penting bagi pembangunan perkebunan nasional. Selain mampu menciptakan kesempatan kerja yang mengarah pada kesejahteraan masyarakat, juga sebagai sumber perolehan devisa negara, di samping itu banyaknya jenis penyakit pada tanaman kelapa sawit dan kurangnya informasi untuk menangani penyakit tersebut bahkan susahnya orang awam dalam berkonsultasi langsung dengan seorang pakar membuat petani kesulitan dalam menangani penyakit pada tanaman kelapa sawit tersebut. Dari penjelasan di atas untuk itu penulis membuat suatu sistem pakar mendiagnosa penyakit tanaman kelapa sawit dengan metode certainty factor yang dimaksudkan untuk membantu kerja petani dalam memberikan informasi serta kesimpulan dari penyakit yang di derita pada tanaman kelapa sawit tersebut. Experimen yang dilakukan dengan menggunakan Basis Rule untuk mendiagnosa gejala-gejala penyakit tanaman kelapa sawit dan jenis penyakit kelapa sawit tersebut, dan memberikan solusi yang tepat untuk penanganannya.
Kata kunci : sistem pakar, penyakit kelapa sawit, certainty factor.
1. Pendahuluan
Seiring dengan perkembangan teknologi komputer, boleh dikatakan komputer telah menjadi benda yang umum di jumpai diberbagai aspek kehidupan manusia, misalnya sebagai alat bantu bisnis, alat komunikasi dan navigasi, alat bantu pendidikan, alat bantu sains, sampai alat bantu dalam proses produksi. Untuk memaksimalkan kemampuan komputer diperlukan perangkat lunak yang handal dalam menangani pemrosesan data dan penyajian informasi yang dibutuhkan [4]
Tanaman kelapa sawit (Elaeis guinensis)
berasal dari Nigeria, Afrika Barat. Pada kenyataannya tanaman kelapa sawit hidup subur di luar daerah asalnya, seperti Malaysia, Indonesia, Thailand, dan Papua Nugini. Bagi Indonesia, tanaman kelapa sawit memiliki arti penting bagi pembangunan perkebunan nasional. Selain mampu menciptakan kesempatan kerja yang mengarah pada kesejahteraan masyarakat, juga sebagai sumber perolehan devisa negara.[2]
Ilmu yang mempelajari bagaimana membuat suatu mesin seolah-olah memiliki kecerdasan buatan dalam memecahkan suatu masalah yang diberikan padanya disebut dengan
artificial intelligence atau kecerdasan buatan.
Sistem pakar merupakan salah satu software yang dapat menduplikasi fungsi seorang pakar dalam
suatu bidang keahlian. Hal ini dilakukan dengan cara memberi basis pengetahuan dan inferensi sehingga dapat menggunakan penalaran dalam memecahkan masalah. Program ini bertindak sebagai seorang penasehat dalam suatu lingkungan keahlian tertentu. Metode inferensi dalam penulisan ini menggunakan metode
certainty factor yang merupakan pendekatan yang
dimulai dari sekumpulan data menuju kesimpulan dan penalarannya secara deduktif, yang menentukan fakta spesifikasi dari aturan-aturan yang umum untuk mendapatkan kesimpulan yang lebih khusus.
Salah satu aplikasi sistem pakar adalah dalam bidang pertanian khususnya yang digunakan untuk mendiagnosa penyakit pada tanaman kelapa sawit. Masyarakat awam kurang memahami dalam menangani gejala-gejala penyakit pada tanaman kelapa sawit, disamping itu kurangnya informasi membuat masyarakat awam buta akan menyimpulkan jenis penyakit apa yang diderita oleh tanaman kelapa sawit tersebut, hal ini juga salah satu faktor menurunnya devisa negara dalam mengekspor minyak kelapa sawit ke luar negeri.
dengan metode certainty factor sebagai alat bantu dalam mengambil kesimpulan pada penyakit tanaman kelapa sawit tersebut.
2. Dasar Teori
2.1 Sistem Pakar
Sistem Pakar (Expert System) adalah suatu program komputer cerdas yang menggunakan
knowledge (pengetahuan) dan prosedur inferensi
untuk menyelesaikan masalah yang cukup sulit sehingga membutuhkan seorang yang ahli untuk menyelesaikannya [1]. Semakin banyak pengetahuan yang dimasukkan kedalam sistem pakar, maka sistem tersebut akan semakin bertindak sehingga hampir menyerupai pakar sebenarnya.
Gambar : 1. Konsep Dasar Sistem Pakar
2.2 Kekurangan Sistem Pakar
Selain manfaat, ada juga beberapa kekurangan yang ada pada Sistem Pakar, diantaranya [5]:
1. Biaya yang sangat mahal untuk membuat dan memeliharanya.
2. Sulit dikembangkan karena keterbatasan keahlian dan ketersediaan pakar.
3. Sistem pakar tidak 100% bernilai benar. 2.3 Sekilas Sejarah Kelapa Sawit
Kelapa sawit pertama kali diperkenalkan di Indonesia oleh pemerintah Belanda pada tahun 1848. Ketika itu ada empat batang bibit kelapa sawit yang dibawa dari Mauritius dan Amsterdam dan ditanam di Kebun Raya Bogor. Tanaman kelapa sawit mulai diusahakan dan dibudidayakan secara komersial pada tahun 1911. Perintis usaha perkebunan kelapa sawit di Indonesia adalah Adrien Hallet, seorang Belgia yang telah belajar banyak tentang kelapa sawit di Afrika. Budi daya yang dilakukannya diikuti oleh K. Schadt yang menandai lahirnya perkebunan kelapa sawit di Indonesia. Sejak saat itu perkebunan kelapa sawit di Indonesia mulai berkembang. Perkebunan kelapa sawit pertama berlokasi di Pantai Timur Sumatera (Deli) dan Aceh. Luas areal perkebunannya mencapai 5.123 ha. Indonesia mulai mengekspor minyak sawit pada tahun 1919 sebesar 567 ton ke negara-negara Eropa,
kemudian tahun 1923 mulai mengekspor minyak inti sawit sebesar 850 ton.[2]
2.4 Metode Certainty Factor
Certainty Factor (CF) menunjukkan ukuran
kepastian terhadap suatu fakta atau aturan [3]. Dalam mengekspresikan derajat keyakinan,
Certainty Theory menggunakan suatu nilai yang
disebut certainty factor (CF) untuk mengasumsikan derajat keyakinan seorang pakar terhadap suatu data. certainty factor
memperkenalkan konsep belief/keyakinan dan
disbelief/ketidakyakinan. Konsep ini kemudian
diformulasikan dalam rumusan dasar sebagai berikut:
CF[H,E] = MB[H,E] – MD[H,E]
Keterangan :
CF = Certainty Factor (Faktor Kepastian)
dalam Hipotesis H yang dipengaruhi oleh fakta E.
MB = Measure of Belief (Tingkat
Keyakinan),
merupakan ukuran kenaikan dari kepercayaan hipotesis H dipengaruhi oleh fakta E.
MD = Measure of Disbelief (Tingkat
Ketidakyakinan), merupakan kenaikan dari ketidakpercayaan hipotesis H dipengaruhi oleh fakta E.
E = Evidence (Peristiwa atau Fakta)
Ada 3 hal yang mungkin terjadi pada metode
Certainty Factor, yaitu :
1. Beberapa evidence dikombinasikan untuk menentukan CF dari suatu hipotesis. Jika e1 dan e2 adalah observasi ditunjukkan oleh gambar. 2, Maka:
Gambar 2. Dua Efidence
Gambar 3. Kombinasi Beberapa Hipotesis
Maka :
3. Beberapa aturan saling bergandengan, ketidak pastian dari suatu aturan menjadi input untuk aturan yang lainnya. Jika beberapa aturan saling bergandengan ditunjukkan oleh gambar. 4 berikut:
Gambar 4. Beberapa Aturan Saling Bergandengan
Maka :
MB[h,s] = MB’[h,s] * max (0,CF[s,e]) MB’[h,s] = ukuran kepercayaan h berdasarkan keyakinan penuh terhadap validitas s. [6] 2.5 Kelebihan dan Kekurangan Certainty
Factor
Kelebihan dari metode Certainty Factor
adalah:
1. Metode ini cocok dipakai dalam sistem pakar yang mengandung ketidak pastian.
2. Dalam sekali proses perhitungan hanya dapat mengolah 2 data saja sehingga keakuratan data dapat terjaga [5].
Sedangkan kekurangan metode Certainty
Factor adalah:
1. Pemodelan ketidak pastian yang menggunakan perhitungan metode Certainty
Factor biasanya masih diperdebatkan.
2. Untuk data lebih dari 2 buah, harus dilakukan beberapa kali pengolahan data [5].
3. Analisa dan Perancangan
Desain Sistem
Perancangan desain sistem yang akan dibangun menggunakan pemodelan Unified
Modelling System ( UML ). Diagram-diagram
yang digunakan use case diagram, dan sequence
diagram konsultasi saja.
1. Use Case Diagram
Adapun diagram yang menggambarkan interaksi beberapa aktor dalam sistem yang di rancang ini dapat dilihat pada gambar. 5 berikut ini:
SISTEM PAKAR MENDIAGNOSA PENYAKIT TANAMAN KELAPA SAWIT DENGAN METODE CERTAINTY FACTOR
User
Pakar Input data user
Melakukan konsultasi
Mendapatkan hasil konsultasi Login pakar
Input data aturan
Input data penyakit
Manipulasi hasil
Melihat laporan hasil konsultasi Mengolah basis
pengetahuan <<include>>
<<include>> <<include>>
<<include>> <<include>>
<<include>>
<<extend>> Login user
<<include>>
<<include>>
Mengolah data pakar <<include>>
Gambar 5. Use Case Diagram
Pada use case diagram di atas terdapat 2 aktor yaitu User, dan Pakar. Kedua aktor tersebut memiliki peranan masing-masing, yaitu tugas user yang melakukan konsultasi, sebelum user melakukan aktifitas konsultasi user diwajibkan login terlebih dahulu sebagai login user, langkah selanjutnya yaitu mengisi data user, dikarenakan agar seorang pakar dapat mengetahui pengguna sistem tersebut, setelah user melakukan konsultasi, user dapat melihat langsung hasil konsultasi tersebut. Pakar disini bertindak sebagai mengolah data pakar, menginput data aturan, menginput data penyakit, mengolah basis pengetahuan, manipulasi hasil setelah sebelumnya telah melakukan login pakar terlebih dahulu, dan melihat laporan hasil konsultasi untuk keperluan akses sistem.
2. Sequence Diagram Konsultasi
Sequence Diagram menggambarkan
perilaku pada sebuah skenario, diagram ini menunjukkan sejumlah contoh objek dan message
(pesan) yang diletakkan diantara objek-objek ini di dalam use case, dalam hal ini penulis hanya menggambarkan skenario sequence diagram
konsultasi. Gambar. 6 berikut merupakan
User
Menu Konsultasi User
Input data user Simpan data user Data User
Gambar : 6. Sequence Diagram Konsultasi
4. Pembahasan
Representasi Pengetahuan
Representasi pengetahuan (knowledge
representation) adalah cara untuk menyajikan
pengetahuan yang diperoleh ke dalam suatu skema/diagram tertentu sehingga dapat diketahui relasi antara suatu pengetahuan dengan pengetahuan yang lain dan dapat dipakai untuk menguji kebenaran penalarannya. Representasi pengetahuan dibutuhkan untuk menangkap sifat-sifat penting masalah dan mempermudah prosedur pemecahan masalah dalam mengakses informasi. Format representasi harus mudah dipahami sehingga seorang programmer mampu mengekspresikan pengetahuan (fakta), namun semua cara tersebut harus mengacu pada dua entitas berikut.
3. Fakta, yaitu kejadian sebenarnya. Fakta inilah yang akan kita representasikan.
4. Representasi dari fakta. Berdasarkan representasi inilah kita dapat mengolah fakta.[6]
Basis pengetahuan yang di dalam sistem pakar ini akan digunakan untuk menentukan proses pencarian atau menentukan kesimpulan yang diperoleh dari hasil analisis. Hasil yang diperoleh setelah pengguna melakukan interaksi dengan sistem pakar yaitu dengan menjawab pertanyaan yang diajukan oleh sistem pakar. Basis pengetahuan yang di gunakan didalam sistem pakar ini terdiri dari : gejala-gejala yang diderita dan hasil diagnosa yang diberikan oleh pakar. Adapun tabel keputusan untuk gejala-gejala yang terjadi dapat dilihat pada tabel. 1 dibawah ini:
(tabel dilampiran)
Dalam memecahkan masalah metode yang digunakan adalah metode Certainty Factor serta kaidah produksi IF –THEN dimana gejala-gejala pada penyakit kelapa sawit di umpamakan dengan
Jika dan solusi penanggannya diumpamakan
dengan Maka.
Bentuk pernyataannya adalah : JIKA [gejala 1] JIKA [gejala 2] DAN [gejala 3] MAKA [Penyakit]
Berikut ini merupakan algoritma yang di gunakan dalam mendiagnosa penyakit pada tanaman kelapa sawit.
5. Kaidah untuk Penyakit Daun Bibit Muda (Anthracnose)
IF Daun terdapat bercak-bercak dikelilingi warna kuning,
6. Kaidah untuk Penyakit Akar (Blast Disease)
IF Akar menjadi lunak,
AND Daun bibit kusam berwarna kekuning-kuningan yang dimulai dari bagian ujung daun,
AND Daun menjadi layu,
AND Daun berubah warna menjadi kuning cerah,
AND Daun terdapat bercak-bercak dikelilingi warna kuning,
THEN Penyakit akar (blast disease)
7. Kaidah untuk Penyakit Tajuk (Crown Disease)
IF Tanaman berumur 2-4 tahun, AND Helai daun mulai dari pertengahan
sampai ujung pelepah kecil-kecil, AND Daunnya robek-robek,
AND Pelepah membengkok,
AND Jaringan yang terinfeksi pada pelepah yang tidak membuka berwarna coklat kemerah-merahan, THEN Penyakit tajuk (crown disease)
8. Kaidah untuk Penyakit Busuk Pangkal Batang (Basal Stem rot atau ganoderma)
IF Pelepah daun tampak layu, AND Pelepah daun berwarna pucat, AND Bagian daun paling tua mengalami berkumpul lebih dari 3 helai, AND Pangkal batang menghitam, AND Keluar getah pada bagian yang
terinfeksi,
9. Kaidah untuk Penyakit Busuk Batang Atas (Upper Stem Rot)
IF Warna daun yang terbawah berubah,
AND Kuncup daun terinfeksi, AND Pembusukan pada batang,
AND Batang yang membusuk berwarna keabu-abuan,
THEN Penyakt Busuk Batang Atas (Upper Stem Rot)
10.Kaidah untuk Penyakit Busuk Kering Pangkal Batang (Dry Basal Rot)
IF Tandan buah membusuk, AND Pembentukan bunga terhambat, AND Pelepah daun bagian bawah
patah-patah,
THEN Penyakit busuk kering pangkal batang (dry basal rot)
11.Kaidah untuk Penyaki Busuk Kuncup (Spear Rot)
IF Jaringan pada kuncup membusuk AND Jaringan kuncup berwarna
kecoklat-coklatan, AND Tajuk mudah di cabut, AND Kuncup membengkok,
THEN Penyakit busuk kuncup (spear rot)
12.Kaidah untuk Penyakit Garis Kuning (Patch Yellow)
IF Daun tampak bercak-bercak lonjong berwarna kuning dan ditengahnya terdapat warna coklat, AND Daun yang terserang menjadi
kering,
AND Daun berguguran,
THEN Penykit garis kuning (patch yellow)
13.Kaidah untuk Penyakit Busuk Tandan (Bunch Rot)
IF Tanaman berumur 3-10 tahun, AND Permukaan tandan terdapat
benang-benang jamur putih mengkilat, AND Perikarpnya menjadi lembek dan
busuk,
AND Warna buah berubah menjadi kecoklatan dan berubah lagi menjadi kehitam-hitaman,
THEN Penyakit busuk tandan (bunch rot)
5. Penerapan Metode Certainty Factor
Metode certainty factor yang akan diterapkan dalam pembuatan sistem pakar ini adalah metode dengan rumus certainty factor
sebagai berikut :
Di mana :
CF(E,e) : certainty factor evidence E yang dipengaruhi oleh evidence e. CF(H,E) : certainty factor hipotesis dengan
asumsi evidence diketahui dengan pasti, yaitu ketika CF(E,e) = 1. CF(H,e) : certainty factor hipotesis yang
dipengaruhi oleh evidence e. Karena semua evidence pada antecedent diketahui dengan pasti maka rumusnya menjadi :
Contoh perhitungan nilai certainty factor untuk sistem ini adalah sebagai berikut:
JIKA Daun terdapat bercak-bercak dikelilingi warna kuning,
DAN Adanya warna hitam dan coklat di antara tulang daun,
DAN Daun yang terserang menjadi kering, MAKA Penyakit daun bibit muda
E3 : ”daun yang terserang menjadi kering”
Nilai certainty factor hipotesis pada saat evidence pasti adalah :
CF(H,E) = CF(H,E1∩ E2∩ E3)
= 0.9
Dalam kasus ini, kondisi tanaman tidak dapat ditentukan dengan pasti. Certainty factor
evidence E yang dipengaruhi partial evidence e ditunjukkan dengan nilai sebagai berikut:
CF(E1 , e) = 0.9
Nilai certainty factor hipotesis adalah: CF(H,e) = CF(E,e) * CF(H,E)
= 0.7 * 0.9 = 0.63
Hal ini berarti besarnya kepercayaan pakar terhadap nilai penyakit dengan kode penyakit P001 adalah 0.63 atau bila diprosentasekan nilainya menjadi 63%.
Nilai CF (Rule) didapat dari interpretasi “term” dari pakar, yang diubah menjadi nilai CF tertentu sesuai tabel. 2 berikut.
CF(H,e) = CF(E,e) * CF(H,E)
Tabel 2. Certainty Factor (CF) Rule
Uncertain Term CF
Definitely not (pasti tidak) -1.0 Almost certainly not (hampir pasti
tidak)
-0.8 Probably not (kemungkinan besar
tidak)
-0.6 Maybe not (mungkin tidak) -0.4 Unknown (tidak tahu) -0.2 to 0.2
Maybe (mungkin) 0.4
Probably (kemungkinan besar) 0.6 Almost certainly (hampir pasti) 0.8
Definitely (pasti) 1.0
6. Hasil
Form ini merupakan tampilan data knowledge. Pada form ini terdapat aturan dari beberapa pertanyaan berupa gejala dari penyakit tanaman kelapa sawit yang bersangkutan. Gambar. 7 berikut ini menampilkan form knowledge.
Gambar 7. Form Knowledge
7. Kesimpulan
Dari uraian secara teoritis dan dari hasil penelitian yang dilakukan penulis, maka penulis akan mencoba menarik kesimpulan.
Adapun kesimpulan yang penulis kemukakan adalah sebagai berikut :
1. Hasil pengujian ”Sistem Pakar
Mendiagnosa Penyakit Tanaman Kelapa Sawit dengan Metode Certainty Factor”
menunjukkan bahwa sistem pakar ini dapat mendiagnosa penyakit tanaman kelapa sawit sesuai dengan jawaban yang diberikan oleh user dengan nilai keakuratan 85%.
2. Sistem yang penulis rancang hanya dapat digunakan untuk mendiagnosa penyakit pada tanaman kelapa sawit saja.
3. Metode yang digunakan dalam perancangan aplikasi ini adalah metode
Certainty Factor.
4. Dengan dilakukannya pemakaian sistem informasi yang tepat terutama dalam masalah konsultasi, maka hasil yang diperoleh dalam menangani masalah tersebut akan jauh lebih cepat, sehingga data yang dibutuhkan akan lebih cepat dan efisien sekalipun data yang diolah banyak. 5. Sistem pakar yang dibuat akan
memberikan solusi berupa penanganan awal serta pola penanganan penyakit tanaman kelapa sawit.
6. Sistem Informasi ini telah dirancang dan diimplementasikan menggunakan program Visual Basic 2010 dan Ms. SQL Server 2008 sebagai databasenya dan sudah dapat digunakan untuk konsultasi mengenai penyakit pada tanaman kelapa sawit. Daftar Pustaka:
[1] Arhami Muhammad, 2005, Konsep Dasar
Sistem Pakar, Yogyakarta, Andi Offset.
[2] Fauzi Yan, et al, 2002, Kelapa Sawit,
Jakarta, Penebar Swadaya.
[3] Kusumadewi Sri, 2003, Artificial Intelligence
(Teknik dan Aplikasinya), Graha Ilmu, Yogyakarta
[4] Roger Presman, 2002, Rekayasa Perangkat
Lunak, Yogyakarta, Penerbit Andi.
[5] Sutojo, et al, 2011, Kecerdasan Buatan,
Jogyakarta, Andi Offset.
[6] Wahyuni Linda, 2013, Sistem Pakar Untuk Mendiagnosa Penyakit Kanker Tulang,
