PENERAPAN CERTAINTY FACTOR DALAM SISTEM PAKAR
MENDIAGNOSA HAMA DAN PENYAKIT TANAMAN PAPAYA
Khairul Ummi, Edi Kurniawan
STMIK Potensi Utama, Jl. K.L Yos Sudarso Km.6,5 No.3A Tanjung Mulia
ummi12gibmie@gmail.com
Abstrak
Pepaya merupakan salah satu buah yang banyak dinikmati, selain rasanya yang manis menyegarkan, pepaya juga mengandung nutrisi yang sangat baik bagi kesehatan. Betakaroten, Vit C, Vit B1, B2, Kalsium, Fospor, Kalium, dan Betakaroten berfungsi sebagai antioksidan. Sehubungan dengan upaya pembudidayaan pepaya, terdapat beberapa kendala, diantaranya adalah hama dan penyakit. Menurut hasil wawancara dengan petani pepaya, pengetahuan masyarakat, khususnya para petani pepaya sangat minim. Kurangnya informasi yang didapat oleh para penyuluh pertanian untuk memberikan pengarahan pada para petani pepaya juga merupakan permasalahan utama yang menjadi dasar dibangunnya Sistem Pakar untuk Mendiagnosis Penyakit pada Tanaman Pepaya. Dalam menentukan keputusan jenis penyakit tanaman pepaya, sistem ini menggunakan konsep Certainty Factor (CF). Sistem akan mencari nilai CF tertinggi, dari berbagai kemungkinan jenis penyakit berdasarkan gejala yang dimasukkan user dan hasilnya ditampilkan kepada user. Sistem Pakar untuk Mendiagnosis Penyakit pada Tanaman Pepaya menghasilkan keputusan penentuan jenis penyakit berdasarkan gejala yang dimasukkan. Nilai CF yang mungkin dihasilkan adalah antara 0 sampai dengan 1. Jika nilai CF yang dihasilkan semakin mendekati 1, maka semakin tinggi kepastian terkena penyakit terkait. Sebaliknya, Jika nilai CF yang dihasilkan semakin mendekati 0, maka semakin rendah kepastian terkena penyakit terkait. Hasil diagnosis yang ditampilkan bagi pengguna meliputi nama penyakit, gejala, dan Solusi mengatasi hama dan penyakit pada tanaman pepaya.
Kata kunci : Certainty Factor, Tanaman Pepaya, Sistem Pakar PENDAHULUAN
Perkembangan teknologi dan Ilmu Pengetahuan yang pesat pada saat ini, menuntut adanya kemudahan proses pada segala bidang kerja. Komputer merupakan salah satu media yang mempunyai banyak kelebihan diantaranya kecepatan, keakuratan dan efisien dalam pengolahan data dibanding dengan sistem manual. Dalam kehidupan modern seperti sekarang ini, informasi telah menempati posisi yang sangat menentukan, karena kondisi seperti itu sehingga banyak orang menyebut sebagai zaman informasi. Pengembangan kecerdasan buatan khususnya dibidang sistem pakar menjadi sesuatu yang masih sangat sulit untuk di implementasikan. Hal ini disebabkan karena masih adanya keterbatasan sistem, baik perangkat keras maupun perangkat lunak untuk melakukan pengolahan data berskala besar, padahal kekuatan utama sistem pakar adalah basis pengetahuan dan basis aturan yang terdiri atas kumpulan data yang sangat banyak.
Pepaya merupakan salah satu buah yang banyak dinikmati, selain rasanya yang manis menyegarkan, pepaya juga mengandung nutrisi yang sangat baik bagi kesehatan. Betakaroten, Vit C, Vit B1, B2, Kalsium, Fospor, Kalium, dan Betakaroten berfungsi sebagai antioksidan. Selain itu Manfaat pepaya memang bisa digunakan
dalam dunia kesehatan maupun kecantikan. Tidak hanya buahnya saja yang bisa kita ambil manfaatnya, namun daun pepaya juga sangat berkhasiat dan baik untuk kesehatan tubuh sehari-hari, mulai dari untuk menambah nafsu makan, memperlancar pencernaan, hingga digunakan sebagai masker untuk mengatasi jerawat. Tapi Banyak masyarakat yang kurang paham tentang penyakit tanaman pepaya. Untuk memperoleh Informasi tentang penyakit, gejala dan cara penanggulangan penyakit pada tanaman papaya. LANDASAN TEORI
Sistem Pakar
Bidang sistem pakar merupakan penyelesaiaan pendekatan yang sangat berhasil dan bagus untuk permasalahan AI (Artificial Intelligent) klasik dari pemograman intelligent
(cerdas). Sistem pakar (expert system) merupakan solusi AI bagi masalah pemrograman pintar (intelligent). Profesor Edward Feigenbaum dari Stanford University yang merupakan pionir dalam teknologi sistem pakar mendefinisikan sistem pakar sebagai sebuah program kamputer pintar
(intelligent computer program) yang
memecahkan masalah yang cukup sulit sehingga membutuhkan keahlian khusus dari manusia.
Dengan kata lain, sistem pakar adalah sistem komputer yang ditujukan untuk meniru semua aspek (emulates) kemampuan pengambilan keputusan (decision making) seorang pakar. Sistem pakar memanfaatkan secara maksimal pengetahuan khusus selayaknya seorang pakar untuk memecahkan masalah. [1]
Manfaat Sistem Pakar
Secara garis besar, banyak manfaat yang dapat diambil dengan adanya sistem pakar, antara lain [2]:
13. Membuat seorang yang awam bekerja seperti layaknya seorang pakar.
14. Meningkatkan produktivitas akibat meningkatnya kualitas hasil pekerjaan, mengingkatnya kualitas pekerjaan ini disebabkan meningkatnya efisiensi kerja. 15. Menghemat waktu kerja.
16. Menyederhanakan pekerjaan.
17. Merupakan arsip terpercaya dari sebuah keahlian, sehingga bagi pemakai sistem pakar seolah-olah berkonsultasi langsung dengan sang pakar, meskipun mungkin sang pakar telah tiada.
Memperluas jangkauan, dari keahlian seorang pakar. Di mana sebuah sistem pakar yang telah disahkan, akan sama saja artinya dengan seorang pakar yang tersedia dalam jumlah besar (dapat diperbanyak dengan kemampuan yang persis sama), dapat diperoleh dan dipakai di mana saja. Metode Certainty Factor
Dalam aplikasi sistem pakar terdapat suatu
metode untuk menyelesaikan
masalahketidakpastian data, salah satu metode yang dapat digunakan adalah faktor kepastian (certainty factor ) (Kusrini, 2008). Faktor keyakinan diperkenalkan oleh ShortliffeBuchanan dalam pembuatan MYCIN (Wesley).Certainty factor (CF) merupakan nilaiparameter klinis yang diberikan MYCIN untuk menunjukan besarnya kepercayaan. Ada 2 macam faktor kepastian yang digunakan, yaitu faktor kepastian yang diisikan oleh pakarbersama dengan aturan dan faktor kepastian yang diberikan oleh pengguna.Faktor kepastian yang diisikan oleh pakar menggambarkan kepercayaan pakarterhadap hubungan antara antacedent dan konsekuen. Sementara itu faktor kepastian daripengguna menunjukan besarnya kepercayaan terhadap keberadaan masing-masing elemen dalam antecedent.
Penerapan Metode Certainty Factor
Certainty factor diperkenalkan oleh Shortliffe Buchanan dalam pembuatan MYCIN (Wesley 1984).Certainty factor (CF) merupakan nilai
parameter klinis yang diberikanMYCIN untuk menunjukkan besarnya kepercayaan.
Certainty factor didefinisikan sebagai berikut (Giarattano dan Riley, 1994):
CF(H,E) = MB(H,E) - MD(H,E)………[2.1] CF(H,E): certainty factor dari hipotesis H yang dipengaruhi oleh gejala (evidence) E.Besarnya CF berkisar antara -1 sampai dengan 1. Nilai -1 menunjukanketidakpercayaan mutlak sedangkan nilai 1 menunjukan kepercayaan mutlak.
MB(H,E): ukuran kenaikan kepercayaan (measure of increased belief ) terhadaphipotesis H yang dipengaruhi oleh gejala E.
MD(H,E): ukuran kenaikan ketidakpercayaan (measure of increased disbelief ) terhadaphipotesis H yang dipengaruhi oleh gejala E.
2.3. Menentukan CF Paralel
Menurut Kusrini (2008) pengertian mengenai certainty factor paralel dan contoh penerapannya adalah sebagai berikut.Certainty factor paralel merupakan CF yangdiperoleh dari beberapa premis pada sebuah aturan. Besarnya CF paralel dipengaruhi olehCF user untuk masing-masing premis dan operator dari premis. Rumus untuk masing-masing operator adalah sebagai berikut : CF (x Dan y)= Min(CF(x),CF(y)).…….……[2.2]
CF (x Atau y)=
Max(CF(x),CF(y))……….…..[2.3]
CF (Tidak x)= -CF(x)..………[2.4] Pengetahuan mengenai Tanaman Pepaya Pepaya merupaka tanaman buah berupa herba dari family Caricaceae yang berasal dari amerika tengan dan Hindia barat, bahkan kawasan sekitar meksiko dan kosta rika. Tanaman papaya ditanam orang, baik didaerah tropis maupun subtropics, disaerah-daerah basah dan kering, atau didaerah-daerah dataran pegunungan (sampai 1.00 m dpl). Buah papaya merupakan buah meja bermutu dan bergizi tinggi. Papaya merupakan salah satu jenis buah yang memiliki prospek yang baik untuk dikembangkan di Indonesia.[4]
METODOLOGI PENELITIAN
Kode
Gangguan Nama Gangguan
Nilai CF
P001 Kutu Putih 0.6
P002 Kutu Tanaman (Aphid) 0.7 P003 Tungau (Acarina) 0.6
P004 Lalat Buah 0.5
Kode
Gejala Nama Gejala
Nilai CF G001 Terdapat bercak putih pada
belakang daun
0.7
G002 Daun terlihat layu 0.8
G003 Tumbuhan Sulit Berkembang 0.6 G004 Pucuk daun mengering 0.8
G005 Daun menggulung 0.8
G006 Bentuk bunga tidak sempurna 0.7 G007 Daun muda menjadi pucat
ketika membesar
0.7 G008 Bercak merah pada daun tua 0.6 G009 Ada tenunan seperti sarang
laba - laba pada permukaan bawah daun
0.8
G010 Sel - sel daun membesar karena pengaruh enzim
0.6 G011 Buah membusuk di sebagian
tempat
0.8 G012 Busuk pada buah berair 0.7 G013 Banyak buah muda yang
rontok dengan pestidida dan
perhatian untuk
pemeliharaan lebih rutin S002 P002 Penyemprotan tepung deris
atau tepung belerang S003 P003 Penyemprotan tepung deris
atau tepung belerang S004 P004
Menjaga kebersihan areal pertanaman dan menginfus tanaman dengan insektisida akusisi Pengetahuan, rekayasa Pengetahuan :
tabel keputusan, pohon keputusan, tabel aturan, perancangan sistem : DVD level 0 dan flowchart sistem. hasil program : form hasil konsultasi.
ANALISA DAN PERANCANGAN SISTEM
Analisa
Untuk mendiagnosa penyakit pada tanaman pepaya perlu diketahui terlebih dahulu gejala-gejala yang timbul. Meskipun dari gejala-gejala klinis (gejala-gejala yang terlihat langsung). Ada 3 tabel untuk membantu Rule basis pengetahuan menentukan nilai CF untuk mendiagnosa penyakit pada tumbuhan pepaya yaitu tabel penyakit, tabel gejala, tabel solusi, serta akan digambarkan dengan menggunakan pohon keputusan.
Perancangan Sistem
Penggambaran perancangan sistem menggunakan DFD Level 0 dan Flowchart sebagai berikut :
Factor dengan menentukan nilai CF untuk Penyakit dan Gejala. Metode penanganan ketidakpastian pada sistem pakar identifikasi penyakit Tanaman pepaya ini menggunakan certainty factor dengan rentang CF antara -1 (definitely false) sampai +1 (definitely true)
Tabel 1. Nilai CF untuk Penyakit
Tabel 2. Nilai CF untuk Tabel Gejala
User Aturan Nilai CF Konfirmasi Logon
Pakar
Gambar 1. DVD Level 0
Mulai
Tampilkan Pilihan gejala
Baca pilihan gejala
sesuaikan dengan aturan Tabel 3. Tabel Solusi
If solusi = 0 Solusi = kdpenyakit
Tampilkan hasil diagnosa
Selesai
Gambar 2. Flowchart sistem
Kode Gejala
Kode Gangguan
P001 P002 P003 P004
G001 *
G002 *
G003 *
G004 *
G005 *
G006 *
G007 *
G008 *
G009 *
G010 *
G011 *
G012 *
G013 *
No Gejala Penyakit Nilai
CF 1 Terdapat bercak
putih pada belakang daun
Kutu Putih 0,7
2 Daun terlihat layu Kutu Putih 0,8 3 Tumbuhan Sulit
Berkembang
Kutu Putih 0,6 Tabel 4. Tabel Keputusan
Gambar 3. Pohon Keputusan
HASIL dan PEMBAHASAN
Hasil
Dari hasil perancangan sistem yang sebelumnya terdapat hasil tampilah aplikas yang dibangun sebagai berikut :
Form konsultasi
Gambar 4. Form Konsultasi Form hasil konsultasi
Gambar 5. Form Hasil Konsultasi
PEMBAHASAN
Dari tabel yang sudah dipaparkan sebelumnya maka sebagai hasil uji coba sistem aplikasi yang dibangun dihitung untuk tingkat keakuratan menggunakan metode CF.
Tabel 5. Contoh perhitungan
CF(H,e) = CF (E,e) * CF(H,E) CF(E,e) = 1 nilai kepastian
CF(H,E) = min [ Rule CF(H,e)]
nilai 1 jika menggunakan min, -1 jika
menggunakan max untuk batas kepastian
CF(H,e) = 1 * min [0.7, 0.8, 0.6] CF(H,e) = 0.6
Dari perhitungan di atas, didapatkan nilai faktor kepastian dari masukan gejala untuk gangguan hama kutu putih adalah 0,6
KESIMPULAN
permasalahan ini dikatakan sudah sesuai dengan hasil perhitungan manual dan hasil diberikan oleh sistem. Berdasarkan hasil analisa yang dilakukan dengan teknik sampling menunjukkan hasil 80% dengan nilai CF yang telah ditetapkan., pengguna merasa pada aplikasi yang dibuat sangat baik dengan presentase 80 %.
DAFTRA PUSTAKA
[1] Rosnelly Rika, 2012, Sistem Pakar Konsep dan Teori, Yogyakarta, Andi Offset.
[2] Sari Ria Eka, 2013, Sistem Pakar Untuk
Mendeteksi Penyakit THT Dengan
Menggunakan Metode Forward Chaining,
Prosiding SNIf STMIK Potensi Utama 2013.
[3] Kusrini, 2008, Menentukan Faktor Kepastian Pengguna dengan metode kuantifikasi pertanyaan, Yogyakarta : Andi. [4] Tim Karya Tani Mandiri, 2011, Pedoman