SPETINDO, Sistem Pendukung Keputusan Pembudidayaan Tanaman Menggunakan Algoritma Quantum Swarm Evolutionary

SPETINDO, Sistem Pendukung Keputusan

Pembudidayaan Tanaman Menggunakan Algoritma Quantum Swarm Evolutionary

Eka Ayu Puspitaningrum 5109100176

Dosen Pembimbing

UMI LAILI YUHANA, S.Kom., M.Sc. WIJAYANTI NURUL KHOTIMAH, S.Kom, M.Sc

JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI INFORMASI INSTITUT TEKNOLOGI SEPULUH NOPEMBER

Latar Belakang

Indonesia

negara agraris, tetapi Indonesia

masih

membutuhkan

beberapa

bahan

pangan

yang di

impor dari luar negeri

.

Berdasarkan Badan Pusat Statistik (BPS)

beberapa bahan pangan yang masih perlu di

impor adalah kentang, singkong, biji gandum,

terigu, kedelai, jagung, dan beras.

3

 Penurunan kualitas dan kuantitas sumber daya lahan pertanian.

 Dari segi kualitas, faktanya lahan pertanian kita sudah mengalami degradasi yang luar biasa, dari sisi kesuburannya akibat dari penggunaan lahan yang

tidak bervariasi sehingga tanah menjadi jenuh.

 Selain itu konversi lahan pertanian ke komoditas

lainnya juga menjadi penyebab menurunnya

produktivitas, karena perubahan komoditasnya

tidak sesuai dengan jumlah kebutuhan pasar. (Sekretaris Kabinet Republik Indonesia, 2012)

Menurut masalah pembangunan

Petani harus cerdik memilih alternatif

tanaman budidaya, sedangkan

pengetahuan mengenai tanaman tersebut tidak mereka ketahui. Petani juga mengabaikan informasi pasar. Konsekuensinya, pemilihan tanaman alternatif tersebut menjadi permasalahan yang kompleks.

Sedikitnya usulan alternatif tanaman berbasis sains, rendahnya transfer pengetahuan teknis, adalah kesulitan utama yang dihadapi petani Indonesia.

Sistem Pendukung Keputusan yang dapat

memberikan usulan tanaman budidaya

alternatif untuk petani

Solusi

Rumusan Masalah

1. Bagaimana menentukan data yang akan digunakan sebagai

atribut dataset serta memastikan data yang didapatkan akurat. 2. Bagaimana membaca data repositori dan kemudian

merubahnya kedalam format kondisi bit kuantum atau Qbit pendek dan menyajikannya dalam sudut kuantum.

3. Bagaimana membuat model atau rule yang akan digunakan untuk subsistem manajemen model pada sistem pendukung keputusan.

4. Bagaimana mengimplementasikan model yang ditemukan untuk mengembangkan aplikasi yang dapat

merekomendasikan tanaman yang akan dibudidayakan oleh petani.

5. Bagaimana mendesain dan membangun sistem pendukung keputusan yang siap dipakai oleh stakeholder.

7

SPETINDO adalah sebuah aplikasi Sistem

Pendukung Keputusan berbasis web yang

membantu penyuluh pertanian dan masyarakat

menentukan jenis tanaman yang paling sesuai

untuk ditanam dilahan tertentu sesuai ciri–ciri

atau karakteristik lahan dan kondisi pasar.

QSE adalah salah satu algoritma Association

Rule Mining. Association Rule Mining bertujuan

untuk

menemukan aturan yang akan

memprediksi terjadinya item berdasarkan pada

kejadian barang-barang lainnya dalam transaksi.

QSE

adalah

hibridisasi

dari

quantum

evolutionary algorithm (QEA) dan particle swarm

optimization (PSO).

Membuat suatu perangkat

lunak yang mampu

memberikan rekomendasi

tanaman yang akan

dibudidayakan oleh petani

Manfaat Aplikasi

System

Administrator

Pengguna Mengelola informasi pupuk

Melihat rekomendasi tanaman budidaya

melihat informasi pencegahan hama

melihat informasi penggunaan pupuk

melihat informasi harga pasar

melihat informasi permintaan pasar Menambah Data Admin

Mengelola informasi hama

Meminta data pencegahan hama

<<include>>

Arsitektur Perangkat Lunak

DBMS

Modul Nasihat

Subsistem Manajemen Berbasis Pengetahuan

Modul Budidaya Modul Profil_Pasar

Subsistem Manajemen Model Berbasis Web Subsistem Antarmuka Pengguna Subsistem Manajemen Data Web Server Lapisan Aplikasi Lapisan Penyimpanan Lapisan Presentasi Data set Kumpulan Model Pengguna Admin 1 2 3 4 5 Pengubahan Dataset ke XML

Praproses Dataset

Mengumpulkan semua data yang

didapat Mengklasifikasikan nilai atribut Mengubah dataset ke dalam bentuk XML

• Atribut pada dataset pertanian di Ponorogo ada 6 kategori atribut meliputi jenis tanaman, jenis tanah, suhu,

ketinggian tanah, luas panen, dan jumlah produksi.

• Jenis tanaman: padi, jagung, kedelai. • Jenis Tanah: aluvial, listosol.

• Suhu: suhu rendah (180_-260 _{C), suhu tinggi (27}0_-310 _C).

• Ketinggian tanah: dataran rendah (<700 m dpl) dan

dataran tinggi (>=700 m dpl).

• Untuk pengelompokkan luas lahan dan hasil produksi panen menggunakan metode histogram di Excel.

Dataset dalam bentuk XML Masuk ke fungsi looping t<-0 Menginisialisasi Q(t) Membuat P(t) dengan mengobservasi state Q(t) Mengevaluasi P(t) dengan dihitung nilai fitness function Menyimpan solusi terbaik diantara P(t) ke B(t) PROSES TRAINING MENGGUNAKAN ALGORITMA QSE

Banyak baris (banyak data) = 63

Banyak kolom (banyak kategori dalam atribut) = 17

Perubahan posisi sudut<=0,5

Proses saat t<-0

Mendapatkan rule dengan mengambil 10 nilai Ya Tidak t<-t+1 Membuat P(t) dengan mengobservasi state Q(t-1) Mengevaluasi P(t) dengan dihitung nilai fitness function Menyimpan nilai terbaik diantara B(t-1) dan P(t) pada B(t)

FUNGSI DI DALAM LOOP PADA ALGORITMA QSE

Mengubah nilai Q(t) menggunakan

PROSES TESTING MENGGUNAKAN METODE JACCARD

Input == rule Tidak Ya Mencocokkan masukan dengan rule yang dihasilkan Mendapatkan keputusan perkiraan hasil panen Penghitungan kemiripan tiap rule dengan masukan menggunakan metode Jaccard

Cari rule yang memiliki tingkat

kemiripan tertinggi dengan

masukan

Rule yang dihasilkan

C P {1,0,0,0,1,1,0,0,1,1, 0,1,0,0,0,1,0} A {0,1,0,1,0,0,1,1,0,1, 0,0,0,0,0,0,0} B Input = {0,0,1,1,0,0,1,1,0, 0,0,0,1,0,0,0,0} Rule=

Arsitektur Perangkat Lunak

DBMS

Modul Nasihat

Subsistem Manajemen Berbasis Pengetahuan

Modul Budidaya Modul Profil_Pasar

Subsistem Manajemen Model Berbasis Web Subsistem Antarmuka Pengguna Subsistem Manajemen Data Web Server Lapisan Aplikasi Lapisan Penyimpanan Lapisan Presentasi Data set Kumpulan Model Pengguna Admin 1 2 3 4 5 Pengubahan Dataset ke XML

Modul Budidaya

•

Rekomendasi Pemupukan

Pada proses ini subsistem manajemen berbasis

pengetahuannya terletak pada:

1. Pengetahuan untuk cara mengukur status hara, 2. Pengetahuan peta status hara,

3. Pengetahuan rekomendasi pemupukan berdasarkan status hara suatu tanah.

•

Informasi Pencegahan Hama

Pada proses ini subsistem manajemen berbasis

pengetahuannya terletak pada pengetahuan

cara pencegahan hama.

Proses Rekomendasi Pemupukan

Mendapatkan Takaran Penggunaan Pupuk Menggunakan Query Mengkalikan Takaran Penggunaan Pupuk dengan Luas Lahan

Mengkalikan Total Kebutuhan Pupuk

Dengan Harga Pupuk

• Takaran pupuk yang cocok sesuai kondisi status hara tanah telah dimasukkan ke database dan menggunakan

query untuk membacanya.

• Takaran pupuk yang sudah didapatkan dengan query kemudian dikalikan dengan luas lahan yang dimiliki.

• Takaran pupuk yang sudah didapatkan kemudian dikalikan dengan harga pupuk saat ini yang disimpan dalam database.

Cara Mengetahui Status Hara Menggunakan Alat-Alat Sederhana Cara Mengetahui Status

Hara Menggunakan Peta Status Hara

Rekomendasi takaran pemupukan dan total

harga pupuk

Rekomendasi Pemupukan

Memilih jenis tanaman yang diserang dan nama

hamanya

Jika hama yang dicari tidak ada, pengguna bisa

request ke admin

Cara pencegahan / penanganan hama yang

menyerang

Modul Profil Pasar

•

Informasi Harga Pasar

•

Informasi Permintaan Pasar

Proses pengambilan data menggunakan metode JSON. Pertama harus diketahui dulu link dari website Kementerian Pertanian untuk mendapatkan data harga pasar dan

permintaan pasar kemudian dicari struktur datanya, setelah itu dibaca menggunakan deserialisasi JSON.

Proses Pengambilan Data Harga Pasar Menggunakan JSON Mendapatkan link website Kementerian Pertanian

Mencari Struktur Data Harga Pasar

Membaca Harga Pasar Menggunakan Deserialisasi JSON

• Pertama harus diketahui dulu link dari website Kementerian Pertanian untuk mendapatkan data harga pasar .

• Mencari struktur data harga pasar menggunakan JSON Parser.

• Membaca data harga pasar menggunakan deserialisasi JSON

23

Informasi Harga Pasar

Memilih parameter tanggal yang ingin diketahui

harga pasarnya Harga pasar semua jenis

Informasi Permintaan Pasar

Memilih parameter jenis tanaman

Permintaan pasar per kabupaten sesuai tanaman yang dipilih

Modul Nasihat

Rekomendasi Tanaman

Proses

pemberian

rekomendasi

tanaman

memberikan hasil perhitungan laba yang

kemungkinan didapatkan petani.

Petani

direkomendasikan untuk menanam tanaman

yang memiliki laba tertinggi.

Subsistem manajemen berbasis pengetahuan

disini berupa pengetahuan dalam menghitung

laba petani yang didapatkan dalam satu kali

musim panen.

Proses Rekomendasi Tanaman

Menghitung Total Pemasukan (Harga pasar * perkiraan hasil panen) Menghitung Total Pengeluaran (biaya sewa tanah + biaya tenaga kerja + biaya pupuk + biaya bibit)

Menghitung laba dan

membandingkannya diantara 3 jenis

tanaman

• Perkiraan hasil panen didapatkan dari hasil pengolahan

model yang dibentuk menggunakan algoritma QSE.

Harga pasar didapatkan dari data website Kementerian Pertanian.

• Biaya pemupukan didapatkan dari hasil perhitungan pada modul budidaya. Biaya bibit dihitung melalui query yg datanya sudah disimpan dalam database.

• Laba dihitung dari total pemasukan dikurangi pengeluaran.

27

Modul Nasihat

Memasukkan karakteristik lahan yang dimiliki dan pengeluaran biaya budidaya

Teknik validasi model untuk menilai bagaimana hasil analisis statistik akan generalisasi ke set data independen.

Untuk memperkirakan seberapa akurat model prediktif akan tampil dalam praktek. Pada

pengujian ini akan menggunakan 10 putaran (k).

K-Fold Validation

Di mana:

adalah nilai prediksi hasil panen, adalah nilai output hasil panen asli, n adalah jumlah data testing.

Mean Square Error

29

n MSE Akurasi 1 0,5 50% 2 0,625 37,5% 3 0,75 25% 4 0,75 25% 5 0,75 25% 6 0,5 50% 7 0,875 12,5% 8 0,75 25% 9 0,75 25% 10 0,5 50% Rata-Rata 32,5%

Pengujian Akurasi

31

Kesimpulan

1. Data pertanian dari Dinas Pertanian Ponorogo yang

digunakan sebagai dataset berupa data jenis tanaman, jenis

tanah, suhu, ketinggian tanah, luas lahan dan hasil panen

memiliki tingkat akurasi rata-rata 32,5%. Akurasi yang rendah tersebut kemungkinan didapatkan karena

keterbatasan data serta datanya kurang variatif atau algoritma yang digunakan kurang cocok.

2. Algoritma Quantum Swarm Evolutionary dapat digunakan

untuk membuat model yang digunakan untuk subsistem manajemen model pada aplikasi sistem pendukung

keputusan pembudidayaan tanaman. Metode untuk

memilih model yang cocok digunakan metode Jaccard.

Kesimpulan

3. Hasil dari model yang ditemukan diolah dengan data harga pasar dan beberapa data pengeluaran seperti biaya sewa tanah, biaya sewa pekerja, biaya pembibitan dan biaya

pemupukan untuk mendapatkan nilai laba yang digunakan sebagai nilai rekomendasi untuk tanaman yang akan

dibudidayakan oleh petani.

4. Aplikasi SPETINDO untuk sementara dapat diakses di riset.ajk.if.its.ac.id/spetindo, dan siap menjadi sistem

pendukung keputusan pembudidayaan tanaman yang siap

dipakai oleh stakeholder.

33

Saran

1. SPETINDO memiliki nilai akurasi yang rendah

kemungkinan disebabkan oleh dataset yang kurang

banyak dan kurang bervariatif. Sehingga

dibutuhkan dataset yang lebih lengkap untuk

pengembangan lebih lanjut.

2. Aplikasi ini untuk pengembangan selanjutnya dapat bekerjasama dengan disatukan melalui website

sebuah Dinas Pertanian agar penggunaannya lebih

tepat sasaran dan bermanfaat.

3. Aplikasi ini dalam pengembangan selanjutnya bisa

dibuatkan versi mobile-nya agar lebih mudah untuk

diakses oleh semua kalangan.

4. Aplikasi ini dalam pengembangan selanjutnya bisa dibuatkan lebih dari tiga jenis tanaman alternatif pilihan.