Case Based Reasoning (CBR) Untuk Pendeteksi Penyakit Pada
Tanaman Kacang Kedelai Berbasis Web
Erni Sulastri, Eneng Tita Tosida, Fajar Delli
Program Studi Ilmu Komputer FMIPA Universitas Pakuan Jl. Pakuan PO BOX 452, Bogor Jawa Barat
Telp/Fax (0251) 8312206 Email :[email protected]
ABSTRAK
Kedelai merupakan tanaman pangan berupa semak yang tumbuh tegak. Seiring waktu, pertumbuhan kacang kedelai tidak lepas dari penyakit yang mengganggu perkembangannya. Untuk mengetahui penyakit yang menyerang tanaman kacang kedelai, maka perlu dilakukan suatu identifikasi untuk mengetahui penyakit kacang kedelai melalui sebuah sistem pakar menggunakan metode Case Based Reasoning. Data dari UCI Learning ada 100 data kasus dengan 15 penyakit dan 9 atribut dengan 28 gejala yang dimasukan kedalam sistem. Pengujian dilakukan dengan perbandingan output sistem dengan kesimpulan data menggunakan 10 data baru, 40 data, 50 data dan 100 data. Hasil akurasinya berturut-turut sebesar 94%, 96,5%, 99,2%, dan 99,8%. Dengan akurasi 99,8% dari pengujian 50 data baru menunjukan sistem lebih teruji, dan menunjukan bahwa sistem yang dibangun dapat melakukan diagnosa penyakit dengan memberikan hasil diagnosa yang sesuai walaupun menggunakan data baru. Sistem pendeteksi penyakit tanaman kacang kedelai dengan metode Case Based Reasoning ini memiliki kinerja sistem yang baik untuk memberikan solusi yang akurat baik ketika menyelesaikan permasalahan dengan kasus data yang sudah terdapat di dalam basis pengetahuan, maupun menyelesaikan permasalahan dengan kasus data yang belum ada di dalam basis pengetahuan.
Kata Kunci : UCI Learning, Case Based Reasoning, Penyakit Kacang Kedelai.
PENDAHULUAN
Kedelai merupakan tanaman pangan berupa semak yang tumbuh tegak. Jenis kedelai liar Glycine ururiencis, merupakan kedelai yang menurunkan berbagai kedelai yang kita kenal sekarang (Glycine max (L.)
merril). Berasal dari daerah Manshukuo
(Cina Utara). Di Indonesia, kacang kedelai dibudayakan mulai abad ke-17 sebagai tanaman makanan dan pupuk hijau. Penyebaran tanaman kedelai ke Indonesia berasal dari daerah Manshukuo menyebar ke daerah Mansyuria, Jepang (Asia Timur) dan ke negara-negara lain di Amerika dan Afrika dan ke negara-negara lain di Amerika dan Afrika (Deptan, 2007).
Pertumbuhan kacang kedelai tidak lepas dari penyakit yang menyerang atau mengganggu perkembangannya. Untuk mengidentifikasi penyakit kacang kedelai maka harus diamati beberapa hal yang menjadi karakteristik berbagai jenis penyakit tersebut, diantaranya waktu tanam tanaman, kondisi daun, temperatur lingkungan, luas area tanaman yang diserang penyakit, kondisi akar, kondisi buah dan lain-lain.
Penelitian terdahulu dilakukan oleh Noviyanti (2015), penelitian tersebut membuat sebuah sistem pendeteksi penyakit tanaman kacang kedelai menggunakan
Naive Bayes. Data yang diperoleh dari UCI Learning, dengan menggunakan 264 data
penyakit dengan 10 dan 35 atribut gejala. Nilai akurasi yang diperoleh dari pengujian, didapat akurasi sebesar 76% untuk jumlah 10 atribut dan nilai akurasi sebesar 82% untuk jumlah 35 atribut. Selain itu Farisi M.A (2014), membuat sistem pakar dengan menggunakan metode Cartainty Factor dalam mengidentifikasi penyakit kedelai. Sistem ini mendiagnosa 9 jenis penyakit dengan 21 gejala. Destarianto Prawidya (2012), sistem pakar pendiagnosa hama dan penyakit kedelai menggunakan metode
Inference Tree dan Forward Chaining. Data
yang digunakan sebanyak 12 jenis hama dan 4 penyakit.
Pengembangan dari penelitian tersebut akan membuat sebuah sistem diagnosa penyakit kacang kedelai dengan menggunakan metode yang berbeda yaitu menggunakan metode penalaran Case Based
Reasoning dan perhitungan Similarity.
Manfaat dari penelitian ini, diharapkan dapat digunakan sebagai alat bantu yang mempermudah untuk seorang pakar atau peneliti dalam mendeteksi penyakit pada kacang kedelai dan bagi petani dalam penyuluh pertanian yang menggunakan sistem ini, sehingga dapat lebih mengetahui dan mengerti akan penyakit yang menyerang pada tanaman kacang kedelai.
METODE PENELITIAN
Dalam metode penelitian ini, akan dijelaskan proses pembuatan sistem serta langkah-langkah yang sesuai dengan tahapan sistem pakar termasuk pengumpulan data. Tahapan-tahapan tersebut dijelaskan dalam skema seperti pada gambar 1.
Gambar 1. Tahapan Penelitian a. Tahap Penilaian
Kegiatan pada tahapan penilaian adalah mendefinisikan masalah dan tujuan secara umum pada sistem yang akan dibangun. Kemudian dilakukan verifikasi antara sistem pakar yang akan dibuat dengan masalah dan tujuan yang telah didefinisikan.
b. Tahap Akuisisi Pengetahuan
Pada tahap akuisisi pengetahuan yang dilakukan adalah menentukan sumber pengetahuan. Dalam penyusunan sistem pakar pendeteksi penyakit kacang kedelai ini, yaitu melakukan proses pengumpulan data dan pengorganisasian pengetahuan dari
UCI Learning Repository yang berua dataset.
c. Tahap Desain
Tahap perancangan atau desain adalah proses pembutaan desain dari sistem identifikasi yang mencakup perancangan sistem secara umum dan perancangan antar muka.
d. Tahap Pengujian
Pada tahap pengujian sistem yang telah dibuat akan diuji kembali.
e. Tahap Dokumentasi
Pada tahap dokumentasi dilakukan dengan membuat diagram atau kamus user agar dapat mempermudah user dalam memahami sistem yang telah dibangun.
Tahap pemeliharaan atau tahap maintenace adalah tahap untuk melakukan pemeliharaan/maintenance terhadap sistem yang dibuat sesuai dengan kebutuhan user.
PERANCANGAN DAN IMPLEMENTASI a. Penilaian
Sudah banyak sistem yang dikembangkan untuk mengidentifikasi penyakit kacang kedelai dengan berbagai metode. Namun masih banyak sistem yang belum maksimal melakukan identifikasi, salah satu solusi yaitu dengan dibuatnya sistem pakar mengenai identifikasi penyakit kacang kedelai menggunakan metode case based
reasoning.
b. Tahap Akuisisi Pengetahuan
Sumber data yang digunakan dalam penelitian berasal dari UCI Learning (http://archive.ics.uci.edu/ml/datasets) yaitu terdiri dari 15 (lima belas) penyakit seperti
diaporthe-stem-canker, charcoal-rot, rhizoctonia-root-rot, phytophthora-rot, dan
lain-lain. Setiap penyakit terdiri dari 35 atribut atau gejala serta faktor-faktor penyebab adanya penyakit yang menyerang tanaman kacang kedelai seperti Date, Precip, Temp, Crop-hist, area-damaged,
dan lain-lain. Namun setelah dilakukan seleksi atribut-atribut gejala dengan menghilangkan atribut yang banyak memiliki nilai 0 dan diantaranya tidak adanya nilai bobot untuk atribut gejala, atribut tersebut tidak dimasukan kedalam sistem, maka dari itu atribut yang pada awalnya berjumlah 35 atribut, setelah dilakukan seleksi menjadi 9 atribut dengan 28 gejala. Untuk data penyakit lebih lengkapnya bisa dilihat pada lampiran 1. Tabel 1. Deskripsi Data Atribut Gejala dan Data Bobot Gejala
N o
Atribut Gejala Bobot
Gejala 1 Date/Waktu Tanam - April - Mei - Juni - Juli - Agustus - September - Oktober 0,10 0,10 0,80 1 1 0,80 0,70 2 Plant-stand/Tanam an Berdiri - Normal - Tidak Normal (layu) 0,10 0,20 3 Precip/Curah Hujan (350-550 mm) - Dibawah Normal - Normal - Diatas Normal 0,70 0,10 0,55 4 Temp/Suhu Udara (250C– 280C) - Dibawah Normal - Normal - Diatas Normal 0,60 0,10 0,55 5 Area-demaged/Da erah Yang Rusak - Tersebar - Daerah Rendah - Daerah Tinggi 0,60 0,55 0,60 6 Germination/ Perkecamba han - 90-100% - 80-89% - Dibawah 80% 0,20 0,55 0,60 7 Leaves/Daun - Normal - Tidak Normal 0,10 0,68 8 Leafspots-halo/Lingkar an Bercak Daun - Tidak Ada - Hampir Kuning - Hampir Tidak Kuning 0,10 0,75 0,60 9 Leafspot-size/Ukuran Bercak Daun - 1mm - Diatas 1mm 0,50 0,75 c. Flowchart Sistem.
Flowchart yaitu untuk representasi grafik dari langkah-langkah yang harus diikuti dalam menyelesaikan suatu permasalahan yang diawali dengan penerimaan input, pemrosesan input, dan diakhiri dengan penampilan output.
Gambar 2. Perancangan Flowchart Sistem.
Gambar 3. Alur Metode Case Based
Reasoning (CBR)
Similarity adalah pendekatan untuk mencari kasus dengan menghitung kedekatan antara kasus baru dengan kasus lama, yaitu berdasarkan pada pencocokan bobot dari sejumlah fitur yang ada.
Adapun rumus untuk melakukan perhitungan kedekatan antara dua kasus adalah sebagai berikut.
Similarity (problem, case) =
∗ ∗ … … ∗
… …
S = similarity (nilai kemiripan) yaitu 1 (sama) dan 0 (beda)
W = weight (bobot yang diberikan)
HASIL DAN PEMBAHASAN
Hasil yang didapat dari pembuatan Sistem Identifikasi Penyakit Tanaman Kacang Kedelai Menggunakan Metode Case
Based Reasoning akan dijelaskan seperti
berikut ini:
a. Implementasi pada tahap retrieve
Pada tahap retrieve merupakan proses pencarian kemiripan kasus baru dengan kasus lama yang tersimpan dalam basis pengetahuan. Misalkan diketahui data yang diinputkan sebagai berikut :
Gambar 4. Halaman Diagnosa Input
Gejala
Pada tahap reuse solusi diagnosa yang diberikan adalah solusi yang memiliki nilai
similarity/kemiripan tertinggi antara kasus
lama dengan baru. Dalam kasus diatas setelah semua gejala dimasukan lalu klik simpan, kemudian akan muncul hasil nilai similarity. Dari hasilnya nilai similarity yang tertinggi terdapat pada penyakit Brown-spot dengan nilai kemiripan 65% atau 0,650 di perhitungan manual. Jadi penyakit yang di alami oleh pengguna adalah penyakit
Brown-spot, kemudian sistem menampilakan informasi hasil diagnosa berupa hasil penyakit, definisi dan solusi yang ditunjukan pada Gambar 5.
Gambar 5. Hasil Diagnosa Penyakit c. Implementasi pada tahap revise
Meninjau kembali solusi yang diusulkan kemudian mengetesnya pada kasus nyata (simulasi) dan jika diperlukan memperbaiki solusi tersebut agar cocok dengan kasus yang baru.
d. Implementasi pada tahap retain
Tahap retain adalah tahap yang berperan untuk mengatur manajemen pengetahuan pada sistem. Tahap ini menyimpan kasus kedalam basis pengetahuan yang nantinya akan digunakan untuk memecahkan kasus baru. Manajemen basis pengetahuan diatur pada halaman relasi. Admin memasukan gejala dan penyakit kemudian menghubungkan gejala dengan penyakit yang sesuai dengan data penyakit yang didapatkan dari data UCI
Learning. Halaman relasi ditunjukan pada
Gambar 6.
Gambar 6. Tahap Relasi
Uji coba validasi dilakukan untuk mengetahui apakah data pada sistem sudah valid atau belum. Uji coba validasi dilakukan dengan cara perbandingan output sistem (CBR) 200 data kasus baru dengan kesimpulan data (UCI Learning).
Perbandingan dilakukan dengan empat kali percobaan, yaitu pertama dengan 10 data, kedua dengan 40 data, ketiga dengan 50 data kasus baru dan keempat dengan 100 data baru.
Perbandingan antara output sistem data kasus baru dengan kesimpulan data UCI
Learning dilakukan dengan membandingkan lima kasus penyakit tertinggi yang dihasilkan oleh sistem dan kemungkianan penyakit yang disimpulkan oleh data UCI Learning.
Setelah dilakukan empat kali percobaan tersebut, berikut secara keseluruhan hasil akurasi dari perbandingan output sistem data kasus baru dengan kesimpulan data UCI Learning pada tabel 2. Dan perbandingan dari keempat percobaan secara grafis dapat dilihat pada gambar 7.
Tabel 2. Hasil akurasi dari empat percobaan No Jumlah Data Baru Akurasi
1 10 94%
2 40 96,5%
3 50 99,2%
Gambar 7. Grafik Hasil Akurasi
Perbandingan Data Baru
Dari hasil akurasi tersebut dapat disimpulkan bahwa pengujian dengan data baru, pengujian dengan 100 data kasus baru lebih teruji dengan mendapatkan nilai akurasi sebesar 99,8%. Dengan akurasi tersebut menunjukan bahwa sistem semakin teruji dengan menggunakan banyaknya data uji coba. Dan sistem memberikan hasil yang sesuai dengan kesimpulan data dari UCI
Learning walaupun menggunakan data baru
yang belum tersimpan pada sistem.
Proses sistem melakukan perhitungan diagnosa memerlukan beberapa waktu tergantung dengan banyaknya data yang ada. Percobaan pertama dengan 10 data memerlukan waktu diagnosa 2 detik. Percobaan kedua dengan 40 data memerlukan waktu diagnosa sekitar 5 detik. Percobaan ketiga dengan 50 data membutuhkan waktu 9 detik. Percobaan keempat dengan 100 data memerlukan waktu sekitar 15 detik.
Gambar 8. Grafik Hasil Kinerja Sistem
Diagnosa
KESIMPULAN DAN SARAN Kesimpulan
Jumlah keseluruhan data dari UCI
Learning adalah 307 data kasus dengan 15
penyakit dengan masing-masing penyakit memiliki 35 atribut gejala. Namun dilakukan seleksi atribut gejala yang tidak memiliki nilai bobot gejala. Setelah dilakukan penyeleksian, didapat 9 atribut dengan 28 gejala yang dimasukan kedalam sistem dan menggunakan 100 data kasus lama untuk sementara yang dapat ditambahkan lagi bila diperlukan.
Pengujian sistem dilakukan dengan perbandingan output sistem (CBR) 100 data kasus lama dengan kesimpulan data (UCI
Learning) dan perbandingan output sistem(CBR) 100 data kasus baru dengan kesimpulan data (UCI Learning). Hasil dari perbandingan output sistem (CBR) 100 data kasus lama didapat hasil akurasi sebesar 100%, menunjukan sistem memberikan hasil kesimpulan diagnosa yang lebih baik jika data input menggunakan data yang sudah ada. Sedangkan untuk perbandingan output sistem (CBR) 200 data kasus baru dengan empat kali percobaan. Percobaan pertama dengan pengujian 10 data kasus baru menghasilkan nilai akurasi sebesar 94%. Percobaan kedua pengujian 40 data baru menghasilkan akurasi sebesar 96,5%. Percobaan ketiga dengan pengujian 50 data baru menghasilkan akurasi 99,2%. Percobaan keempat dengan pengujian 100 data baru menghasilkan akurasi 99,8%.
Dengan akurasi 99,8% dari pengujian 100 data baru menunjukan sistem lebih teruji, dan menunjukan bahwa sistem yang dibangun dapat melakukan diagnosa penyakit dengan memberikan hasil diagnosa yang sesuai walaupun menggunakan data baru.
Saran
Penelitian ini bisa dikembangkan dengan menggunakan data dalam jumlah besar sehingga menambah nilai akurasi. Selain itu juga sistem ini dapat
90% 92% 94% 96% 98% 100% 102% 10 40 50 100
Jumlah Data Baru
Kasus Baru
Kasus Baru 0 10 20 30 40 50 60 70 80 90 100 2s 5s 9s 15s WaktuKinerja Sistem
Kinerja Sistemdikembangkan dengan menggunakan seluruh atribut yang ada tanpa seleksi guna menambah nilai akurasi.
Dalam tahap pengembangan selanjutnya, sistem identifikasi ini dapat dikembangkan menjadi lebih praktis dalam bentuk mobile programming.
DAFTAR PUSTAKA
Aniba, M.R. et al. 2008. Knowladge-Based
Expert System and a Proof-of-concept Case Study For Multiple Sequence Alignment Construction and Analysis. Oxford Journals. 10/1:
11-23
Chairani, 2014 Rancang Bangun Sistem
Pakar Pendiagnosa Penyakit Paru-Paru Menggunakan Metode Case Based Reasoning. Jurusan Teknik Informatika, IBI Darmajaya, Bandar Lampung.
Chusnul, I. 2013. Penerapan Case Based
Reasoning Dengan Algoritma Nearest Neighbor untuk Analisis Pemberian Kredit di Lembaga Pembiayaan. Skripsi. Jurusan Manajemen Informatika Fakultas Teknik Universitas Negeri Surabaya, Surabaya.
Destarianto Prawidya. 2012. Penerapan
Metode Inference Tree dan Forward Chaining dalam Sistem Pakar Diagnosis Hama dan Penyakit Kedelai Edamame Berdasarkan Gejala Kerusakannya. Skripsi. Jurusan Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Pakuan, Bogor
Farisi, M.A. 2014. Pengembangan Sistem
Diagnosis Penyakit Kedelai Menggunakan Metode Certainty Factor. Jurusan Teknik Elektro,
Fakultas Teknik, Universitas Negeri Semarang. Semarang
Michalski, R.S & R.L Chilausky. 1980. An
Experimental Comparison of the Two Methods of Knlowladge Acquisition in the Context of Developing an Expert System for Soybean Disease Diagnosis.
www.ics.uci.edu/~mlearn/MLRReposit ory.html15 Maret 2016
Michalski, R. S. et al. 1983. A
Computer-Based Advisory System for Diagnosis Soybean Diseases in Illinois.
American
Noviyanti, 2015. Sistem Identifikasi Penyakit Tanaman Kacang Kedelai Menggunakan Metode Naive Bayes. Skripsi. Jurusan Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Pakuan, Bogor.
Prakoso Irlando Moggi et al. 2012.
Penerapan Case-Based Reasoning Pada Sistem Cerdas untuk Pendeteksian dan penanganan Dini Penyakit Sapi. Fakultas Teknologi Informasi, Institut Teknologi Sepuluh November, Surabaya.
Pratama, W.R. et al. 2013. Rancang
Bangun Aplikasi Sistem Pakar untuk Menentukan Penyakit Pada Tanaman Kedelai. Jurnal Sistem Informasi. 2/2: 36-46
