Sistem Pakar Diagnosis Hama-Penyakit Pada Tanaman Sedap Malam Menggunakan Metode Naïve Bayes-Certainty Factor Berbasis Android

(1)

Fakultas Ilmu Komputer

153

Sistem Pakar Diagnosis Hama-Penyakit Pada Tanaman Sedap Malam

Menggunakan Metode

Naïve Bayes-Certainty Factor

Berbasis Android

Ali Syahrawardi1_{, Nurul Hidayat}2_{, Donald Sihombing}3

1,2_{Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya} 3_{Balai Pengkajian Teknologi Pertanian (BPTP) Jawa Timur}

Email: 1_{aligazkawa@gmail.com,}2_{ntayadih@ub.ac.id,}3_{donaldsiltoru@yahoo.com}

Abstrak

Sedap malam merupakan salah satu tanaman hias populer di Indonesia, bunga sedap malam paling banyak digunakan oleh masyarakat Indonesia sebagai bunga tabur, rangkaian penghias pada acara dan bahan kosmetik, karena mengandung minyak atsiri. Di Indonesia tanaman sedap malam banyak dibudidayakan di Kecamatan Bangil dan Kecamatan Rembang Kabupaten Pasuruan, serta daerah lain seperti Banyuwangi, Cianjur, dan Magelang. Namun, tingkat produksi tanaman sedap malam masih rendah karena benih yang digunakan masih sembarangan dan serangan hama-penyakit, sehingga berdampak pada produktivitas dan kualitas bunga. Saat ini sumber daya pakar tanaman sedap malam masih terbatas, sehingga dibutuhkan sebuah sistem pakar yang dapat menggantikan peran pakar dalam mendiagnosis hama-penyakit tanaman sedap malam. Pada penelitian ini mengimplementasikan sistem pakar untuk mendiagnosis hama-penyakit tanaman sedap malam menggunakan metode Naïve Bayes-Certainty Factor berbasis android. Hasil uji coba menunjukkan penggunaan metode Naïve Bayes-Certainty Factor memiliki ketepatan hasil diagnosis yang baik dan akurat, karena keluaran yang dihasilkan oleh sistem mempunyai tingkat keakuratan sebesar 86,67% dan sistem yang telah dibuat memiliki tingkat kepuasan pengguna sebesar 3,255823.

Kata kunci: sistem pakar, sedap malam, naïve bayes, certainty factor, android

Abstract

Sedap malam are one of the most popular decorative plants in Indonesia, sedap malam flower’s mostly used by Indonesia in many ways such as for flowers of sow, decorative stuff and cosmetic material, because it contains essential oils. In Indonesia, many Indonesian people started to cultivate sedap malam. Sedap malam are mostly cultivated in Bangil and Rembang sub-districts of Pasuruan Regency, as well as other areas such as Banyuwangi, Cianjur, and Magelang. However, sedap malam production levels is still low because of the seeds used are still arbitrary and pest and disease attacks, resulting in an impact on productivity and quality of interest. Nowadays we are lacking amount of the expert systems of sedap malam that is needed to replace the experts to diagnose the pests that cause diseases of sedap malam. This research implements the expert system that can diagnose the pests cause some diseases on sedap malam using Naïve Bayes-Certainty Factor method. Based on trials, by using Naïve Bayes-Certainty Factor method, the calculation accuracy of the diagnose is good and accurate. The outcome of the calculation of this method is 86,67% and the system level of satisfication is 3,255823.

Keywords: expert system, sedap malam, naïve bayes, certainty factor, android

1. PENDAHULUAN

Tanaman sedap malam termasuk famili

Amaryllidaceae dengan nama latin Polianthes tuberosa L. Tanaman berasal dari Mexico. Bunga sedap malam banyak digunakan sebagai bunga tabur, rangkaian penghias pada acara pesta pernikahan dan upacara adat, serta bahan kosmetik karena mengandung minyak atsiri

(2)

tanaman sedap malam pada tahun 2015 di Indonesia didominasi daerah Jawa Timur sebanyak 55,84 %, disusul provinsi Jawa Tengah dengan presentase 37,84 %, dan sisanya berasal dari provinsi lain (BPS, 2015).

Tingkat produksi tanaman sedap malam masih rendah karena benih yang digunakan masih sembarangan dan serangan hama dan penyakit, sehingga berdampak pada produktivitas dan kualitas bunga. Hama dan penyakit pada tanaman sedap malam ada berbagai macam yang dapat menyebabkan kerusakan ringan sampai gagal panen diantaranya bercak daun, busuk bunga, kutu dompolan (cabuk putih), kutu perisai dan thrips.

Agar produktivitas dan kualitas bunga sedap malam terjaga dari serangan hama atau penyakit, dibutuhkan seorang pakar tanaman sedap malam yang dapat menentukan jenis hama atau penyakit apa yang menyerang dan penanganannya secara langsung. Pada kenyataannya, seorang pakar khususnya pada komoditas tanaman hias saat ini masih jarang tersebar di berbagai daerah di Indonesia. Oleh karena itu dibutuhkan suatu sistem yang dapat bekerja seperti seorang pakar khususnya dalam mendiagnosis hama dan penyakit pada bunga sedap malam serta penanganannya, sehingga produktivitas, kualitas bunga, dan budidaya sedap malam semakin berkembang.

Dalam dunia komputer, sistem yang bekerja seperti pakar biasa disebut sebagai sistem pakar atau expert system. Sistem pakar ini nantinya mengimplementasikan wawasan dan ilmu pakar dalam mendeteksi dan memberikan solusi penanganan terhadap penyakit baik manusia, hewan, dan tanaman termasuk tanaman sedap malam (Kusumadewi, 2003).

Certainty Factor menyatakan kepercayaan dalam sebuah kejadian (fakta atau hipotesa) berdasar bukti atau penilaian pakar (Turban, 2005). Certainty Factor memiliki tingkat keakuratan yang lebih tinggi dibandingkan dengan metode lainnya karena cara penghitungannya yang hanya dapat membandingkan tiap dua nilai saja (Sutojo, 2011).

Naïve Bayes merupakan teknik probabilitas yang mampu menyelesaikan masalah ketidakpastian dengan konsep probabilitas hipotesis dan evidence (Hardika, 2014). Teknik probabilitas ini dapat digunakan dalam memprediksi suatu penyakit yang diderita oleh seseorang.

Berdasarkan uraian tersebut, penulis mengusulkan sebuah penelitian yang berjudul

“Sistem Pakar Diagnosis Hama-Penyakit Pada Tanaman Sedap Malam Menggunakan Metode

Naïve Bayes-Certainty Factor Berbasis

Android”. Dengan menggunakan metode Naïve Bayes, sistem pakar dapat mendiagnosis hama-penyakit tanaman sedap malam dengan menghitung nilai probabilitas prior dari setiap hama-penyakit berdasarkan inputan gejala yang muncul pada tanaman sedap malam. Metode

Certainty Factor akan menghitung nilai keyakinan dari hasil diagnosis dari penghitungan metode Naïve Bayes. Aplikasi sistem pakar ini diharapkan dapat membantu pengguna dalam mendiagnosis jenis hama-penyakit pada tanaman sedap malam dan mengetahui cara penanganan terhadap hama dan penyakit pada tanaman sedap malam.

2. SEDAP MALAM (POLIANTHES TUBEROSA L.)

2.1 Sekilas Tentang Sedap Malam

Sedap malam (Polianthes Tuberosa L.) adalah salah satu jenis tanaman hias. Sedap malam termasuk maskot bunga di Jawa Timur dari tahun 1986. Wilayah di Jawa Timur yang memiliki perkebunan tanaman sedap malam ini diantaranya Pasuruan dan Banyuwangi. Tanaman ini memiliki aroma atau bau yang harum serta memiliki banyak manfaat. Pada kegiatan hari besar seperti menjelang Idul Fitri, Natal, maupun musim nikah, kebutuhan konsumen terhadap bunga sedap malam sangat meningkat.

Berikut ini adalah klasifikasi dan morfologi bunga sedap malam (Suryanto, 2010):

 Kingdom: Plantae

 Spesies: Polianthes tuberosa

2.2 Hama dan Penyakit

(3)

yang lebih berat dapat menimbulkan kegagalan panen dan kematian tanaman yakni kematian pada tumbuhan yang diserang hama dan penyakit. Beberapa hama dan penyakit yang biasanya menyerang tanaman sedap malam diantaranya adalah (Suryanto, 2010):

1. Thrips (Taeniothrips sp.)

2. Kutu Dompolan (Dysmicoccus brevipessp.)

3. Kutu perisai (Pseudococus sp.)

4. Penyakit Bercak Daun (Xanthomonas sp.)

5. Penyakit Bercak Hitam (Fusarium oxysporum)

6. Layu Fusarium (Fusarium xyllarioides)

7. Busuk Bunga (Botrytis sp.)

Serangan-serangan pada tanaman sedap malam tersebut dapat diantisipasi atau dicegah dengan berbagai cara, salah satunya adalah dengan cara penyemprotan dengan menggunakan pestisida yang sesuai dosis anjuran pakar.

3. NAÏVE BAYES CLASSIFIER

Menurut Fauziyah (2012), metode Naïve Bayes Classifier adalah suatu classifier probabilistic simple yang berdasarkan pada teorema Bayes pada umumnya, inferensi Bayes khususnya dengan asumsi independensi yang kuat (naïve). Pada prosesnya, Naïve Bayes Classifier mengasumsikan bahwa ada atau tidaknya suatu fitur pada suatu kelas tidak berhubungan denga nada atau tidaknya fitur lain di kelas yang sama. Teorema Bayes dikemukan oleh seorang ilmuan pada abad 18 yang bernama Thomas Bayes. Teorema Bayes adalah sebuah pendekatan untuk sebuah ketidaktentuan yang diukur dengan probabilitas. Pada saat klasifikasi, pendekatan Bayes akan menghasilkan label kategori yang paling tinggi probabilitasnya. Penghitungan metode Naïve Bayes dapat dilakukan dengan langkah-langkah sebagai berikut:

1. Mencari nilai prior untuk tiap-tiap kelas

dengan menghitung rata-rata tiap kelas

dengan menggunakan persamaan 3.1.

P =𝑋 𝐴

Dimana,

P = Nilai prior

X = Jumlah data tiap kelas

A = Jumlah data seluruh Kelas

2. Mencari nilai likelihood untuk tiap-tiap kelas

dengan persamaan 3.2.

L =𝐹 𝐵

Dimana,

L = Nilai likelihood

F = Jumlah data fitur tiap kelas

B = Jumlah seluruh data tiap kelas

3. Mencari nilai posterior dari tiap kelas yang ada menggunakan persamaan 3.3.

P(c)∏ 𝑃(𝑎|𝑐)

Dimana,

P(c) = Nilai prior tiap kelas P(a|c) = Nilai likelihood

Hasil klasiifikasi kelas dengan menggunakan metode Naïve Bayes dilakukan dengan membandingkan nilai posterior dari kelas-kelas yang ada. Nilai posterior yang paling tinggi yang terpilih sebagai hasil klasifikasi.

4. CERTAINTY FACTOR

Dalam aplikasi sistem pakar terdapat suatu metode untuk menyelesaikan masalah ketidakpastian data, salah satu metode yang dapat digunakan adalah faktor kepastian (certainty factor). Faktor keyakinan diperkenalkan oleh Shortliffe Buchanan dalam pembuatan MYCIN (Wesley). Certainty factor

(CF) merupakan nilai parameter klinis yang diberikan MYCIN untuk menunjukan besarnya kepercayaan.

Ada 2 macam faktor kepastian yang digunakan, yaitu faktor kepastian yang diisikan oleh pakar bersama dengan aturan dan faktor kepastian yang diberikan oleh pengguna. Faktor kepastian yang diisikan oleh pakar menggambarkan kepercayaan pakar terhadap hubungan antara antacedent dan konsekuen. Sementara itu faktor kepastian dari pengguna menunjukan besarnya kepercayaan terhadap keberadaan masing-masing elemen dalam antacedent (Saputro, et. al, 2011).

Faktor kepastian (certainty factor) menyatakan kepercayaan dalam sebuah kejadian (fakta atau hipotesa) berdasar bukti atau penilaian pakar (Turban, 2005). Certainty factor

(4)

derajat keyakinan seorang pakar terhadap suatu data.

CF gabungan merupakan nilai CF akhir dari sebuah calon konklusi. CF gabungan diperlukan apabila suatu konklusi diperoleh dari aturan sekaligus. CF akhir dari suatu aturan dengan aturan yang lain digabungkan untuk mendapatkan nilai CF akhir untuk calon konklusi tersebut. Rumus untuk melakukan penghitungan CF gabungan ditunjukkan pada persamaan 4.1.

CF1 + CF2 (1-CF1), jika CF1 ≥ 0 dan CF2 ≥ 0 CF1 + CF2 , jika CF1 < 0 1 – min[CF1||CF2] atau CF2 < 0CF1 + CF2(1+CF1), jika CF1 ≤ 0 dan CF2 ≤ 0

5. METODE

Penelitian ini menggunakan metode naïve bayes-certainty factor untuk mendiagnosis hama-penyakit tanaman sedap malam.

Gambar 1 menunjukkan diagram alir secara umum proses diagnosis dari metode yang digunakan. Dari Gambar 4.2 dapat dilihat penjelasan secara rinci dari proses diagnosis hama-penyakit tanaman hias sedap malam menggunakan metode naïve bayes-certainty factor berbasis android adalah sebagai berikut: 1. Data masukan gejala didapat dari masukan

pengguna, dimana sebelum memulai proses diagnosis pengguna diharuskan memilih gejala yang muncul pada tanaman sedap malam.

2. Menghitung nilai probabilitas prior masing-masing hama-penyakit yang muncul pada data uji.

3. Menghitung nilai probabilitas likelihood dari masing-masing gejala yang dimasukkan oleh pengguna yang ada pada setiap jenis hama-penyakit yang muncul pada data uji.

4. Menghitung nilai probabilitas posterior

dengan mengalikan nilai probabilitas prior

masing-masing hama-penyakit dengan nilai probabilitas likelihood dari masing-masing gejala masukan pada hama-penyakit. Jenis hama-penyakit yang memiliki nilai probabilitas posterior tertinggi, akan dipilih sebagai hasil proses diagnosis. Hasil dari proses diagnosis berupa hama-penyakit yang menyerang tanaman sedap malam beserta cara penanganannya.

5. Menghitung nilai keyakinan (CF) hama-penyakit tanaman sedap malam dari hasil proses diagnosis menggunakan metode naïve bayes. Nilai keyakinan didapat dari hasil

mengalikan nilai bobot keyakinan pakar hama-penyakit dengan nilai keyakinan pengguna (sesuai dengan gejala yang dimasukkan).

6. Keluaran akhir menampilkan nama dan jenis hama-penyakit berdasarkan hasil proses diagnosis dari metode yang digunakan, nilai keyakinan terhadap hasil diagnosis dan cara penanganan hama-penyakit.

Langkah – langkah algoritme Naïve Bayes-Certainty Factor pada penelitian ini dapat dilihat pada Gambar 1.

Gambar 1. Diagram Alir Proses Diagnosis Metode Naïve Bayes-Certainty Factor

5.1 Menghitung Nilai Prior

Gambar 2. Diagram Alir Penghitungan Nilai Prior

Proses menghitung nilai probabilitas

prior merupakan awal proses diagnosis

(5)

menggunakan metode naïve bayes. Pada proses ini melibatkan data latih dalam mencari seberapa banyak kemunculan masing-masing hama-penyakit pada data latih, dan juga mencari seberapa banyak kemunculan gejala masukan pengguna pada masing-masing hama-penyakit di dalam data latih yang akan digunakan pada proses penghitungan nilai likelihood.

Gambar 2 menunjukkan diagram alir proses penghitungan nilai probabilitas prior.

Contoh penghitungan nilai pada salah satu jenis penyakit:

P(P1) = jumlah penyakit P1/keseluruhan data = 7/25

= 0,28

5.2 Menghitung Nilai Likelihood

Proses ini lanjutan dari proses sebelumnya. Pada proses ini akan dilakukan penghitungan nilai probabilitas likelihood.

Gambar 3 menunjukkan diagram alir proses penghitungan nilai probabilitas

likelihood.

Gambar 3. Diagram Alir Penghitungan Nilai Likelihood

Contoh penghitungan nilai pada salah satu gejala masukan pada tiap penyakit:

P(G2|P1) = jumlah G2 pada P1/jumlah P1 = 3/7

= 0,429

5.3 Menghitung Nilai Posterior

Proses ini lanjutan dari proses sebelumnya. Pada proses ini akan dilakukan penghitungan nilai probabilitas posterior. Proses ini merupakan proses akhir penghitungan nilai probabilitas dengan menggunakan metode Naïve Bayes.

Gambar 4 menunjukkan diagram alir proses penghitungan nilai probabilitas posterior.

Gambar 4. Diagram Alir Penghitungan Nilai Posterior

Contoh penghitungan nilai pada salah satu jenis penyakit:

Posterior P1 =

= 0,28 x 0,429 x 0,857 x 0,571x 0,429 x 0,143 = 0,00361

Menghitung Nilai Likelihood

B Menghitung

(6)

5.4 Menghitung Nilai CF

Gambar 5. Diagram Alir Penghitungan Nilai CF

Proses ini lanjutan dari proses sebelumnya. Setelah sistem menghasilkan sebuah diagnosis melalui proses penghitungan menggunakan metode naïve bayes, selanjutnya hasil diagnosis tersebut akan dihitung nilai keyakinannya (CF). Proses penghitungan ini dimaksudkan untuk memastikan hasil keluaran CF maksimal mendekati nilai 1, dan juga untuk mengetahui persentase dari hasil

perhitungan

metode

naïve bayes

.

Gambar 5 menunjukkan diagram alir proses penghitungan nilai CF.

Contoh penghitungan nilai keyakinan hasil diagnosis:

CF(A) = CF(1) + (CF(2) x (1-CF(1))) = 0 + 0,7 x (1-0)

= 0,7

6. HASIL DAN PEMBAHASAN

Untuk melakukan evaluasi program pada penelitian kali ini dilakukan pengujian sistem agar program yang dibuat mampu menghasilkan solusi yang optimal. Pengujian yang dilakukan adalah pengujian akurasi.

6.1 Pengujian Kepuasan Pengguna dan Analisis Hasil Pengujian Kepuasan Pengguna

Pengujian kepuasan pengguna dilakukan agar mengetahui tingkat kepuasan pengguna dan kenyamanan dalam menggunakan aplikasi sistem pakar.

Pada pengujian kepuasan pengguna, diberikan kuisioner untuk menguji tingkat kepuasan pengguna dalam menggunakan aplikasi sistem pakar sejumlah 13 butir

pertanyaan yang terdapat pada Lampiran. Kuisioner diberikan kepada 17 responden yang berasal dari pakar dan petani tanaman sedap malam. Tiap-tiap pertanyaan dari kuisioner bertujuan untuk menunjukkan tingkat usability

aplikasi sistem pakar menurut pendapat pengguna saat menggunakan aplikasi sistem pakar. Dari kuisioner tersebut, didapatkan hasil tingkat kepuasan pengguna dalam menggunakan aplikasi sistem pakar yang dapat dilihat pada Tabel 1.

Tabel 1. Hasil Pengujian Kepuasan Pengguna

Resp onde n

Butir Pertanyaan Skor

Tota l

1 2 3 4 5 6 7 8 9 10 R1 4 4 3 4 4 4 4 4 4 4 39 R2 4 4 3 4 4 3 3 3 4 3 35 R3 3 3 5 3 4 3 3 3 2 2 31 R4 4 3 4 4 3 2 3 4 3 3 33 R5 3 3 3 3 4 3 3 3 3 3 31 R6 3 3 4 3 4 3 2 4 3 2 31 R7 4 4 3 4 4 4 4 3 3 3 36 R8 4 3 5 3 5 3 3 4 3 3 36 R9 4 4 3 4 3 3 3 5 3 3 35 R10 4 3 3 2 3 4 4 3 3 3 32 R11 4 3 3 4 2 3 3 4 3 3 32 R12 3 4 4 3 3 2 3 4 3 3 32 R13 3 3 4 3 4 4 4 5 3 3 36 R14 4 3 4 3 4 3 3 4 3 3 34 R15 3 3 4 3 3 2 2 4 3 3 30 R16 3 2 2 3 3 2 3 2 3 2 25 R17 3 3 3 3 3 3 3 3 3 3 30 Juml

ah 5 6

55 60 56 60 51 53 62 52 49 554

Berdasarkan Tabel 1, akan dilakukan proses penghitungan nilai setiap butir pertanyaan menggunakan rumus:

𝑁𝑖𝑙𝑎𝑖 𝑃𝑒𝑟𝑡𝑎𝑛𝑦𝑎𝑎𝑛 𝑖

=𝐽𝑢𝑚𝑙𝑎ℎ 𝑛𝑖𝑙𝑎𝑖 𝑏𝑢𝑡𝑖𝑟 𝑝𝑒𝑟𝑡𝑎𝑛𝑦𝑎𝑎𝑛 𝑖_{𝐽𝑢𝑚𝑙𝑎ℎ 𝑅𝑒𝑠𝑝𝑜𝑛𝑑𝑒𝑛}

Dari proses penghitungan nilai setiap butir pertanyaan didapatkan nilai sebagai berikut:

1. Nilai butir pertanyaan 1 = 56/17 = 3,29412

6. Nilai butir pertanyaan 6 = 51/17 = 3

(7)

Nilai yang didapatkan dari hasil penghitungan nilai setiap butir pertanyaan, akan digunakan dalam menghitung nilai kepuasan pengguna menggunakan rumus:

𝑁𝑖𝑙𝑎𝑖 𝐾𝑒𝑝𝑢𝑎𝑠𝑎𝑛 𝑃𝑒𝑛𝑔𝑔𝑢𝑛𝑎

=𝑇𝑜𝑡𝑎𝑙 𝐽𝑢𝑚𝑙𝑎ℎ 𝑛𝑖𝑙𝑎𝑖 𝑏𝑢𝑡𝑖𝑟 𝑝𝑒𝑟𝑡𝑎𝑛𝑦𝑎𝑎𝑛 𝐽𝑢𝑚𝑙𝑎ℎ 𝑏𝑢𝑡𝑖𝑟 𝑝𝑒𝑟𝑡𝑎𝑛𝑦𝑎𝑎𝑛

Nilai Kepuasan Pengguna = (3,29412 + 3,23529 + 3,52941 + 3,29412 + 3,52941 + 3 + 3,11765 + 3,64706 + 3,05882 + 2,88235) / 10

= 32,58823 / 10 = 3,255823

Dari proses penghitungan nilai kepuasan pengguna didapatkan nilai kepuasan pengguna sebesar 3,255823.

Berdasarkan hasil pengujian kepuasan pengguna yang telah dilakukan, aplikasi sistem pakar diagnosis hama-penyakit pada tanaman sedap malam menggunakan metode naïve bayes-certaintyfactor menghasilkan tingkat kepuasan pengguna sebesar 3,255823. Hal tersebut menunjukkan bahwa aplikasi sistem pakar yang telah dibuat memberikan user experience yang baik dan kenyamanan pada saat digunakan.

6.2 Pengujian Akurasi dan Analisis Hasil Pengujian Akurasi

Pengujian akurasi dilakukan agar mengetahui performa dari sistem pakar yang telah dibuat dan seberapa besar tingkat akurasi dalam memberikan hasil diagnosis hama-penyakit tanaman hias sedap malam berdasarkan masukan gejala yang dimasukkan oleh pengguna.

Tabel 2. Hasil Pengujian Akurasi

No Diagnosis

5 Xanthomonas Xanthomonas 92

6 Xanthomonas Kutu Dompolan 64

7 Thrips Kutu Dompolan 40

8 Xanthomonas Kutu Dompolan 40

9 Botrytis Kutu Dompolan 40

10 Kutu Perisai Kutu Perisai 98,72 11 Kutu Dompolan Kutu Dompolan 99,97408

12 Botrytis Botrytis 99,2

13 Xanthomonas Xanthomonas 98,4

14 Thrips Thrips 99,8399

15 Kutu Perisai Kutu Perisai 99,36 16 Kutu Dompolan Kutu Dompolan 99,28

17 Botrytis Botrytis 96

18 Kutu Perisai Kutu Perisai 99,744

19 Thrips Thrips 98

20 Kutu Perisai Kutu Perisai 98,72 21 Kutu Dompolan Kutu Dompolan 99,76 22 Kutu Dompolan Kutu Dompolan 99,4

23 Xanthomonas Xanthomonas 92

24 Thrips Thrips 98

26 Xanthomnas Xanthomnas 98,4

28 Botrytis Botrytis 99,2

29 Thrips Thrips 99,2

30 Kutu Dompolan Kutu Dompolan 99,97408

Pada pengujian akurasi ini, total data uji yang dipakai yaitu 30 data. pengujian akurasi akan membandingkan hasil diagnosis sistem dengan hasil diagnosis pakar. Hasil pengujian akurasi ditunjukkan pada Tabel 2.

Berdasarkan Tabel 2, terdapat 26 data yang memiliki hasil diagnosis yang sama dengan hasil diagnosis pakar. Sehingga tingkat akurasi pada pengujian akurasi sebagai berikut:

𝐴𝑘𝑢𝑟𝑎𝑠𝑖 % =𝐽𝑢𝑚𝑙𝑎ℎ 𝑑𝑎𝑡𝑎 𝑢𝑗𝑖 𝑏𝑒𝑛𝑎𝑟_{𝐽𝑢𝑚𝑙𝑎ℎ 𝑡𝑜𝑡𝑎𝑙 𝑑𝑎𝑡𝑎 𝑢𝑗𝑖 𝑥 100%}

𝐴𝑘𝑢𝑟𝑎𝑠𝑖 % =26_{30 𝑥 100% = 86,67 %}

Tingkat akurasi yang dihasilkan oleh sistem pakar diagnosis hama-penyakit tanaman hias sedap malam menggunakan metode naïve bayes-certainty factor adalah sebesar 86,67%.

Berdasarkan hasil pengujian akurasi yang telah dilakukan, sistem pakar diagnosis hama-penyakit tanaman hias sedap malam menggunakan metode Naïve Bayes-Certainty Factor menghasilkan tingkat akurasi sebesar 86,67%. Hal tersebut menunjukkan bahwa membuat sebuah sistem pakar menggunakan metode naïve bayes-certainty factor akan menghasilkan sebuah sistem pakar dengan ketepatan hasil diagnosis yang baik dan akurat.

7. KESIMPULAN

Kesimpulan yang dapat diambil berdasarkan hasil uji coba yang telah dilakukan mengenai sistem pakar diagnosis hama-penyakit tanaman sedap malam menggunakan metode naïve bayes-certainty factor berbasis android adalah sebagai berikut:

(8)

tanaman sedap malam oleh pengguna. Melalui gejala-gejala yang dimasukkan akan dilakukan penghitungan dengan menggunakan metode naïve bayes-certainty factor untuk mendapatkan hasil sistem berupa jenis hama-penyakit yang menyerang tanaman sedap malam. Dalam mengimplementasikan metode naïve bayes-certainty pada sistem dalam mendiagnosis nama hama-penyakit, dapat dilakukan penghitungan menggunakan metode naïve bayes dengan menghitung nilai probabilitas

prior, nilai probabilitas likelihood, nilai probabilitas posterior, dimana hasil dari penghitungan akan menghasilkan sebuah diagnosis berupa nama hama-penyakit yang menyerang tanaman beserta cara penanganannya. Setelah didapatkan hasil diagnosis dari metode naïve bayes, hasil diagnosis akan dihitung nilai keyakinannya (CF) yang bertujuan untuk mengetahui persentase dari hasil perhitungan metode

naïve bayes.

2. Aplikasi sistem pakar diagnosis hama-penyakit tanaman sedap malam menggunakan metode naïve bayes-certainty factor berbasis android yang telah dibuat memiliki nilai tingkat kepuasan pengguna sebesar 3,255823, nilai tingkat kepuasan pengguna merupakan hasil dari penilaian kuisioner 17 responden yang berasal dari pakar dan petani tanaman sedap malam. Tingkat akurasi yang dihasilkan oleh sistem pakar yang telah dibuat sebesar 86,67%. Hal tersebut menunjukkan bahwa aplikasi yang telah dibuat memberikan user experience

yang baik dan kenyamanan pada saat digunakan, serta dalam membuat sebuah sistem pakar menggunakan metode naïve bayes-certainty factor akan menghasilkan sebuah sistem pakar dengan ketepatan hasil diagnosis yang baik dan akurat.

8. DAFTAR PUSTAKA

BPS. (2015). Badan Pusat Statistik Indonesia. Retrieved April 3, 2017, from https://www.bps.go.id

Direktorat Budidaya Tanaman Hias. (2008).

Standar Operasional Prosedur Budidaya Bunga Potong Sedap Malam (Polianthes Tuberose L.). Departemen Pertanian.

Fauziyah. (2012). Sistem Pakar Untuk Diagnosis Penyakit Paru Dengan Metode Naive Bayes Classifier. Jurnal Sarjana Informatika, I, 39.

Hardika, A. (2014). Aplikasi Sistem Pakar Untuk Identifikasi Hama Dan Penyakit Tanaman Tebu Dengan Metode Naive Bayes Berbasis Web. Malang.

Kusumadewi, S. (2003). Artificial Intelegence (Teknik dan Aplikasinya). Yogyakarta: Graha Ilmu.

Saputro, B., Delima, R., & Purwadi, J. (2011). Sistem Diagnosis Penyakit Diabetes Melitus Menggunakan Metode Certainty Factor. Jurnal Sarjana Teknik Informatika.

Suryanto, W. A. (2010). Hama dan Penyakit Tanaman: Pangan, Hortikultura, dan Perkebunan. Masalah dan Solusinya.

Yogyakarta: Kanisius.

Sutojo, T. (2011). Kecerdasan Buatan.

Yogyakarta: Andi.