Seminar Nasional Ilmu Komputer (SNIKOM 2016) ISBN :

(1)

Prosiding SNIKOM 2016 95 ANALISIS PERBANDINGAN METODE FORWARD CHAINING DAN BACKWARD CHAINING

DALAM EXPERT SYSTEM UNTUK MENGIDENTIFIKASI HAMA DAN PENYAKIT PADA TANAMAN KELAPA SAWIT DENGAN

MENGGUNAKAN CERTAINTY FACTOR Haida Dafitri

Program Studi Teknik Informatika / STT - HARAPAN Medan aida.stth@gmail.com

ABSTRAK

Ada beberapa metode yang dapat diterapkan dalam

expert system untuk menentukan rendahnya kualitas

dan produktifitas tanaman kelapa sawit yang sangat merugikan para petani kelapa sawit diantaranya

forward chaining dan backward chaining dengan

mengidentifikasi hama dan penyakit tanaman kelapa sakit. Umumnya identifikasi tersebut dilakukan oleh pakar. Analisis Perbandingan Metode Forward

Chaining dan Backward Chaining Dalam Expert System Untuk Mengidentifikasi Hama dan Penyakit

pada Tanaman Kelapa Sawit yang dibangun bertujuan untuk mengetahui metode manakah yang lebih efesien dalam membantu mengidentifikasi hama dan penyakit yang menyerang tanaman kelapa sawit agar dapat dilakukan pengendalian terhadap hama dan penyakit tersebut. Hasil proses perbandingan metode yang digunakan dalam identifikasi berupa hama atau penyakit yang menyerang dan persentase kemungkinannya dan cara pengendalian yang dapat dilakukan.

Kata kunci : forward chaining, backward chaining, expert system

1. Latar Belakang

Sistem Pakar (ExpertSystem) adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli. Dibidang pertanian khususnya pada budidaya tanaman kelapa sawit, masalah kualitas dan produktifitas dalam upaya peningkatan agribisnis tanaman kelapa sawit membantu dalam mengidentifikasi hama dan penyakit yang menyerang tanaman kelapa sawit agar dapat dilakukan pengendalian terhadap hama dan penyakit tersebut serta sistem dapat digunakan hingga tahap pemeliharaan. Sistem pakar yang baik dirancang agar dapat menyelesaikan suatu permasalahan tertentu dengan meniru kerja dari para ahli.

Dalam penyusunannya, sistem pakar mengkombinasikan kaidah-kaidah penarikan kesimpulan dengan menerapkan mesin inferensi

forward chaining dan backward chaining(inference rules) dari basis pengetahuan tertentu yang diberikan

oleh satu atau lebih pakar dalam bidang tertentu. Penelitian ini dilakukan dalam bentuk kualitatif karena peneliti ingin mengetahui bagaimana menganalisa, merancang dan membangun expert

system dalam mengidentifikasi hama dan penyakit

kelapa sawit berbasis web dengan menerapkan mesin inferensi forward chaining dan backward chaining. Perancangan expert system yang dibangun adalah berbasis web on-line, hasil berupa masukan yang diberikan oleh pengguna berupa gejala serangan yang terjadi pada kelapa sawit.

Tujuan dari penelitian ini antara lain adalah menganalisa metode forward chaining dan backward

chaining yang diterapkan pada sebuah expert system

berbasis web.

Manfaat yang diharapkan dengan adanya sistem pakar ini adalah : mengetahui metode manakah yang lebih efesien dalam membantu dan mempermudah user/ pengguna dalam mengidentifikasi dan mengenali hama dan penyakit yang menyerang tanaman kelapa sawit dengan menggunakan certainty

factor berbasis web.

2. Landasan Teori

2.1. Sistem Pakar (Expert System)

Sistem pakar berasal dari istilah knowledge based

expert system, yaitu sebuah sitem yang menggunakan

pengetahuan manusia dimana pengetahuan tersebut dimasukkan kedalam komputer dan kemudian digunakan untuk menyelesaikan masalah-masalah yang biasanya membutuhkan kepakaran atau keahlian manusia (Sutojo dkk,.2011)

Menurut Sutojo dkk (2011) dan Siswanto (2010) berpendapat bahwasanya sistem pakar disusun oleh dua bagian utama, yaknik bagian lingkungan pengembangan(development environment) dan lingkungan konsultasi (consulation environment). Lingkungan pengembang digunakan oleh pembuat sistem pakar untuk membangun komponen-komponennya dan memperkenalkan pengetahuan ke dalam knowledge base (basis pengetahuan) (Sutojo dkk (2011) dan Siswanto (2010)) . Sedangkan lingkungan konsultasi digunakan oleh pengguna untuk berkonsultasi sehingga pengguna mendapatkan

(2)

Prosiding SNIKOM 2016 96 pengetahuan dan nasihat dari sistem pakar layaknya

berkonsultasi dengan pakar.

Gambar 2.1 Komponen dalam sebuah sistem pakar (Sutojo dkk., 2011)

Dari gambar diatas dapat dijelaskan beberapa komponen yang ada pada sebuah sistem pakar : 1. Akuisisi Pengetahuan , digunakan untuk

memasukan pengetahuan dari seorang pakar dengan cara merekayasa pengetahuan, agar bisa diperoleh oleh komputer dan meletakkannya ke dalam basis pengetahuan dengan format tertentu. 2. Basis Pengetahuan (Knowledge Base), berisi

pengetahuan yang diperlukan untuk memahami, mempformulasikan dan menyelesaikan masalah. Basis pengetahuan terdiri dari dua elemen dasar, yaitu fakta dan rule / aturan.

3. Mesin Inferensi ( Inference Engine), sebuah program yang berisi metodologi yang digunakan untuk melakukan penalaran terhadap informasi-informasi dalam basis pengetahuan untuk memformulasikan konklusi.

4. Daerah Kerja ( Blackboard), yaitu area pada memori yang berfungsi sebagai basis data. Ada tiga tipe keputusan yang dapat direkam pada

blackboard yaitu rencana, agenda dan solusi.

5. Antarmuka (User Interface), digunakan sebagai media komunikasi antara pengguna dan sistem pakar. Program akan mengajukan pertanyaan-pertanyaan dan sistem pakar akan mengambil kesimpulan berdasarkan jawaban dari user. 6. Subistem penjelasan (Explanation Subsystem),

berfungsi untuk memberi penjelasan kepada user, bagaimana suatu kesimpulan dapat diambil. Representasi pengetahuan merupakan metode yang digunakan untuk mengodekan pengetahuan dalam sebuah sistem pakar yang berbasis pengetahuan yang digunakan untuk menangkap sifat-sifat penting problema dan membuat informasi itu dapat diakses oleh prosedur pemecahan problema.

Menurut Kusrini(2008) pemilihan representasi pengetahuan yang tepat akan membuat sistem pakar dapat mengakses basis pengetahuan tersebut untuk keperluan pembuatan keputusan.

Secara teknik representasi pengetahuan dibagi menjadi lima kelompok yaitu : Representasi Logika, Jaringan Semantik, Frame, Script(Naskah) dan aturan produksi(Sutojo, 2011).

1. Representasi Logika yaitu menggunakan ekspresi-ekspresi dalam logika formal yang nantinya digunakan sebagai proses untuk membentuk kesimpulan atau menarik suatu inferensi dengan fakta yang ada.

2. Jaringan Semantik digunakan untuk menggambarkan data dan informasi yang menunjukkan hubungan antara berbagai objek. Jaringan semantik merupakan alat efektif untuk merepresentasikan pemetaaan data agar tidak terjadi duplikasi data.

3. Frame digunakan mereperesentasikan pengetahuan yang didasarkan pada karekteristika yang sudah dikenal berdasarkan pengalaman. 4. Script, skema representasi pengetahuan yang

menggambarkan uruta-uruta kejadia( sequence of

event). Script digunkan sebagai alat

pengorganisasian struktur-sturktur Conceptual

Dependency adalah teori tentang bagaiman

mempresentasikan pengetahuan tentang event(kejadian) yang biasanya terkandung dalam kalimat bahasa natural.

5. Aturan produksi, adalah salah satu representasi pengetahuan yang menghubungkan premis dengan konklusi yang diakibatkannya. Beberapa keuntungan aturan produksi diantaranya adalah sederhana dan mudah dipahami, implementasi secara straight forward sangat memungkinkan dalam komputer dan dasar berbagai varian. 2.2 Mesin Inferensi (Inference Machine)

Mesin inferensi dikenal sebagai struktur kontrol atau penerjemah aturan (dalam sistem pakar berbasis aturan) yang menggunakan program komputer yang dapat memberikan metodologi untuk penalaran tentang informasi yang ada dalam basis pengetahuan dan dalam workplace untuk memformulasikan kesimpulan(Siswanto, 2010).

Ada dua pendekatan popular untuk pencarian dalam rangka menarik kesimpulan adalah runut maju (Forward Chaining) dan runut balik (Backward

Chaining).

1. Pelacakan Maju (Forward Chaining) adalah pendekatan yang dimotori oleh data (data-driven). Dalam pendekatan ini, pelacakan dimulai dari informasi masukan yang berupa fakta, kemudian akan ditelusuri lebih lanjut untuk aturan-aturan yang mengandung fakta-fakta berikutnya untuk

(3)

Prosiding SNIKOM 2016 97 mendapatkan kesimpulannya. Dengan kata lain,

proses penalaran dimulai dengan fakta yang ada pada bagian premis aturan IF [fakta] THEN [kesimpulan]. Untuk menguji kebenaran hipotesis, dari fakta-fakta tersebut selanjutnya akan ditentukan kesimpulan yang terletak pada sebelah kanan aturan IF [fakta] THEN [kesimpulan]. Pelacakan maju cocok digunakan untuk menangani masalah pengendalian (controlling) dan peramalan (prognosis) (Giarattano dan Riley, 1994). Gambar 2.2 menunjukkan proses pelacakan maju.

Gambar 2.2 Proses Pelacakan Maju

2. Pelacakan Mundur (Backward Chaining), teknik ini memulai pencarian dari kesimpulan(goal) dengan mencari sekumpulan hipotesa-hipotesa yang mendukung menuju fakta-fakta yang mendukung sekumpulan hipotesa ( Sutojo dkk, 2011). Proses pelacakan pada backward chaining dapat ditunjukkan oleh gambar 2.2

Observasi A Observasi B Aturan R1 Aturan R2 Fakta C Fakta D Aturan R3 Aturan R2 Tujuan 1 (Kesimpulan)

Gambar 2.3 Proses PelacakanMundur 2.3 Faktor Kepastian (Certainty Factor)

Certainty Factor merupakan suatu metode yang

digunakan untuk menyatakan kepercayaan dalam sebuah kejadian (fakta atau hipotesis) berdasarkan bukti atau penilaian pakar berdasarkan beberapa kondisi. Diantara kondisi yang terjadi adalah terdapat beberapa antensenden ( dalam rule yang berbeda) dengan satu konsekuen yang sama. Pada konsep Certainty Factor sering dikenal adanya

believe dan disbelieve. Believe merupakan keyakian

sedangkan disbelieve merupakan ketidakyakinan (Yastita Sri, 2012).

Adapun notasi atau rumusan dasar Certainty

Factor, antara lain sebagai berikut

Keterangan

CF[h,e] = Certainty Factor dalam hipotesis h yang dipengaruhi oleh fakta e.

MB[h,e] = Meansure of Believe, merupakan nilai kenaikan dari kepercayaan hipotesis h dipengaruhi oleh fakta e.

MD[h,e] = Meansure Of Disbelieve, merupakan nilai kenaikan dari ketidakpercayaan hipotesis h dipengaruhi oleh fakta e. h = hipotesis

e = Evidence

1. Kombinasi beberapa Certainty Factors dalam Satu Rule , Hanya 1(satu) IF untuk pernyataan ini dikatakan benar. Kesimpulan hanya 1(satu) CF dengan nilai maksimum .

2. Kombinasi 2 (dua) atau lebih Rule, Efek

kombinasi dihitung dengan menggunakan rumus :

2.4 Tanaman Kelapa Sawit

Tanaman kelapa sawit memiliki prospek komersial cerah karena tingkat permintaan pasar akan minyak nabati tinggi.

Karena prospek olahan komoditas tanaman kelapa sawit ini maka banyak yang berminat mengembangkan tanaman ini sebagai tanaman yang menjanjikan. Sebagai negara yang berada di garis tropis, Indonesia sangat berpeluang menjadi negara yang mengembangkan perkebunan kelapa sawit.

Hama atau penyakit sebaiknya tidak diberantas karena dengan memberantas hama atau penyakit akan mengganggu keseimbangan lingkungan atau ekosistem. Hama atau penyakit sebaiknya dikendalikan untuk mencegah terjadinya peningkatan populasi yang dapat mengakibatkan kerusakan yang secara ekonomis merugikan.

Biasanya tanaman sakit menunjukkan gejala khusus. Gejala (symptom) adalah perubahan-perubahan yang ditunjukkan oleh tanaman itu sendiri. Seringkali hama dan penyakit tertentu tidak hanya menyebabkan timbulnya satu gejala, tetapi serangkaian gejala, yang sering disebut sindroma (syndrome). Dalam banyak hal, dengan memperhatikan gejala atau serangkaian gejala itu seorang yang berpengalaman telah dapat menentukan hama dan penyakitnya dengan cepat dan tepat.

Serangkaian gejala yang terjadi pada tanaman dapat dilihat melalui pengamatan pada bagian-bagian yang terdapat di tanmanan itu, seperti : Daun, Pucuk, Tunas, Pertumbuhan.

Jenis hama dan penyakit yang menyerang tanaman kelapa sawit yang dibahas pada penelitian ini meliputi:

1. Kumbang Malam (Apogonia sp, Adoretus sp) Jenis : Hama

CF=[h,e] = MB[h,e] – MD[h,e]

CF (A or B) = Maximum [CF(A), CF(B)] CF(R1,R2) = CF(R1) + CF(R2)[1 - CF(R1)]; or CF(R1,R2) = CF(R1) + CF(R2) - CF(R1)  CF(R2)CF(B)] Observasi A Observasi B Aturan R1 Aturan R2 Fakta C Fakta D Aturan R3 Aturan R2 Fakta E Kesimpulan 1 Kesimpulan 2

(4)

Prosiding SNIKOM 2016 98 Gejala yang ditimbulkan oleh hama ini adalah :

Membusuknya lapisan epidermis daun ; dan Daun berlubang

2. Kumbang Tanduk (Oryctes rhinoceros) Jenis : Hama

Gejala yang ditimbulkan oleh hama ini adalah : Adanya bekas gerekan pada pangkal batang mengarah pada titik tumbuh tanaman Pelepah daun putus; Pelepah daun membusuk; Pelepah daun mengering; Daun terpotong menyudut ke arah tulang daun utama

3. Kutu Daun Jenis : Hama

Gejala yang ditimbulkan oleh hama ini adalah : Adanya bercak hijau kemerahan pada daun ; dan Adanya bercak hijau kemerahan pada akar 4. Tungau

Jenis : Hama

Gejala yang ditimbulkan oleh hama ini adalah : Daun berlubang; Batang mengering dan Warna daun berubah menjadi mengkilat berwarna perunggu

5. Ulat Api Jenis : Hama

Gejala yang ditimbulkan oleh hama ini adalah : Daun berlubang ; dan Adanya bercak transparan pada daun

6. Ulat Kantong (Metisaplava) Jenis : Hama

Gejala yang ditimbulkan oleh hama ini adalah : Membusuknya lapisan epidermis daun ; Daun berlubang; Daun mengering dan Daun rusak 7. Belalang (Valanga nigricornis)

Jenis : Hama

Gejala yang ditimbulkan oleh hama ini adalah Daun berlubang ; dan Daun rusak

8. Tikus Jenis : Hama

Gejala yang ditimbulkan oleh hama ini adalah : 1. Adanya bekas keratan pada batang

2. Pangkal pelepah berlubang 3. Pelepah putus

4. Pelepah terkulai

5. Adanya bekas gigitan pada daging buah 6. Buah rontok

9. Landak (Hystrix brachyura L, Acanthyon

branchyurum)

Jenis : Hama

Gejala yang ditimbulkan oleh hama ini adalah : Adanya bekas keratan pada batang; Buah rontok ; dan Lapisn luar batang rusak

10. Rayap (Isoptera) Jenis : Hama

Gejala yang ditimbulkan oleh hama ini adalah : Adanya rongga-rongga pada batang ; dan Adanya bekas gerekan pada daun

11. Busuk Pangkal Batang (Ganoderma sp) Jenis : Penyakit

Gejala yang ditimbulkan oleh penyakit ini adalah : Pelepah daun berwarna pucat; Pelepah daun berwarna kusam ; Daun bagian bawah memendek; Daun bagian atas tegak dan tidak membuka; Daun mudah patah; Daun layu; dan Penampang batang berwarna coklat muda 12. Busuk Tandan (Marasmius palmivorus)

Jenis : Penyakit

Gejala yang ditimbulkan oleh penyakit ini adalah : Adanya benang-benang putih mengkilat di sekitar pangkal batang ; dan Buah membusuk sebelum masak

13. Penyakit Tajuk (Crown Diseases) Jenis : Penyakit

Gejala yang ditimbulkan oleh penyakit ini adalah : Pelepah melengkung berputar ke bawah ; Sebagian daunnya rusak sebelum membuka; Daun yang muda berwarna coklat ; dan Daun membusuk

14. Penyakit Akar (Rhizoctonia sp, Pithium sp) Jenis : Penyakit

Gejala yang ditimbulkan oleh penyakit ini adalah : Daun berwarna kusam; Daun muda menguning ;Pembusukan pada pangkal batang; dan Akar membusuk

15. Penyakit Antraknosa (Botriodiplodia sp, Glomerella singulata, Malaconium elaedis)

Jenis : Penyakit

Gejala yang ditimbulkan oleh penyakit ini adalah : Daun berwarna hijau pucat ; Terlihat bercak-bercak putih atau keperak-perakan pada daun ; Daun tampak menjadi belang.

3. Metode Penelitian

3.1 Analisis Kebutuhan Perangkat Lunak

Untuk mendukung proses analisis dan perancangan expert system yang akan dibangun maka di perlukan beberapa hardware dan software yang sesuai dengan kebutuhan.

Kebutuhan hadware dam software meliputi Processor, Windows Home Edition, RAM 1Gb, Hard

Disk 160 GB, Memory : 1024 Mb, Monitor : Resolusi

1280 x 1024 dengan 256 warna dan VRAM 4 Mb, Geany sebagai editor program web, Mysql, Xampp, Modem / Wifi

3.2 Analisis dan Perancangan Sistem

Langkah analisa masalah adalah untuk dapat memahami masalah yang telah ditentukan ruang lingkup atau batasannya. Masalah yang dianalisa dalam penelitian ini adalah mengetahui perbandingan mesin inferensi yang digunakan dengan metode

(5)

Prosiding SNIKOM 2016 99 mengidentifikasi hama dan penyakit pada tanaman

kelapa sawit.

Dari analisis diatas maka perlu diuraikan berbagai masalah yang menjadi sumber untuk melakukan penelitian dan yang mendasari pengetahuan pakar untuk proses identifiksi identifikasi hama dan penyakit berdasarkan gejala-gejala yang ditimbulkan pada bagian tertentu akibat serangan hama dan penyakit menggunakan metode Forward Chaning dengan metode Backward Chaning, serta hal-hal apa saja yang diperlukan untuk membuat sistem pakar yang dapat digunakan.

Perancangan sistem merupakan tahapan lanjut dari analisis sistem dimana pada perancangan sistem dapat digambarkan dan bagaimana suatu sistem dibangun dengan melakukan pengkodean kedalam bahasa pemograman, sehingga dapat menghasilkan sistem yang lebih baik.

Rancangan proses sistem dapat digambarkan dalam flowchart. Adapun model flowchart proses mengidentifikasi hama dan penyakit pada tanaman kelapa sawit dengan expert system berbasis web yang dibangun menggunakan mesin inferensi forward

chaining dan backward chaining.

Gambar 3.2 Flowchart Proses Sistem

Penjelasan dari Gambar flowchart proses sistem di atas antara lain adalah :

1. User membuka tampilan awal aplikasi (interface). 2. Pengunjung/user melakukan proses login terlebih

dahulu sebagai user.

3. User / pengguna masuk kehalaman home untuk memilih mesin inferensi yang akan digunakan.

4. Ketika user memilih mesin inferensi dengan

forward chaining maka user akan masuk ke

proses identifikasi hama dan penyakit dengan inferensi runut maju.

5. Aplikasi akan melakukan proses pencarian lokasi ruang/kelas melalui kata kunci yang di input oleh pengunjung.

6. Dan user memilih object pengamatan yang akan di identifkasi seperti pada batas, daun, akar, bunga, pelepah dan lainnya yang ada pada kelapa sawit.

7. Misal user memilih object pengamatan pada batang maka akan masuk ke proses object pengamatan dengan menjawab beberapa pertanyaan yang ada pada database sistem. 8. Setelah user/pengguna selesai menjawab beberapa

pertanyaan dari proses object pengamatan maka sistem akan menampilkan hasil pengamatan berikut dengan cara pengendaliannya.

3.3 Analisa Kinerja Mesin Inferensi

3.3.1 Analisa Kinerja Metode Forward Chaining Dalam Rule Based Expert System

Dalam Kasus 1.

Untuk analisa kinerja Metode Forward Chaining digunakan graf dari kasus yang sama seperti terlihat pada gambar 3.3.

Gambar 3.3 Graf Kasus 1

Langkah-langkah pembentukan dari Graf kasus 1 dapat dilihat pada Tabel 4.8.

Tabel 3.1 Penyelesaian Rule Based Expert System dengan Metode Forward Chaining Kasus 1

Pada kasus 1 Forward User menjawab Ya pada [“ pembusukan pada pangkal batang”] kemungkinan penyakit Rayap(CF=10) dilihat dari hasil observasi pengamatan pada batang yang ditentukan dari Rule46 (G46). No Aturan 1. IF PT2 AND G46 THEN HP14 Y PT2 G46 HP14 Proses Observasi Pengamatan Hasil pengamatan dan Gejala dari hama dan penyakit Masukan Pilihan Jenis Hama

dan Penyakit Masukan Pilihan Object

Pengamatan

Menu Pencarian dengan Mesin Inferensi Backward

chaining Menu Pencarian dengan

Mesin Inferensi Forward chaining

Start

Input user dan password

Proses Observasi Pengamatan

Hasil jenis penyakit yang muncul dan cara

pengandalian

(6)

Prosiding SNIKOM 2016 100 Langkah-langkah kinerja metode forward chaining

berdasarkan Tabel 3.1:

1. Pilih satu browser, ketiklah link pada address bar dengan nama localhsot/programaida 2. Isi textbox pada User Name dengan nama user

dan Password dengan nama user

3. Setelah masuk ke home identifikasi hama dan

penyakit pada tanaman kelapa sawit pilih salah

satu menu identifikasi forward yang terdapat pada home kasus tersebut.

4. Pilih dan klik salah satu objek pengamatan yaitu pada batang (PT2) dan klik tombol OK

5. Masuk dan jawab beberapa pertanyaan yang mewakili observasi pengamatan. Seperti berikut: Pembusukan pada pangkal batang ; Pembusukan pada pangkal batang: Ya | Tidak.

6. Klik tombol Ya dan muncul hasil pengamatan

dan pengendalian seperti berikut Penyakit Akar: 100% (HP14) serta Pengendalian: Mengasingkan bibit yang terserang dan Membakar bibit yang terserang.

3.3.2 Analisa Kinerja Metode Backward Chaining Dalam Rule Based Expert System

Dalam Kasus 1

Untuk analisa kinerja Metode Backward Chaining digunakan graf dari kasus yang sama seperti terlihat pada gambar 3.4.

Gambar 3.4. Graf Kasus 1

Dan tabel analisa penyelesaiannya dapat dilihat pada Tabel 3.2.

Tabel 3.2 Penyelesaian Rule Based Expert System dengan Metode Backward Chaining Kasus 1

Pada hasil pengamatan kasus 1 pada Backward jenis Penyakit Akar (CF10) kemungkinan jenis hama ini terletak pada akar dengan rule 50, batang dengan rule 46, Daun dengan rule 45 dan Rule 44, yang ditentukan dari masing-masing gejala/rule.

Maka kombinasi dari 3 rule diatas adalah ( R1, R2, R3 )

R1 : IF akar membusuk pada akar 25% THEN kelapa sawit terkena penyakit rayap(CF =0,25) R2 : IF pembusukan pada pangkal batang 25% THEN kelapa sawit terkena penyakit rayap (CF =50) R3 : IF daun muda menguning and daun berwarna kusam pada daun 50% THEN kelapa sawit terkena penyakit rayap (CF = 0,25)

CF(R1) = 0,25 CF(R2) = 0,25 CF (R3) = 0,5

maka perhitungan kombinasi ketiga rule tersebut adalah CF(R1,R2,R3,R4)= (0,25*0,25) + 0,5[1- (0,25 * 0,25)] = 0,063 + 0,5 ( 0,937) = 0,063 + 0,469 = 0,532

Dari perhitungan CF(Certainty Factor) ketiga rule diatas didapatkan hasil CF baru yaitu 0,532.

3.4 Perancangan Sistem

Halaman ini menampilkan form untuk melakukan login dengan memasukkan username dan password.

Gambar 3.5 Halaman Login 1. Halaman Identifikasi Forward

Halaman Utama ini berisi menu navigasi menuju halaman-halaman yang lain sesuai hak akses user.

Gambar 3.6. Halaman Utama

Halaman ini berisi form untuk memilih objek pengamatan pada kasus diatas.

Gambar 3.7. halaman objek pengamatan pada identifikasi hama/penyakit pada Forward

No Aturan

1. IF HP14 AND PT1 THEN G50 IF HP14 AND PT2 THEN G46 IF HP14 AND PT5 THEN G45 AND 44

PT5 PT1 HP14 G50 PT2 G45 G46 G44

(7)

Prosiding SNIKOM 2016 101 Halaman ini berisi form untuk melakukan identifikasi

hama/penyakit secara metode forward.

Gambar 3.8. Halaman identifikasi hama/penyakit

2. Halaman Identifikasi Backward

Halaman ini berisi form untuk memilih Hama/Penyakit pada kasus penyakit akar.

Gambar 3.9. halaman objek pengamatan pada identifikasi hama/penyakit pada

penyakit Akar

Halaman ini berisi form untuk melakukan identifikasi gejala-gejala dari hama/penyakit secara backward. Caranya dengan mengklik menu identifikasi backward kemudian pilih salah satu option objek pengamatan pada akar karena yang akan dilihat adalah hasil pengamatan pada akar, batang, daun beserta gejala masing pada masing –masing pengamatan pada kasus 1 tersebut. Maka hasilnya seperti terlihat pada Gambar 3.9.

Gambar 3.10 Halaman Identifikasi Penyakit Akar pada Backward 3.5 Kesimpulan

Tahap ini akan menghasilkan suatu output berupa aplikasi berbasis web yang dapat memberikan

informasi-informasi yang dapat mengidentifikasi hama dan penyakit yang menyerang pada tanaman kelapa sawit berikut dengan cara pengendaliannya. Tentunya sistem yang dibangun ini sangat bermanfaat dan mempermudah user/pengguna dan khalayak umum dalam mengidentifikasi hama dan penyakit pada tanaman kelapa sawit yang dimilikinya.

Dari analisis sistem yang dibangun dapat di simpulkan sementara bahwa sistem baru memiliki beberapa kelebihan yaitu :

1. Perancangan expert system untuk identifikasi hama dan penyakit pada tanaman kelapa sawit ini menggunakan dua mesin inferensi.

2. Sistem di Jalankan secara online yang dengan menggunakan komputer, yang terhubung dengan internet

3. Expert system yang dibangun mampu mengidentifikasi hama dan penyakit yang menyerang pada tanaman kelapa sawit serta mampu memberikan solusi terbaik dalam membasmi hama dan penyakit tersebut.

4. Daftar Pustaka

Aribowo, A.S. dan Khomsah, S., 2011, Sistem Pakar

Dengan Beberapa Knowledge Base

Menggunakan Probabilitas Bayes Dan Mesin

Inferensi Forward Chaining, Seminar

Nasional Informatika, Yogyakarta.

Kusrini., 2008, Aplikasi Sistem Pakar, Andi Offset, Yogyakarta.

Kusumadewi, S., 2003, Artificial Intelligence (teknik

dan aplikasi), Graha Ilmu, Yogyakarta.

Mangoensoekarjo, S., Semangun, H., 2003,

Manajemen Agrobisnis Kelapa Sawit, Gadjah

Mada University Press.