1
SISTEM PENDETEKSI GANGGUAN HAMA DANPENYAKIT
TANAMAN PADI BESERTA PENANGGULANGANNYA
Santi Purwaningrum1, KhafiizhHastuti, M.Kom2
MahasiswaUniversitas Dian Nuswantoro Semarang1, DosenUniversitas Dian Nuswantoro Semarang2
1, 2Teknik Informatika, FakultasIlmuKomputer, Universitas Dian Nuswantoro Semarang Jl. Nakula 1, No. 5-11 Semarang, KodePos 50131, Telp. (024) 3515261, 3520165 Fax: 3569684
Email : 111201206564@mhs.dinus.ac.id1
ABSTRAK
Kendala petani dalam mengetahui jenis hama dan penyakit tanaman padi tidaklah asing lagi, maka diperlukansebuah sistem untuk membantu masalah tersebut. Sistem pendeteksi ini merupakan sistem yang dapat membantu para petani untuk mendiagnosa hama dan penyakit tanaman padi beserta penanggulangannya berdasarkan gejala-gejala yang terjadi pada tanaman padi. Metode sistem pendeteksi yang digunakan adalah Metode certainty factor yang akan diaplikasi kan kedalam bentuk WEB. Dalam aplikasi sistem pendeteksi ini terdapat fasilitas untuk user dimana user dapat mendiagnosa hama dan penyakit tanaman padi dengan cara menginputkan gejala-gejala tanaman padi yang kasat mata.Pada menu sistem pendeteksi ini user dapat menginputkan gejala-gejala tanaman padi yang telah dialami petani. Dan akan mendapatkan informasi tentang jenis hama dan tanaman padi beserta penanggulangnnya.User juga dapat melihat hasil dan perhitungan certainty factor, dapat mengetahui informasi artikel yang berkaitan dengan padi, hama dan penyakit tanaman padi. Sistem pendeteksi hama dan penyakit tanaman padi beserta penanggulangannya ini, diharapkan dapat mempermudah para petani untuk mengetahui jenis hama dan penyakit tanaman padi.
Kata kunci : Tanaman padi, hama dan penyakit tanaman padi, sistem pendeteksi, certainty factor
ABSTRACT
Constraints farmers in knowing the type of pests and diseases of rice plants is not foreign anymore, so we need a system to help the problem. This detection system is a system that can help farmers to diagnose pests and diseases of rice plants and their countermeasures based on the symptom sthat occur in rice plants. Methods of an expert system is a certainty factor Methods to be applied into the form of the WEB. Methods of detection system used is the certainty factor method that will beapplied into the form of theWEB.In the application of this detection system there is a facility for the user where the user can diagnose pests and diseases of rice plants by means of input symptoms rice plants are visible. In this detection system menu the user can input the symptoms rice plants that have been experienced by farmers.Users can also see the results and calculation certainty factor, can
2 1. PENDAHULUAN
Padi merupakan tanaman yang
menghasilkan beras sebagai
makanan pokok bagi masyarakat Indonesia. Kebutuhan tanaman padi
sebagai penghasil makanan
pengolah makanan pokok
meningkat seiring dengan semakin bertambahanya populasi manusia.
Salah satu factor kegagagalan panen kerena gangguan hama dan penyakit tanaman. Kegagalan panen yang disebabkan oleh kekeringan,
serangan hama penyakit dan
bencana umumnya terjadi secara tidak merata di berbagai wilayah (lee(1990), 2010).
Keterbatasan yang di miliki oleh seorang pakar terkadang menjadi
kendala bagi petani untuk
melakukan konsultasi secara
langsung untuk mendapatkan solusi yang terbaik tentang peyakit atau gangguan hama yang sedang di alami dan penanggulanggannya.
Dengan adanya perkembangan
teknologi yang semakin pesat diera modern ini, dikembangkan suatu
teknologi yang mampu memproses dan cara berpikir manusia dengan teknologi Kecerdasan Buatan, yaitu dengan sistem pakar.
Sistem pendeteksi gangguan hama dan penyakit tanaman padi ini menggunakan pendekatan sistem pakar. Agar sistem pendeteksi dapat melakukan penalaran sepertihalnya
seorangpakar meskipun berada
dalam kondisi data yang tidak pasti dan untuk mendapat nilai kepastian maka di perlukan suatu metode yang di sebut certainty factor.
Sistem pendeteksi ini akan dibangun dan dirancang kedalam bentuk web yang dapat memberikan informasi gejala-gejala serangan
gangguan hama dan penyakit
tanaman padi dan dapat memberikan sebuah solusi dalam gangguan hama dan penyakit tanaman padi dan agar semua orang dapat mengakses di internet tanpa harus bertatap muka dengan seorang pakar, karena dengan sistem ini semua orang bisa mengakses dimana dan kapan saja.
3
2. METODE
Certainty factor diperkenalkan oleh Shortliffedan Buchanan pada tahun 1975 untuk mengakomodasi ketidakpastian pemikiran (inexact reasoning) seorang pakar. Seorang
pakar biasanya melakukan
penalaran yang sudah ada
berdasarkan data dengan dugaan-dugaan yang tidak pasti atau
meragukan seperti :mungkin,
kemungkinan besar, hampir pasti dan masih banyak lainnya. Untuk mengakomondasi hal tersebut kita menggunakan Certainty Factor agar member tingkat keyakinan pada masalah yang tengah dihadapi.
Terdapat 2 cara untuk
mendapatkan CF dari sebuah rule, yaitu:
1. Metode‘Net Belief’
CF(Rule)=MB(H,E)-MD(H,E) Dimana : CF(Rule) : Factor kepastian MB(H,E) : Ukuran kepercayaan terhadap Hipotesis H, jikadiberikan evidence E (antara 0 dan 1) MD(H,E) : Ukuran ketidak percayaan terhadap Hipotesis H, jika diberikan evidence E (antara 0 dan 1) P(H) : Hipotesis H P(H|E) : Fakta E
2. Dengan cara mewawancarai seorang pakar
Nilai CF (Rule) diperoleh dari interpretasi “term” dari pakar, yang diganti dari nilai CF tertentu sesuai tabe dibawahini.
Tabel 2. 1Nilai Certainty Factor dan interpretasis Uncertain Term CF Tidakpasti -1.0 Hampir tidak pasti -0.8 Kemungkinan besar tidak -0.6 Mungkin tidak -0.4 Tidak yakin - 0.2 to 0.2 Kurang yakin 0.4 Cukup yakin 06 Yakin 0..8 Sangat yakin 1.0
Terdapat 3 hal yang mungkin terjadi pada Certainty Factor. a) Rule dengan evidence E tunggal
dengan hipotesis tunggal IF E THEN H (CF Rule) CF(H,E)=CF(E) * CF(rule)
Dengan catatan nilai CF rule ditentukan oleh pakar, sedangkan nilai CF (E) ditentukan oleh pengguna saat berkonsultasi dengan sistem pakar.
b) Rule dengan evidence E ganda dan Hipotesis H Tunggal
IF E1 AND E2 … AND E2THEN H
(CF rule)
CF(H,E)=min[CF(E1),CF(E2),…,CF(
En)]*CF(rule)
IF E1OR E2 … AND E2THEN H (CF
rule)
CF(H,E)=max[CF(E1),CF(E2),…,CF(
En)] * CF(rule)
c) Gabungan dua buah rule denga evidence berbeda (E1dan E2), tetapi
hipotesis sama
IF E1 THEN H Rule 1
CF(H,E1)=CF1=C(E1)*CF(Rule1)
IF E2 THEN H Rule 2
CF(H,E2)=CF2=C(E2)*CF(Rule1)
CF(CF1,CF2) = CF1 + CF2 * (1 - CF1)
;jika CF1 > 0 dan CF2> 0 (jika CF1 dan
CF2 positif)
CF(CF1,CF2) = CF1 + CF2 * (1 + CF1) ;
jika CF1 < 0 dan CF2< 0 (jika CF1
dan CF2 negatif)
CF(CF1,CF2) = CF1 + CF2 / 1 – min [ |
CF1 | , | CF2 | ] ;jika CF1 < 0 dan CF2<
0 (jika CF1 positif dan CF2 negatif).
Kelebihan Motode Certainty Factor (Sutojo, 2011):
Metode ini sangat susuai dengan sistem pakar yang datanya mengandung ketidak pastian.
Dalam sekali kerja dapat
memproses 2 data sehingga keakuratan data masih terjaga.
Kekurangan Motode Certaity
Factor (Sutojo, 2011):
Pemodelan ketidak pastian
menggunakan perhtungan
metode certainty Factor
biasanya masih
dipermasalahkan.
Untuk data lebih dari 2 buah, harus dilakukan berulang kali pengolahan data.
3. PEMBAHASAN DAN HASIL 1. PEMBAHASAN
Pada tahap ini dilakukan pembuatan rancangan aplikasi. Mulai dari perancangan fungsi, logika, dan desain aplikasi agar dapat digunakan sesuai dengan awal topik pembahasan.Basis
pengetahunan merupakan
beberapa kumpulan
pengetahuan dari seorang pakar yang dihubungkan dengan suatu permasalahan yang di gunakan
5
dalam sistem aplikasi sistem kecerdasan buatan.
Pada pembuatan sistem
pendeteksi ini penulis
menggunakan penalaran
berbasis aturan IF-THEN. Bentuk penalaran ini digunakan
apabila mempunyai banyak
pengetahuan seorang pakar pada suatu permasalahan dalam suatu bidang dan seorang pakar dapat menyelesaikan permasalahan dengan berurutan.
Berikut ini rule dari sistempakar mendiagnosa hama dan penyakit tanaman padi dengan menggunakan metode certainty factor : RULE 1 : IF G01 AND G02 AND G03 AND G04 AND G05 AND G06 THEN P1 RULE 2 : IF G07 AND G08 AND G09 THEN P2 RULE 3 : IF G10 AND G11 AND G12 AND G13 AND G14 THEN P3 RULE 4 : IF G15 AND G16 AND G17 AND G18 THEN P4 RULE 5 : IF G05 AND G19 AND G20 AND G21 THEN P5 RULE 6 : IF G04 AND G18 AND G22 THEN P6 RULE 7 : IF G03 AND G18 AND G23 AND G24 AND G27 THEN P7 RULE 8 : IF G03 AND G18 AND G27 AND G28 AND G29 THEN P8 RULE 9 : IF G18 AND G25 AND G26 AND G27 THEN P9
Tabel3.1 Contoh perhitungan Certainty Factor
No Gejala Penyakit Nilai
1 Helaian daun memendek Tungro 0,6 2 Tanaman menjadi kerdil Tungro, 0,8 3 Daun berwarna kuning sampai kuning-oranye. Tungro 0,6 Rumus = CF(1.2) = CF(1) + [CF(2) * (1 – CF(1)] CF(A) = CF(1) + [CF(2) * (1 – CF(1))] = 0,6 + [0.8 * (1 – 0.6 )] = 0.92 CF(B) = CF(3) + [CF(A) * (1 - CF(3))] =0.6 + [0.92 * (1 – 0.6)] = 0,968
Sehingga dari gejala-gejala yang di input oleh user pada tanaman padi adalah penyakit tunggo dengan nilai maximal yaitu 0,968 dibulatkan menjadi 0,96 atau 97% .
4.
IMPLEMENTASI SISTEM
Pada tampilan menu utama
adalah gambaran perancangan
halaman depan yang terdapat bebera patampilan menu antara lain:
pengantar, Knowledge Base,
history, pembuat, sistem Pendeteksi, kontak.
Gambar 4. 1 Menu Pengantar Sebelum memasuki sistem pendeteksi user akan di sajikan menu login. Seperti gambar dibawah ini:
Gambar 4. 2 Login User
Pada menu sistem
pendekatan ini user dapat menginputkan gejala-gejala tanaman padi yang telah dialami petani. Dan akan mendapatkan informasi tentang jenis - jenis hama dan penyakit tanaman padi beserta penanggulangnnya.
7
Gambar 4. 3 menu Sistem pendekatan
Pada tampilan hasil
diagnosa user dapat mengetahui hasil diagnosa jenis hama dan
penyakit tanaman padi
berdasarkan gejala yang user input.
Gambar 4. 4 Tampilan Hasil Diagnosa
5.
KESIMPULAN DAN SARAN
5.1 Kesimpulan
Berdasarkan pembahasan
dapat disimpulkan :
1. Dari penelitian yang telah dilakukan diperoleh hasil perangkat lunak tentang sistem pendeteksi yang
mampu mengambil
keputusan dengan
memberikan solusi untuk
mendeteksi hama dan
penyakit tanaman padi
dengan jumlah hama
sebanyak 3 dan jumlah penyakit sebanyak 6 yang sudah diverifikasi oleh sorang pakar.
2. Perangkat lunak yang
hasilkan dapat mendeteksi hama dan penyakit tanaman padi dengan mengadopsi pengetahuan dari sorang pakar. Selain itu sistem dapat digunaan sebagai media untuk berkonsultasi tentang hama dan penyakit tanaman padi yang meliputi gejala, jenis hama dan penyakit, serta solusi penanggulangannya. 3. Sistem dapat digunakan
sebagai media belajar bagi mahasiswa pertanian dan
dapat digunakan untuh
media penyuluhan di
daerah. 5.2 Saran
Saran-saran untuk
pengembangan aplikasi ini adalah:
1. Sistem aplikasi ini hanya terdapat 3 jenis hama dan 6
jenis penyakit tanman
padi.Untuk penelitian
selanjutnaya dapat
menambahkan lebih banyak hama dan penyakit tanaman padi lagi.
2. Aplikasi yang dibuatini dapat dikembangkan lagi dengan menambah
fasilitas-fasilitas lagi dan
mengembangkan aplikasi
kebasis yang lain contohnya android.
9
DAFTAR PUSTAKA
1. Aak. (1992). Budidaya Tanaman Padi. Kanisius, Yogyakarta, 12-39.
2. Bunafit Nugroho . (2008 : 2). Panduan lengkap manguasai perintah SQL. Jakarta: Mediakita.
3. Departemen Pertanian. (1983). 4. dkk, L. (1990). Pasaribu (2010).
5. Fowler, M. (2005). UML Distilled Edisi 3. Yogyakarta: Andi. 6. lee(1990). (2010). pasaribu. (2010): dalam pasaribu.
7. Marunung, S. d. (1988). Morfologi dan Fisiologi Padi. badan penelitian dan pengembangan Pertanian( Bogor).
8. Nataliana, b. D. (Agustus 2013 ). sistem pakar untuk mendiagnosa penyakit alopesia pada manusia dengan metode certainty factor. Pelita Informatika Budi Darma, IV, 3.
9. Stubblefield, L. (1993). Artificial Intellligence – Structures and Strategies for Complex Problem Solving. Cummings Publishing Company Inc.
10. Sutojo, M. S. ( 2011). Kecerdasan Buatan. Yogyakarta: Andi.
11. Tangaguling, G. (skripsi 2013). pembangunan sistempakar untuk mendiagnosa hama dan penyakit padi pada tanaman padi berbasis web. Universitas admajaya Yogyakarta.
