Sistem Pakar Diagnosis Hama Dan Penyakit Tanaman Pepaya Menggunakan Metode Certainty Factor
Berbasis Android
Andika Tanjung1, Rizki Tri Prasetio2, Yosep Hernawan3
1Universitas BSI Bandung e-mail:
[email protected]
2AMIK BSI Bandung e-mail:
3AMIK BSI Tasikmalaya e-mail:
[email protected]
Abstrak
Pepaya merupakan tanaman buah berupa herba dari famili Caricaceae dan merupakan komoditas hortikultura yang mempunyai nilai ekonomis yang tinggi. Tanaman pepaya dapat menjadi daya tarik tersendiri bagi para petani untuk melakukan kegiatan usahatani pepaya tersebut dan masyarakat juga bisa menaman pepaya di halaman rumah. Sistem pakar yang merupakan bagian dari kecerdasan buatan. Sistem pakar adalah sistem komputer yang mampu menirukan penalaran seorang pakar dengan keahlian pada suatu pengetahuan tertentu. Sistem pakar dapat menggantikan peran seorang pakar yang pada prinsip kerjanya dapat memberikan hasil yang pasti seperti yang dilakukan oleh seorang pakar. Pada skripsi ini dijelaskan cara perancangan sistem pakar untuk mendiagnosis hama dan penyakit pada tanaman pepaya, Metode certainty factor merupakan salah satu metode untuk membuktikan apakah suatu fakta itu pasti, ataukah tidak pasti yang membentuk metric yang biasanya digunakan dalam system pakar.
Metode ini sangat cocok untuk system pakar yang mendiagnosa sesuatu yang belum pasti.
Faktor kepastian menyatakan kepercayaan dalam dalam sebuah kejadian atau fakta dalam hipotesa berdasarkan bukti atau penilaian pakar. Keluaran sistem ini adalah keputusan tunggal beerupa vonis penyakit.
Kata Kunci : Klasifikasi, Certainty Factor, Pepaya
Abstract
Papaya is a fruit plant in the form of herbs from the family Caricaceae and is a horticultural commodity that has high economic value. Papaya plants can be a special attraction for farmers to do the papaya farming activities and the community can also plant papaya in the yard. Expert systems that are part of artificial intelligence. An expert system is a computer system that is able to mimic the reasoning of an expert with expertise in a particular knowledge. Expert systems can replace the role of an expert whose working principle can provide definite results as is done by an expert. In this thesis explained how to design an expert system to diagnose pests and diseases in papaya plants, the method of certainty factor is one method to prove whether a fact is certain, or uncertain that forms a metric that is usually used in expert systems. This method is very suitable for expert systems that diagnose something that is uncertain. The certainty factor states confidence in an event or fact in the hypothesis based on evidence or expert judgment.
The output of this system is a single decision in the form of a verdict.
Keyword: Classification, Certainty Factor, Papaya
1. Pendahuluan
Pepaya merupakan salah satu komoditas hortikultura yang memiliki prospek cerah untuk dikembangkan secara komersial. Hal ini dapat dilihat dari semakin meningkatnya daya serap pasar dan permintaan pepaya untuk konsumsi rumah tangga, supermarket, pabrik, hotel, dan restoran. Tidak hanya di dalam negeri, ternyata pepaya mempunyai peluang bisnis yang cerah di pasar luar negeri. Pasar pepaya semakin meluas karena buah subtropis ini tidak hanya dikonsumsi segar, tetapi dapat diolah menjadi makanan seperti saus dan manisan(Syakri, Mulyadi, &
Simbolon, 2017).
Produksi buah pepaya di Indonesia pada tahun 2012 mencapai 906.312,00 ton dan meningkat mencapai 909.827,00 ton pada tahun 2013, sedangkan tahun 2014 menurun drastis 840.119,00 ton. Di Provinsi Aceh, produksi buah pepaya sangat rendah dengan pencapaian hanya rata-rata 1,24%
periode tahun 2012-2014 dari total produksi pepaya di Indonesia(Irma Wahyuni, Buni Amin, 2016).
Salah satu faktor pembatas dalam peningkatan produksi, baik kualitas maupun kuantitas buah pepaya ialah infeksi Colletotrichum sp. penyebab antraknosa ketika buah masih di pertanaman maupun saat pascapanen(Rangkuti, Wiyono, &
Widodo, 2018).
Di era globalisasi yang kiat semarak dibicarakan sekarang ini, teknologi memegang perananan penting yang tentunya tidak terlepas kaitanyanya dengan teknologi komunikasi. Kemampuan komputer dalam mengingat dan menyimpan informasi dapat dimanfaatkan tanpa harus bergantung kepada hambatan seperti yang dimiliki manusia. Dengan menyimpan informasi dan sehimpunan aturan penalaran yang memadai memungkinkan komputer memberitan kesimpulan atau mengambil keputusan yang kualitasnya sama dengan kemampuan seorang pakar bidang keilmuan tertentu. Salah satu cabang ilmu komputer yang mendukung hal tersebut adalah sistem pakar(Harto, 2013).
Sistem pakar mempunyai kemampuan untuk memudahkan masalah- masalah praktis pada saat sang pakar berhalangan. Dan salah satu implementasi sistem pakar pada bidang pertanian yaitu untuk mengidentifikasi penyakit tanaman.
Banyak sekali ragam hama dan penyakit
tanaman dan beragam pula nama dan akibat yang dihasilkannya(Warman, Informatika, &
Industri, 2018).
Sistem pakar ini akan diimplementasikan dengan metode certainty factor. Alasan penggunaan metode ini karena dapat memberikan hasil yang akurat yang didapatkan dari perhitungan berdasarkan bobot gejala yang dipilih pengguna, mampu memberikan jawaban pada permasalahan yang tidak pasti kebenarannya seperti masalah diagnosa resiko penyakit, dan dengan metode ini pakar menggambarkan keyakinan seorang pakar dengan memberikan bobot keyakinan sesuai dengan pengetahuan pakar terkait(Halim & Hansun, 2015).
Berdasarkan dari uraian tersebut maka perlu dibuat sebuah aplikasi, sehingga nantinya penelitian tentang penyakit dan hama pada tanaman pepaya ini dapat memberi manfaat yang signifikan dan system pakar penyakit dan hama pada tanaman pepaya ini dapat efektif, dalam hal ini penulis mengangkat suatu tema “SISTEM PAKAR DIAGNOSIS HAMA DAN
PENYAKIT TANAMAN PEPAYA
MENGGUNAKAN METODE CERTAINTY FACTOR BERBASIS ANDROID”.
2. Metode Penelitian
Metode penelitian yang dilakukan meliputi teknik pengumpulan data dan metode pengembangan sistem.
2.1. Teknik Pengumpulan Data
Teknik pengumpulan data dalam penelitian ini meliputi:
1. Observasi
Pada tahap ini penulis melakukan observasi ke Balai Perlindungan Tanaman Pangan dan Hortikultura (BPTPH) Jawa Barat guna mendapatkan informasi tentang gejala penyakit dari tanaman kedelai.
2. Wawancara
Pada tahap ini penulis melakukan wawancara kepada para ahli / pakar penyakit tanaman kedelai dan para petani kedelai.
3. Studi Kepustakaan
Pada tahap ini penulis melakukan studi pustaka dengan megumpulkan bahan dari beberapa sumber, seperti buku referensi, jurnal, dan sumber yang berada dari internet.
2.2. Metode Pengembangan Sistem Metode waterfall sering disebut siklus kehidupan klasik yang sistematis untuk pengembangan perangkat lunak melalui proses perencanaan, pemodelan, konstruksi, dan penyebaran, yang diakhiri dengan dukungan pada perangkat lunak lengkap yang dihasilkan (Pressman, 2012).
Metode waterfall berupa pengerjaan dari suatu sistem dilakukan secara berurutan atau secara linear. Adapun tahapan – tahapan metode waterfall sebagai berikut:
1. Analisis Kebutuhan
Pada tahap ini, penulis menggali sebanyak-banyaknya data dan informasi dalam pembuatan software yang dibutuhkan oleh pengguna. Informasi ini didapat dengan cara wawancara, diskusi atau survey langsung. Data ini akan menjadi acuan sistem analis untuk menerjemahkan ke dalam bahasa pemrograman.
2. Desain Sistem
Tahapan ini menggambarkan penuangan pikiran dan perancangan sistem. Desain sistem membantu mendefinisikan arsitektur sistem secara keseluruhan.
3. Penulisan Kode Program
Pada tahapan ini penulis menerjemahkan desain sistem ke dalam coding atau bahasa pemrograman.
Tahap ini merupakan implementasi dari tahap desain sistem yang dilakukan oleh programmer.
4. Pengujian Program
Tahapan akhir dari sebuah sistem yaitu pengujian kemampuan dan efektifitas dari sistem sehingga diketahui kekurangan dan kelemahan sistem yang kemudian dilakukan pengkajian dan perbaikan terhadap aplikasi agar lebih sempurna.
5. Penerapan Program dan Pemeliharaan Perubahan bisa terjadi karena adanya kesalahan atau perkembangan kebutuhan secara fungsional. Aplikasi yang dibuat harus bisa menyesuaikan dengan lingkungan dan kebutuhan.
Adapun algoritma dari metode certainty factor adalah sebagai berikut:
1. Certainty Factor
Menurut (Mevung et al., 2017) dalam Sri Kusumadewi (2003) Dalam menghadapi suatu masalah sering ditemukan jawaban yang tidak memiliki kepastian
penuh. Hasil yang tidak pasti disebabkan oleh dua faktor yaitu aturan yang tidak pasti dan jawaban pengguna yang tidak pasti atas suatu pertanyaan yang diajukan oleh sistem. Seorang pakar (misalnya dokter) sering menganalis informasi yang ada dengan ungkapan seperti “mungkin”, “kemungkinan besar”,
“hampir pasti”. Untuk mengakomodasi hal ini kita menggunakan certainty factor (CF) guna menggambarkan tingkat keyakinan pakar terhadap masalah yang sedang dihadapi.
Certainty Factor (CF) menujukkan ukuran kepastian terhadap suatu fakta atau aturan. Notasi Faktor Kepastian adalah sebagai berikut:
CF[h,e] = MB[h,e] – MD[h,e]
Keterangan:
CF[h,e] : Faktor Kepastian
MB[h,e] : ukuran kepercayaan terhadap hipotesis h, jika diberikan evidence e (antara 0 dan 1).
MD[h,e] : ukuran ketidakpercayaan terhadap evidence h,jika diberikan evidence e (antara 0 dan 1).
2. Kombinasi Aturan
Metode MYCIN untuk menggabungkan evidence pada antecedent sebuah aturan yang ditunjukkan pada tabel berikut ini:
Tabel 1. Aturan Kombinasi MYCIN
Evidence, E Antecedent Ketidak Pastian E1 AND E2 Min[CF(H,E1),
CF(H,E2)]
E1 OR E2 Max[CF(H,E1), CF(H,E2)]
NOT E -CF(H,E)
Sumber: Sri Kusumadewi (2003) Bentuk dasar rumus certainty factor sebuah aturan JIKA E MAKA H adalah sebagai berikut:
CF(H,e) = CF(E,e) * CF(H,E) Di mana:
CF(E,e) : Certainty Factor evidence E yang dipengaruhi oleh evidence e CF(H,E) : Certainty Factor hipotesis dengan asumsi evidence diketahui dengan pasti, yaitu ketika CF(E,e) = 1
CF(H,e) : Certainty Factor hipotesis yang dipengaruhi oleh evidence e Jika semua evidence dan antecedent diketahui dengan pasti maka rumusnya menjadi: CF(H,e) = CF (H,E). Dalam diagnosis suatu penyakit, hubungan antara gejala dengan hipotesis sering tidak pasti.
Sangat dimungkinkan beberapa aturan menghasilkan satu hipotesis dan suatu hipotesis menjadi evidence bagi aturan lain. Kondisi tersebut dapat digambarkan sebagai berikut:
Sumber: Sri Kusumadewi (2003) Gambar 1. Jaringan Penalaran Certainty
Factor
Dari gambar tersebut ditunjukan bahwa certainty factor dapat digunakan untuk menghitung perubahan derajat kepercayaan dari hipotesis F, ketika A dan B bernilai benar. Hal ini dapat dilakukan dengan mengkombinasikan semua certainty factor pada A dan B menuju F menjadi sebuah alur hipotesis certainty factor seperti berikut:
Sumber: Sri Kusumadewi (2003) Gambar 2. Kombinasi Certainty Factor
Kombinasi seperti ini disebut kombinasi pararel, sebagaimana ditunjukan oleh gambar dibawah ini:
Sumber: Sri Kusumadewi (2003)
Gambar 3. Kombinasi Paralel Certainty Factor
Pada kondisi ini evidence E1 dan E2 mempengaruhi hipotesis yang sama, yaitu H. Kedua Certainty Factor CF (H, E1) dan CF (H, E2) di kombinasikan menghasilkan certainty factor CF (H, E1, E2). Certainty kedua aturan di kombinasikan sehingga menghasilkan certainty factor CF (H, E’). Untuk menghitung kombinasi tersebut digunakan rumus CF (H, E’) = CF (E, E’)
* CF (H, E).
3. Perhitungan Certainty Factor
Berikut ini adalah contoh ekspresi logika yang mengkombinasikan evidence
E = (E1 AND E2 AND E3) OR (E4 AND NOT E5)
Gejala E akan dihitung sebagai:
E = max (min (E1, E2, E3), min (E4, -E5))
Untuk nilai E1 = 0.9, E2 = 0.8, E3 = 0.3, E4 = -0.5, E5 = -0.4
Hasilnya adalah:
E = max (min (E1, E2, E3), min (E4, -E5))
= max (0.3 – 0.5)
= 0.3
Bentuk dasar rumus certainty factor sebuah aturan jika E maka H di tunjukan oleh rumus berikut:
CF (H, e) = CF (E, e) * CF (H, E) Dimana:
CF (E, e): Certainty Factor evidence E yang di pengaruhi oleh evidence CF (H, E): Certainty Factor hipotesis dengan asumsi evidence di ketahui dengan pasti, yaitu ketika CF (E, e)
= 1
CF (H, e): Certainty Factor hipotesis yang di pengaruhi oleh evidence Jika semua evidence dan antecedent di ketahui dengan pasti, maka rumusnya di tunjukan sebagai berikut:
CF (H, e) = CF (H, E) Karena CF (E, e) = 1
Contoh kasus yang melibatkan kombinasi CF:
JIKA batuk DAN demam DAN sakit kepala DAN bersin-bersin
CF (E2, e) = 0,8 (pasien mengalami demam 80%)
CF (E3, e) = 0,3 (pasien mengalami sakit kepala 30%)
CF (E4, e) = 0,7 (pasien mengalami bersin-bersin 70%)
Sehingga
CF (E, e) = CF (H, E1 ∩ E2 ∩ E3 ∩ E4)
= min [CF (E1, e), CF (E2, e), CF (E3,e), CF (E4,e)]
= min [0,5 , 0,8 , 0,3 , 0,7]
= 0,3
Maka nilai certainty factor hipotesis adalah:
CF (H, e) = CF (E, e) * CF (H, E)
= 0,3 * 0,7
= 0,21
3. Hasil dan Pembahasan
3.1 Hasil
Berikut ini hasil pembuatan pada aplikasi sistem pakar diagnosis penyakit tanaman kedelai menggunakan metode certainty factor berbasis android.
A. Tampilan Menu Utama
Gambar 1. Tampilan Menu Utama
B. Tampilan Menu Diagnosis
Gambar 2. Tampilan Menu Diagnosis C. Tampilan Menu Penyakit
Gambar 3. Tampilan Menu Penyakit
D. Tampilan Halaman Siklus dan Pengendalian Penyakit
Gambar 4. Tampilan Halaman Siklus dan Pengendalian Penyakit
E. Tampilan Menu Tentang
Gambar 7. Tampilan Menu Tentang
4. Kesimpulan
Dalam bab ini penulis mengambil kesimpulan dari pembuatan aplikasi sistem pakar berbasis android ini sebagai berikut :
1.
Aplikasi ini dapat memudahkan petani atau masyarakat untuk mengetahui gejala awal hama dan penyakit tanaman pepaya.2.
Aplikasi sistem pakar ini dapat memberikan informasi dan solusi tempat berkonsultasi untuk petani atau masyarakat mengenai hama dan penyakit tanaman pepaya.3.
Aplikasi sistem pakar diagnosis hama dan penyakit tanaman pepaya ini dapat membantu petani atau masyarakat untuk mengetahui gejala awal penyakit tanaman pepaya, tanpa harus mengeluarkan biaya karena aplikasi ini bersifat offlineReferensi
Syakri, S. A., Mulyadi, & Simbolon, Z. K.
(2017). Identifikasi tingkat kebulatan buah pepaya berdasarkan luas objek dengan pengolahan citra.
Infomedia, 2(Desember), 2.
Irma Wahyuni, Buni Amin, M. A. U. (2016).
PENDAHULUAN Pepaya
merupakan buah lokal yang merakyat . Sebagian EFEKTIVITAS BERBAGAI KONSENTRASI DAN WAKTU APLIKASI EKSTRAK BUAH MENGKUDU TERHADAP
PENYAKIT ANTRAKNOSA
(Colletotrichum gloeosporioides) PADA BUAH PEPAYA (Carica papaya L.), 1(1), 101–109.
Rangkuti, E. E., Wiyono, S., & Widodo, W.
(2018). Identifikasi Colletotrichum spp. Asal Tanaman Pepaya. Jurnal Fitopatologi Indonesia, 13(5), 175.
https://doi.org/10.14692/jfi.13.5.175 Harto, D. (2013). Perancangan Sistem
Pakar Untuk Mengidentifikasi Penyakit Pada Tanaman Semangka Dengan Menggunakan Metode Certainty Factor. Jurnal Pelita Informatika Budi Darma, IV(2), 22–
27.
Warman, I., Informatika, J. T., & Industri, F.
T. (2018). IMPLEMENTASI CASE- BASED REASONING SEBAGAI METODE INFERENSI Gambar 1 . Struktur Sistem Pakar, 6(1), 1–7.
https://doi.org/10.21063/JTIF.2018.
V6.1.1-7
Halim, S., & Hansun, S. (2015). Penerapan Metode Certainty Factor dalam Sistem Pakar Pendeteksi Resiko Osteoporosis dan Osteoarthritis.
ULTIMA Computing, VII(2), 59–69.
Mevung, F. I., Suyatno, A., Maharani, S., Komputer, I., Ilmu, F., Informasi, T.,
& Mulawarman, U. (2017).
Diagnosis Penyakit Kejiwaan Menggunakan Metode Certainty Factor, 2(1).
