Nama NIM Kelas

: Balqis Kamalia Fikria : 10650043 :E

IMPLEMENTASI SISTEM PAKAR PADA DIAGNOSA PENYAKIT TAMAMAN KOPI BERBASIS WEB BAB I PENDAHULUAN 1.1 Latar Belakang: Kopi merupakan salah satu komoditi yang banyak dikembangkan di Indonesia, dimana dari sekian banyak jenis biji kopi yang dijual di pasaran, terdapat 2 jenis varietas utama untuk dikembangkan, yaitu kopi arabika (Coffeaarabica) dan robusta (Coffearobusta) (Ppsdms.org, 2013). Dalam perekonomian Indonesia sendiri, kopi merupakan salah satu komoditi perkebunan nasional yang memegang peranan cukup penting. Peran tersebut berupa pembukaan kesempatan kerja, serta sebagai sumber pendapatan petani. Menurut Ratnandari dan Tjokrowinoto (1991), pengelolaan komoditas kopi telah membuka peluang kerja bagi lebih dari lima juta petani. Disamping itu juga tercipta lapangan kerja bagi pedagang pengumpul hingga eksportir, buruh perkebunan besar dan buruh industri pengolahan kopi. Luas panen kopi di Indonesia sendiri berada ditingkat keempat sesudah Brazil, Cote d'Ivore dan Columbia, menurut FAO pada tahun 1997. Meski demikian, produktivitas perkebunan kopi di Indonesia masih rendah dan berada diurutan ke-53 (yaitu 375 kg/ha) dari 80 negara penghasil kopi dunia, hal itu disebabkan karena rendahnya kualitas kopi yang umumnya dihasilkan oleh perkebunan rakyat (Merdeka.com, 2006). Berikut ini merupakan tabel rata-rata ekspor kopi berdasarkan mutu: Robusta Mutu Grade I Grade II Grade III Grade IV Grade V Grade VI Jumlah Volume (ton) 8.053 6.830 59.687 154.569 15.912 35.354 280.405 Persentase (%) 2,87 2,44 21,29 55,12 5,67 12,61 100,00 Arabika Volume (ton) 25.117 3.119 5.582 780 331 318 35.247 Persentase (%) 71,26 8,85 15,84 2,21 0,94 0,90 100,00 Total Volume (ton) 33.170 9.949 65.269 155.349 16.243 35.672 315.652 Persentase (%) 10,51 3,15 20,68 49,22 5,14 11,30 100,00

Sumber: Kopi Indonesia, Edisi 112/Th X/Januari-Februari 2003. Pada tabel tersebut tampak bahwa pada periode 1997/98-2000/01 rata-rata lebih dari 73% produksi kopi robusta bermutu rendah, dan akhir-akhir ini prosentase tersebut diperkirakan meningkat karena harga kopi robusta tergolong sangat rendah. Sementara untuk kopi arabika yang tergolong mutu rendah hanya sekitar 4 %, sehingga secara keseluruhan terdapat sekitar 65% ekspor kopi Indonesia yang bermutu rendah. Rendahnya mutu produksi kopi robusta terutama disebabkan oleh pengelolaan kebun, panen, penanganan pasca panen, serta ancaman hama dan penyakit yang disebabkan sedikitnya informasi yang diperoleh pihak perkebunan kopi tentang hama maupun penyakit kopi, serta bagaimana penanganan yang benar untuk penyakit tanaman kopi tersebut. Dari permasalahan diatas, salah satu cara untuk meningkatkan kualitas mutu dan produksi kopi di Indonesia, adalah dengan dibuatnya sebuah aplikasi sistem pakar (Expert System) yang dapat memberikan informasi secara tepat dan cepat untuk users, khususnya petani dan pihak pekebunan kopi mengenai penyakit yang menyerang tanaman kopi berdasarkan pada gejala-gejala penyakit yang terlihat serta memberikan solusi yang berguna untuk menangani penyakit tersebut agar produktivitas serta kualitas produk kopi di Indonesia semakin meningkat. Sistem pakar ini nantinya akan dibuat menggunakan metode forward chaining yang merupakan suatu metode dari inference engine untuk memulai penalaran atau pelacakan suatu data dari fakta-fakta yang ada menuju suatu kesimpulan (Angky, 2006). Data dari fakta-fakta yang ada disini berupa gejala-gejala penyakit yang terjadi

pada tanaman kopi, dan kesimpulannya berupa hasil diagnosis penyakit yang meyerang tanaman kopi, yang nantinya akan membantu memberikan solusi yang tepat untuk melakukan tindakan pengendalian. 1.2 Identifikasi Masalah Berdasarkan uraian pada latar belakang di atas, maka didapatkan rumusan masalah yaitu, 1. Mengapa diperlukan pembuatan sistem pakar yang mampu mengidentifikasi penyakit maupun hama tanaman kopi yang berbasis web? 2. Bagaimana merancang dan membangun sistem pakar yang mampu mengidentifikasi penyakit maupun hama tanaman kopi yang berbasis web? 1.3 Tujuan Penelitian Tujuan dari penelitian ini adalah untuk: 1. Mempermudah identifikasi penyakit dan hama tanaman kopi, karena sistem dapat diakses secara dinamis oleh pengguna, khususnya para petani dan perkebunan kopi. Serta dapat digunakan sebagai dasar rujukan pengembangan sistem pakar yang lebih kompleks lagi. 2. Merancang dan membangun sebuah sistem pakar yang berguna dalam identifikasi penyakit dan hama tanaman kopi, sehingga pengguna dapat menemukan solusi yang tepat untuk pengendalian hama/penyakit tanaman kopi.

Pohon Ilmu Kecerdasan Buatan (Artificial Intelligence)

Philosophy & Cognitive Science

Mathematics

Psychology

Computer Science

Artificial Intelligence *Reasoning *Learning * Planning * Perception * Knowledge Acquisition * Intelligent Search * Uncertainty Management dan lain-lain

Sistem Pakar

Computer Vision

Natural Language Processing

Robotika dan Navigasi

Theorem Proving

Gb 1. Disiplin Ilmu Asal Sistem Pakar

BAB II TINJAUAN PUSTAKA 2.1 Tinjauan Pustaka Sebelumnya telah dilakukan beberapa penelitian tentang diagnosa penyakit pada tanaman, khususnya tanaman pertanian dengan berbagai metode diantaranya: Ginanjar Wiro Sasmito (2010), dalam penelitiannya tentang Aplikasi Sistem Pakar Untuk Simulasi Diagnosa Hama dan Penyakit Tanaman Bawang Merah dan Cabai Menggunakan Forward Chaining dan Pendekatan Berbasis Aturan dalam penelitian ini diperoleh kesimpulan bahwa permasalahan yang terjadi pada penelitian ini dapat diatasi dengan menggunakan metode Forward Chaining. Dimana dilakukan suatu penalaran yang dimulai dari sebuah fakta yang menghasilkan sebuah kesimpulan yang kongkrit dari fakta tersebut. Fakta yang terjadi berupa gejala-gejala yang terjadi pada tanaman, dan kesimpulannya berupa vonis penyakit yang menjangkit tanaman bawang merah dan cabai. Aplikasi ini masih berupa aplikasi desktop, sehingga belum mudah diakses oleh semua petani bawang merah dan cabai melalui media online. Penelitian yang dilakukan oleh Debora Nainggolan (2011), dengan judul penelitian Implementasi Jaringan Saraf Tiruan untuk Mendeteksi Penyakit Tembakau (Nicotiana Tabacum L) dengan Metode Backpropagation. Penelitian ini mengembangkan jaringan saraf tiruan dalam medeteksi penyakit tembakau ( Nicotiana tabacum L) yang terjadi di lapangan. Pelatihan yang digunakan menggunakan pelatihan backpropagation yang merupakan pelatihan terawasi. Gejala gejala penyakit yang terjadi di lapangan merupakan masukan yang menjadi data input pada sistem yang terdiri dari 11 variabel. Target yang dihasilkan oleh sistem ada 2, yaitu tanaman sehat dan tanaman berpenyakit. Kelemahan dari metode ini adalah output yang dihasilkan hanya berupa kesimpulan yang menyatakan tanaman tersebut sehat atau berpenyakit. Belum ada spesifikasi penyakit apa yang menjangkit tanaman, sehingga upaya penanggulangan penyakit belum bisa dilakukan secara spesifik juga. Purnomo (2011) pada penelitian tentang Sistem Pakar Fuzzy Penentuan Dan Penigkatan Kualitas Manggis Dari penelitian ini diperoleh kesimpulan bahwa metode Fuzzy dapat menyelesaikan masalah pada penelitian ini yaitu dengan melakukan pendekatan yang dapat memperhitungkan faktor-faktor ketidakpastian dalam permasalahan yang terjadi, dengan menggunakan metode fuzzy. Pada penelitian ini output yang diasilkan masih berupa seberapa bagus kualitas dari tanaman manggis yang diidentifikasi. Penelitian selanjutnya dilakukan oleh Made Edwin Wira Putra dan Iping Supriana Suwardi (2012) yaitu Aplikasi Pengidentifikasi Penyakit Tanaman Tomat Melalui Media Image Foto. Penelitian ini memanfaatkan bentuk dan pengolahan warna yang merupakan dasar dari digital image processing, untuk mengimplementasikan metode-metode dalam mengidentifikasi penyakit tanaman tomat. Kelemahan pada metode yang digunakan adalah penyakit yang diuji untuk dideteksi hanya empat, dari puluhan penyakit tomat yang ada. Metode-metode untuk mendeteksi gejala juga belum mendalam sehingga mencakup gejala-gejala unik terkait penyakit yang akan dideteksi. Dari keempat penelitian diatas, maka dapat disimpulkan bahwa banyak metode yang dapat digunakan dalam mengidentifikasi penyakit-penyakit yang menjangkit tanaman, baik dengan implementasi jaringan syaraf tiruan, image processing, ataupun dengan penerapan sistem pakar yang menggunakan metode Fuzzy maupun dengan menggunakan metode Forward Chaining, keduanya sepenuhnya dapat membantu menyelesaikan permasalahan-permasalahan yang terkait dengan sistem pakar, dari kelebihan dan kekurangan setiap metode. Oleh karenanya penulis tertarik untuk mengembangkan sistem pakar untuk mendiagnosa penyakit tanaman kopi dengan menggunakan metode Forward Chaining dalam menyelesaikan permasalahan-permasalahan yang terjadi terkait tentang penyakit taman kopi sesuai dengan fakta yang diberikan oleh pakar. Sistem ini nantinya akan dibuat berbasis web sehingga memudahkan akses bagi users.

BAB III METODOLOGI PENELITIAN 3.1 Desain Penelitian 3.1.1 Objek yang diteliti Berdasarkan dari tujuan penelitian, objek yang diteliti dalam penelitian ini adalah kondisi fisik tanaman kopi. 3.1.2 Prosedur Penelitian Pada penelitian ini, peneliti melakukan langkah-langkah yang harus dilalui. Berikut tahapan prosedur penelitian:

Pengumpulan data

Menganalisis data

Perancangan Sistem

Implementasi Sistem

Pengujian Sistem

Hasil Akhir

Gambar 3.1 Prosedur Penelitian 1. Pengumpulan data atau informasi Tahap awal pada penelitian ini yaitu mengumpulkan data. Pengumpulan data dilakukan dengan mengumpulkan informasi tentang sistem pakar, metode forward chaining, penyakit hepatitis dan gejalagejalanya. Menganalisis data Pada tahap ini peneliti melakukan analisa terhadap data-data yang telah terkumpul. Tahap ini bertujuan untuk acuan untuk merancang sistem sesuai dengan kebutuhan. Merancang sistem Merupakan tahap penulisan proses, data, aliran proses dan hubungan antar data yang paling optimal dan memenuhi kebutuhan pihak yang terkait. Implementasi sistem Merupakan tahap implementasi sistem sesuai dengan desain dan rancangan sistem yang telah dibuat sebelumnya. Menguji sistem Tahap selanjutnya yaitu pengujian sistem yang telah dibuat. Apakah sistem sudah sesuai apa tidak. Melakukan penarikan kesimpulan Tahap terakhir yaitu melakukan penarikan kesimmpulan terhadap sistem yang akan jadi hasil akhir penelitian.

2.

3.

4.

5. 6.

3.1.3 Jenis Penelitian Penelitian menggunakan metode penelitian kuantitatif. Dimana peneliti mengumpulkan data dan menguji atau membuktikan hipotesis yang ada. 3.1.4 Sumber Data Data yang diperoleh dalam penelitian ini ada dua sumber data yaitu: 1. Data Primer Melakukan pengamatan terhadap data yang diteliti dan melakukan interview dengan para pakar yang berkaitan dalam pembuatan aplikasi sistem pakar untuk mendeteksi penyakit tanaman kopi.

2. Data Sekunder Penulis akan melakukan pencarian, pembelajaran dari berbagai macam literatur dan dokumen yang menunjang penelitian tentang diagnose penyakit tanaman kopi. 3.1.5 Metode Analisa Pada pembuatan system pakar ini, peneliti menggunakan metode inferensi dengan Forward Chaining sebagai teknik analisisnya agar mendapatkan hasil keputusan yang lebih signifikan. Dengan melihat dari inputan pengguna berupa gejala gejala, inferensi pada ketentuan yang telah dibuat, akan didapat aturan dataset yang cocok dengan inputan dari pengguna. Kemudian hasilnya akan diberikan kepada pengguna berupa kemungkinan penyakit yang terdiagnosa beserta definisi dan solusi.
Analisis Rule Decision Tree dan Pseudocode Logika Diagnosa

Keterangan: A: Daun menguning B: Daun timbul dengan bercak kuning kecoklatan OR Daun mudah sekali gugur C: Daun kusam, layu, dan menggantung D: Daun memiliki bercak seperti tepung berwarna orange pada bagian bawah daun OR Daun pada pohon menjadi gundul OR Daun timbul bercak menyebar E: Buah tumbuh prematur dan kosong OR Batang pendek/kerdil OR Akar membusuk dan putus F: Buah timbul bercak hingga membusuk OR Daun timbul bercak melingkar membentuk halo G: Akar tertutup oleh kerak dari butir-butir tanah OR Akar memiliki anyaman benang jamur berwarna coklat kehitaman H: Akar terdapat titik-titik hitam OR Batang terdapat titik-titik hitam I : Akar memiliki anyaman benang jamur berwarna putih J: Batang memiliki benang-benang jamur tipis seperti sutra OR Batang mengalami nekrosis OR Buah mengalami nekrosis

R1:Karat Daun Kopi R2:Nematoda R3:Bercak Daun Kopi R4:Jamur Upas R5:Jamur Akar Coklat R6:Jamur Akar Hitam R7:Jamur Akar Putih R8:Tanaman Sehat R9: Penyakit Tidak Terdeteksi

Dalam tahapan analisis rule decision tree, menggunakan teknik forward chaining, yaitu pola data driven, dimana sistem dimulai dengan memberikan inisialisasi awal elemen yaitu gejalagejala dari tabel diagnosa dan terus menerapkan aturan sampai tidak ada aturan yang dapat diterapkan atau tujuan telah tercapai. Akibatnya, sistem ini bergerak maju dari kondisi saat ini menuju goal state, yang mana goal state pada kondisi disini adalah penyakit tanaman kopi (Karat Daun Kopi, Bercak Daun Kopi dan lain sebagainya) atau keterangan lain seperti Tanaman Sehat dan Penyakit Tidak Terdeteksi. A = Daun Menguning B = (Daun timbul dengan bercak kuning kecoklatan + Daun mudah sekali gugur) / 2 C = Daun kusam, layu, dan menggantung D = (Daun memiliki bercak seperti tepung berwarna orange di bagian bawah daun + Daun pada pohon menjadi gundul + Daun timbul bercak menyebar) / 3 E = (Buah tumbuh prematur dan kosong + Batang pendek/kerdil + Akar membusuk dan putus) / 3 F = (Buah timbul bercak hingga membusuk + Daun timbul bercak melingkar membentuk halo) / 2 G = Akar tertutup oleh kerak dari butir-butir tanah + Akar memiliki anyaman benang jamur berwarna coklat kehitaman) / 2 H = (Akar terdapat titik-titik hitam + Batang terdapat titik-titik hitam) / 2 I = Akar memiliki anyaman benang jamur berwarna putih J = (Batang memiliki benang-benang jamur tipis seperti sutra + Batang mengalami nekrosis + Buah mengalami nekrosis) / 3 IF(A < 0.5) THEN A=0; IF(A >= 0.5) THEN A=1; IF(B < 0.5) THEN B=0; IF(B >= 0.5) THEN B=1; IF(C < 0.5) THEN C=0; IF(C >= 0.5) THEN C=1; IF(D < 0.5) THEN D=0; IF(D >= 0.5) THEN D=1; IF(E < 0.5) THEN E=0; IF(E >= 0.5) THEN E=1; IF(F < 0.5) THEN F=0; IF(F >= 0.5) THEN F=1; IF(G < 0.5) THEN G=0; IF(G >= 0.5) THEN G=1; IF(H < 0.5) THEN H=0; IF(H >= 0.5) THEN H=1; IF(I < 0.5) THEN I=0; IF(I >= 0.5) THEN I=1; IF(J < 0.5) THEN J=0; IF(J >= 0.5) THEN J=1; Dalam proses pendeteksian penyakit pada tanaman kopi, nilai Ya diubah menjadi 1 dan nilai Tidak" diubah menjadi 0, kemudian dimasukan pada pseudocode logika diagnosa yang telah disusun diatas. Nilai 0,5 adalah hasil yang didiskusikan dengan pakar penyakit pada tanaman kopi. Tidak dibenarkan ketika hasil akhirnya di bawah 0.5, karena dapat menghasilkan kesalahan. Kemudian nilai akhir tersebut menjadi 0 yang mana akan dinyatakan tidak valid sedangkan ketika hasil akhirnya diatas 0.5 maka dapat diterima dan nilai akhir tersebut menjadi 1 yang mana akan dinyatakan valid. Apabila nilai dari variabel yang telah disusun menjadi valid maka variabel tersebut akan diuraikan menjadi rule-rule yang digunakan untuk proses pendeteksian penyakit tanaman kopi yang diterapkan pada hasil analisa rule tahapan decision tree. IF A AND B AND D THEN Karat Daun Kopi IF A AND B AND NOT D AND E THEN Nematoda IF A AND B AND NOT D AND NOT E AND F THEN Bercak Daun Kopi IF A AND B AND NOT D AND NOT E AND NOT F THEN Penyakit Tidak Terdeteksi IF A AND NOT B AND C AND G THEN Jamur Akar Coklat IF A AND NOT B AND C AND NOT G AND H THEN Jamur Akar Hitam IF A AND NOT B AND C AND NOT G AND NOT H AND I THEN Jamur Akar Putih IF A AND NOT B AND C AND NOT G AND NOT H AND NOT I THEN Penyakit Tidak Terdeteksi IF NOT A AND J THEN Jamur Upas IF NOT A AND NOT J THEN Tanaman Sehat

3.2 Instrumen Penelitian Instrumen penelitian merupakan variabel-variabel yang menjadi objek penelitian, atau apa yang menjadi titik perhatian suatu penelitian (Arikunto, 2002: 96). 3.2.1 Variabel Bebas / Independent Variabel ( X ) Yaitu variabel yang mempengaruhi variabel lain atau yang diselidiki pengaruhnya. Yang menjadi variabel bebas dalam penelitian ini adalah: Faktor Kondisi Fisik (X) 3.6.2 Variabel Terikat / Dependent Variabel ( Y )

Variabel terikat adalah gejala atau unsur variabel yang dipengaruhi variabel lain. Yang menjadi variabel terikat dari penelitian ini adalah keputusan dari hasil diagnosa penyakit tanaman kopi yang bisa diukur dari gelaja-gelaja penyakit yang timbul pada tanaman. 3.3 Kerangka Teori 3.3.1 Kecerdasan Buatan Turban dalam Kusrini (2006: 1) mendefinisikan kecerdasan buatan sebagai ilmu yang mempelajari cara membuat komputer dapat bertindak dan memiliki kecerdasan seperti manusia. Sedangkan menurut Minsky (1989) dalam Kusrini (2006: 3), kecerdasan buatan adalah suatu ilmu yang mempelajari cara membuat komputer seperti melakukan sesuatu seperti yang dilakukan manusia. Rich dan Knight (1991) dalam Kusrini (2006: 3) mendefinisikan kecerdasan buatan sebagai studi tentang bagaimana membuat computer melakukan hal-hal yang pada saat ini dapat dilakukan lebih baik oleh manusia. Sementara Ensiklopedi Britannica dalam Kusrini (2006: 3) memaknai kecerdasan buatan sebagai cabang dari ilmu komputer yang dalam merepresentasi pengetahuan lebih banyak menggunakan bentuk simbol-simbol daripada bilangan dan memproses informasi berdasarkan metode heuristik atau dengan berdasarkan sejumlah aturan. Menurut Fatchurochman dkk (2006:18), kecerdasan buatan adalah bagian dari ilmu komputer yang mengupayakan bahwa komputer dapat meniru tingkah laku atau cara berfikir manusia. Memahami kecerdasan buatan dapat memberikan wawasan kepada kita tentang seberapa banyak pengetahuan kita tentang diri manusia dan alam sehingga timbul kesadaran akan keagungan Allah Swt. 3.3.2 Sistem Pakar Sistem Sistem pakar atau Expert System adalah program yang berisi pengetahuan manusia atau bertingkah laku seperti manusia expert (manusia pakar) yang pada aplikasinya membantu menyelesaikan masalah masalah didunia nyata. Metode yang digunakan adalah dengan menggunakan sekumpulan aturan atau kaidah yang didapat dari pakar, lalu dijadikan pertanyaan pertanyaan untuk mendapat solusi atau kesimpulan. Dengan sistem pakar ini, orang awam pun dapat menyelesaikan masalahnya atau hanya sekedar mencari suatu informasi berkualitas yang sebenarnya hanya dapat diperoleh dengan bantuan para ahli di bidangnya. Sistem pakar ini juga akan dapat membantu aktivitas para pakar sebagai asisten yang berpengalaman dan mempunyai asisten yang berpengalaman dan mempunyai pengetahuan yang dibutuhkan. 3.3.3 Metode Inferensi Metode inferensi merupakan teknik untuk menurunkan kesimpulan berdasarkan hipotesa yang ada, tanpa harus menggunakan tabel kebenaran. Metode ini lebih dikenal dengan sebutan mesin inferensi. Mesin inferensi merupakan bagian yang mengandung mekanisme fungsi berpikir dan pola-pola penalaran system yang digunakan oleh seorang pakar. Bentuk umum dari metode ini adalah sebagai berikut :

Jika A maka B Fakta = A Maka kesimpulan = B

Mekanisme ini akan menganalisa suatu masalah tertentu dan selanjutnya akan mencari jawaban atau kesimpulan yang terbaik. Secara deduktif mesin inferensi memilih pengetahuan yang relevan dalam rangka mencapai kesimpulan. Dengan demikian sistem ini dapat menjawab pertanyaan pemakai meskipun jawaban tersebut tidak tersimpan secara eksplisit di dalam basis pengetahuan. Mesin inferensi memulai pelacakannya dengan mencocokkan kaidah kaidah dalam basis pengetahuan dengan fakta fakta yang ada dengan teknik yang ada . Ciri-ciri Sistem Pakar Sistem pakar merupakan program-program praktis yang menggunakanstrategi heuristik yang dikembangkan oleh manusia untuk menyelesaikanpermasalahan-permasalahan yang spesifik (khusus). Berikut ciri-ciri sistem pakar[6], antara lain: 1. Terbatas pada bidang yang spesifik. 2. Dapat memberikan penalaran untuk data-data yang tidak lengkap. 3. Dapat mengemukakan rangkaian alasan. 4. Berdasarkan pada rule atau kaidah tertentu. 5. Dirancang untuk dapat dikembangkan secara bertahap.

6. Outputnya bersifat nasihat atau anjuran. 7. Output tergantung dari dialog dengan user. 8. Knowledge base dan Inference engine terpisah. Keuntungan Sistem Pakar Keuntungan sistem pakar, antara lain: 1. Memungkinkan seorang awam seperti seorang pakar. 2. Bisa melakukan proses secara berulang secara otomatis. 3. Menyimpan pengetahuan dan keahlian pakar. 4. Meningkatkan output dan produktifitas. 5. Meningkatkan kualitas. 6. Mampu mengambil dan melestarikan keahlian para pakar. 7. Mampu beroperasi dengan lingkungan yang berbahaya. 8. Memiliki kemampuan untuk mengakses pengetahuan. 9. Memiliki reliabilitas. 10. Meningkatkan kapabilitas sistem komputer. 11. Memiliki kemampuan untuk bekerja dengan informasi yang tidak lengkap. 12. Sebagai media pelengkap dan pelatihan. 13. Meningkatkan kapabilitas dalam penyelesaian masalah. 14. Menghemat waktu dalam pengambilan keputusan. Konsep Dasar Sistem Pakar Menurut Efraim Turban, konsep dasar sistem pakar mengandung beberapa unsur, yaitu: keahlian, ahli, pengalihan keahlian, inferensi, aturan dan kemampuan menjelaskan. Keahlian merupakan penguasaan pengetahuan dibidang tertentu yangdiperoleh dari pelatihan, membaca atau pengalaman. Contoh bentukpengetahuan yang termasuk keahlian adalah: 1. Fakta-fakta pada lingkup permasalahan tertentu. 2. Teori-teori pada lingkup permasalahan tertentu. 3. Prosedur-prosedur dan aturan-aturan berkenaan dengan lingkup permasalahan tertentu. 4. Strategi-strategi global untuk menyelesaikan masalah. 5. Meta- knowledge(pengetahuan tentang pengetahuan). Knowledge base berisi pengetahuan sangat spesifik yang disediakanoleh seorang pakar untuk memecahkan masalah tertentu. Contohnya:knowledge dari seorang dokter ahli untuk mendiagnosa penyakit tertentu.Knowledge planning disediakan oleh seorang konsultan investasi. Seorang pakar adalah orang yang mempunyai keahlian dalam bidangtertentu, yaitu pakar yang mempunyai knowledge atau kemampuan khususyang orang lain tidak mengetahui atau mampu dalam bidang yangdimilikinya. Knowledge pada sistem pakar mungkin saja seorang ahli, atauknowledge yang umumnya terdapat dalam buku, majalah, dan orang-orangyang mempunyai pengetahuan terhadap suatu bidang. Komponen Sistem Pakar Sebuah program yang difungsikan untuk menirukan seorang pakar manusia harus bisa melakukan halhal yang dapat dikerjakan seorang pakar. Untuk membangun sistem seperti itu maka komponen-komponen dasar yang harus dimilikinya adalah sebagai berikut: 1. Antar muka pemakai (User Interface) 2. Basis pengetahuan (Knowledge Base) 3. Mesin inferensi Sedangkan untuk menjadikan sistem pakar menjadi lebih menyerupai seorang pakar yang berinteraksi dengan pemakai, maka dapat dilengkapi dengan fasilitas berikut: 1. Fasilitas penjelasan (Explanation) 2. Fasilitas Akuisisi pengetahuan (Knowledge acquisition facility) 3. Fasilitas swa-pelatihan (self-training) Kaidah Produksi Representasi pengetahuan dengan sistem produksi, pada dasarnya berupa aplikasi aturan (rule) yang berupa: 1. Antecedent yaitu bagian yang mengekspresikan situasi atau premis (pernyataan yang berawalan if). 2. Konsekuen yaitu bagian yang menyatakan suatu tindakan tertentu atau kesimpulan yang diterapkan jika situasi atau premis bernilai benar (pernyataan berawalan then).

Konsekuensi atau kesimpulan yang dinyatakan pada bagian then baru dinyatakan benar, jika bagian if pada sistem yang terbentuk juga benar atau sesuai dengan aturan tertentu, misalnya: If lalu lintas pagi ini padat Then saya naik sepeda motor. Backward Chaining a. Menggunakan pendekatan goal-driven, dimulai dari ekspektasi apa yang diinginkan terjadi, kemudian mengecek pada sebab-sebab yang mendukung dari ekspektasi tersebut. b. Jika suatu aplikasi menghasilkan tree yang sempit dan cukup dalam, maka gunakan backward chaining. 3.3.4 Forward Chaining Forward Chaining atau runut maju merupakan strategi pencarian yang memulai proses pencarian dari sekumpulan data atau fakta, dari data-data tersebut dicari suatu kesimpulan yang menjadi solusi dari permasalahan yang dihadapi. Mesin inferensi mencari kaidah-kaidah dalam basis pengetahuan yang premisnya sesuai dengan datadata tersebut, kemudian dari kaidah-kaidah tersebut diperoleh suatu kesimpulan. Contoh dari teknik ini adalah sebagai berikut : Misalkan untuk menentukan warna buah yang berciri ciri berbulu dan berukuran kecil, dan terdapat ketentuan dasarnya seperti berikut : Jika kecil dan berbulu Maka buah rambutan Jika besar dan berduri Maka buah durian Jika rambutan Maka berwarna merah Jika durian Maka berwarna kuning Maka dengan ketentuan tersebut akan dicari pernyataan yang cocok, dan hasilnya adalah rambutan. Kemudian pencarian berikutnya dengan data rambutan, maka hasilnya adalah berwarna merah. Dengan begitu, telah tercapai tujuan utamanya yaitu menentukan warna buah. Oleh karena itu, metode ini sering disebut Data-Driven. 3.4 Kerangka Konseptual a. Desain Aplikasi yang sudahadasebagai berikut :

Gambar 1.6 Konsep aplikasi sebelumnya Konsep dari aplikasi ini secara garis besar dibagi menjadi dua login, yakni login sebagai pakar yang merupakan admin web, dan login sebagai pengguna. Seorang pakar akan dapat melakukan aksi update pengetahuan, sedangkan pengguna hanya dapat memilih jenis penyakit kemudian melihat hasil diagnosa penyakit tersebut.

b.

Kerangka konsep yang akan dibuat

Login

Pakar

Pengguna

Edit Pengetahuan Input solusi Input Jenis Penyakit

Menu Utama

Daftar gejala/kondisi fisik

Diagnosa

Penanganan
Gambar 1.6 Konsep yang akan dibuat

Dari sistem yang sudah ada dengan sistem yang akan dibuat oleh peneliti dapat diperoleh perbandingan. Pada sistem sebelumnya deteksi baru bisa dilakukan ketika kita telah menentukan jenis penyakitnya, sedangkan pada sistem yang akan di buat ini, kita bisa mendeteksi dengan melihat gejala/parameter fisik dari tanaman. 3.5 Kerangka Operasional Backward chaining : Dimulai dari ekspektasi apa yang diinginkan terjadi, kemudian mengecek pada sebab-sebab yang mendukung dari ekspektasi tersebut Diagnosa Diagnosis Expert system Forward chaining Hipotesis Interface Knowledge base : proses melakukan pemeriksaan terhadap sesuatu dengan menggunakan cara dan teknik tertentu : upaya untuk menegakkan atau mengetahui jenis penyakit yang diderita oleh seseorang : sistem pakar : penalaran yang dimulai dari fakta menuju konklusi : dugaan sementara : tampilan pada komputer yang memungkinkan adanyainteraksi antara manusia dan komputer : berupa representasi pengetahuan dari pakar

REFERENSI: Merdeka.com.2006. Produktivitas Kopi Indonesia Baru 60%. (Online). http://www.merdeka.com/ekonomi/nasional/produktivitas-kopi-indonesia-baru-60-5njwvlm.html, (Diakses tanggal 15 Maret 2013). Ratnandari dan Tjokrowinoto. 1991. Pengelolaan Penyakit Tanaman kopi. Depok: PT Trubus Swadaya. Ppsdms.org, 2013. Menakar Kembali Kekuatan Komoditas Pertanian Tropis Nusantara. (Online). http://www.ppsdms.org/index.php/artikel/668-menakar-kembali-kekuatan-komoditas-pertaniantropis-nusantara. (Diakses pada tanggal 15 Maret 2013). Angky, Y.L. 2006. Sistem Pakar Untuk Tes Minat dan Bakat. Makasar: STMIK Makasar. Kusrini. 2008. Sistem Pakar: Teori dan Aplikasinya. Andi: Yogyakarta. Arikunto, Suharsimi. (2002). Prosedur Penelitian Suatu Pendekatan. Praktek. Edisi V, Jakarta: Rineka Cipta .