pakar
(E
i
, e ) : nilai tingkat keyakinan pakar terhadap masing-masing gejala.
CF
popt
(E
i
, e) : nilai tingkat keyakinan popt terhadap gejala yang dialami oleh tanaman
mangga.
CF(H,E) : nilai tingkat keyakinan pakar terhadap suatu hama atau penyakit
dipengaruhi oleh gejala-gejalanya.
Berikut ini akan diberikan contoh perhitungan certainty factor dari kasus di atas.
52
Tabel 4.15 Perhitungan Certainty Factor
Berdasarkan perhitungan certainty factor pada tabel 4.15, maka kesimpulan atau
konklusi yang akan dimunculkan dalam sistem ialah aturan yang memiliki certainty factor
tertinggi, yaitu aturan dengan id 1 yang memiliki nilai certainty factor sebesar 0.224.
Dalam sistem ini, pakar dapat menentukan threshold sebagai penentu suatu solusi dari
hasil diagnosa sebagai pendukung keputusan.
4.5 Perancangan Sistem
Perancangan sistem ini meliputi perancangan fungsional sistem, perancangan
basis data dan perancangan antarmuka (user interface).
4.5.1 Perancangan Fungsionalitas Sistem
Perancangan fungsionalitas sistem merupakan tahapan awal untuk merancang
semua prose dan aliran data yang terjadi pada sistem.
Id
gejala
CFpakar CFpopt CFpakar*CFpopt Id aturan CF
aturan
CF (H,E)
1 0.7 0.4 0.7 * 0.4 = 0.28 1 0.8 0.28*0.8 = 0.224
2 0.7 0.5 0.7 * 0.5 = 0.35 9 0.4 0.28*0.4 = 0.112
3 0.6 0.6 0.6 * 0.6 = 0.36 21 0.8 0.28 * 0.7 = 0.196
4 0.6 0.7 0.6 * 0.7 = 0.42
5 0.5 0.8 0.5*0.8 = 0.40
Nilai min : 0.28
53
4.5.1.1 Diagram Konteks
Diagram Konteks disebut juga DFD level 0 dari sistem pakar untuk prediksi hama
dan penyakit pada tanaman mangga dapat dilihat pada Gambar 4.3 berikut ini.
P
O
P
T
P
A
K
A
R
0
Sistem Pakar Diagnosa
Hama dan Penyakit pada
Tanaman Mangga
Data POPT
Data penelusuran
gejala
Informasi login pakar
Informasi gejala
Informasi nilai CF gejala
Informasi hama dan
penyakit
Informasi aturan
Informasi login POPT
Hasil diagnosa
Tata cara
pengendalian
Data gejala
Data nilai CF gejala
Data hama dan penyakit
Data aturan penelusuran
Username dan password
Gambar 4.3 Diagram Konteks
Diagram Konteks tersebut berfungsi untuk menunjukkan ruang lingkup dan
batasan dari sebuah sistem yang dimodelkan, serta menunjukkan adanya interaksi
sistem dengan entitas luar. Pada DFD level 0 dari sistem ini ditunjukkan bahwa entitas-
entitas luar yang berhubungan secara langsung dengan sistem adalah Pakar dan
Pengguna nonpakar.
1. Pakar
Pakar memiliki hak untuk memeberikan masukkan untuk melakukan proses
manipulasi data basis pengetahuan yang berisi data gejala, data hama dan penyakit
dan nilai certainty factor dan proses manipulasi basis aturan. Sistem akan
memberikan keluaran berupa informasi basis pengetahuan dan basis aturan yang
ada.
54
2. POPT
POPT (Pengamat Organisme Pengganggu Tumbuhan) merupakan pengguna non
pakar yang memberikan masukkan berupa gejala-gejala yang ada pada daerah
serangan yang dipilih. Sistem ini akan memberikan keluaran berupa hasil diagnosa
hama dan penyakit yang disertai dengan nilai tingkat keyakinannya dalam bentuk
certainty factor dan tata cara pengendalian yang dilakukan. Keluaran dari sistem ini
sesuai dengan hasil masukkan dari pengguna.
4.5.1.2 Diagram Alir Data
Diagram alir data level 1 merupakan kelajutan dari Diagram konteks yang
menggambarkan proses-proses yang berlangsung dalam sistem. Diagram alir data level 1
dapat dilihar pada gambar 4.4 berikut ini.
55
1
manipulasi
basis
pengetahuan
3
Diagnosa
Hama dan
Penyakit
2
Manipulasi
basis aturan
Gejala
Hama dan
Penyakit
Pakar
POPT
Gejala lama
Data Basis
Pengetahuan
Informasi basis
pengetahuan
Id gejala, nama gejala
Hamapenyakit update
aturan
Aturan lama
Aturan update
Informasi basis aturan
Database yang diupdate
Informasi hasil diagnosa
Data gejala yang dimasukkan
Data Aturan
Data hama dan
penyakit
Pengamatan
Data daerah Pengamatan
Data daerah pengamatan valid
Data gejala
Gejala Update
Id hamapenyakit,
nama hamapenyakit,
cf rule, pengendalian
Hamapenyakit lama
Id hamapenyakit, id
gejala, cf gejala
Gambar 4.4 Diagram alir Data Level 1 Proses Diagnosa Hama dan Penyakit
Dari proses diagnosa hama penyakit dapat dikembangkan lebih lanjut menjadi
dua proses yang berbeda. Pengembangan poses manipulasi basis pengetahuan, basis
aturan, dan proses diagnosa akan dikembangkan menjadi DAD Level 2.
56
Pakar
1.1
Tambah Basis
Pengetahuan
Gejala
1.2
Edit Basis
Pengetahuan
Hama dan Penyakit
Tambah Basis Pengetahuan Tambah Gejala
Edit Basis Pengetahuan
Edit Hama Penyakit
Gejala Baru
Basis Pengetahuan Baru
Tambah Hama Penyakit
Basis Pengetahuan Baru
Gejala Baru
Hama Penyakit Baru
Edit Gejala
Hama Penyakit Baru
1.3
Hapus Basis
Pengetahuan
Hapus Basis Pengetahuan
Basis Pengetahuan Baru
Hapus Hama Penyakit
Hama Penyakit Baru
Gejala Baru
Hapus Gejala
Gambar 4.5 Diagram Alir Data Level 2 Proses Manipulasi Basis Pengetahuan
57
Pakar
2.1
Tambah Basis
Aturan
Tambah Basis Aturan
Basis Aturan Baru
2.2
Hapus Basis
Aturan
Hapus Basis Aturan
Basis Pengetahuan Baru
Aturan
Tambah Aturan
Aturan Baru
Hapus Aturan
Aturan Baru
Gambar 4.6 Diagram Alir Data Level 2 Manipulasi Basis Aturan
POPT
3.1
Input
pengamatan dan
gejala
3.2
Proses
Penghitungan
Diagnosa
gejala
aturan
Hama dan
penyakit
Informai hasil diagnosa
Data gejala
Data aturan diagnosa
Data Hama dan
penyakit
Data Gejala
Gambar 4.7 Diagram Alir Data Level 2 Diagnosa Hama dan Penyakit
58
4.5.2 Rancangan Antarmuka Pengguna (User Interface)
Antarmuka pengguna merupakan penghubung antara pengguna dengan sistem.
Perancangan antarmuka pengguna diharapkan mampu mempermudah pengguna dalam
berinteraksi dengan sistem (user friendly).
a. Rancangan Antarmuka Halaman Login
Gambar 4.8 Rancangan Antarmuka Login
Pada tampilan login ini user memilih login sebagai pakar atau pengguna
non-pakar dan memasukkan username dan password untuk mengakses website
sistem pakar sesuai dengan hak aksesnya.
59
b. Rancangan Antarmuka Gejala
Gambar 4.9 Rancangan Antarmuka Gejala
Pada gambar 4.9, semua gejala yang ada akan ditampilkan, kemudian
dalam halaman ini juga pakar dapat melakukan penambahan, pengubahan
dan penghapusan gejala.
60
c. Rancangan Antarmuka Hama dan Penyakit
Gambar 4.10 Tabel Hama Penyakit
Pada gambar 4.10, semua penyakit yang ada akan ditampilkan, kemudian
dalam halaman ini juga pakar dapat melakukan penambahan, pengubahan
dan penghapusan hama dan penyakit.
d. Rancangan Antarmuka Halaman Basis Aturan
Gambar 4.11 Rancangan Antarmuka Halaman Basis Aturan
61
Pada gambar 4.11, semua aturan hama dan penyakit ditampilkan beserta
gejalanya, kemudian dalam halaman ini juga user dapat melakukan
penambahan,pengubahan dan penghapusan aturan.
e. Rancangan Antarmuka Threshold
Gambar 4.12 Rancangan Antarmuka Threshold
Pada gambar 4.12, pakar dapat menentukan nilai threshold yang diinginkan
untuk menemukan hasil diagnosa yang akurat. Pakar juga dapat mengganti nilai
threshold yang sebelumnya dengan yang baru.
f. Rancangan Antarmuka Halaman Diagnosa
Gambar 4.13 Rancangan Antarmuka Halaman Diagnosa
62
Pada gambar 4.13, user memasukkan pilihan daerah pengamatan gejala
yang ingin diamati. Setelah itu muncul data-data gejala berdasarkan daerah
pengamatan yang dipilih sebelumnya dan user diminta untuk memilih gejala-
gejala yang menyerang tanaman mangga.
g. Rancangan Antarmuka Hasil Diagnosa
Gambar 4.14 Rancangan Antarmuka Halaman Hasil Diagnosa
Pada gambar 4.14 akan ditampilkan diagnosa yang dihasilkan dengan
tingkat kepercayaan yang didapatkan dari proses perhitungan certainty factor
dari setiap gejala, serta dalam halaman ini akan ditampilkan hama atau
penyakit yang menyerang dan tata cara pengendaliannya.
63
BAB V
IMPLEMENTASI SISTEM
Bab ini merupakan implementasi dan rancangan pada bab sebelumnya.
Secara garis besar implementasi sistem Rule-Based untuk mendiagnosa hama dan
penyakit pada tanaman mangga dibagi menjadi duan kategori pemakai yaitu user
(POPT) dan pakar. Masing-masing kategori memiliki hak akses sistem yang berbeda.
User mempunyai hak akses untuk memberi masukan berupa gejala yang
timbul pada tanaman mangga dan menerima hasil diagnosa.
5.1 Implementasi Basis Data
Implementasi basis data ini merupakan implementasi dari ERD seperti yang
telah diuraikan pada Bab IV sebelumnya dengan menggunakan database MySQL
yang merupakan fitur pendukung pada NetBeans IDE 7.0.1. Database mySQL
digunakan untuk merancang tabel-tabel yang diperlukan. Tabel-tabel yang disimpan
dalam database adalah sebagai berikut.
5.1.1 Tabel Hama Penyakit
Gambar 5.1 menunjukkan implementasi tabel hamapenyakit yang berisi
detail nama hama dan penyakit dan solusinya. Field id menujukkan kode hama
penyakit yang berfungsi sebagai PRIMARY KEY.
Gambar 5.1 Tabel Hama Penyakit
64
5.1.2 Tabel Gejala
Gambar 5.2 menunjukan implementasi tabel Gejala yang berisi nama-nama
gejala. Field id di sini merupakan kode gejala yang berfungsi sebagai PRIMARY KEY.
Gambar 5.2 Tabel Gejala
5.1.3 Tabel Pengamatan
Gambar 5.3 menunjukkan implementasi tabel pengamatan yang berisi nama
pengamatan tanaman. Field id di sini merupakan kode pengamatan yang berfungsi
sebagai PRIMARY KEY.
Gambar 5.3 Tabel Pengamatan
5.1.4 Tabel Aturan
Gambar 5.4 menujukkan implementasi tabel Aturan yang berisi kode aturan,
jenis hama dan penyakit tiap aturan, dan presentasi tingkat keyakinan terhadap tiap
aturan. Field id di sini berisi tentang kode aturan dan merupakan PRIMARY KEY dari
tabel Aturan dan field hama_penyakit_id merupakan FOREIGN KEY dari tabel hama
penyakit.
65
Gambar 5.4 Tabel Aturan
Tanda foreign key pada tabel ini dapat terlihat apabila memasukkan data
baru pada database, pakar dapat langsung memilih id hama penyakit secara
otomatis. Seperti yang ditunjukkan pada gambar 5.5
Gambar 5.5 Foreign Key
5.1.5 Tabel Aturan Gejala
Gambar 5.6 menunjukkan implementasi implentasi tabel aturan_gejala yang
berisi gejala-gejala tiap aturan serta tingkat keyakinan setiap gejala. Field aturan_id
merupakan FOREIGN KEY dari tabel aturan dan field gejala_id merupakan FOREIGN
KEY dari tabel gejala.
Gambar 5.6 Tabel Aturan Gejala
66
Tanda foreign key pada tabel ini dapat terlihat apabila memasukkan data
baru pada database, pakar dapat langsung memilih id gejala dan id aturan secara
otomatis. Seperti yang ditunjukkan pada gambar 5.7
Gambar 5.7 Foreign Key Gejala
5.1.6 Tabel Usertype
Gambar 5.8 menunjukkan implementasi tabel usertype berisi id tipe user
dan tipe usernya. Field id merupakkan PRIMARY KEY.
Gambar 5.8 Tabel Usertype
5.1.7 Tabel User
Gambar 5.9 menujukkan implementasi tabel User berisi username,
password, dan memiliki hak akses yan berbeda. Field id merupakan PRIMARY KEY
dan field usertype merupakan FOREIGN KEY dari tabel user.
Gambar 5.9 Tabel User
67
Tanda foreign key pada tabel ini dapat terlihat apabila memasukkan data
baru pada database, pakar dapat langsung memilih usertype aturan secara otomatis.
Seperti yang ditunjukkan pada gambar 5.10
Gambar 5.10 Foreign Key Usertype
5.2 Implementasi Proses
Proses dalam sistem ini diimplementasikan berdasarkan rancangan yang
telah dibuat menggunakan bahasa pemogrman.
5.2.1 Proses Input Gejala oleh POPT
Input gejala oleh POPT merupakan proses awal sebelum dilakukan proses
perhitungan nilai faktor kepastian terhadap suatu hama atau penyakit pada
tanaman mangga untuk mendapatkan hasil diagnosa dan tata cara pengendaliannya.
Dalam proses input gejala, semua gejala akan ditampilkan pada antarmuka
diagnosa. Potongan kode untuk pengambilan data dari tabel Gejala untuk
ditampilkan dapat dilihat pada gambar 5.11.
68
Gambar 5.11 Kode Data Gejala
Setelah menampilkan data gejala pada antarmuka, POPT dapat memilih
gejala-gejala pada antarmuka berdasarkan gejala yang timbul pada tanaman mangga
berdasarkan daerah pengamatannya. Gejala-gejala yang telah dipilih POPT akan
disimpan ke dalam larik untuk kemudian dijadikan sebagai masukan. Potongan kode
untuk proses pemilihan gejala dapat dilihat pada gambar 5.12.
Gambar 5.12 Kode Pemilihan Gejala
69
5.2.2 Proses Input Aturan oleh Pakar
Input aturan oleh pakar merupakan proses manipulasi pengetahuan apabila
ada pengetahuan baru mengenai suatu hama dan penyakit pada tanaman mangga.
Antarmuka menampilkan data hama penyakit dan gejala. Apabila hama penyakit dan
gejala yang akan ditambahkan tidak terdapat dalam basis data, maka pakar dapat
menambahkan input aturan melalui antarmuka. Potongan kode untuk proses input
aturan baru dapat dilihat pada gambar 5.13.
Gambar 5.13 Potongan Kode Tambah Aturan
Pakar dapat menetukan tingkat keyakinan tiap gejala yang berbeda-beda
tiap aturannya, tergantung pada pengaruh gejala tersebut terhadap hama penyakit
tersebut. Tingkat keyakinan tiap aturan ditentukan oleh pakar berdasarkan
pemahaman pakar terhadap gejala-gejala yang terjadi dengan hama atau
penyakitnya. Masukan-masukan dari aturan baru akan disimpan dalam tabel
aturan_gejala. Potongan kode untuk proses penyimpanan masukan aturan baru
dapat dilihat pada gambar 5.14.
70
Gambar 5.14 Potongan Kode Untuk Proses Memasukkan Data ke Tabel
aturan_gejala
5.2.3 Proses Input Hama Penyakit oleh Pakar
Input hama penyakit dilakukan oleh pakar, ketika sebuah penyakit baru
ditemukan. Antarmuka menampilkan data hama penyakit dan tata cara
pengendalian. Apabila hama penyakit dan tata cara pengendalian tidak ada dalam
basis data, maka pakar akan menambahkan hama penyakit baru melalui antarmuka
dan akan tersimpan dalam tabel 4.4. Potongan kode untuk proses input hama
penyakit baru dapat dilihat pada gambar 5.15
Gambar 5.15 Potongan Kode Tambah Hama Penyakit
71
5.2.4 Proses Tambah Gejala oleh Pakar
Tambah gejala dilakukan oleh pakar. Apabila ditemukan gejala baru yang
belum terdapat dalam sistem, pakar dapat menambahkan gejala baru tersebut ke
dalam sistem melalui antarmuka dan akan tersimpan dalam tabel 4.2. Selain untuk
menambahakan gejala baru, pakar juga dapat menghapus dan mengedit daftar
gejala yang telah ada. Potongan kode untuk proses input gejala baru dapat dilihat
pada gambar 5.16
Gambar 5.16 Potongan Kode Tambah Gejala
5.2.5 Proses Diagnosa
Proses diagnosa merupakan proses letak mesin inferensi bekerja dalam
sistem pakar ini. Pada proses ini dilakukan perhitungan certainty factor setelah POPT
memberikan masukkan berupa gejala-gejala yang dialami tanaman mangga. Larik
hasil masukan oleh POPT diproses dengan mencocokan aturan yang mencakupi yang
terdapat pada tabel 4.5.
72
Gambar 5.17 Potongan kode untuk proses pencocokan aturan terhadap gejala
Proses perhitungan certainty factor setelah gejala dimasukkan oleh POPT
adalah seperti gambar 5.18. Hasil hama atau penyakit yang muncul dalam
antarmuka adalah yang memiliki nilai certainty factor tertinggi.
73
Gambar 5.18 Potongan kode perhitungan certainty factor
Gambar 5.18 memperlihatkan perhitungan certainty factor jika tidak ada hama
penyakit yang sama dalam aturan yang diproses. Jika terdapat aturan yang memuat
hama dan penyakit yang sama maka dilakukan perhitungan CF combine seperti pada
gambar 5.19.
Gambar 5.19 Potongan kode perhitungan CF combine
Setelah melakukan proses perhitungan certainty factor, sistem akan
menampilkan hama penyakit yang memiliki nilai certainty factor tertinggi di atas
threshold dan jika nilai certainty factor lebih rendah dari threshold maka tidak ada
hama penyakit yang muncul dalam sistem . Nilai threshold diambil dari tabel 4.6.
74
Gambar 5.20 berikut merupakan proses perhitungan certainty factor terhadap
threshold.
Gambar 5.20 Perhitungan threshold
5.3 Implementasi Menu
Antarmuka sistem ini digunakan untuk mengakomodasi proses-proses yang
telah dirancang.
5.3.1 Menu Utama Pakar
Untuk menu utama pakar dibagi kedalam lima submenu, yaitu submenu
hama dan penyakit, submenu gejala, submenu aturan, submenu hapus aturan dan
submenu threshold. Antarmuka menu utama pakar ditunjukkan oleh gambar 5.21
75
Gambar 5.21 Menu Utama Pakar
5.3.1.1 Submenu Hama Penyakit
Halaman submenu hama dan penyakit adalah menu khusus yag disediakan
pakar untuk menambahakan, menghapus dan mengedit hama dan penyakit. Data
yang dimasukkan pakar pada menu hama dan penyakit adalah nama hama atau
penyakit dan tata cara pengendalian yang diberikan. Pada submenu disediakan
textbox isian untuk mengbah data hama dan penyakit. Data hama penyakit terdiri
dari nama hama dan penyakit dan tata cara pengendalian.
Antarmuka submenu hama penyakit ditunjukkan pada gambar 5.22
76
Gambar 5.22 Submenu Hama Penyakit
Aksi selanjutnya pakar dapat menghapus atau mengedit data hama dan
penyakit. Antarmuka hapus hama penyakit ditunjukkan oleh gambar 5.23.
77
Gambar 5.23 Antarmuka Hapus Hama Penyakit
Gambar 5.23 pada saat menghapus suatu data akan dilakukan konfirmasi
terlebih dahulu untuk memastikan apakah pakar benar-benar akan menghapus
datanya.
5.3.1.2 Submenu Gejala
Halaman submenu gejala adalah menu khusus yang disediakan bagi pakar,
untuk menambahkan, menghapus dan mengedit gejala. Data yang dimasukkan
pakar pada submenu gejala adalah gejala dan daerah pengamatan. Antarmuka
submenu gejala ditunjukkan pada gambar 5.24
78
Gambar 5.24 Submenu Gejala
Aksi selanjutnya pakar dapat menghapus data gejala. Antarmuka hapus
gejala ditunjukkan oleh gambar 5.25.
79
Gambar 5.25 Antarmuka Hapus Gejala
Gambar 5.25 pada saat menghapus suatu data akan dilakukan konfirmasi
terlebih dahulu untuk memastikan apakah pakar benar-benar akan menghapus
datanya.
5.3.1.3 Submenu Tambah Rule
Halaman submenu tambah rule adalah menu khusus yang disediakan bagi
pakar untuk memanipulasi aturan-aturan yang harus ada dalam sistem. Basis aturan
yang ada dalam sistem pakar ini adalah nama hama atau penyakit dan gejala. Pada
halaman submenu tambah rule, pakar dapat menambahkan basis aturan.
Antarmuka submenu tambah rule ditunjukkan pada gambar 5.26
80
Gambar 5.26 Antarmuka Tambah Rule
Pada submenu aturan ini, pakar dapat melakuakan aksi untuk menambahkan
data aturan apabila pakar menemukan knowledge baru.
5.3.1.4 Submenu Delete Rule
Pada submenu delete rule, pakar dapat menghapus data aturan. Aturan -
aturan yang sudah tersimpan dalam basis data ditampilkan beserta tingkat
keyakinan aturan dan gejala-gejalanya. Antarmuka delete rule ditunjukkan oleh
gambar 5.27
81
Gambar 5.27 Antarmuka Delete Rule
5.3.1.5 Submenu Threshold
Pada submenu threshold pakar dapat mengganti nilai ambang batas suatu
hama atau penyakit yang akan dimuncul dalam hasil diagnosa seperti yang terlihat
pada gambar 5.28
Gambar 5.28 Submenu Threshold
82
5.3.2 Menu Utama POPT
Menu utama POPT merujuk pada aksi diagnosa yang merupakan aksi untuk
menu proses diagnosa. Dalam proses ini, POPT memasukkan gejala dan tingkat
kerusakan yang terjadi untuk kemudian dilakukan perhitugan untuk mendapatkan
hasil diagnosa. Antarmuka input gejala dan hasil diagnosa ditunjukkan pada gambar
5.29.
Gambar 5.29 Antarmuka Diagnosa
83
BAB VI
HASIL DAN PEMBAHASAN
6.1 Proses Pengisian Basis Pengetahuan
Tahap awal dari penggunaan sistem adalah proses pengisian basis
pengetahuan. Terdapat 46 gejala dengan 10 jenis hama dan penyakit.
Pengetahuan yang dimasukkan ke dalam basis pengetahuan, sebanyak 24 aturan.
Setiap gejala memiliki faktor kepastian yang berbeda-beda tergantung besarnya
pengaruh terhadapa hama atau penyakit tersebut. Nilai faktor kepastian
diberikan antara 0 sampai dengan 1. Pengisian faktor kepastian gejala terhadap
hama atau penyakit dan dilakukan oleh seorang pakar ketika melakukan proses
manipulasi pengetahuan dalam bentuk persen.
6.2 Proses Diagnosa
Diagnosa hama dan penyakit dilakukan dengan memberikan masukkan
berupa gejala-gejala yang timbul pada tanaman mangga seperti pada gambar
5.24. Ketika gejala dimasukkan, sistem akan secara otomatis mencari hama atau
penyakit yang memiliki faktor kepastian dengan nilai tertinggi dan lebih dari
threshold untuk kemudian menampilkannya pada bagian hasil diagnosa.
6.3 Penjelasan Perhitungan Mesin Inferensi
Dalam proses perhitungan mesin inferensi, perhitungan untuk
menentukan hasil diagnosa menggunakan persamaan (4.1).
6.3.1 Perhitungan Mesin Inferensi
Pengujian sistem dilakukan dengan data hama penyakit yang terdapat
dalam basis data pada tabel 4.1 dan dengan data gejala yang terdapat pada
84
tabel 4.3. Uji coba sistem dilakukan dengan mendiagnosa suatu penyakit dengan
gejala yang telah terdapat dalam basis data. Rincian tabel keputusan terhadap
suatu penyakit dapat dilihat pada tabel 4.4.
Uji coba sistem dilakukan dengan mendiagnosa suatu hama penyakit
dengan terdapat bercak-bercak pada daun, pusat bercak sering pecah
menyebabkan bercak berlubang, daun kering daun gugur dan daun layu. Untuk
perhitungan manual mesin inferensi dalam pencarian solusi dapat dilihat pada
tabel 6.1
Tabel 6.1 Pengujian Perhitungan
HP Gej CFpakar CFpopt CFaturan CFpakar*CFpopt Min[CFpakar*CFpopt]*
CFaturan
1 1 0.7 0.6 0.7 0.42 Min[0.42;0.35;0,24;0.42;0.4]*
1 2 0.7 0.5 0.35 CFaturan
1 3 0.6 0.4 0.24 = 0.24 * 0.7
1 4 0.6 0.7 0.42 = 0.168
1 5 0.5 0.8 0.4
6.4 Hasil Uji Coba
Pada gambar 6.1 menunjukkan hasil diagnosa dari pengujian sistem.
Sistem hanya akan menampilkan solusi dengan certainty factor yang paling
besar serta melebihi atau memiliki selisih yang minimum dari threshold. Hasil
pengujian sistem yang memiliki solusi yaitu Antraknosa dengan nilai certainty
factor 0,168. Hal ini cocok dengan perhitungan manual pada tabel 6.1.
85
Gambar 6.1 Hasil Pengujian Diagnosa
6.5 Alur Sistem
Penggunaan sistem ini dibagi kedalam 2 tipe pengguna, yaitu pakar dan
POPT dengan hak akses yang berbeda.
6.5.1 Tampilan pada Pakar
Pakar dapat melakukan proses manipulasi basis pengetahuan.
a. Menu penambahan gejala baru
Pada gambar 6.2 menunjukkan bahwa pakar dapat menambah gejala
baru, menghapus dan mengedit gejala.
86
Gambar 6.2 Proses Penambahan Gejala Baru
Setelah di klik button tambah maka data akan disimpan dan dapat
dilihat pada antarmuka daftar gejala yang ada, seperti pada gambar
6.3.
Gambar 6.3 Tampilan Gejala Update
b. Menu penambahan hama penyakit baru
Pada gambar 6.4 menunjukkan bahwa pakar dapat menambah hama
penyakit, certainty factor dan tata cara pengendalian baru, dapat
melakukan perubahan terhadap data hama dan penyakit, certainty
factor dan tata cara pengendalian, serta dapat melakukan
penghapusan data yang ada.
87
Gambar 6.4 Proses Penambahan Hama Penyakit Baru
Setelah di klik button tambah maka data akan disimpan dan dapat
dilihat pada antarmuka daftar hama penyakit yang ada, seperti pada
gambar 6.5.
Gambar 6.5 Tampilan Hama Penyakit Update
c. Menu penamabahan aturan baru
Pada gambar 6.6 menujukkan bahwa pakar dapat menambah aturan
baru.
88
Gambar 6.6 Proses Penambahan Aturan Baru
d. Menu penghapusan aturan
Pada gambar 6.7 menunjukkan bahwa pakar dapat melakukan aksi
penghapusan aturan yang telah ada.
Gambar 6.7 Proses Penghapusan Aturan
e. Penetapan nilai threshold
Pada gambar 6.8 menujukkan bahwa pakar dapat menetapkan
threshold untuk menampilkan hasil diagnosa.
89
Gambar 6.8 Penetapan Nilai Threshold
Setelah di klik button update maka nilai threshold yang lama akan
digantikan dengan nilai yang baru dan dapat dilihat pada antarmuka
threshold, seperti pada gambar 6.9.
Gambar 6.9 Update Threshold
6.5.2 Tampilan pada POPT
POPT dapat memberikan masukkan berupa gejala-gejala yang timbul
pada tanaman mangga yang akan diproses oleh sistem untuk menghasilkan
diagnosa berdasarkan perhitungan certainty factor.
a. Input gejala
Pada gambar 6.9 menujukkan bawha POPT memberikan masukkan
berupa gejala dan certainty factor pada sistem.
90
Gambar 6.9 Input Gejala
b. Hasil diagnosa
Pada gambar 6.10 menunjukkan hasil diagnosa dan perhitungan
certainty factor berdasarkan inputan gejala POPT.
Gambar 6.10 Hasil Diagnosa
91
BAB VII
KESIMPULAN DAN SARAN
Berdasarkan hasil pengujian Sistem Pakar Diagnosa Hama dan Penyakit pada
Tanaman Mangga dapat ditarik kesimpulan dan saran.
7.1 Kesimpulan
1. Setiap rule yang ada dalam sistem memiliki tingkat keyakinan yang berbeda-
beda-beda, tergantung tingkat keyakinan pakar terhadap gejala-gejala yang
mempengaruhi suatu penyakit.
2. Nilai tingkat keyakinan gejala pada proses diagnosa dapat ditentukan secara
berbeda-beda oleh popt, sehingga dalam proses pendiagnosaan menjadi lebih
teliti dalam menentukan hasil diagnosa.
3. Sistem dapat memberikan hasil diagnosa berupa hama atau penyakit yang
kemungkinan dialami tanaman dan tata cara pengendaliannya.
7.2 Saran
Saran yang dapat penulis berikan untuk pengembangan aplikasi ini
selanjutnya adalah sebagai berikut:
1. Data-data gejala maupun hama penyakit perlu ditambah kelengkapannya,
disamping itu agar dapat benar-benar menggambarkan atau menghasilkan
diagnosa yang valid ditambahkan data pemeriksaan penunjang (misalnya
hasil laboratorium).
2. Dalam penelitian selanjutnya mungkin dapat menggunakan metode CBR
(Case Based Reasoning). Metode ini telah dikaji oleh para pakar dan diyakini
dapat meningkatkan hasil dari pengambilan keputusan dan mendapatkan
92
banyak perhatian sebagai pengembangan sistem Knowledge Base dalam
dunia pertanian.
93
DAFTAR PUSTAKA
Arga, B., Cahyaniati, Hasanah, I. U., Hasyim, A., Kustaryati, A., Marufah, A. A., Railan,
M., Ratnaningrum, A. C., Riyadi, S., Suputa dan Suryanti, 2010, Pedoman
Pengenalan & Pengendalian Organisme Pengganggu Tumbuhan pada
Tanaman Mangga, Direktorat Perlindungan Tanaman Hortikultura Direktorat
Jenderal Hortikultura Departemen Pertanian Indonesia ISBN 978-979-3147-
37-6 Jakarta.
Artanti, F. R., 2004, Perancangan dan Pembuatan Sistem Pakar Hama dan Penyakit
Tanaman Serta Pengendaliannya Untuk Tanaman Hortikultura, Skripsi,
Jurusan Teknik Informatika, Universitas Kristen Petra, Surabaya.
Atik, W., 2008, Sistem Pakar Identifikasi Hama dan Penyakit pada Tanaman Kelapa
Sawit, Skripsi, Jurusan Matematika FMIPA UGM, Yogyakarta.
Departemen Pertanian Direktoral Jendral Bina Produksi Tanaman Pangan Balai
Peramalan Organisme Pengganggu Tumbuhan, 2007, Petunjuk Peramalan
Hama dan Penyakit Tanaman Pangan dan Hortikultura, Jatisari.
Fatansyah, 1999, Buku Teks Ilmu Komputer Basis Data, Penerbit Informatika,
Bandung.
Fatta, A.H dan Wibowo, S., n.d, Sistem Pakar Untuk Mendiagnosa Penyakit Hidung
Telinga Tenggorokan pada Manusia, STMIK Amikom, Yogyakarta.
Giarrantano, J., dan Riley, G., 1998, Expert System: Principle and Programming, Third
Edition, PWS Publishing Company, USA.
Gunawan, K., 2009, Hama dan Penyakit Tanaman Mangga, http://klinik-
tanamanku.blogspot.com/2009/10/hama-dan-penyakit-tanaman-
mangga.html, diakses 19 Oktober 2011.
Honggowibowo, A., 2009, Sistem Pakar Diagnosa Penyakit Tanaman Padi Berbasis
Web dengan Forward dan Backward Chaining.Vol. 7, No. 3, Desember 2009,
187-194.
Ibrahim, A., 2010, Pengembangan Sistem Pakar Identifikasi Hama dan Penyakit
Tanaman Kelapa, Vol.5, No. 2, Juli 2010.
Kristanto, H., 2000. Konsep dan Perancangan Database. Andi Offset. Yogyakarta.
94
Kusumadewi, S., Artificial Intelligence (Teknik dan Aplikasinya), Edisi Pertama, Graha
Ilmu Yogyakarta.
McLeod, R., 1996, Management Information System (Sistem Informasi Manajemen),
Jilid I, PT Prenhallindo, Jakarta.
Pradana, C. P. dan Kusumadewi, S., 2007, Aplikasi Diagnosis Penyakit Hepatitis Untuk
Mobile Device Menggunakan J2ME, Media Informatika, No.2, Vol.5, 87-98.
Primus, J., 2008, Lalat Buah Hengkang Ekspor Mangga Indonesia Menjulang,
http://nasional.kompas.com/read/2008/11/04/17052313/lalat.buah.hengka
ng.ekspor.mangga.indonesia.menjulang, diakses tanggal 19 Oktober 2011.
Rambey, H.M., 2011, Sistem Pakar Untuk Menentukan Penyakit dan Hama pada
Tanaman Semangka Menggunakan Metode Forward Chaining, Skripsi,
Program Stude Ekstensi S1 Ilmu Komputer, Universitas Sumatra Utara,
Medan.
Sasmito, G.W., 2010, Aplikasi Sistem Pakar Untuk Simulasi Diagnosa Hama dan
Penyakit Tanaman Bawang Merah dan Cabai Menggunakan Forward
Chaining dan Pendekatan Berbasis Aturan, Tesis, Program Studi Magister
Sistem Informasi, Universitas Diponogoro, Semarang.
Setyolaksono, M. P., 2011, Ekologi Hama Pasca Panen (Hama Gudang),
http://ditjenbun.deptan.go.id/bbp2tpbon/index.php?option=com_content&vi
ew=article&id=77:ekologi-hama-pascapanen-hama-gudang&catid=12:news,
diakses tanggal 19 Oktober 2011.
Turban, E., 1995, Decision Support System And Intellegence System, 4th ed.,
Prentice-Hall International, New Jersey.
Turban, E., Sharda, R., dan Delen, D., 2005, Decision Support and Business
Intelligence System, Ninth Edition, Pearson Education, Inc., New Jersey.