135 313 1 PB

Kumpulan jurnaL Ilmu Komputer (KLIK)
Volume 05, No.01 Februari 2018

ISSN: 2406-7857
ANALISIS DIAGNOSA PENYAKIT

TANAMAN PADI DENGAN METODE FUZZY
INFERENCE SYSTEM DAN CERTAINTY
FACTOR
Retma Aqmarina1, *)Muliadi2, Dwi Kartini3
1,2,3Prodi Ilmu Komputer FMIPA UNLAM
Jl. A. Yani Km 36 Banjarbaru, Kalimantan Selatan

Email: *Muliadi@ulm.ac.id
Abstract
Rice plants are now many been developed in the swamp land. One of the problems is
disease of rice is a risk that must be faced and counted in rice cultivation to increase production
as expected. The purpose of this research is an analysis of rice disease diagnosis that grows in
wetlands by applying the method of Fuzzy Inference System and Certainty Factor. Fuzzy
Inference System used in this system is fuzzy Tsukamoto used to obtain the value measure of
belief (MB) and a measure of disbelief (MD) symptoms of the disease. And the certainty factor
(CF) for the assessment of each disease. The result that obtained is the analysis succeeded in
giving a diagnosis of disease in rice of symptoms that attack the rice.
Keywords: Rice Plants, Diagnosis, Fuzzy Inference System Tsukamoto, Certainty Factor.
Abstrak
Tanaman padi sekarang banyak dikembangkan di lahan rawa. Salah satu masalahnya
adalah penyakit padi, yang merupakan resiko yang harus dihadapi dan diperhitungkan dalam
budidaya padi untuk meningkatkan produksi yang sesuai dengan harapan. Tujuan penelitian
ini adalah membuat analisis diagnosa penyakit padi yang tumbuh di lahan rawa dengan
menerapkan metode Fuzzy Inference System dan Certainty Factor. Fuzzy Inference System
yang digunakan dalam sistem ini adalah Fuzzy Tsukamoto yang digunakan untuk
memperoleh nilai measure of belief (MB) dan measure of disbelief (MD) gejala terhadap suatu
penyakit. Sedangkan certainty factor (CF) untuk pemberian nilai masing-masing penyakit.
Hasil yang didapatkan yaitu analisis ini berhasil memberikan diagnosa penyakit yang padi
dari gejala-gejala yang menyerang padi tersebut.
Kata kunci: Tanaman Padi, Diagnosa, Fuzzy Inference System Tsukamoto, Certainty Factor.
1. PENDAHULUAN
Pemanfaatan lahan gambut untuk pertanian berkembang pesat seiring
dengan adanya Proyek Pembukaan Persawahan Pasang Surut (P4S). Menurut
Aqmarina[1] tanaman padi sekarang banyak dikembangkan di lahan rawa. Salah
satu masalahnya adalah penyakit padi, yang merupakan resiko yang harus dihadapi
dan diperhitungkan dalam budidaya padi untuk meningkatkan produksi yang
Diagnosa Penyakit Tanaman Dengan Fuzzy Inference System & Certainty Factor (Retma A) | 110
ISSN: 2406-7857
sesuai dengan harapan. Serangan penyakit padi cukup menonjol sejak awal masa
pertumbuhan sampai dengan menjelang panen, hal ini harus diwaspadai agar dapat
dilakukan pengendalian secara tepat sehingga tidak menimbulkan kerusakan berat
dan bahkan kehilangan hasil panen.
Banyak sekali metode yang digunakan dalam mendiagnosa penyakit,
beberapa diantaranya adalah metode backward chaining, forward chaining, fuzzy
logic, certainty factor dan lain-lain. Dari banyaknya algoritma dari metode tersebut,
analisis disini adalah mencoba menggabungkan dua algoritma sehingga
mendapatkan hasil yang diinginkan. Hasil yang diinginkan disini adalah
mendapatkan diagnosa penyakit padi berdasarkan gejala-gejala yang menyerang
padi tersebut. Tujuannya agar keberadaan penyakit tersebut dapat diberi
penanganan yang tepat. Semakin dini penyakit padi yang tumbuh dilahan rawa ini
dideteksi, kemungkinan padi untuk diberi penanganan secara cepat jauh lebih
besar. Secara khusus beras merupakan hasil dari tanaman padi yang digunakan
sebagai makanan pokok manusia, oleh karena itu diagnosa padi ini penting.
Menurut Agbonifo[2] melakukan pengembangan sistem pakar fuzzy untuk
diagnosis dan pengobatan penyakit tanaman. Sehingga diperoleh hasil sistem fuzzy
berdasarkan aturan dikembangkan menjadi sasaran data uji untuk menunjukkan
efisiensi sistem. Pengamatan dari data yang diuji menunjukkan bahwa sistem ini
mampu mendiagnosis dengan benar jenis penyakit yang mempengaruhi tanaman
pada perkebunan berdasarkan berbagai gejala yang dapat diamati dan
pengendalian penyakitnya. Juga dapat menyediakan sarana untuk tenaga ahli.
Menurut Munandar[5] dalam penelitiannya, ia mengembangkan sistem pakar
aplikasi untuk mendiagnosa penyakit dengan menggunakan certainty factor
dengan beberapa aturan premis, yang memungkinkan konsultasi pasien untuk
menentukan banyak gejala. Dari hasilnya ia mendapatkan nilai tingkat kepercayaan
yaitu 90% dari hasil penelitiannya.
Penelitian ini mencoba untuk menggunakan penggabungan dua algoritma
tersebut yaitu fuzzy inference system dan Certainty Factor. Metode fuzzy inference
system digunakan adalah metode tsukamoto untuk menentukan nilai tingkat
kepercayaan terhadap gejala yang menyerang padi dan metode certainty factor
akan digunakan untuk nilai kepastian dalam mendefinisikan hubungan antara
gejala dengan penyakit. Melalui analisis ini diharapkan dapat menjadi solusi
terhadap permasalahan-permasalahan yang ada di dalam bidang pertanian
khususnya pada tanaman padi yang tumbuh pada lahan rawa.
2. METODOLOGI PENELITIAN
Perancangan sistem fuzzy digunakan untuk memperoleh nilai MB (measure
of belief) dan MD (measure of disbelief), meliputi penentuan input dan output,
penentuan himpunan dan fungsi keanggotaan, penyusunan aturan (rules), serta
penentuan metode inferensi. Dalam penelitian ini metode inferensi yang digunakan
adalah metode Tsukamoto. Input sistem fuzzy merupakan nilai yang digunakan
untuk merepresentasikan tingkat kepercayaan terhadap suatu gejala yang
menyerang. Serta metode certainty factor yang digunakan untuk pemberian nilai
masing-masing penyakit.
Menurut kusumadewi[4], pada dasarnya metode Tsukamoto
mengaplikasikan penalaran monoton pada setiap aturannya. Kalau pada penalaran
monoton, sistem hanya memiliki satu aturan, pada metode Tsukamoto, sistem
terdiri atas beberapa aturan. Karena menggunakan konsep dasar penalaran
monoton, pada metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk
ISSN: 2406-7857
IF-THEN harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi

keanggotaan yang monoton. Output hasil inferensi dari tiap-tiap aturan diberikan
secara tegas (crisp) berdasarkan α-predikat (fire strength). Proses agregasi antar
aturan dilakukan, dan hasil akhirnya diperoleh dengan menggunakan defuzzy
dengan konsep rata-rata terbobot. Secara garis besar, diagram blok proses inferensi
fuzzy
Menurut Sutojo[6], Inferensi metode tsukamoto dapat menggunakan tahapan
sebagai berikut :
a. Fuzzyfikasi, yaitu proses untuk mengubah input sistem yang mempunyai nilai
tegas menjadi variabel linguistik menggunakan fungsi keanggotaan yang
disimpan dalam basis pengetahuan fuzzy.
b. Pembentukan basis pengetahuan fuzzy (Rule dalam bentuk IF...THEN), yaitu
Secara umum bentuk model fuzzy Tsukamoto adalah IF(X IS A) and (Y IS B) and
(Z IS C), dimana A,B, dan C adalah himpunan fuzzy.
c. Mesin Inferensi, yaitu proses dengan menggunakan fungsi implikasi MIN untuk
mendapatkan nilai α-predikat tiap-tiap rule (α1,α2, α3, ... αn). Kemudian
masing-masing nilai α-predikat ini digunakan untuk menghitung keluaran hasil
inferensi secara tegas (crisp) masing-masing rule (z1, z2, z3, ... zn).
d. Defuzzyfikasi, dengan menggunakan metode rata-rata (Average):
∑𝑛
𝑖=1 𝛼𝑖 . 𝑧𝑖
Z= ....................................................................(1)
∑𝑛
𝑖=1 𝛼𝑖
Menurut Sutojo[7], certainty factor adalah metode yang cocok dipakai dalam
sistem pakar untuk mengukur sesuatu apakah pasti atau tidak pasti dalam
mendiagnosis dan mengidentifikasi hama atau penyakit sebagai salah satu
contohnya.
Ada dua tahap model yang sering digunakan untuk menghitung tingkat
keyakinan (CF) dari sebuah rule adalah sebagai berikut:
a. Dengan menggali dari hasil wawancara dengan pakar. Nilai CF didapat dari
interpretasi term dari pakar menjadi nilai MD atau MB tertentu.
b. Menggunakan metode perhitungan. Faktor kepastian menunjukkan ukuran
kepastian suatu fakta atau aturan.
Dalam perancangan dan pembuatan sistem pakar, ada tiga hal yang mungkin
terjadi:
A
e1
h h1 h2 B
e2 C
(a) (b) (c)
Gambar 1. Kombinasi aturan kepastian

Sumber : Artficial Intelligence (Teknik dan Aplikasinya). 2003
a. Beberapa evidence dikombinasikan untuk menentukan CF dari suatu hipotesis

(Gambar 1.a). Jika e1 dan e2 adalah observasi, maka:
ISSN: 2406-7857
0 MD[h, e1^ h, e2] = 1

MB[h, e1 ^ e2] ={ } .....(2)
MB[h, e1]+ MB[h, e2] * (1 MB[h, e1]) lainnya
0 MB[h, e1^ h, e2] = 1

MD[h, e1 ^ e2] ={ } .....(3)
MD[h, e1] + MD[h, e2] * (1 MD[h, e1]) lainnya
b. CF dihitung dari kombinasi beberapa hipótesis (Gambar 1.b) jika h1 dan h2

adalah hipotesis, maka:
MB[h1 h2,e] = min(MB[h1,e],MB[h2,e])
.................................(4)
MB[h1 h2,e] = max(MB[h1,e],MB[h2,e]).................................(5)
MD[h1 h2,e] = min(MD[h1,e],MD[h2,e])
.................................(6)
MD[h1 h2,e] = max(MD[h1,e],MD[h2,e])
.................................(7)
c. Beberapa aturan saling bergandengan, ketidakpastian dari suatu aturan
menjadi input untuk aturan yang lainnya (Gambar 1.c), maka:
MB[h,s]=MB’[h,s]*max(0,CF[s,e]) .......................................(9)
Dengan MB’[h,s] adalah ukuran kepercayaan h berdasarkan keyakinan
penuh terhadap validitas s[3].
3. HASIL DAN PEMBAHASAN

3.1 Hasil
Dari gejala-gejala yang terdapat di tanaman padi didapatkan hasil yaitu
penyakit tanaman yang menyerang tanaman padi tersebut. Adapun hasil dari
analisis dengan metode fuzzy inference system tsukamoto dan certainty factor antara
lain adalah sebagai berikut :
Gejala 1 : Bercak daun yang dikelilingi oleh warna kuning, tepi coklat
Gejala 2 : Bercak daun berwarna hijau gelap
Gejala 3 : Bercak daun berwarna abu-abu sedikit kebiru-biruan
Tabel 1. Hasil Perhitungan dengan Metode Fuzzy Tsukamoto untuk Menentukan

Nilai MB/MD
Gejala Penyakit Tingkat Tingkat MD MB
Kemunculan Keunikan
Gejala Gejala
Bercak daun yang dikelilingi oleh BLAS Banyak Sedang 0,2 0,8
warna kuning, tepi coklat
Bercak daun berwarna hijau gelap BLAS Banyak Tinggi 0 1
Bercak daun berwarna abu-abu BLAS Banyak Tinggi 0 1
sedikit kebiru-biruan
Bercak daun yang dikelilingi oleh HAWAR Banyak Sedang 0,2 0,8
warna kuning, tepi coklat PELEPAH
DAUN
Sumber : Sistem Pakar Diagnosa Penyakit Pada Tumbuhan Padi Dengan Metode Fuzzy Inference
System dan Certainty Factor (Studi Kasus : Pertanian Lahan Rawa). 2015
ISSN: 2406-7857
Tabel 2. Hasil nilai CF pada Suatu Penyakit

No Nama Penyakit Nilai
1. Blas 0,8
2. Tungro 0
3. Bercak Coklat 0
4. Bercak Coklat Bergaris 0
5. Hawar Daun Bakteri 0
6. Hawar Pelepah Daun 0,6
Penyakit dengan nilai CF terbesar adalah penyakit utama dari gejala-gejala

yang telah menyerang padi lahan rawa tersebut. Dengan demikian dapat dikatakan
bahwa penyakit utama yang memiliki nilai CF tertinggi yaitu 0,8 dan dapat
disimpulkan bahwa tanaman padi lahan rawa user diserang penyakit Blas.
3.2 Pembahasan
3.2.1 Gambaran Umum
Komponen-komponen yang terdapat pada analisis diagnosa penyakit padi
lahan rawa dengan menggunakan metode fuzzy inference system dan certainty factor
yaitu :
a. Sebelumnya dilakukan penginputan berupa : [INPUT I] Tingkat kemunculan
gejala yang menyatakan seberapa berat kerusakan gejala yang muncul
mengiringi suatu penyakit yang menyerang dan [INPUT II] Tingkat keunikan
gejala yang menyatakan seberapa khas (unik) suatu gejala yang terdapat pada
tanaman yang mengindikasikan suatu penyakit.
b. Dalam penelitian ini metode inferensi yang digunakan untuk mengubah nilai
input I dan input II adalah metode fuzzy inference system tsukamoto.
c. Setelah perhitungan dari metode fuzzy inference system tsukamoto, maka
output yang keluar adalah nilai MB (Measure of Belief) dan nilai MD (Measure of
Disbelief).
d. Kemudian dilakukan cek diagnosa dengan memilih gejala yang telah menyerang
penyakit tanaman padi lahan rawa. Dengan daftar gejala adalah sebagai berikut
:
Tabel 3. Daftar Gejala Penyakit Padi yang Tumbuh di Lahan Rawa

No. GEJALA
1 Bercak daun yang dikelilingi oleh warna kuning, tepi
coklat
2 Bercak daun berwarna hijau gelap
3 Bercak daun berwarna abu-abu sedikit kebiru-biruan
4 Daun berwarna kuning oranye
5 Bercak daun berwarna coklat
6 Bercak merata pada permukaan daun
ISSN: 2406-7857
No. GEJALA
7 Bercak daun sepenuhnya berwarna coklat dengan titik
tengah putih/abu-abu
8 Bercak daun berwarna coklat gelap/sedikit ungu
9 Bercak bentuk bulat
10 Tanaman kerdil/pertumbuhan terhambat
11 Kulit gabah bercak berwarna hitam/coklat gelap
12 Bercak kecil, agak memanjang
13 Tepi bercak daun berwarna coklat kemerah-merahan
14 Daun mengering
15 Bercak pada ketiak daun
16 Bercak pada gabah lebih besar & lebih pendek
17 Dari tepi daun terdapat garis kuning/orange
18 Gejala muncul pada saat pembungaan/stadia anakan
maksimum
19 Bercak pada pelepah daun
20 Bercak daun berwarna kelabu kehijauan
21 Jumlah anakan berkurang
22 Bercak membentuk sklerotia berwarna coklat
23 Bercak bentuk oval/elips
Sumber : Sistem Pakar Diagnosa Penyakit Pada Tumbuhan Padi Dengan Metode Fuzzy
Inference System dan Certainty Factor (Studi Kasus : Pertanian Lahan Rawa). 2015
e. Proses diagnosa menggunakan metode Certainty Factor (CF) untuk mengatasi
ketidakpastian dalam pengambilan keputusan hasil diagnosa.
f. Hasil diagnosa yang diperoleh adalah penyakit dengan nilai CF masing-masing.
Penyakit dengan nilai CF terbesar adalah penyakit utama yang menyerang padi
lahan rawa.
Atau dapat dilihat pada gambaran umum seperti yang terlihat pada gambar
dibawah ini.
Gambar 2. Gambaran umum

ISSN: 2406-7857
3.2.2 Perancangan
a. Perancangan fuzzy digunakan untuk memperoleh nilai MB dan MD meliputi
penentuan input dan output, penentuan himpunan dan fungsi keanggotaan,
penyusunan aturan (rules), serta penentuan metode inferensi. Dalam penelitian
ini metode inferensi yang digunakan adalah metode Tsukamoto.
b. Mendefinisikan variabel
Dalam tahap ini ada 3 variabel fuzzy yang akan dimodelkan yaitu :
1). Variabel Tingkat kemunculan gejala, menyatakan seberapa berat kerusakan
gejala yang muncul mengiringi suatu penyakit yang menyerang. Dibagi
menjadi himpunan Sedikit, Sedang, Banyak, dengan nilai 0,20; 0,55; 0,85.
2). Variabel Tingkat keunikan gejala, menyatakan seberapa khas (unik) suatu
gejala yang terdapat pada tanaman yang mengindentifikasikan suatu
penyakit. Dibagi menjadi himpunan Rendah, Sedang, dan Tinggi, dengan
nilai 0,25; 0,65; 0,85.
3). Nilai MB/MD adalah nilai measure of belief (MB) dan measure of disbelief
(MD) yang nantinya akan digunakan dalam pencarian tingkat keyakinan
(certainty factor/CF). Terdiri dari himpunan Tidak Tahu, Mungkin,
Kemungkinan Besar, Hampir Pasti, dan Pasti.
Tidak Tahu
1 ; x ≤ 30
(30 x )
[ x ]= ; 0 ≤ x ≤ 30
30
0 ; x ≥ 30
Mungkin
0 ; x ≤ 30 atau x ≥ 50
( x 30)
[ x ]= ; 30 ≤ x ≤ 40
10
(50 x )
; 40 ≤ x ≤ 50
10
Kemungkinan Besar
0 ; x ≤ 50 atau x ≥ 70
( x 50)
[ x ]= ; 50 ≤ x ≤ 60
10
(70 x )
; 60 ≤ x ≤ 70
10
Hampir Pasti
ISSN: 2406-7857
0 ; x ≤ 70 atau x ≥ 90
( x 70)
[ x ]= ; 70 ≤ x ≤ 80
10
(90 x )
; 80 ≤ x ≤ 90
10
Pasti
0 ; x ≤ 90
( x 90)
[ x ]= ; 90 ≤ x ≤ 100
10
1 ; x ≥ 100
4). Basis Aturan (Rule)

Aturan 1 : JIKA Kemunculan Gejala adalah Banyak dan Keunikan Gejala
adalah Tinggi MAKA Nilai MB adalah Pasti
adalah Sedang MAKA Nilai MB adalah Hampir Pasti
adalah Rendah MAKA Nilai MB adalah Mungkin
Aturan 4 : JIKA Kemunculan Gejala adalah Sedang dan Keunikan Gejala
adalah Tinggi MAKA Nilai MB adalah Hampir Pasti
adalah Sedang MAKA Nilai MB adalah Kemungkinan Besar
adalah Rendah MAKA Nilai MB adalah Mungkin
Aturan 7 : JIKA Kemunculan Gejala adalah Sedikit dan Keunikan Gejala
adalah Sedang MAKA Nilai MB adalah Mungkin
adalah Rendah MAKA Nilai MB adalah Tidak Tahu
c. Nilai akhir z ditentukan dari rata-rata terbobot output masing-masing aturan

(metode Tsukamoto) :
(pred 1 * z 1 ) +(pred 2 * z 2 ) + .. +(pred n * z n )

z=
pred 1 + pred 2 + .. + pred n
Menghitung nilai MB dan MD :
MB= Z/100
MD= 1-MB
d. Perancangan certainty factor :

Jika yang diketahui 1 gejala dalam suatu penyakit : CF[h, e] = MB[h, e]  MD[h, e]
ISSN: 2406-7857
Yang diketahui 2 gejala dalam suatu penyakit :

MB[h, e1 ^ e2] = MB[h, e1] + MB[h, e2] * (1 MB[h, e1] )
MD[h, e1 ^ e2] = MD[h, e1]  MD[h, e2] * (1  MD[h, e1] )
Yang diketahui 3 gejala atau lebih dalam suatu penyakit :

MB[h, e1] + MB[h, e2] * (1 MB[h, e1] )
MD[h, e1] + MD[h, e2] * (1 MD[h, e1] )
MB[h, e old ]+ MB[h, e3 ] * (1 MB[h, eold ] )
MD[h, e old ] + MD[h, e3 ] * (1 MD[h, e old ] )
Dst.
3.3 Implementasi
Berikut adalah implementasi metode fuzzy tsukamoto untuk mendapatkan
nilai MB dan nilai MD :
Gejala 1 : Bercak daun yang dikelilingi oleh warna kuning, tepi coklat
Gejala 2 : Bercak daun berwarna hijau gelap
Gejala 3 : Bercak daun berwarna abu-abu sedikit kebiru-biruan
Gejala 1 (untuk penyakit Blas)

a. input kemunculan gejala : Banyak
b. input keunikan gejala : Sedang
(Menentukan nilai MB)

Derajat keanggotaan
a. µ[x] = 1
b. µ[x] = 1
Fungsi keanggotaan untuk mendapat nilai Z
Aturan 1 : JIKA Kemunculan Gejala adalah Banyak dan Keunikan Gejala adalah
Tinggi MAKA Nilai MB adalah Pasti
αpred1 = µbanyak ; µtinggi
(0,85 ; 0)
µ[x] = (Z1-90)/10
0 = (Z1-90)/10
Z1 = 90
Sedang MAKA Nilai MB adalah Hampir Pasti
αpred2 = µbanyak ; µsedang
(0,85;0,65)
µ[x] = (Z2-70)/10
1 = (Z2-70)/10
Z2 = 80
ISSN: 2406-7857
Rendah MAKA Nilai MB adalah Mungkin
αpred3 = µbanyak ; µrendah
(0,85;0)
µ[x] = (Z3-30)/10
0 = (Z3-30)/10
Z3 = 5
Aturan 4 : JIKA Kemunculan Gejala adalah Sedang dan Keunikan Gejala adalah
Tinggi MAKA Nilai MB adalah Hampir Pasti
αpred4 = µsed ng ; µtinggi
(0;0)
µ[x] = (Z4-70)/10
0 = (Z4-70)/10
Z4 = 7
Sedang MAKA Nilai MB adalah Kemungkinan Besar
αpred5 = µsedang ; µsedang
(0;0,65)
µ[x] = (Z5-50)/10
0 = (Z5-50)/10
Z5 = 50
Rendah MAKA Nilai MB adalah Mungkin
αpred6 = µsedang ; µrendah
(0;0)
µ[x] = (Z6-30)/10
0 = (Z6-30)/10
Z6 = 30

αpred7 = µsedikit ; µtinggi
(0;0)
µ[x] = (90-Z7)/10
0 = (90-Z7)/10
Z7 = 90

adalah Sedang MAKA Nilai MB adalah Mungkin
αpred8 = µsedikit ; sedang
(0;0,65)
µ[x] = (Z8-30)/10
0 = Z8-30)/10
ISSN: 2406-7857
Z8 = 30

adalah Rendah MAKA Nilai MB adalah Tidak Tahu
αpred9 = µsedikit ; µrendah
(0;0)
µ[x] = (Z9-30)/10
0 = (30-Z9)/10
Z9 = 30
Z = (αpred1*Z1+..+αpredn*Zn)/αpred1+..+αpredn)
= (80 / 1) = 80
MB = 80 / 100 = 0,8
MD = 1 - 0,8 = 0,2
Kemudian dilakukan perhitungan yang sama seperti diatas untuk gejala 2 dan
gejala 3. Setelah itu dilakukan perhitungan menggunakan metode certainty factor,
yang mana implementasinya adalah untuk masing-masing penyakit dari gejala-
gejala yang telah diketahui (gejala 1, 2 dan 3).
Blas
MB[h, e1 ^ e2] = MB[h, e1] + MB[h, e2] * (1 MB[h, e1] )
MD[h, e1 ^ e2] = MD[h, e1] + MD[h, e2] * (1 MD[h, e1] )
MB (Blas, G01 ^ G02) = 0,8+1*(1-0,8)= 1
MD (Blas, G01 ^ G02) = 0,2+0*(1-0,2)= 0,2
MB[h, eold ^ e3] = MB[h, eold ] + MB[h, e3 ] * (1 MB[h, eold ] )

MD[h, eold ^ e3] = MD[h, eold ] + MD[h, e3 ] * (1 MD[h, eold ] )
MB (Blas, G01 ^ G02 ^ G03) = 1+1*(1-1)= 1

MD (Blas, G01 ^ G02 ^ G03) = 0,2+0*(1-0,2)= 0,2
CF= MB-MD= 1-0,2 = 0,8
Tungro
CF= 0-0=MB-MD=0
Bercak Coklat
CF= 0-0=MB-MD=0
Bercak Coklat Bergaris

CF= 0-0=MB-MD=0
Hawar Daun Bakteri

CF= 0-0=MB-MD=0
ISSN: 2406-7857
Hawar Pelepah Daun

CF [h, e1] = MB - MD
CF (Hawar Pelepah Daun, G01) = 0,8-0,2= 0,6
CF= 0,6
Dari hasil perhitungan diatas diketahui bahwa penyakit Blas mempunyai nilai
CF tertinggi yaitu 0,8 daripada penyakit lainnya. Hal ini membuktikan bahwa
penyakit Blas adalah penyakit utama yang menyerang padi dari gejala-gejala yang
sudah diketahui.
4. SIMPULAN
Simpulan yang didapat dari penelitian ini adalah :
a. Metode fuzzy inference system dan certainty factor dapat diterapkan untuk
melakukan diagnosa penyakit tanaman padi lahan rawa.
b. Metode fuzzy inference system yang digunakan adalah metode Fuzzy Tsukamoto
digunakan untuk memperoleh nilai measure of belief (MB) dan measure of
disbelief MD gejala terhadap suatu penyakit. certainty factor (CF) untuk
pemberian nilai masing-masing penyakit. Yang mana penyakit dengan nilai CF
terbesar merupakan penyakit utama dari gejala-gejala yang sudah dipilih
menyerang.
DAFTAR PUSTAKA
[1] Aqmarina, Retma. 2015. Sistem Pakar Diagnosa Penyakit Pada Tumbuhan
Padi Dengan Metode Fuzzy Inference System dan Certainty Factor (Studi
Kasus : Pertanian Lahan Rawa). Program S-1 Ilmu Komputer, Universitas
Lambung Mangkurat: Banjarbaru.
[2] Agbonifo, et al. 2013. A Fuzzy Expert System for Diagnosis and Treatment of
Maize Plant Diseases Volume 2, Issue 12, December 2012, ISSN: 2277 128X.
University of Technology Akure: Nigeria.
[3] Kusumadewi. 2003. Artficial Intelligence (Teknik dan Aplikasinya).
Yogyakarta: Graha Ilmu.
[4] Kusumadewi. 2006. Neuro Fuzzy-Integrasi Sistem Fuzzy dan Jaringan
Syaraf. Yogyakarta: Graha Ilmu.
[5] Munandar, dkk. 2012. The Use of Certainty Factor with Multiple Rules for
Diagnosing Internal Disease Volume 1, Issue 1, September 2012, ISSN 2319
- 4847. Universitas Serang Raya Banten: Indonesia.
[6] Sutojo. 2011. Kecerdasan Buatan. ANDI : Yogyakarta.

135 313 1 PB

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

135 313 1 PB

Diunggah oleh

Hak Cipta:

Format Tersedia

Kumpulan jurnaL Ilmu Komputer (KLIK)

Volume 05, No.01 Februari 2018

ANALISIS DIAGNOSA PENYAKIT

Jl. A. Yani Km 36 Banjarbaru, Kalimantan Selatan

IF-THEN harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi

Gambar 1. Kombinasi aturan kepastian

a. Beberapa evidence dikombinasikan untuk menentukan CF dari suatu hipotesis

0 MD[h, e1^ h, e2] = 1

0 MB[h, e1^ h, e2] = 1

b. CF dihitung dari kombinasi beberapa hipótesis (Gambar 1.b) jika h1 dan h2

3. HASIL DAN PEMBAHASAN

Tabel 1. Hasil Perhitungan dengan Metode Fuzzy Tsukamoto untuk Menentukan

Tabel 2. Hasil nilai CF pada Suatu Penyakit

Penyakit dengan nilai CF terbesar adalah penyakit utama dari gejala-gejala

Tabel 3. Daftar Gejala Penyakit Padi yang Tumbuh di Lahan Rawa

Gambar 2. Gambaran umum

4). Basis Aturan (Rule)

c. Nilai akhir z ditentukan dari rata-rata terbobot output masing-masing aturan

(pred 1 * z 1 ) +(pred 2 * z 2 ) + .. +(pred n * z n )

d. Perancangan certainty factor :

Yang diketahui 2 gejala dalam suatu penyakit :

Yang diketahui 3 gejala atau lebih dalam suatu penyakit :

Gejala 1 (untuk penyakit Blas)

(Menentukan nilai MB)

Aturan 7 : JIKA Kemunculan Gejala adalah Sedikit dan Keunikan Gejala

Aturan 8 : JIKA Kemunculan Gejala adalah Sedikit dan Keunikan Gejala

Aturan 9 : JIKA Kemunculan Gejala adalah Sedikit dan Keunikan Gejala

MB[h, eold ^ e3] = MB[h, eold ] + MB[h, e3 ] * (1 MB[h, eold ] )

MB (Blas, G01 ^ G02 ^ G03) = 1+1*(1-1)= 1

Bercak Coklat Bergaris

Hawar Daun Bakteri

Hawar Pelepah Daun

Anda mungkin juga menyukai