Proposal Indra 13 (Recovered)

PROPOSAL
SISTEM PAKAR MENDIAGNOSA HAMA DAN PENYAKIT TANAMAN

CABAI MENGGUNAKAN METODE DEMPSTER SHAFER DAN CASE
BASED REASONING (CBR) DENGAN METODE NEAREST NEIGHBOR
Disusun oleh:
MOH. INDRA SETIAWAN

NIM. 1315217
PROGRAM STUDI TEKNIK INFORMATIKA

JENJANG PENDIDIKAN STRATA SATU (S1)
SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER
(STMIK) MULTICOM BOLAANG MONGONDOW
2018
LEMBAR PERSETUJUAN
PROPOSAL
TAHUN 2018

DI SUSUN OLEH :
MOH. INDRA SETIAWAN
NIM. 1315217
DI SETUJUI OLEH :
Pembimbing I
Michel Farrel Tomatala, S.Kom,M.Cs

NIDN. 0907048604
Pembimbing II
Arthus Dimas Larumu, S.Kom,M.TI

NIDN. 0923088103
ii
INTISARI
Ketidakseimbangan jumlah antara petani dan pakar dapat diatasi dengan

membuat sistem pakar yang dapat mendiagnosa tanaman layaknya seorang pakar.
Dalam membuat sistem pakar terdapat banyak metode, beberapa metode yang ada
diantaranya adalah Dempster Shafer dan Case Base Reasoning. Pada penelitian
yang sudah ada sebelumnya bahwa metode Dempster Shafer dan Case Base
Reasoning memiliki tingkat akurasi yang cukup baik. Berdasarkan penelitian
sebelumnya tersebut maka akan dirancang bangun sistem pakar dengan
menggabungkan kedua metode tersebut yaitu metode Dempster Shafer dan Case
Base Reasoning untuk membandingkan apakah penggabungan kedua metode
tersebut akan menghasilkan sistem pakar yang lebih baik atau tidak, baik dilihat
dari segi akurasi maupun kemudahan penggunaannya.
Kata Kunci: sistem pakar, diagnosa, penyakit tanaman cabai, dempster-shafer,
case based reasoning, k-nearest neighbor
iii
Daftar Isi
LEMBAR PERSETUJUAN ............................................................................................... ii

INTISARI .......................................................................................................................... iii
Daftar Isi .............................................................................................................................iv
1. Pendahuluan ................................................................................................................ 1
1.1 Latar Belakang Masalah...................................................................................... 1
1.2 Rumusan Masalah ............................................................................................... 2
1.3 Tujuan Penelitian ................................................................................................ 2
1.4 Manfaat Penelitian .............................................................................................. 2
1.5 Batasan Masalah ................................................................................................. 3
2. Tinjauan Pustaka ......................................................................................................... 3
2.1 Keaslian Penelitian............................................................................................ 13
3. Landasan Teori.......................................................................................................... 13
3.1 Pengertian Sistem Pakar.................................................................................... 13
3.2 Struktur Sistem Pakar ....................................................................................... 14
3.3 Konsep Dasar Sistem Pakar .............................................................................. 16
3.4 Rule Based ........................................................................................................ 18
3.5 Mesin Inferensi ................................................................................................. 18
3.6 Resolusi Konflik ............................................................................................... 19
3.7 Contoh Penerapan Resolusi Konflik ................................................................. 20
3.8 Teori Dempster Shafer ...................................................................................... 22
3.8.1 Frame of Discernment .............................................................................. 24
3.8.2 Mass Function ........................................................................................... 24
3.8.3 Probabilitas ............................................................................................... 25
3.9 Macam – Macam Hama Penyakit Cabai ........................................................... 25
3.10 Basis Pengetahuan ............................................................................................ 30
3.11 Contoh Penerapan Rule Based .......................................................................... 32
3.12 Contoh Penerapan Forward Chaining .............................................................. 34
3.13 Contoh Penerapan Kasus Dempster Shafer ...................................................... 37
3.14 Pengertian Metode Case Based Reasoning (CBR) ........................................... 41
3.15 K-Nearest Neighbor .......................................................................................... 43
iv
3.16 Penerapan K-Nearest Neighbor ........................................................................ 43
3.17 Analisa Kebutuhan Sistem ................................................................................ 46
4. Metodologi Penelitian ............................................................................................... 46
4.1 Metode Pengumpulan Data ............................................................................... 47
4.2 Fokus Penelitian ................................................................................................ 49
4.3 Jenis dan Sumber Data ...................................................................................... 49
4.4 Perancangan Testing ......................................................................................... 49
4.5 Mekanisme Sistem ............................................................................................ 50
4.6 Lokasi Penelitian ............................................................................................... 53
4.7 Jadwal Penelitian .............................................................................................. 54
4.8 Biaya Penelitian ................................................................................................ 54
Daftar Pustaka ................................................................................................................... 56
v
1. Pendahuluan
Bagian pendahuluan terdiri dari latar belakang masalah, rumusan masalah,
tujuan penelitian, manfaat penelitian dan batasan masalah.
1.1 Latar Belakang Masalah

Masalah yang terdapat pada dunia pertanian salah satunya adalah
ketidakseimbangan jumlah antara petani dan pakar, serta kurangnya ketersediaan
pakar di daerah - daerah pelosok dan terpencil. Selain itu sebagian besar
masyarakat tidak terlatih secara khusus sehingga apabila mengalami gejala-gejala
hama dan penyakit tidak dapat memahami tanda dari suatu hama dan penyakit
tersebut, serta cara penanggulangannya. (Tambunan, 2017).
Oleh karena itu petani memperlukan suatu alat atau sistem yang lebih
praktis yang memiliki kemampuan layaknya seorang pakar dalam mendiagnosa
hama dan penyakit. Sistem tersebut adalah sistem pakar yang bekerja dengan
mengadopsi pengetahuan manusia kedalam komputer agar dapat menyelesaikan
masalah seperti yang biasa dilakukan oleh pakar. Untuk membuat sistem pakar
biasanya digunakan metode - metode yang dapat diterapkan pada sistem pakar.
Sejumlah metode tersebut diantaranya adalah Dempster Shafer dan Case
Based Reasoning. Kedua metode tersebut memiliki proses dan konsep
penyelesaian yang berbeda namun infomasi yang akan diperhitungkan memiliki
kesamaan. Pada penelitian oleh Wijaya (2018), hasil pengujian akurasi
menggunakan metode Dempster Shafer yang sudah dilakukan dari 20 kasus uji
menggunakan densitas gejala dari pakar menghasilkan akurasi sebesar 90%, dan
penelitian oleh Minarni (2017) menggunakan metode Case Based Reasoning
menunjukan hasil pengujian terhadap data uji dengan threshold similaritas sebesar
70% menunjukkan tingkat akurasi sebesar 82,69%. Dengan tingkat akurasi yang
tinggi tersebut, maka digabungkanlah kedua metode tersebut yaitu metode
Dempster Shafer dan Case Based Reasoning untuk membandingkan apakah jika
digabungkan akan memperoleh tingkat akurasi yang lebih baik dibandingkan
hanya dengan menggunakan salah satu dari metode tersebut.
1
Penelitian ini ditujukan untuk menyelesaikan permasalahan dalam
membandingkan penelitian sebelumnya yang hanya menggunakan satu metode
dengan penggunaan dua metode, yaitu dengan membuat sistem pakar yang
mampu mendiagnosa hama dan penyakit tanaman cabai yang dapat diselesaikan
dengan menggunakan dua metode yaitu Dempster Shafer dan Case Based
Reasoning.
Berdasarkan latar belakang permasalahan tersebut dan dari penelitian
sebelumnya oleh Wijaya (2018) dan Minarni (2017) yang masing-masing
membuat sistem yang dapat menghasilkan diagnosa suatu penyakit dengan
menggunakan salah satu dari metode Dempster Shafer dan Case Based
Reasoning, maka pada penelitian ini diberi judul “Sistem Pakar Mendiagnosa
Hama dan Penyakit Tanaman Cabai Menggunakan Metode Dempster Shafer dan
Case Based Reasoning (CBR) Dengan Metode K – Nearest Neighbor”. Objek
tanaman cabai pada penelitian ini digunakan karena mudahnya pengambilan data
tentang tanaman cabai baik yang diambil dari penelitian sebelumnya atau secara
langsung kepada pakar.
1.2 Rumusan Masalah

Rumusan masalah pada penelitian ini adalah bagaimana merancang bangun
sistem pakar dengan menggabungkan metode Dempster Shafer dan Case Base
Reasoning.
1.3 Tujuan Penelitian

Tujuan dari penelitian ini adalah dapat membandingkan penggunaan salah
satu dari metode Dempster Shafer - Case Base Reasoning dengan penggabungan
dari kedua metode tersebut.
1.4 Manfaat Penelitian

Dapat mengetahui perbandingan dari penerapan yang hanya menggunakan
satu metode dari metode Dempster Shafer - Case Base Reasoning serta
penggabungan dari keduanya.
2
1.5 Batasan Masalah
1. Penelitian ini hanya membandingkan penerapan salah satu dari metode
Dempster Shafer - Case Based Reasoning dengan gabungan kedua
metode tersebut.
2. Pengguna aplikasi sistem pakar ini ditujukan kepada petani.
2. Tinjauan Pustaka
Pada penelitian ini banyak sumber referensi yang diambil dari penelitian –
penelitian sebelumnya tentang sistem pakar, yaitu oleh Wijaya dkk. (2018),
dengan judul “Penerapan Diagnosis Penyakit Cabai Dengan Menggunakan
Metode Forward Chaining – Dempster-Shafer”, Perancangan sistem ini
menggunakan metode forward chaining dan Dempster Shafer guna memberikan
saran atau pertimbangan kepada petani untuk menentukan varietas cabai yang
unggul. Hasil dari metode ini berupa perangkingan. Metode forward chaining
berfungsi sebagai mesin inferensi berdasarkan fakta - fakta yang ada setelah itu
dihitung dengan metode Dempster Shafer.
Setelah penelitian Prakoso ada penelitian yang dibuat oleh Octaviani
(2010), dengan judul “Implementasi Case Based Reasoning Untuk Sistem
Diagnosis Penyakit Anjing” , Pada penelitiannya penulis mengimplementasikan
metode CBR untuk membantu pendiagnosisan penyakit anjing. Kasus - kasus
yang dipergunakan dalam sistem diperoleh dari catatan penangan kasus diagnosa
penyakit anjing dari seorang dokter hewan. Sistem akan memberikan keluaran
berupa kemungkinan penyakit dan saran pengobatan yang didasarkan pada
kemiripan kasus baru dengan pengetahuan yang dimiliki sistem.
Ihsan dkk. (2017), juga melakukan penelitian dengan judul “Penerapan
Metode Dempster Shafer Untuk Sistem Deteksi Penyakit Tanaman Cabai”
Penelitian ini bertujuan untuk melakukan studi tentang Metode Dempster Shafer
serta menerapkannya pada sistem untuk deteksi gejala penyakit tanaman cabai.
Hasil penelitian ini yakni model rancangan sistem yang dapat digunakan untuk
mendeteksi penyakit tanaman cabai yang dapat diterapkan pada proses
pembangunan prototipe sistem pakar.
3
Penelitian pada tahun yang sama yaitu yang telah dilakukan oleh Orthega
dkk. (2017), dalam penelitianya, yang berjudul “Implementasi Metode Dempster
Shafer untuk Mendiagnosa Penyakit Tanaman Cabai”, sistem dikembangkan
menggunakan metode Dempster Shafer sebagai media diagnosa penyakit tanaman
cabai. Pengumpulan data dalam penelitian ini menggunakan studi literatur,
metode wawancara dan metode observasi. Hasil dari penelitian ini adalah sebuah
sistem untuk mendiagnosa penyakit tanaman cabai menggunakan metode
Demspter Shafer yang memuat berbagai gejala, penyebab, solusi dan hasil
diagnosis yang berdasarkan basis pengetahuan para pakar atau para ahli di bidang
pertanian. Dari kasus uji yang telah dilakukan, hasil dari pengujian akurasi yaitu
90% yang menunjukkan bahwa aplikasi berfungsi dengan baik sesuai dengan
metode Dempster Shafer.
Penelitian dengan metode Dempster Shafer juga telah dilakukan oleh
Sulistyohati (2008), dengan judul “Aplikasi Sistem Pakar Diagnosa Penyakit
Ginjal Dengan Metode Dempster Shafer” menghasilkan keluaran berupa
kemungkinan penyakit ginjal yang diderita berdasarkan gejala yang dirasakan
oleh user. Sistem ini juga manampilkan besarnya kepercayaan gejala tersebut
terhadap kemungkinan penyakit ginjal yang diderita oleh user. Besarnya nilai
kepercayaan tersebut merupakan hasil perhitungan dengan menggunakan metode
Dempster Shafer.
Penelitian selanjutnya oleh Rikhiana (2013), dengan penelitianya yang
berjudul “Implementasi Sistem Pakar Untuk Mendiagnosa Penyakit Dalam Pada
Manusia Menggunakan Metode Dempster Shafer” sebuah sistem yang
mempunyai kemampuan seperti pakar dengan memberikan nilai kepastian dalam
bentuk persentase dengan perhitungan Dempster Shafer. Pengembangan
perangkat lunak sistem pakar ini meliputi, analisis kebutuhan perangkat lunak
yang terdiri dari analisis kebutuhan user, analisis kebutuhan sistem dan
perancangan rekayasa pengetahuan dimana dalam pembuatan rekayasa perangkat
lunak ini data yang terkumpul direpresentasikan sebagai basis pengetahuan,
keputusan, basis aturan dan perancangan mesin inferensi.. Selanjutnya
perancangan sistem, yang merancang pembuatan pemodelan proses yang terdiri
4
dari konteks diagram dan DFD, pemodelan data yang terdiri dari perancangan
ERD, Mapping Table dan perancangan tabel. Pengembangan proses selanjutnya
adalah implementasi menggunakan Visual Basic 6.0 dan tahap akhir
pengembangan sistem yaitu pengujian dengan Black Box Test dan Alfa Test. Hasil
penelitian berupa program aplikasi sistem pakar yang mampu mendiagnosa
Penyakit Dalam sebanyak 17 jenis Penyakit Dalam. Keluaran sistem berupa hasil
penelusuran penyakit yang dilengkapi nilai persentase yang diperoleh dengan
perhitungan menggunakan metode Dempster Shafer, penyebab dan solusi.
Penelitian dengan metode Dempster Shafer selanjutnya yang dilakukan oleh
Cahyono dkk. (2017), dalam penelitianya yang berjudul “Sistem Pakar Diagnosis
Penyakit Kanker Tenggorokan Menggunakan Metode Dempster Shafer Berbasis
Web” menghasilkan keluaran berupa jenis penyakit yang diderita berdasarkan
gejala yang dirasakan oleh user. Sistem ini juga menampilkan besarnya nilai
kepercayaan gejala tersebut terhadap kemungkinan penyakit kanker tenggorokan
yang diderita oleh user. Besarnya nilai kepercayaan tersebut merupakan hasil
perhitungan dengan menggunakan metode Dempster Shafer. diperbandingkan
dengan semua rating alternatif yang ada.
Penelitian yang menggunakan metode Case Based Reasoning yang
dilakukan oleh Minarni (2017), penelitianya yang berjudul “Sistem Pakar
Identifikasi Penyakit Tanaman Padi Menggunakan Case Based Reasoning”
Penelitiannya ini membangun sistem pakar identifikasi penyakit tanaman padi
menggunakan metode Case Based Reasoning (CBR). Proses identifikasi
dilakukan dengan cara memasukkan kasus baru yang berisi gejala - gejala yang
akan diidentifikasi ke dalam sistem, kemudian melakukan proses perhitungan nilai
similaritas antara kasus baru dengan dengan basis kasus menggunakan metode
nearest neighbor. Hasil pengujian dengan threshold similaritas 70%
menggunakan metode nearest neighbor menunjukkan sistem memiliki tingkat
akurasi sebesar 82,69%
Penelitian dengan metode Case Based Reasoning juga telah dilakukan oleh
Zainuddin dkk. (2016), penelitianya yang berjudul “Penerapan Case Based
Reasoning (CBR) Untuk Mendiagnosis Penyakit Stroke Menggunakan Algoritma
5
K-Nearest Neighbor” Penelitian ini menggunakan penalaran berbasis kasus atau
Cased Based Reasoning (CBR) untuk melakukan diagnosis penyakit stroke.
Proses diagnosis dilakukan dengan cara memasukkan gejala yang dirasakan oleh
pasien. Metode yang digunakan untuk melakukan perhitungan similaritas antara
kasus lama dan baru pada sistem adalah algoritma K-Nearest Neighbor (KNN).
Output dari sistem CBR ini berupa solusi hasil diagnosis jenis penyakit pasien
serta bagaimana penanganan medisnya. Solusi dari kasus lama yang paling mirip
dengan kasus baru akan diambil sebagai bagian dari kasus baru dengan ketentuan
nilai kemiripan antara 0,8 (80%) sampai dengan 1 (100%). Berdasarkan hasil uji
coba didapatkan kesamaan diagnosis sistem terhadap pakar sebesar 0,933
(93,3%).
Penelitian dengan metode Case Based Reasoning selanjutnya dilakukan
oleh Sulastri (2011), dengan judul “Case Based Reasoning (CBR) Untuk
Pendeteksi Penyakit Pada Tanaman Kacang Kedelai Berbasis Web” Penelitianya
dilakukan dengan perbandingan output sistem dengan kesimpulan data
menggunakan 10 data baru, 40 data, 50 data dan 100 data. Hasil akurasinya
berturut-turut sebesar 94%, 96,5%, 99,2%, dan 99,8%. Dengan akurasi 99,8% dari
pengujian 50 data baru menunjukan sistem lebih teruji, dan menunjukan bahwa
sistem yang dibangun dapat melakukan diagnosa penyakit dengan memberikan
hasil diagnosa yang sesuai walaupun menggunakan data baru. Sistem pendeteksi
penyakit tanaman kacang kedelai dengan metode Case Based Reasoning ini
memiliki kinerja sistem yang baik untuk memberikan solusi yang akurat baik
ketika menyelesaikan permasalahan dengan kasus data yang sudah terdapat di
dalam basis pengetahuan, maupun menyelesaikan permasalahan dengan kasus
data yang belum ada di dalam basis pengetahuan.
Adapun penelitian lain dengan metode Case Based Reasoning yang
dilakukan oleh Fidyaningsih dkk. (2016) dengan judul “Sistem Pakar Diagnosa
Penyakit Kucing Menggunakan Metode Case Based Reasoning” Penelitian ini
menghasilkan sebuah sistem pakar diagnosa penyakit kucing dengan tingkat
akurasi sebesar 90%, yang dimanfaatkan untuk membantu semua orang terutama
6
para pemilik kucing yang ingin mengetahui penyakit dan gejala serta pencegahan
penyakit pada kucing.
Setelah penelitian oleh Fidyaningsih adapun penelitian dengan metode
Dempster Shafer yang dilakukan oleh Zainuri dkk. (2018) berjudul “Implementasi
Metode Dempster Shafer Untuk Mendeteksi Penyakit Pada Anjing” Dalam
penelitian ini diterapkan metode Dempster Shafer dikarenakan dengan metode ini
diketahui dari satu gejala yang sama dapat diketahui lebih dari satu penyakit yang
ada. Dengan metode ini juga dapat mengatasi permasalahan tersebut. Akurasi dari
sistem ini yaitu sebesar 85,53% yang berarti sistem ini dapat berjalan dengan baik
karena hasil dari sistem mendekati kesamaan dengan fakta lapangan yang
sebenarnya.
Penelitian dengan metode Dempster Shafer yang lain yaitu oleh Putra
(2013) dengan judul “Sistem Pakar Dengan Menggunakan Metode Dempster
Shafer Untuk Mendeteksi Jenis Perilaku Abnormal Adhd (Attention Deficit
Hyperactivity Disorder) Pada Anak” Sistem ini diimplementasikan dengan
menggunakan bahasa pemograman Microsoft Visual Basic.Net dan dengan
menggunakan database Microsoft Access 2013. Hasil pengujian dengan
persentase sebesar 85% menunjukkan bahwa sistem pakar ini mampu mendeteksi
jenis perilaku ADHD (Attention Deficit Hyperactivity Disorder) yang diderita
anak disertai dengan nilai keyakinan Dempster Shafer. Penelitian terkait
selanjutnya dapat dilihat pada Tabel 2.1.
Tabel 2.1 Penelitian Terkait
No Peneliti Domain Masalah Metode yang Hasil

digunakan
1 Wijaya Penerapan Dempster Hasil dari metode ini
dkk.
Diagnosis Shafer berupa perangkingan.
(2018)
Penyakit Cabai Metode forward chaining
Dengan berfungsi sebagai mesin
Menggunakan inferensi berdasarkan
7
digunakan
Metode Forward fakta - fakta yang ada
Chaining – setelah itu dihitung
Dempster Shafer dengan metode Dempster
Shafer.
2 Octavian Implementasi Case Based Sistem pakar dapat
i (2010)
Case Based Reasoning melakukan diagnosis
Reasoning Untuk (CBR) penyakit anjing dengan
Sistem Diagnosis cukup baik, dan fasilitas
Penyakit Anjing modifikasi aturan (rule)
yang diberikan
memberikan kemudahan
bagi pakar untuk
mengubah aturan
sehingga sistem ini dapat
berfungsi dengan baik.
3 Ihsan dkk. Penerapan Metode Dempster Sistem yang dapat
(2017) Dempster Shafer Shafer digunakan untuk
Untuk Sistem mendeteksi penyakit
Deteksi Penyakit tanaman padi yang dapat
Tanaman Padi diterapkan pada proses
pembangunan prototipe
sistem pakar.
4 Orthega Implementasi Dempster Hasil dari penelitian ini
dkk. Metode Dempster Shafer adalah sebuah sistem
(2017) Shafer untuk untuk mendiagnosa
Mendiagnosa penyakit tanaman padi
Penyakit Tanaman menggunakan metode
Padi Demspter Shafer yang
8
Tabel 2.1 (Lanjutan)

digunakan
memuat berbagai gejala,
penyebab, solusi dan
hasil diagnosis yang
berdasarkan basis
pengetahuan para pakar
atau para ahli di bidang
pertanian.
5 Sulistyoha Aplikasi Sistem Dempster Aplikasi Sistem Pakar ini
ti. (2008) Pakar Diagnosa Shafer menghasilkan keluaran
Penyakit Ginjal berupa kemungkinan
Dengan Metode penyakit ginjal yang
Dempster Shafer diderita berdasarkan
gejala yang dirasakan
oleh user.
6 Rikhiana Implementasi Dempster Hasil penelitian berupa
(2013) Sistem Pakar Shafer program aplikasi sistem
Untuk Tanaman pakar yang mampu
Padi diterapkan pada proses
pembangunan prototipe
sistem pakar.
7 Cahyono Sistem Pakar Dempster Menghasilkan keluaran
dkk. Diagnosis Shafer berupa jenis penyakit
(2017) Penyakit Kanker yang diderita berdasarkan
Tenggorokan gejala yang dirasakan
Menggunakan oleh user.
Metode Dempster
Shafer
9

digunakan
8 Minarni Sistem Pakar Case Based Hasil pengujian dengan
(2017) Identifikasi Reasoning threshold similaritas 70%
Penyakit Tanaman (CBR) menggunakan metode
Padi nearest neighbor
Menggunakan menunjukkan sistem
Case Based memiliki tingkat akurasi
Reasoning sebesar 82,69%
9 Sulastri Case Based Case Based Sistem yang baik untuk

(2011) Reasoning (CBR) Reasoning memberikan solusi yang
Untuk Pendeteksi (CBR) akurat baik ketika
Penyakit Pada menyelesaikan
Tanaman Kacang permasalahan dengan
Kedelai Berbasis kasus data yang sudah
Web terdapat di dalam basis
pengetahuan.
10 Fidyaning Sistem Pakar Case Based Penelitian ini
sih dkk. Diagnosa Penyakit Reasoning menghasilkan sebuah
(2016) Kucing sistem pakar diagnosa
Menggunakan penyakit kucing dengan
Metode Case tingkat akurasi sebesar
Based Reasoning 90%, yang dimanfaatkan
untuk membantu semua
orang terutama para
pemilik kucing yang
ingin mengetahui
penyakit dan gejala serta
10

digunakan
pencegahan penyakit
pada kucing.
11 Zainuri Implementasi Dempster Akurasi dari sistem ini
dkk. Metode Dempster Shafer yaitu sebesar 85,53%
(2018) Shafer Untuk yang berarti sistem ini
Mendeteksi dapat berjalan dengan
Penyakit Pada baik karena hasil dari
Anjing sistem mendekati
kesamaan dengan fakta
lapangan yang
sebenarnya.
12 Putra Sistem Pakar Dempster Hasil pengujian dengan
(2013) Dengan Shafer persentase sebesar 85%
Menggunakan menunjukkan bahwa
Metode Dempster sistem pakar ini mampu
Shafer Untuk mendeteksi jenis perilaku
Mendeteksi Jenis ADHD (Attention Deficit
Perilaku Hyperactivity Disorder)
Abnormal Adhd yang diderita anak
(Attention Deficit disertai dengan nilai
Hyperactivity keyakinan Dempster
Disorder) Pada Shafer.
Anak
13 Suryanto Penerapan Case Case Based Sistem ini akan
dkk. Based Reasoning Reasoning memberikan keluaran
(2016) (CBR) untuk (CBR berupa kemungkinan
Mendiagnosa jenis pecandu narkoba
11

digunakan
Jenis Pecandu dan saran terapi yang
Narkoba didasarkan pada
kemiripan kasus baru
dengan pengetahuan yang
dimiliki sistem.
14 Sari Sistem Pakar Dempster Hasil yang dikeluarkan
(2013) Untuk Diagnosa Shafer oleh sistem pakar ini
Penyakit Pada adalah jenis penyakit,
Tanaman Buah solusi dan persentase
Naga nilai kemungkinan
Menggunakan terhadap suatu penyakit.
Metode Dempster
Shafer
15 Wahyudi Case Based Case Based Hasil pengujian rata-rata
dan Reasoning untuk Reasoning sistem untuk melakukan
Hartati Diagnosis diagnosis penyakit
(2017) Penyakit Jantung jantung menggunakan
data rekam medik pasien
penyakit jantung, bahwa
sistem mampu mengenali
penyakit jantung
menggunakan metode
nearest neighbor
similarity, minskowski
distance similarity dan
euclidean distance
similarity secara benar.
12
2.1 Keaslian Penelitian
Bagian keaslian penelitian ini membahas mengenai penelitian yang sudah
ada yang terkait dengan penelitian yang dilakukan saat ini yaitu sistem pakar
diagnosa hama dan penyakit tanaman cabai, penelitian ini mengambil dari dua
penelitian yang sudah ada yaitu oleh Wijaya dkk. (2018), dalam penelitianya,
yang berjudul “Diagnosis Penyakit Cabai Dengan Menggunakan Metode Forward
Chaining – Dempster-Shafer”, sistem dikembangkan menggunakan metode
Dempster Shafer sebagai media diagnosa penyakit tanaman cabai, Hasil dari
penelitiannya menunjukan akurasi yang sudah dilakukan dari 20 kasus uji
menggunakan densitas gejala dari pakar menghasilkan akurasi sebesar 90%.
Penelitian lain oleh Minarni dkk. (2017), dengan judul “Sistem Pakar Identifikasi
Penyakit Tanaman Padi Menggunakan Case Based Reasoning” Penelitiannya
menghasilkan sistem pakar identifikasi penyakit tanaman padi dengan metode
Case Based Reasoning dengan memperhitungkan kemiripan masalah baru dengan
kasus lama. Hasil pengujian terhadap data uji dengan threshold similaritas sebesar
70% menunjukkan sistem memiliki tingkat akurasi sebesar 82, 69%..
Dari dua penelitian oleh Wijaya, Minarni dkk., maka dikembangkanlah
sistem pakar diagnosa hama dan penyakit tanaman cabai menggunakan metode
Dempster Shafer dan Case Based Reasoning. Adapun pada penelitian ini akan
membandingkan tingkat akurasi dari hasil diagnosa yang hanya menggunakan
salah satu dari metode Dempster Shafer dan Case Base Reasoning dengan
penggabungan dari kedua metode tersebut.
3. Landasan Teori
Untuk mendukung penelitian ini, maka perlu adanya teori - teori yang bisa
menjadi acuan dalam pembuatan proposal ini. Teori yang ada tentunya saling
berkaitan antara satu teori dengan teori lainnya, sehingga karya ilmiah yang dibuat
tidak akan keluar dari batasan - batasan karya ilmiah.
3.1 Pengertian Sistem Pakar

Sistem pakar adalah sebuah sistem yang menggunakan pengetahuan
manusia dimana pengetahuan tersebut dimasukkan kedalam komputer dan
13
kemudian digunakan untuk menyelesaikan masalah-masalah yang biasanya
membutuhkan kepakaran atau keahlian manusia. Sistem pakar merupakan cabang
dari Artificial Intelligence (AI) yang cukup tua karena sistem ini mulai
dikembangkan pada pertengahan tahun 1960. Sistem pakar yang muncul pertama
kali adalah General Purpose Problem Solver (GPS) yang dikembangkan oleh
Newel dan Simon.
Istilah sistem pakar berasal dari istilah knowledge based expert system.
Istilah ini muncul karena untuk memecahkan masalah, sistem pakar menggunakan
pengetahuan seorang pakar yang dimasukkan ke dalam komputer. Seseorang yang
bukan pakar menggunakan sistem pakar untuk meningkatkan kemampuan
pemecahan masalah, sedangkan seorang pakar menggunakan sistem pakar untuk
knowledge assistant. (Sutojo dkk. 2011).
3.2 Struktur Sistem Pakar

Sistem pakar terdiri dari dua bagian pokok, yaitu: lingkungan
pengembangan (development environment) dan lingkungan konsultasi
(consultation environment). Lingkungan pengembangan digunakan sebagai
pembangun sistem pakar baik dari segi pembangunan komponen maupun basis
pengetahuan. Lingkungan konsultasi digunakan oleh seseorang yang bukan ahli
untuk berkonsultasi (Kusumadewi, 2003).
Gambar 3.1 Arsitektur Sistem Pakar (Kusumadewi, 2003)
14
Komponen-komponen yang terdapat dalam arsitektur/struktur sistem pakar
pada Gambar 3.1 dijelaskan sebagai berikut:
a. Antarmuka Pengguna (User Interface)
Antarmuka merupakan mekanisme yang digunakan oleh pengguna dan
sistem pakar untuk berkomunikasi. Antarmuka menerima informasi dari
pemakai dan mengubahnya ke dalam bentuk yang dapat diterima oleh
sistem. Selain itu antarmuka menerima dari sistem dan menyajikannya
ke dalam bentuk yang dapat dimengerti oleh pemakai.
b. Basis Pengetahuan
Basis pengetahuan mengandung pengetahuan untuk pemahaman,
formulasi, dan penyelesaian masalah.
c. Akuisisi Pengetahuan (Knowledge Acquisition)
Akuisisi pengetahuan adalah akumulasi, transfer, dan transformasi
keahlian dalam menyelesaikan masalah dari sumber pengetahuan ke
dalam program komputer. Dalam tahap ini knowledge enginer berusaha
menyerap pengetahuan untuk selanjutnya ditransfer ke dalam basis
pengetahuan. Pengetahuan diperoleh dari pakar, dilengkapi dengan
buku, basis data, laporan penelitian, dan pengalaman pemakai.
d. Mesin/Motor Inferensi (Inference Engine)
Komponen ini mengandung mekanisme pola pikir dan penalaran yang
digunakan oleh pakar dalam menyelesaikan suatu masalah. Mesin
inferensi adalah program komputer yang memberikan metodologi untuk
penalaran tentang informasi yang ada dalam basis pengetahuan dan
dalam workplace, dan untuk memformulasikan kesimpulan.
e. Workplace/Blackboard
Workplace merupakan area dari sekumpulan memori kerja (working
memory), digunakan untuk merekam kejadian yang sedang berlangsung
termasuk keputusan sementara.
f. Fasilitas Penjelasan
Fasilitas penjelasan adalah komponen tambahan yang akan
meningkatkan kemampuan sistem pakar, digunakan untuk melacak
15
respon dan memberikan penjelasan tentang kelakuan sistem pakar
secara interaktif melalui pertanyaan.
g. Perbaikan Pengetahuan
Pakar memiliki kemampuan untuk menganalisis dan meningkatkan
kinerjanya serta kemampuan untuk belajar dari kinerjanya. Kemampuan
tersebut adalah penting dalam pembelajaran terkomputerisasi, sehingga
program akan mampu menganalisis penyebab kesuksesan dan
kegagalan yang dialaminya dan juga mengevaluasi apakah
pengetahuan-pengetahuan yang ada masih cocok untuk digunakan di
masa mendatang.
3.3 Konsep Dasar Sistem Pakar

Menurut Sutojo dan Mulyanto (2010) konsep dasar sistem pakar meliputi
enam hal, antara lain adalah sebagai berikut :
1. Kepakaran (Expertise)
Kepakaran merupakan suatu pengetahuan yang diperoleh dari pelatihan,
membaca, dan pengalaman. Kepakaran inilah yang memungkinkan para
ahli dapat mengambil keputusan lebih cepatt dan lebih baik daripada
seseorang yang bukan pakar. Kepakaran itu sendiri meliputi
pengetahuan tentang.
a) Fakta-fakta tentang bidang permasalahan tertentu.
b) Teori-teori tentang bidang permasalahan tertentu.
c) Aturan-aturan dan prosedur-prosedur menurut bidang
permasalahan umumnya.
d) Aturan heuristic yang harus dikerjakan dalam suatu situasi tertentu.
e) Strategi global untuk memecahkan permasalahan.
f) Pengetahuan tentang pengetahuan (meta knowledge)
2. Pakar (Expert)
Pakar adalah seorang yang mempunyai pengetahuan, pengalaman, dan
metode khusus, serta mampu menerapkannya untuk memecahkan
masalah atau memberi nasehat. Seorang pakar harus mampu
16
menjelaskan dan mempelajari hal-hal yang berkaitan dengan topik
permasalahan, jika perlu harus mampu menyusun kembali pengetahuan-
pengetahuan yang didapatkan, dan dapat memecahkan aturan-aturan
serta menentukan relevansi kepakarannya.
3. Pemindahan Kepakaran (Transferring Expertise)
Tujuan dari sistem pakar adalah memindahkan kepakaran dari
seseorang pakar ke dalam komputer, kemudian ditransfer kepada orang
lain yang bukan pakar. Proses ini melibatkan empat kegiatan yaitu :
a) Akuisisi pengetahuan (dari pakar atau sumber lain)
b) Representasi pengetahuan (pada komputer)
c) Inferensi pengetahuan
d) Pemindahan pengetahuan ke pengguna
4. Inferensi (Inferencing)
Inferensi adalah sebuah prosedur (program) yang mempunyai
kemampuan dalam melakukan penalaran. Inferensi ditampilkan pada
suatu komponen yang disebut mesin inferensi yang mencakup prosedur-
prosedur mengenai pemecahan masalah. Semua pengetahuan yang
dimiliki oleh seorang pakar disimpan pada basis pengetahuan oleh
sistem pakar. Tugas mesin inferensi adalah mengambil kesimpulan
berdasarkan basis pengetahuan yang dimilikinya.
5. Aturan (Rule)
Kebanyakan software sistem pakar komersional adalah sistem yang
berbasis rule (rule based system), yaitu pengetahuan disimpan terutama
dalam bentuk rule, sebagai prosedur-prosedur pemecahan masalah.
6. Kemampuan Menjelaskan (Explanation Capability)
Fasilitas lain dari sistem pakar adalah kemampuan untuk menjelaskan
saran atau rekomendasi yang diberikannya. Penjelasan dilakukannya
dalam subsistem yang disebut subsistem penjelasan (explanation).
Bagian dari sistem ini memungkinkan sistem untuk memeriksa
penalaran yang dibuatnya sendiri dan menjelaskan operasi-operasinya.
17
3.4 Rule Based
Dalam penjelasan tentang rule based system atau sistem berbasis aturan oleh
Syarifullah (2015), rule based system adalah cara untuk menyimpan dan
memanipulasi pengetahuan untuk menginterpretasikan informasi dalam cara yang
bermanfaat.
Rule based system / sistem berbasis aturan dapat digunakan untuk
melakukan analisis leksikal untuk mengkompilasi atau menafsirkan program
komputer, atau dalam pengolahan bahasa alami.
3.5 Mesin Inferensi

Merupakan otak dari sistem pakar, bagian ini mengandung mekanisme
fungsi berpikir dan pola - pola penalaran sistem yang digunakan oleh seorang
pakar. mekanisme ini akan menganalisa suatu masalah tertentu dan kemudian
mencari jawaban atau kesimpulan yang terbaik. Dari fakta - fakta yang diperoleh
selama proses Tanya - jawab dengan user, serta aturan-aturan yang tersimpan
di knowledge based, inference engine dapat menarik suatu kesimpulan dan
memberikan rekomendasi atau saran yang diharapkan oleh user.
Mesin inferensi berfungsi untuk memandu proses penalaran terhadap suatu
kondisi, berdasarkan pada basis pengetahuan yang tersedia. Di dalam mesin
inferensi terjadi proses untuk memanipulasi dan mengarahkan kaidah, model, dan
fakta yang disimpan dalam basis pengetahuan dalam rangka mencapai solusi atau
kesimpulan. Dalam prosesnya, mesin inferensi menggunakan strategi penalaran
dan strategi pengendalian. Fungsi Inferensi Engine adalah :
1. Memberikan pertanyaan kepada user .
2. Menambah jawaban pada working memory (blackboard).
3. Menambahkan fakta baru dari suatu rule (hasil inferensi).
4. Menambahkan fakta baru tersebut pada working memory.
5. Mencocokkan fakta pada working memory dengan rule.
Ada dua metode dasar yang bisa digunakan oleh mesin inferensi dalam
mencari kesimpulan untuk mendapatkan solusi bagi permasalahan yang dihadapi
sistem pakar, yaitu runut maju (forward chaining) dan runut balik (backward
18
chaining). Berikut penjelasan mengenai kedua metode pencarian tersebut
(Yunanto, 2003) :
1. Runut maju (Forward chaining)
Runut maju merupakan metode pencarian yang memulai proses
pencarian dari sekumpulan data atau fakta, dari fakta-fakta tersebut
dicari suatu kesimpulan yang menjadi solusi dari permasalahan yang
dihadapi. Mesin inferensi mencari kaidah-kaidah dalam basis
pengetahuan yang premisnya sesuai dengan fakta - fakta tersebut,
kemudian dari aturan-aturan tersebut diperoleh suatu kesimpulan. Runut
maju memulai proses pencarian dengan data sehingga strategi ini
disebut juga data–driven.
2. Runut balik (Backward chaining)
Runut balik merupakan metode pencarian yang arahnya kebalikan dari
runut maju. Proses pencarian dimulai dari tujuan, yaitu kesimpulan
yang menjadi solusi dari permasalahan yang dihadapi. Mesin inferensi
mencari aturan-aturan dalam basis pengetahuan yang kesimpulannya
merupakan solusi yang ingin dicapai, kemudian dari aturan-aturan yang
diperoleh, masing-masing kesimpulan dirunut balik jalur yang
mengarah ke kesimpulan tersebut. Jika informasi atau nilai dari atribut
yang mengarah ke kesimpulan tersebut sesuai dengan data yang
diberikan maka kesimpulan tersebut merupakan solusi yang dicari, jika
tidak sesuai maka kesimpulan tersebut bukan merupakan solusi yang
dicari. Runut balik memulai proses pencarian dengan suatu tujuan
sehingga strategi ini disebut juga goal–driven.
Maka sudah dapat diperkirakan bahwa sistem pakar dengan beberapa
knowledge hanya dapat diisi beberapa kepakaranyang memiliki teknik inferensi
yang sama dan memiliki struktur knowledge based yang sama.
3.6 Resolusi Konflik

Memilih sebuah rule dari sejumlah rule untuk dieksekusi adalah persoalan
resolusi konflik. Resolusi konflik dapat dibedakan antar satu dengan yang lain
19
dalam beberapa cara, salah satunya adalah berdasarkan prioritas. Tiap-tiap rule
diberi nilai prioritas (McDermott and Lanny, 1976). Beberapa jenis resolusi
konflik yang ada (Pakiarajah dkk, 2000) adalah sebagai berikut :
a. First applicable: Jika rules terurut, dahulukan menjalankan rule yang
paling dapat diterapkan pertama.
b. Random: pilih salah satu rule yang akan dijalankan secara acak.
c. Specificity: rule yang diterapkan adalah rule yang paling banyak fakta
yang cocok, dalam hal berarti lebih spesifik.
d. Least Recently Used: setiap rule mempunyai timestamp (jam dan tanggal)
menandakan waktu terakhir digunakan.
e. "Best" Rule: Setiap rule diberikan bobot yang menentukan seberapa besar
rule itu dipertimbangkan.
3.7 Contoh Penerapan Resolusi Konflik

 Resolusi Konflik: First Applicable
Contoh:
Rule 1: IF color is yellow
THEN fruit is apple;
Rule 2: IF color is yellow
AND shape is long
THEN fruit is banana
Rule 3: IF shape is round
THEN fruit is apple.
Database mengandung yellow (color) dan round (shape). Rule 1 dan Rule 3
dapat dijalankan. Rule 1 lebih dahulu kemudian Rule 3.
 Resolusi Konflik: Spesificity
Contoh:
Rule 1: IF the weather is cold
THEN the season is winter
Rule 2: IF the weather is cold
20
AND the temperature is low
AND the wind is blushing
AND the forecast is snow
THEN the season is winter.
Rule 2 adalah paling signifikan dibandingkan Rule 1. Jadi, Rule 2 dipilih
untuk diterapkan.
 Resolusi Konflik: Random Search

Dalam sistem ini akan dilakukan perbaikan dalam menentukan nilai
bobot. Nilai bobot sebelumnya didapat dari pakar. Perbaikan nilai bobot
akan dilakukan dengan metode random search. Metode random search
adalah metode yang sederhana yaitu dengan mencoba terus kandidat dari
solusi-solusi baru sambil tetap mempertahankan solusi yang terbaik sampai
batas waktu untuk simulasi habis.
Proses optimasi dengan metode random search dimulai dengan suatu
solusi yang diperoleh secara acak tetapi layak untuk dijadikan solusi yang
terbaik sementara. Selanjunya proses pencarian solusi terbaik akan
dilakukan menyeluruh secara iterative. Dan pada setiap iterasinya akan
dilakukan evaluasi terhadap solusi yang didapat secara acak dibandingkan
dengan solusi terbaik sementara. Apabila solusi yang dievaluasi mempunyai
hasil yang lebih baik, maka akan terjadi perbaikan solusi dan solusi tersebut
akan menjadi solusi yang terbaik. Proses tersebut akan diulang terus sampai
batas waktu iterasi habis.
 Resolusi Konflik: Least Recently Used

Contoh:
Rule 1: IF color is yellow THEN fruit is apple [28.02.2012, 13:45]
Rule 2: IF color is yellow AND shape is long THEN fruit is banana
[01.03.2012, 12:00]
Rule 3: IF shape is round THEN fruit is apple [05.03.2012, 20:00]
21
setiap rule mempunyai timestamp (jam dan tanggal) menandakan waktu
terakhir digunakan. Rule 1 dipilih untuk dijalankan karena rule 1 adalah
yang terakhir digunakan.
 Resolusi Konflik: Best Rule

Contoh:
Rule 1: IF color is yellow THEN fruit is apple 30%
Rule 2: IF color is yellow AND shape is long THEN fruit is banana 30%
Rule 3: IF shape is round THEN fruit is apple 40%
Rule 3 akan dipilih karena mempunyai bobot yang paling tinggi diantara
semua rule.
3.8 Teori Dempster Shafer

Teori Dempster Shafer adalah suatu teori matematika untuk pembuktian
(Kusumadewi, 2003) berdasarkan belief functions and plausible reasoning (fungsi
kepercayaan dan pemikiran yang masuk akal), yang digunakan untuk
mengkombinasikan potongan informasi yang terpisah (bukti) untuk
mengkalkulasi kemungkinan dari suatu peristiwa. Teori ini dikembangkan oleh
Arthur P. Dempster dan Glenn Shafer. Merupakan model ketidakpastian yang
menggunakan rentang probabilitas. Evidence dibagi-bagi secara terpisah,
kemudian dihitung nilai probabilitasnya. Hal ini mengakibatkan perhitungan
bilangan yang agak rumit, dan dalam kasus permasalahan yang besar, perhitungan
nilai ketidakpastiannya akan semakin komplek. Dilihat dari sistem rentang yang
digunakan, maka metode faktor kepastian (CF) dapat dipandang sebagai kasus
khusus dari teori Dempster Shafer.
Teori Dempster Shafer dituliskan sebagai berikut [Belief, Plausibility] Belief
menunjukan ukuran kekuatan evidence dalam mendukung suatu hipotesis.
Plausibility menunjukkan keadaan yang bisa dipercaya. Keterkaitan antara
plausibility dan belief dapat dituliskan. Pl(H) = 1-Bel (Ħ). Dalam teori dempster
shafer diasumsikan bahwa hipotesis-hipotesis yang digunakan dikelompokkan ke
dalam suatu lingkungan (environment) tersendiri yang biasa disebut himpunan
semesta pembicaraan dari sekumpulan hipotesis dan berikan notasi ϴ. Selain itu
22
dikenal juga probabilitas fungsi densitas (m) yang menunjukkan besarnya
kepercayaan evidence terhadap hipotesis tertentu. (Iswanti dan Hartati, 2008)
Adapun, Plausibility (Pls) dinotasikan sebagai berikut:
Pl(H) = 1-Bel (Ħ) (1)
Dimana:
Pl(H) = Plausibility
Bel(Ħ) = Belief
Plausibility juga bernilai 0 sampai 1, jika kita yakin akan X’ maka dapat
dikatakan Belief (X’) = 1 sehingga dari rumus di atas nilai Pls (X) = 0. Pada
aplikasi sistem pakar dalam satu penyakit terdapat sejumlah evidence yang akan
digunakan pada faktor ketidakpastian dalam pengambilan keputusan untuk
diagnosa suatu penyakit. Untuk mengatasi sejumlah evidence tersebut pada teori
Dempster Shafer menggunakan aturan yang lebih dikenal dengan Dempster’s Rule
of Combination. Secara umum formulasi untuk Dempster’s Rule of Combination
adalah:
∑ 𝑚1(𝑋)𝑚2(𝑌)
m3(Z) = (2)
1−𝑘
Dimana:
m3(Z) = mass function dari evidence (Z)
m1(X ) = mass function dari evidence (X)
m2(Y) = mass function dari evidence (Y)
k = Jumlah evidential conflict.
Besarnya jumlah evidential conflict (k) dirumuskan dengan:
k = ∑ m1(X)m2(Y) (3)
𝑋𝑌=ø
23
Sehingga bila persamaan (2) disubstitusikan ke persamaan (3) akan menjadi:
∑ 𝑚1(𝑋)𝑚2(𝑌)
m3(Z) = (4)
1 − ∑ 𝑚1(𝑋)𝑚2(𝑌)
Dimana:
m3(Z) = mass function dari evidence (Z)
m1(X ) = mass function dari evidence (X)
m2(Y) = mass function dari evidence (Y)
k = jumlah evidential conflict.
3.8.1 Frame of Discernment

Teori dempster shafer menyatakan adanya frame of discrement yang
dinotasikan dengan simbol (Θ). frame of discrement merupakan semesta
pembicaraan dari sekumpulan hipotesis sehingga sering disebut dengan
environment. Environment mengandung elemen-elemen yang menggambarkan
kemungkinan sebagai jawaban, dan hanya ada satu yang akan sesuai dengan
jawaban yang dibutuhkan.
3.8.2 Mass Function

Mass function (m) dalam teori Dempster shafer adalah tingkat kepercayaan
dari suatu evidence (gejala), sering disebut dengan evidence measure sehingga
dinotasikan dengan (m). Tujuannya adalah mengaitkan ukuran kepercayaan
elemen-elemen θ. Tidak semua evidence secara langsung mendukung tiap-tiap
elemen. Untuk itu perlu adanya probabilitas fungsi densitas (m). Nilai m tidak
hanya mendefinisikan elemen-elemen θ saja, namun juga semua subsetnya.
Sehingga jika θ berisi n elemen, maka subset θ adalah 2n. Jumlah semua m dalam
subset θ sama dengan 1. Apabila tidak ada informasi apapun untuk memilih
hipotesis, maka nilai :
m{θ} = 1,0
24
Apabila diketahui X adalah subset dari θ, dengan m1 sebagai fungsi densitasnya,
dan Y juga merupakan subset dari θ dengan m2 sebagai fungsi densitasnya, maka
dapat dibentuk fungsi kombinasi m1 dan m2 sebagai m3.
3.8.3 Probabilitas
Probabilitas digunakan untuk menyatakan tingkat atau derajat kepercayaan.
Nilai probabilitas berada diantara 0 dan 1. P(A|B) diinterpretasikan sebagai derajat
atau tingkat kepercayaan bahwa A benar dengan diberikan B (Giarratano dan
Riley, 2005). Tingkat atau derajat kepercayaan (degree of belief) berbeda dengan
tingkat atau derajat kebenaran (degree of truth). Probabilitas 0,8 tidak berarti 80%
benar, tetapi 80% tingkat kepercayaan terhadap sesuatu.
Nilai probabilitas dapat berasal dari frekuensi, pandangan obyektif, dan
pandangan subyektif. Nilai probabilitas yang didapatkan dari frekuensi
maksudnya adalah bilangan yang menyatakan besarnya nilai probabilitas berasal
dari experiment. Misalnya dari 100 pasien yang dating terdapat 10 pasien
menderita sakit A, maka dapat dikatakan probabilitas pasien menderita penyakit A
adalah 0,1.
3.9 Macam – Macam Hama Penyakit Cabai

Menurut Rostini (2012), Jenis hama dan penyakit serta cara
pengendaliannya pada tanaman cabai adalah sebagai berikut :
1. Busuk Daun
Disebabkan patogen Phytopthora infestans (Mont.) de Bary; Ordo
Pythiales; Family Pythiaceae. Kisaran inang dari patogen P. infestans
menyerang tanaman tomat, kentang, paprika, terung, cabai dan famili
solanaceae lainnya. Banyak tahapan siklus hidup P. infestans yang
hanya dapat terlihat dibawah mikroskop. Benang halus (miselium) dapat
mudah diamati dengan mikroskop, benang ini dicirikan dengan
terdapatnya aliran plasma di dalam sel. Miselium berkembang diantara
sel dan ujung sel benang hypa dan bersifat dikotomi. Miselia merambat
pada permukaan media murni. Pengendalianya gunakan ridomil gold
25
mz dengan konsentrasi gr/l dan gunakan revus 250 sc 1 ml/l air dengan
gungisida kontak efektif.
2. Jamur Phytopthora Capsici
Phytophthora capsici telah dikenal sebagai salah satu cendawan atau
jamur patogen yang mampu menimbulkan kerusakan parah pada hampir
semua bagian tanaman cabai. Lantaran itu pula, cendawan ini sering
disebut sebagai plant destroyer of capsicums atau perusak tanaman
cabai-cabaian. Meskipun dikenal sebagai perusak utama tanaman cabai,
Phytophthora Capsici juga memiliki beragam tanaman inang lainnya,
terutama dari keluarga Solanaceae (misalnya: tomat dan terong)
dan Cucurbitaceae (misalnya: mentimun, semangka, dan melon).
Pengendalianya lakukan penyemprotan fungisida amistartop 325 sc
dengan konsentrasi 0,5 ml/l air, internal penyemprotan 7 – 10 hari.
3. Bercak Daun
Penyakit bercak daun cabai adalah salah satu penyakit terpenting yang
meyerang cabai di Indonesia. Penyakit ini distimulir oleh kondisi
lembab dan suhu relative tinggi. Penyakit bercak daun cabai dapat
menyebabkan kerusakan sejak dari persemaian sampai tanaman cabai
berbuah. Penyakit ini menyebabkan masalah serius terhadap
perkembangan tanaman cabai (Syamsuddin, 2007). Penangananya sama
dengan pengendalian Jamur phytopthora capsici yaitu lakukan
penyemprotan fungisida amistartop 325 sc dengan konsentrasi 0,5 ml/l
air.
4. Patah Batang
Penyakit teklik/patah batang pada tanaman cabai disebabkan oleh jamur
Choanephora Cucurbitarum. Jamur ini akan mudah tersebar oleh angin
pada cuaca yang lembab dan ada angin. Penyakit ini juga mudah
menular melalui singgungan antara daun/ cabang yang terserang dan
daun yang sehat. Pengendalianya cukup lakukan sanitasi lingkungan
dan pengaturan drainase yang baik. Lahan dibersihkan dari sisa – sisa
tanaman yang terinfeksi. Pangkas bagian batang yang terinfeksi
26
kemudian pendam dalam tanah yang jauh dari areal pertanaman cabai,
perlebar jarak tanam terutama pada musim hujan.
5. Layu Bakteri
Penyebab penyakit layu bakteri pada tanaman cabai adalah bakteri
Pseudomonas solanacearum. Bakteri parasit tersebut menyerang dan
menginfeksi area perakaran, pangkal batang, tunas, daun dan batang
tanaman cabai. Bakteri Pseudomonas solanacearum menginfeksi akar
dan menyebabkan akar tanaman membusuk. Penyebaran bakteri ini
dibantu oleh air, peralatan pertanian dan manusia. Pada kondisi tanah
yang terlalu basah dan lembab, bakteri Pseudomonas solanacearum
mudah dan cepat berkembang biak. Bakteri parasit ini menyerang pada
semua fase pertumbuhan, mulai dari pembibitan hingga tanaman
dewasa. Pengendalianya dengan melakukan sanitasi lingkungan,
pergiliran tanaman dengan cabai, cabai atau tanaman lain , drainase
yang baik, pemilihan benih/bibit yang sehat sangat dianjurkan sebagai
tindakan pencegahan.
6. Busuk Basah
Penyakit ini seringkali menyerang pada tanaman holtikultura, terutama
tanaman cabai. Busuk basah bisa saja menyerang buah cabai yang
masih muda (cabai hijau) maupun buah cabai yang sudah tua dan
hampir matang. Ketika ditemukan gejala busuk basah pada buah cabai
yang sudah matang, itu artinya buah cabai sudah lama terinfeksi yaitu
sejak buah cabai masih hijau. Oleh sebab itu, tindakan pencegahan
seharusnya dilakukan sedini mungkin. Pengendalianya yaitu dengan
melakukan penyemprotan activator tanaman bion – m 1/48 wp dengan
konsentrasi 1,25 g/l air, dengan interval 3 – 4 hari sekali (seminggu 2
hari penyemprotan), bergantian dengan amistartop 325 sc dengan
konsentrasi 0,5 ml/l air.
7. Thrips
Thrips merupakan hama utama tanaman cabai. Hama thrips pada
tanaman cabai adalah Thrips parvispinus. Serangan hama thrips
27
ditandai dengan adanya bercak-bercak keperakan pada daun tanaman
cabai. Hama lebih suka mengisap cairan daun muda sehingga
menyebabkan daun tanaman cabai mengeriting, akhirnya tanaman
menjadi kerdil. Pengendalian gunakan curacron 500 ec dengan
konsentrasi 2 ml/ l air atau Pegasus 500 sc dengan konsentrasi 1,5 ml/l
air atau agrimec 18 ec dengan konsentrasi 0,5 ml/ l air. Ketiga jenis
inteksida tersebut digunakan secara bergantian.
8. Kutu Daun Kapas
Sewaktu muda kutu ini berwarna putih, kemudian dewasa menjadi hijau
kehitaman. Hama ini mengisap cairan tanaman. Daun yang terserang
berubah keriput. Pertumbuhan terhambat dan kalau dibiarkan tanaman
bisa mati.Kutu dewasa membentuk sayap dan terbang ke tempat lain.
Kutu ini menghasilkan embun jelaga berwarna hitam yang mengganggu
proses fotosintesis, juga menjadi perantara penyebaran virus.
Pengendalianya gunakan curacron 500 ec dengan konsentrasi 2 ml/ l
air, atau Pegasus 500 sc dengan konsentrasi 1,5 ml/l air, keduanya
digunakan secara bergantian.
9. Kutu Daun Persik
Kutu daun persik memiliki alat tusuk isap, biasanya kutu ini ditemukan
dipucuk dan daun muda tanaman cabai. Ia mengisap cairan daun,
pucuk, tangkai bunga dan bagian tanaman yang lain sehingga daun jadi
keriting dan kecil warnanya brlang kekuningan, layu dan akhirnya mati.
Melalui angin kutu ini menyebar ke areal kebun. Efek dari kutu ini
menyebabkan tanaman kerdil, pertumbuhan terhambat, daun mengecil.
Kutu ini mengeluarkan cairan manis yang dapat menutupi permukaan
daun akan ditumbuhi cendawan hitam jelaga sehingga menghambat
proses fotosintesis. Kutu ini juga ikut andil dalam penyebaran virus.
Pengendalianya sama dengan pengendalian kutu daun kapas yaitu
dengan menggunakan curacron 500 ec dengan konsentrasi 2 ml/ l air,
atau Pegasus 500 sc dengan konsentrasi 1,5 ml/l air, keduanya
digunakan secara bergantian.
28
10. Virus Kerupuk
Partikel virus kerupuk berbentuk tongkat yang lebih tipis dan lebih
pendek dari TMV, dengan ukuran antara 97,6 – 158 nm, tebal 10 nm.
Berdasarkan ukurannya yang mendekati ukuran ini adalah kelompok
virus Hordeivirus Group (Brount dkk. 1991), kelompok ini memiliki
tipe anggota Barley Stripe Mosaic virus. Pengendalianya yaitu dengan
melakukan pemupukan yang berimbang, yaitu 150 – 200 kg Urea, 450
– 500 kg Za, 100 – 150 kg TSP, 100 – 150 kg KCL, dan 20 – 30 ton
pupuk organik per hektar. Melakukan sanitasi lingkungan, terutama
mengendalikan tumbuhan pengganggu/gulma yang dapat menjadi
tanaman inang virus, lakukan juga Eradikasi tanaman sakit, yaitu
tanaman yang menunjukkan gejala segera dicabut dan dimusnahkan
supaya tidak menjadi sumber penularan ke tanaman lain yang sehat.
11. Tungau Dewasa
Hama tungau (Mite) berada dan bersembunyi di balik daun cabai,
terutama daun muda. Hama tungau menyerang tanaman dengan cara
menghisap cairan daun di dalam jaringan mesofil hingga jaringan itu
rusak. Akibatnya klorofil pada daun menjadi rusak dan menghambat
proses fotosintesis tanaman. Hama tungau bisa menyerang tanaman
cabai dimusim hujan maupun musim kemarau. Namun serangan parah
umumnya terjadi pada musim kemarau. Hal ini disebabkan karena hama
tungau lebih cepat berkembang biak pada kondisi kering. Disaat musim
kemarau dan cuaca panas dengan suhu optimal 27° C telur-telur tungau
dapat menetas dalam waktu 3 hari. Menjadi tungau dewasa secara
seksual dalam waktu 5 hari setelah menetas. Pengendalianya gunakan
curacron 500 ec dengan konsentrasi 2 ml/l air atau Pegasus 500 sc
dengan konsentrasi 1,5 ml/l air atau algrimec 18 ec dengan konsentrasi
0,5 ml/l air, ketiganya digunakan secara bergantian.
12. Ulat Grayak
Ulat grayak (spodoptera litura) merupakan salah satu hama yang
menyerang tanaman cabai. Ulat grayak (spodoptera litura) menyerang
29
tanaman pada malam hari, sedangkan pada siang hari berada di dalam
tanah. Pada umumnya, ulat grayak menyerang satu tanaman secara
bersama-sama sampai seluruh daun tanaman tersebut habis, baru
kemudian ke tanaman lain. Ulat ini berumur 20 hari selama hidupnya
menyerang tanaman. Pengendalianya gunakan curacron 500 ec dengan
konsentrasi 2 ml/ l air atau match 50 ec dengan konsentrasi 1 ml/l air,
proclaim 19 ec dengan konsentrasi 0,5 ml/l air. Inteksida tersebut
digunakan bergantian.
13. Ulat Bawang
Ulat bawang (Spodoptera exigua) merupakan hama yang umum
merusak tanaman bawang merah, tetapi hama ini juga bisa menyerang
tanaman lain seperti tanaman cabai. Serangan hama ini dapat
menyebabkan penurunan produksi tanaman atau kehilangan hasil yang
tidak sedikit jika tidak dilakukan upaya pencegahan dan pengendalian.
Pengendalianya sama dengan pengendalian hama ulat grayak, yaitu
dengan menggunakan curacron 500 ec dengan konsentrasi 2 ml/ l air
atau match 50 ec dengan konsentrasi 1 ml/l air, proclaim 19 ec dengan
konsentrasi 0,5 ml/l air, Inteksida tersebut digunakan bergantian.
14. Heliothis Spp (Ulat Buah)
Ulat buah cabai ini biasanya akan menyerang cabai mulai cabai masih
berwarna hijau hingga pada saat cabai masak. Ulat menyerang cabai
dengan cara mengebor dan masuk ke dalam buah cabai. Akibat
serangan ulat ini cabai menjadi rusak sehingga tidak bisa dijual ke
pasar. Pengendaianya dengan menyemprotkan proclaim 5 sg dengan
konsentrasi 1,5 -2 gr/10 l air dan proclaim 19 ec dengan konsentrasi 0,5
ml/l air.
3.10 Basis Pengetahuan

Basis pengetahuan merupakan kumpulan data - data yang digunakan pada
penelitian sistem pakar ini. Basis pengetahuan tersebut berisikan data-data tentang
30
jenis penyakit, gejala-gejala, dan relasi gejala dengan penyakit. Pada Tabel 3.3
merupakan basis pengetahuan yang berisikan semua jenis hama dan penyakit
a. Data hama dan penyakit

Jumlah penyakit yang diolah dalam sistem pakar hama dan penyakit
cabai ini ada 14 macam penyakit. Data-data penyakit ini dapat dilihat
pada Tabel 3.1 :
Tabel 3.1 Jenis Penyakit Pada Tanaman Cabai
Kode Hama dan

Nama Jenis
Penyakit
P01 Busuk daun Penyakit
P02 Jamur phytophthora capsici Penyakit
P03 Bercak daun Penyakit
P04 Patah batang Penyakit
P05 Layu bakteri Penyakit
P06 Busuk basah Penyakit
P07 Serangga thrips Hama
P08 Kutu daun kapas Hama
P09 Kutu daun persik Hama
P10 Virus kerupuk Penyakit
P11 Tungau dewasa Hama
P12 Ulat grayak Hama
P13 Ulat bawang Hama
P14 Heliothis spp (ulat buah) Hama
b. Data gejala
Data-data gejala yang digunakan dalam sistem pakar penyakit kulit
sapi ini berjumlah 21 gejala. Adapun data-data gejala tersebut dapat
dilihat pada Tabel 4.2.
Tabel 3.2 Data Gejala Yang Mendukung Semua Hama Penyakit Tanaman
Cabai
Kode Nama Gejala

G001 Bercak tidak beraturan dan kebasah - basahan
G002 Bercak – bercak kecil berbentuk bulat berwarna kehitaman
G003 Daun – daun menjadi gugur
G004 Buah – buah gugur
G005 Kepala – kepala konidium cendawan yang berwarna kelabu
31
Kode Nama Gejala
kehitaman
G006 Daun – daun menjadi layu
G007 Cairan putih keluar saat batang dipotong
G008 Warna buah kekuningan
Pada bagian tengah bercak terdapat kumpulan titik – titik hitam
G009
terdiri dari kelompok seta dan konidum jamur
Bagian bawah daun berwarna keperakan selanjutnya menjadi
G010
kecoklatan
G011 Daun tampak keriput dan melengkung keatas
G012 Daun seperti tembaga
G013 Daun mengeriting
G014 Daun kaku dan melengkung kebawah
Daun yang tersisa tinggal epidermis bagian atas dan tulang
G015
daunnya saja
G016 Daun berlubang
G017 Tanaman menjadi gundul
G018 Buah menjadi busuk
G019 Buah cabai berlubang
G020 Akar tanaman tampak kecoklatan dan lembek
G021 Ada seperti benang halus atau kapas berwarna keabu - abuan
3.11 Contoh Penerapan Rule Based

Rule based berisi himpunan aturan atau rule-rule untuk mencari aturan,
mencari macam-macam hama, jenis-jenis penyakit serta gejala hama dan penyakit
yang muncul pada tanaman cabai dan diagnosa kerusakan.
Contoh dari sistem berbasis aturan / rule based system adalah sbb:
A. R1 Penyakit Busuk Daun
R11 IF Bercak tidak beraturan dan kebasah - basahan (G001)
THEN Busuk Daun (P01)
B. R2 Penyakit Jamur phytophthora capsici
AND Daun – daun menjadi layu (G006)
THEN Jamur phytophthora capsici (P02)
AND Akar tanaman tampak kecoklatan dan lembek (G020)
32
AND Ada seperti benang halus atau kapas berwarna keabu - abuan
(G021)
R24 IF Daun – daun menjadi layu (G006)
(G021)
R26 IF Akar tanaman tampak kecoklatan dan lembek (G020)
(G021)
(G021)
(G021)
33
(G021)
C. R3 Penyakit Bercak daun

R31 IF Bercak – bercak kecil berbentuk bulat berwarna kehitaman (G002)
AND Daun – daun menjadi gugur (G003)
THEN Bercak daun (P03)
AND Buah – buah gugur (G004)
R33 IF Daun – daun menjadi gugur (G003)
3.12 Contoh Penerapan Forward Chaining

Database suatu sistem pakar mengandung fakta :
- Bercak – bercak kecil berbentuk bulat berwarna kehitaman (G002)

- Daun – daun menjadi gugur (G003)
- Buah – buah gugur (G004)
Contoh rule yang tersedia adalah sebagai berikut :
 R1 Penyakit Busuk Daun

THEN Busuk Daun (P01)
34
 R3 Penyakit Bercak daun
R33 IF Daun – daun menjadi gugur (G003)
Untuk lebih jelasnya bisa dilihat pada Tabel 3.3. untuk kolom rule berisi dua
rule yaitu R1 dan R3, untuk kolom id rule, berisi kaidah atau aturan yang ada pada
kedua rule tersebut yaitu R1 dan R2. Pada bagian kolom detail rule merupakan
gejala – gejala yang terdapat pada kaidah atau aturan yang ada pada kolom id rule.
Sedangkan untuk kolom urutan berfungsi untuk membantu memlih rule saat
terdapat konflik.
Tabel 3.3 Contoh Rule yang Tersedia

Rule Id rule Detail rule Urutan
R1 R11 G001 1
R3 R31 G002, G003 1
R32 G002, G004 2
R33 G003, G004 3
R34 G002, G003, G004 4
35
Berdasarkan pada tabel 3.3, maka rantai inferensinya adalah sebagai berikut :
Gambar 3.2 Rantai Inferensi
Diberikan suatu himpunan fakta dalam working memory yaitu G002, G003
dan G004, gunakan rules untuk membangkitkan fakta sampai goal tercapai.
Langkah-langkahnya sebagai berikut :
1) Cocokkan bagian IF dari setiap rule terhadap fakta dalam working memory
Fakta yang cocok ada pada rule 3, yaitu ada di R31, R32, R33 dan R34.
Rule 1 tidak dapat dipilih karena bagian IF-nya tidak dapat dicocokkan.
2) Jika ada lebih satu rule yang dapat digunakan, pilih satu yang ditetapkan
menggunakan resolusi konflik.
Pada rule 3, ada 4 yang cocok, maka untuk mengastasinya digunakan
resolusi konflik specificity (rule yang paling spesifik yang terpilih), diantara
R31, R32, R33 dan R34 yang paling spesifik adalah R34. Karena R34
mengandung semua fakta yang ada.
3) Berlakukan rule tersebut. Jika fakta baru diperoleh, tambahkan itu ke

working memory
Pada langkah ini, R34 diberlakukan:
36
4) Stop (atau exit) ketika kesimpulan ditambahkan ke working memory atau

jika ada rule yang menetapkan berakhirnya proses tersebut.
Dari R34 telah didapatkan kesimpulan bercak daun (P03).
Kesimpulan P03 telah dicapai, sehingga proses berhenti.
3.13 Contoh Penerapan Kasus Dempster Shafer

Penerapan manual menggunakan metode Dempster Shafer berfungsi untuk
memberikan gambaran umum tentang sistem yang akan di bangun. Proses
perhitungan manualisasi metode Dempster Shafer terdapat beberapa langkah.
Pada contoh berikut ini, diasumsikan bahwa gejala yang diambil merupakan
gejala yang di inputkan seorang user pada sistem. Berikut adalah gejala-gejala
yang dipilih.
a) Gejala pertama bercak tidak beraturan dan kebasah – basahan (G001),

(mendukung P01 dan P02).
b) Gejala kedua: Kepala – kepala konidium cendawan yang berwarna
kelabu kehitaman (G005), (mendukung penyakit P04).
c) Gejala ketiga bercak – bercak kecil berbentuk bulat berwarna
kehitaman (G002), (mendukung penyakit P03 dan P06).
1. Langkah pertama
Menentukan nilai probabilitas. Nilai probabilitas didapatkan dari sampel
kasus yang diberikan oleh pakar berdasarkan data. Berikut ini adalah sampel
kasus yang terkait dengan gejala yang di inputkan oleh user terdapat pada Tabel
4.4.
Tabel 3.4 Contoh Sampel Kasus
kasus Gejala
Penyakit
G01 G02 G03 G04 G05
1 * Busuk daun (P01)
2 Busuk daun (P01)
3 Busuk daun (P01)
37
kasus Gejala
Penyakit
G01 G02 G03 G04 G05
4 * Busuk daun (P01)
5 Busuk daun (P01)
6 Jamur phytophthora capsici (P02)
7 * Jamur phytophthora capsici (P02)
11 * Bercak daun (P03)
12 * * Bercak daun (P03)
13 * * Bercak daun (P03)
16 Busuk basah (P06)
17 * Busuk basah (P06)
18 * Busuk basah (P06)
21 * Kutu daun kapas (P08)
22 Kutu daun kapas (P08)
25 Kutu daun kapas (P08)
26 * Heliothis spp (P13)
27 Heliothis spp (P13)
30 Heliothis spp (P13)
31 * Patah batang (P04)
Pada Tabel 3.4 diambil masing – masing 5 kasus dari setiap penyakit dan
gejala yang terdapat pada setiap penyakit ditandai dengan tanda bintang (*).
Berdasarkan Tabel 3.4 juga diketahui bahwa Masalah hama dan penyakit cabai
yang mengalami gejala G01 adalah P10 dan P13 maka perhitungan nilai belief dan
plausibility untuk penyakit adalah:
P(G01 |P01) = 2/5 = 0.4
38
Plausibility =1 – 0.4 = 0.6
P(G01 |P02) = 1/5 = 0.2
Hama dan penyakit cabai yang mengalami gejala G02 adalah P03 dan P06 :
P(G02 |P03) = 3/5 = 0.6
P(G02 |P06) = 2/5 = 0.4
Plausibility =1 – 0.6
P(G03 |P03) = 2/5 = 0.4
P(G03 |P08) = 3/5 = 0.6
P(G04 |P03) = 2/5 = 0.4
P(G04 |P13) = 3/5 = 0.6
Hama dan penyakit cabai yang mengalami gejala G05 adalah P04 :
P(G05 |P04) = 4/5 = 0.8
2 Langkah kedua
Berdasarkan langkah pertama dapat dihitung nilai densitas (m) baru dengan
membuat tabel aturan kombinasi terlebih dahulu. Hasil dari kombinasi tersebut
akan digunakan pada saat menunjukan adanya gejala baru dengan fungsi densitas
m3. Baris pertama berisi semua himpunan bagian pada gejala pertama dengan m1
sebagai fungsi densitas dan kolom pertama berisi himpunan bagian pada gejala
kedua dengan m2 sebagai fungsi densitas. Karena G002 mendukung penyakit P01
39
dan P02 maka diambil nilai terbesar antara P01 dan P02 untuk dijadikan sebagai
m2, yaitu dengan nilai belief 0.4 dan plausibility 0.6.
Tabel 3.5 Densitas M1 dan M2

M2 M1 P01,P02 0.4 Θ 0.6
P04 0.8 ø 0.32 P04 0.48
ø 0.2 P01,P02 0.08 ø 0.12
0.48
1) M3 {P04 } = 1−0.32 = 0.7
0.08
2) M3 {P01,P02} = 1−0.32 = 0.11
0.12
3) M3 { ø } = 1−0.32 = 0.17
Hasil dari kombinasi m1 dan m2 menghasilkan m3, setelah itu aturan

kombinasi m3 digunakan untuk menghitung kembali adanya gejala baru yaitu
gejala daun berlubang dengan fungsi densitas m4 dengan membuat tabel aturan
kombinasi baru dengan fungsi densitas m5. Karena G001 mendukung penyakit
P03 dan P06 maka diambil nilai terbesar antara P03 dan P06 untuk dijadikan
sebagai m4, yaitu didapatkan nilai belief 0.6 dan plausibility 0.4.
Tabel 3.6 Densitas M3 dan M4
M3 M4 P03,P06 0.6 Θ 0.4
P04 0.7 ø 0.42 P04 0.28

P01,P02 0.11 ø 0.06 P01,P02 0.04
ø 0.17 P03,P06 0.1 ø 0.06
0.28
1) M5 { P04} = 1−(0.42+ 0.6) = 0.53
0.04
2) M5 {P01,P02} = 1−(0.42+ 0.6) = 0.07
0.1
3) M5 { P03,P06} = 1−(0.42+ 0.6) = 0.19
0.06
4) M5 { ø } = 1−(0.42+ 0.6) = 0.11
40
Proses aturan kombinasi awal sampai aturan kombinasi terakhir berdasarkan
gejala yang dipilih, maka dapat disimpulkan bahwa nilai densitas paling tinggi
adalah P04 yaitu dengan nilai densitasnya 53 x 100% = 53%.
3.14 Pengertian Metode Case Based Reasoning (CBR)

Menurut Irlando (2012), Case Based Reasoning (CBR) adalah cara
penyelesaian permasalahan baru dengan cara mempergunakan kembali
pengetahuan paling relevan yang telah dimiliki saat ini yang selanjutnya
melakukan proses adaptasi terhadap pengetahuan tersebut untuk menyesuaikan
dengan permasalahan baru.
1. Tahapan Dalam Metode Case Based Reasoning (CBR)
Dalam Case Based Reasoning ada empat tahapan yang meliputi :
a) Retrieve :Mendapatkan/memperoleh kembali kasus yang paling
menyerupai/relevan (similar) dengan kasus yang baru. Tahap
retrieval ini dimulai dengan menggambarkan/menguraikan
sebagian masalah, dan diakhiri jika ditemukannya kecocokan
terhadap masalah sebelumnya yang tingkat kecocokannya paling
tinggi. Bagian ini mengacupada segi identifikasi, kecocokan awal,
pencarian dan pemilihan serta eksekusi.
b) Reuse :Memodelkan/menggunakan kembali pengetahuan dan
informasi kasus lama berdasarkan bobot kemiripan yang paling
relevan ke dalam kasus yang baru, sehingga menghasilkan usulan
solusi dimana mungkin diperlukan suatu adaptasi dengan masalah
yang baru tersebut.
c) Revise :Meninjau kembali solusi yang diusulkan kemudian
mengetesnya pada kasus nyata (simulasi) dan jika diperlukan
memperbaiki solusi tersebut agar cocok dengan kasus yang baru.
d) Retain :Mengintegrasikan/menyimpan kasus baru yang telah
berhasil mendapatkan solusi agar dapat digunakan oleh kasus-kasus
selanjutnya yang mirip dengan kasus tersebut. Tetapi Jika solusi
41
baru tersebut gagal, maka menjelaskan kegagalannya, memperbaiki
solusi yang digunakan, dan mengujinya lagi.
Empat proses masing-masing melibatkan sejumlah langkah-langkah
spesifik, yang akan dijelaskan pada gambar 3.2.
Gambar 3.4 Cycle dari Case Based Reasoning (Octaviani, 2010)
Pada gambar 3.4 terlihat dengan jelas alur dari proses metodologi CBR
dalam menyelesaikan suatu permasalahan. Pada saat terjadi permasalahan baru,
pertama- tama sistem akan melakukan proses Retrieve. Proses Retrieve akan
melakukan dua langkah pemrosesan, yaitu pengenalan masalah dan
pencarian persamaan masalah pada database. Setelah proses retrieve selesai
dilakukan, selanjutnya sistem akan melakukan proses reuse. Di dalam proses
reuse, sistem akan menggunakan informasi permasalahan sebelumnya
yang memiliki kesamaan untuk menyelesaikan permasalahan yang baru.
Pada proses reuse akan menyalin, menyeleksi, dan melengkapi informasi yang
akan digunakan. Selanjutnya pada proses revise, informasi tersebut akan
dikalkulasi, dievaluasi, dan diperbaiki kembali untuk mengatasi kesalahan-
kesalahan yang terjadi pada permasalahan baru. Pada proses terakhir, sistem
akan melakukan proses retain. Proses retain akan mengindeks, mengintegrasi,
dan mengekstrak solusi yang baru. Selanjutnya, solusi baru itu akan disimpan
ke dalam knowledge based untuk menyelesaikan permasalahan yang akan
datang. Tentunya, permasalahan yang akan diselesaikan adalah permasalahan
yang memiliki kesamaan dengannya.
42
3.15 Nearest Neighbor
. Algoritma nearest neighbor merupakan salah satu teknik untuk mencari
jarak terdekat dari tiap-tiap kasus (cases) yang ada di dalam database, dan
seberapa mirip ukuran (similarity) setiap source case yang ada di dalam database
dengan target case. (Octaviani, 2010). Rumus untuk menghitung bobot kemiripan
(similarity) dengan nearest neighbor retrieval adalah:
𝑠1∗𝑤1+𝑠2∗𝑤2+⋯+𝑠𝑛∗𝑤𝑛
Similarity(problem, case) = (5)
𝑤1+𝑤2+⋯+𝑤𝑛
Keterangan:
S = Similarity (nilai kemiripan)
W = Weight (bobot yang diberikan)
3.16 Penerapan Nearest Neighbor

Metode Cased Based Reasoning merupakan metode yang menerapkan 4
tahapan proses, yaitu retrieve, reuse, revise, dan retain. Cara kerja sistem secara
umum berpedoman pada basis pengetahuan yang dimiliki oleh sistem yang
bersumber dari kasus-kasus yang pernah dialami tanaman cabai yang kemudian
dihitung tingkat kemiripannya dengan kasus baru yang dimasukan pengguna.
Berdasarkan tingkat kemiripan kasus inilah sistem akan mengeluarkan diagnosis
jenis hama penyakit dan juga solusinya. Untuk Mempermudah dalam diagnosa
penyakit dan solusi dilakukan perhitungan berdasarkan kedekatan kasus lama.
Analisa kasus lama seperti pada Tabel 3.7.
Tabel 3.7 Kasus Lama
Id Kode Nama penyakit Gejala

kasus penyakit
Id 001 P02 Jamur phytophthora capsici G001, G006, G020, G021
Id 002 P03 Bercak daun G002, G003, G004
Sedangkan gejala yang diinputkan akan masuk kedalam kasus baru, seperti
pada Tabel 3.8.
43
Tabel 3.8 Kasus Baru
Gejala Yang Diinputkan

G002, G003, G004, G006
a. Retrieve
Proses mencari kemiripan kasus baru dengan kasus lama. Pada proses ini
untuk nilai bobot didapatkan dari pakar tanaman cabai.
Tabel 3.9 Pencocokan Kasus Lama ID P02 dengan Kasus Baru
Kasus lama : ID 001

Similarity bobot
Kode gejala kasus lama Kode gejala kasus baru
G001 - 0 0.8
- G002 0 0.4
G003 0 0.6
- G004 0 0.6
G006 G006 1 0.2
G020 - 0 0.2
G021 - 0 0.3
Selanjutnya dilakukan perhitungan similarity antara kasus baru dengan

kasus lama (P02) menggunakan persamaan (5), nilai threshold yang ditentukan
adalah 0.8.
(0∗0.8)+(0∗0.4)+(0∗0.6)+(0∗0.6)+(1∗0.2)+(0∗0.2)+(0∗0.3
Sim(P02,kasus baru) =
(0.8+0.4+0.6+0.6+0.2+0.2+ 0.3)
0.2
= = 0.06
3.1
44
Tabel 3.10 Pencocokan Kasus Lama ID P03 dengan Kasus Baru
Kasus lama : ID 002

Similarity bobot
Kode gejala kasus lama Kode gejala kasus baru
G002 G002 1 0.4
G003 G003 1 0.6
G004 G004 1 0.6
- G006 0 0.2
(1∗0.4)+(1∗0.6)+(1∗0.6)+(0∗0.2)
Sim(P03,kasus baru) =
(0.4+0.6+0.6+0.2)
1,6
= = 0.88
1.8
b. Proses reuse
Perhitungan kasus dari pembobotan tertinggi yaitu ID P03 sebesar 0.88 atau
88%, Maka solusi yang ditawarkan yaitu solusi dari kasus ID P03.
c. Proses revise
pada proses similarity antara kasus baru dengan kasus lama telah ditemukan
nilai yang lebih dari 0.8, maka proses revise tidak dilakukan. Tetapi jika
ternyata setelah dilakukan proses perhitungan dan tidak ada kasus yang
mirip atau tidak memenuhi nilai threshold yaitu 0.8, maka dilakukan proses
revise Pada proses revise Informasi berupa masukan gejala pada kasus baru
akan dimasukkan kedalam tabel khusus untuk diperiksa kembali dan
menjadikannya kasus baru. Pada proses ini akan menggunakan metode
Dempster Shafer.
d. Proses retain
Setelah proses revise selesai dan sudah ditemukan solusi yang benar-benar
tepat menggunakan algoritma Dempster Shafer barulah ditambahkan aturan
dengan memasukkan data kasus baru yang sudah ditemukan solusinya
tersebut ke dalam basis pengetahuan yang nantinya dapat digunakan untuk
kasus berikutnya yang memiliki permasalahan yang sama. Proses inilah
yang disebut dengan proses retain.
45
3.17 Analisa Kebutuhan Sistem
Dalam perancangan sistem ini ada dua jenis kebutuhan yang diperlukan
yaitu kebutuhan perangkat keras dan kebutuhan perangkat lunak.
a. Kebutuhan perangkat keras
Perangkat Keras yang digunakan dalam perancangan ini adalah satu unit
Laptop yang dilengkapi dengan spesifikasi sebagai berikut :
1. Processor Intel(R) Core(TM)2 Duo CPU E7500 @2.93GHz
2. HarddisK Drive 500 GB
3. Memori 4 GB
4. VGA 1 GB resolusi 1024 x 768, 64 bit
5. Monitor LCD 14’
6. Keyboard dan Mouse
b. Kebutuhan perangkat lunak
Dalam merancang sistem pakar ini diperlukan sejumlah perangkat lunak
yang mendukung perancangan sistem antara lain sebagai berikut :
1. Sistem Operasi Microsoft Windows 7 Ultimate 64 bit
2. XAMPP Control Panel untuk Windows 64 bit
3. Database My-SQL
4. Browser Mozila Firefox
5. Adobe Dreamweaver
6. Notepad++
4. Metodologi Penelitian
Metodologi merupakan analisis teoritis mengenai suatu cara atau
metode. Penelitian merupakan suatu penyelidikan yang sistematis untuk
meningkatkan sejumlah pengetahuan, juga merupakan suatu usaha yang sistematis
dan terorganisasi untuk menyelidiki masalah tertentu yang memerlukan jawaban.
Metodologi penelitian yang akan digunakan yaitu identifikasi masalah,
pengumpulan data, analisis data, pengolahan data dengan metode Dempster
Shafer dan Case Based Reasoning (CBR).
46
4.1 Metode Pengumpulan Data
Dalam metodologi penelitian ini digunakan metode kualitatif yang
menggunakan 3 teknik tiga pengumpulan data, yaitu :
1. Teknik pengumpulan data
Untuk menunjang kelancaran dalam perancangan sistem pakar diagnosa
hama penyakit tanaman cabai digunakan beberapa langkah dalam
mengumpulkan data, antara lain :
 Studi pustaka
Studi pustaka dilakukan dengan mengumpulkan data dan referensi
melalui Jurnal - jurnal yang menggunakan metode CBR, Metode
KNN, Metode Dempster Shafer, juga artikel online menggunakan
media internet untuk mendapatkan referensi tentang pengertian
metode yang di pakai yang berhubungan dengan penulisan ini.
 Observasi
Peneliti melakukan tinjauan langsung kelapangan guna
mendapatkan informasi dan fakta pendukung dalam penelitian
berupa data – data penyakit cabai. Penelitian dilakukan di desa Insil
kota kotamobagu.
 Wawancara
Melakukan tanya jawab secara langsung dengan pihak Dinas
Pertanian dan Perikanan Kab. Bolaang Mongondow yaitu dengan
Bapak Djamsari selaku penyuluh.
 Penelitian Dengan Internet
Peneliti melakukan penelusuran dengan mesin pencari seperti
Google untuk mendapatkan informasi-informasi mengenai
penelitian ini. Adapun informasi ini diperoleh dengan mengakses
artikel-artikel, jurnal, e-book dan sebagainya melalui internet.
2. Identifikasi masalah
Identifikasi masalah dilakukan terkait dengan pakar diagnosa penyakit
hama penyakit pada tanaman cabai. Setelah masalah berhasil di
identifikasikan maka langkah berikutnya adalah mengumpulkan semua
47
pengetahuan dan dianalisa serta ditentukan bentuk representasi
pengetahuan yang sesuai.
3. Metode Pengembangan Sistem
Metode analisis data dalam pembuatan perangkat lunak menggunakan
metode waterfall. Metode ini melibatkan 5 tahapan, dimana setiap
tahapan selalu melakukan verifikasi dan testing. Tahapan-tahapannya
yaitu:
a) Analisis kebutuhan perangkat lunak
Pada proses ini, dilakukan penganalisaan dan pengumpulan
kebutuhan sistem yang meliputi Domain informasi, fungsi yang
dibutuhkan unjuk kerja/performansi dan antarmuka.
b) Desain
Pada proses desain, dilakukan penerjemahan syarat kebutuhan
sebuah perancangan perangkat lunak yang dapat diperkirakan
sebelum dibuatnya proses pengkodean (coding). Proses ini
berfokus pada struktur data, arsitektur perangkat lunak,
representasi interface, dan detail algoritma prosedural.
c) Pengkodean
Pengkodean merupakan proses menterjemahkan perancangan
desain ke bentuk yang dapat dimengerti oleh mesin, dengan
menggunakan bahasa pemrograman.
d) Pengujian
Setelah Proses Pengkodean selesai, dilanjutkan dengan proses
pengujian pada program perangkat lunak, baik Pengujian logika
internal, maupun Pengujian eksternal fungsional untuk memeriksa
segala kemungkinan terjadinya kesalahan dan memeriksa apakah
hasil dari pengembangan tersebut sesuai dengan hasil yang
diinginkan.
48
e) Pemeliharaan
Proses Pemeliharaan merupakan bagian paling akhir dari siklus
pengembangan dan dilakukan setelah perangkat lunak
dipergunakan.
4.2 Fokus Penelitian

Fokus penelitian adalah pemusatan fokus kepada intisari penelitian yang
akan dilakukan. hal tersebut harus dilakukan dengan cara eksplisit agar
kedepannya dapat meringankan peneliti sebelum turun atau melakukan
observasi/pengamatan. Fokus penelitian merupakan garis terbesar dalam
jantungnya penelitian mahasiswa, sehingga observasi dan analisa hasil penelitian
bakal menjadi lebih terarah.
4.3 Jenis dan Sumber Data

Adapun jenis data yang akan digunakan dalam penelitian ini meliputi :.
a) Data primer
Data primer adalah data yang dikumpulkan oleh peneliti sendiri atau
dirinya sendiri. Ini adalah data yang belum pernah dikumpulkan
sebelumnya, baik dengan cara tertentu atau pada periode waktu tertentu.
b) Data sekunder
Data sekunder adalah data yang dikumpulkan oleh orang lain, bukan
peneliti itu sendiri. Data ini biasanya berasal dari penelitian lain yang
dilakukan oleh lembaga-lembaga atau organisasi seperti BPS dan lain-
lain.
4.4 Perancangan Testing

Perancangan testing yang dilakukan dalam penelitian ini menggunakan
metode pengujian Black Box. Pengertian Black Box Testing adalah pengujian yang
dilakukan hanya mengamati hasil eksekusi melalui data uji dan cek fungsional
perangkat lunak. Jadi analogi seperti yang kita lihat kotak hitam, kita dapat
melihat hanya penampilan luar, tanpa mengetahui apa di balik bungkus hitamnya.
Sama seperti pengujian kotak hitam, mengevaluasi hanya penampilan eksternal
49
(antarmuka), fungsional tanpa mengetahui apa yang sebenarnya terjadi dalam
kodingan.
Tujuan Black Box Testing adalah untuk mencari kesalahan/kegagalan dalam
operasi tingkat tinggi, yang mencakup kemampuan dari perangkat lunak,
operasional/tata laksana, skenario pemakai. Fungsi dari pengujian ini berdasarkan
kepada apa yang dapat dilakukan oleh sistem. Untuk melakukan pengujian
perilaku seseorang harus mengerti lingkup dari aplikasi, solusi bisnis yang
diberikan oleh aplikasi, dan tujuan sistem dibuat.
Contoh pengujian pada aplikasi internet banking, maka pengujian yang dilakukan
adalah menjalankan aplikasi, memeriksa apakah semua fungsi pada aplikasi
berjalan dengan baik serta mengecek tampilan dari aplikasi tersebut apakah sesuai
dengan design yang sudah ditentukan atau belum.
4.5 Mekanisme Sistem

Dalam perancangan sistem pakar ini menggunakan metode penalaran
forward chaining (pelacakan maju) yaitu dimulai dari sekumpulan fakta-fakta
tentang suatu gejala yang diberikan oleh user sebagai masukan ke dalam sistem,
kemudian dilakukan perhitungan sampai tujuan akhir. Dimana langkah-langkah
flowchart (diagram alir) menggunakan metode Dempster shafer dapat dijelaskan
sebagai berikut :
1. Saat kita mulai menjalankan sistem, kita berada pada posisi mulai
2. User memilih minimal 2 gejala
3. Jawab banyaknya gejala lebih dari 1?
4. Jika jawaban “ya”, maka sistem akan melakukan perhitungan dengan
menggunakan rumus Dempster Shafer.
5. Jika jawaban “tidak” sistem akan menampilkan hasil penyakit tidak
diketahui.
6. Jawab gejala habis ?
7. Jika jawaban “tidak” maka perhitungan akan dilakukan kembali sesuai
gejala yang dipilih dengan menggunakan metode Dempster Shafer.
50
8. Jika jawaban “ya” maka sistem akan menghitung nilai max (nilai
tertinggi) untuk m(penyakit).
Setelah nilai max ditentukan, maka sistem akan mengetahui kesimpulan
penyakit, yaitu penyakit dengan nilai densistas terbesar. Proses selesai.
Gambar 4.1 Flowchart Metode Dempster Shafer
Keterangan :
X = Penyakit
I = Iterasi jumlah gejala
m = Nilai densitas / kepercayaan
Sedangkan untuk metode Case Based Reasoning KNN, adalah sebagai

berikut :
Pada diagram alur sistem, digambarkan bahwa langkah awal yang harus
dilakukan yaitu menginput gejala yang dialami penderita ke dalam sistem.
Kemudian dari gejala yang diinputkan, sistem akan melakukan proses retrieve
(menghitung kesamaan gejala menggunakan algoritma K-NN). Apabila similarity
51
gejala hasilnya ≥ 0,8 maka sistem akan melakukan proses Reuse data kasus lama
untuk digunakan kembali sehingga langsung didapatkan hasil diagnosanya.
Sedangkan apabila similarity gejalanya hasilnya ≤ 0,8 maka sistem akan
melakukan proses Revise dan Retain untuk menjadikan gejala penderita sebagai
kasus baru. Kasus baru tersebut akan menambah kecerdasan sistem karena
memperkaya sumber kasus pada sistem.
Untuk lebih jelasnya mekanisme Case Based Reasoning bisa dilihat pada
Gambar 4.2.
Gambar 4.2 Mekanisme Sistem dengan Metode CBR dan Metode KKN
Mekanisme sistem secara keseluruhan pada aplikasi sistem pakar yang akan
dibuat ini adalah sebagai berikut : langkah awal yang harus dilakukan yaitu
menginput gejala yang dialami penderita ke dalam sistem. Kemudian dari gejala
yang diinputkan, sistem akan melakukan proses retrieve (menghitung kesamaan
gejala menggunakan algoritma K-NN). Apabila similarity gejala hasilnya ≥ 0,8
maka sistem akan melakukan proses Reuse data kasus lama untuk digunakan
52
kembali sehingga langsung didapatkan hasil diagnosanya. Sedangkan apabila
similarity gejalanya hasilnya ≤ 0,8 maka sistem akan melakukan proses revise,
pada proses revise inilah metode Dempster Shafer digunakan dan setelah itu
proses Retain yaitu untuk menjadikan gejala penderita yang telah diolah dengan
metode Dempster Shafer sebagai kasus baru. Kasus baru tersebut akan menambah
kecerdasan sistem karena memperkaya sumber kasus pada sistem.
Gambar 4.3 Mekanisme sistem menggunakan metode Dempster Shafer dan

CBR
4.6 Lokasi Penelitian

Penelitian ini dilakukan di desa Insil kota kotamobagu. Lokasi penelitian
dipilih berdasarkan lokasi pakar dan keberadaan data yang ada di desa insil kota
kotamobagu.
53
4.7 Jadwal Penelitian
Pelaksanaan Tindakan Penelitian diatur berdasarkan jadwal
sebagaimana terlihat pada tabel 4.1.
Tabel 4.1 Rencana Jadwal Penelitian
Waktu Pelaksanaan Kegiatan Penelitian

No Jenis Kegiatan
April Mei Juni
2018 2018 2018
1 Penulisan Proposal
2 Konsultasi dan
Perbaikan
3 Ujian Proposal
Pembuatan Program
4
dan Penulisan Skripsi
5 Konsultasi dan
Perbaikan
6 Ujian Hasil
Berdasarkan Tabel 4.13 penelitian dimulai pada bulan januari 2018 dengan
detail jenis kegiatan seperti pada kolom kedua yang dimulai dengan penulisan
proposal sampai pelaksanaan ujian hasil yang diperkirakan berakhir pada bulan
juni 2018.
4.8 Biaya Penelitian

Tabel 4.2 Rencana Biaya Penelitian
No Kegiatan Penelitian Rencana Biaya
1 Penulisan Proposal Rp. 250.000

2 Ujian Proposal Rp. 350.000
54
No Kegiatan Penelitian Rencana Biaya

3 Pembuatan Program dan Penulisan Rp 2.000.000
4 Ujian Hasil Rp. 500.000
5 Fotocopy dan Pembuatan Hard Cover Rp. 500.000
JUMLAH Rp. 3.600.000
Berdasarkan Tabel 4.14 keselurahan biaya yang dibutuhkan untuk kegiatan

penelitian ini adalah Rp. 3.600.000.
55
Daftar Pustaka
Adhi, S.B., 2010, Perancangan dan Implementasi Sistem Pakar untuk Analisa
Penyakit Dalam, Skripsi, Jurusan Teknik Elektro Fakultas Teknik Universitas
Diponegoro Semarang.
Aghus, S., Eko, H. dan Ramadhony, W.D., 2008, Algoritma Genetika Dalam
Pemilihan Spesifikasi Komputer, Jurnal Teknik Elektro Universitas
Diponegoro, Semarang.
Andik, A.S., Imron, R. dan Miftahul, U., 2016, Penerapan Case Based Reasoning
(CBR) untuk Mendiagnosa Jenis Pecandu Narkoba, Jurnal Jurusan Teknik
Informatika Universitas PGRI Ronggolawe, Tuban.
Aprilia, S. dan Taufiq, H., 2008, Aplikasi Sistem Pakar Diagnosa Penyakit Ginjal
Dengan Metode Dempster Shafer, Jurnal Fakultas Teknologi Industri
Universitas Islam Indonesia, Yogyakarta.
Ari, J. dan Elin, H., 2015, Sistem Penjadwalan Outsourcing Menggunakan

Algoritma Genetika (Studi Kasus : PT. Syarikatama), Jurnal Teknik
Informatika, UIN Sultan Syarif Kasim Riau, Pekanbaru, 1, 2.
Aslan, A. dan Munirah, 2016, Implementasi Mesin Forward Chaining Pada

Sistem Pakar Menggunakan Tabulasi Frekuensi Anteseden Pada Rule, Jurnal
Universitas Muhammadiyah Ponorogo, Ponorogo.
Cahya., 2017, Dempster Shafer Theory, http://cahyadsn.dev.php.or.id, 4 Januari

2017, diakses 12 januari 2018.
Eka, R.P., 2013, Sistem Pakar Dengan Menggunakan Metode Dempster Shafer
Untuk Mendeteksi Jenis Perilaku Abnormal Adhd (Attention Deficit
Hyperactivity Disorder) Pada Anak, Skripsi, Jurusan Teknik Informatika
Fakultas Sains Dan Teknologi Universitas Islam Negeri Sultan Syarif Kasim
Riau Pekanbaru.
Erni, S., Eneng, T.T. dan Fajar, D., 2016, Case Based Reasoning (CBR) Untuk
Pendeteksi Penyakit Pada Tanaman Kacang Kedelai Berbasis Web, Jurnal
Program Studi Ilmu Komputer FMIPA Universitas Pakuan, Bogor.
Galih, H.M. dan Siti A.A.Y., 2016, Diagnosa Penyakit Katarak Senilis Dengan
Menggunakan Metode Case Based Reasoning (CBR) Berbasis Web, Jurnal
Teknik Informatika Stmik Bumigora Mataram, Mataram, 3, 6.
Harry, S., 2015, Rancang Bangun Sistem Pakar Diagnosa Penyakit Sapi Dengan
Metode Dempster-Shafer Berbasis Web, Jurnal Teknik Informatika Universitas
Tanjungpura, Pontianak.
56
Imam, W., 2008, Ketidakpastian dan Kepastian, https://drackids.wordpress.com/,
17 September 2008, diakses 7 Agustus 2018.
Irlando, M.P, Wiwik, A. dan Ahmad, M., 2012, Penerapan Case-Based Reasoning
pada Sistem Cerdas untuk Pendeteksian dan Penanganan Dini Penyakit Sapi,
Jurnal Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember
(ITS), Surabaya, 1, 1.
Jordan, J.R., 2017, Case Based Reasoning Penentuan Pasal dan Sanksi Pada
Tindak Ringan Berdasarkan Kitab Undang - undang Hukum Pidana
Menggunakan Metode K - nearest Neighbor dan Certainty Factor, Skripsi,
Jurusan Teknik Informatika Sekolah Tinggi Manajemen Informatika dan
Komputer (STMIK) Multicom Bolaang Mongondow, Kotamobagu.
Kasumbogo U., 1993, Pengantar pengelolaan hama terpadu. UGM Press,
Yogyakarta.
Lulus, O.C., Cahya, R. dan Luqman, A., 2017, Sistem Pakar Diagnosis Penyakit
Tanaman Buah Dalam Pot Menggunakan Metode Dempster Shafer Berbasis
Web, Jurnal Teknik Informatika Teknologi Informasi Politeknik Negeri
Malang, Malang, 8, 2.
Mohammad, Z., Khasnur, H. dan Wayan, T., 2016, Penerapan Case Based
Reasoning (CBR) untuk Mendiagnosis Penyakit Stroke Menggunakan
Algoritma K-Nearest Neighbor, Jurnal Program Studi Teknik Informatika
STMIK Bumigora, Mataram.
Muchlisin, R., 2016, Pengertian, Tujuan dan Struktur Sistem Pakar,
https://www.kajianpustaka.com/2016/10/pengertian-tujuan-dan-struktur-
sistem-pakar.html, 12 Oktober 2016, diakses 2 februari 2018.
Muhammad, Z., Nurul, H. dan Satrio, E., 2018, Implementasi Metode Dempster-
Shafer Untuk Mendeteksi Penyakit Pada Anjing, Jurnal Teknik Informatika
Fakultas Ilmu Komputer.
Muhd, I., Fahrul, A. dan Dyna, M.K., 2017, Penerapan Metode Dempster Shafer
untuk Sistem Deteksi Penyakit Tanaman Padi, Jurnal Fakultas Ilmu Komputer
dan Teknologi Informasi Universitas Mulawarman, Samarinda, 2, 1.
Muliadi, 2014, Pemodelan Algoritma Genetika Pada Sistem Penjadwalan

Perkuliahan Prodi Ilmu Komputer Universitas Lambung Mangkurat, Jurnal
Prodi Ilmu Komputer FMIPA Universitas Lambung Mangkurat, Banjarmasin,
1, 1.
Muliadi, Irwan, B., Muhammad, A.P. dan Antar, S., 2017, Fuzzy dan Dempster-
Shafer Pada Sistem Pakar Diagnosa Penyakit Tanaman Cabai, Jurnal Prodi
Ilmu Komputer FMIPA ULM, Banjarbaru.
57
Orthega, S., Hidayat, N. dan Santoso, E., 2017, Implementasi Metode Dempster-
Shafer untuk Mendiagnosa Penyakit Tanaman Padi, Jurnal Pengembangan
Teknologi Informasi dan Ilmu Komputer, 1, 10.
Supramana., 2009, pengelolaan beberapa hama dan penyakit tanaman cabai,
http://web.ipb.ac.id/lppm/lppmipb/penelitian/hasilcari.php,3 Desember 2009,
diakses 8 januari 2018.
Syatibi., 2012. Sistem Pakar Diagnosa Awal Penyakit Kulit Sapi Berbasis Web
Dengan Menggunakan Metode Certainty Factor, Tesis, Program Studi Magister
Sistem Informasi Universitas Diponegoro, Semarang.
. Tomatala, M.F., 2015, Sistem Pakar Untuk Penanggulangan Masalah Budidaya

Ikan Mas Menggnakan Metode Dempster Shafer, Tesis, Jurusan Ilmu
Komputer FMIPA UGM.
58

Proposal Indra 13 (Recovered)

Diunggah oleh

Informasi Dokumen

Deskripsi Asli:

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

Proposal Indra 13 (Recovered)

Diunggah oleh

Hak Cipta:

Format Tersedia

PROPOSAL

SISTEM PAKAR MENDIAGNOSA HAMA DAN PENYAKIT TANAMAN

MOH. INDRA SETIAWAN

PROGRAM STUDI TEKNIK INFORMATIKA

SISTEM PAKAR MENDIAGNOSA HAMA DAN PENYAKIT TANAMAN

Michel Farrel Tomatala, S.Kom,M.Cs

Arthus Dimas Larumu, S.Kom,M.TI

Ketidakseimbangan jumlah antara petani dan pakar dapat diatasi dengan

LEMBAR PERSETUJUAN ............................................................................................... ii

1.1 Latar Belakang Masalah

1.2 Rumusan Masalah

1.3 Tujuan Penelitian

1.4 Manfaat Penelitian

Tabel 2.1 Penelitian Terkait

No Peneliti Domain Masalah Metode yang Hasil

No Peneliti Domain Masalah Metode yang Hasil

No Peneliti Domain Masalah Metode yang Hasil

9 Sulastri Case Based Case Based Sistem yang baik untuk

No Peneliti Domain Masalah Metode yang Hasil

No Peneliti Domain Masalah Metode yang Hasil

3.1 Pengertian Sistem Pakar

3.2 Struktur Sistem Pakar

Gambar 3.1 Arsitektur Sistem Pakar (Kusumadewi, 2003)

3.3 Konsep Dasar Sistem Pakar

3.5 Mesin Inferensi

3.6 Resolusi Konflik

3.7 Contoh Penerapan Resolusi Konflik

 Resolusi Konflik: Spesificity

 Resolusi Konflik: Random Search

 Resolusi Konflik: Least Recently Used

 Resolusi Konflik: Best Rule

3.8 Teori Dempster Shafer

Pl(H) = 1-Bel (Ħ) (1)

Besarnya jumlah evidential conflict (k) dirumuskan dengan:

3.8.1 Frame of Discernment

3.8.2 Mass Function

3.9 Macam – Macam Hama Penyakit Cabai

3.10 Basis Pengetahuan

a. Data hama dan penyakit

Tabel 3.1 Jenis Penyakit Pada Tanaman Cabai

Kode Hama dan

Kode Nama Gejala

3.11 Contoh Penerapan Rule Based

C. R3 Penyakit Bercak daun

3.12 Contoh Penerapan Forward Chaining

- Bercak – bercak kecil berbentuk bulat berwarna kehitaman (G002)

Contoh rule yang tersedia adalah sebagai berikut :

 R1 Penyakit Busuk Daun

Tabel 3.3 Contoh Rule yang Tersedia

Gambar 3.2 Rantai Inferensi

3) Berlakukan rule tersebut. Jika fakta baru diperoleh, tambahkan itu ke

4) Stop (atau exit) ketika kesimpulan ditambahkan ke working memory atau

Kesimpulan P03 telah dicapai, sehingga proses berhenti.

3.13 Contoh Penerapan Kasus Dempster Shafer

a) Gejala pertama bercak tidak beraturan dan kebasah – basahan (G001),

Tabel 3.4 Contoh Sampel Kasus

Tabel 3.5 Densitas M1 dan M2

Hasil dari kombinasi m1 dan m2 menghasilkan m3, setelah itu aturan

Tabel 3.6 Densitas M3 dan M4

M3 M4 P03,P06 0.6 Θ 0.4

P04 0.7 ø 0.42 P04 0.28

3.14 Pengertian Metode Case Based Reasoning (CBR)