Seminar Nasional Informatika 2014

SISTEM PAKAR MENDIAGNOSA PENYAKIT TANAMAN KELAPA

SAWIT DENGAN METODE CERTAINTY FACTOR
Linda Wahyuni1, Surya Darma2
1
Dosen Jurusan Sistem Informasi, STMIK Potensi Utama
2
Mahasiswa Jurusan Sistem Informasi STMIK Potensi Utama
1,2
STMIK Potensi Utama, Jl. K.L. Yos Sudarso Km 6,5 No. 3A Medan
1
linda_irsyad83@yahoo.co.id, 2 surya.darma_pu@yahoo.com

Abstrak

Tanaman kelapa sawit (Elaeis guinensis) berasal dari Nigeria, Afrika Barat. Pada kenyataannya tanaman
kelapa sawit hidup subur di luar daerah asalnya, seperti Malaysia, Indonesia, Thailand, dan Papua Nugini.
Bagi Indonesia, tanaman kelapa sawit memiliki arti penting bagi pembangunan perkebunan nasional. Selain
mampu menciptakan kesempatan kerja yang mengarah pada kesejahteraan masyarakat, juga sebagai sumber
perolehan devisa negara, di samping itu banyaknya jenis penyakit pada tanaman kelapa sawit dan kurangnya
informasi untuk menangani penyakit tersebut bahkan susahnya orang awam dalam berkonsultasi langsung
dengan seorang pakar membuat petani kesulitan dalam menangani penyakit pada tanaman kelapa sawit
tersebut. Dari penjelasan di atas untuk itu penulis membuat suatu sistem pakar mendiagnosa penyakit
tanaman kelapa sawit dengan metode certainty factor yang dimaksudkan untuk membantu kerja petani dalam
memberikan informasi serta kesimpulan dari penyakit yang di derita pada tanaman kelapa sawit tersebut.
Experimen yang dilakukan dengan menggunakan Basis Rule untuk mendiagnosa gejala-gejala penyakit
tanaman kelapa sawit dan jenis penyakit kelapa sawit tersebut, dan memberikan solusi yang tepat untuk
penanganannya.

Kata kunci : sistem pakar, penyakit kelapa sawit, certainty factor.

1. Pendahuluan suatu bidang keahlian. Hal ini dilakukan dengan

Seiring dengan perkembangan teknologi
komputer, boleh dikatakan komputer telah
menjadi benda yang umum di jumpai diberbagai
aspek kehidupan manusia, misalnya sebagai alat
bantu bisnis, alat komunikasi dan navigasi, alat
bantu pendidikan, alat bantu sains, sampai alat
bantu dalam proses produksi. Untuk
memaksimalkan kemampuan komputer
diperlukan perangkat lunak yang handal dalam
menangani pemrosesan data dan penyajian
informasi yang dibutuhkan [4]
Tanaman kelapa sawit (Elaeis guinensis)
berasal dari Nigeria, Afrika Barat. Pada
kenyataannya tanaman kelapa sawit hidup subur
di luar daerah asalnya, seperti Malaysia,
Indonesia, Thailand, dan Papua Nugini. Bagi
Indonesia, tanaman kelapa sawit memiliki arti
penting bagi pembangunan perkebunan nasional.
Selain mampu menciptakan kesempatan kerja
yang mengarah pada kesejahteraan masyarakat,
juga sebagai sumber perolehan devisa negara.[2]
Ilmu yang mempelajari bagaimana
membuat suatu mesin seolah-olah memiliki
kecerdasan buatan dalam memecahkan suatu
masalah yang diberikan padanya disebut dengan
artificial intelligence atau kecerdasan buatan.
Sistem pakar merupakan salah satu software yang
dapat menduplikasi fungsi seorang pakar dalam
cara memberi basis pengetahuan dan inferensi
sehingga dapat menggunakan penalaran dalam
memecahkan masalah. Program ini bertindak
sebagai seorang penasehat dalam suatu
lingkungan keahlian tertentu. Metode inferensi
dalam penulisan ini menggunakan metode
certainty factor yang merupakan pendekatan yang
dimulai dari sekumpulan data menuju kesimpulan
dan penalarannya secara deduktif, yang
menentukan fakta spesifikasi dari aturan-aturan
yang umum untuk mendapatkan kesimpulan yang
lebih khusus.
Salah satu aplikasi sistem pakar adalah
dalam bidang pertanian khususnya yang
digunakan untuk mendiagnosa penyakit pada
tanaman kelapa sawit. Masyarakat awam kurang
memahami dalam menangani gejala-gejala
penyakit pada tanaman kelapa sawit, disamping
itu kurangnya informasi membuat masyarakat
awam buta akan menyimpulkan jenis penyakit
apa yang diderita oleh tanaman kelapa sawit
tersebut, hal ini juga salah satu faktor
menurunnya devisa negara dalam mengekspor
minyak kelapa sawit ke luar negeri.
Dengan demikian pada makalah ini akan
dirancang suatu sistem yang bertujuan untuk
menyajikan pengadopsian cara berpikir manusia
kedalam suatu program sistem pakar yang mampu
mendiagnosa penyakit tanaman kelapa sawit

122
 Seminar Nasional Informatika 2014

dengan metode certainty factor sebagai alat bantu kemudian tahun 1923 mulai mengekspor minyak
dalam mengambil kesimpulan pada penyakit inti sawit sebesar 850 ton.[2]
tanaman kelapa sawit tersebut.
2.4 Metode Certainty Factor
2. Dasar Teori
Certainty Factor (CF) menunjukkan ukuran
2.1 Sistem Pakar kepastian terhadap suatu fakta atau aturan [3].
Dalam mengekspresikan derajat keyakinan,
Sistem Pakar (Expert System) adalah suatu Certainty Theory menggunakan suatu nilai yang
program komputer cerdas yang menggunakan disebut certainty factor (CF) untuk
knowledge (pengetahuan) dan prosedur inferensi mengasumsikan derajat keyakinan seorang pakar
untuk menyelesaikan masalah yang cukup sulit terhadap suatu data. certainty factor
sehingga membutuhkan seorang yang ahli untuk memperkenalkan konsep belief/keyakinan dan
menyelesaikannya [1]. Semakin banyak disbelief/ketidakyakinan. Konsep ini kemudian
pengetahuan yang dimasukkan kedalam sistem diformulasikan dalam rumusan dasar sebagai
pakar, maka sistem tersebut akan semakin berikut:
bertindak sehingga hampir menyerupai pakar CF[H,E] = MB[H,E] – MD[H,E]
sebenarnya.
Keterangan :
CF = Certainty Factor (Faktor Kepastian)
dalam Hipotesis H yang dipengaruhi
oleh fakta E.
MB = Measure of Belief (Tingkat
Keyakinan),
merupakan ukuran kenaikan dari
kepercayaan hipotesis H
Gambar : 1. Konsep Dasar Sistem Pakar dipengaruhi oleh fakta E.
MD = Measure of Disbelief (Tingkat
2.2 Kekurangan Sistem Pakar Ketidakyakinan), merupakan
kenaikan dari ketidakpercayaan
Selain manfaat, ada juga beberapa hipotesis H dipengaruhi oleh fakta
kekurangan yang ada pada Sistem Pakar, E.
diantaranya [5]: E = Evidence (Peristiwa atau Fakta)
1. Biaya yang sangat mahal untuk membuat dan
memeliharanya. Ada 3 hal yang mungkin terjadi pada metode
2. Sulit dikembangkan karena keterbatasan Certainty Factor, yaitu :
keahlian dan ketersediaan pakar. 1. Beberapa evidence dikombinasikan untuk
3. Sistem pakar tidak 100% bernilai benar. menentukan CF dari suatu hipotesis. Jika e1
dan e2 adalah observasi ditunjukkan oleh
2.3 Sekilas Sejarah Kelapa Sawit gambar. 2, Maka:

Kelapa sawit pertama kali diperkenalkan di

Indonesia oleh pemerintah Belanda pada tahun
1848. Ketika itu ada empat batang bibit kelapa
sawit yang dibawa dari Mauritius dan Amsterdam
dan ditanam di Kebun Raya Bogor. Tanaman
kelapa sawit mulai diusahakan dan dibudidayakan Gambar 2. Dua Efidence
secara komersial pada tahun 1911. Perintis usaha
perkebunan kelapa sawit di Indonesia adalah
Adrien Hallet, seorang Belgia yang telah belajar
banyak tentang kelapa sawit di Afrika. Budi daya
yang dilakukannya diikuti oleh K. Schadt yang
menandai lahirnya perkebunan kelapa sawit di
Indonesia. Sejak saat itu perkebunan kelapa sawit
di Indonesia mulai berkembang. Perkebunan
kelapa sawit pertama berlokasi di Pantai Timur 2. CF dihitung dari kombinasi beberapa hipotesis
Sumatera (Deli) dan Aceh. Luas areal .Jika h1 dan h2 adalah hipotesis yang
perkebunannya mencapai 5.123 ha. Indonesia ditunjukkan oleh gambar. 3.
mulai mengekspor minyak sawit pada tahun 1919
sebesar 567 ton ke negara-negara Eropa,

123
Seminar Nasional Informatika 2014
Gambar 3. Kombinasi Beberapa Hipotesis
Maka :
3. Beberapa aturan saling bergandengan, ketidak
pastian dari suatu aturan menjadi input untuk
aturan yang lainnya. Jika beberapa aturan
saling bergandengan ditunjukkan oleh gambar.
4 berikut:
Gambar 4. Beberapa Aturan Saling
Bergandengan
Maka :
MB[h,s] = MB’[h,s] * max (0,CF[s,e])
MB’[h,s] = ukuran kepercayaan h berdasarkan
keyakinan penuh terhadap validitas s. [6]
2.5 Kelebihan dan Kekurangan Certainty
Factor
Kelebihan dari metode Certainty Factor
adalah:
1. Metode ini cocok dipakai dalam sistem pakar
yang mengandung ketidak pastian.
2. Dalam sekali proses perhitungan hanya dapat
mengolah 2 data saja sehingga keakuratan
data dapat terjaga [5].
Sedangkan kekurangan metode Certainty
Factor adalah:
1. Pemodelan ketidak pastian yang
menggunakan perhitungan metode Certainty
Factor biasanya masih diperdebatkan.
2. Untuk data lebih dari 2 buah, harus dilakukan
beberapa kali pengolahan data [5].
3. Analisa dan Perancangan
Desain Sistem
Perancangan desain sistem yang akan
dibangun menggunakan pemodelan Unified
Modelling System ( UML ). Diagram-diagram
yang digunakan use case diagram, dan sequence
diagram konsultasi saja.
124
1. Use Case Diagram
Adapun diagram yang menggambarkan
interaksi beberapa aktor dalam sistem yang di
rancang ini dapat dilihat pada gambar. 5 berikut
ini:
SISTEM PAKAR MENDIAGNOSA PENYAKIT TANAMAN KELAPA SAWIT DENGAN
METODE CERTAINTY FACTOR
Login pakar
<<include>>
<<include>>
<<include>>
Login user
<<include>>
<<include>> <<include>>
Mengolah data pakar
Input data user
<<include>>
Input data aturan
<<include>>
Pakar
Input data penyakit
Melakukan konsultasi
<<extend>> Mengolah basis
pengetahuan
<<include>>
User
Mendapatkan hasil konsultasi Manipulasi hasil
Melihat laporan hasil konsultasi
Gambar 5. Use Case Diagram
Pada use case diagram di atas terdapat 2 aktor
yaitu User, dan Pakar. Kedua aktor tersebut
memiliki peranan masing-masing, yaitu tugas user
yang melakukan konsultasi, sebelum user
melakukan aktifitas konsultasi user diwajibkan
login terlebih dahulu sebagai login user, langkah
selanjutnya yaitu mengisi data user, dikarenakan
agar seorang pakar dapat mengetahui pengguna
sistem tersebut, setelah user melakukan
konsultasi, user dapat melihat langsung hasil
konsultasi tersebut. Pakar disini bertindak sebagai
mengolah data pakar, menginput data aturan,
menginput data penyakit, mengolah basis
pengetahuan, manipulasi hasil setelah sebelumnya
telah melakukan login pakar terlebih dahulu, dan
melihat laporan hasil konsultasi untuk keperluan
akses sistem.
2. Sequence Diagram Konsultasi
Sequence Diagram menggambarkan
perilaku pada sebuah skenario, diagram ini
menunjukkan sejumlah contoh objek dan message
(pesan) yang diletakkan diantara objek-objek ini
di dalam use case, dalam hal ini penulis hanya
menggambarkan skenario sequence diagram
konsultasi. Gambar. 6 berikut merupakan
sequence diagram konsultasi user.
 Seminar Nasional Informatika 2014

Bentuk pernyataannya adalah :

Data User Menu Konsultasi User Basis Pengetahuan
JIKA [gejala 1]
JIKA [gejala 2]
User Input data user Simpan data user
DAN [gejala 3]
MAKA [Penyakit]
Memberikan pertanyaan Memberikan pertanyaan Berikut ini merupakan algoritma yang di
Menjawab Pertanyaan gunakan dalam mendiagnosa penyakit pada
Cek Gejala
tanaman kelapa sawit.
Hasil Diagnosa
5. Kaidah untuk Penyakit Daun Bibit Muda
Diagnosa
(Anthracnose)
IF Daun terdapat bercak-bercak
dikelilingi warna kuning,
AND Adanya warna hitam dan coklat di
antara tulang daun,
AND Daun yang terserang menjadi
kering,
Gambar : 6. Sequence Diagram Konsultasi
THEN Penyakit daun bibit muda
(anthracnose)
4. Pembahasan
6. Kaidah untuk Penyakit Akar (Blast Disease)
Representasi Pengetahuan
Representasi pengetahuan (knowledge IF Akar menjadi lunak,
representation) adalah cara untuk menyajikan AND Daun bibit kusam berwarna
pengetahuan yang diperoleh ke dalam suatu kekuning-kuningan yang dimulai
skema/diagram tertentu sehingga dapat diketahui dari bagian ujung daun,
relasi antara suatu pengetahuan dengan AND Daun menjadi layu,
pengetahuan yang lain dan dapat dipakai untuk AND Daun berubah warna menjadi
menguji kebenaran penalarannya. Representasi kuning cerah,
pengetahuan dibutuhkan untuk menangkap sifat- AND Daun terdapat bercak-bercak
sifat penting masalah dan mempermudah dikelilingi warna kuning,
prosedur pemecahan masalah dalam mengakses THEN Penyakit akar (blast disease)
informasi. Format representasi harus mudah
dipahami sehingga seorang programmer mampu 7. Kaidah untuk Penyakit Tajuk (Crown Disease)
mengekspresikan pengetahuan (fakta), namun IF Tanaman berumur 2-4 tahun,
semua cara tersebut harus mengacu pada dua AND Helai daun mulai dari pertengahan
entitas berikut. sampai ujung pelepah kecil-kecil,
3. Fakta, yaitu kejadian sebenarnya. Fakta inilah AND Daunnya robek-robek,
yang akan kita representasikan. AND Pelepah membengkok,
4. Representasi dari fakta. Berdasarkan AND Jaringan yang terinfeksi pada
representasi inilah kita dapat mengolah pelepah yang tidak membuka
fakta.[6] berwarna coklat kemerah-merahan,
Basis pengetahuan yang di dalam sistem THEN Penyakit tajuk (crown disease)
pakar ini akan digunakan untuk menentukan
proses pencarian atau menentukan kesimpulan 8. Kaidah untuk Penyakit Busuk Pangkal Batang
yang diperoleh dari hasil analisis. Hasil yang (Basal Stem rot atau ganoderma)
diperoleh setelah pengguna melakukan interaksi IF Pelepah daun tampak layu,
dengan sistem pakar yaitu dengan menjawab AND Pelepah daun berwarna pucat,
pertanyaan yang diajukan oleh sistem pakar. AND Bagian daun paling tua mengalami
Basis pengetahuan yang di gunakan didalam nekrosis,
sistem pakar ini terdiri dari : gejala-gejala yang AND Pelepah daun akan patah dan
diderita dan hasil diagnosa yang diberikan oleh menggantung,
pakar. Adapun tabel keputusan untuk gejala- AND Daun tombak (pupus) yang baru
gejala yang terjadi dapat dilihat pada tabel. 1 muncul tidak membuka dan
dibawah ini: berkumpul lebih dari 3 helai,
(tabel dilampiran) AND Pangkal batang menghitam,
Dalam memecahkan masalah metode yang AND Keluar getah pada bagian yang
digunakan adalah metode Certainty Factor serta terinfeksi,
kaidah produksi IF –THEN dimana gejala-gejala THEN Penyakit busuk pangkal batang
pada penyakit kelapa sawit di umpamakan dengan (basal stem rot atau ganoderma)
Jika dan solusi penanggannya diumpamakan
dengan Maka.

125
Seminar Nasional Informatika 2014

9. Kaidah untuk Penyakit Busuk Batang Atas Di mana :

(Upper Stem Rot) CF(E,e) : certainty factor evidence E yang
IF Warna daun yang terbawah dipengaruhi oleh evidence e.
berubah, CF(H,E) : certainty factor hipotesis dengan
AND Kuncup daun terinfeksi, asumsi evidence diketahui dengan
AND Pembusukan pada batang, pasti, yaitu ketika CF(E,e) = 1.
AND Batang yang membusuk berwarna CF(H,e) : certainty factor hipotesis yang
keabu-abuan, dipengaruhi oleh evidence e.
THEN Penyakt Busuk Batang Atas (Upper
Stem Rot) Karena semua evidence pada antecedent diketahui
dengan pasti maka rumusnya menjadi :
10. Kaidah untuk Penyakit Busuk Kering Pangkal
Batang (Dry Basal Rot) CF(H,e) = CF(H,E)
IF Tandan buah membusuk,
AND Pembentukan bunga terhambat, Contoh perhitungan nilai certainty factor untuk
AND Pelepah daun bagian bawah patah- sistem ini adalah sebagai berikut:
patah, JIKA Daun terdapat bercak-bercak
THEN Penyakit busuk kering pangkal dikelilingi warna kuning,
batang (dry basal rot) DAN Adanya warna hitam dan coklat di
antara tulang daun,
11. Kaidah untuk Penyaki Busuk Kuncup (Spear DAN Daun yang terserang menjadi kering,
Rot) MAKA Penyakit daun bibit muda
IF Jaringan pada kuncup membusuk (anthracnose)
AND Jaringan kuncup berwarna CF = 0.9
kecoklat-coklatan, Dengan menganggap
AND Tajuk mudah di cabut, E1 : “daun terdapat bercak-bercak
AND Kuncup membengkok, dikelilingi warna kuning”
THEN Penyakit busuk kuncup (spear rot) E2 : ”adanya warna hitam dan coklat di
antara tulang daun”
12. Kaidah untuk Penyakit Garis Kuning (Patch E3 : ”daun yang terserang menjadi kering”
Yellow) Nilai certainty factor hipotesis pada saat evidence
IF Daun tampak bercak-bercak pasti adalah :
lonjong berwarna kuning dan CF(H,E) = CF(H,E1 ∩ E2 ∩ E3)
ditengahnya terdapat warna coklat, = 0.9
AND Daun yang terserang menjadi Dalam kasus ini, kondisi tanaman tidak
kering, dapat ditentukan dengan pasti. Certainty factor
AND Daun berguguran, evidence E yang dipengaruhi partial evidence e
THEN Penykit garis kuning (patch yellow) ditunjukkan dengan nilai sebagai berikut:
CF(E1 , e) = 0.9
13. Kaidah untuk Penyakit Busuk Tandan (Bunch CF(E2 , e) = 0.7
Rot) CF(E3 , e) = 0.9
IF Tanaman berumur 3-10 tahun, Sehingga
AND Permukaan tandan terdapat benang- CF(E,e) = CF(E1 ∩ E2 ∩ E3 , e)
benang jamur putih mengkilat, = min [CF(E1,e), CF(E2,e),
AND Perikarpnya menjadi lembek dan CF(E3,e)]
busuk, = min [0.9, 0.7, 0.9]
AND Warna buah berubah menjadi = 0.7
kecoklatan dan berubah lagi Nilai certainty factor hipotesis adalah:
menjadi kehitam-hitaman, CF(H,e) = CF(E,e) * CF(H,E)
THEN Penyakit busuk tandan (bunch rot) = 0.7 * 0.9
= 0.63
5. Penerapan Metode Certainty Factor Hal ini berarti besarnya kepercayaan pakar
terhadap nilai penyakit dengan kode penyakit
Metode certainty factor yang akan P001 adalah 0.63 atau bila diprosentasekan
diterapkan dalam pembuatan sistem pakar ini nilainya menjadi 63%.
adalah metode dengan rumus certainty factor Nilai CF (Rule) didapat dari interpretasi
sebagai berikut : “term” dari pakar, yang diubah menjadi nilai CF
tertentu sesuai tabel. 2 berikut.
CF(H,e) = CF(E,e) * CF(H,E)

126
 Seminar Nasional Informatika 2014

Tabel 2. Certainty Factor (CF) Rule menunjukkan bahwa sistem pakar ini dapat
Uncertain Term CF mendiagnosa penyakit tanaman kelapa
Definitely not (pasti tidak) -1.0 sawit sesuai dengan jawaban yang
Almost certainly not (hampir pasti -0.8 diberikan oleh user dengan nilai
tidak) keakuratan 85%.
Probably not (kemungkinan besar -0.6 2. Sistem yang penulis rancang hanya dapat
tidak) digunakan untuk mendiagnosa penyakit
Maybe not (mungkin tidak) -0.4 pada tanaman kelapa sawit saja.
Unknown (tidak tahu) -0.2 to 0.2 3. Metode yang digunakan dalam
Maybe (mungkin) 0.4 perancangan aplikasi ini adalah metode
Probably (kemungkinan besar) 0.6 Certainty Factor.
Almost certainly (hampir pasti) 0.8 4. Dengan dilakukannya pemakaian sistem
informasi yang tepat terutama dalam
Definitely (pasti) 1.0
masalah konsultasi, maka hasil yang
diperoleh dalam menangani masalah
6. Hasil
tersebut akan jauh lebih cepat, sehingga
data yang dibutuhkan akan lebih cepat dan
Form ini merupakan tampilan data
efisien sekalipun data yang diolah banyak.
knowledge. Pada form ini terdapat aturan dari
5. Sistem pakar yang dibuat akan
beberapa pertanyaan berupa gejala dari penyakit
memberikan solusi berupa penanganan
tanaman kelapa sawit yang bersangkutan.
awal serta pola penanganan penyakit
Gambar. 7 berikut ini menampilkan form
tanaman kelapa sawit.
knowledge.
6. Sistem Informasi ini telah dirancang dan
diimplementasikan menggunakan program
Visual Basic 2010 dan Ms. SQL Server
2008 sebagai databasenya dan sudah dapat
digunakan untuk konsultasi mengenai
penyakit pada tanaman kelapa sawit.

Daftar Pustaka:

[1] Arhami Muhammad, 2005, Konsep Dasar

Sistem Pakar, Yogyakarta, Andi Offset.
[2] Fauzi Yan, et al, 2002, Kelapa Sawit,
Jakarta, Penebar Swadaya.
[3] Kusumadewi Sri, 2003, Artificial
Gambar 7. Form Knowledge Intelligence
(Teknik dan Aplikasinya), Graha Ilmu,
7. Kesimpulan Yogyakarta
[4] Roger Presman, 2002, Rekayasa Perangkat
Dari uraian secara teoritis dan dari hasil Lunak, Yogyakarta, Penerbit Andi.
penelitian yang dilakukan penulis, maka penulis [5] Sutojo, et al, 2011, Kecerdasan Buatan,
akan mencoba menarik kesimpulan. Jogyakarta, Andi Offset.
Adapun kesimpulan yang penulis [6] Wahyuni Linda, 2013, Sistem Pakar Untuk
kemukakan adalah sebagai berikut : Mendiagnosa Penyakit Kanker Tulang,
1. Hasil pengujian ”Sistem Pakar Prosiding SNIf STMIK Potensi Utama
Mendiagnosa Penyakit Tanaman Kelapa 2013.
Sawit dengan Metode Certainty Factor”

127