Sistem Pakar Tanaman Jahe

SISTEM PAKAR PENDETEKSI PENYAKIT TANAMAN JAHE
MENGGUNAKAN METODE NAIVE BAYES CLASSIFIER
The Expert System Disease Detection Of Ginger Plants Using Naive Bayes
Classifier Method
Skripsi
Untuk memenuhi sebagian persyaratan
Mencapai derajat sarjana S-1
Disusun oleh:
DITA MAILIA
13312361
PROGRAM STUDI S1 INFORMATIKA

FAKULTAS TEKNIK DAN ILMU KOMPUTER
UNIVERSITAS TEKNOKRAT INDONESIA
BANDAR LAMPUNG
2017
2

dipersiapkan dan disusun oleh
DITA MAILIA
13312361
Sebagai salah satu syarat untuk memperoleh gelar

Sarjana Komputer
Pembimbing, Penguji,
Yusra Fernando, S.Kom., M.Kom. Muhammad Bakri, M.T.

NIK. 022 10 01 04 NIK. 022 10 03 01
Skripsi ini telah diterima sebagai salah satu persyaratan

untuk memperoleh gelar sarjana
tanggal 7 Oktober 2017
Fakultas Teknik dan Ilmu Komputer Program Studi S1 Informatika

Dekan, Ketua,
Yeni Agus Nurhuda, S.Si., M.Cs. Dyah Ayu Megawaty, M.Kom.

NIK. 021 05 02 05 NIK. 022 09 03 05
3
LEMBAR PERNYATAAN
Yang bertanda tangan dibawah ini:

Nama : Dita Mailia
NPM : 13312361
Program Studi : S1 Informatika
Dengan ini menyatakan bahwa skripsi:

Judul : Sistem Pakar Pendeteksi Penyakit Tanaman Jahe Menggunakan
Metode Naive Bayes Classifier
Pembimbing : Yusra Fernando, S.Kom., M.Kom.
Belum pernah diajukan untuk diuji sebagai persyaratan untuk memperoleh gelar
akademik pada berbagai tingkatan di universitas/perguruan tinggi manapun. Tidak
ada bagian dalam skripsi ini yang pernah dipublikasikan oleh pihak lain, kecuali
bagian yang digunakan sebagai referensi, berdasarkan kaidah penulisan ilmiah
yang benar.
Adapun dikemudian hari ternyata skripsi yang saya tulis terbukti hasil
saduran/plagiat, maka saya akan bersedia menanggung segala resiko yang akan
saya terima.
Demikian pernytaan ini dibuat dengan sebenar-benarnya.
Bandarlampung, 7 Oktober 2017

Yang menyatakan,
Dita Mailia
13312361
4
HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI SKRIPSI

UNTUK KEPENTINGAN AKADEMIS
Sebagai sivitas akademik Fakultas Teknik & Ilmu Komputer Universitas

Teknokrat Indonesia, saya yang bertanda tangan dibawah ini:
Nama : Dita Mailia
NPM : 13312361
Program Studi : S1 Informatika
Jenis karya : Skripsi

Demi pengembangan ilmu pengetahuan, menyetujui untuk memberikan kepada
Fakultas Teknik & Ilmu Komputer Universitas Teknokrat Indonesia Hak Bebas
Royalti Noneksklusif (Non Exclusive Royalty Free Right) atas karya ilmiah saya
yang berjudul:
Sistem Pakar Pendeteksi Penyakit Tanaman Jahe Menggunakan Metode Naive
Bayes Classifier
beserta perangkat yang ada (jika diperlukan). Dengan hak bebas royalti non exclusive
ini Fakultas Teknik & Ilmu Komputer Universitas Teknokrat Indonesia berhak
menyimpan, mengalihmedia/formatkan, mengelola dalam bentuk pangkalan data
(database), merawat, dan mempublikasikan skripsi saya selama tetap mencantumkan
nama saya sebagai penulis, pencipta dan sebagai pemilik Hak Cipta.
Demikian pernyataan ini saya buat dengan sebenarnya.
Dibuat di : Bandarlampung
Pada tanggal : 7 Oktober 2017
Yang menyatakan,
Dita Mailia
13312361
5
DEDICATION
Dengan penuh ketulusan, penulis mendedikasikan Skripsi ini untuk:
1. Orang-orang yang paling istimewa dalam hidup ku, orang tua ku
Abi Ach.Suwandi.S dan Mama Hartati, yang telah memberikan
dukungan kalian selama masa belajar ku, terima kasih atas
kebaikan kalian. Kalian adalah yang terbaik dalam hidup ku.
2. Kakak dan adik-adik ku, Wanti Yulia, S.Pd., Gea Yosita dan
Shevira juga yang terakhir adalah EXO (K-POP). Terima kasih
atas semangat, dukungan, cinta dan lagu-lagu kalian yang selalu
menemani ku saat menyelesaikan Skripsi.
3. Semua teman terbaik saya yang selalu bersama dalam
kebahagiaan dan kesedihan, yaitu: Ratna Sari, Dewi Siti
Solehah, Satria Destrian M, Vivi Oktaviani, Anggota HIMA
Informatika, Senior-senior yang selalu membantuku dan
semuanya.
4. Almamater ku tercinta Universitas Teknokrat Indonesia.

6
MOTTO
“You can not change your future but you can change your habits, and surely
your habits will change your future”
(Marcopolo)
“Mengejar Mimpi Setinggi Langit Hingga Dapat Menggapai Bintang”
(Dita Mailia)
7
KATA PENGANTAR
Puji syukur penulis panjatkan kepada Allah SWT, karena atas berkat
dan rahmat-Nya, penulis dapat menyelesaikan Skripsi ini. Penulisan Skripsi ini
dilakukan dalam rangka memenuhi salah satu syarat untuk mendapatkan Gelar
Sarjana Komputer (S.Kom.) pada Program Studi SI Informatika Fakultas Teknik
& Ilmu Komputer Universitas Teknokrat Indonesia.
Penulis menyadari bahwa, tanpa bantuan dan bimbingan dari berbagai pihak,
sangatlah sulit bagi penulis untuk menyelesaikan skripsi ini. Oleh karena itu,
penulis mengucapkan terima kasih kepada:
1. Dr. H.M. Nasrullah Yusuf, S.E., M.B.A., selaku Rektor Universitas
Teknokrat Indonesia.
2. Yeni Agus Nurhuda, S.Si., M.Cs., selaku Dekan Fakultas Teknik dan Ilmu
Komputer Universitas Teknokrat Indonesia.
3. Dyah Ayu Megawaty, M.Kom., selaku Ketua Program Studi S1
Informatika Fakultas Teknik dan Ilmu Komputer Universitas Teknokrat
Indonesia.
4. Yusra Fernando, S.Kom., M.Kom., selaku Dosen Pembimbing yang telah
meluangkan waktu untuk membimbing penulis menyelesaikan skripsi ini.
5. Muhammad Bakri, M.T., selaku Dosen Penguji.
6. Pihak Dinas Pertanian kabupaten Tulang Bawang Barat, yang telah banyak
membantu penulis dalam usaha memperoleh data yang penulis perlukan.
7. Orang tua, keluarga, serta sahabat yang memberikan bantuan dukungan
material dan moral.
Akhir kata, penulis berharap semoga Allah SWT berkenan membalas segala
kebaikan semua pihak yang telah membantu dan semoga skripsi ini membawa
manfaat.
Bandarlampung, 7 Oktober 2017
Penulis,
8
DAFTAR ISI
Halaman
COVER ................................................................................................................ i
HALAMAN PENGESAHAN ............................................................................ ii
LEMBAR PERNYATAAN KEASLIAN PENELITIAN ............................... iii
LEMBAR PERNYATAAN PUBLIKASI ........................................................ iv
KATA PENGANTAR ........................................................................................ v
DAFTAR ISI ........................................................................................................ vi
DAFTAR TABEL ............................................................................................... viii
DAFTAR GAMBAR ........................................................................................... ix
DAFTAR LAMPIRAN ...................................................................................... x
ABSTRAK .......................................................................................................... xi
BAB 1 PENDAHULUAN .............................................................................. 1

1.1 Latar Belakang............................................................................... 1
1.2 Rumusan Masalah ......................................................................... 3
1.3 Batasan Masalah ............................................................................ 3
1.4 Tujuan ........................................................................................... 3
1.5 Manfaat Penelitian ......................................................................... 4
1.6 Tinjauan Pustaka .......................................................................... 4
BAB II LANDASAN TEORI ......................................................................... 6

2.1 Tanaman Jahe ............................................................................... 6
2.1.1 Klasifikasi Tanaman Jahe .................................................. 7
2.1.2 Kandungan Tanaman Jahe ................................................. 8
2.1.3 Penyakit Tanaman Jahe ..................................................... 9
2.2 Sistem Pakar ................................................................................. 10
2.2.1 Konsep Dasar Sistem Pakar ............................................... 11
2.2.2 Tujuan Sistem Pakar .......................................................... 11
2.2.3 Ciri-ciri Sistem Pakar ........................................................ 12
2.2.4 Arsitektur Sistem Pakar ..................................................... 12
2.2.5 Representasi Pengetahuan ................................................. 16
2.2.6 Keuntungan Sistem Pakar .................................................. 17
2.2.7 Kelemahan Sistem Pakar ................................................... 17
2.3 Metode Naive Bayes Classifier ..................................................... 18
2.4 Confusion Matrix ......................................................................... 21
2.5 WEKA .......................................................................................... 23
BAB III METODE PENELITIAN ................................................................. 24

3.1 Kerangka Penelitian ...................................................................... 24
3.2 Tahapan Penelitian ........................................................................ 25
3.3 Bahan-bahan dan Materi Penelitian .............................................. 27
3.3.1 Metode Pengumpulan Data ............................................... 27
3.3.2 Objek Penelitian ................................................................ 28
3.3.3 Karakteristik Data .............................................................. 28
3.4 Arsitektur Sistem Pakar ................................................................ 29
9
3.4.1 Pengguna ........................................................................... 29

3.4.2 Interface GUI ..................................................................... 29
3.4.3 Basis Pengetahuan ............................................................. 30
3.4.4 Metode Inferensi ................................................................ 30
3.5 Rancangan Alur Proses ................................................................. 31
3.6 Penerapan Metode ........................................................................ 32
3.6.1 Metode Naive Bayes Classifier ......................................... 32
3.6.2 Pengujian Naive Bayes Classifier ....................................... 33
3.7 Implementasi Antar Muka ............................................................ 36
3.8 Lingkungan Pengujian .................................................................. 38
3.8.1 Karakteristik Hardware ..................................................... 38
3.8.2 Perangkat Software ............................................................ 39
BAB IV IMPLEMENTASI DAN PENGUJUAN ........................................... 40

4.1 Implementasi ................................................................................ 40
4.1.1 Sekenario Implementasi .................................................... 40
4.1.2 Hasil Implementasi ............................................................ 41
4.2 Analisis Sistem ............................................................................. 43
4.2.1 Source Code Naive Bayes ................................................. 43
4.3 Hasil Pengujuan ............................................................................ 45
4.3.1 Confusion Matrix Naive Bayes ......................................... 45
4.3.2 Precision, Recall, Accurasy ............................................... 45
4.4.3 Perbandingan Hasil Diagnosa Sistem Pakar Dengan Pakar 47
BAB V PENUTUP .......................................................................................... 49

5.1 Kesimpulan ................................................................................... 49
5.2 Saran ............................................................................................. 49
DAFTAR PUSTAKA ......................................................................................... 50

DAFTAR LAMPIRAN ...................................................................................... 52
10
DAFTAR TABEL
Halaman
Tabel 2.1 Komposisi Nutrisi setiap 100g Rimpang Jahe ................................... 8

Tabel 2.2 Jenis Penyakit Tanaman Jahe ............................................................. 9
Tabel 2.3 Confusion Matrix................................................................................ 21
Tabel 3.1 Jenis Penyakit Tanaman Jahe ............................................................ 28
Tabel 3.2 Penyakit dan Gejala Tanaman Jahe ................................................... 30
Tabel 3.3 Nilai v Tiap class................................................................................ 36
Tabel 4.1 Pembagian Data Training dan Data Testing ...................................... 40
Tabel 4.2 Persentasi Pengujian .......................................................................... 41
Tabel 4.3 Pengujian Data Class Layu Bakteri ................................................... 42
Tabel 4.4 Pengujian Data Class Busuk Rimpang ............................................. 42
Tabel 4.5 Pengujian Data Class Bercak Daun .................................................. 42
Tabel 4.6 Pengujian Data Class Buncak Akar ................................................... 43
Tabel 4.7 Nilai Precision, Recall, Accurasy ..................................................... 46
Tabel 4.8 Perbandingan Diagnosa Sistem Pakar dengan Pakar ......................... 48
11
DAFTAR GAMBAR
Halaman
Gambar 2.1 Arsitektur Sistem Pakar ................................................................. 13

Gambar 3.1 Kerangka Penelitian....................................................................... 24
Gambar 3.2 Tahapan Penelitian ....................................................................... 26
Gambar 3.3 Arsitektur Sistem Pakar untuk Mendeteksi Penyakit Jahe ............ 29
Gambar 3.4 Flowchart Alur Proses .................................................................. 31
Gambar 3.5 Tampilan Halaman Index ............................................................. 36
Gambar 3.6 Tampilan Deteksi .......................................................................... 37
Gambar 3.7 Tampilan Hasil Deteksi ................................................................. 37
Gambar 3.8 Tampilan Halaman Administrator ................................................. 38
Gambar 4.1 Percentage Split 60:40 ................................................................. 45
Gambar 4.2 Percobaan Rasio 50:50 ................................................................. 46
Gambar 4.5 Grafik Perbandingan ..................................................................... 47
12
Daftar Lampiran
Halaman
Lampiran 1 Biodata dan Wawancara ................................................................. 51

Lampiran 2 Pernyataan Pakar ............................................................................ 57
Lampiran 3 Data Penelitian ................................................................................. 60
Lampiran 4 Perbandingan Diagnosa Sistem Pakar dengan Pakar ...................... 64
Lampiran 5 Dokumentasi Penelitian .................................................................. 68
13
INTISARI

Oleh :
DITA MAILIA
13312361
Berdasarkan data statistik Direktorat Jenderal Hortikultura Kementerian Pertanian

Indonesia, produksi jahe di Indonesia semakin menurun. Salah satu faktor menurunnya
hasil produksi jahe adalah tumbuhnya penyakit pada tanaman jahe. Berbagai jenis
penyakit ini biasanya menyerang dan menimbulkan kerusakan pada akar, rimpang,
pangkal batang, batang, dan daun. Banyak masyarakat khususnya petani yang kurang
paham dalam membedakan jenis penyakit yang menyerang tanaman jahe mereka
sehingga sering terjadi perlakuan yang salah. Untuk mempermudah masyarakat atau
petani dalam menyelesaikan permasalahan tanaman jahe yang terserang penyakit, perlu
dibuat suatu aplikasi yang dapat mendeteksi penyakit jahe.
Penelitian ini adalah membuat sistem pakar untuk mendeteksi penyakit pada
tanaman jahe. Metode yang digunakan pada penelitian ini yaitu metode Naive Bayes
Classifier dimana pengujian algoritma tersebut menggunakan Confusion Matrix untuk
melihat tingkat ke akurasian nya. Sistem pakar ini mampu menghasilkan identifikasi
terhadap penyakit jahe melalui proses konsultasi terhadap sistem secara cepat dan efisien
sesuai dengan diagnosa pakar.
Kata Kunci : Sistem Pakar, Penyakit Jahe, Naive Bayes Classifier

14
ABSTRAK
THE EXPERT SYSTEM DISEASE DETECTION OF GINGER PLANTS

USING NAIVE BAYES CLASSIFIER METHOD
By :
DITA MAILIA
13312361
Based on statistical data from the Directorate General of Horticulture of the

Ministry of Agriculture of Indonesia, the production of ginger in Indonesia is decreasing.
One factor of declining ginger production is the growth of disease in ginger plants.
Various types of this disease usually attack and cause damage to the roots, rhizome, base
of stems, stems, and leaves. Many people, especially farmers who don’t understand in
distinguishing the types of diseases that attack their ginger plants so often the wrong
treatment. To facilitate the community or farmers in solving the problem of ginger plant
disease, need to be made an application that can detect ginger disease.
This research is making expert system to detect disease in ginger plant. The method
used in this study is the method of Naive Bayes Classifier where the testing algorithm
uses Confusion Matrix to see the level to its accuracy. This expert system is able to
produce ginger disease identification through consultation process of the system quickly
and efficiently in accordance with expert diagnosis
Key words: Expert System, Ginger Disease, Naive Bayes Classifier

15
BAB I
PENDAHULUAN
1.1 Latar Belakang
Jahe (Zingiber officinale Rosc) adalah tanaman herba tahunan yang
bernilai ekonomi tinggi. Tanaman ini umumnya dipanen pada kisaran umur 8-12
bulan, tergantung keperluan. Kalau untuk konsumsi segar, misalnya untuk bumbu
masak, jahe dipanen pada umur 8 bulan. Kalau untuk keperluan bibit dipanen
umur 10 bulan atau lebih. Namun bila untuk keperluan asinan jahe dan jahe awet,
tanaman jahe dipanen pada umur muda yakni 3-4 bulan. Jahe juga diperlukan
untuk bahan baku obat tradisional dan fitofarmaka. Keuntungan bersih usaha
budidaya tanaman jahe bisa mencapai Rp 21 juta lebih/ha (Sarwani, 2008).
Beberapa khasiat jahe yang telah terbukti berdasarkan Kementerian
kesehatan (2008), antara lain untuk mengatasi mual dan muntah (akibat mabuk
kendaraan, mual pagi hari pada wanita hamil), diare, perut kembung, demam,
batuk berdahak, flu, pegal, linu, tidak nafsu makan, kaki kesemutan, keracunan
makanan, kolik, rematik, sakit pinggang, nyeri haid, dan keseleo. Beberapa
penyakit degeneratif seperti kanker, jantung, darah tinggi dan kolesterol serta
diabetes bisa diobati dengan komponen bioaktif yang terdapat dalam ekstrak jahe
(Ali, 2007). Khasiat jahe yang begitu banyak serta harganya yang cukup tinggi di
pasaran, membuat jahe menjadi salah satu tanaman yang banyak ditanam oleh
petani di Indonesia (Hartatik, 2015).
Berdasarkan data statistik Direktorat Jenderal Hortikultura Kementerian
Pertanian Indonesia, produksi jahe di Indonesia tahun 2008 sebesar 154.963.886
kg, tahun 2009 turun menjadi 122.181.084 kg, tahun 2010 turun lagi menjadi
16
107.734.608 kg, tahun 2011 turun lagi menjadi 94.743.139 kg, dan tahun 2012
naik menjadi 114.537.658 kg. Dilihat dari data statistik tersebut terjadi penurunan
produksi jahe Indonesia dari tahun 2009 yang sampai tahun 2011. Penurunan
jumlah produksi ini disebabkan oleh banyak faktor yang salah satu diantaranya
adalah serangan penyakit tanaman. Berbagai jenis penyakit ini biasanya
menyerang dan menimbulkan kerusakan pada akar, rimpang, pangkal batang,
batang, dan daun.
Hal ini terjadi karena minimnya pengetahuan petani jahe tentang penyakit
pada tanaman jahe, sehingga sering terjadi perlakuan yang salah terhadap tanaman
jahe yang dapat mengakibatkan tanaman tidak dapat tumbuh dengan subur bahkan
mati. Untuk mengatasi masalah ini diperlukan suatu sistem pakar yang dapat
mendiagnosa dan memberikan informasi cara penanggulangan terhadap penyakit
tanaman jahe.
Naive Bayesian Classifier merupakan sebuah metoda klasifikasi yang
berakar pada teorema bayes. Metode pengklasifikasian dengan menggunakan
metode probabilitas dan statistik yang dikemukakan oleh ilmuwan Inggris
Thomas Bayes, yaitu memprediksi peluang dimasa depan berdasarkan
pengalaman dimasa sebelumnya sehingga dikenal sebagai teorema bayes. Ciri
utama dari Naive Bayes Classifier ini adalah asumsi yang sangat kuat (naif) akan
independensi dari masing-masing kondisi atau kejadian. Naive Bayes untuk setiap
kelas keputusan, menghitung probabilitas dengan syarat bahwa kelas keputusan
adalah benar, mengingat vektor informasi obyek (Leung, 2007).
Pemaparan di atas menjadi suatu pertimbangan bagi penulis untuk
membuat judul “Sistem Pakar Pendeteksi Penyakit Tanaman Jahe Menggunakan

17
Metode Naive Bayes Classifier” sebagai upaya untuk dalam mendeteksi penyakit
tanaman jahe.
1.2 Rumusan Masalah
Berdasarkan uraian latar belakang diatas, maka rumusan masalah dalam
penelitian ini, yaitu:
1. Bagaimana menerapkan metode Naive Bayes Classifier dalam mendeteksi

penyakit pada tanaman jahe?
2. Bagaimana menguji Naive Bayes Classifier pada penyakit tanaman jahe
dengan hasil diagnosa seorang pakar?
1.3 Batasan Masalah
Agar pembahasan dalam laporan tugas akhir ini dapat lebih terarah maka
penulis memberikan batasan masalah yaitu :
1. Objek penelitian dilakukan hanya pada tanaman jahe merah

2. Metode yang digunakan adalah Naive Bayes Classifier dengan empat class
penyakit dan delapan belas gejala.
3. Pengujian tingkat akurasi metode Naive Bayes Classifier menggunakan
Confusion Matrix dengan bantuan aplikasi WEKA.
1.4 Tujuan
Tujuan dari penelitian ini adalah :
1. Menerapkan metode Naive Bayes Classifier untuk mengklasifikasikan

gejala-gejala penyakit tanaman jahe dan mengujinya menggunakan
Confusion Matrix
2. Menghasilkan sistem pakar untuk mengidentifikasi penyakit tanaman jahe.
18
1.5. Manfaat Penelitian
Manfaat dari penelitian ini adalah :
1. Dengan adanya sistem pakar menggunakan metode Naive Bayes Classifier

ini diharapkan dapat mengetahui tingkat akurasi dalam pengklasifikasian
penyakit tanaman jahe.
2. Dapat digunakan sebagai bahan untuk kemajuan teknologi dalam bidang
sistem pakar.
1.6. Tinjauan Pustaka
Oleh Hartatik dan I Ketut Putra Yasa (2015) dari jurusan Teknik Informatika
STMIK AMIKOM Yogyakarta, dengan judul Sistem Pakar Untuk Mendeteksi
Hama Tanaman Jahe Menggunakan Teorema Bayes. Dimana pada penelitian
yang dilakukan penulis mengangkat masalah tentang Pembangunan Sistem Pakar
mendeteksi hama pada tanaman jahe bertujuan untuk membantu para petani jahe
dalam mendeteksi hama pada tanaman jahe. Metode yang digunakan adalah
Teorema Bayes.
Oleh Sri Rahayu (2013) dari Program Studi Teknik Informatika, STMIK
Budidarma Medan, dengan judul Sistem Pakar Untuk Mendiagnosa Penyakit
Ginjal Dengan Menggunakan Metode Bayes. Dimana pada penelitian yang
dilakukan peneliti mengangkat masalah bahaya penyakit gagal ginjal dan
membangun aplikasi Sistem Pakar Untuk Mendiagnosa Penyakit Ginjal Dengan
Menggunakan Metode Bayes.
Oleh Reni Wijayanti dan Sri Winiarti (2012) dari Program Studi Teknik
Informatika Universitas Ahmad Dahlan, dengan judul Sistem Pakar Untuk
Mendiagnosa Penyakit Pada Buah-buahan Pascapanen. Dimana pada penelitian
yang dilakukan peneliti mengangkat masalah produksi dan penanganan
pascapanen yang kurang memadai akan mengakibatkan inkonsistensi mutu buah
yang dihasilkan. Terbatasnya sarana untuk mengakses informasi tentang penyakit
buah-buahan pascapanen menjadi salah satu penghambatnya, sedangkan jumlah
19
pakar pertanian masih terbatas. Penelitian ini membangun sitem pakar mampu
mendiagnosa sebanyak 17 penyakit dengan menggunakan metode penelusuran
forward chaining.
Oleh Bagus Primantoro dan Abdul Fadlil (2014) dari Program Studi Teknik
Informatika dan Program Studi Teknik Elektro Universitas Ahmad Dahlan,
dengan judul Sistem Pakar Untuk Mendiagnosa Penyakit Kambing Etawa
Berbasis Web. Dimana pada penelitian yang dilakukan peneliti mengangkat
masalah penyakit hewan ternak kambing etawa. Penelitian ini membangun sistem
pakar untuk mendiagnosa penyakit hewan ternak kambing etawa dengan
menggunakan metode penelusuran forward chaining.
Oleh Ali Mahmudi, Moh. Miftakhur Rokhman, dan Achmat Eko Prasetio (2016)
dari Program Studi Teknik Informatika ITN Malang, dengan judul Rancang
Bangun Sistem Pakar Untuk Mendiagnosis Tanaman Cabai Menggunakan
Metode Bayes. Dimana pada penelitian yang dilakukan peneliti mengangkat
masalah penyakit pada tanaman cabai. Penelitian ini membangun sistem pakar
untuk mendiagnosa penyakit pada tanaman cabai dengan menggunakan metode
Bayes.
20
BAB II
LANDASAN TEORI
2.1 Tanaman Jahe
Tanaman jahe (Zingiber Officinale Rosc) merupakan tanaman rempah dan
obat yang memiliki potensi agribisnis yang cukup baik untuk dikembangkan.
Jahe juga dikenal sebagai tanaman multiguna, diantaranya sebagai tanaman obat
tradisional, jamu, bahan dasar minuman dan industri makanan, serta bumbu
masak (rempah-rempah) (Infoagribisnis, 2017).
Pada saat ini tanaman rempah dan obat-obatan yang sering atau yang
sering disebut biofarmaka, semakin banyak dimanfaatkan oleh masyarakat,
terutama untuk bahan baku obat maupun industri. Pembudidayaan dan
pengembangan tanaman jahe sebagai tanaman rempah dengan menggunakan
teknologi yang tepat akan dapat meningkatkan pendapatan petani, membuka
lapangan kerja baru dan menjadi support untuk mendukung kesehatan masyarakat
itu sendiri.
Adapun beberapa khasiat jahe yang telah terbukti berdasarkan
Kementerian Kesehatan (2008), antara lain untuk mengatasi mual dan muntah
(akibat mabuk kendaraan, mual pagi hari pada wanita hamil), diare, perut
kembung, demam, batuk berdahak, flu, pegal, linu, tidak nafsu makan, kaki
kesemutan, keracunan makanan, kolik, rematik, sakit pinggang, nyeri haid, dan
keseleo. Beberapa penyakit degeneratif seperti kanker, jantung, darah tinggi dan
kolesterol serta diabetes bisa diobati dengan komponen bioaktif yang terdapat
dalam ekstrak jahe (Ali, 2008).

21
2.1.1 Klasifikasi Tanaman Jahe
Jahe termasuk kedalam jenis temu-temuan (Zingiberaceae). Kerabat dekat
tanaman jahe yang masih tergolong satu keluarga temu-temuan antara lain,
Bengle (Zingiber cassummunar Rosc), Lempuyang Gajah (Zingiber zerumbet
Sm), Lempuyang Emprit (Zingiber amaricans B.l), serta Lempuyang Wangi
(Zingiber aromaticum val) dan lain-lainnya (Infoagribisnis, 2017). Dalam genus
Zingiber (jahe dan kerabatnya), menurut para ahli terdapat 1.400 spesies, yang
hidup di daerah beriklim tropis dan subtropis, dan di wilayah Asia Tenggara
terdapat kurang lebih 90 spesies.
Berdasarkan bentuk, warna dan aroma rimpang serta komposisi kimianya
dikenal tiga jenis jahe, yaitu jahe putih besar (gajah), jahe putih kecil (jahe emprit)
dan jahe merah. Jahe putih besar mempunyai rimpang besar berbuku, berwarna
putih kekuningan dengan diameter 8-8,5 cm, aroma kurang tajam, tinggi dan
panjang rimpang 6-11,3 cm dan 15- 32 cm. Warna daun hijau muda, batang hijau
muda dengan kadar minyak atsiri 0,8-2,8%. Jahe putih kecil (jahe emprit)
mempunyai rimpang kecil berlapis-lapis, aroma tajam, berwarna putih kekuningan
dengan diameter 3-4 cm, tinggi dan panjang rimpang 6-11 cm dan 6-32 cm.
Warna daun hijau muda, batang hijau muda dengan kadar minyak atsiri 1,5-3,5%.
Jahe merah mempunyai rimpang kecil berlapis-lapis, aroma sangat tajam,
berwarna jingga muda sampai merah dengan diameter 4-4,5 cm, tinggi dan
panjang rimpang 5-11 cm dan 12-13 cm. Warna daun hijau muda, batang hijau
kemerahan dengan kadar minyak atsiri 2,8-3,9% (Slameto et al. 2008).

22
2.1.2 Kandungan Tanaman Jahe
Manfaat dari jahe diproleh karena adanya kandungan minyak astiri pada
rimpang jahe. Minyak astiri adalah sejenis minya yang mudah menguap, yang
tersusun atas senyawa zingiberen (C12H24) dan zingiberol (C12M26O2)
(Infoagribisnis, 2017).
Senyawa lainnya yang membuat rimpang jahe berasa pedas dan agak pahit
adalah oleoresin (fexed oil), Komponennya yaitu senyawa gingerol
(C14H26O4’C18H28O5), shongoal (C7H24O3), dan resin. Di samping itu, minyak jahe
juga mengandung senyawa-senyawa seperti pinen, kamfen, felandren, sineol,
metilheptanon, linalol, bormeol, sitral, a dan β zingiber, a kurkumen, fernesen,
seskuiterpen, alkohol, C10 dan C9 aldehid. Minyak atsiri dan oleoresin terdapat
dalam semua jaringan rimpang, namun paling banyak berada di bagian jaringan
epidermis. Rimpang jahe mengandung nutrisi (gizi) yang cukup tinggi. Secara
lengkapnya nutrisi dalam setiap 100g rimpang jahe berdasarkan sumber
Direktorat Gizi, Depkes RI tahun 1961 dapat dilihat pada tabel 2.1.
Tabel 2.1 Komposisi Nutrisi setiap 100g Rimpang Jahe
No Kandungan Gizi Proporsi

1 Kalori 51,00 kal
2 Protein 1,50 g
3 Lemak 1,00 g
4 Karbohidrat 10,10 g
5 Kalsium 21,00 g
6 Fosfor 39,00 mg
7 Zat besi 1,60 mg
8 Vitamin A 30,00 Sl
9 Vitamin B 0,22 mg
10 Vitamin C 4,00 mg
11 Air 86,00 g
23
2.1.3 Penyakit Tanaman Jahe
Berdasarkan data statistik Direktorat Jenderal Hortikultura Kementerian Pertanian
Indonesia, produksi jahe di Indonesia semakin mengalami penurunan. Salah satu
penyebabnya ialah serangan penyakit tanaman jahe. Dibawah ini merupakan tabel
penyakit yang sering menyerang tanaman jahe (Andoko, 2005).
Tabel 2.2 Jenis Penyakit Tanaman Jahe

Kode Penyakit Jenis Penyakit
P001 Layu Bakteri
P002 Busuk Rimpang
P003 Bercak Daun
P004 Buncak Akar
1. Penyakit Layu Bakteri, disebabakan oleh bakteri patogen Pseudomonas

solanacearum yang bisa bertahan hidup relatif lama didalam tanah dan
dengan penyebaran sangat cepat. Bakteri ini juga dapat bertahan hidup
lama di dalam jaringan rimpang jahe, sehingga rimpang yang
bersangkutan potensial menjadi penyebar penyakit tersebut.
2. Penyakit Busuk Rimpang, disebabkan oleh cendawan patogen yang
jenisnya berbeda antara lahan di satu negara dan negara lainnya. Di
Indonesia, cendawan penyebabnya adalah Fusarium oxysporium dan
Rhizoctonia sp. Infeksi cendawan penyebab busuk rimpang pada
tanaman jahe melalui luka terbuka yang ada di rimpang. Sekilas, gejala
busuk rimpang hampir sama dengan layu bakteri. Bedanya, pada
penyakit ini rimpang tidak mengeluarkan lendir putih saat dipotong,
tetapi bentuk rimpang mengkerut dan bagian dalam berwarna agak gelap
sebagai tanda terjadi pembusukan.
3. Penyakit Bercak Daun, disebabkan oleh cendawan yakni Phyllosticta
zingiberi yang menyerang daun. Jika infeksi busuk rimpang melalui luka
di rimpang, infeksi bercak daun langsung di daun yang sehat. Spora
penyebab penyakit bercak daun yang terbawa angin hinggap di daun
24
yang sehat dan menginfeksinya.

4. Penyakit Buncak Akar, disebabkan oleh serangan nematoda parasit hal
tersebut terjadi apabila bakteri Ralstonia solanacearum terdapat
bersama-sama dengan nematoda R. similis atau Meloidogyne spp.
Nematoda buncak akar (Meloidogyne spp.) menyebabkan puru atau
benjolan dan busuk pada akar dan rimpang jahe.
2.2 Sistem Pakar
Sistem pakar pertama kali dikembangkan oleh komunitas AI pada
pertengahan tahun 1960. Sistem pakar yang muncul pertama kali adalah General
Purpose Problem Solver (GPS) yang dikembangkan oleh Newel dan Simon
(Turban, 2005)
Secara umum, sistem pakar merupakan sistem yang mengadopsi
pengetahuan manusia ke dalam komputer sehingga komputer dapat digunakan
untuk menyelesaikan suatu masalah sebagaimana yang dilakukan oleh seorang
pakar. Sistem pakar dibuat pada wilayah pengetahuan tertentu dan untuk suatu
keahlian tertentu yang mendekati kemampuan manusia di salah satu bidang
khusus. Sistem pakar mencoba mencari solusi yang memuaskan sebagaimana
yang dilakukan seorang pakar dan dapat memberikan penjelasan terhadap langkah
yang diambil serta memberikan alasan atas kesimpulan yang diambil. Dalam
penyusunannya, sistem pakar mengkombinasikan kaidah penarikan kesimpulan
(inference rules) dengan basis pengetahuan tertentu yang diberikan oleh satu atau
lebih pakar dalam bidang tertentu.

25
2.2.1 Konsep Dasar Sistem Pakar
Konsep dasar dari sistem pakar yaitu meliputi keahlian (expertise), ahli
(experts), pemindahan keahlian (transfering expertise), inferensi (inferencing),
aturan (rules) dan kemampuan memberikan penjelasan (explanation capability).
Keahlian (expertise) adalah pengetahuan yang mendalam tentang suatu
masalah tertentu, dimana keahlian bisa diperoleh dari pelatihan/pendidikan,
membaca dan pengalaman dunia nyata. Ada dua macam pengetahuan yaitu
pengetahuan dari sumber yang ahli dan pengetahuan dari sumber yang tidak ahli.
Pengetahuan dari sumber yang ahli dapat digunakan untuk mengambil keputusan
dengan cepat dan tepat.
Ahli (experts) adalah seorang yang memiliki keahlian tentang suatu hal
dalam tingkatan tertentu, ahli dapat menggunakan suatu permasalahan yang
ditetapkan dengan beberapa cara yang berubah- ubah dan merubahnya kedalam
bentuk yang dapat dipergunakan oleh dirinya sendiri dengan cepat dan cara
pemecahan yang mengesankan. Kemampuan pemecahan masalah adalah penting,
tetapi tidak cukup dilakukan sendiri.
Ahli seharusnya dapat untuk menjelaskan hasil yang diperoleh, mempelajari
sesuatu yang baru tentang domain masalah, merestrukturisasi pengetahuan kapan
saja yang diperlukan dan menentukan apakah keahlian mereka relevan atau saling
berhubungan.
2.2.2 Tujuan Sistem Pakar
Tujuan dari sistem pakar adalah untuk memindahkan kemampuan
(transfering expertise) dari seorang ahli atau sumber keahlian yang lain ke dalam
komputer dan kemudian memindahkannya dari komputer kepada pemakai yang

26
tidak ahli (bukan pakar). Proses ini meliputi empat aktivitas yaitu:
1. Akuisi pengetahuan (knowledge acquisition) yaitu kegiatan mencari dan

mengumpulkan pengetahuan dari para ahli atau sumber keahlian yang lain.
2. Representasi pengetahuan (knowledge representation) adalah kegiatan
menyimpan dan mengatur penyimpanan pengetahuan yang diperoleh
dalam komputer. Pengetahuan berupa fakta dan aturan disimpan dalam
komputer sebagai sebuah komponen yang disebut basis pengetahuan.
3. Inferensi pengetahuan (knowledge inferencing) adalah kegiatan melakukan
inferensi berdasarkan pengetahuan yang telah disimpan didalam komputer.
4. Pemindahan pengetahuan (knowledge transfer) adalah kegiatan
pemindahan pengetahuan dari komputer ke pemakai yang tidak ahli.
2.2.3 Ciri-Ciri Sistem Pakar
1. Terbatas pada bidang yang spesifik

2. Dapat memberikan penalaran untuk data-data yang tidak lengkap atau
tidak pasti
3. Dapat mengemukakan rangkaian alasan yang diberikannya dengan cara
yang dapat dipahami.
4. Berdasarkan pada rule atau kaidah tertentu.
5. Dirancang untuk dapat dikembangkan secara bertahap.
6. Outputnya bersifat nasihat atau anjuran.
7. Output tergantung dari dialog dengan user.
8. Knowledge base dan inference engina terpisah.
2.2.4 Arsitektur Sistem Pakar
Sistem pakar dapat ditampilkan dengan dua lingkungan, yaitu lingkungan
pengembangan (development environment) dan lingkungan konsultasi
(consultation environment). Lingkungan pengembangan digunakan oleh sistem
pakar (ES) builder untuk membangun komponen dan memasukkan pengetahuan
ke dalam basis pengetahuan. Lingkungan konsultasi digunakan oleh nonpakar

27
untuk memperoleh pengetahuan dan nasihat pakar. Lingkungan ini dapat
dipisahkan setelah sistem lengkap. Gambar Struktur Sistem Pakar pada penelitian
ini dapat dilihat pada gambar berikut ini.
LINGKUNGAN KONSULTASI LINGKUNGAN PENGEMBANGAN
Pemakai
(User)
Fakta kejadian
tertentu Basis Pengetahuan:
Fakta dan Aturan
Antarmuka Fasilitas
(Interface) Penjelasan
Knowledge
Engineer
Akuisisi
Pengetahuan
Aksi yang Mesin Inferensi

direkomendasikan Pakar
Perbaikan
Workplace
Pengetahuan
Gambar 2.1 Arsitektur Sistem Pakar (Turban, 2005)
1. Pakar
Merupakan orang yang memiliki pengetahuan, penilaian, pengalaman dan
metode khusus, serta kemampuan untuk menerapkan bakat ini dalam
memberikan nasihat dan memecahkan persoalan.
28
2. Akuisisi Pengetahuan
Merupakan akumulasi, transfer dan transformasi keahlian pemecahan
masalah dari pakar atau sumber pengetahuan terdokumentasi ke program
komputer, untuk membangun atau memperluas basis pengetahuan. Sumber
pengetahuan potensial antara lain pakar manusia, buku teks dan dokumen
multimedia.
3. Knowledge Engineer
Yaitu seorang spesialis sistem yang menterjemahkan pengetahuan yang
dimiliki seorang pakar menjadi pengetahuan yang akan tersimpan dalam
basis pengetahuan pada sebuah sistem pakar.
4. Basis Pengetahuan
Berisi pengetahuan relevan yang diperlukan untuk memahami,
merumuskan, dan memecahkan persoalan. Basis pengetahuan mencakup
dua elemen dasar, yaitu :
1. Fakta, misalnya situasi persoalan dan teori area persoalan (apa yang
diketahui tentang area domain).
2. Rule atau aturan khusus yang mengarahkan penggunaan pengetahuan
untuk memecahkan persoalan khusus dalam domain tertentu (referensi
logika, misalnya, antara gejala dan penyebab).
5. Perbaikan Pengetahuan
Pakar manusia memiliki sistem perbaikan pengetahuan, yakni mereka
dapat menganalisis pengetahuannya sendiri kegunaannya, belajar darinya,
dan meningkatkannya untuk konsultasi mendatang. Serupa pula, evaluasi
tersebut diperlukan dalam pembelajaran komputer sehingga program dapat
menganalisis alasan keberhasilan atau kegagalannya. Hal ini dapat
mengarah kepada peningkatan sehingga menghasilkan basis pengetahuan
yang lebih akurat dan pertimbangan yang lebih efektif. Dengan komponen
ini, pakar mampu menganalisis kinerja dari Sistem pakar, belajar
daripadanya, dan meningkatkannya pada konsultasi selanjutnya.
29
6. Mesin Inferensi
Merupakan otak dari Sistem pakar. Komponen ini sebenarnya adalah
program komputer yang menyediakan metodologi untuk reasoning
(pertimbangan) mengenai informasi dalam basis pengetahuan dan dalam
”workplace”, dan digunakan untuk merumuskan kesimpulan.
Mesin Inferensi mempunyai 3 elemen utama, yaitu :
1. Interpreter adalah elemen yang mengeksekusi item agenda yang
dipilih dengan mengaplikasikannya pada basis pengetahuan rule yang
berhubungan.
2. Scheduler adalah elemen yang menjaga kontrol di sepanjang agenda.
Memperkirakan akibat dari pengaplikasian rule inferensia yang
menampakkan prioritas item atau kriteria lain pada agenda.
3. Consistency enforcer adalah elemen yang mencoba menjaga
konsistensi representasi solusi yang muncul.
7. Workplace
Merupakan area kerja memori yang disimpan sebagai database untuk
deskripsi persoalan terbaru yang ditetapkan oleh data input, digunakan
juga untuk perekaman hipotesis dan keputusan sementara.
Tiga tipe keputusan dapat direkam dalam workplace: rencana (bagaimana
mengatasi persoalan), agenda (tindakan potensial sebelum eksekusi), dan
solusi (hipotesis kandidat dan arah tindakan alternatif yang telah
dihasilkan sistem sampai dengan saat ini).
8. Fasilitas Penjelasan
Ini adalah kemampuan penelusuran kebenaran dari konklusi yang didapat
dari sumber-sumbernya. Hal ini krusial untuk transformasi kepakaran dan
penyelesaian masalah. Komponen ini mampu menelusuri kebenaran dan
untuk menerangkan perilaku Sisem Pakar secara interaktif, menjawab
pertanyaan seperti: Mengapa pertanyaan tertentu ditanyakan oleh Sistem
pakar? Bagaimana konklusi tertentu dicapai? Mengapa alternatif tertentu
ditolak? Rencana apakah yang ada untuk mencapai solusi? Dan apa-apa
saja selanjutnya yang harus dilakukan sebelum diagnosis final dapat
ditentukan?
30
9. Antarmuka Pemakai (User Interface)

Sistem pakar berisi prosessor bahasa untuk komunikasi berorientasi
persoalan yang mudah antara pengguna dan komputer. Komunikasi ini
paling baik dilakukan dalam bahasa alami. Dikarenakan batasan teknologi,
maka kebanyakan sistem yang ada menggunakan pendekatan pertanyaan
dan jawaban untuk berinteraksi dengan pengguna.
10. Aksi yang direkomendasikan
Merupakan saran atau solusi yang direkomendasikan untuk permasalahan
yang sedang dihadapi oleh user.
11. User
Umumnya user yang dimaksud ini adalah:
1. Klien (yaitu bukan pakar) yang menginginkan advis/nasehat. Di sini
Sistem pakar bertindak seperti seorang konsultan atau penasehat.
2. Learner (pelajar) untuk mempelajari bagaimana Sistem pakar
menyelesaikan permasalahan. Disini Sistem pakar bertindak sebagai
seorang instruktur.
3. Pembangun Sistem pakar yang ingin meningkatkan basis
pengetahuannya. Di sini Sistem pakar bertindak sebagai seorang rekan.
4. Pakar. Di sini Sistem pakar bertindak sebagai seorang kolega atau
asisten.
2.2.5 Representasi Pengetahuan
Pengetahuan merupakan kemampuan untuk membentuk model mental
yang menggambarkan objek dengan tepat dan merepresentasikannya dalam aksi
yang dilakukan terhadap suatu objek. Representasi pengetahuan merupakan
metode yang digunakan untuk mengodekan pengetahuan dalam sebuah sistem
pakar yang berbasis pengetahuan. Perepresentasian dimaksudkan untuk
menangkap sifat-sifat penting problema dan membuat informasi itu dapat diakses
oleh prosedur pemecahan problema.

31
2.2.6 Keuntungan Sistem Pakar
Banyak manfaat yang dapat diambil dengan adanya sistem pakar, antara
lain:
1. Memungkinkan orang awam bisa mengerjakan pekerjaan para ahli.
2. Bisa melakukan proses secara berulang secara otomatis.
3. Menyimpan pengetahuan dan keahlian para pakar.
4. Meningkatkan output dan produktivitas.
5. Meningkatkan kualitas.
6. Mampu mengambil dan melestarikan keahlian para pakar (terutama yang

termasuk keahlian langka).
7. Mampu beroperasi dalam lingkungan yang berbahaya.
8. Memiliki kemampuan untuk mengakses pengetahuan.
9. Memiliki reliabilitas.
10. Meningkatkan kapabilitas sistem komputer.
11. Memiliki kemampuan untuk bekerja dengan informasi yang tidak lengkap
dan mengandung ketidakpastian.
12. Sebagai media pelengkap dalam pelatihan.
13. Meningkatkan kapabilitas dalam penyelesaian masalah.
14. Menghemat waktu dalam pengembilan keputusan.
2.2.7 Kelemahan Sistem Pakar
Disamping memiliki keuntungan, sistem pakar juga memiliki beberapa
kelemahan, antara lain:

32
1. Biaya yang diperlukan untuk membuat dan memeliharanya sangat mahal.
2. Daya kerja dan produktivitas manusia menjadi berkurang karena semuanya

dilakukan oleh sistem.
3. Sulit dikembangkan, hal ini tentu saja erat kaitannya dengan ketersediaan
pakar di bidangnya.
4. Sistem pakar tidak 100% bernilai benar.
2.3 Metode Naive Bayes Classifier
Pendekatan Naive Bayes merupakan sebuah metode klasifikasi yang
mengacu pada teorema Bayes. Teorema Bayes digunakan untuk menghitung
probabilitas ketidakpastian data (Russel dan Norvig, 2010). Proses pendekatan
Naive Bayes Classifier mengasumsikan bahwa ada atau tidaknya suatu fitur pada
suatu kelas tidak berhubungan dengan ada atau tidaknya fitur lain di kelas yang
sama (Setiawan dan Ratnasari, 2014). Pada saat klasifikasi, pendekatan Bayes
akan menghasilkan tabel kategori yang paling tinggi nilai probabilitasnya yaitu
VMAP (Maximum Apriori Probability) dengan atribut inputan G1, G2,… Gn
(Aribowo, 2010). Pernyataan tersebut dapat dituliskan dengan formula sebagai
berikut :
Formula bayes Menurut (Duda et al. 2010):
Persamaan pada bayes secara umum dapat ditulis sebagai berikut :

33
Dimana :
Posterior( wj | x ) : Formula bayes memperlihatkan bahwa dengan mengamati
nilai x, kita dapat mengkonversi peluang prior P(w), menjadi
peluang posterior P (wj | x ) yaitu peluang bahwa state berada
pada wj dengan syarat nilai fitur x telah diamati.
Prior (w) : Peluang prior P(w) merefleksikan pengetahuan sebelumnya
mengenai kemunculan jenis kelas, dan ini tergantung pada
pengalaman sebelumnya.
Likelihood( x | wj ) : P (wj | x ) sebagai kemungkinan likelihood dari wj (prior)
yang bersesuaian dengan x (evidence).
Evidence (x) P(x) sebagai faktor skala.
Untuk menjelaskan teorema Naive Bayes, perlu diketahui bahwa proses klasifikasi
memerlukan sejumlah petunjuk untuk menentukan kelas apa yang cocok bagi
sampel yang akan dianalisis (Natalius, 2011). Karena itu, teorema Bayes di atas
dapat disesuaikan sebagai berikut:
Dimana variabel V merepresentasikan kelas penyakit (Disease), sementara
variabel G1,G2,...Gn merepresentasikan fitur-fitur petunjuk (gejala) yang
dibutuhkan untuk melakukan klasifikasi. Maka rumus tersebut menjelaskan
bahwa peluang masuknya sampel dengan fitur (gejala) tertentu dalam kelas V
(posterior) adalah peluang munculnya kelas V (sebelum masuknya sampel
tersebut (disebut juga prior) dikali dengan peluang munculnya fitur-fitur
(gejalagejala) sampel pada kelas V (disebut juga likelihood), dibagi dengan
peluang kemunculan fitur-fitur (gejala-gejala) sampel secara global (disebut juga
evidence) (Natalius, 2011).

34
Menggunakan teorema pada persamaan (4) dapat ditulis sebagai berikut :
VMAP
Dimana :
VMAP = Probabilitas (penyakit) tertinggi
P(Vj) = Peluang jenis penyakit kedelai kej (prior)
P(G1,G2,…Gn|Vj) = Peluang atribut-atribut inputan jika diketahui keadaan Vj
P(G1,G2,…Gn) = Peluang atribut-atribut inputan
Karena nilai P(G1,G2,…Gn) nilainya konstan untuk semua Vj maka persamaan
tersebut dapat ditulis :
VMAP = argmaxvjϵv P(Vj) x P(G1, G2,…Gn|Vj)
Untuk perhitungan P(Vj) x P(G1, G2,…Gn|Vj) akan semakin sulit karena jumlah
gejala P(Vj) x P(G1, G2,… Gn|Vj) dapat semakin besar. Hal ini karena jumlah
gejala tersebut sama dengan jumlah kombinasi gejala dikalikan dengan jumlah
kelas yang ada (Aribowo, 2010).
Perhitungan Naive Bayes adalah sebagai berikut (Setiawan dan Ratnasari, 2015):
Dimana :
nc = jumlah record pada data training yang V = Vj dan G = Gi
p = peluang jenis penyakit (prior)
m = jumlah gejala
n = jumlah record pada data training yang V = Vj tiap class (penyakit)
35
Persamaan diatas dapat diselesaikan melalui perhitungan sebagai berikut :

1. Menentukan nilai nc untuk setiap class
2. Menentukan nilai P(Vj) atau nilai prior. Pada penelitian ini nilai prior diperoleh
dari penyakit yang dipilih dan tidak dipilih jika dipilih bernilai 1 jika tidak
bernilai 0
3. Menghitung nilai P(Gi|Vj)
Dimana :
P(Vj) = Peluang jenis penyakit kej nilai prior penyakit kej
4. Menghitung P(Vj) x P(Gi|Vj) untuk tiap V

5. Menentukan hasil klasifikasi yaitu V yang memiliki hasil perkalian yang
terbesar
2.4 Confusion Matrix
Confusion Matrix merupakan tabel yang mencatat hasil kerja klasifikasi.
Evaluasi yang akan dilakukan menggunakan parameter yang terdiri dari
perhitungan true positive, false positive, precision, recall dan accuracy.
Tabel 2.3 Confusion Matrix
Sumber: Witten, I. H., dan Frank, E (2011)

36
a. True positive (TP)

True positive dinyatakan benar positif jika dari prediksi adalah p dan nilai
sebenarnya juga p maka disebut positif benar.
TP rate = x 100%
b. False Positive (FP)

False positive atau disebut positif palsu dimana jika yang sebenarnya nilai
n maka dikatakan palsu.
FP rate = x 100%
c. Precision dan recall
Precision disebut juga positive prediction value merupakan matrik untuk

mengukur kinerja sistem dalam mendapatkan data yang relevan. Sementara recall
merupakan matrik untuk mengukur kinerja sistem dalam mendapatkan data
relevan yang terbaca.
Precision =
Recall =
d. Accuracy
Sebuah sistem yang melakukan klasifikasi diharapkan mampu melakukan

klasifikasi semua set data dengan benar. Akurasi atau ketepatan dalam klasifikasi
dirumuskan seperti dibawah ini.
Accuracy =
e. F-Measure
F-measure gabungan antara recall dan precision yaitu nilai rata-rata
harmonik berbobot diantara precision dan recall dihitung dengan rumus di bawah
ini:
37
2.5 WEKA
WEKA adalah sebuah paket tools machine learning praktis. “WEKA”
merupakan singkatan dari “Waikato Environment for Knowledge Analysis”, yang
dibuat di Universitas Waikato, New Zealand untuk penelitian, pendidikan dan
berbagai aplikasi. WEKA mampu menyelesaikan masalah-masalah data mining di
dunia nyata, khususnya klasifikasi yang mendasari pendekatan machine learning.
Perangkat lunak ini ditulis dalam hirarki class Java dengan metode berorientasi
objek dan dapat berjalan hampir di semua platform (Purnamasari et al, 2013).
38
BAB III
METODE PENELITIAN
3.1. Kerangka Penelitian
Kerangka penelitian pada dasarnya adalah kerangka hubungan antara
konsep konsep yang ingin diamati atau diukur melalui penelitian yang akan
dilakukan. Berdasarkan kerangka pemikiran yang ada, maka kerangka penelitian
yang digunakan dapat dilihat pada gambar 3.1 berikut.
Problem
Banyaknya petani jahe yang kurang paham terhadap
penyakit tanaman jahe
Approach
Metode Naive Sistem Pakar pendeteksi

Bayes Classifier penyakit tanaman jahe
Identification
Analisis tentang gejala dan
Mendeteksi
Penyakit Tanaman Jahe
Penyakit
menggunakan metode Naive
Tanaman Jahe
Bayes Classifier
Proposed
Penerapan metode Naive bayes dalam menghasilkan
identifikasi penyakit jahe
Validation
Menguji penerapan
Confusion Matrix
Metode Naive Bayes
Result
Penerapan metode Naive bayes untuk identifikasi
penyakit jahe
Sistem Pakar Untuk Mendeteksi Penyakit Tanaman

Jahe
Gambar 3.1 Kerangka Penelitian

39
a. Problem (Masalah)
Tahapan penelitian diawali dengan penentuan masalah penelitian,
yaitu mengenai kurangnya pemahaman masyarakat tentang penyakit
tanaman jahe.
b. Apporoach (Pendekatan)
Pendekatan dalam penelitian adalah cara penulis untuk melakukan
pendekatan hal yang akan diteliti diantaranya solusi dari permasalahan
yaitu menerapkan metode naive bayes pada sistem pakar untuk
mendeteksi penyakit tanaman jahe.
c. Identification (Identifikasi)
Identifikasi yang dimaksud adalah berkaitan dengan variabel yang
akan digunakan dalam penelitian ini mengenai metode yang
digunakan yaitu Naive Bayes, sehingga hasil yang akan disajikan
sesuai dengan tujuan yang diharapkan.
d. Proposed (Usulan)
Usulan yang diajukan dalam penelitian ini adalah penerapan metode

Naive Bayes untuk mengidentifikasi penyakit tanaman jahe.
e. Validation (Pengujian)
Pengujian dilakukan dengan menggunakan menerapkan metode Naive

Bayes dan melihat tingkat akurasi menggunakan Confusion Matrix
f. Result (Hasil)
Penerapan metode Naive Bayes sehingga menghasilkan sistem pakar

untuk mendeteksi penyakit tanaman jahe.
3.2. Tahapan Penelitian
Tahapan penelitian adalah pengembangan dari kerangka penelitian, dan
terbagi dari beberapa sub menu bagian. Tahapan penelitian dapat dilihat pada
gambar 3.2 berikut:

40
Tahap 1 : Studi Literatur & Identifikasi
Identification
Problem
Kajian Literatur : Identifikasi :
Pengumpulan Data :
- Buku - Definisi Masalah
- Study Literature
- Jurnal - Lingkup Penelitian
Tahap 2 : Analisis
Identifikasi penyakit tanaman jahe
Identifikasi gejala tanaman jahe

Intervention
Menggunakan metode Naive Bayes Classifier
Tahap 3 : Penerapan Metode
Proses identifikasi penyakit tanaman jahe menggunakan metode

naive bayer classifier
Tahap 4 : Evaluasi
Evaluation
Pengujian menggunakan Confusion Matrix
Tahap 5 : Penutup
Reflection And
Kesimpulan terhadap Sistem Pakar Untuk Mendeteksi Penyakit

Learning
tanaman jahe menggunakan pendekatan naive bayes classifier
Kontribusi penerapan naive bayes classifier untuk Sistem Pakar

pendeteksi penyakit tanaman jahe.
Gambar 3.2 Tahapan Penelitian
a. Studi Pustaka dan Literatur

Pada tahap ini dilakukan kajian literatur dari jurnal, skripsi, buku dan
makalah. Tujuan utamanya adalah memahami metode Naive Bayes
Classifier dan mengidentifikasi masalah.
b. Analisis dan Penentuan Variabel
Pada tahap ini dilakukan pemetaan terhadap variabel masalah yaitu
penyakit tanaman jahe menggunakan metode Naive Bayes Classifier
berdasarkan pengetahuan mengenai gejalanya. Proses penarikan akan
menghasilkan label kategori yang paling tinggi probabilitasnya.
41
c. Penerapan metode
Tahapan ini melakukan penerapan metode Naive Bayes Classifier
untuk mengidentifikasi penyakit tanaman jahe
d. Evaluasi
Pada tahap evaluasi yaitu dengan menggunakan Confusion Matrix
dalam setiap hasil. Pada pengujian ini dilakukan perhitungan dengan 3
keluaran, yaitu: precision, accuracy (true), accuracy (false)
e. Penutup
Merupakan kesimpulan terhadap hasil dari penelitian ini yaitu
mengerapkan metode Naive Bayes Classifier untuk menghasilkan
Sistem Pakar pendeteksi penyakit tanaman jahe.
3.3. Bahan-Bahan dan Materi Penelitian
3.3.1. Metode Pengumpulan Data
a. Wawancara : melakukan wawancara langsung dengan Petani dan

Pakar tanaman jahe (bapak Sutrisno) untuk mendapatkan keterangan-
keterangan yang diperlukan sebagai bahan penulisan laporan
b. Observasi : mendapatkan data-data dan fakta dari pengamatan
langsung di lokasi penelitian yaitu Dinas Pertanian Kabupaten Tulang
Bawang Barat.
c. Studi Pustaka : dilakukan dengan cara membaca, mengutip dan
membuat catatan yang bersumber pada bahan-bahan pustaka yang
mendukung dan berkaitan dengan penelitian ini khususnya dalam
pengembangan Sistem Pakar. Selanjutnya dengan cara mempelajari
dan memahami jurnal dan buku-buku referensi, yang berhubungan
dengan masalah yang akan dibahas dalam karya ilmiah ini. Hal ini
dimaksudkan agar penulis memiliki landasan teori yang kuat.
3.3.2. Objek Penelitian
Objek penelitian terhadap sistem pakar ini dilakukan berdasarkan

42
observasi, wawancara dan dokumentasi serta mencari sumber data dari Petani dan
Pakar tanaman jahe di Dinas Pertanian Kebupaten Tulang Bawang Barat.
3.3.3. Karakteristik Data
a. Data Mentah
Data di dapat dari petani dan pakar jahe yaitu, data gejala, penyakit,
dan solusi penanganan terhadap tanaman jahe.
b. Analisis Data
Proses ini dimana peneliti menganalisis data yang diperoleh dari
informasi yang didapat dari proses pengumpulan data yang bersumber dari
seorang pakar dan buku tentang Tanaman Jahe. Dari data tersebut dibuat
alur dari setiap gejala-gejala menjadi suatu jenis penyakit. Jenis penyakit
yang sering terjadi dapat dilihat pada tabel 3.1.
Tabel 3.1 Jenis Penyakit Tanaman Jahe

Kode Penyakit Jenis Penyakit
P001 Layu Bakteri
P002 Busuk Rimpang
P003 Penyakit Bercak Daun
P004 Penyakit Buncak Akar
43
3.4 Arsitektur Sistem Pakar
Gambar 3.3 Arsitektur Sistem Pakar untuk Mendeteksi Penyakit Jahe
Komponen-komponen yang ada pada sistem pakar untuk mendeteksi penyakit
pada tanaman jahe adalah :
3.4.1 Pengguna
User sebagai pengguna sistem ini adalah petani jahe yang kurangnya
informasi atau pemahaman tentang penyakit tanaman jahe
3.4.2 Interface GUI
Interface dalam sistem pakar ini meliputi desain tampilan dari sistem pakar
dengan Graphical User Interface (GUI).
44
3.4.3 Basis Pengetahuan
Data didapatkan dari Pakar (bapak Sutrisno). Jumlah penyakit terdiri dari
4 jenis penyakit dan 18 gejala dari penyakit. Tabel penyakit dan gejalanya
sebagai berikut :
Tabel 3.2 Penyakit dan Gejala Tanaman jahe
Kode Nama Kode

No Gejala
Penyakit Penyakit Gejala
G004 Daun bagian bawah menguning
G005 Daun menjadi layu
G010 Daun melipat
Layu G011 Tunas membusuk
1. P001
Bakteri G013 Batang rebah (jatuh)
Bila tanaman dicabut, rimpang
G014 mengeluarkan lendir berwarna putih
hingga kecoklatan
G006 Rimpang busuk
Pada jaringan pembuluh terdapat garis-
G008
garis coklat
Busuk
2. P002 Bila tanaman dicabut, rimpang tidak
Rimpang
G009 segar (kering dan berwarna kehitam-
hitaman)
G012 Tanaman jahe mati
Daun terlihat bintik-bintik berwarna
kuning yang cukup banyak (semakin
G001 lama akan meluas membentuk bercak
Bercak lebar berwarna coklat kekuningan)
3. P003
Daun
G002 Daun berlubang
Daun rusak karena banyak bagian yang
G003
berlubang
G007 Batang keriput/mengkerut
G015 Batang bercabang
G016 Benjolan pada akar atau rimpang jahe
Buncak
4 P004 Daun paling atas menguning dengan
Akar G017
ujung daun seperti terbakar
Bila tanaman dicabut, rimpang
G018
berwarna coklat dengan adanya lubang
.
45
3.4.4 Metode Inferensi
Pada tahap inferensi digunakan dengan metode Naive Bayes Classifier
untuk menentukan jenis penyakit jahe. Rumus sebagai berikut :
Dimana :
nc = jumlah record pada data training yang V = Vj dan G = Gi
p = peluang jenis penyakit (prior)
m = jumlah gejala
n = jumlah record pada data training yang V = Vj tiap class (penyakit)
3.5 Rancangan Alur Proses
Untuk memudahkan penulis dalam melakukan penelitian dan membangun
aplikasi sistem pakar untuk mendeteksi penyakit tanaman jahe. Penulis membuat
rancangan alur proses aplikasi menggunakan flowchart.
Start
Mulai Deteksi
Registrasi dan
Pilih Gejala
Proses Simpan
Registrasi dan
Gejala
Perhitungan Naïve
Bayes Classifier
Hasil Deteksi
Penyakit
End
Gambar 3.4 Flowchart Alur Proses

46
Berikut penjelasan flowchart :

a. Mulai
b. Pertama, user membuka situs WEB yang telah terpasang dalam sistem
pakar deteksi penyakit jahe.
c. Selanjutnya, sistem akan menampilkan layar utama yang berisi menu
Deteksi.
d. Kemudian, user memilih menu Deteksi kemudian akan tampil form
registrasi dan daftar gejala.
e. User harus melakukan registrasi dan memilih gejala sesuai dengan
yang dihadapi.
f. Setelah melakukan registrasi, maka aplikasi akan mengakses database
menyimpan data registrasi dan gejala yang dipilih user.
g. Setelah data disimpan, aplikasi akan melakukan proses deteksi dengan
menggunakan metode naive bayes classifier.
h. Setelah proses perhitungan selesai, aplikasi akan menampilkan hasil
deteksi penyakit pada tanaman jahe.
i. End
Akhirnya, sistem akan menampilkan hasil deteksi penyakit pada tanaman
jahe terhadap gejala yang dihadapi oleh tanaman jahe user.
3.6 Penerapan Metode
3.6.1 Metode Naive Bayes Classifier
Proses pendekatan Naive Bayes Classifier mengasumsikan bahwa ada atau
tidaknya suatu fitur pada suatu kelas tidak berhubungan dengan ada atau tidaknya
fitur lain di kelas yang sama. Pada saat klasifikasi, pendekatan Bayes akan
menghasilkan tabel kategori yang paling tinggi nilai probabilitasnya yaitu VMAP
(Maximum Apriori Probability) dengan atribut inputan G1, G2,… Gn.

47
3.6.2 Pengujian Naive Bayes Classifier

Uji coba dilakukan dengan mendapatkan data gejala penyakit tanaman
jahe. Data gejala penyakit tanaman jahe dibandingkan dengan gejala yang
menyebabkan penyakit tanaman jahe. Contoh perhitungan dengan menggunakan
klasifikasi Naive Bayes Classifier diterapkan pada tanaman jahe ke 3 (PH003)
yang terdapat pada lampiran dengan gejala sebagai berikut:
1. Daun bagian bawah menguning (G004)
2. Daun menjadi layu (G005)
3. Batang keriput/mengkerut (G007)
4. Daun melipat (G010)
Langkah perhitungan dengan naive bayes classifier sebagai berikut :
1. Menentukan nilai nc untuk setiap class
Tahap pertama yang dilakukan yaitu mencari nilai nc untuk masing-masing

penyakit berdasarkan gejala yang muncul pada data training.
1. Penyakit Layu Bakteri
n = 24 p = 1/4 = 0,25
m= 18
nc (G004) = 13 nc (G007) = 2
nc (G005) = 11 nc (G010) = 7
2. Penyakit Busuk Rimpang
n = 14 p = 1/4 = 0,25
m= 18
nc (G004) = 3 nc (G007) = 4
nc (G005) = 0 nc (G010) = 4
3. Penyakit Bercak Daun
n = 51 p = 1/4 = 0,25
m= 18
nc (G004) = 4 nc (G007) = 2
nc (G005) = 0 nc (G010) = 1
48
4. Penyakit Buncak Akar

n = 11 p = 1/4 = 0,25
m= 18
nc (G004) = 2 nc (G007) = 2
nc (G005) = 2 nc (G010) = 0
2. Menghitung nilai P(gi|vj) dan menghitung nilai P (vj)

Tahap kedua yang dilakukan yaitu mengitung nilai probabilitas untuk
masing-masing penyakit berdasarkan gejala.
1. Layu Bakteri
P (P001|G004) = = 0.417
P (P001|G005) = = 0.369
P (P001|G007) = = 0.155
P (P001|G010) = = 0.274
2. Busuk Rimpang
P (P002|G004) = = 0.234
P (P002|G005) = = 0.141
P (P002|G007) = = 0.266
P (P002|G010) = = 0.266
3. Bercak Daun
P (P003|G004) = = 0.123
P (P003|G005) = = 0.065
49
P (P003|G007) = = 0.094
P (P003|G010) = = 0.08
4. Buncak Akar
P (P004|G004) = = 0.224
P (P004|G005) = = 0.224
P (P004|G007) = = 0.224
P (P004|G010) = = 0.155
3. Menghitung P(gi|vj) x P(vj) untuk tiap v

Tahap ketiga adalah mengkalikan nilai probabilitas setiap penyakit dengan
masing-masing gejala.
1. Penyakit Tanaman Jahe ke - 1 = Layu Bakteri
p x [(P001|G004) x (P001|G005) x (P001|G007) x (P001|G010)]
0.25 x (0.417 x 0.369 x 0.155 x 0.274)
= 0.00163
2. Penyakit Tanaman Jahe ke - 2 = Busuk Rimpang
p x [(P002|G004) x (P002|G005) x (P002|G007) x (P002|G010)]
0.25 x (0.234 x 0.141 x 0.266 x 0.266)
= 0.00058
3. Penyakit Tanaman Jahe ke - 3 = Bercak Daun
p x [(P003|G004) x (P003|G005) x (P003|G007) x (P003|G010)]
0.25 x (0.123 x 0.065 x 0.094 x 0.08)
= 0.00001
4. Penyakit Tanaman Jahe ke - 4 = Buncak Akar
p x [(P004|G004) x (P004|G005) x (P004|G007) x (P004|G010)]

50
0.25 x (0. 224 x 0. 224 x 0. 224 x 0. 155)
= 0.00043
Hasil v yang memiliki perkalian terbesar didapatkan pada table di bawah
ini
Tabel 3.3 Nilai v Tiap class
Penyakit Nilai v
Layu Bakteri 0.00163
Busuk Rimpang 0.00058
Bercak Daun 0.00001
Buncak Akar 0.00043
Berdasarkan table di atas dapat dilihat nilai v yang terbesar adalah 0.00163,
maka contoh kasus pada Tanaman Jahe diklasifikasikan sebagai penyakit Layu
Bakteri.
3.7 Implementasi Antar Muka
Interface atau antarmuka sangat diperlukan untuk mempermudah user
menggunakan sistem pakar ini. Sistem pakar ini memiliki dua pilihan menu
utama, yaitu menu user dan menu admin.
a. Halaman Index
Menu index adalah halaman awal program. Pada halaman ini terdapat
menu Home, Deteksi, Help dan Login.
51
Gambar 3.5 Tampilan Halaman Index
b. Deteksi
Sebelum user melakukan Deteksi, user terlebih dahulu harus mengisi

identitas diri. Setelah melakukan registrasi, user harus memilih gejala-gejala
yang dialami tanaman jahenya, seperti pada gambar berikut.
Gambar 3.6 Tampilan Deteksi
Jika user sudah memilih semua gejala yang dia alami, maka akan muncul
tampilan yang berisi hasil Deteksi. Yang mana user langsung mendapatkan
cara menanggulangi atau menangani penyakit yang terdeteksi terseb
52
Gambar 3.7 Rancangan Tampilan Hasil Deteksi
c. Halaman Administrator
Halaman Administrator adalah halaman awal ketika Administrator berhasil

login. Seperti pada gambar berikut.
Gambar 3.8 Tampilan Halaman Administrator

53
3.8 Lingkungan Pengujian
Tahap awal perancangan pengembangan sistem, penelitian memperkirakan
kebutuhan-kebutuhan sumber daya sebagai pendukung dalam penelitian ini.
Adapun alat penelitian yang digunakan sebagai berikut:
3.8.1 Karakteristik Hardware
Hardware adalah salah satu komponen dari sebuah komputer yang sifat
alatnya dan dilihat oleh manusia secara manusia secara langsung atau berbentuk
nyata. Adapun hardware yang digunakan yaitu:
a. Prosesor Intel(R) Core (TM) i3-4005U

b. Hard Disk 500 GB
c. Memory RAM 2 GB
3.8.2 Perangkat Software
Perangkat lunak yang digunakan dalam mengembangkan sistem ini adalah:
a. Web Server XAMPP 1.7.1

b. DBMS MySQL
c. WEKA 3.8
d. Browser Mozilla Firefox versi 55.0
54
BAB IV
IMPLEMENTASI DAN PENGUJIAN
4.1 Implementasi
Implementasi merupakan suatu proses pelaksanaan atau penerapan dari
sebuah rancangan yang telah disusun secara terperinci. Berikut ini merupakan
mekanisme implementasi dari penelitian yang telah dilakukan:
4.1.1 Sekenario implementasi
Data yang digunakan pada proses pengujian terdapat 100 instance data,
yang terdiri dari 4 class type Penyakit yakni Layu Bakteri (P001), Busuk Rimpang
(P002), Bercak Daun (P003) dan Buncak Akar (P004). Setiap instance data yang
diujikan hanya memiliki satu class type Penyakit dan dataset dibagi menjadi data
training dan testing. Data training adalah data yang digunakan sebagai acuan
untuk membangun model klasifikasi, sedangkan data testing adalah data yang
digunakan untuk menguji performa dari model klasifikasi tersebut. Jumlah data
training yang digunakan ada 60 instance data dan jumlah data testing ada 40
instance data. Rincian jumlah pembagian data dapat dilihat pada tabel 4.1.
Tabel 4.1 Pembagian Data Training dan Data Testing
No Class Data Training Data Testing

1 Layu Bakteri 15 10
2 Busuk Rimpang 15 10
3 Bercak Daun 15 10
4 Buncak Akar 15 10
Total 60 40
Pada skenario pengujian ini data training sudah dipersiapkan sebelumnya
dan disimpan ke dalam dataset. Hasil data training (pembelajaran) yang didapat
akan diuji dengan data baru yang masih belum diketahui class type penyakit. Pada
penelitian ini terdapat proses cleaning, selection proses ini bertujuan untuk
55
mendapatkan data training yang sesuai harapan sianalis.
4.1.2 Hasil Implementasi
Proses pengujian dilakukan untuk menghasilkan sebuah class type
penyakit dan mengetahui ketepatan akurasi dataset. Untuk mengukur akurasi
ditentukan dengan perbandingan banyaknya data pengujian tepat (benar) dengan
banyaknya seluruh pengujian, sebagai berikut:
Tabel 4.2 Persentasi Pengujian
No Class Benar Salah Total Persentase

1 Layu Bakteri 10 0 10 100 %
2 Busuk Rimpang 7 3 10 70 %
3 Bercak Daun 10 0 10 100%
4 Buncak Akar 8 2 10 80%
Total 35 5 40 87.5 %
Untuk mendapatkan hasil presentasi pengujian pada tabel 4.2 perlu
dilakukan proses pengujian data. Proses pengujian data berfungsi sebagai bukti
bahwa data sampel yang asumsikan sudah diketahui class-nya ketika dilakukan
pengujian dengan aplikasi dan algoritma naive bayes data tersebut akan
terklasifikasi dengan baik atau tidak. Berikut ini merupakan rincian dari hasil
pengujian data yang telah dilakukan:

56
Tabel 4.3 Pengujian Data Class Layu Bakteri

No Instance Benar Salah Keterangan
1 Instance 1  - P001 Layu Bakteri
8 Instance 8  P001 Layu Bakteri
Tabel 4.4 Pengujian Data Class Busuk Rimpang

1 Instance 1  - P002 Busuk Rimpang
2 Instance 2 -  P001 Layu Bakteri
Tabel 4.5 Pengujian Data Class Bercak Daun

1 Instance 1  - P003 Bercak Daun
57
Tabel 4.6 Pengujian Data Buncak Akar

1 Instance 1  - P004 Buncak Akar
4.2 Analisis Sistem
Berdasarkan hasil pengujian terhadap sistem maka dapat dilakukan
beberapa analisis. Seperti yang sudah dijelaskan pada skenario pengujian terdapat
4 class type penyakit sebanyak 100 instance data, dengan asumsi 60% data (60
instance) untuk data pembelajaran (training) dan 40% data testing (40 instance).
Pada tabel 4.2 terdapat akurasi presentasi pengujian 100% class Layu Bakteri
(P001), 100% class Buncak Akar (P003). Presentasi pengujian class Layu Bakteri
dan Buncak Akar mendapat nilai 100% dikarenakan semua instance terklasifikasi
sesuai asumsi sebenarnya. Sedangkan untuk class Busuk Rimpang (P002) nilai
70% terjadi karena ada 3 instance yang tidak terklasifikasi sesuai dengan asumsi
sebenarnya. Dan untuk class Buncak Akar (P004) nilai 80% terjadi karena ada 2
instance yang tidak terklasifikasi sesuai dengan asumsi sebenarnya.
4.2.1 Source Code Naive Bayes
Berikut ini source code atau script yang diterapkan pada program yang
dibuat menggunakan algoritma naive bayes classifier, kode logika ini berisi rumus
skenario pendeteksi penyakit tanaman jahe berdasarkan data yang telah
ditentukan.
58
<?php
$m=mysql_num_rows(mysql_query("select * from gejala"));
$nc1=mysql_num_rows(mysql_query("select * from penyakit"));
$q=1/$nc1;
$p=substr($q,0,4);
$a=mysql_query("select * from gejalapetani where
idpetani='$_GET[id]' order by idgejala asc");
while($b=mysql_fetch_array($a)){
$c=mysql_query("select * from penyakit order by
idpenyakit asc");
while($d=mysql_fetch_array($c)) {
$n=mysql_num_rows(mysql_query("select * from
training where idpenyakit='$d[idpenyakit]'"));
$nc=mysql_num_rows(mysql_query("select * from
gejala1 where idgejala='$b[idgejala]' and
idpenyakit='$d[idpenyakit]'"));
$sip= ($nc+($m*$p))/($n+$m);
$sip=round($sip,3); }
$cek=mysql_num_rows(mysql_query("select * from bayes where
idpetani='$_GET[id]' and idpenyakit='$d[idpenyakit]' and
idgejala='$b[idgejala]'")); }
if(cek==0)
{
mysql_query("insert into bayes values
('','$_GET[id]','$d[idpenyakit]','$b[idgejala]','$si
p')");
}
else
{
}
?>
59
4.3 Hasil Pengujian
4.3.1 Confusion Matrix Naive Bayes

Berikut ini adalah perhitungan nilai confusion matrix terhadap algoritma
naive bayes dengan 2 atribut dan 100 record dengan percentage split 60:40 atau
60 data training dan 40 data testing yang menghasilkan tingkat akurasi 87.5% dan
Incorrectly Classified Instances 5 yakni 12.5 %.
Gambar 4.1 Percentage split 60:40
Maka diketahui nilai akurasi data pada naive bayes dalam perhitungan
confusion matrix yakni 87.5%. Dengan 100 record dengan percentage split 60:40
terdapat klasifikasi a yang memiliki nilai 13 untuk P001, klasifikasi b yang
memiliki nilai 6 untuk P002, klasifikasi c yang memiliki nilai 14 untuk P003, dan
klasifikasi d yang memiliki nilai 2 untuk P004 dengan Incorrectly Classified
Instances 5 yakni 12.5%.
4.3.2 Precision, Recall, Accurasy
Data testing untuk menguji tabel probabilitas yang sudah terbentuk. Hasil
kerja diperoleh dengan memberikan nilai pada confusion matrix untuk
menghitung nilai precision, recall, dan accurasy dari hasil pengujian. Berikut
hasil pengujian dari beberapa percobaan:

60
Tabel 4.7 Nilai Precision, Recall, Accurasy
Data Data
No Rasio Precision Recall Accurasy
Training Testing
1 50 : 50 50 50 90% 88% 88%
2 60 : 40 60 40 90% 87% 87.5%
3 70 : 30 70 20 100% 100% 100%
Gambar 4.2 Percobaan rasio 50:50
Perbandingan nilai precision, recall, dan accurasy untuk setiap percobaan
dapat divisualisasikan dalam bentuk grafik seperti pada gambar 4.5. Dari grafik
tersebut dapat dilihat bahwa besar kecilnya jumlah data latih tidak selalu
berbanding lurus dengan nilai precision, recall, dan accurasy dari data uji.
61
105%
100%
95%
Precision
90% Recall
Accurasy
85%
80%
Percobaan 1 Percobaan 2 Percobaan 3
(50:50) (60:40) (70:30)
Gambar 4.5 Grafik Perbandingan
4.3.2 Perbandingan Hasil Diagnosa Sistem Pakar Dengan Pakar
Hasil uji coba sistem pakar dibandingkan dengan hasil diagnosis dari pakar
sebenaarnya. Perbandingan hasil diagnosis sistem pakar dan pakar sebenarnya
(human expert) ditunjukan pada tabel 4.8 yang dapat dililhat lebih lengkap pada
lampiran. Perbandingan tersebut mendapatkan hasil 96% dari 100 data
dikarenakan hasil diagnosis penyakit tanaman jahe di sistem pakar pada pohon ke-
20, pohon ke-26, pohon ke-66 dan pohon ke-100 tidak sesuai dengan diagnosis
pakar sebenarnya.
62
Tabel 4.8 Perbandingan Diagnosa Sistem Pakar Dengan Pakar
Kode Penyakit Berdasarkan Penyakit Berdasarkan

Pohon Jahe Diagnosa Pakar Diagnosa Sistem
PH001 Bercak Daun Bercak Daun
PH002 Layu Bakteri Layu Bakteri
PH005 Busuk Rimpang Busuk Rimpang
PH011 Buncak Akar Buncak Akar
PH020 Busuk Rimpang Layu Bakteri
PH026 Bercak Daun Busuk Rimpang
63
BAB V
PENUTUP
5.1 Kesimpulan
Dari penelitian ini dapat disimpulkan beberapa hal berikut
1. Sistem mampu mendiagnosis dengan tepat sesuai pendapat pakar sebenarnya
sebesar 96% dari 100 data tanaman jahe.
2. Evaluasi hasil pengujian dengan menggunakan algoritma Naive Bayes
menghasilkan akurasi sebesar 87.5% dari seluruh class type penyakit dengan
skenario pengujian 60% data training dan 40% data testing. Sedangkan
untuk akurasi pada tiap class adalah 100% untuk class penyakit layu bakteri,
70% untuk class penyakit busuk rimpang, 100% untuk class penyakit bercak
daun dan 80% untuk class buncak akar.
5.2 Saran
Dari penelitian ini dapat disarankan dengam beberapa hal berrikut
1. Agar dapat meningkatkan kehandalan sistem pakar, sistem membutuhkan
data tanaman jahe yang lebih besar untuk membandingkan dengan hasil pada
penelitian ini.
2. Untuk mengembangkan sistem ini lebih lanjut, dapat menambahkan fitur-
fitur yang membuat sistem ini lebih dinamis.

64
DAFTAR PUSTAKA
Ali, B.H., Blunden, G., Tanira, M.O., Nemmar, A. 2007. Some phytochemical,
pharmacological and toxicological properties of ginger (Zingiber officinale
Roscoe) : A review of recent research. Food and Chemical oxicology, vol.
46, pp. 409–420.
Andoko, A dan Harmono. 2005. Budidaya dan Peluang Bisnis Jahe. Jakarta :
Agromedia Pustaka.
Aribowo, W. 2010. Stabilisator Sistem Tenaga Berbasis Jaringan Syaraf Tiruan

Berulang Untuk Sistem Mesin Tunggal. Fakultas Teknik, Universitas Negeri
Surabaya.
Cole, R. & Purao, S., 2005. Being Proactive : Where Action Research meets
Design Research.
Duda R. O., Hart P. E., Stork, D. G. 2010. Pattern Classification, 2nd Ed. New
York : John Wiley & Sons.
Hartatik dan Yasa, P. 2015. Sistem Pakar Untuk mendeteksi Hama Tanaman
JaheMenggunakan Teorema Bayes. Jurnal : Jurnal Ilmiah DASI Vol. 16 No.
02 Juni 2015, hlm 27-31, ISSN: 1411-3201.
Infoagribisnis. 2017. Sukses Budidaya Jahe. Bantul : Oryza.
Keputusan Menteri Kesehatan RI No 121/Menkes/SK/11/2008 tentang

Standar Pelayanan Medik Herbal. Jakarta.
Leung, K.M. (2007) ‘Naive bayesian classifier’, Polytechnic University

Department of Computer Science/Finance and Risk Engineering.
Mahmudi, A., Rokhman Moh.M., & Prasetio, A.E. 2016. Rancang Bangun Sistem
Pakar Untuk Mendiagnosis Tanaman Cabai Menggunakan Metode Bayes.
Jurnal Rekayasa Dan Manajemen Sistem Informasi , Vol. 2 No. 2 Agustus
2016, hlm 85-90, ISSN 2460-8181
Natalius, S. 2011. Metoda Naive Bayes Classifier dan Penggunaannya pada
Klasifikasi Dokumen. Makalah pada Makalah II2092 Probabilitas dan
Statistik-Sem. I Tahun 2011 ITB, Bandung.
Primantoro, B dan Fadlil, A. 2014. Sistem Pakar Untuk Mendiagnosa Penyakit

Kambing Etawa Berbasis Web. Jurnal: Sarjana Teknik Informatika Vol. 2 No.
1 Februari 2014, hlm 680-690, ISSN: 2338-5197
Purnamasari, D., Henharta, J., Sasmita, Y.P., Ihsani, F., Wicaksana, I.W.S. 2013.
Get Easy Using Weka. Jakarta Timur: Dapur Buku.
Rahayu, S. 2013. Sistem Pakar Untuk Mendiagnosa Penyakit Ginjal Dengan

Menggunakan Metode Bayes. Jurnal: Pelita Informatika Budi Darma Vol. 4
65
No. 03 Agustus 2015, hlm 129-134, ISSN: 2301-9425.
Russell, S.J and Peter Norvig, P. 2010. Artificial Intelligence: A modern Approach
. Third Edition. New Jersey:Pearson Education.
Sarwani, Dr. Muhrizal. 2008. Teknologi Budidaya Jahe. Ebook : Balai Besar
Pengkajian dan Pengembangan Teknologi Pertanian.
Setiawan, W & Ratnasari, S. 2014. Sistem Pakar Diagnosis Penyakit Mata

menggunakan Naïve Bayes Classifier. Seminar Nasional Sains dan Teknologi
Universitas Muhammadiyah Jakarta, 1.
Slameto dan Muchlas. 2008. Teknologi Budidaya Jahe. Bogor. Balai Besar
Pengkajian dan Pengembangan Teknologi Pertanian. Badan Penelitian dan
Pengembangan Pertanian.
Turban, Efraim. 2005. Decision Support System and Expert System. Prentice Hall
International, New Jersey.
Wijayanti, R dan Winarti, S. 2012. Sistem Pakar Untuk Mendiagnosa Penyakit

pada Buah-buahan Pascapanen. Jurnal: Sarjana Teknik Informatika Vol. 1
No. 1 Juni 2013, hlm. 339-346, ISSN: 2338-5197.
Witten, I. H., Frank, E. 2011. Data Mining Practical Machine Learning Tools and
Techniques (3rd ed). USA : Elsevier.
66
LAMPIRAN
67
Lampiran 1
BIODATA PAKAR
Nama : Sutrisno
TTL : Cilacap, 5 November 1963
Alamat : Dayasakti, RT.06 RW.02 Kec. Tumijajar, Kab. Tulang Bawang
Barat
Instansi Kerja : Pemerintah Kabupaten Tulang Bawang Barat
Unit Kerja : Dinas Pertanian dan Perkebunan Tulang Bawang Barat
Jabatan : Kepala Bidang Tanaman Pangan dan Hortikultura
NIP : 196311051987111002
Pendidikan Terakhir : S1 – Pertanian
Status PNS : Aktif

68
BIODATA PETANI JAHE
Nama : Wijil Windiarto
TTL : Margodadi, 20 Januari 1970
Alamat : Makarti, RK 3/ RW 12 Kec. Tumijajar, Kab. Tulang Bawang
Barat
Pekerjaan : Petani Jahe dan Perkebunan Karet
Mulai Menanam Jahe : Pada tahun 2000
Jenis Jahe : Jahe Merah
Luas Perkebunan Jahe : ± 37 m2

69
HASIL PENGUMPULAN DATA DENGAN WAWANCARA

PADA DINAS PERTANIAN TULANG BAWANG BARAT
Narasumber
Nama : SUTRISNO
1. Apakah anda paham mengenai penyakit yang sering menyerang tanaman

jahe?
Jawab : Iya, saya paham.
2. Apakah Dinas Pertanian pernah melakukan penyuluhan kepada petani

tentang penyakit tanaman jahe?
Jawab : Penyuluhan pernah kami lakukan, tetapi tidak hanya terfokus atau
khusus pada tanaman jahe saja melainkan pada TOGA (Tanaman Obat
Keluarga) dan jahe termaksud di dalamnya
3. Apakah Dinas Pertanian pernah mendapat laporan atau keluhan dari petani
jahe mengenai penyakit yang menyerang tanaman jahe mereka?
Jawab : Sejauh ini jarang mendapat laporan. Karena kebanyakan dari mereka
lebih memilih mengatasinya sendiri.
4. Menurut pendataan yang di lakukan oleh Dinas Pertanian ini, seberapa

banyak minat masyarakat bertani jahe?
Jawab : Kalau untuk Tulang Bawang Barat sendiri sudah cukup banyak
masyarakat yang bertani jahe. Karena harga jual jahe yang lumayan tinggi
dibeberapa waktu terakhir ini. Meskipun bertani jahe bukan satu-satunya
usaha masyarakat itu sendiri, selain bertani jahe masyarakat Tulang Bawang
Barat juga banyak menanam Padi, Karet dan Singkong.
5. Penyakit apa yang sering menyerang tanaman jahe?

Jawab : Penyakit yang sering menyerang tanaman jahe itu biasanya Penyakit
Layu Bakteri dan Bercak Daun. Itu karena gejala-gejala yang menyarang
70
tanaman tersebut mudah dikenali hanya dengan melihat batang atau

pohonnya saja. Penyebaran penyakit tersebut juga lumayan cepat karena
beberapa faktor.
Mengetahui,
Kepala Bidang Tanaman Pangan
dan Hortikultura
SUTRISNO
NIP. 196311051987111002
71
HASIL PENGUMPULAN DATA DENGAN WAWANCARA

PADA DINAS PERTANIAN TULANG BAWANG BARAT
Narasumber
Nama : Wijil Windiarto
Alamat : Makarti, RK 3/ RW 12 Tumijajar, Tulang Bawang Barat
1. Mengapa anda memilih untuk bertani jahe?
Jawab : Karena harga jual jahe lumayan tinggi yaitu Rp.20.000 sampai
Rp.25.000/kilo. Itu untuk khusus jahe merah seperti yang saya tanaman.
2. Adakah kendala selama anda menjadi petani jahe?
Jawab : Ada, terkadang tanaman jahe terkena hama dan penyakit. Itu
faktor yang sangat merugikan khususnya buat saya pribadi. Karena kalau
sudah terkena penyakit maka saya susah mendapatkan bibit unggul untuk
bisa ditanam kembali. Dan pendapatan dari penjualan bisa menurun drastis.
3. Apakah anda paham dengan penyakit atau hama yang menyerang tanaman
jahe anda?
Jawab : Saya kurang paham.
4. Jadi selama ini kepada siapa anda berkonsultasi mengenai penyakit atau
hama yang menyerang tanaman jahe anda?
Jawab : Terkadang kepada pegawai di Dinas Pertanian, itupun kalau sedang
ada penyuluhan. Tapi saya merasa kurang puas karena mereka tidak fokus
membahas tentang tanaman jahe saja.

72
5. Bagaimana cara anda mengatasi penyakit atau hama yang menyerang
tanaman jahe anda?
Jawab : Ya dengan tindakan seadanya, kadang disemprot, kadang saya cabut
jika disemprot tidak berhasil. Soalnya jauh jika harus pergi ke Dinas
Pertanian kalau hanya untuk menanyakan penyakit jahe. Dan juga terlalu
rumit prosedurnya, jadi ya sudah ditangani sendiri saja.
Mengetahui,
Petani Jahe
Wijil Windiarto
73
1 Oktober 2017
Dengan Hormat,
Yang bertanda-tangan di bawah ini :
Nama : Sutrisno
Alamat : Dayasakti, RT.06 RW.02 Kec. Tumijajar, Kab. Tulang Bawang Barat
Dengan ini menerangkan bahwa :
Nama : Dita Mailia

Jenis kelamin : Perempuan
Jabatan : Mahasiswi ( Penelitian )
Alamat : Makarti, RK 3/ RW 12 Kec. Tumijajar, Kab. Tulang Bawang Barat
Adalah benar merupakan Mahasiswi ( Penelitian ) tentang penyakit tanaman jahe, di

Dinas Pertanian Kabupaten Tulang Bawang Barat. Adanya gejala penyakit tanaman jahe
yang saya (Pakar) pernah alami adalah sebagai berikut.
Gejala Penyakit Tanaman Jahe Persentase

Daun terlihat bintik-bintik berwarna kuning yang cukup banyak
(semakin lama akan meluas membentuk bercak lebar berwarna 50 %
coklat kekuningan)
Daun berlubang 43 %
Daun rusak karena banyak bagian yang berlubang 25 %
Daun bagian bawah menguning 20 %
Daun menjadi layu 13 %
Rimpang busuk 10 %
Batang keriput/mengkerut 10 %
Pada jaringan pembuluh terdapat garis-garis coklat 10 %

Bila tanaman dicabut, rimpang tidak segar (kering dan berwarna 8%
kehitam-hitaman)
Daun melipat 10 %
74
Tunas membusuk 4%
Tanaman jahe mati 17 %
Batang rebah (jatuh) 20 %

Bila tanaman dicabut, rimpang mengeluarkan lendir berwarna putih 5%
hingga kecoklatan
Batang bercabang 5%
Benjolan pada akar atau rimpang jahe 7%
Daun paling atas menguning dengan ujung daun seperti terbakar 20 %

Bila tanaman dicabut, rimpang berwarna coklat dengan adanya 5%
lubang
Demikian surat keterangan ini dibuat agar dapat dipergunakan dengan semestinya, Atas
perhatiannya saya ucapkan terimakasih.
Mengetahui,
Kepala Bidang Tanaman
Pangan dan Hortikultura
SUTRISNO
NIP. 196311051987111002
75
1 Oktober 2017
SURAT PERNYATAAN
Yang bertanda tangan di bawah ini :

Nama Lengkap : Sutrisno
Tempat / Tanggal Lahir : Cilacap, 5 November 1963
Jenis Kelamin : Laki-Laki
Alamat Dinas : Dinas Pertanian dan Perkebunan Tulang Bawang Barat
Dengan ini menyatakan sesungguhnya bahwa, dalam pengalaman yang saya lakukan
menangani tanaman Hortikultura, kususnya penyakit tanaman jahe. Dengan 4 jenis
penyakit yang sering terjadi di Dinas Pertanian Tulang Bawang Barat:
1. Layu Bakteri : 25 %
2. Busuk Rimpang : 15 %
3. Bercak Daun : 50%
4. Buncak Akar : 10%
Demikian surat pernyataan ini saya buat dengan sebenarnya tanpa ada unsur paksaan dari
pihak manapun.
Mengetahui,
Kepala Bidang Tanaman
Pangan dan Hortikultura
SUTRISNO
NIP.
196311051987111002
76
Lampiran 4
Tabel 4.8 Perbandingan Diagnosa Sistem Pakar dengan Pakar
Kode Pohon Penyakit Berdasarkan Penyakit Berdasarkan

Jahe Diagnosa Pakar Diagnosa Sistem
77

78

79
Lampiran 5
DOKUMENTASI PENELITIAN
Gambar 1 Tanaman jahe yang terserang penyakit Layu Bakteri
Gambar 2 Tanaman jahe yang terserang penyakit Busuk Rimpang

80
Gambar 3 Tanaman jahe yang terserang penyakit Bercak Daun
Gambar 4 Tanaman jahe yang terserang penyakit Buncak Akar

Sistem Pakar Tanaman Jahe

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Sistem Pakar Tanaman Jahe

Diunggah oleh

Hak Cipta:

Format Tersedia

SISTEM PAKAR PENDETEKSI PENYAKIT TANAMAN JAHE

MENGGUNAKAN METODE NAIVE BAYES CLASSIFIER

PROGRAM STUDI S1 INFORMATIKA

SISTEM PAKAR PENDETEKSI PENYAKIT TANAMAN JAHE

dipersiapkan dan disusun oleh

Sebagai salah satu syarat untuk memperoleh gelar

Yusra Fernando, S.Kom., M.Kom. Muhammad Bakri, M.T.

Skripsi ini telah diterima sebagai salah satu persyaratan

Fakultas Teknik dan Ilmu Komputer Program Studi S1 Informatika

Yeni Agus Nurhuda, S.Si., M.Cs. Dyah Ayu Megawaty, M.Kom.

Yang bertanda tangan dibawah ini:

Dengan ini menyatakan bahwa skripsi:

Demikian pernytaan ini dibuat dengan sebenar-benarnya.

Bandarlampung, 7 Oktober 2017

HALAMAN PERNYATAAN PERSETUJUAN PUBLIKASI SKRIPSI

Sebagai sivitas akademik Fakultas Teknik & Ilmu Komputer Universitas

Jenis karya : Skripsi

Demikian pernyataan ini saya buat dengan sebenarnya.

Dengan penuh ketulusan, penulis mendedikasikan Skripsi ini untuk:

1. Orang-orang yang paling istimewa dalam hidup ku, orang tua ku

Abi Ach.Suwandi.S dan Mama Hartati, yang telah memberikan

dukungan kalian selama masa belajar ku, terima kasih atas

kebaikan kalian. Kalian adalah yang terbaik dalam hidup ku.

Shevira juga yang terakhir adalah EXO (K-POP). Terima kasih

atas semangat, dukungan, cinta dan lagu-lagu kalian yang selalu

menemani ku saat menyelesaikan Skripsi.

3. Semua teman terbaik saya yang selalu bersama dalam

kebahagiaan dan kesedihan, yaitu: Ratna Sari, Dewi Siti

Solehah, Satria Destrian M, Vivi Oktaviani, Anggota HIMA

Informatika, Senior-senior yang selalu membantuku dan

4. Almamater ku tercinta Universitas Teknokrat Indonesia.

your habits will change your future”

“Mengejar Mimpi Setinggi Langit Hingga Dapat Menggapai Bintang”

Bandarlampung, 7 Oktober 2017

BAB 1 PENDAHULUAN .............................................................................. 1

BAB II LANDASAN TEORI ......................................................................... 6

BAB III METODE PENELITIAN ................................................................. 24

3.4.1 Pengguna ........................................................................... 29

BAB IV IMPLEMENTASI DAN PENGUJUAN ........................................... 40

BAB V PENUTUP .......................................................................................... 49

DAFTAR PUSTAKA ......................................................................................... 50

Tabel 2.1 Komposisi Nutrisi setiap 100g Rimpang Jahe ................................... 8

Gambar 2.1 Arsitektur Sistem Pakar ................................................................. 13

Lampiran 1 Biodata dan Wawancara ................................................................. 51

SISTEM PAKAR PENDETEKSI PENYAKIT TANAMAN JAHE

Berdasarkan data statistik Direktorat Jenderal Hortikultura Kementerian Pertanian

Kata Kunci : Sistem Pakar, Penyakit Jahe, Naive Bayes Classifier

THE EXPERT SYSTEM DISEASE DETECTION OF GINGER PLANTS

Based on statistical data from the Directorate General of Horticulture of the

Key words: Expert System, Ginger Disease, Naive Bayes Classifier

1.1 Latar Belakang

Jahe (Zingiber officinale Rosc) adalah tanaman herba tahunan yang

budidaya tanaman jahe bisa mencapai Rp 21 juta lebih/ha (Sarwani, 2008).

Beberapa khasiat jahe yang telah terbukti berdasarkan Kementerian

petani di Indonesia (Hartatik, 2015).

Berdasarkan data statistik Direktorat Jenderal Hortikultura Kementerian

Pertanian Indonesia, produksi jahe di Indonesia tahun 2008 sebesar 154.963.886

adalah serangan penyakit tanaman. Berbagai jenis penyakit ini biasanya

menyerang dan menimbulkan kerusakan pada akar, rimpang, pangkal batang,

batang, dan daun.

mendiagnosa dan memberikan informasi cara penanggulangan terhadap penyakit

Naive Bayesian Classifier merupakan sebuah metoda klasifikasi yang

berakar pada teorema bayes. Metode pengklasifikasian dengan menggunakan