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
DITA MAILIA
13312361
Pembimbing, Penguji,
LEMBAR PERNYATAAN
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.
Dita Mailia
13312361
4
Dibuat di : Bandarlampung
Pada tanggal : 7 Oktober 2017
Yang menyatakan,
Dita Mailia
13312361
5
DEDICATION
2. Kakak dan adik-adik ku, Wanti Yulia, S.Pd., Gea Yosita dan
semuanya.
MOTTO
“You can not change your future but you can change your habits, and surely
(Marcopolo)
(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.
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
DAFTAR TABEL
Halaman
DAFTAR GAMBAR
Halaman
Daftar Lampiran
Halaman
INTISARI
Oleh :
DITA MAILIA
13312361
ABSTRAK
By :
DITA MAILIA
13312361
BAB I
PENDAHULUAN
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
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
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
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
tanaman jahe.
utama dari Naive Bayes Classifier ini adalah asumsi yang sangat kuat (naif) akan
independensi dari masing-masing kondisi atau kejadian. Naive Bayes untuk setiap
Metode Naive Bayes Classifier” sebagai upaya untuk dalam mendeteksi penyakit
tanaman jahe.
Agar pembahasan dalam laporan tugas akhir ini dapat lebih terarah maka
1.4 Tujuan
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
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
Pada saat ini tanaman rempah dan obat-obatan yang sering atau yang
lapangan kerja baru dan menjadi support untuk mendukung kesehatan masyarakat
itu sendiri.
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
tanaman jahe yang masih tergolong satu keluarga temu-temuan antara lain,
Zingiber (jahe dan kerabatnya), menurut para ahli terdapat 1.400 spesies, yang
hidup di daerah beriklim tropis dan subtropis, dan di wilayah Asia Tenggara
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)
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%.
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
Manfaat dari jahe diproleh karena adanya kandungan minyak astiri pada
rimpang jahe. Minyak astiri adalah sejenis minya yang mudah menguap, yang
(Infoagribisnis, 2017).
Senyawa lainnya yang membuat rimpang jahe berasa pedas dan agak pahit
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
Direktorat Gizi, Depkes RI tahun 1961 dapat dilihat pada tabel 2.1.
penyebabnya ialah serangan penyakit tanaman jahe. Dibawah ini merupakan tabel
pertengahan tahun 1960. Sistem pakar yang muncul pertama kali adalah General
Purpose Problem Solver (GPS) yang dikembangkan oleh Newel dan Simon
(Turban, 2005)
pakar. Sistem pakar dibuat pada wilayah pengetahuan tertentu dan untuk suatu
yang dilakukan seorang pakar dan dapat memberikan penjelasan terhadap langkah
yang diambil serta memberikan alasan atas kesimpulan yang diambil. Dalam
(inference rules) dengan basis pengetahuan tertentu yang diberikan oleh satu atau
Konsep dasar dari sistem pakar yaitu meliputi keahlian (expertise), ahli
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
Ahli (experts) adalah seorang yang memiliki keahlian tentang suatu hal
ditetapkan dengan beberapa cara yang berubah- ubah dan merubahnya kedalam
bentuk yang dapat dipergunakan oleh dirinya sendiri dengan cepat dan cara
saja yang diperlukan dan menentukan apakah keahlian mereka relevan atau saling
berhubungan.
(transfering expertise) dari seorang ahli atau sumber keahlian yang lain ke dalam
tidak ahli (bukan pakar). Proses ini meliputi empat aktivitas yaitu:
dipisahkan setelah sistem lengkap. Gambar Struktur Sistem Pakar pada penelitian
Pemakai
(User)
Fakta kejadian
tertentu Basis Pengetahuan:
Fakta dan Aturan
Antarmuka Fasilitas
(Interface) Penjelasan
Knowledge
Engineer
Akuisisi
Pengetahuan
Perbaikan
Workplace
Pengetahuan
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
menangkap sifat-sifat penting problema dan membuat informasi itu dapat diakses
Banyak manfaat yang dapat diambil dengan adanya sistem pakar, antara
lain:
5. Meningkatkan kualitas.
9. Memiliki reliabilitas.
11. Memiliki kemampuan untuk bekerja dengan informasi yang tidak lengkap
dan mengandung ketidakpastian.
3. Sulit dikembangkan, hal ini tentu saja erat kaitannya dengan ketersediaan
pakar di bidangnya.
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
berikut :
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
bahwa peluang masuknya sampel dengan fitur (gejala) tertentu dalam kelas V
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 :
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
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
Dimana :
TP rate = x 100%
FP rate = x 100%
Precision =
Recall =
d. Accuracy
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
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
konsep konsep yang ingin diamati atau diukur melalui penelitian yang akan
Problem
Banyaknya petani jahe yang kurang paham terhadap
penyakit tanaman jahe
Approach
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
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)
terbagi dari beberapa sub menu bagian. Tahapan penelitian dapat dilihat pada
Identification
Problem
Kajian Literatur : Identifikasi :
Pengumpulan Data :
- Buku - Definisi Masalah
- Study Literature
- Jurnal - Lingkup Penelitian
Tahap 2 : Analisis
Identifikasi penyakit tanaman jahe
Tahap 4 : Evaluasi
Evaluation
Tahap 5 : Penutup
Reflection And
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.
observasi, wawancara dan dokumentasi serta mencari sumber data dari Petani dan
a. Data Mentah
Data di dapat dari petani dan pakar jahe yaitu, data gejala, penyakit,
b. Analisis Data
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
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
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
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)
aplikasi sistem pakar untuk mendeteksi penyakit tanaman jahe. Penulis membuat
Start
Mulai Deteksi
Registrasi dan
Pilih Gejala
Proses Simpan
Registrasi dan
Gejala
Perhitungan Naïve
Bayes Classifier
Hasil Deteksi
Penyakit
End
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
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
m= 18
nc (G004) = 2 nc (G007) = 2
nc (G005) = 2 nc (G010) = 0
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
= 0.00163
2. Penyakit Tanaman Jahe ke - 2 = Busuk Rimpang
= 0.00058
3. Penyakit Tanaman Jahe ke - 3 = Bercak Daun
= 0.00001
4. Penyakit Tanaman Jahe ke - 4 = Buncak Akar
= 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.
menggunakan sistem pakar ini. Sistem pakar ini memiliki dua pilihan menu
a. Halaman Index
Menu index adalah halaman awal program. Pada halaman ini terdapat
menu Home, Deteksi, Help dan Login.
51
b. 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
c. Halaman Administrator
Hardware adalah salah satu komponen dari sebuah komputer yang sifat
alatnya dan dilihat oleh manusia secara manusia secara langsung atau berbentuk
BAB IV
IMPLEMENTASI DAN PENGUJIAN
4.1 Implementasi
sebuah rancangan yang telah disusun secara terperinci. Berikut ini merupakan
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.
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
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
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
Berikut ini source code atau script yang diterapkan pada program yang
dibuat menggunakan algoritma naive bayes classifier, kode logika ini berisi rumus
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
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
Maka diketahui nilai akurasi data pada naive bayes dalam perhitungan
confusion matrix yakni 87.5%. Dengan 100 record dengan percentage split 60:40
memiliki nilai 6 untuk P002, klasifikasi c yang memiliki nilai 14 untuk P003, dan
Data testing untuk menguji tabel probabilitas yang sudah terbentuk. Hasil
menghitung nilai precision, recall, dan accurasy dari hasil pengujian. Berikut
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%
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)
Hasil uji coba sistem pakar dibandingkan dengan hasil diagnosis dari pakar
(human expert) ditunjukan pada tabel 4.8 yang dapat dililhat lebih lengkap pada
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
BAB V
PENUTUP
5.1 Kesimpulan
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
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.
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.
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.
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.
Purnamasari, D., Henharta, J., Sasmita, Y.P., Ihsani, F., Wicaksana, I.W.S. 2013.
Get Easy Using Weka. Jakarta Timur: Dapur Buku.
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.
Turban, Efraim. 2005. Decision Support System and Expert System. Prentice Hall
International, New Jersey.
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
Barat
NIP : 196311051987111002
Barat
Narasumber
Nama : SUTRISNO
Jabatan : Kepala Bidang Tanaman Pangan dan Hortikultura
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.
Mengetahui,
Kepala Bidang Tanaman Pangan
dan Hortikultura
SUTRISNO
NIP. 196311051987111002
71
Narasumber
Nama : Wijil Windiarto
Alamat : Makarti, RK 3/ RW 12 Tumijajar, Tulang Bawang Barat
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.
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?
4. Jadi selama ini kepada siapa anda berkonsultasi mengenai penyakit atau
ada penyuluhan. Tapi saya merasa kurang puas karena mereka tidak fokus
jika disemprot tidak berhasil. Soalnya jauh jika harus pergi ke Dinas
Pertanian kalau hanya untuk menanyakan penyakit jahe. Dan juga terlalu
Mengetahui,
Petani Jahe
Wijil Windiarto
73
1 Oktober 2017
Dengan Hormat,
Nama : Sutrisno
Jabatan : Kepala Bidang Tanaman Pangan dan Hortikultura
Alamat : Dayasakti, RT.06 RW.02 Kec. Tumijajar, Kab. Tulang Bawang Barat
Rimpang busuk 10 %
Batang keriput/mengkerut 10 %
Tunas membusuk 4%
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
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
Lampiran 5
DOKUMENTASI PENELITIAN