Abstrak
Bawang merah merupakan tanaman yang masuk ke dalam komoditas ekspor yang sukses di Indonesia.
Bawang merah memiliki segudang kegunaan, mulai dari bumbu masakan hingga menjadi bahan obat.
Namun dibalik itu, selama masa tanamnya tumbuhan ini seringkali mengalami risiko gagal panen yang
disebabkan oleh hama dan penyakit tanaman bawang merah. Selain itu, masih kurangnya pemahaman
para petani dalam mengendalikan hama dan penyakit ini menyebabkan kerugian yang tidak bisa
terelakkan. Salah satu cara untuk mengatasi permasalahan ini adalah membangun sistem yang dapat
mendiagnosis hama dan penyakit tanaman bawang merah yaitu sistem pakar. Sistem pakar yang dibagun
untuk mendiagnosis hama dan penyakit tanaman bawang merah pada penelitian ini menggunakan
metode Neighbors Weighted K-Nearest Neighbors (NWKNN) dengan parameter k bernilai 2 dan e
bernilai 4 menghasilkan akurasi sebesar 100%.
Kata kunci: neighbors weighted k-nearest neighbors (NWKNN), bawang merah, sistem pakar
Abstract
Red onions is a a plant that is a successfull export commodity in Indonesia. Red onions have many
benefits, can be a seasoning cook to medical ingredients. Behind that, during the planting period these
plants often run the risk of crop failure caused by pests and diseases of red onions. In addition, there is
still a lack of understanding of farmers in controlling pests and diseases causing inevitable losses. One
way to overcome this problem is to build a system that can diagnose pests and diseases on red onions,
namely the expert system. The expert system that is built to diagnose pests and diseases on red onions
in this study using the Neighbors Weighted K-Nearest Neighbors (NWKNN) method with parameters k
=2 and e = 4 produces an accuracy of 100%.
Keywords: neighbors weighted k-nearest neighbors (NWKNN), red onions, expert system
Akan tetapi, bertani bawang merah memiliki baik dan lebih akurat, para peneliti terdorong
resiko tinggi. Produktivitas tanaman yang untuk terus menerus melakukan penelitian
rendah dan serangan hama maupun penyakit terkait hama dan penyakit tanaman bawang
berpengaruh tinggi pada proses penanaman merah.
bawang merah di luar musimnya. Terdapat suatu
kendala dimana sering terjadi gagal panen yang 2. LANDASAN KEPUSTAKAAN
diakibatkan oleh hama maupun penyakit 2.1. Bawang Merah
tanaman bawang merah. Bawang merah (Allium ascalonicum L)
Hal ini tentu saja mendatangkan kerugian merupakan tanaman musiman yaitu tanaman
bagi para petani bawang merah. Untuk yang tumbuh secara tahunan. Santoso (2008)
mencegah dan mengatasi permasalahan ini dapat berpendapat bahwa untuk menanam bawang
dilakukan dengan memberikan solusi dari merah baiknya pada daerah dataran rendah pada
seorang ahli terkait hama penyakit yang kisaran ketinggian 30 meter dpl (di atas
menyerang tanaman bawang merah milik petani. permukaan laut). Tanaman ini membutuhkan
Diharapkan nantinya, solusi yang diberikan oleh curah hujan tahunan yang dengan kisaran sekitar
pakar ini dapat membantu para petani untuk 1.000-2.000 mm per tahunnya dengan durasi 5
menghindari kerugian yang diakibatkan oleh sampai 7 bulan hujan dan 4 sampai 6 bulan
resiko gagal panen. kering. Kebutuhan suhu udara yaitu 25ºC hingga
Seperti yang telah diuraikan sebelumnya, 32ºC dengan kelembaban sedang dan asupan
dalam mengatasi permasalahan ini sinar matahari langsung yang memadai. Jenis
membutuhkan seorang ahli yang mampu tanah yang cocok untuk ditanami yaitu tanah
mendiagnosis jenis hama dan penyakit tanaman lempung berpasir/berdebu, memiliki tingkat
bawang merah sekaligus memberikan solusi asam (pH) sekitar 6 sampai 6,8.
berupa cara menanggulanginya. Oleh karenanya
diperlukan suatu alat bantu yang dapat 2.2. Hama dan Penyakit Tanaman Bawang
menyalurkan pengetahuan seorang ahli dalam Merah
mendiagnosis jenis hama maupun penyakit
tanaman bawang merah, yaitu sistem pakar. Alat Dalam proses penanamannya, tanaman
bantu yang menggunakan sistem pakar ini bawang merah sering kali mendapat gangguan
diharapkan dapat menjadi solusi bagi petani dari hama maupun penyakit, diantaranya:
dalam merawat tanaman bawang merah dan − hama ulat bawang
menghindari kerugian yang disebabkan oleh
− hama lalat pengorok daun
hama dan penyakit.
− penyakit moler atau layu fusarium
Seperti pada penelitian sebelumnya yang
diteliti oleh Mohamad Yusuf Arrahman, Nurul − penyakit trotol atau bercak ungu
Hidayat dan Sutrisno pada tahun 2018 dengan − penyakit antraknosa
mendiagnosa Hama Penyakit Tanaman Bawang − penyakit embun bulu
Merah menggunakan algoritme Modified K- − penyakit ngelumpruk
Nearest Neighbor (MKNN) menghasilkan − penyakit bercak daun serkospora
akurasi sebesar 83,33%. Disamping itu, terdapat
pula beberapa penelitian mengenai metode 2.2. Sistem Pakar
Neighbour Weighted K-Nearest Neighbour Sistem pakar adalah sistem yang bekerja
(NWKNN). Salah satunya yang berjudul seperti layaknya seorang ahli. Sistem memiliki
Identifikasi Penyakit Gagal Ginjal pengetahuan yang diperoleh dari seorang pakar
Menggunakan Metode Neighbour Weighted K- untuk menjadi basis pengetahuannya dalam
Nearest Neighbour (NWKNN) oleh Azizul menyelesaikan suatu permasalahan di bidang
Hanifah Hadi pada tahun 2018 dengan hasil tertentu. Pengetahuan ini tertanam pada sistem
akurasi sebesar 88%. Sehingga, meneruskan komputer dan digunakan oleh manusia untuk
penelitian sebelumnya dengan mengubah mencari solusi dari permasalahannya. Sehingga
algoritme klasifikasi diharapkan dapat peran seorang ahli dapat digantikan oleh
meningkatkan hasil akurasi bagi diagnosa hama komputer. Komponen-komponen sistem pakar
penyakit tanaman bawang merah. terdiri dari basis pengetahuan, basis data, mesin
Penggunaan metode yang baik tentunya inferensi dan antarmuka pengguna.
sangat berpengaruh dalam pembangunan sistem
pakar ini. Untuk mendapatkan hasil yang lebih
dan hama penyakit yang diderita tanaman 3.3. Proses Algoritme NWKNN
bawang merah.
2. 18 daftar gejala sebagai fitur, sebagai Mulai
berikut
3. 8 kelas hama penyakit yang diderita Gejala Hama Penyakit
tanaman bawang merah
4. Aturan diagnosis untuk hama penyakit i = 1; i = data uji
tanaman bawang merah
j = 1; j = data latih
3.2. Perancangan Sistem Pakar
Perancangan sistem adalah tahap Hitung Distance
pembuatan desain dari sistem yang dibangun
secara keseluruhan. Sehingga nantinya
j
perncangan ini akan memudahkan dalam
implementasi dan pengujian sistem. Model
perancangan yang digunakan yaitu sesuai Urutkan Distance
dengan pemodelan sistem pakar.
Hitung Weight
Tentukan Nilai K
Hitung Skor
Hitung Distance Diagnosis
Data i
Gejala Urutkan Distance
Saran
Hitung Weight
Urutkan Skor
Hitung Skor
Diagnosis
Input Proses Output
9. Perhitungan bobot dan skor berhenti setelah 10, sistem menghasilkan akurasi akurasi
variabel i telah terpenuhi terbaiknya yaitu akurasi 100%. Sedangkan bila
10. Mengurutkan skor dari yang terbesar menggunakan nilai k lebih dari itu akurasi yang
11. Mengambil kelas dengan skor terbesar didapatkan terlihat naik turun. Naik turunnya
sebagai hasil diagnosis akurasi dikarenakan semakin besar nilai k yang
digunakan maka semakin banyak data-data yang
4. PENGUJIAN DAN ANALISIS masuk menjadi tetangga. Selain itu, jumlah data
Bab ini menjelaskan hasil pengujian dan pada setiap kelas yang tidak seimbang juga
analisis dari keluaran yang diperoleh sistem berpengaruh karena kelas dengan jumlah data
pakar untuk diagnosis hama penyakit tanaman terbanyak akan mendominasi pada saat sistem
bawang merah menggunakan K-Fold Cross melakukan klasifikasi.
Validation untuk mengukur performasi Pengaruh Nilai K
algoritme Neighbors Weighted K-Nearest
Neighbors (NWKNN) serta menguji parameter 100
algoritme yaitu k (ketetanggaan) dan e 98
(eksponen).
96
4.1. Pengujian K-Fold Cross Validation 94
Tabel 1. Hasil Pengujian K-Fold Cross Validation 2 4 8 10 15 20 25 30 35 40
K K-Fold K-Fold K-Fold K-Fold
Nilai K
(tetangga) 1 2 3 4
2 97,5 100 100 100 Gambar 3. Grafik Pengaruh Parameter K
4 97,5 97,5 100 100
4.3. Pengujian Parameter E
8 97,5 97,5 100 100
10 97,5 97,5 100 100 Pengaruh Nilai E
15 97,5 97,5 95 97,5 100
20 97,5 97,5 95 95 99
98
25 97,5 97,5 97,5 97,5
97
30 97,5 97,5 97,5 97,5 2 4 8 16
35 97,5 95 95 90 Nilai E
40 100 97,5 95 87,5
Gambar 4. Pengaruh Parameter E
Pada Tabel 1. dari sejumlah pengujian yang Pada grafik yang tersaji pada Gambar 4.
dilakukan menggunakan parameter k yang dapat diketahui bahwa akurasi yang dihasilkan
berbeda untuk K-fold ke-1 sampai 4 terlihat cukup stabil. Bila menggunakan k
menghasilkan akurasi pada rentang yang bernilai 2, akurasi yang dihasilkan oleh sistem
cenderung stabil. Pada K-fold ke-3 dan ke-4 sebesar 97,5%. Sedangkan untuk e bernilai 4, 8
menghasilkan cukup banyak akurasi yang dan 10, sistem menghasilkan akurasi akurasi
mencapai 100%. Sehingga bisa dikatakan K- terbaiknya yaitu akurasi 100%. Sehingga nilai
Fold Cross Validation yang digunakan berfungsi parameter e yang berubah-ubah tidak terlalu
untuk mengukur kinerja atau keakuratan suatu berpengaruh pada hasil akurasi diagnosis hama
model berdasarkan dataset tertentu. penyakit tanaman bawang merah.
Pada grafik yang tersaji pada Gambar 3. Pengujian akurasi dilakukan untuk
dapat diketahui bahwa nilai parameter k yang mengukur seberapa besar sistem mampu
berubah-ubah dapat mempengaruhi hasil memberikan diagnosis yang sesuai dengan hasil
akurasi. Akurasi yang dihasilkan terlihat tidak aktualnya. Pengujian akurasi menggunakan data
stabil. Bila menggunakan k bernilai 2, 4, 8 dan latih dan data uji dari K-fold ke-3 serta parameter
5. KESIMPULAN
Berdasarkan hasil yang telah diperoleh,,
maka diperoleh kesimpulan yaitu: nilai
parameter k (ketetanggaan) dan e (eksponen)
yang optimal adalah sebesar 2 dan 4 untuk
diagnosis hama dan penyakit tanaman bawang
merah menggunakan metode Neighbors
Weighted K-Nearest Neighbors (NWKNN).
Sedangkan akurasi yang dihasilkan sistem untuk
mendiagnosis hama dan penyakit tanaman
bawang merah menggunakan metode Neighbors
Weighted K-Nearest Neighbors (NWKNN)
dengan parameter k dan e yang optimal adalah
sebesar 100%.
6. DAFTAR PUSTAKA
Arrahman, M. Yusuf, Hidayat, N. & Sutrisno,
2018. Diagnosa Hama Penyakit Tanaman
Bawang Merah Menggunakan Algoritma
Modified K-Nearest Neighbor (MKNN).
S1. Universitas Brawijaya.
Fadila, P. N., Indriati & Ratnawati, D. E., 2016.
Identifikasi Jenis Attention Deficit
Hyperactivity Disorder (ADHD) Pada
Anak Usia Dini Menggunakan Metode
Neighbor Weighted K-Nearest Neighbor
(NWKNN). S1. Universitas Brawijaya.
Feizar, Faldy H., 2014. Analisis Sentimen Opini
Film Berbahasa Indonesia Berbasis
Kamus Menggunakan Metode Neighbor-
Weighted K-Nearest Neighbor. S1.
Universitas Brawijaya.
Hadi, Azizul Hanifah, 2018. Identifikasi
Penyakit Gagal Ginjal Menggunakan
Metode Neighbour Weighted K-Nearest
Neighbour (NWKNN). S1. Universitas
Brawijaya.
Ristandi, R., Hidayat, N. & Fauzi, M. A., 2016.
Pemodelan Sistem Pakar Diagnosa Hama
- Penyakit Pada Tanaman Bawang Merah
Menggunakan Metode Naïve Bayes. S1.
Universitas Brawijaya.
Tan, Songbo. 2005. Neighbor-weighted K-
nearest neighbor for unbalanced text
corpus. Elsavier Inc.