See discussions, stats, and author profiles for this publication at: https://www.researchgate.

net/publication/324561891

Pemodelan Sistem Pakar Diagnosa Hama-Penyakit pada Tanaman Bawang

Merah Menggunakan Metode Naïve Bayes

Article · January 2016

CITATIONS READS

0 1,573

3 authors, including:

Muhammad Ali Fauzi

Brawijaya University
105 PUBLICATIONS   292 CITATIONS   

SEE PROFILE

Some of the authors of this publication are also working on these related projects:

Optimasi Sisa Bahan Baku Pada Industri Mebel Menggunakan Algoritma Genetika View project

Twitter Sentiment Analysis View project

All content following this page was uploaded by Muhammad Ali Fauzi on 17 April 2018.

The user has requested enhancement of the downloaded file.

 Pemodelan Sistem Pakar Diagnosa Hama - Penyakit pada Tanaman Bawang Merah
Menggunakan Metode Naïve Bayes
Rizki Ristandi1), Nurul Hidayat, S.Pd., M.Sc. 2), M. Ali Fauzi, S.Kom., M.Kom. 3)
123
Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya
Jl. Veteran No. 8 Malang 65145, Indonesia
Email : rizkiristandi[at]gmail.com1), ntayadih[at]ub.ac.id2), moch.ali.fauzi[at]ub.ac.id3)

ABSTRAK
Sebagai salah satu tanaman komoditas unggulan, bawang merah dapat dijadikan bumbu penyedap masakan
dan obat. Kondisi tanah yang subur diberbagai daerah menjadi faktor pendukung untuk membudidayakan tanaman
bawang merah. Semakin luasnya lahan pertanian sangat mempengaruhi tingkat produksi bawang merah, tetapi
semakin besar juga kemungkinan terserang hama dan penyakit. Masih kurangnya pengetahuan petani serta
keterbatasan jumlah pakar seringkali mengakibatkan serangan tersebut tidak segera diatasi. Salah satu cara untuk dapat
membantu petani mendiagnosa dengan cara cepat dan tepat adalah sistem pakar. Sistem pakar untuk diagnosa hama -
penyakit pada bawang merah ini menggunakan metode Naïve Bayes. Hasil pengujian akurasi pada pemodelan sistem
pakar diagnosa hama - penyakit pada tanaman bawang merah sebesar 93,54%.

Kata kunci : Naïve Bayes, Bawang Merah, Sistem Pakar

ABSTRACT

As one of the leading commodity crops, onions can be used as food seasonings and medicine. Fertile soil
conditions in various regions be a contributing factor for growing onions. Extensive areas of agricultural land are
affecting levels of onion production, but the greater the susceptibility to pests and diseases. There is still a lack of
knowledge of farmers and the limited number of experts can often result in the attack was not immediately overcome.
One way to help farmers diagnose fast and precise manner is an expert system. An expert system for diagnosis of pests
- diseases of the onion is using Naïve Bayes. The result of the accuracy testing on modeling expert system diagnosis
pests - diseases on onion crop amounted to 93,54%.

Keywords: Naïve Bayes,Red Onion, Expert System

1. PENDAHULUAN segera diatasi. Keterbatasan penyuluh dan pakar yang

1.1 Latar Belakang
Sebagai salah satu tanaman komoditas unggulan,
bawang merah sering digunakan sebagai bumbu
pelengkap untuk masakan. Memiliki kandungan yang
bermanfaat untuk kesehatan seperti anti kanker dan
pengganti antibiotic, penurunan tekanan darah,
mengandung kalsium, fosfor, zat besi, karbohidrat,
vitamin seperti A dan C [SAH-08]. Semakin
banyaknya luas lahan pertanian yang ada di Indonesia
dapat mempengaruhi tingkat produksi bawang merah,
tetapi semakin besar juga kemungkinan terserang
hama dan penyakit yang dapat megurangi kualitas
tanaman tersebut. Pada produksi bawang merah di
Indonesia tahun 2010 menghasilkan 1,048,934 ton
sedangkan tahun 2011 terjadi penurunan menjadi
893,124 ton, sedangkan tahun 2012 mengalami
peningkatan hasil panen sebesar 964,221 tetapi belum
mencapai hasil yang maksimal seperti pada tahun
2010[BPS-14]. Menurunnya tingkat produksi dapat
disebabkan dari serangan hama maupun penyakit,
serta kurangnya pengetahuan para petani
mengakibatkan permasalahan masih belum dapat
ada pada setiap daerah penghasil bawang merah
menjadi permasalahan yang lebih serius. Meskipun
sering diadakan penyuluhan untuk membantu petani
dalam memberikan pengetahuan lebih dalam, masih
belum dapat mengurangi tingkat kerugian yang
menyerang tanaman mereka. Oleh karena itu, dibuat
sistem pakar untuk mempermudah para petani dalam
mengatasi permasalahan tersebut dengan tepat.
Dalam hal ini sebuah sistem pakar dibuat sebagai
sarana untuk melakukan konsultasi, pembelajaran,
serta dapat dijadikan sebagai alat bantu seorang pakar.
Sistem Pakar merupakan bagian dari kecerdasan
buatan yang mengandung pengetahuan dan
pengalaman pakar yang dimasukkan ke dalam satu
area pengetahuan tertentu untuk memecahkan
berbagai masalah yang bersifat spesifik [PRI-11].
Dengan adanya sistem pakar untuk menyelesaikan
permasalahan rumit yang biasanya diselesaikan oleh
ahli atau pakar dapat dilakukan oleh orang awan
secara mudah.
Pada penelitian sebelumnya yang berjudul
“Sistem Pakar Diagnosa Penyakit Pada Sapi Potong

1
Dengan Metode Naïve Bayes (studi kaus pos keswan
Nganjuk)” yang dilakukan oleh Indriana Candra Dewi
yang digunakan untuk diagnosa penyakit sapi potong.
Output dari sistem pakar adalah hasil diagnosa
penyakit dan penanganan terhadapan penyakit
tersebut. Mengambil 5 skenario pengujian akurasi
terhadap variasi data menghasilkan rata – rata akurasi
pada tiap skenario sebesar 93,08%, 93,85%, 93,85%,
92,31% dan 92,31%. Rata – rata hasil dari 5 skenario
pengujian akurasi yang telah dilakukan adalah
93,08%. Tingkat akurasi tertinggi didapat ketika
variasi data training berjumlah 40% dan 60%. Proses
diagnosa penyakit sapi potong dilakukan dengan
memasukkan gejala klinis yang muncul pada ternak.
Metode Naive Bayes digunakan untuk mendapatkan
nilai probabilitas dari setiap jenis penyakit. Jenis
penyakit yang memiliki nilai probabilitas tertinggi
menjadi hasil diagnosa sistem pakar [DEW-15].
Pada penelitian sebelumnya dengan judul “Sistem
Pakar Untuk Mendiagnosa Hama dan Penyakit
Tanaman Bawang Merah Menggunakan Certainty
Factor” yang dilakukan oleh Tuswanto dan Abdul
Fadlil membuat sistem yang dapat membantu dalam
mengambil keputusan dengan memberikan solusi
yang tepat dengan jumlah 6 hama dan 16 penyakit
yang sudah di verifikasi ahli pakar. Output yang
dihasilkan berupa nama hama dan penyakit, gejala,
penyebab, nilai kepastian, dan solusi [TUS-13].
Berdasarkan penelitian yang sudah dilakukan
sebelumnya maka dibangun sebuah aplikasi
pemodelan sistem pakar berbasis web untuk
melakukan diagnosa hama - penyakit pada tanaman
bawang merah dengan metode naïve bayes. Pemilihan
metode ini karena fitur-fitur pada Naïve Bayes dapat
bekerja secara independen [PRA-12]. Aplikasi sistem
pakar ini melakukan proses kombinasi antara inputan
dari gejala hama dan penyakit bawang merah,
kemudian melakukan penalaran berdasarkan
pengetahuan pakar serta diterapkan algoritma naïve
bayes. Hasil yang muncul berupa diagnosa dan saran
untuk penanganan gejala hama - penyakit tanaman
bawang merah. Diharapkan dapat memberikan
informasi yang bermanfaat untuk memudahkan proses
diagnosa.
1.2 Rumusah Masalah
Berdasarkan latar belakang, dapat dirumuskan
masalah sebagai berikut :
1. Bagaimana merancang pemodelan sistem pakar
untuk diagnosa hama - penyakit pada tanaman
bawang merah menggunakan metode Naïve
Bayes.
2. Bagaimana hasil pengujian dalam sistem pakar
diagnosa hama - penyakit tanaman bawang
merah dengan metode Naïve Bayes.
2
1.3 Tujuan
Adapun tujuan yang diharapkan oleh penulis
dalam penelitian, antara lain :
1. Merancang pemodelan sistem pakar untuk
diagnosa hama - penyakit pada tanaman bawang
merah menggunakan metode Naïve Bayes.
2. Menguji pemodelan sistem pakar diagnosa hama
- penyakit tanaman bawang merah menggunakan
metode Naïve Bayes.
1.4 Manfaat
Berdasarkan penjelasan yang telah dipaparkan,
maka manfaat yang diharapkan dari penelitian ini
antara lain :
1. Memberikan waktu yang lebih efisien dalam
mendiagnosa hama - penyakit tanaman bawang
merah dibandingkan dengan cara manual.
2. Dapat membantu petani dalam mendiagnosa
hama – penyakit berdasarkan gejala yang
menyerang tanaman bawang merah secara tepat
serta memberikan solusi penanggulangan.
1.5 Batasan Masalah
Untuk merumuskan permasalahan yang lebih
terfokus dan tidak meluas maka dibuat batasan-
batasan yang ditentukan pada penelitian ini yaitu :
1. Data – data penelitian hama - penyakit yang
digunakan dari pakar tanaman bawang merah di
Balai Pengkajian Teknologi Pertanian (BPTP) Jl.
Raya Karangploso KM.4 Malang 65152 Jawa
Timur.
2. Data yang digunakan pada penelitian ini berasal
dai observasi lapangan, buku, dan wawancara
dengan pakar tanaman bawang merah.
3. Input data pada sistem ini adalah 8 jenis hama –
penyakit dan 18 gejala yang menyerang tanaman
bawang merah, diantaranya : Hama Ulat Bawang,
Lalat Pengorok Daun, Penyakit Moler atau Layu
Fusarium, Penyakit Trotol atau Bercak Ungu,
Penyakit Otomatis atau Antraknosa, Embun Bulu,
Penyakit Ngelumpruk, dan Penyakit Bercak Daun
Serkospora
4. Output yang dihasilkan adalah hasil diagnosa hama
– penyakit pada tanaman bawang merah dan saran
pengendalian.
5. Bahasa pemrograman yang digunakan adalah PHP
dengan database MySQL.
6. Pengujian yang digunakan pada sistem meliputi
pengujian Blackbox dan pengujian tingkat akurasi.
2. TINJAUAN PUSTAKA
2.1 Bawang Merah
Bawang merah (Allium cepa var ascalonicum (L)
Back) merupakan sejenis tanaman yang menjadi
bumbu berbagai masakan di dunia, berasal dari Iran,
Pakistan. Umbi bawang dapat dimakan mentah, untuk
bumbu masak, acar, obat tradisional, kulit umbinya
dapat dijadikan zat pewarna dan daunnya dapat pula
digunakan untuk campuran sayur.
2.1.1 Hama Bawang Merah
1. Hama Ulat Bawang (Spodoptera Exigua)
Penyebab : Ulat Bawang (S. Exgua), gejala:
- Ulat Spodoptera exigua berukuran panjang sampai
+25 mm, berwarna hijau atau coklat dengan garis
tengah berwarna kuning.
- Daging daun habis dan menjadi transparan.
- Ulat menyerang tanaman dengan memakan daun
bagian dalam. Hama Ulat Bawang (Spodoptera
Exigua) dengan gejala daun habis termakan.
2. Hama Lalat Pengorok Daun (Liriomyza Chinesis)
Penyebab : Liriomyza Chinesis, gejala:
- Gejala serangan berat mulai pada umur 15 HST
hingga menjelang panen.
- Daun berwarna coklat seperti terbakar dan masuk
ke dalam umbi bawang.
- Hampir seluruh helaian daun penuh kerokan.
2.1.2 Penyakit Bawang Merah
1. Penyakit Trotol atau Bercak Ungu (Alternaria
Porri), gejala:
- Ujung daun mongering bahkan mudah patah.
- Gejala serangan pada daun timbul bercak
berukuran kecil, berwarna putih dengan pusat
berwarna ungu.
2. Penyakit Otomatis atau penyakit Antraknosa
(Antraknose),gejala:
- Terbentuk Lekukan ke dalam, berlubang dan
patah.
- Serangan awal ditandai dengan terlihatnya bercak
berwarna putih pada daun.
- Tanaman akan mati dengan cepat dan mendadak
3. Penyakit Moler atau Layu Fusarium (Twisting
Disease) , gejala:
- Daun bawang merah menguning dan terpelintir
layu(moler).
- Tanaman mudah tercabut karena pertumbuhan
akar terganggu dan membusuk.
- Apabila umbi lapis dipotong membujur akan
terlihat adanya pembusukan berawal dari dasar
umbi meluas ke atas dank ke samping.
- Tanaman kurus kekuningan dan membusuk bagian
pangkal.
3
4. Penyakit Embun Bulu atau Tepung Palsu (Downy
Mildew), gejala :
- Terbentuk spora yang sangat banyak yang terlihat
sepertu bulu-bulu pada umbi.
- Pertumbuhan tanaman terhambat.
- Daun berwarna hijau pucat.
5. Penyakit Bercak Daun Serkospora (Cercospora
Leaf Spot), gejala :
- Daun tampak belang-belang.
- Bercak berbentuk bulat berwarna kuning pucat.
- Serangan lebih lanjut menyebabkan bercak
berwarna cokelat.
2.2 Teori Naive Bayes
Naïve Bayes merupakan pengklasifikasian
dengan metode probabilitas dan statistik yang
ditemukan oleh ilmuwan Inggris Thomas Bayes, yaitu
memprediksi peluang di masa depan berdasarkan
pengalaman dimasa sebelumnya sehingga dikenal
sebagai Teorema Bayes. Teorema tersebut
dikombinasikan dengan Naive dimana diasumsikan
kondisi antar atribut saling bebas (independensi).
Klasifikasi Naïve Bayes diasumsikan bahwa ada atau
tidak ciri tertentu dari sebuah kelas tidak ada
hubungannya dengan ciri dari kelas lainnya [BUS-13].
Formula umum yang digunakan dalam teorema
Bayes dengan rumus persamaan 2.1.
𝑃(𝐸 |𝐻 )𝑃(𝐻)
𝑃(𝐻 |𝐸) = (2.1)
𝑃(𝐸)
Keterangan :
E : Data dengan class yang belum diketahui
H : Hipotesis data E merupakan suatu class
spesifik
P(H) : Probabilitas awal (prior) kejadian H terjadi
tanpa memandang evidence apapun
P(E) : Probabilitas awal (prior) evidence E terjadi
memandang kejadian/evidience yang lain
P(E|H) : Probabilitas suatu evidience E terjadi
berdasar kondisi pada hipotesis H
P(H|E) : Probabilitas posterior bersyarat suatu
kejadian H terjadi jika diberikan
evidience/bukti E terjadi.
Untuk menjelaskan teorema Naïve Bayes, perlu
diketahui bahwa proses klasifikasi memerlukan
sejumlah petunjuk untuk menentukan kelas apa yang
cocok bagi sampel yang dianalisis tersebut. Oleh
karena itu, teorema bayes didalam klasifikasi
dinyatakan pada persamaan 2.2.
𝑃(𝐶)𝑃(𝐹1 . … 𝐹𝑛 |𝐶 )
𝑃(𝐶 |𝐹1 … 𝐹𝑛 ) = (2.2)
𝑃(𝐹1 ….𝐹𝑛 )
Dimana Variabel C merepresentasikan kelas,
sementara variabel F1 ... Fn merepresentasikan
karakteristik petunjuk yang dibutuhkan untuk
melakukan klasifikasi. Maka rumus tersebut
menjelaskan bahwa peluang masuknya sampel
karakteristik tertentu dalam kelas C (Posterior) adalah
peluang munculnya kelas C (sebelum masuknya
sampel tersebut, seringkali disebut prior), dikali
dengan peluang kemunculan karakteristik
karakteristik sampel pada kelas C (disebut juga
likelihood), dibagi dengan peluang kemunculan
karakteristik karakteristik sampel secara global (
disebut juga evidence). Oleh karena itu, rumus tersebut
dapat pula ditulis secara sederhana sebagai persamaan
2.3.
𝑃𝑟𝑖𝑜𝑟 𝑥 𝑙𝑖𝑘𝑒𝑙𝑖ℎ𝑜𝑜𝑑
𝑃𝑜𝑠𝑡𝑒𝑟𝑖𝑜𝑟 = (2.3)
𝑒𝑣𝑖𝑑𝑒𝑛𝑐𝑒
Naive Bayes Classifier atau bisa juga disebut
sebagai Multinomial Naive Bayes merupakan model
dari penyederhanaan Bayes [ANP-10]. Algoritma
Naive Bayes berasumsi bahwa efek suatu nilai variabel
disebuah kelas yang ditentukan adalah tidak terkait
pada nilai-nilai variabel lain [WTS-12].
3.1 Pengumpulan Data
Lokasi penelitian skripsi ini adalah di Balai
Pengkajian Teknologi Pertanian (BPTP) Jl. Raya
Karangploso KM.4 Malang 65152, Jawa Timur. Objek
atau variabel penelitian pada skripsi ini adalah hama
atau penyakit apa yang menyerang tanaman bawang
merah dan bagaimana memberikan solusi berdasarkan
hasil perhitungan nilai probabilitas gejala tiap hama
atau penyakit menggunakan metode Teori Naïve
Bayes. Analisia Kebutuhan
Analisia kebutuhan merupakan tahapan
metodologi penelitian yang dilakukan untuk
menentukan dan mengetahui kebutuhan-kebutuhan
yang diperlukan dalam pembuatan sistem pakar
diagnosa penyakit kulit pada anak.
4. PERANCANGAN
4.1 Perancangan Perangkat Lunak
4.1.1 Diagram Perancangan

3. METODOLOGI PENELITIAN
Pada bab ini berisi metode penelitian dan
Identifikasi Aktor
perancangan sistem yang akan dibangun pada
penelitian ini. Metode penelitian mencakup langkah- Analisa Kebutuhan Analisa Kebutuhan Masukan
langkah yang akan dilakukan dalam melakukan Perangkat Lunak
penelitian, sedangkan perancangan merupakan Analisa Kebutuhan Proses

analisis kebutuhan sistem. Metode penelitian yang Analisa Kebutuhan Keluaran

dilakukan dalam penelitian ini terdiri dari studi
literatur, pengumpulan data, analisa dan perancangan
sistem, implementasi sistem, pengujian sistem dan Perancangan Entity Relationship Diagram
Perancangan SIstem
pengambilan keputusan. Metode penelitian yang Perangkat Lunak
Data Flow Diagram
digunakan ditunjukkan pada Gambar 1.

Studi Literatur
Akusisi Pengetahuan

Pengumpulan Data Basis Pengetahuan

Perancangan
Sistem Pakar
Mesin Inferensi
Preproses Data

Fasilitas Penjelas

Analisa Kebutuhan
Blackboard

Implementasi Sistem Antarmuka

Pengujian Sistem
Gambar 4.1 Diagram Perancangan

Pengambilan Kesimpulan

Gambar 3.1 Tahapan-tahapan penelitian

4
4.1.2 Rancangan Algoritma  Bercak daun berwarna putih (G1)
 Daun mudah patah (G4)
Mulai
 Umbi membusuk (G8)
Dengan menganalisa gejala-gejala yang diberikan oleh
Masukkan
fakta gejala
Pengurutan nilai Posterior pengguna, maka dapat dilakukan perhitungan dengan
menggunakan metode Naïve Bayes seperti berikut.
Hasil diagnosa 1. Langkah Pertama
Integer : gejala, i, HP, j, GHP, k hama penyakit
Array : Prior, Likelihood, Posterior, Menghitung nilai prior berdasarkan gejala yang
Totallikelihood, data latih
diinputkan. Perhitungan dengan membagi jumlah
Hasil
diagnosa masing-masing hama-penyakit dengan jumlah
I 1 to HP keseluruhan data yang ada pada data latih. Berikut ini
Selesai
adalah contoh perhitungan prior:
Prior = Total HP / Total data latih
P(HP1) = jumlah hama-penyakit HP1/ keseluruhan
data
= 28/160
i
= 0.175
P(HP2) = jumlah hama-penyakit HP2 / keseluruhan
j 1 to GHP data
= 30/160
Likelihood = Total GHPi / Total HPi
= 0.1875
P(HP3) = jumlah hama-penyakit HP3/ keseluruhan
data
j
= 17/160
= 0.10625
k 1 to HP
P(HP4) = jumlah hama-penyakit HP4/ keseluruhan
data
j 1 to GHP
= 26/160
= 0.1625
Totallikelihood = Likelihood j / Totallikelihood
P(HP5) = jumlah hama-penyakit HP5 / keseluruhan
data
j
= 11/160
= 0.06875
Posterior = Totallikelihood * Prior
P(HP6) = jumlah hama-penyakit HP6 / keseluruhan
data
= 15/160
k = 0.09375
P(HP7) = jumlah hama-penyakit HP6 / keseluruhan
data
= 19/160
= 0.11875
Gambar 4.2 Rancangan Algoritma P(HP8) = jumlah hama-penyakit HP6 / keseluruhan
4.2 Perancangan Sistem Pakar data
= 14/160
4.2.1 Akusisi Pengetahuan
= 0.0875
Akuisisi pengetahuan adalah akumulasi, transfer,
Berdasarkan perhitungan prior hama – penyakit
transformasi suatu keahlian dalam menyelesaikan yang telah dilakukan, maka hasil perhitungan prior
permasalahan dari sumber pengetahuan atau pakar ke akan ditunjukkan dalam bentuk tabel.
dalam komputer dan meletakkannya ke dalam basis Tabel 1 Nilai Prior
pengetahuan dengan format tertentu. Pengetahuan
tidak hanya berasal dari pakar, namun juga dapat No. P(Penyakit) Nilai Prior
berasal dari buku, internet, observasi, dan literatur 1. P(HP1) 0.175
lainnya. P(HP2)
2. 0.1875
4.2.2 Contoh Perhitungan Naive Bayes
3. P(HP3) 0.10625
Diberikan beberapa data masukan berupa fakta
gejala hama – penyakit oleh pengguna : 4. P(HP4) 0.1625

5
 5. P(HP5) 0.06875 e. HP5
P(HP6) P(G1|HP5) = jumlah G1 pada HP5 / jumlah HP5
6. 0.09375
= 8/11
7. P(HP7) 0.11875 = 07272727
8. P(HP8) 0.0875 P(G4|HP5) = jumlah G4 pada HP5 / jumlah HP5
2. Langkah Kedua = 0/11
Melakukan pencarian nilai likelihood (peluang =0
munculnya suatu gejala terhadap suatu hama- P(G8|HP5) = jumlah G8 pada HP5 / jumlah HP5
penyakit) dari probabilitas gejala yang mempengaruhi = 0/11
pada setiap hama-penyakit. Perhitungan ini dilakukan =0
dengan membagi jumlah gejala yang ada pada masing- f. HP6
masing penyakit dengan jumlah masing-masing hama- P(G1| HP6) = jumlah G1 pada HP6 / jumlah HP6
penyakit contoh perhitungan likelihood:
= 0/15
a. HP1
=0
P(G1|HP1) = jumlah G1 pada HP1 / jumlah HP1
P(G4| HP6) = jumlah G4 pada HP6 / jumlah HP6
= 28/28
= 0/15
=1
=0
P(G4|HP1) = jumlah G4 pada HP1 / jumlah HP1
P(G8| HP6) = jumlah G8 pada HP6 / jumlah HP6
= 14/28
= 0/15
= 0.5
=0
P(G8| P1) = jumlah G8 pada HP1 / jumlah HP1
g. HP7
= 10/28
P(G1| HP7) = jumlah G1 pada HP7 / jumlah HP7
= 0.3571428
= 12/19
b. HP2 = 0.6315789
P(G1|HP2) = jumlah G1 pada HP2 / jumlah HP2 P(G4| HP7) = jumlah G4 pada HP7 / jumlah HP7
= 0/19
= 21/30
=0
= 0.7
P(G8| HP7) = jumlah G8 pada HP7 / jumlah HP7
P(G4| HP2) = jumlah G4 pada HP2 / jumlah HP2
= 0/19
= 17/30 =0
= 0.5666667 h. HP8
P(G8| HP2) = jumlah G8 pada HP2 / jumlah HP2 P(G1| HP8) = jumlah G1 pada HP8 / jumlah HP8

= 11/30 = 0/14
= 0.3666667 =0
c. HP3 P(G4| HP8) = jumlah G4 pada HP8 / jumlah HP8
P(G1|HP3) = jumlah G1 pada HP3 /jumlah HP3 = 0/14
= 0/17 =0
=0 P(G8| HP8) = jumlah G8 pada HP8 / jumlah HP8
P(G4| HP3) = jumlah G2 pada HP3 / jumlah HP3 = 0/14
= 0/17 =0
=0 Berdasarkan perhitungan likelihood dari
P(G8| HP3) = jumlah G4 pada HP3 / jumlah HP3 masing-masing gejala masukan yang ada, maka hasil
= 12/17 perhitungan likelihood akan ditunjukkan dalam bentuk
= 0.7058823 tabel.
d. HP4 Tabel 2 Nilai likelihood
P(G1|HP4) = jumlah G1 pada HP4 / jumlah HP4
= 0/26 Nilai Likelihood
=0 No Penyakit
G1 G4 G8
P(G4| HP4) = jumlah G4 pada HP4 / jumlah HP4
1. P(G|HP1) 1 0.5 0.357142
= 0/26
=0 2. P(G|HP2) 0.7 0.566667 0.366667
P(G8| HP4) = jumlah G8 pada HP4 / jumlah HP4 3. P(G|HP3) 0 0 0.705882
= 19/26
4. P(G|HP4) 0 0 0.730769
= 0.730769

6
5. P(G|HP5) 0.7272727 0 0 2 HP2 0.0272708
6. P(G|HP6) 0 0 0 3 HP3 0
7. P(G|HP7) 0.6315789 0 0 4 HP4 0
8. P(G|HP8) 0 0 0 5 HP5 0
6 HP6 0
3. Langkah Ketiga 7 HP7 0
Melakukan pencarian nilai posterior 8 HP8 0
(probabilitas akhir) pada masing-masing hama-
penyakit, yaitu dengan cara mengalikan nilai prior Hasil perhitungan nilai posterior (probabilitas
dengan nilai likelihood masing-masing gejala pada akhir) akan diurutkan dari atas ke bawah berdasarkan
setiap hama-penyakit. Berikut ini adalah contoh nilai probabilitas tertinggi. Hasil pengurutan nilai
perhitungan posterior: probabilitas tersebut dapat dilihat pada Tabel 4.19.
a. Posterior HP1 = P(HP1) x P(G1|HP1) x Tabel 4 Hasil Pengurutan Nilai Posterior
P(G4|HP1) x P(G8|HP1)
= 0.175 x 1 x 0.5 x 0.357142 No Hama - Penyakit Nilai Posterior
= 0.03125
b. Posterior HP2 = P(HP2) x P(G1| HP2) x 1 HP1 0.03125
P(G4|HP2) x P(G8|HP2) 2 HP2 0.0272708
= 0.1875 x 0.7 x 0.566667 x 0.366667 3 HP3 0
= 0.0272708 4 HP4 0
c. Posterior HP3 = P(HP3) x P(G1| HP3) x
P(G4|HP3) x P(G8|HP3) 5 HP5 0
= 0.10625 x 0 x 0 x 0.705882 6 HP6 0
7 HP7 0
= 0
d. Posterior HP4 = P(HP4) x P(G1|HP4) x 8 HP8 0
P(G4|HP4) x P(G8|HP4)
= 0.1625 x 0 x 0 x 0.730769 Berdasarkan hasil pengurutan nilai probabilitas
= 0 Tabel 4.19, maka nilai probabilitas akhir maksimum
e. Posterior HP5 = P(HP5) x P(G1|HP5) x terdapat pada nomor ke-1 dengan nilai probabilitas
P(G4|HP5) x P(G8|HP5) akhir sebesar 0.03125. Hasil diagnosa dari gejala
= 0.06875 x 0.7272727 x 0 x 0 bercak daun berwarna putih (G1), daun mudah patah
= 0 (G4), dan umbi membusuk (G8) adalah penyakit
f. Posterior HP6 = P(HP6) x P(G1|HP6) x Trotol (HP1).
P(G4|HP6) x P(G8|HP6)
= 0.09375 x 0 x 0 x 0 5. IMPLEMENTASI
= 0 Implementasi sistem merupakan tahap
g. Posterior HP7 = P(HP7) x P(G1|HP7) x pembangunan sistem yang disesuaikan dengan
P(G4|HP7) x P(G8|HP7) rancangan-rancangan yang telah dibuat pada tahapan-
= 0.11875 x 0.6315789 x 0 x 0 tahapan sebelumnya. Berikut merupakan
= 0 implementasi pemodelan sistem pakar diagnosa hama-
h. Posterior HP8 = penyakit pada tanaman bawang merah menggunakan
P(HP8) x P(G1|HP8) x P(G4|HP8) x P(G8|HP8) metode Naïve Bayes:
= 0.0875 x 0 x 0 x 0  Implementasi basis pengetahuan
= 0  Implementasi basis data dengan menggunakan
Hasil perhitungan posterior metode Naïve Bayes DBMS MySQL pada server localhost (XAMPP)
berdasarkan dengan fakta gejala yang telah diinputkan yang bertujuan untuk memudahkan melakukan
oleh pengguna maka akan disajikan dalam bentuk manipulasi dan penyimpanan data.
tabel.  Implementasi mesin inferensi
Tabel 3 Hasil Perhitungan Posterior  Implementasi algoritma Naïve Bayes..
 Implementasi antarmuka
No Hama- Nilai Posterior
Penyakit
1 HP1 0.03125

7

Gambar 5.1 Halaman Diagnosa
6. HASIL DAN PEMBAHASAN
Dalam hasil dan pembahasan akan dijelaskan
mengenai proses pengujian. Proses pengujian
dilakukan melalui dua tahap yaitu pengujian Blackbox
dan pengujian akurasi.
6.1 Pengujian Blackbox
Pengujian Blackbox dilakukan untuk mengetahui
apakah sistem yang dibangun sesuai dengan daftar
kebutuhan yang sudah dirancang sebelumnya. Proses
pengujian Blackbox lebih mengarah pada kesesuaian
hasil kerja dari sistem pakar dengan kebutuhan yang
telah dirancang.
Berdasarkan hasil pengujian blackbox dapat
dilihat bahwa hasil sistem yang diharapkan sesuai
dengan hasil sistem yang didapatkan. Kesimpulan dari
pengujian ini adalah sistem pakar diagnosa hama –
penyakit bawang merah menggunakan metode Naive
Bayes dapat dijalankan sesuai dengan daftar
kebutuhan yang telah dirancang dengan kesesuaian
dengan hasil implementasi sebesar 100%.
6.2 Pengujian Akurasi
Pengujian tingkat akurasi dilakukan untuk
mengetahui kesesuaian antara hasil diagnosa sistem
dengan hasil diagnosa yang dilakukan oleh pakar
untuk menetukan tingkat performa sistem. Pada sistem
pakar diagnosa hama – penyakit bawang merah
menggunakan metode Naive Bayes proses yang
dilakukan adalah membandingkan data dari pakar dan
data system
Dengan menggunakan 31 data uji untuk
pemodelan sistem pakar diagnosa hama-pemyakit
bawang merah didapatkan nilai akurasi dengan
perhitungan dengan menggunakan persamaan :
8
29
𝑁𝑖𝑙𝑎𝑖 𝑎𝑘𝑢𝑟𝑎𝑠𝑖 = 𝑥100% = 93,54%
31
Akurasi sistem menggunakan 31 kasus uji
sebesar 93,54% yang menggunakan masukan berupa
gejala yang tidak spesifik atau gejala umum.
Pengujian mendapatkan nilai yang benar jika hasil
diagnosa sistem sesuai dengan hasil diagnosa pakar.
Nilai akurasi tidak mencapai 100% dikarenakan hasil
masukan gejala yang dilakukan tidak terdapat dalam
data latih sehingga sistem belum bisa melakukan
diagnosa dengan tepat dan hasil perhitungan yang
dihasilkan dari gejala tersebut adalah nol.
6 Penutup
7.1 Kesimpulan
Berdasarkan perancangan yang telah dibuat dan
pengujian yang sudah dilakukan pada sistem pakar
diagnosa hama – penyakit pada tanaman bawang
merah menggunakan metode Naïve Bayes dapat
diambil kesimpulan yaitu :
1. Sistem yang telah dirancang mampu
memodelkan sistem pakar dengan hasil diagnosa
berdasarkan input gejala dari pengguna. Sistem
dapat melakukan diagnosa menggunakan metode
Naïve Bayes dengan menghitung probabilitas
nilai posterior tertinggi dari hama – penyakit dan
menjadi hasil akhir dari diagnosa.
2. Berdasarkan pengujian dari pemodelan sistem
pakar bawang merah menggunakan metode
Naïve Bayes didapatkan hasil pengujian yaitu :
a. Setelah melakukan pengujian fungsionalitas
(blackbox) dimana hasil yang diharapkan
sesuai dengan hasil yang didapatkan sehingga
mendapat nilai presentase sebesar 100 %.
b. Proses pengujian akurasi dari pemodelan
sistem pakar diagnosa hama – penyakit
bawang merah menggunakan metode Naïve
Bayes memiliki tingkat akurasi sebesar
93,54% menggunakan 31 kasus uji. Terdapat
salah satu kasus uji yang tidak sesuai dengan
pakar dikarenakan kombinasi gejala yang
dimasukkan tidak tercakup dalam data latih.
7.2 Saran
Sistem pakar diagnosa hama – penyakit pada
tanaman bawang merah menggunakan metode Naïve
Bayes masih memiliki beberapa kekurangan. Saran
yang diberikan untuk pengembangan selanjutnya
antara lain :
1. Pada proses pengujian akurasi dapat dilakukan
dengan menambahkan jumlah kasus uji sehingga
keakurasian sistem dari hasil perbandingan
diagnosa pakar dengan diagnosa sistem menjadi
lebih optimum. Selain itu sistem juga dapat
dikembangkan lebih lanjut menggunakan metode
 perhitungan lain untuk membandingkan hasil pada Tanaman Bawang Merah dan
akurasi yang lebih baik diantara metode tersebut. Pengendaliannya. BPTS.
[SAH-08] Sahrani, Enni Nst. 2008. Pengaruh
2. Pemodelan sistem dapat dikembangkan menjadi Kepekatan Ekstrak Daun Nimba
sistem pakar dengan memperbaiki beberapa Terhadap Penekanan Serangan
kesalahan hasil diagnosa dengan menambahkan Alternaria porri(EII.CIF) Pada
lebih banyak gejala, hama dan penyakit pada data
Tanaman Bawang Merah ( Allium
latih untuk memperoleh nilai akurasi yang lebih
ascalonicum L.). Medan,
tinggi.
Universitas Sumatera Utara.
[PRI-11] Prihatini, Putu Manik. 2011. Metode
DAFTAR PUSTAKA Ketidakpastian Dan Kesamaran
Dalam Sistem Pakar. Lontar
[SRI-15] Srimuddawamah, Ika. 2015. Sistem Komputer, Vol.2, No.1, Hal.29-42.
Pakar Diagnosa Penyakit Kulit [DEW-15] Dewi, Indriana Candra. 2015.
Pada Anak Menggunakan Metode Sistem Pakar Diagnosa Penyakit
Naïve Bayes. Malang, Brawijaya. Pada Sapi Potong Dengan Metode
[KUS-06] Kusrini. 2006. Sistem Pakar, Teori Naïve Bayes (Studi Kasus Pos
dan Aplikasi. Yogyakarta, Andi. Keswan Kab. Nganjuk). Malang,
[KUS-08] Kusrini. 2008. Aplikasi Sistem Brawijaya.
Pakar Menentukan Faktor
Kepastian Pengguna dengan
Metode Kuantifikasi Pertanyaan.
Yogyakarta, Andi.
[ARH-05] Arhami, Muhammad. 2005. Konsep
Dasar Sistem Pakar. Yogyakarta,
Andi.
[PRI-11] Prihatini, Putu Manik. 2011. Metode
Ketidakpastian Dan Kesamaran
Dalam Sistem Pakar. Lontar
Komputer, Vol.2, No.1, Hal.29-42.
[SUT-11] Sutojo,dkk. 2011. Kecerdasan
Buatan. Yogyakarta. Andi.
[YUW-14] Yuwono, B., Wayuningsih, W.P. &
Hafsah., 2014. Sistem Pakar
Berbasi Web Untuk Diagnosa
Penyakit Tanaman Anggrek
Menggunakan Metode Certainty
Factor. Yogyakarta, UPN
"Veteran".
[PRA-12] Prasetyo, Eko. 2012. Data Mining
konsep dan Aplikasi menggunakan
Matlab. Yogyakarta , Andi.
[BUS-13] Bustami., 2013, Penerapan
Algoritma Naive Bayes Untuk
Mengklasifikasi Data Nasabah
Asuransi, TECHSI: Jurnal
Penelitian Teknik Informatika, Vol.
3, No.2, Hal. 127-146.
[PIT-03] Pitojo, Setijo. 2003. Benih Bawang
Merah. Yogyakarta, Kanisius.
[UDI-05] Udiarto, Bagus K dkk. 2005.
Pengenalan Hama dan Penyakit

View publication stats