SISTEM IDENTIFIKASI PENYAKIT TANAMAN PADI DENGAN

MENGGUNAKAN METODE FORWARD CHAINING

1
Ika Arthalia, 1Aristoteles, 2Radix Suharjo
1
Jurusan Ilmu Komputer FMIPA Unila
2
Jurusan Agroteknologi FP Unila

Abstract

Rice plant diseases can be identified from their symptoms. To find out exactly the rice plant disease, it will
need agricultural experts. Numbers and distributions of agricultural expert are very limited and they cannot
overcome the problems optimally, so that a system containing knowledge as what experts do is required. This
research was to design web-based experts system by using forward chaining method and certainty factor. Data
processed in this system were 16 diseases and 26 of disease symptoms. This system which was developed had
superiorities and easiness in accessing it, user friendly and displaying certainty levels from diagnosis results
with 81% of customer’s satisfaction.

Kata Kunci –experts, expert system, forward chaining, rice plant diseases.

1. Pendahuluan
Indonesia merupakan Negara Agraris yang memiliki potensi yang baik dibidang pertanian. Sebagian
besar penduduk Indonesia bekerja sebagai petani. Namun saat ini area persawahan sudah jarang sekali
kita temui terutama di daerah perkotaan. Banyak lahan persawahan yang sudah menjadi pabrik-pabrik
ataupun perumahan. Berkurangnya area sawah membuat hasil produksi menjadi menurun, belum lagi
dengan banyaknya penyakit yang ada pada tanaman di persawahan.

Berdasarkan Gambar 1.1 produksi bahan pangan yang terdiri dari: padi, jagung dan ubi kayu
meningkat selama 2003 sampai dengan 2008 dan tanaman padi merupakan tanaman yang paling
produktif di antara tumbuhan-tumbuhan serealia lainnya. Dikarenakan tingginya tingkat kebutuhan
penduduk Indonesia akan padi, maka petani perlu dukungan yang maksimal untuk dapat
menghasilkan padi yang berkualitas baik dengan kuantitas panen yang maksimal pula. Salah satu
masalah yang dihadapi petani secara umum yaitu masalah dalam mengatasi serangan penyakit
terhadap tanaman padi mereka [1].

Jika petani tersebut memiliki pengetahuan lebih mengenai serangan penyakit, maka serangan tersebut
ini akan langsung dapat diatasi. Sebaliknya jika petani kurang memiliki pengetahuan mengenai
serangan penyakit, maka petani tersebut cenderung membutuhkan bantuan orang yang lebih ahli
untuk mengatasi masalah ini. Pada kenyataannya, saat ini banyak petani Indonesia yang
membutuhkan bantuan para ahli untuk mengatasi masalah pertanian mereka, tetapi jumlah ahli dan
penyebarannya terbatas menyebabkan permasalahan ini belum dapat diatasi dengan maksimal.

Pada penelitian ini dilakukan perancangan sistem pakar yang diharapkan dapat menjadi acuan bagi
petani atau orang yang ingin belajar bertani tahu bagaimana cara mengidentifikasi penyakit padi
beserta solusinya sebelum bertanya pada seorang pakar agar memperoleh produksi secara maksimal
dengan menerapkan faktor kepastian (Certainty Factor) dalam pengambilan keputusannya. Certainty
Factor menunjukkan ukuran kepastian terhadap suatu fakta atau aturan. Certainty Factor membuat
penggunanya mendapat solusi dari permasalahannya dan dapat mengukur sesuatu apakah pasti atau
tidak pasti dalam mendiagnosa[2].

Hal. 9 dari 186

 Grafik Tahan Pangan dan Gizi
70000
60000
50000
Ribu ton

40000
30000
20000
10000
0
Kc. Ubi Ubi Buah- Minyak Gula
Padi Jagung Kedelai Sayur
Tanah Kayu Jalar buahan Sawit Pasir
2003 52138 10886 672 786 18524 1991 8575 13551 10540 1632
2004 54088 11225 723 837 19425 1902 9060 14348 11807 2053
2005 54151 12524 808 836 19321 1857 9102 14787 11862 2393
2006 54455 11609 748 838 19987 1854 9564 16171 13391 3350
2007 57157 13288 593 789 19988 1887 9941 17352 14152 3784
2008 59877 14854 724 772 20795 1906 10234 19279 19805 4465

Gambar 1 Grafik Tahan Pangan dan Gizi [1]

Sistem Pakar tanaman padi adalah sistem yang dapat mengidentifikasi penyakit tanaman padi
berdasarkan gejala-gejala yang ada serta memberikan solusi berdasarkan jenis penyakit layaknya
seorang pakar. Dengan bantuan sistem pakar, diharapkan bahwa orang awam pun dapat
menyelesaikan masalah yang cukup rumit yang sebenarnya hanya dapat diselesaikan dengan bantuan
para ahli.

Tujuan pengembangan sistem ini adalah membangun program aplikasi yang dapat mengidentifikasi
penyakit yang menyerang tanaman padi berdasarkan gejala yang diberikan dan memberikan solusi
terhadap penyakit yang menyerang tanaman padi dengan mendistribusikan pengetahuan manusia ke
dalam sistem.

1.1 Sistem Pakar

Sistem pakar berasal dari istilah knowledge-based expert system, yaitu sistem yang menggunakan
pengetahuan manusia yang terekamdalam komputer yang digunakan untuk menyelesaikan masalah-
masalah yang biasanya membutuhkan keahlian manusia[3].

Sistem pakar dapat ditampilkan dalam dua lingkungan, yaitu: pengembangan dan konsultasi.
Lingkungan pengembangan digunakan oleh pembangun sistem pakar untuk membangun komponen
dan memasukkan pengetahuan kedalam basis pengetahuan. Lingkungan konsultasi digunakan oleh
orang yang bukan ahli untuk memperoleh pengetahuan dan berkonsultasi. Komponen-komponen yang
ada pada sistem pakar dapat dilihat pada Gambar 1, yaitu:
1. Akuisisi Pengetahuan. Digunakan untuk memasukkan pengetahuan dari seorang pakar dengan cara
merekayasa pengetahuan agar bisa diproses oleh komputer dan meletakkannya ke dalam basis
pengetahuan dengan format tertentu.
2. Basis pengetahuan (knowledge base). Berisi pengetahuan yang diperlukan untuk memahami,
memformulasikan dan menyelesaikan masalah. Basis pengetahuan terdiri dari dua elemen dasar
yaitu fakta dan rule atau aturan.
3. Mesin inferensi (Interference Engine). Ada dua cara untuk melakukan inferensi, yaitu:
a. Forward Chaining (Pelacakan ke depan): Teknik ini memulai pencarian dengan fakta yang
diketahui untuk menguji kebenaran hipotesa, kemudian mencocokkan fakta tersebut dengan
bagian IF dari rule IF-THEN. Teknik ini cocok digunakan untuk menangani masalah peramalan
(prognosis) dan pengendalian (controlling).

Hal. 10 dari 186

 b. Backward Chaining (Pelacakan ke belakang): Teknik ini memulai pencarian dari kesimpulan
(goal) dengan mencari sekumpulan hipotesa-hipotesa yang mendukung menuju fakta-fakta
yang mendukung sekumpulan hipotesa tersebut.
4. Daerah kerja (Blackboard). Area pada memori yang berfungsi sebagai basis data. Ada tiga tipe
keputusan yang dapat direkam pada blackboard yaitu rencana, agenda dan solusi.
5. Antarmuka (User Interface). Sebagai media komunikasi antara pengguna dan sistem pakar.
Program akan mengajukan pertanyaan-pertanyaan dnan sistem pakar akan mengambil kesimpulan
berdasarkan jawaban dari user.
6. Subsistem penjelasan (Explanation Subsystem). Subsistem penjelasan berfungsi member
penjelasan kepada user, bagaimana suatu kesimpulan dapat diambil.

Lingkungan Lingkungan
Konsultasi Pengembangan
User Fakta-fakta tentang Basis Pengetahuan
kejadian tertentu Fakta : Apa yang diketahui
tentang area domain
Rule : logical reference
Antarmuka Fasilitas
penjelasan

Rekayasa
Pengetahuan
Motor inferensi
Aksi yang Akuisisi
direkomendasi pengetahuan

Pengetahuan
pakar
Blackboard
Rencana Agenda
Solusi Deskripsi Perbaikan
masalah pengetahuan

Gambar 1 Komponen dalam sebuah sistem pakar [3-4]

2. Metodologi Penelitian
Tahapan penelitian pada perancangan sistem ini dapat dilihat pada Gambar 2. Tahapan perancangan
aplikasi dilakukan dengan perancangan Context Diagram, Data Flow Diagram. Data Context
Diagram (DCD) disebut juga DFD level 0, karena merupakan data arus awal. DCD ini memiliki
sebuah proses yaitu identifikasi penyakit padi dan dua external entity yaitu user dan admin/pakar.
Perancangan diagram konteks dapat dilihat pada Gambar 2.

Data Flow Diagram (DFD) merupakan penjabaran lebih rinci dari DCD sistem identifikasi penyakit
tanaman padi. Pada DFD tersebut dijelaskan proses-proses apa saja yang dilakukan di dalam sistem
dan tabel-tabel dalam database yang digunakan di dalam sistem tersebut. DFD dapat dijabarkan dalam
beberapa level sesuai dengan kebutuhan.Perancangan data flow diagram dapat dilihat pada Gambar 3
dan 4.

Hal. 11 dari 186

 MULAI IMPLEMENTASI
(TAHAP PENGEMBANGAN)

STUDI LITERATUR
PENGUJIAN SISTEM

TIDAK

WAWANCARA
YA SEMUA
FUNGSI
BERJALAN
PERANCANGAN
APLIKASI
YA
TIDAK
PENULISAN
SEMUA LAPORAN
KEBUTUHAN
TERSEDIA
SELESAI

Gambar 2 TahapanPenelitian

Data_rule
Data_gejala_penyakit
Data_root
Ip_user, jawaban Data_gejala

Data_solusi
Data_penyakit
SISTEM IDENTIFIKASI
USER Data_gejala ADMIN/PAKAR
PENYAKIT TANAMAN PADI
Data_rule

Hasil_konsultasi Data_gejala_penyakit
Data_gejala
Data_penyakit, data_solusi
Data_root

Gambar 2 Diagram Konteks Sistem Identifikasi Penyakit Tanaman Padi

Data_gejala
Ip_User, Jawaban 1.0 1 | Master Gejala
Data_penyakit
USER Tanya jawab user dan
Data_gejala Data_root
sistem dari data gejala 2 | Master Penyakit
Data_rule

Ip_User, Data_jawaban

3 | Master Root
4 | Jawaban

5 | Rule

2.0 Ip_User, Data_jawaban

Menghitung nilai CF 6 | Gejala Penyakit

Data_gejala_penyakit
masing-masing Gejala
YA Data_nilaiCF
7 | Tmp_CF
Ip_user, data_jawaban, data_gejala_penyakit

3.0
Menghitung rata-rata
Data hasil_konsultasi 8 | Hasil Konsultasi
nilai certainty factor
Hasil_konsultasi
(CF)
Ip_user, data_jawaban, data_gejala_penyakit, nilai_CF

4.0 Info_hasil_konsultasi

Menampilkan hasil Data_solusi 9 | Master Solusi

konsultasi

Gambar 3 Data Flow Diagram Level 1untuk user

Hal. 12 dari 186

 1 | Master Gejala
Data_gejala
1.1
Ip_user
Menampilkan Data_penyakit 2 | Master Penyakit
pertanyaan dari Data_root
USER gejala
3 | Master Root

Data_gejala Data_rule 5 | Rule

1.2
jawaban
Menyimpan Ip_user, jawaban 4 | Jawaban
jawaban
Gambar 4 Data Flow Diagram Level 2 untuk user

3. Pembahasan
3.1 Analisa Kebutuhan Data
Data yang dibutuhkan dalam penelitian ini meliputi data penyakit padi, data gejala, data nilai peluang
terjadinya penyakit dan nilai relasi antara penyakit dan gejala. Data-data tersebut diperoleh dengan
beberapa cara, yaitu dengan melakukan wawancara langsung terhadap pakar penyakit tanaman padi
dan mendapatkan pengetahuan dari buku, jurnal ilmiah, laporan, dan sebagainya. Sebagian data
diperoleh dari Semangun (1993) dan Sudarma (2013).Data yang diperoleh yaitu 16 penyakit dengan
26 gejala. Data-data tersebut kemudian akan diolah untuk dijadikan data yang berbentuk tree agar
lebih mudah dalam memasukkan ke dalam sistem. Dalam sistem ini ada 4 tree yang masing-masing
root dibedakan berdasarkan bagian utama tanaman padi yang terinfeksi yaitu daun, batang, malai dan
pertumbuhan abnormal.

3.2 Representasi Pengetahuan

Dari data penyakit dan gejala tanaman padi yang diperoleh dapat direpresentasikan relasi.
Representasi pengetahuan digunakan untuk menentukan proses pencarian atau menentukan
kesimpulan dari identifikasi yang dilakukan. Dalam penelitian ini representasi pengetahuan yang
digunakan adalah dengan kaidah produksi. Kaidah produksi dituliskan dalam bentuk jika-maka (if-
then). Berdasarkan penyakit dan gejala terdapat 16rule beserta nilai CF.

3.3 Implementasi Sistem

Sistem identifikasi penyakit tanaman padi dibangun mengunakan bahasa pemrograman php dan
database MySQL. Dalam implementasinya aplikasi ini dapat diakses menggunakan web browser
seperti Google Chrome, Mozilla Firefox dan lainnya. Pada sistem identifikasi penyakit tanaman padi
ini memiliki dua hak akses yaitu pakar dan petani. Pakar bertugas untuk menambahkan data-data
penyakit, gejala dan penambahan aturan-aturan yangakan digunakan oleh petani dalam konsultasi.
Sedangkan petani dapat mengakses sistem untuk berkonsultasi dan melihat daftar penyakit tanaman
padi saja.

3.4 PengujianSistem
3.4.1 Pengujian Fungsional
Pengujian yang dilakukan hanya sebatas fungsional utama dari sistem apakah hasil yang diperoleh
pada saat melakukan konsultasi sesuai yang diharapkan atau tidak dan fungsi dalam penambahan dan
perbaikan rule.

1. Konsultasi
Tahap paling awal yang dilakukan dalam proses konsultasi adalah memilih bagian tanaman yang
terinfeksi. Selanjutnya akan tampil pertanyaan-pertanyaan berdasarkan root yang dipilih seperti pada

Hal. 13 dari 186

Gambar 5. Jika pertanyaan untuk root yang terpilih sudah dijawab semua, maka akan menghasilkan
hasil konsultasi berupa jenis penyakit, penyebab, persebaran,gejala dan pengendalian dari panyakit
tersebut seperti ditunjukkan pada Gambar 6.

2. Rule
Akuisisi pengetahuan digunakan untuk memasukkan pengetahuan yang diperoleh dari seorang pakar
ke dalam basis pengetahuan pada sistem dengan format tertentu. Tahap awal akuisisi pengetahuan
dalam sistem ini adalah memasukkan data master penyakit dan data master gejala yang akan
direlasikan. Selanjutnya menambahkan rule dari setiap penyakit yang kemudian akan dilanjutkan
dengan memasukkan nilai hubungan antara gejala dan penyakit. Pengujian untuk input rule
disediakan pada Tabel1.

Gambar 5 Tampilan proses konsultasi

Gambar 4.3 Tampilan hasil konsultasi

Hal. 14 dari 186

 Tabel 1Pengujian Rule
Fungsi yang diuji Input Output Hasil
Root = Ya
Sistem memberikan informasi bahwa
Parent = Data root BERHASIL
sistem telah berhasil menyimpan data
Child = Data gejala
Root = Tidak
Sistem memberikan informasi bahwa
Penambahan Rule Parent = Data root BERHASIL
sistem telah berhasil menyimpan data
Child = Data gejala
Sistem memberikan informasi bahwa
Root = Tidak
pengguna harus memasukkan nilai-
Parent = Data root BERHASIL
nilai gejala yang berkaitan dengan
Child = Data penyakit
penyakit.
Field untuk memilih data child tidak
akan muncul dan sistem akan
Tidak memilih parent memberikan informasi bahwa BERHASIL
Penambahan Rule pengguna harus memasukkan data
dengan lengkap
Sistem akan memberikan informasi
Tidak memilih child bahwa pengguna harus memasukkan BERHASIL
data dengan lengkap
Sistem akan memberikan informasi
Nilai <0 bahwa nilai yang dimasukkan harus BERHASIL
Penambahan Nilai antara 0 sampai 1
Gejala-Penyakit Sistem akan memberikan informasi
Nilai>1 bahwa nilai yang dimasukkan harus BERHASIL
antara 0 sampai 1
Penambahan Nilai Sistem akan memberikan informasi
Tidak memasukkan nilai BERHASIL
Gejala-Penyakit bahwa field nilai masih kosong
Sistem akan memberikan informasi
jika rule tersebut tidak bisa dihapus
Menghapus rule yang karena masih memiliki child. Dan
Penghapusan Rule BERHASIL
masih memiliki child sistem akan menuju ke halaman
dengan parent = child yang akan
dihapus tersebut
Menghapus rule yang
Sistem akan memberikan informasi
Penghapusan Rule sudah tidak memiliki BERHASIL
bahwa rule tersebut berhasil dihapus
child

3.4.2 Pengujian Keakuratan Hasil

Pengujian keakuratan hasil dilakukan dengan cara melakukan percobaan beberapa test case ke dalam
sistem dan melihat hasil konsultasi apakah hasil sesuai dengan yang diharapkan. Pengujian diagnosa
dilakukan hanya dengan melakukan 10 percobaan dikarenakan dengan melakukan 10 percobaan
tersebut sudah mewakili keempat root yang ada di dalam sistem ini. Hasil pengujian test case
ditunjukkan pada Tabel 2.

Hasil pengujian ini dicocokkan dengan decision tree, nilai CF dan interpretasi yang dihitung secara
manual. Interval untuk interpretasi dari nilai CF pada pengujian ini berdasarkan wawancara seorang
pakar yaitu sebagai berikut:
- Pasti (Definitely) = 1 ≥ CF > 0,8
- Hampir Pasti (Amost Certainly) = 0,6 < CF ≤ 0,8
- Kemungkinan Besar (Probably) = 0,4 < CF ≤ 0,6
- Mungkin (Maybe) = 0,2 < CF ≤ 0,4
- Tidak Tahu (Unknown) = -0,2 < CF ≤ 0,2
- Kemungkinan Tidak (Maybe Not) = -0,4 < CF ≤ -0,2
- Kemungkinan Besar Tidak (Probably Not) = -0,6 < CF ≤ -0,4
- Hampir Pasti Pasti (Amost Certainly Not) = -0,8 < CF ≤ -0,6
- Pasti Tidak (Definitely Not) = -0,8 ≥ CF
-

Hal. 15 dari 186

 Tabel 2 Test case pengujian keakuratan hasil
No Input Output yang diharapkan Output Sistem
1 - PERTUMBUHAN
ABNORMAL Fusarium
- Perpanjangan tanaman FUSARIUM CF = 0,8444
- Daun berwarna hijau Pasti
kekuningan atau pucat
2 - BATANG Hawar Upih Daun dan
- Terdapat bercak nekrotik di HAWAR UPIH DAUN DAN Busuk Batang
pangkal batang BUSUK BATANG CF = 0,7777
Hampir Pasti
3 - DAUN
- Terdapat Bercak pada daun Lapuk Daun
- Bercak berbentuk jorong LAPUK DAUN CF = 0,7554
- Bercak bercincin Hampir Pasti
- Ada titik-titik sklerotium
4 - PERTUMBUHAN
ABNORMAL
Tungro
- Tanaman kerdil
TUNGRO CF = 0,75
- Jumlah anakan berkurang
Hampir Pasti
- Daun berwarna kuning
sampai orange
5 - MALAI
- Malai terhambat
Kembang Api
pertumbuhannya
KEMBANG API CF = 0,7352
- Malai menyerupai batang
Hampir Pasti
kembang api berwarna
putih kelabu
6 - DAUN
Stackburn
- Terdapat Bercak pada daun
STACKBURN CF = 0,7286
- Bercak berbentuk jorong
Hampir Pasti
- Bercak bercincin
7 - PERTUMBUHAN
ABNORMAL
Kerdil Rumput
- Tanaman kerdil
KERDIL RUMPUT CF = 0,4333
- Jumlah anakan berlebih
Kemungkinan Besar
- Daun berwarna hijau atau
kuning pucat
8 - MALAI
Kerdil Rumput
- Tidak membentuk
KERDIL RUMPUT CF = 0,3047
malai/malai tidak keluar
Mungkin
- Tanaman kerdil
9 - BATANG
- Batang mudah patah Blast
- Pangkal batang mengkerut BLAST CF = 0,2666
dan berwarna coklat Mungkin
kehitaman
10 - MALAI Bercak Coklat
- Tidak membentuk BERCAK COKLAT CF = 0,2083
malai/malai tidak keluar Mungkin

Dari 10 percobaan konsultasi, berdasarkan test case yang diberikan, sistem ini dapat mendiagnosa
dengan baik dan perhitungan nilai CF yang dihasilkan sesuai dengan perhitungan yang dilakukan
secara manual serta interpretasi yang ditampilkan sesuai dengan aturan interpretasi yang telah
ditentukan berdasarkan wawancara dengan seorang pakar.

3.4.3 Pengujian Kepuasan Pengguna

Pengujian tingkat kepuasan pengguna dilakukan kepada petani yang berasal dari salah
beberapakelompoktani yang ada di Lampung dengan jumlah responden keseluruhan dari pengujian ini
adalah 20 orang.

Hal. 16 dari 186

 Tabel 3. Hasil Jawaban Kuisioner dengan empat pilihan pertanyaan
Jumlah Responden = 20
Skor Total
No Pertanyaan
SS S KS TS Skor
4 3 2 1
1 Apakah anda merasa mudah dalam menjawab
7 9 3 1 62
pertanyaan yang diajukan oleh program ini?
2 Apakah anda terbantu dengan petunjuk yang
13 7 0 0 73
disediakan pada program ini?
3 Apakah hasil diagnosa program ini sesuai
dengan hasil pendeteksian yang dilakukan di 5 12 2 1 61
lapangan?
4 Apakah anda merasa terbantu dengan adanya
5 9 4 2 57
program ini?

Tabel 4. Hasil Jawaban Kuisioner dengan dua pilihan pertanyaan

Jumlah Responden = 20
Skor Total
No Pertanyaan Y T Skor
2 1
Apakah anda ingin menggunakan program ini
5 kembali untuk mengetahui penyakit tanaman 16 4 36
padi anda di lapangan?

Hasil kuisioner akan dianalisa ditentukan kriteria penilaian responden terhadap sistem ini. Interval
penilaian antar kelas dapat dicari dengan rumus sebagai berikut :
= =33,33%

Dari hasil perhitungan interval penilaian adalah sebesar 33,33%, maka dapat ditentukan kriteria
penilaian responden terhadap sistem identifikasi penyakit tanaman padi sebagai berikut :
a. Buruk skor 0– 33,33%
b. Baik skor 33,34 – 66,66%
c. Sangat Baik skor 66,67 – 100%

Dari jawaban kuisioner yang telah didapat selanjutnya dianalisis yakni dihitung persentase pertanyaan
yang selanjutnya akan disesuaikan dengan kriteria penilaian yang telah dihitung sebelumnya.
Persentasihasilanalisis pertanyaan dalam kuisioner ditunjukkan pada Tabel 5.

Tabel 5. Persentasi hasil analisa pertanyaan kuisioner

Pertanyaan Persentase Kategori
1 77 % SangatBaik
2 91 % SangatBaik
3 76% SangatBaik
4 71% SangatBaik
5 90% SangatBaik
Rata-rata
81 % SangatBaik
persentase

4. Kesimpulan
Berdasarkan hasil pengujian dan analisis pada sistem identifikasi penyakit tanaman padi dengan
menggunakan metode forward chaining, maka didapatkan kesimpulan sebagai berikut:
1. Telah berhasil dibangun sistem identifikasi penyakit tanaman padi dengan menggunakan metode
forward chaining berbasis web yang mampu menghasilkan hasil analisa dengan baik berdasarkan
gejala yang dimasukkan oleh pengguna.

Hal. 17 dari 186

2. Berdasarkan hasil pengujian tingkat kepuasan pengguna, sistem identifikasi penyakit tanaman padi
ini masuk dalam interval sangat baik dengan rata-rata persentase 81%.
3. Semakin lengkap basis pengetahuan yang dimiliki sistem, maka akan semakin baik hasil analisa
yang dihasilkan.

5. Referensi
[1] Hanani. 2009. url: http://www.paskomnas.com/id/berita/Gambaran-Umum-Pangan-Dunia.php.
Diakses pada 20 September 2014
[2] Kusrini. 2008. Aplikasi Sistem Pakar. Yogyakarta: ANDI Yogyakarta.
[3] Sutojo, T., Edy M., dan Vincent S. 2011. Kecerdasan Buatan. Semarang: ANDI Yogyakarta.
[4] Siswanto, 2010. Kecerdasan Tiruan Edisi 2. Yogyakarta: Graha Ilmu.

Hal. 18 dari 186