1216 2722 2 PB
1216 2722 2 PB
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].
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
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.
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).
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
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.
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
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
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
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.
3.4 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
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.
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
-
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.
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.
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.
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.