ABSTRAK
Seiring perkembangan teknologi, dikembangkan sebuah sistem yang mampu mengadopsi proses dan cara
berpikir manusia yaitu sistem pakar yang mengandung pengetahuan tertentu sehingga setiap orang dapat
menggunakannya untuk memecahkan masalah bersifat spesifik yaitu permasalahan diagnosis penyakit ikan air
laut. Tujuan dari penelitian ini adalah membangun sistem pakar untuk mendiagnosa penyakit ikan air laut
dalam bentuk website menggunakan pemrograman PHP dengan database MySQL. Sistem pakar untuk
mendiagnosa penyakit ikan air laut menggunakan metode Ripple Down Rules (RDR) ini bertujuan menelusuri
gejala yang ditampilkan dalam bentuk pertanyaan – pertanyaan agar dapat mendiagnosa jenis penyakit dengan
berbasis website. Sistem pakar berbasis web mampu mengenali jenis penyakit ikan air laut setelah melakukan
konsultasi dengan menjawab beberapa pertanyaan – pertanyaan yang ditampilkan oleh aplikasi sistem pakar
serta dapat menyimpulkan beberapa jenis penyakit yang diderita oleh ikan air laut. Data penyakit yang dikenali
menyesuaikan rules (aturan) yang dibuat untuk dapat mencocokkan gejala-gejala penyakit ikan air laut.
Kata Kunci: sistem pakar, penyakit ikan laut, ripple down rules, forward chaining
ABSTRACT
Along with the development of technology, people developed a system that capable of adopting processes and
human thinking as an expert system that contains specific knowledge so that everyone can use it to solve a
specific problem, namely the diagnosis of marine fish disease problem. The purpose of this study is to develop an
expert system for diagnosing diseases of marine fish in the form of websites using PHP with a MySQL database.
Expert system for diagnosing diseases of marine fish is using Ripple Down Rules (RDR) method has a goal to
discover symptoms that appear in the form of questions that can diagnose the disease based on website. Web-
based expert system is able to recognize types of marine fish disease after consultation by answering a few
questions that are displayed by the application of expert systems and can infer some types of marine fish disease.
Data disease that already known adapt to rules which are made for matching the symptoms of marine fish
disease.
Keywords: expert system, marine fish disease, ripple down rules, forward chaining
446
Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016) ISSN: 2089-9815
Yogyakarta, 18-19 Maret 2016
karena memiliki berbagai kekuatan, peluang dan teknik diagnosa dan pengendalian penyakit yang
akses pasar yang cukup luas. Secara fisik, tepat, efektif dan sistematis.
(Kusumastanto, 2003), menyatakan bahwa Indonesia b. Sebagai acuan bagi petugas perikanan baik
memiliki potensi yang melimpah untuk daerah maupun pusat untuk menumbuhkan,
pembangunan industri perikanan budidaya. Potensi mengembangkan dan meningkatkan
tersebut meliputi wilayah perairan nasional seluas kewaspadaan terhadap timbulnya penyakit pada
3,1 juta km2, luas Zona Ekonomi Eksklusif (ZEE) budidaya ikan laut di Indonesia.
sekitar 2.8 juta km2, panjang garis pantai mencapai
81.000 km dan memiliki jumlah pulau sebanyak 2. PEMBAHASAN
17.499 buah yang dapat digunakan untuk penguatan Sistem pakar adalah program komputer cerdas
kapasitas produksi budidaya ikan laut. Berdasarkan yang menggunakan pengetahuan dan prosedur-
data statistik, (KKP, 2009), pemanfaatan potensi prosedur inferensi untuk menyelesaikan masalah-
budidaya laut masih berkisar 0,3% dengan masalah yang membutuhkan seorang pakar dalam
12,502,396 Ha lahan potensi yang masih dapat menemukan solusinya. Oleh sebab itu sistem pakar
dikembangkan. Kenaikan rata-rata produksi merupakan sebuah sistem yang mengemulasikan
budidaya ikan laut dalam kurun waktu 2009-2010 kemampuan membuat keputusan dari seorang pakar
juga meningkat sekitar 20% dengan nilai produksi (Giarratano, 2005).
mencapai 10,3 Triliun (KKP, 2009). Kondisi ini Arsitektur dalam sistem pakar memiliki variasi
menunjukkan bahwa peluang investasi dan bentuk yang berbeda-beda, yang didasari oleh
pengembangan industri budidaya ikan laut di komponen-komponen yang berbeda juga. Tetapi
Indonesia cukup menjanjikan. pada umumnya komponen dasar yang pasti ada
Salah satu hambatan utama dalam keberlanjutan dalam sistem pakar antara lain, antarmuka
produksi budidaya adalah kematian yang disebabkan pengguna, basis pengetahuan, akusisi pengetahuan
oleh infeksi mikroorganisme patogen dan degradasi dan mekanisme inferensi (inference engine).
kualitas lingkungan. Kondisi ini berkorelasi positif Mekanisme inferensi merupakan pusat dari sistem
dengan semakin intensifnya sistem budidaya yang yang mengatur jalannya sistem pakar tersebut.
dikembangkan (Cao et al., 2007). Secara global, Knowledge base merupakan tempat penyimpanan
potensi kerugian ekonomi akibat wabah penyakit pengetahuan dari seorang pakar. Antarmuka
yang ditimbulkan oleh infeksi mikroorganisme pengguna merupakan sarana berkomunikasi antara
patogen cukup signifikan dan berdampak kepada pengguna dengan sistem. Akusisi pengetahuan
jumlah produksi, keuntungan dan keberlanjutan digunakan untuk menyimpan pengetahuan dari
sistem budidaya. Kerugian ekonomi pada industri seorang pakar ke dalam basis pengetahuan.
budidaya akibat wabah penyakit diperkirakan
mencapai US$ 9 miliar per tahun (Subasinghe et al., 2.1 Arsitektur Sistem Pakar
2001) dan berdampak kepada penurunan jumlah
produksi ikan budidaya di seluruh dunia (Hill,
2005). Di Indonesia, (Zafran et al., 1997)
menyatakan bahwa infeksi oleh parasit Benedenia,
Neobedenia, Diplectanum, Pseudorhabdosynochus,
Haliotrema, Trichodina, Lepeophtheirus, dan
Cryptocaryon irritans telah menjadi wabah umum
pada ikan Kerapu. Sementara, infeksi yang
disebabkan oleh Iridovirus (Fris Johnny dan Des
Roza, 2009) dan Nervous Necrosis Virus (NNV)
(Sukadi, 2004) telah menjadi hambatan tersendiri
bagi peningkatan jumlah produksi. Kondisi ini Gambar 1. Arsitektur sistem pakar
membuktikan bahwa masalah penyakit dalam (James Martin & Steve Osman, 1998,
perkembangan budidaya ikan laut memerlukan halaman 30)
perhatian yang sangat serius.
Penjelasan setiap komponen yang terdapat pada
1.2 Rumusan Masalah Gambar 1 diatas sebagai berikut :
Bagaimana mengidentifikasi penyakit pada
budidaya ikan air laut menggunakan metode Ripple 1. Akusisi Pengetahuan
Down Rules (RDR). (Knowledge Acquisition Facility)
Dahulu pengaturan basis pengetahuan
1.3 Manfaat Penelitian merupakan hal yang sulit dan menyita banyak
Manfaat penelitian ini : waktu. Setiap fakta, aturan dan hubungan harus
a. Sebagai acuan bagi masyarakat pembudidaya dimasukan ke dalam basis pengetahuan. Namun
dan pengambil kebijakan untuk mengembangkan perangkat lunak yang ada sekarang memperbolehkan
pakar untuk membuat dan mengubah basis
447
Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016) ISSN: 2089-9815
Yogyakarta, 18-19 Maret 2016
pengetahuan melalui Knowledge Acquisition Facility ada dalam basis aturan dengan menggunakan
(KAF). Knowledge Acquisition Facility (KAF) ini metode forward chaining yang nantinya
bertujuan untuk menyediakan suatu dialog antara menghasilkan jawaban berupa penyakit yang dicari
sistem pakar dengan seorang pakar untuk oleh user.
memperoleh pengetahuan, fakta dan aturan yang 7. Sistem Pembelajaran (Self Training Facility)
kemudian menempatkannya dalam knowledge base, Komponen dalam sistem pakar yang berguna
sehingga membuat knowledge base menjadi lebih untuk pembelajaran sistem secara mandiri, sehingga
mudah dalam pengaturan dan pemeliharaan. dapat mengolah aturan (rule) dan fakta (fact) dengan
2. Basis Pengetahuan (Knowledge Base) benar. Komponen ini merupakan fasilitas untuk
Komponen ini merupakan bagian yang terdapat mengatur posisi dari pengetahuan yang didapat dari
dalam proses inferensi yang bertujuan untuk pakar ke dalam basis pengetahuan (knowledge base),
menyimpan informasi dan aturan-aturan dimana pengetahuan tersebut secara mandiri
penyelesaian suatu pokok bahasan masalah beserta dikonversikan oleh sistem ke dalam bahasa yang
atributnya. Knowledge Base mengandung dapat dibaca oleh komputer. Metode Ripple Down
pengetahuan untuk pemahaman, formulasi, dan Rules (RDR) merupakan bagian dari self training
penyelesaian masalah yang dapat berasal dari pakar, facility dimana metode ini akan melakukan
jurnal, majalah, dan sumber pengetahuan lain. Basis pembelajaran secara mandiri terhadap suatu fakta
pengetahuan disusun atas dua elemen dasar yaitu yang diberikan oleh pengguna, yang mengubahnya
fakta dan aturan. Fakta merupakan informasi tentang menjadi bentuk aturan-aturan agar dapat dilakukan
obyek dalam area permasalahan tertentu. Sedangkan proses inferensi berdasarkan aturan tersebut.
aturan merupakan informasi tentang cara
memperoleh fakta baru dari fakta yang telah 2.2 Ripple Down Rules (RDR)
diketahui. Ripple Down Rules (RDR) pada awalnya adalah
3. Mekanisme Inferensi (Inference Engine) teknik akuisi pengetahuan secara umum dimana area
Mesin inferensi merupakan perangkat lunak yang aplikasi yang dimaksud di sini adalah kemampuan
melakukan penalaran dengan menggunakan untuk menambahkan komentar klinis atau
pengetahuan dari pakar untuk menganalisa data dan interpretasi laporan laboratorium untuk membantu
menghasilkan suatu kesimpulan atau hasil akhir dokter dalam memberi rujukan. Artinya, dokter yang
yang direpresentasikan melalui user interface memerintahkan tes darah patologi kimia, menerima
kepada pengguna. Komponen ini memiliki tugas tidak hanya hasil laboratorium tetapi saran dari ahli
utama untuk mengevaluasi kondisi (condition) dan patologi terhadap interpretasi hasil pengujian,
memeriksa semua kondisi dalam sebuah aturan pengujian lebih lanjut yang mungkin diperlukan dan
(rule) telah terpenuhi. Mekanisme inferensi yang sebagainya. Banyak laporan patologi berisi semacam
terdapat dalam penelitian ini menggunakan komentar sederhana dan seadanya; tujuan dari
algoritma forward chaining dalam penyusunan penggunaan Knowledge Base System (KBS) adalah
aturannya, dimana dari gejala-gejala yang diberikan untuk memberikan komentar jauh lebih rinci yang
oleh user dan kemudian mendapatkan hasil atau diberikan oleh ahli patologi di klinik pengelolaan
kesimpulan berupa penyakit yang diderita ikan laut pasien tertentu.
tersebut. Keuntungan dari area ini untuk sistem pakar atau
4. Fasilitas Penjelas (Explanation Facility) teknologi Artificial Intelligence (AI) lainnya adalah
Komponen tambahan ini akan meningkatkan bahwa tidak ada permintaan atau harapan terhadap
kemampuan dari sistem pakar yaitu untuk dokter untuk menerima laporan. Dokter tidak harus
menggambarkan penalaran sistem kepada pengguna berinteraksi dengan sistem, atau mengubah cara
(user). Dimana komponen ini berfungsi untuk operasionalnya. Dokter bisa memilih untuk
menjelaskan kepada pengguna tentang bagaimana mengagendakan tes diagnostik untuk pasien, melihat
kesimpulan diambil oleh sistem pakar. laporan, termasuk memberikan komentar
5. Antarmuka Pengguna (User Interface) interpretatif.
Komponen dalam sistem pakar yang digunakan Tentu saja, kualitas komentar akan menjadi
untuk berkomunikasi antara sistem dengan pengguna penting terutama apakah dokter memperhatikan
(user). Antarmuka menerima informasi yang komentar tersebut, tetapi kualitas komentar murni
diberikan oleh pengguna lalu mengubahnya ke tergantung pada tingkat keahlian dari sistem, bukan
dalam bentuk yang dapat diterima oleh sistem. pada isu-isu integrasi ke dalam alur kerja klinis.
Selain itu antarmuka menerima informasi dari sistem Menurut laporan (Buchanan, 2005) mengenai sistem
lalu menyajikannya ke dalam bentuk yang dapat pakar yang rutin digunakan untuk mencatat bahwa
dimengerti oleh pengguna. tiga dari empat sistem medis pertama rutin
6. Memori Kerja (Working Memory) digunakan untuk menyediakan interpretasi klinis
Komponen ini menyimpan sementara setiap dari hasil tes diagnostik.
fakta jawaban dari pengguna yang kemudian Ripple Down Rules (RDR) awalnya
digunakan oleh mesin inferensi untuk dikembangkan untuk menangani masalah
membandingkan fakta tersebut dengan aturan yang pemeliharaan salah satu sistem pakar medis pertama.
448
Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016) ISSN: 2089-9815
Yogyakarta, 18-19 Maret 2016
Mereka pertama kali diuji dalam bidang kedokteran Jika ditemukan identifikasi suatu kasus tidak
di sistem PEIRS. Namun, dalam studi ini ada benar, maka pakar hanya perlu memasukkan fakta
domain seorang ahli tunggal yang sangat erat terlibat yang benar untuk diletakkan pada bagian fakta yang
dalam pengembangan dan penggunaan sistem, salah tadi, lalu sistem akan membentuk aturan yang
sehingga selalu menjadi pertanyaan apakah teknik baru berdasarkan fakta yang diberikan oleh pakar
ini akan berguna di tangan yang berbeda. Telah dan juga aturan tersebut akan ditandai sebagai
dilakukan berbagai evaluasi untuk jenis masalah updating rule. Updating rule adalah penambahan
yang berbeda, tapi ini semua dilakukan dalam suatu aturan pengecualian tanpa mengubah susunan
konteks penelitian. dan kualitas dari rule-rule yang telah ada
Pada perkembangannya Ripple Down Rules sebelumnya. Jika suatu rule telah mengalami
(RDR) merupakan strategi dalam mengembangkan updating rule, maka user akan melihat tampilan
sistem secara bertahap dimana sistem tersebut sudah terbaru dari kasus tersebut.
digunakan. Saat sistem tidak memberikan respon Contoh pengimplementasian metode Ripple
yang benar maka perubahan perlu dilakukan tanpa Down Rules (RDR) pada kasus ini bisa kita lihat
mempengaruhi kompetensi sistem. Perubahan harus pada Gambar 3 di bawah :
dapat dilakukan dengan mudah dan cepat serta Aturan awal yang terbentuk dalam sistem
kesulitan dalam melakukan perubahan tidak boleh 1. IF perilaku berenang ikan yang tidak
beraturan
meningkat meskipun sistem berkembang. 2. AND beberapa ikan tenggelam ke dasar
Berbagai sistem Ripple Down Rules (RDR) bak
komersial telah dikembangkan untuk berbagai 3. AND kemudian mengapung lagi di
macam aplikasi. Riset telah membuktikan permukaan
4. AND pembengkakan gelembung renang
penggunaan Ripple Down Rules (RDR) di berbagai 5. AND letargik
aplikasi seperti : pengklasifikasian masalah, 6. AND warna tubuh terlihat lebih gelap
konfigurasi dan pencocokan parameter, pengolahan 7. AND hilang nafsu makan
teks, pengolahan citra, pencarian heuristik dan 8. Then Penyakit yang diderita Nervous
Necrosis Virus (NNV)
pencocokan algoritma genetika.
Gambar 3. Aturan awal dalam implementasi
2.3 Forward Chaining
Ripple Down Rules (RDR)
Metode yang digunakan dalam penelitian ini
Lalu pakar ingin memperbaiki gejala yang ada
adalah penalaran maju (forward chaining).
dalam sistem dan menggantinya menjadi gejala baru,
Penalaran maju (forward chaining) adalah metode
seperti dalam kasus ini pakar ingin mengubah gejala
inferensi yang memulai dengan menyusun fakta
letargik menjadi gerakan lemah.
yang diketahui dan fakta-fakta baru dengan
Pada Gambar 4 berikut ini pengimplementasian
menggunakan aturan yang memiliki premis sesuai
pengubahan gejala yang dimasukan oleh pakar :
dengan fakta yang diketahui, dan proses ini berlanjut 1. Sistem akan menunjukan semua yang
sampai sebuah kesimpulan tercapai atau sampai berhubungan dengan penyakit yang akan diubah
tidak ada aturan yang sesuai dengan fakta yang :
Kode Penyakit : P025
diketahui (Durkin, 1994). Nama penyakit : Nervous Necrosis Virus
Aturan-aturan yang ada dalam metode ini diuji (NNV)
satu demi satu dalam suatu urutan tertentu. Saat tiap Kode gejala : G001
aturan diuji, sistem pakar akan mengevaluasi apakah Nama gejala : perilaku berenang ikan yang
tidak beraturan
kondisinya benar atau salah. Jika kondisi benar, Kode Gejala : G002
maka aturan itu disimpan kemudian aturan Nama Gejala : beberapa ikan tenggelam
berikutnya diuji. Namun sebaliknya jika kondisi ke dasar bak
salah, aturan tidak disimpan. Proses ini akan Kode gejala : G003
Gejala : kemudian mengapung lagi di
berulang sampai seluruh aturan yang ada telah teruji permukaan
dengan berbagai kondisi. Hal ini bisa kita lihat di Kode gejala : …
Gambar 2. Gejala : …
2. Setelah itu sistem menanyakan gejala lama
apa yang akan diubah di dalam sistem ini :
Kode penyakit : P025
Penyakit : Nervous Necrosis Virus (NNV)
Kode Gejala : G005
Gejala lama yang akan diubah : letargik
3. Lalu sistem akan meminta aturan baru yang
akan ditambahkan ke dalam sistem pakar :
Gejala Baru : gerakan lemah
4. Setelah itu sistem akan melakukan
pelacakan basis aturan yang berhubungan
dengan Nervous Necrosis Virus (NNV) dan
letargik dan mengubah gejala lama tersebut
menjadi gerakan lemah.
Gambar 2. Forward Chaining Gambar 4. Impementasi pengubahan gejala
(Bratko ed. 4, bab 15, hal 343)
449
Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016) ISSN: 2089-9815
Yogyakarta, 18-19 Maret 2016
450
Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016) ISSN: 2089-9815
Yogyakarta, 18-19 Maret 2016
451
Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016) ISSN: 2089-9815
Yogyakarta, 18-19 Maret 2016
452
Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016) ISSN: 2089-9815
Yogyakarta, 18-19 Maret 2016
453
Seminar Nasional Teknologi Informasi dan Komunikasi 2016 (SENTIKA 2016) ISSN: 2089-9815
Yogyakarta, 18-19 Maret 2016
tentang penyakit, hama yang menyerang dan gejala- Sukadi, F. (2004). Kebijakan Pengendalian Hama
gejala yang diinputkan oleh pakar dan pengguna. dan Penyakit Ikan dalam Mendukung Akselerasi
Pengembangan Perikanan Budidaya. Dalam:
Prosiding Pengendalian Penyakit pada Ikan dan
Udang Berbasis Imunisasi dan Biosecurity,
Unsoed Purwokerto. Hal 1 – 7.
Buchanan, Bruce G. (Winter 2005). "A (Very) Brief
History of Artificial Intelligence" (PDF), AI
Magazine, pp. 53–60, retrieved 2007-08-30.
Hill, B.J. (2005). The Need for Effective Disease
Control in International Aquaculture. Dev. Biol.
(Basel) (121): 3–12.
Giarratano, J. C., Riley, G.D., (2005). Expert System
Principles and Programming
Fourth Edition, Canada: Course Technology.
Cao, L., W. Wang, Y. Yang, C. Yang, Z. Yuan, S.
Xiong and J. Diana. (2007). Environmental
impact of aquaculture and countermeasures to
Gambar 9. Menu hasil konsultasi aquaculture pollution in China. Environmental
3. KESIMPULAN Science in Pollution Res 14 (7): 452 – 46.
Kesimpulan yang dapat diambil berdasarkan Kementerian Kelautan dan Perikanan (KKP).
hasil implementasi dan analisa sistem untuk program (2009). Kelautan dan Perikanan dalam Angka.
penerapan metode Ripple Down Rules (RDR) dalam Pusat Data, Statistik dan Informasi KKP. Jakarta.
sistem pakar indentifikasi penyakit ikan air laut Fris Johnny dan Des Roza, (2009). Kasus infeksi
adalah sebagai berikut: irido pada benih ikan kerapu pasir, Epinephelus
a. Sistem dapat mengajukan pertanyaan yang lebih corralicola di hatchery. Jurnal Perikanan (J. Fish
sedikit kepada pengguna untuk menemukan suatu . Sci.) XI (1): 8-12.
penyakit. “Production Rules, Bratko ed. 4, chapter 15, page
b. Metode Ripple Down Rules (RDR) dapat 343”, (Online),
digunakan untuk proses pengaturan dan (http://www.cse.unsw.edu.au/~billw/cs9414/note
pemeliharaan sistem pakar. Metode ini memiliki s/kr/rules/rules.html, diakses 11 Januari 2016).
kemampuan untuk mengatur ulang aturan-aturan Romi Novriadi, (2014). Penyakit Ikan Air Laut di
yang terdapat dalam basis aturan berdasarkan fakta- Indonesia. Kementrian Kelautan dan Perikanan.
fakta yang ditambah, diubah maupun diperbaiki oleh Direktorat Jenderal Perikanan Budidaya.
pakar dalam sistem pakar ini. Direktorat Kesehatan Ikan dan Lingkungan,
c. Sistem mampu menjaga konsistensi fakta dan Jakarta.
aturan pada proses penambahan, perbaikan dan
penghapusan didalam sistem.
PUSTAKA
454