JURNAL INFORMATIKA, Vol.X No.X September 2018, pp.

X~X
ISSN: XXXX-XXXX
E-ISSN: XXXX-XXXX 1

Sistem Pakar Diagnosis Hama Dan Penyakit Tanaman

Pepaya Menggunakan Metode Certainty Factor
Berbasis Android

Andika Tanjung1, Rizki Tri Prasetio2, Yosep Hernawan3

1Universitas BSI Bandung

e-mail: andikatanjung94@gmail.com

2AMIK BSI Bandung

e-mail:

3AMIK BSI Tasikmalaya

e-mail: yosep.yha@bsi.ac.id

Abstrak
Pepaya merupakan tanaman buah berupa herba dari famili Caricaceae dan merupakan
komoditas hortikultura yang mempunyai nilai ekonomis yang tinggi. Tanaman pepaya dapat
menjadi daya tarik tersendiri bagi para petani untuk melakukan kegiatan usahatani pepaya
tersebut dan masyarakat juga bisa menaman pepaya di halaman rumah. Sistem pakar yang
merupakan bagian dari kecerdasan buatan. Sistem pakar adalah sistem komputer yang mampu
menirukan penalaran seorang pakar dengan keahlian pada suatu pengetahuan tertentu. Sistem
pakar dapat menggantikan peran seorang pakar yang pada prinsip kerjanya dapat memberikan
hasil yang pasti seperti yang dilakukan oleh seorang pakar. Pada skripsi ini dijelaskan cara
perancangan sistem pakar untuk mendiagnosis hama dan penyakit pada tanaman pepaya,
Metode certainty factor merupakan salah satu metode untuk membuktikan apakah suatu fakta itu
pasti, ataukah tidak pasti yang membentuk metric yang biasanya digunakan dalam system pakar.
Metode ini sangat cocok untuk system pakar yang mendiagnosa sesuatu yang belum pasti.
Faktor kepastian menyatakan kepercayaan dalam dalam sebuah kejadian atau fakta dalam
hipotesa berdasarkan bukti atau penilaian pakar. Keluaran sistem ini adalah keputusan tunggal
beerupa vonis penyakit.

Kata Kunci : Klasifikasi, Certainty Factor, Pepaya

Abstract

Papaya is a fruit plant in the form of herbs from the family Caricaceae and is a horticultural
commodity that has high economic value. Papaya plants can be a special attraction for farmers
to do the papaya farming activities and the community can also plant papaya in the yard. Expert
systems that are part of artificial intelligence. An expert system is a computer system that is able
to mimic the reasoning of an expert with expertise in a particular knowledge. Expert systems
can replace the role of an expert whose working principle can provide definite results as is done
by an expert. In this thesis explained how to design an expert system to diagnose pests and
diseases in papaya plants, the method of certainty factor is one method to prove whether a fact
is certain, or uncertain that forms a metric that is usually used in expert systems. This method
is very suitable for expert systems that diagnose something that is uncertain. The certainty factor
states confidence in an event or fact in the hypothesis based on evidence or expert judgment.
The output of this system is a single decision in the form of a verdict.

Keyword: Classification, Certainty Factor, Papaya

Diterima September XX, XXXX; Revisi Januari XX, 2019; Disetujui Maret XX, 2019

1. Pendahuluan
Pepaya merupakan salah satu
komoditas hortikultura yang memiliki
prospek cerah untuk dikembangkan secara
komersial. Hal ini dapat dilihat dari semakin
meningkatnya daya serap pasar dan
permintaan pepaya untuk konsumsi rumah
tangga, supermarket, pabrik, hotel, dan
restoran. Tidak hanya di dalam negeri,
ternyata pepaya mempunyai peluang bisnis
yang cerah di pasar luar negeri. Pasar
pepaya semakin meluas karena buah
subtropis ini tidak hanya dikonsumsi segar,
tetapi dapat diolah menjadi makanan seperti
saus dan manisan(Syakri, Mulyadi, &
Simbolon, 2017).
Produksi buah pepaya di Indonesia
pada tahun 2012 mencapai 906.312,00 ton
dan meningkat mencapai 909.827,00 ton
pada tahun 2013, sedangkan tahun 2014
menurun drastis 840.119,00 ton. Di Provinsi
Aceh, produksi buah pepaya sangat rendah
dengan pencapaian hanya rata-rata 1,24%
periode tahun 2012-2014 dari total produksi
pepaya di Indonesia(Irma Wahyuni, Buni
Amin, 2016).
Salah satu faktor pembatas dalam
peningkatan produksi, baik kualitas maupun
kuantitas buah pepaya ialah infeksi
Colletotrichum sp. penyebab antraknosa
ketika buah masih di pertanaman maupun
saat pascapanen(Rangkuti, Wiyono, &
Widodo, 2018).
Di era globalisasi yang kiat semarak
dibicarakan sekarang ini, teknologi
memegang perananan penting yang
tentunya tidak terlepas kaitanyanya dengan
teknologi komunikasi. Kemampuan
komputer dalam mengingat dan menyimpan
informasi dapat dimanfaatkan tanpa harus
bergantung kepada hambatan seperti yang
dimiliki manusia. Dengan menyimpan
informasi dan sehimpunan aturan penalaran
yang memadai memungkinkan komputer
memberitan kesimpulan atau mengambil
keputusan yang kualitasnya sama dengan
kemampuan seorang pakar bidang keilmuan
tertentu. Salah satu cabang ilmu komputer
yang mendukung hal tersebut adalah sistem
pakar(Harto, 2013).
Sistem pakar mempunyai
kemampuan untuk memudahkan masalah-
masalah praktis pada saat sang pakar
berhalangan. Dan salah satu implementasi
sistem pakar pada bidang pertanian yaitu
untuk mengidentifikasi penyakit tanaman.
Banyak sekali ragam hama dan penyakit
JURNAL INFORMATIKA Vol.5 No.1, April 2018: 1-2
2
tanaman dan beragam pula nama dan akibat
yang dihasilkannya(Warman, Informatika, &
Industri, 2018).
Sistem pakar ini akan
diimplementasikan dengan metode certainty
factor. Alasan penggunaan metode ini
karena dapat memberikan hasil yang akurat
yang didapatkan dari perhitungan
berdasarkan bobot gejala yang dipilih
pengguna, mampu memberikan jawaban
pada permasalahan yang tidak pasti
kebenarannya seperti masalah diagnosa
resiko penyakit, dan dengan metode ini
pakar menggambarkan keyakinan seorang
pakar dengan memberikan bobot keyakinan
sesuai dengan pengetahuan pakar
terkait(Halim & Hansun, 2015).
Berdasarkan dari uraian tersebut
maka perlu dibuat sebuah aplikasi, sehingga
nantinya penelitian tentang penyakit dan
hama pada tanaman pepaya ini dapat
memberi manfaat yang signifikan dan
system pakar penyakit dan hama pada
tanaman pepaya ini dapat efektif, dalam hal
ini penulis mengangkat suatu tema “SISTEM
PAKAR DIAGNOSIS HAMA DAN
PENYAKIT TANAMAN PEPAYA
MENGGUNAKAN METODE CERTAINTY
FACTOR BERBASIS ANDROID”.
2. Metode Penelitian
Metode penelitian yang dilakukan
meliputi teknik pengumpulan data dan
metode pengembangan sistem.
2.1. Teknik Pengumpulan Data
Teknik pengumpulan data dalam
penelitian ini meliputi:
1. Observasi
Pada tahap ini penulis melakukan
observasi ke Balai Perlindungan
Tanaman Pangan dan Hortikultura
(BPTPH) Jawa Barat guna mendapatkan
informasi tentang gejala penyakit dari
tanaman kedelai.
2. Wawancara
Pada tahap ini penulis melakukan
wawancara kepada para ahli / pakar
penyakit tanaman kedelai dan para
petani kedelai.
3. Studi Kepustakaan
Pada tahap ini penulis melakukan studi
pustaka dengan megumpulkan bahan
dari beberapa sumber, seperti buku
referensi, jurnal, dan sumber yang
berada dari internet.

2.2. Metode Pengembangan Sistem
Metode waterfall sering disebut
siklus kehidupan klasik yang sistematis
untuk pengembangan perangkat lunak
melalui proses perencanaan, pemodelan,
konstruksi, dan penyebaran, yang diakhiri
dengan dukungan pada perangkat lunak
lengkap yang dihasilkan (Pressman, 2012).
Metode waterfall berupa pengerjaan dari
suatu sistem dilakukan secara berurutan
atau secara linear. Adapun tahapan –
tahapan metode waterfall sebagai berikut:
1. Analisis Kebutuhan
Pada tahap ini, penulis menggali
sebanyak-banyaknya data dan informasi
dalam pembuatan software yang
dibutuhkan oleh pengguna. Informasi ini
didapat dengan cara wawancara, diskusi
atau survey langsung. Data ini akan
menjadi acuan sistem analis untuk
menerjemahkan ke dalam bahasa
pemrograman.
2. Desain Sistem
Tahapan ini menggambarkan
penuangan pikiran dan perancangan
sistem. Desain sistem membantu
mendefinisikan arsitektur sistem secara
keseluruhan.
3. Penulisan Kode Program
Pada tahapan ini penulis
menerjemahkan desain sistem ke dalam
coding atau bahasa pemrograman.
Tahap ini merupakan implementasi dari
tahap desain sistem yang dilakukan oleh
programmer.
4. Pengujian Program
Tahapan akhir dari sebuah sistem yaitu
pengujian kemampuan dan efektifitas
dari sistem sehingga diketahui
kekurangan dan kelemahan sistem yang
kemudian dilakukan pengkajian dan
perbaikan terhadap aplikasi agar lebih
sempurna.
5. Penerapan Program dan Pemeliharaan
Perubahan bisa terjadi karena adanya
kesalahan atau perkembangan
kebutuhan secara fungsional. Aplikasi
yang dibuat harus bisa menyesuaikan
dengan lingkungan dan kebutuhan.
Adapun algoritma dari metode certainty
factor adalah sebagai berikut:
1. Certainty Factor
Menurut (Mevung et al., 2017) dalam Sri
Kusumadewi (2003) Dalam menghadapi
suatu masalah sering ditemukan
jawaban yang tidak memiliki kepastian
JURNAL INFORMATIKA Vol.5 No.1, April 2018: 1-2
3
penuh. Hasil yang tidak pasti disebabkan
oleh dua faktor yaitu aturan yang tidak
pasti dan jawaban pengguna yang tidak
pasti atas suatu pertanyaan yang
diajukan oleh sistem. Seorang pakar
(misalnya dokter) sering menganalis
informasi yang ada dengan ungkapan
seperti “mungkin”, “kemungkinan besar”,
“hampir pasti”. Untuk mengakomodasi
hal ini kita menggunakan certainty factor
(CF) guna menggambarkan tingkat
keyakinan pakar terhadap masalah yang
sedang dihadapi.
Certainty Factor (CF) menujukkan
ukuran kepastian terhadap suatu fakta
atau aturan. Notasi Faktor Kepastian
adalah sebagai berikut:
CF[h,e] = MB[h,e] – MD[h,e]
Keterangan:
CF[h,e] : Faktor Kepastian
MB[h,e] : ukuran kepercayaan
terhadap hipotesis h, jika diberikan
evidence e (antara 0 dan 1).
MD[h,e] : ukuran ketidakpercayaan
terhadap evidence h,jika diberikan
evidence e (antara 0 dan 1).
2. Kombinasi Aturan
Metode MYCIN untuk menggabungkan
evidence pada antecedent sebuah
aturan yang ditunjukkan pada tabel
berikut ini:
Tabel 1. Aturan Kombinasi MYCIN
Evidence, E Antecedent Ketidak
Pastian
E1 AND E2 Min[CF(H,E1),
CF(H,E2)]
E1 OR E2 Max[CF(H,E1),
CF(H,E2)]
NOT E -CF(H,E)
Sumber: Sri Kusumadewi (2003)
Bentuk dasar rumus certainty factor
sebuah aturan JIKA E MAKA H adalah
sebagai berikut:
CF(H,e) = CF(E,e) * CF(H,E)
Di mana:
CF(E,e) : Certainty Factor evidence
E yang dipengaruhi oleh evidence e
CF(H,E) : Certainty Factor hipotesis
dengan asumsi evidence diketahui
dengan pasti, yaitu ketika CF(E,e) =
1

CF(H,e) : Certainty Factor hipotesis
yang dipengaruhi oleh evidence e
Jika semua evidence dan
antecedent diketahui dengan pasti
maka rumusnya menjadi: CF(H,e) =
CF (H,E). Dalam diagnosis suatu
penyakit, hubungan antara gejala
dengan hipotesis sering tidak pasti.
Sangat dimungkinkan beberapa
aturan menghasilkan satu hipotesis
dan suatu hipotesis menjadi
evidence bagi aturan lain. Kondisi
tersebut dapat digambarkan
sebagai berikut:
3. Perhitungan Certainty Factor
Sumber: Sri Kusumadewi (2003)
Gambar 1. Jaringan Penalaran Certainty
Factor
Dari gambar tersebut ditunjukan bahwa
certainty factor dapat digunakan untuk
menghitung perubahan derajat
kepercayaan dari hipotesis F, ketika A
dan B bernilai benar. Hal ini dapat
dilakukan dengan mengkombinasikan
semua certainty factor pada A dan B
menuju F menjadi sebuah alur hipotesis
certainty factor seperti berikut:
Sumber: Sri Kusumadewi (2003)
Gambar 2. Kombinasi Certainty Factor
Kombinasi seperti ini disebut kombinasi
pararel, sebagaimana ditunjukan oleh
gambar dibawah ini:
Sumber: Sri Kusumadewi (2003)
JURNAL INFORMATIKA Vol.5 No.1, April 2018: 1-2
4
Gambar 3. Kombinasi Paralel Certainty
Factor
Pada kondisi ini evidence E1 dan E2
mempengaruhi hipotesis yang sama,
yaitu H. Kedua Certainty Factor CF (H,
E1) dan CF (H, E2) di kombinasikan
menghasilkan certainty factor CF (H, E1,
E2). Certainty kedua aturan di
kombinasikan sehingga menghasilkan
certainty factor CF (H, E’). Untuk
menghitung kombinasi tersebut
digunakan rumus CF (H, E’) = CF (E, E’)
* CF (H, E).
Berikut ini adalah contoh ekspresi logika
yang mengkombinasikan evidence
E = (E1 AND E2 AND E3) OR (E4
AND NOT E5)
Gejala E akan dihitung sebagai:
E = max (min (E1, E2, E3), min (E4,
-E5))
Untuk nilai E1 = 0.9, E2 = 0.8, E3 =
0.3, E4 = -0.5, E5 = -0.4
Hasilnya adalah:
E = max (min (E1, E2, E3), min (E4,
-E5))
= max (0.3 – 0.5)
= 0.3
Bentuk dasar rumus certainty factor
sebuah aturan jika E maka H di tunjukan
oleh rumus berikut:
CF (H, e) = CF (E, e) * CF (H, E)
Dimana:
CF (E, e): Certainty Factor evidence
E yang di pengaruhi oleh evidence
CF (H, E): Certainty Factor hipotesis
dengan asumsi evidence di ketahui
dengan pasti, yaitu ketika CF (E, e)
=1
CF (H, e): Certainty Factor hipotesis
yang di pengaruhi oleh evidence
Jika semua evidence dan
antecedent di ketahui dengan pasti,
maka rumusnya di tunjukan sebagai
berikut:
CF (H, e) = CF (H, E) Karena CF (E,
e) = 1
Contoh kasus yang melibatkan
kombinasi CF:
JIKA batuk
DAN demam
DAN sakit kepala
DAN bersin-bersin
CF (E2, e) = 0,8 (pasien mengalami
demam 80%)
CF (E3, e) = 0,3 (pasien mengalami
sakit kepala 30%)
 5

CF (E4, e) = 0,7 (pasien mengalami

bersin-bersin 70%)
Sehingga
CF (E, e) = CF (H, E1 ∩ E2 ∩ E3 ∩
E4)
= min [CF (E1, e), CF (E2, e), CF
(E3,e), CF (E4,e)]
= min [0,5 , 0,8 , 0,3 , 0,7]
= 0,3
Maka nilai certainty factor hipotesis
adalah:
CF (H, e) = CF (E, e) * CF (H, E)
= 0,3 * 0,7
= 0,21

3. Hasil dan Pembahasan

3.1 Hasil
Berikut ini hasil pembuatan pada
aplikasi sistem pakar diagnosis penyakit
tanaman kedelai menggunakan metode Gambar 2. Tampilan Menu Diagnosis
certainty factor berbasis android.
C. Tampilan Menu Penyakit
A. Tampilan Menu Utama

Gambar 1. Tampilan Menu Utama

Gambar 3. Tampilan Menu Penyakit

B. Tampilan Menu Diagnosis

D. Tampilan Halaman Siklus dan

Pengendalian Penyakit

JURNAL INFORMATIKA Vol.5 No.1, April 2018: 1-2


Gambar 4. Tampilan Halaman Siklus dan
Pengendalian Penyakit
E. Tampilan Menu Tentang
Gambar 7. Tampilan Menu Tentang
JURNAL INFORMATIKA Vol.5 No.1, April 2018: 1-2
6
4. Kesimpulan
Dalam bab ini penulis mengambil
kesimpulan dari pembuatan aplikasi sistem
pakar berbasis android ini sebagai berikut :
1. Aplikasi ini dapat memudahkan petani
atau masyarakat untuk mengetahui
gejala awal hama dan penyakit
tanaman pepaya.
2. Aplikasi sistem pakar ini dapat
memberikan informasi dan solusi
tempat berkonsultasi untuk petani atau
masyarakat mengenai hama dan
penyakit tanaman pepaya.
3. Aplikasi sistem pakar diagnosis hama dan
penyakit tanaman pepaya ini dapat
membantu petani atau masyarakat untuk
mengetahui gejala awal penyakit tanaman
pepaya, tanpa harus mengeluarkan biaya
karena aplikasi ini bersifat offline
Referensi
Syakri, S. A., Mulyadi, & Simbolon, Z. K.
(2017). Identifikasi tingkat kebulatan
buah pepaya berdasarkan luas
objek dengan pengolahan citra.
Infomedia, 2(Desember), 2.
Irma Wahyuni, Buni Amin, M. A. U. (2016).
PENDAHULUAN Pepaya
merupakan buah lokal yang
merakyat . Sebagian EFEKTIVITAS
BERBAGAI KONSENTRASI DAN
WAKTU APLIKASI EKSTRAK
BUAH MENGKUDU TERHADAP
PENYAKIT ANTRAKNOSA
(Colletotrichum gloeosporioides)
PADA BUAH PEPAYA (Carica
papaya L.), 1(1), 101–109.
Rangkuti, E. E., Wiyono, S., & Widodo, W.
(2018). Identifikasi Colletotrichum
spp. Asal Tanaman Pepaya. Jurnal
Fitopatologi Indonesia, 13(5), 175.
https://doi.org/10.14692/jfi.13.5.175
Harto, D. (2013). Perancangan Sistem
Pakar Untuk Mengidentifikasi
Penyakit Pada Tanaman Semangka
Dengan Menggunakan Metode
Certainty Factor. Jurnal Pelita
Informatika Budi Darma, IV(2), 22–
27.
Warman, I., Informatika, J. T., & Industri, F.
T. (2018). IMPLEMENTASI CASE-
BASED REASONING SEBAGAI
METODE INFERENSI Gambar 1 .
Struktur Sistem Pakar, 6(1), 1–7.
https://doi.org/10.21063/JTIF.2018.
V6.1.1-7
 7

Halim, S., & Hansun, S. (2015). Penerapan

Metode Certainty Factor dalam
Sistem Pakar Pendeteksi Resiko
Osteoporosis dan Osteoarthritis.
ULTIMA Computing, VII(2), 59–69.
Mevung, F. I., Suyatno, A., Maharani, S.,
Komputer, I., Ilmu, F., Informasi, T.,
& Mulawarman, U. (2017).
Diagnosis Penyakit Kejiwaan
Menggunakan Metode Certainty
Factor, 2(1).

JURNAL INFORMATIKA Vol.5 No.1, April 2018: 1-2