Jurnal Pengembangan Teknologį Įnformasį dan Įlmu Komputer e-ĮSSN: 2548-964X

Vol. 2, No. 12, Desember 2018, hlm. 7386-7393 http://j-ptiik.ub.ac.id

Diagnosis Penyakit Tanaman Melon Menggunakan Metode PROMETHEE

Dito Rizki Pramudeka1, Nurul Hidayat2, Randy Cahya Wihandika3

Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya

Email: 1dr.pramudeka@gmail.com, 2ntayadih@ub.ac.id, 3rendicahya@ub.ac.id

Abstrak
Budidaya tanaman melon membutuhkan perawatan yang optimal dan kondisi lingkungan yang tepat,
karena rentan terhadap infeksi hama dan penyakit. Hal tersebut menimbulkan gagal panen karena
kesalahan dalam penanganan dan pemilihan obat yang digunakan dalam menanggulangi penyakit.
Penyuluh pertanian pada saat ini masih kesulitan mengidentifikasi penyakit yang menyerang tanaman
melon walaupun terlihat adanya perubahan pada tanaman melon tersebut serta menentukan solusi atau
cara penanganan untuk memberantas penyakit tersebut. Metode Promethee dapat digunakan sebagai
metode pembantu penentuan keputusan dengan membandingkan gejala-gejala antara satu penyakit
dengan penyakit lainnya menggunakan nilai-nilai kriteria preferensi. Pada sistem diagnosis penyakit
tanaman melon menggunakan metode Promethee memiliki proses utama yaitu menghitung nilai deviasi
perbandingan berpasangan untuk setiap penyakit dan menghitung nilai aliran peringkat yang berupa
Entering Flow, Leaving Flow, dan Net Flow. Sistem diagnosis penyakit pada tanaman melon
menggunakan 30 data uji menghasilkan tingkat akurasi sebesar 86,67% menggunakan kriteria preferensi
Usual dan Gaussian. Perbedaan tingkat akurasi pada setiap tipe preferensi dipengaruhi oleh penentuan
bobot setiap gejala pada setiap penyakit serta penentuan nilai batas dan nilai kecenderungan dalam
perhitungan.
Kata kunci: sistem pendukung keputusan, melon, penyakit tanaman melon, promethee
Abstract
Cultivation of melon plants requires optimal care and appropriate environmental conditions, as they
are susceptible to pest and disease infections. This leads to crop failure due to errors from the handling
and selection of the pesticides used in tackling them. The agricultural extensions at this time are still
have some difficulty to identify the diseases that attacked the melon plants despite the clear differences
between each melon plants and determine the solutions for handling and to eradicate the disease. Based
on the said problems, a melon plants’ diseases diagnosing system is designed. The Promethee method
can be used as a decision-assisting method by comparing the symptoms of one disease with another
using the criteria of preference. In the melon plants’ diseases diagnosing system using Promethee
method’s main functions are calculating the value of paired comparison deviation for each disease and
calculate the value of stream flow in the form of Entering Flow, Leaving Flow, and Net Flow. The melon
plants’ diseases diagnosing system using 30 test data resulted in an accuracy rate of 86.67% by using
Usual and Gaussian preference criteria. The difference in the level of accuracy in each type of
preference is determined by the weight of each symptom from each disease as well as the indifference
threshold and the preference threshold used in the calculation.
Keywords: decision support system, melon, melon plant disease, promethee

yang tepat, karena rentan terhadap infeksi hama

1. PENDAHULUAN
Tanaman melon merupakan tanaman
hortikultura yang memiliki nilai ekonomi yang
tinggi (Wilisiani, et al., 2014). Oleh karena itu,
budidaya tanaman melon membutuhkan
perawatan yang optimal dan kondisi lingkungan
dan penyakit. Hama dan penyakit ini biasanya
bersumber dari udara, binatang dan pengaruh
factor lingkungan lainnya yang merugikan bagi
peningkatan produksi tanaman (Aristya &
Daryono, 2012). Terkadang, para petani melon
tidak tahu tanamannya diserang penyakit dan
tidak tahu penyakit apa saja yang menyerang

Fakultas Ilmu Komputer

Universitas Brawijaya 7386
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
tanaman mereka (Harto, 2013). Hal tersebut
menimbulkan gagal panen karena kesalahan
dalam penanganan dan pemilihan obat yang
digunakan dalam menanggulangi penyakit.
Identifikasi jenis dan penentuan ciri-ciri
penyakit merupakan langkah awal yang
menentukan keberhasilan usaha pengelolaan
penyakit yang efektif, aman, dan efisien.
Penyuluh pertanian pada saat ini masih kesulitan
mengidentifikasi penyakit yang menyerang
tanaman melon walaupun terlihat adanya
perubahan pada tanaman melon tersebut serta
menentukan solusi atau cara penanganan untuk
memberantas penyakit tersebut. Penyuluh juga
masih kesulitan dalam memberikan penjelasan
kepada petani tentang gejala-gejala yang dialami
tanaman yang terkena penyakit (Harto, 2013).
Di era globalisasi saat ini, teknologi
memegang peranan penting sebagai media
penyimpanan dan penyampaian informasi tanpa
adanya hambatan seperti yang dimiliki manusia.
Informasi yang disimpan dapat dikelola
sehingga menghasilkan kesimpulan atau
keputusan yang kualitasnya hampir sama dengan
kemampuan seorang ahli pada suatu bidang
tertentu.
Metode Promethee telah digunakan sebagai
metode pembantu penentuan keputusan yang
memiliki tingkat akurasi sebesar 86,67%. Dari
hasil penelitian tersebut, metode Promethee
dapat digunakan sebagai salah satu cara untuk
menentukan keputusan dalam mendeteksi
penyakit yang menyerang tanaman melon.
2. TINJAUAN PUSTAKA
2.1 Penyakit Tanaman Melon
Melon (Cucumis melo L.) adalah tanaman
yang tergolong dalam famili Cucurbitaceae dan
genus Cucumis. Melon merupakan tanaman
agrikultura yang populer di Indonesia dalam
skala kecil sampai besar. Saat ini, produksi
melon di Indonesia meningkat sebesar 14,19%
selama 5 tahun terakhir namun masih belum bisa
memenuhi kebutuhan masyarakat dalam negeri
dan harus mengimpor melon dari luar negeri
(Prasetyo, et al., 2018). Budidaya tanaman
melon tidak luput dari serangan berbagai
penyakit yang berasal dari udara, binatang dan
pengaruh faktor lingkungan lainnya yang
merugikan bagi peningkatan produksi (Aristya
& Daryono, 2012). Penyakit yang dapat
meyerang tanaman melon antara lain Layu
Fusarium, Embun Tepung, Busuk Daun,
Fakultas Ilmu Komputer, Universitas Brawijaya
7387
Antraknosa, Kudis, Bercak Daun Bersudut,
Layu Bakteri, Busuk Buah Phytophtora, Busuk
Pythium, dan Mosaik.
2.2 Preference Ranking Organization
Methode for Enrichment Evaluation
(Promethee)
Preference Ranking Organization Methode
for Enrichment Evaluation (Promethee)
merupakan salah satu metode penetuan
peringkat dalam Multi Criteria Decission
Making (MCDM). Promethee merupakan
metode dengan menentukan urutan prioritas
dalam analisa multi kriteria sehingga
menghasilkan nilai peringkat tertinggi atau
outranking (Yuwono, et al., 2011).
Dalam Promethee, terdapat enam bentuk
fungsi preferensi kriteria (Novaliendry, 2009),
yaitu:
- Kriteria biasa (Usual Criterion)
0, 𝑥 = 0
𝐻(𝑥) = { (2.1)
1, 𝑥 ≠ 0
Pada tipe ini dianggap tidak ada perbedaan
pada masing-masing alternatif x. Apabila nilai
kriteria pada masing-masing alternatif berbeda,
maka preferensi bernilai benilai 1 (Satu) atau
H(x)=1 atau mutlak.
H(x)
1
0 x
Gambar 2.1 Usual Criterion
- Kriteria Quasi (Quasi Criterion)
0, −𝑞 ≤ 𝑥 ≤ 𝑞
𝐻(𝑥) = { (2.2)
1, 𝑥 < −𝑞 𝑎𝑡𝑎𝑢 𝑥 > 𝑞
Apabila selisih hasil evaluasi untuk masing-
masing alternatif x melebihi batas q maka
preferensi bernilai benilai 1 (Satu) atau H(x)=1
atau mutlak. Nilai q merupakan nilai batas yang
menjelaskan pengaruh yang signifikan dari suatu
kriteria.
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 7388

H(x) H(x)

1 1

-n -m 0 m n x
-m 0 m x
Gambar 2.4 Linear Quasi Criterion
Gambar 2.2 Quasi Criterion
- Kriteria Level (Level Criterion)
- Kriteria liner (Linear Criterion) 0, |𝑥| ≤ 𝑞
𝑥
𝑝
, −𝑝 ≤ 𝑥 ≤ 𝑝 𝐻(𝑥) = { 0,5, 𝑞 < |𝑥| ≤ 𝑝 (2.5)
𝐻(𝑥) = { (2.3)
1, 𝑥 < −𝑝 𝑎𝑡𝑎𝑢 𝑥 > 𝑝 1, |𝑥| > 𝑝
Selama nilai selisih hasil evaluasi untuk Pada nilai p lebih dari q, jika nilai selisih
masing-masing alternatif x tidak melebihi nilai hasil evaluasi untuk masing-masing alternatif x
kecenderungan p maka H(x) meningkat secara lebih dari nilai kecenderungan p, maka nilai
linear dangan nilai x. Apabila selisih hasil H(x)=1. Jika nilai selisih hasil evaluasi untuk
evaluasi untuk masing-masing alternatif masing-masing alternatif x kurang dari nilai
melebihi nilai kecenderungan p maka preferensi batas q, maka nilai H(x)=0. Jika nilai x berada
bernilai benilai 1 (Satu) atau H(x)=1 atau mutlak. diantara nilai p dan q, maka nilai H(x) adalah 0,5.

H(x) H(x)
1
1

-n -m 0 m n x
-n 0 n x
Gambar 2.5 Level Criterion
Gambar 2.3 Linear Criterion
- Kriteria Gaussian (Gaussian Criterion)
- Kriteria Linear Quasi (Linear Quasi 𝑥2

Criterion) 𝐻(𝑥) = 1 − 𝑒 2𝜎2 (2.6)

0, |𝑥| ≤ 𝑞 Pada kasus ini, ditentukan nilai deviasi
|𝑥|−𝑞 standar populasi σ. Nilai selisih hasil evaluasi
𝐻(𝑥) = { 𝑝−𝑞
, 𝑞 < |𝑥| ≤ 𝑝 (2.4) untuk masing-masing alternatif (x) dan nilai σ
1, |𝑥| > 𝑝 akan menentukan hasil nilai H(x).
Pada nilai p lebih dari q, jika nilai selisih
H(x)
hasil evaluasi untuk masing-masing alternatif x
lebih dari nilai kecenderungan p, maka nilai 1
H(x)=1. Jika nilai selisih hasil evaluasi untuk
masing-masing alternatif x kurang dari nilai
batas q, maka nilai H(x)=0. Jika nilai x berada
diantara nilai p dan q, maka nilai H(x) meningkat
secara linear diantara nilai p dan q. x
-σ 0 σ
Gambar 2.6 Gaussian Criterion

Entering Flow merupakan jumlah dari

aliran yang memiliki arah mendekat dari node a
yang dapat ditentukan menggunakan persamaan

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer
sebagai berikut.
1 Studi
ɸ− (𝑎) = 𝑛−1 ∑𝑥∈𝐴 ɸ(𝑥, 𝑎) (2.7)
Di mana:
n = banyak alterntif
∑𝑥∈𝐴 = jumlah nilai alternatif yang
menuju alternatif a
ɸ(𝑥, 𝑎) = nilai preferensi x dibandingkan
nilai preferensi a
Leaving Flow merupakan jumlah dari aliran
yang memiliki arah menjauh dari node a atau
yang berasal dari node a yang dapat ditentukan
menggunakan persamaan sebagai berikut.
1 Pengujian
ɸ+ (𝑎) = 𝑛−1 ∑𝑥∈𝐴 ɸ(𝑎, 𝑥) (2.8)
Di mana:
n = banyak alterntif
∑𝑥∈𝐴 = jumlah nilai alternatif yang
berasal dari alternatif a
ɸ(𝑎, 𝑥) = nilai preferensi a dibandingkan
nilai preferensi x
Net Flow merupakan penilaian secara
lengkap yang didapat dari nilai Leaving Flow
dikurangi nilai Entering Flow. Nilai Net Flow
tertinggi digunakan sebagai nilai akhir
penentuan hasil keputusan. Berikut merupakan
persamaan pada Net Flow.
ɸ(𝑎) = ɸ+ (𝑎) − ɸ− (𝑎) (2.9)
3. METODOLOGI
Bagian ini menjelaskan langkah-langkah
yang dilakukan dalam menentukan kebutuhan-
kebutuhan perancangan sistem pendukung
keputusan diagnosis penyakit tanaman melon
menggunakan metode Promethee. Berikut
Gambar 3.1 yang menunjukkan langkah-langkah
metodologi yang dilakukan dalam perancangan
ini, mulai dari studi literatur, analisa kebutuhan,
perancangan, implementasi, pengujian, dan
kesimpulan. Berikut urutan berupa diagram alir
dalam perancangan sistem pendukung keputusan
diagnosis penyakit tanaman melon
menggunakan metode Promethee.
Fakultas Ilmu Komputer, Universitas Brawijaya
7389
Literatur
Analisa
Kebutuhan
Perancangan
Implementasi
Kesimpulan
Gambar 3.1 Langkah-langkah Metodologi
Berikut merupan penjelasan dari langkah-
langkah metodologi penelitian pada Gambar 3.1:
1. Studi literatur menjelaskan dasar teori yang
digunakan untuk menunjang penulisan
tugas akhir. Literatur yang dipakai bisa
berasal dari jurnal, artikel, situs, karya
ilmiah, dan pakar. Informasi dan data yang
diperoleh dijadikan dasar teori untuk
mendukung pengerjaan penelitian.
2. Analisa kebutuhan bertujuan untuk
mendapatkan semua kebutuhan yang
diperlukan dari sistem pakar yang akan
dibangun. Jenis kebutuhan dibagi menjadi
2, yaitu kebutuhan fungsional dan
kebutuhan non fungsional. Kebutuhan
fungsional meliputi semua kebutuhan yang
dapat dilakukan oleh sistem pakar meliputi
data penyakit pada tanaman melon beserta
gejala-gejalanya, bobot nilai untuk masing-
masing gejala pada setiap penyakit, dan
Proses klasifikasi menggunakan metode
Promethee. Data penyakit beserta gejala-
gejalanya dan bobot untuk setiap penyakit
diperoleh dari hasil wawancara dengan
pakar mengenai hama dan penyakit
tanaman.
3. Perancangan berdasarkan kebutuhan
fungsional dan kebutuhan non fungsional
yang diperlukan dalam sistem diagnosis
penyakit tanaman melon menggunakan
metode Promethee. Selain itu, dibahas juga
bagaimana penerapan metode Promethe
pada diagnosis penyakit tanaman melon.
4. Implementasi berisi penjelasan tentang
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 7390

lingkungan implementasi, batasan-batasan 17 Bercak Daun Bersudut 1

implementasi, file-file implementasi dari 18 Layu Bakteri 0
19 Kudis 1
setiap modul atau kelas, serta implementasi
20 Bercak Daun Bersudut 1
algoritma operasi-operasi. Implementasi 21 Layu Bakteri 1
sistem menggunakan bahasa pemrograman 22 Busuk Pythium 1
PHP dan menggunakan basis data MySQL. 23 Antraknosa 1
Input pada sistem diagnosis berupa gejala- 24 Embun Tepung 1
gejala penyakit yang tampak dan dialami Busuk Buah
25 1
Phytophtora
oleh data uji. Sedangkan output dari sistem
26 Layu Bakteri 1
adalah hasil diagnosis berdasarkan hasil 27 Bercak Daun Bersudut 1
perhitungan menggunakan metode 28 Busuk Daun 1
Promethee. Hasil Net Flow tertinggi 29 Busuk Pythium 0
dijadikan hasi diagnosis sistem. 30 Layu Fusarium 1
5. Pengujian dilakukan untuk mengetahui Pada pengujian di Tabel 4.1, terdapat 26
nilai akurasi sistem terhadap hasil diagnosis data yang sesuai dengan hasil pengujian dari
pakar dengan membandingkan hasil pakar, oleh karena itu, akurasi dari pengujian
diagnosis sistem menggunakan setiap tersebut adalah sebagai berikut:
26
kriteria preferensi dalam perhitungan Akurasi(%) = 𝑥100%
30
metode Promethee. Akurasi(%) = 86,67%
6. Penarikan kesimpulan keberhasilan serta
kelayakan berdasarkan hasil implementasi Tabel 4.2 Pengujian menggunakan kriteria
dan tingkat akurasi sistem dan saran agar preferensi Quasi
penelitian atau sistem dapat dikembangkan
Hasil Diagnosis Kesesuaian Hasil
lebih lanjut. No
Pakar Diagnosis Sistem
1 Antraknosa 1
4. HASIL PENELITIAN Busuk Buah
2 1
Phytophtora
Pengujian akurasi dilakukan pada 30 data Busuk Buah
uji menggunakan setiap kriteria preferensi yang 3 1
Phytophtora
kemudian masing-masing dibandingkan dengan 4 Mosaik 1
hasil pengujian dari pakar. Berkut merupkan 5 Antraknosa 1
hasil pengujian sistem diagnosis penyakit 6 Busuk Pythium 0
7 Kudis 1
tanaman melong menggunakan metode 8 Bercak Daun Bersudut 1
Promethee dibandingkan dengan hasil pengujian 9 Bercak Daun Bersudut 1
dari pakar: 10 Bercak Daun Bersudut 0
11 Busuk Daun 1
Tabel 4.1 Pengujian menggunakan kriteria 12 Layu Bakteri 1
preferensi Usual 13 Layu Fusarium 1
14 Antraknosa 1
Hasil Diagnosis Kesesuaian Hasil 15 Embun Tepung 1
No
Pakar Diagnosis Sistem 16 Busuk Daun 0
1 Antraknosa 1 17 Bercak Daun Bersudut 1
Busuk Buah 18 Layu Bakteri 0
2 1
Phytophtora 19 Kudis 1
Busuk Buah 20 Bercak Daun Bersudut 1
3 1
Phytophtora
21 Layu Bakteri 1
4 Mosaik 1
22 Busuk Pythium 1
5 Antraknosa 1
23 Antraknosa 1
6 Busuk Pythium 0
24 Embun Tepung 1
7 Kudis 1
Busuk Buah
8 Bercak Daun Bersudut 1 25 0
Phytophtora
9 Bercak Daun Bersudut 1 26 Layu Bakteri 1
10 Bercak Daun Bersudut 0 27 Bercak Daun Bersudut 1
11 Busuk Daun 1 28 Busuk Daun 1
12 Layu Bakteri 1 29 Busuk Pythium 0
13 Layu Fusarium 1 30 Layu Fusarium 1
14 Antraknosa 1
15 Embun Tepung 1
Pada pengujian di Tabel 4.2, terdapat 24
16 Busuk Daun 1 data yang sesuai dengan hasil pengujian dari

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 7391

pakar, oleh karena itu, akurasi dari pengujian 6 Busuk Pythium 0

tersebut adalah sebagai berikut: 7 Kudis 1
24 8 Bercak Daun Bersudut 1
Akurasi(%) = 30 𝑥100% 9 Bercak Daun Bersudut 1
Akurasi(%) = 80% 10 Bercak Daun Bersudut 0
11 Busuk Daun 1
12 Layu Bakteri 1
Tabel 4.3 Pengujian menggunakan kriteria
13 Layu Fusarium 1
preferensi Linear
14 Antraknosa 1
Hasil Diagnosis Kesesuaian Hasil 15 Embun Tepung 1
No
Pakar Diagnosis Sistem 16 Busuk Daun 0
1 Antraknosa 1 17 Bercak Daun Bersudut 1
Busuk Buah 18 Layu Bakteri 0
2 1
Phytophtora 19 Kudis 1
Busuk Buah 20 Bercak Daun Bersudut 1
3 1
Phytophtora 21 Layu Bakteri 1
4 Mosaik 1 22 Busuk Pythium 1
5 Antraknosa 1 23 Antraknosa 1
6 Busuk Pythium 0 24 Embun Tepung 1
7 Kudis 1 Busuk Buah
25 1
8 Bercak Daun Bersudut 1 Phytophtora
9 Bercak Daun Bersudut 1 26 Layu Bakteri 1
10 Bercak Daun Bersudut 0 27 Bercak Daun Bersudut 1
11 Busuk Daun 1 28 Busuk Daun 1
12 Layu Bakteri 1 29 Busuk Pythium 0
13 Layu Fusarium 0 30 Layu Fusarium 1
14 Antraknosa 1 Pada pengujian di Tabel 4.4, terdapat 25
15 Embun Tepung 1 data yang sesuai dengan hasil pengujian dari
16 Busuk Daun 0
17 Bercak Daun Bersudut 1
pakar, oleh karena itu, akurasi dari pengujian
18 Layu Bakteri 1 tersebut adalah sebagai berikut:
25
19 Kudis 1 Akurasi(%) = 30 𝑥100%
20 Bercak Daun Bersudut 1
21 Layu Bakteri 1 Akurasi(%) =83,33%
22 Busuk Pythium 1
23 Antraknosa 1 Tabel 4.5 Pengujian menggunakan kriteria
24 Embun Tepung 1 preferensi Level
Busuk Buah
25 0 Hasil Diagnosis Kesesuaian Hasil
Phytophtora No
Pakar Diagnosis Sistem
26 Layu Bakteri 1
1 Antraknosa 0
27 Bercak Daun Bersudut 1
Busuk Buah
28 Busuk Daun 1 2 0
Phytophtora
29 Busuk Pythium 0
Busuk Buah
30 Layu Fusarium 1 3 0
Phytophtora
Pada pengujian di Tabel 4.3, terdapat 24 4 Mosaik 1
data yang sesuai dengan hasil pengujian dari 5 Antraknosa 1
pakar, oleh karena itu, akurasi dari pengujian 6 Busuk Pythium 0
tersebut adalah sebagai berikut: 7 Kudis 1
24 8 Bercak Daun Bersudut 1
Akurasi(%) = 30 𝑥100% 9 Bercak Daun Bersudut 1
Akurasi(%) = 80% 10 Bercak Daun Bersudut 0
11 Busuk Daun 1
Tabel 4.4 Pengujian menggunakan kriteria 12 Layu Bakteri 0
13 Layu Fusarium 1
preferensi Linear Quasi
14 Antraknosa 0
Hasil Diagnosis Kesesuaian Hasil 15 Embun Tepung 1
No
Pakar Diagnosis Sistem 16 Busuk Daun 1
1 Antraknosa 1 17 Bercak Daun Bersudut 1
Busuk Buah 18 Layu Bakteri 0
2 1
Phytophtora 19 Kudis 0
Busuk Buah 20 Bercak Daun Bersudut 1
3 1
Phytophtora 21 Layu Bakteri 0
4 Mosaik 1 22 Busuk Pythium 1
5 Antraknosa 1 23 Antraknosa 1

Fakultas Ilmu Komputer, Universitas Brawijaya

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 7392

24 Embun Tepung 1 dapat disimpulkan bahwa nilai akurasi tertinggi

Busuk Buah dari hasil diagnosis sistem dibandingkan dengan
25 0
Phytophtora
26 Layu Bakteri 1
hasil diagnosis pakar adalah sebesar 86,67%
27 Bercak Daun Bersudut 1 dengan menggunakan kriteria preferensi Usual
28 Busuk Daun 1 dan Gaussian. Perbedaan tingkat akurasi pada
29 Busuk Pythium 0 setiap tipe preferensi dipengaruhi oleh
30 Layu Fusarium 1 penentuan bobot setiap gejala pada setiap
Pada pengujian di Tabel 4.5, terdapat 18 penyakit serta penentuan nilai batas dan nilai
data yang sesuai dengan hasil pengujian dari kecenderungan dalam perhitungan.
pakar, oleh karena itu, akurasi dari pengujian
tersebut adalah sebagai berikut: 5. KESIMPULAN
18
Akurasi(%) = 30 𝑥100% Dari hasil perancangan, implementasi, dan
Akurasi(%) = 60% pengujian sistem diagnosis penyakit pada
tanaman melon menggunakan metode
Tabel 4.6 Pengujian Menggunakan Kriteria Promethee dapat disimpulkan bahwa:
Preferensi Gaussian - Hasil implementasi sistem diagnosa
Hasil Diagnosis Kesesuaian Hasil penyakit tanaman melon berdasarkan hasil
No
Pakar Diagnosis Sistem perancangan berupa tampilan antarmuka
1 Antraknosa 1 yang berisi menu info penyakit dan
Busuk Buah
2 1 diagnosis penyakit. Pada menu info
Phytophtora
Busuk Buah penyakit menampilkan informasi tentang
3 1 penyakit pada tanaman melon beserta
Phytophtora
4 Mosaik 1 gejala-gejalanya. Pada tampilan diagnosis
5 Antraknosa 1 pengguna dapat memasukkan gejala-gejala
6 Busuk Pythium 0 yang tampak ada data uji serta memilih
7 Kudis 1
8 Bercak Daun Bersudut 1
kriteria preferensi metode Promethee serta
9 Bercak Daun Bersudut 1 melakukan diagnosis penyakit berdasarkan
10 Bercak Daun Bersudut 0 gejala-gejala yang dimasukkan. Hasil
11 Busuk Daun 1 perhitungan ditampilkan pada halam hasil
12 Layu Bakteri 1 diagnosis yang berupa peringkat penyakit
13 Layu Fusarium 1 berdasarkan perhitungan. Penyakit dengan
14 Antraknosa 1
15 Embun Tepung 1
peringkat tertinggi dijadikan sebagai hasil
16 Busuk Daun 1 diagnosis.
17 Bercak Daun Bersudut 1 - Dari 30 buah data uji, nilai akurasi dari hasil
18 Layu Bakteri 0 diagnosis sistem dibandingkan dengan hasil
19 Kudis 1 diagnosis pakar sebesar 86,67%
20 Bercak Daun Bersudut 1 menggunakan kriteria preferensi Usual dan
21 Layu Bakteri 1
22 Busuk Pythium 1
Gaussian. Perbedaan tingkat akurasi pada
23 Antraknosa 1 setiap tipe preferensi dipengaruhi oleh
24 Embun Tepung 1 penentuan bobot setiap gejala pada setiap
25
Busuk Buah
1
penyakit serta penentuan nilai batas dan
Phytophtora nilai kecenderungan dalam perhitungan.
26 Layu Bakteri 1
27 Bercak Daun Bersudut 1
28 Busuk Daun 1
DAFTAR PUSTAKA
29 Busuk Pythium 0 Aristya, G. R. & Daryono, B. S., 2012.
30 Layu Fusarium 1 Karakteristik Fenotip dan Pewarisan Sifat
Pada pengujian di Tabel 4.6, terdapat 26 Ketahanan Terhadap Penyakit Powdery
data yang sesuai dengan hasil pengujian dari Mildew pada Tanaman Melon Var.
pakar, oleh karena itu, akurasi dari pengujian Tacapa Hasil Pemuliaan Tanaman.
tersebut adalah sebagai berikut: Prosiding Insinas, pp. 258-301.
26
Akurasi(%) = 𝑥100%
30 Harto, D., 2013. Perancangan Sistem Pakar
Akurasi(%) = 86,7% untuk Mengidentifikasi Penyakit pada
Tanaman Semangka dengan
Berdasarkan beberapa pengujian di atas Menggunakan Metode Certainity Factor.
Fakultas Ilmu Komputer, Universitas Brawijaya
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer 7393

Pelita Informatika Budi Darma, IV(2).

Novaliendry, D., 2009. Aplikasi Penggunaan
Metode Promethee dalam Sistem
Pendukung Keputusan untuk Penentuan
Media Promosi Studi Kasus: STMIK
Indonesia. Jurnal Ilmiah Kursor, 5(n), pp.
104-114.
Prasetyo, D., Hidayat, N. & Afirianto, T., 2018.
Sistem Diagnosis Penyakit Tanaman
Melon Menggunakan Metode Dempster-
Shafer. Jurnal Pengembangan Teknologi
Informasi dan Ilmu Komputer, 2(11), pp.
4532-4538.
Wilisiani, F., Somowiyarjo, S. & Hartono, S.,
2014. Identifikasi Molekuler Virus
Penyebab Daun Keriting Isolat Bantul
pada Melon. Jurnal Pelindungan
Tanaman Indonesia, 18(1), pp. 47-54.
Yuwono, B., Kodong, F. R. & Yudha, H. A.,
2011. SISTEM PENDUKUNG
KEPUTUSAN MENGGUNAKAN
METODE. Telematika, 8(1), pp. 63-74.

Fakultas Ilmu Komputer, Universitas Brawijaya