APLIKASI SISTEM PAKAR UNTUK DIAGNOSA HAMA DAN PENYAKIT TANAMAN KELAPA SAWIT MENGGUNAKAN NAIVE BAYES (STUDY KASUS : PT. Perkebunan Nusantara V)
TUGAS AKHIR Diajukan Sebagai Salah Satu Syarat Untuk Memperoleh Gelar Sarjana pada Jurusan Teknik Informatika oleh : KHAIRIL MUSTAQIM 10651004303
FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS ISLAM NEGERI SULTAN SYARIF KASIM RIAU PEKANBARU 2013
APLIKASI SISTEM PAKAR UNTUK DIAGNOSA HAMA DAN PENYAKIT TANAMAN KELAPA SAWIT MENGGUNAKAN NAIVE BAYES (STUDY KASUS : PT. Perkebunan Nusantara V)
KHAIRIL MUSTAQIM 10651004303 Tanggal Sidang : 14 Juni 2013 Periode Wisuda : November 2013
Jurusan Teknik Informatika Fakultas Sains dan Teknologi Universitas Islam Negeri Sultan Syarif Kasim Riau
ABSTRAK Minimnya pengetahuan petani tentang hama penyakit tanaman kelapa sawit berakibat kurangnya hasil panen dari tanaman tersebut. Akibatnya banyak petani yang menebang pohon sebagai upaya memberantas hama penyakit. Pada penelitian ini dibangun sebuah sistem pakar untuk mendiagnosa hama penyakit tanaman kelapa sawit dengan cara memberikan kesimpulan tentang jenis hama penyakit yang diderita, nilai probabilitasnya dan bagaimana cara pemberantasannya guna menentukan nilai probabilitas setiap gejala digunakan metode Naïve Bayes dengan mengalikan probabilitas semua gejala untuk setiap hama penyakit, kemudian mengalikan dengan probabilitas setiap hama, maka akan diperoleh nilai probabilitas maksimum setiap hama penyakit. Dalam implementasinya digunakan VB.Net dan database Ms. Access 2007. Dari hasil pengujian diperoleh bahwa sistem ini 90% mampu mendiagnosa hama penyakit tanaman kelapa sawit berdasarkan metode Naïve Bayes. Kata Kunci : Forward Chaining, Hama Penyakit Kelapa Sawit, Naïve Bayes, Sistem Pakar
vii
KATA PENGANTAR Alhamdulillaahi Robbil’alamin, penulis ucapkan syukur yang setinggitinggi ke-hadirat Allah SWT, karena atas segala limpahan rahmat dan karuniahnya yang diberikan sehingga saya dapat menyelesaikan penelitian sekaligus penulisan laporan tugas akhir ini. Allahumma sholli’ala Muhammad wa’ala ali sayyidina Muhammad, yang tidak lupa saya haturkan juga untuk junjungan alam, kekasih Allah, Rasul Allah, dan tauladan kita yakni Nabi Muhammad SAW. Laporan tugas akhir ini merupakan salah satu prasyarat untuk memenuhi persyaratan akademis dalam rangka meraih gelar kesarjanaan di Jurusan Teknik Informatika, Fakultas Sains dan Teknologi, Universitas Islam Negeri Sultan Syarif Kasim Riau (UIN SUSKA Riau). Selama menyelesaikan tugas akhir ini, saya telah banyak mendapatkan bantuan, bimbingan, dan petunjuk dari banyak pihak baik secara langsung maupun tidak langsung. Untuk itu dalam kesempatan ini saya ingin mengucapkan terimakasih yang sebesar-besarnya kepada: 1. Prof. Dr. H. M. Nazir, selaku Rektor Universitas Islam Negeri Sultan Syarif Kasim Riau. 2. Dra. Yenita Morena, M.Si, selaku Dekan Fakultas Sains dan Teknologi Universitas Islam Negeri Sultan Syarif Kasim Riau. 3. Ibu Dr. Okfalisa, ST, M.Sc selaku Ketua Jurusan Teknik Informatika Fakultas Sains dan Teknologi dan selaku dosen pembimbing tugas akhir. Terima kasih atas dukungan, ilmu serta semangat yang Ibu berikan dalam membimbing saya mengerjakan Tugas Akhir ini. 4. Bapak Reski Mai Candra, ST, M.Sc Selaku koordinator tugas akhir yang telah memberi masukan-masukan untuk penyelesaian tugas akhir ini, dan sangat sabar membantu penulis dalam mempersiapkan semua kebutuhan penulis dalam penyelesaian Tugas Akhir ini.
ix
5. Ibu Fitri Wulandari, S.Si, M.Kom Selaku dosen penguji 1 yang telah banyak memberi masukan, ilmu dan motifasi untuk penyelesaian Tugas Akhir ini. 6. Bapak Syafrizal ST, M.Cs Selaku dosen penguji 2 yang telah banyak memberi masukan, ilmu dan motifasi untuk penyelesaian Tugas Akhir ini. 7. Terimakasih yang sangat tidak terhingga kepada Orang Tua saya, Ayah dan Ibu. Terimakasih atas do’a dan semua yang Ayah dan Ibu berikan selama ini. 8. Terimakasih untuk abang-abang dan kakak-kakak saya, Zul Irinto, Yelly Hesnetty, Riswarni, Elhafizah,
Nailil Husnah, Adikku Ikhwan Islami,
Adikku Almaratussholihah. Terimakasih atas dukungan moril maupun materilnya. Dan tidak lupa pula kepada seluruh keponakanku yang terinta. 9. Terimakasih kepada Yeni Mandala, S.Farm, Apt. yang telah banyak memberikan semangat dan motifasi untuk menyelesaikan tugas akhir ini 10. Terima kasih kepada teman-teman TIF A angkatan 06 yang selalu memberi senyum dan semangat yang luar biasa. 11. Teman-teman di kost, Slamet, Candra, Aidil, Ocu Irul, Jomi, Roni, dan mas pendi. Nama kost yang indah untuk selalu diingat . 12. Dan terakhir, terimakasih pula saya ucapkan untuk Almamater Teknik Informatika UIN Sultan Syarif Kasim Riau serta pihak-pihak lain yang tidak dapat saya sebutkan satu persatu. Terimakasih banyak atas bantuan dan dukungannya yang berharga. Akhirnya, saya menyadari dalam penulisan laporan ini masih terdapat kekurangan. Oleh karena itu, saran dan kritik sangat saya harapkan untuk kemajuan saya secara pribadi. Terimakasih. Pekanbaru,
Penulis
x
2013
DAFTAR ISI
Halaman LEMBARAN PERSETUJUAN.................................................................................... ii LEMBARAN PENGESAHAN.................................................................................... iii LEMBARAN HAK ATAS KELAYAKAN INTELEKTUAL.................................... iv LEMBARAN PERNYATAAN .................................................................................... v LEMBARAN PERSEMBAHAN ................................................................................ vi ABSTRAK .................................................................................................................. vii ABSTRACT................................................................................................................. viii KATA PENGANTAR ................................................................................................. ix DAFTAR ISI................................................................................................................ xi DAFTAR GAMBAR .................................................................................................. xv DAFTAR TABEL...................................................................................................... xvi DAFTAR LAMPIRAN............................................................................................. xvii DAFTAR ISTILAH ................................................................................................. xviii DAFTAR SIMBOL.................................................................................................... xix BAB I
PENDAHULUAN 1.1 Latar Belakang ........................................................................... ...........I-1 1.2 Rumusan Masalah ...................................................................... ...........I-2 1.3 Batasan Masalah......................................................................... ...........I-2 1.4 Tujuan ........................................................................................ ...........I-3 1.5 Sistematika Penulisan ................................................................ ...........I-3
BAB II LANDASAN TEORI 2.1 Sistem Pakar......................................................................................... II-1 2.1.1 Defenisi Sistem Pakar ................................................................. II-1 2.1.2 Komponen Sistem Pakar ............................................................. II-3 2.1.2.1 Antar Muka Pengguna (user interface)........................... II-3 2.1.2.2 Basis Pengetahuan........................................................... II-3 xi
2.1.2.3 Akuisisi Pengetahuan ...................................................... II-4 2.1.2.4 Mesin Inferensi................................................................ II-4 2.1.2.5 Blackboard ...................................................................... II-5 2.1.2.6 Fasilitas Penjelasan ......................................................... II-5 2.1.2.7 Perbaikan Pengetahuan ................................................... II-6 2.2 Naïve Bayes.......................................................................................... II-6 2.2.1 Probabilitas dan Teorema Bayes ................................................. II-6 2.2.2 Deskripsi Algoritma .................................................................... II-8 2.2.3 Keoptimalan Naïve Bayes ........................................................... II-9 2.2.4 Perhitungan Metode Naïve Bayes ............................................... II-10 2.3 Tanaman Kelapa Sawit ........................................................................ II-11 2.3.1 Defenisi Hama............................................................................. II-12 2.3.2 Defeni Penyakit........................................................................... II-15 BAB III METODOLOGI PENELITIAN 3.1 Pengumpulan Data ............................................................................... III-2 3.2 Analisa ................................................................................................. III-2 3.2.1 Analisa Basis Pengetahuan ......................................................... III-3 3.2.2 Analisa Representasi Pengetahuan.............................................. III-3 3.2.3 Metode Inferensi ......................................................................... III-3 3.2.4 Analisa Naïve Bayes.................................................................... III-3 3.2.5 Analisa Data ................................................................................ III-3 3.2.6 Analisa Fungsonal ....................................................................... III-3 3.3 Perancangan Perangkat Lunak ............................................................. III-4 3.3.1 Perancangan Basis Data .............................................................. III-4 3.3.2 Perancangan Struktur Menu ........................................................ III-4 3.3.3 Perancangan Antar Muka (Interface).......................................... III-4 3.3.4 Perancangan Pseudocode ............................................................ III-4 3.4 Implementasi ........................................................................................ III-4 3.5 Pengujian.............................................................................................. III-5 3.6 Kesimpulan dan Saran.......................................................................... III-6 xii
BAB IV ANALISA DAN PERANCANGAN 4.1 Analisa Sistem...................................................................................... IV-1 4.1.1 Analisis Basis Pengetahuan ....................................................... IV-1 4.1.2 Akuisisi Pengetahuan ..............................................................IV-10 4.1.3 Mesin Inferensi.........................................................................IV-12 4.1.4 Analisa Naïve Bayes.................................................................IV-15 4.1.5 Analisa Fungsional...................................................................IV-17 4.1.5.1 Flowchart .....................................................................IV-17 4.1.5.2 Diagram Context (Context Diagram) ..........................IV-21 4.1.5.3 DFD (Data Flow Diagram) .........................................IV-21 4.1.5.4 Analisa Data Sistem .....................................................IV-24 4.2 Perancangan Sistem .........................................................................IV-24 4.2.1 Perancangan Basis Data ...........................................................IV-25 4.2.2 Perancangan Struktur Menu .....................................................IV-26 4.2.3 Perancangan Antar Muka.........................................................IV-27 4.2.3.1 Rancangan Menu Utama ..............................................IV-27 4.2.3.2 Rancangan Menu Diagnosa .........................................IV-28 4.3 Perancangan Pseudocode ..................................................................IV-29 4.3.1 Decision Tree ...........................................................................IV-29 4.3.2 Proses Diagnosa Penyakit ........................................................IV-35 BAB V IMPLEMENTASI DAN PENGUJIAN 5.1 Implementasi ........................................................................................ V-1 5.1.1 Batasan Implementasi ................................................................. V-1 5.1.2 Lingkungan Implementasi........................................................... V-1 5.1.3 Analisis Hasil ............................................................................. V-2 5.1.4 Implementasi Model Persoalan ................................................... V-2 5.1.4.1 Tampilan Menu Utama ................................................... V-2 5.1.4.2 Tampilan Menu Diagnosa Penyakit ................................ V-3 5.1.4.3 Tampilan Data Hama Penyakit ....................................... V-4 5.1.4.4 Tampilan Pengelolaan Data Gejala ................................. V-4 xiii
5.1.4.5 Tampilan Pengelolaan Gejala Hama Penyakit ................ V-5 5.2 Pengujian Sistem.................................................................................. V-6 5.2.1 Lingkungan Pengujian Sistem..................................................... V-6 5.2.2 Perangkat Lunak Pengujian......................................................... V-6 5.2.3 Perangkat Keras Pengujian ......................................................... V-6 5.2.4 Pngujian Black Box ..................................................................... V-6 5.2.4.1 Modul Pengujian Mendiagnosa Hama Penyakit ............. V-6 5.2.4.2 Modul Pengujian Tampil Hama Penyakit dan Tingkat Keyakinannya .................................................... V-7 5.2.5 Pengujian User Acceptence Test .............................................. V-26 5.2.5.1 User (Pengguna) Biasa ................................................. V-26 5.2.5.2 Pakar (Ahli)................................................................... V-27 5.2.6 Pengujian Pakar......................................................................... V-28 5.2.7 Kesimpulan Pengujian .............................................................. V-31 BAB VI PENUTUP 6.1 Kesimpulan .........................................................................................VI-1 6.2 Saran....................................................................................................VI-2 DAFTAR PUSTAKA ................................................................................................ xxi LAMPIRAN DAFTAR RIWAYAT HIDUP
xiv
BAB I PENDAHULUAN
1.1 Latar Belakang Konsultasi terhadap seseorang yang memiliki expertise dibidang tertentu dalam menyelesaikan suatu permasalahan merupakan pilihan tepat guna mendapatkan jawaban, saran, solusi, keputusan atau kesimpulan terbaik. Jawaban seorang expert atas sebuah konsultasi tentunya sangat dapat dipercaya atau dipertanggung jawabkan serta dapat berpengaruh terhadap mutu serta kualitas hasil dari suatu permasalahan, ini dikarenakan seorang expert selalu menguasai terhadap bidang yang ditekuninya berdasakan keilmuan dan pengalamannya. Besarnya manfaat dari kelapa sawit baik bagi negara, pihak swasta, maupun rakyat yang mengharapkan pertumbuhan dan produktivitas kelapa sawit meningkat
terus-menerus
sehingga
faktor-faktor
yang
mempengaruhi
pertumbuhan dan produktivitas kelapa sawit harus diperhatikan. Salah satu faktor yang dapat mengurangi pertumbuhan dan produktivitas kelapa sawit adalah adanya hama dan penyakit tanaman kelapa sawit. Pendiagnosaan terhadap hama dan penyakit pada tanaman kelapa sawit memang harus dilakukan secepat dan seakurat mungkin, dikarenakan hama dan penyakit pada tanaman tersebut dapat dengan cepat menyebar serta menyerang keseluruh lahan kelapa sawit. (Utomo, 2005) Dalam hal ini peran seorang expert sangat diandalkan untuk mendiagonosa dan menentukan jenis hama dan penyakit serta memberikan contoh cara penanggulangan guna mendapatkan solusi terbaik. Demikian pula jika ditemukan adanya jenis hama dan penyakit baru pada tanaman tersebut, maka seorang expert harus melakukan penelitian guna mendapatkan keterangan-keterangan dari hama atau penyakit baru tersebut dan secepat mungkin memberikan sosialisasi kepada para petani atau kelompok tani mengenai jenis hama dan penyakit baru tersebut beserta cara penanganannya.
I-1
Namun demikian, keterbatasan yang dimiliki seorang expert terkadang menjadi kendala bagi para petani yang akan melakukan konsultasi guna menyelesaikan suatu permasalahan untuk mendapatkan solusi terbaik. Dalam hal ini sistem pakar dihadirkan sebagai alternatif kedua dalam memecahkan permasalahan setelah seorang expert. Pengimplementasian menggunakan Naïve Bayes Bayes pada sebuah sistem pakar juga sudah pernah digunakan oleh Nirmala Mahaning dalam kasus untuk menentukan makanan diet sehat pada penyakit jantung berdasarkan golongan darah. Metode Naïve Bayes digunakan untuk menentukan nilai maksimum dari setiap hama penyakit. Sistem ini nantinya akan memiliki kelebihan dalam hal mudah digunakan sehingga masalah yang ada saat ini dapat dipecahkan. Untuk itu penulis ingin mengetengahkan suatu rancangan guna mengatasi permasalahan yang ada dengan membuat tugas akhir dengan judul “Aplikasi Sistem Pakar Untuk Diagnosa Hama Penyakit Tanaman Kelapa Sawit Menggunakan Metode Naïve Bayes”. 1.2 Rumusan Masalah Berdasarkan latar belakang yang telah diuraikan di atas, maka dapat diambil suatu rumusan masalah yaitu bagaimana membangun suatu sistem pakar untuk mendiagnosa penyakit tanaman beserta saran pengendaliannya pada tanaman Kelapa Sawit dengan menerapkan metode Naive Bayes.
1.3 Batasan Masalah Masalah yang ditimbulkan suatu penyakit sangat luas dan beragam karena banyak sekali faktor-faktor luar dan dalam yang mempengaruhinya, agar pembahasan dalam skripsi ini lebih terarah maka dilakukan pembatasanpembatasan seperti tersebut di bawah ini: 1. Studi kasus dilakukan di PT. Perkebunan Nusantara V. 2. Sistem ini hanya menentukan 43 gejala dan 18 penyakit
I-2
3. Inferensi system pakar yang digunakan adalah runut maju (forward Chaining)
sebagai metode penelusuran dan dengan metode Naïve Bayes sebagai metode untuk menghitung nilai probabilitas atas gejala yang dialami tanaman kelapa sawit.
1.4 Tujuan Tujuan dari skripsi ini adalah untuk merancang suatu sistem pakar yang dapat digunakan untuk mendiagnosa penyakit tanaman kelapa sawit beserta pengendaliannya guna mengurangi resiko hama dan penyakit pada tanaman kelapa sawit.
1.5 Sistematika Penulisan Laporan tugas akhir ini terdiri dari enam bab, dengan sistematika penulisan sebagai berikut:
BAB I
PENDAHULUAN Bab ini menjelaskan secara umum mengenai latar belakang masalah, perumusan masalah dengan batasan-batasan masalah yang digunakan, tujuan penelitian, manfaat, metode penelitian, serta sistematika penulisan.
BAB II
LANDASAN TEORI Berisi dasar-dasar teori kecerdasan buatan dan sistem pakar untuk melandasi pemecahan masalah serta teori-teori sehubungan dengan pertanian khususnya tanaman kelapa sawit yang digunakan dalam perancangan sistem pakar ini menggunakan metode naive bayes.
BAB III
METODOLOGI PENELITIAN Bab ini Berisikan tentang tahapan penelitian, tahapan pengumpulan data, kebutuhan sistem pakar pada hama tanaman kelapa sawit, perancangan perangkat lunak, implementasi, pengujian sistem dan analisa akhir.
I-3
BAB IV
ANALISIS DAN PERANCANGAN Bab ini berisikan analisis terhadap diagnosis penyakit tanaman kelapa sawit, permasalahan dan kebutuhan, serta pemodelan sistem dalam merancang program aplikasi tersebut.
BAB V
IMPLEMENTASI DAN PENGUJIAN Berisi bentuk perancangan basis pengetahuan dan perancangan antarmuka serta bentuk perancangan sistem yang digunakan dalam penyusunan fungsi dan prosedur yang membangun program serta tampilan program aplikasi.
BAB VI
PENUTUP Bab ini berisi tentang kesimpulan-kesimpulan penulis dari penelitian yang dilakukan serta saran-saran untuk pengembangan aplikasi lebih lanjut.
I-4
BAB II LANDASAN TEORI
2.1 Sistem Pakar 2.1.1 Definisi Sistem Pakar Sistem pakar pertama kali dikembangkan oleh komunitas AI pada pertengahan tahun 1960. Sistem pakar yang muncul pertama kali adalah General Purpose Problem Solver (GPS) yang dikembangkan oleh Newel & Simon (Turban,1995). Sistem pakar yang baik dirancang agar dapat menyelesaikan suatu permasalah tertentu dengan meniru kerja dari para ahli. Sistem pakar memiliki banyak definisi, tetapi pada dasarnya sistem pakar diterapkan untuk mendukung aktivitas pemecahan masalah. Secara umum, sistem pakar (expert system) adalah sistem yang berusaha mengadopsi
pengetahuan
manusia
ke
komputer,
agar
komputer
dapat
menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli. Ada beberapa definisi tentang sistem pakar, diantaranya : a. Menurut Durkin : Sistem pakar adalah suatu program komputer yang dirancang untuk memodelkan kemampuan penyelesaian masalah yang dilakukan seorang pakar. b. Menurut Ignizio : Sistem pakar adalah suatu model dan prosedur yang berkaitan, dalam suatu domain tertentu, yang mana tingkat keahliannya dapat dibandingkan dengan keahlian seorang pakar. c. Menurut Giarratano dan Riley : Sistem pakar adalah suatu sistem komputer yang bisa menyamai atau meniru kemampuan seorang pakar . d. Menurut Turban : Sistem pakar (expert system) adalah paket perangkat lunak pengambilan keputusan atau pemecahan masalah yang dapat mencapai tingkat
II-1
performa yang setara atau bahkan lebih dengan pakar manusia di beberapa bidang khusus dan biasanya mempersempit area masalah. Sistem pakar pada penyakit tanaman kelapa sawit bagaimana perangkat lunak dapat memberi solusi dalam menangani hama dan penyakit tanaman kelapa sawit yang pengetahuannya setara atau bahakan atau lebih dari pakar manusia. Ide dasar dari sistem pakar, teknologi kecerdasan buatan terapan adalah sederhana. Keahlian ditransfer dari pakar ke suatu komputer. Knowledge ini kemudian disimpan didalam komputer, dan pengguna menjalankan komputer untuk nasihat spesifik yang diperlukan. Sistem pakar menanyakan fakta-fakta dan dapat membuat inferensi hingga sampai pada kesimpulan khusus. Kemudian layaknya konsultan manusia, sistem pakar akan memberi nasihat kepada nonexpert dan menjelaskan, jika perlu logika dibalik nasihat yang diberikan. Knowledge dalam sistem pakar mungkin saja seorang ahli, atau knowledge yang umumnya terdapat dalam buku, jurnal, website dan orang yang mempunyai pengetahuan tentang suatu bidang. Sistem pakar yang baik dirancang agar dapat menyelesaikan suatu permasalahan tertentu dengan meniru kerja dari para ahli (Kusumadewi, 2003). Sebuah sistem pakar harus memberikan suatu dialog dan setelah diberikan suatu jawaban, sistem pakar dapat memberikan nasehat atau solusi. Tujuan utama sistem pakar bukan untuk menggantikan kedudukan seorang ahli atau seorang pakar, tetapi untuk memasyarakatkan pengetahuan dan pengalaman pakar. Bagi para ahli atau pakar, sistem pakar ini juga dapat membantu aktivitasnya sebagai asisten yang sangat berpengalaman. Sistem pakar memungkinkan seseorang dapat meningkatkan
produktifitas,
memperbaiki
kualitas
keputusan
dan
bisa
memecahkan masalah yang rumit, tanpa bergantung sepenuhnya pada seorang pakar. Sistem pakar disusun oleh dua bagian utama, yaitu lingkungan pengembangan
(development
environment)
dan
lingkungan
konsultasi
(consultation environment) (Turban, 2001). Lingkungan pengembangan sistem
II-2
pakar digunakan untuk memasukkan pengetahuan pakar ke dalam lingkungan sistem pakar, sedangkan lingkungan konsultasi digunakan oleh pengguna yang bukan pakar guna memperoleh pengetahuan pakar. 2.1.2 Komponen Sistem Pakar 2.1.2.1 Antar muka pengguna (User Interface) User interface merupakan mekanisme yang digunakan untuk pengguna dan sistem pakar untuk berkomunikasi. Antarmuka menerima informasi dari pemakai dan mengubahnya ke dalam bentuk yang dapat diterima oleh sistem. Selain itu antarmuka menerima informasi dari sistem dan menyajikannnya dalam bentuk yang dapat dimengerti oleh pemakai. Pada sistem pakar hama dan penyakit kelapa sawit ini yang menjadi input sistem data pribadi pengguna. Selanjutnya pengguna akan memilih gejala yang dialami yang telah disediakan oleh sistem. Sedangkan out put sistem adalah nama penyakit, gambar penyakit, dan cara menanggulangi hama dan penyakit tanaman kelapa sawit tersebut. Menurut McLeod (1995), pada bagian ini terjadi dialog antara program dan pemakai, yang memungkinkan sistem pakar menerima instruksi dan informasi (input) dan pemakai juga memberikan informasi (output) kepada pemakai. 2.1.2.2
Basis pengetahuan
Basis pengetahuan mengandung pengetahuan untuk pemahaman, formulasi, dan penyelesaian masalah. Komponen sistem pakar ini disusun atas dua elemen dasar, yaitu fakta dan aturan. Fakta merupakan informasi tentang obyek dalam area permasalahan tertentu, sedangkan aturan merupakan informasi tentang cara bagaimana memperoleh fakta baru dari fakta yang telah diketahui (Arhami, 2005). Beberapa struktur basis pengetahuan pada sistem pakar ini adalah sebagai berikut: 1. Basis pengetahuan gejala hama dan penyakit. 2. Basis pengetahuan hama dan penyakit. 3. Basis pengetahuan gejala. 4. Basis pengetahuan nilai naïve bayes
II-3
2.1.2.3
Akuisisi pengetahuan
Akusisi pengetahuan adalah akumulasi, transfer dan transformasi keahlian dalam menyelesaikan masalah dari sumber pengetahuan ke dalam program komputer. Dalam tahap ini knowledge engineer berusaha menyerap pengetahun untuk selanjutnya ditransfer ke dalam basis pengetahuan. Pengetahuan diperoleh dari pakar, dilengkapi dengan buku, basis data, laporan penelitian dan pengalaman pemakai (Arhami, 2005). R1 : IF daun mengering THEN A1 R2 : IF A1 AND tidak menghasilkan buah THEN A2 R3 : IF A2 AND tandan bunga atau tombak tidak membuka THEN A3 R4 : IF A3 AND daun yang baru membuka tergulung THEN A4 R5 : IF A4 AND daun yang baru membuka tumbuh tegak THEN A5 R6 : IF A5 AND daun berwarna kuning THEN Nematoda
2.1.2.4
Mesin Inferensi
Komponen ini mengandung mekanisme pola pikir dan penalaran yang digunakan oleh pakar dalam menyelesaikan suatu masalah. Mesin inferensi adalah program komputer yang memberikan metodologi untuk penalaran tentang informasi yang ada dalam basis pengetahuan dan dalam workplace, dan untuk memformulasikan kesimpulan (Turban, 1995). Ada dua metode inferensi dalam sistem pakar, yaitu (Kusrini, 2006): 1.
Forward Chaining Forward chaining adalah pendekatan yang dimotori data (data driven).
Metode ini menggunakan himpunan aturan kondisi-aksi. Dalam metode ini, data digunakan untuk menentukan aturan mana yang akan dijalankan, kemudian aturan tersebut dijalankan. Pelacakan dimulai dari informasi masukan, dan selanjutnya mencoba menggambarkan kesimpulan. Gambar 2.2 menunjukkan proses forward chaining.
Gambar 2.1 Proses Forward Chaining (Sumber: Arhami, 2005)
II-4
Contoh :
Gejala 1 : daun mengering, mendukung penyakit P1, P2, P4, P6, P10, P15, P17
Gejala 2: daun berwarna kuning, mendukung penyakit P1, P7, P10, P11
Gejala 3 : kerusakan pada pelepah, mendukung penyakit P9, P12, P13
Gejala 4 : daun berlubang mendukung penyakit P3, P4, P6
2.
Backward Chaining Backward chaining adalah pendekatan yang dimotori tujuan (goal driven).
Dalam metode ini, penalaran dimulai dengan tujuan merunut balik ke jalur yang akan mengarahkan ke tujuan tersebut. Pelacakan dimulai dari tujuan, selanjutnya dicari aturan yang memiliki tujuan tersebut untuk kesimpulannya. Gambar 2.3 menunjukkan proses backward chaining.
Gambar 2.2 Proses Backward Chaining (Sumber: Arhami, 2005)
2.1.2.5
Blackboard Blackboard adalah area kerja memori yang disimpan sebagai database
untuk deskripsi persoalan terbaru yang ditetapkan oleh data input, digunakan juga untuk perekaman hipotesis dan keputusan sementara. Tiga tipe keputusan dapat direkam dalam blackboard, yaitu : a.
Rencana : bagaimana mengatasi persoalan
b.
Agenda : tindakan potensial sebelum eksekusi
c.
Solusi : hipotesis kandidat dan arahan alternatif yang telah dihasilkan sistem sampai saat ini.
2.1.2.6
Fasilitas Penjelasan Fasilitas penjelasan untuk komponen tambahan yang akan meningkatkan
kemampuan sistem pakar. Komponen ini menggambarkan penalaran system
II-5
kepada pemakai. Fasilitas penjelasan dapat menjelaskan perilaku sistem pakar dengan menjawab pertanyaan-pertanyaan sebagai berikut (Turban, 1995): a.
Apa saja hama dan penyakit pada kelapa sawit?
b.
Apa saja gejala dari masing-masing hama dan penyakit?
c.
Bagaimana cara penanggulangan dari setiap hama dan penyakit?
d.
Berapa nilai pengaruh tiap gejala terhadap setiap hama dan penyakit dengan range antara 0-100%?
2.1.2.7
Perbaikan Pengetahuan Pakar memiliki kemampuan untuk menganalisis dan meningkatkan
kinerjanya serta kemampuan untuk belajar dan kinerjanya. Kemampuan tersebut adalah penting dalam pembelajaran terkomputerisasi, sehingga program akan mampu menganalisis penyebab kesuksesan dan kegagalan yang dialaminya.
2.2 Naïve Bayes 2.2.1 Probabilitas dan Teorema Bayes Probabilitas Bayes merupakan salah satu cara untuk mengatasi ketidakpastian data dengan menggunakan formula Bayes yang dinyatakan (Arhami, 2005): P(H|E) = P(E|H).P(H)
…(2.1)
PE Dimana P(H|E) : probabilitas hipotesis H jika diberikan evidence E P(E|H) : probabilitas munculnya evidence E jika diketahui hipotesis H P(H)
: probabilitas hipotesis H tanpa memandang evidence apapun
P(E)
: probabilitas evidence E
Jika setelah dilakukan pengujian terhadap hipotesis, muncul satu atau lebih evidence atau observasi baru, maka (Kusumadewi, 2003): p(H|E, e) = p(H|E)*p(e|E, H)
…(2.2)
p(e|E)
II-6
Dimana e
: evidence lama.
E
: evidence atau observasi baru.
p(H | E, e) : probabilitas hipotesis H benar jika muncul evidence baru E dari evidence lama e. p(e | E, H) : kaitan antara e dan E jika hipotesis H benar. P(e | E)
: kaitan antara e dan E tanpa memandang hipotesis apapun.
Rumus diatas menunjukkan adanya keterkaitan antara kejadian (evidence) yang satu dengan yang lain, dengan kata lain evidence pada teorema Bayes bersifat dependen. Kehadiran atau ketiadaan dari suatu kejadian tertentu dari suatu kelompok berhubungan dengan kehadiran atau ketiadaan dari kejadian lainnya, seperti yang diilustrasikan dalam Gambar 2.3.
Gambar 2.3 Ilustrasi Teorema Bayes
Pada Gambar 2.4 di atas, Hi adalah variabel klasifikasi (hipotesis) dan Eij adalah variabel atribut (evidence). Semua Eij berada dalam satu lingkaran oval, menggambarkan keterkaitan antara evidence yang satu dengan evidence yang lain. Pengklasifikasian menggunakan teorema Bayes membutuhkan waktu prosessor dan ukuran memori yang besar, karena kebutuhan untuk menghitung nilai probabilitas untuk tiap nilai dari perkalian kartesius untuk tiap nilai atribut (evidence) dan tiap nilai kelas (hipotesis). Data latih untuk teorema Bayes membutuhkan paling tidak perkalian kartesius dari seluruh kelompok atribut yang mungkin, jika misalkan ada 16 atribut yang masing-masingnya berjenis Boolean tanpa missing value, maka data latih minimal yang dibutuhkan oleh teorema Bayes untuk digunakan dalam klasifikasi adalah 216 = 65.536 data (Shadiq, 2009).
II-7
Sehingga ada empat masalah yang dihadapi untuk menggunakan teorema Bayes dalam pengklasifikasian, yaitu (Shadiq, 2009): 1. Kebanyakan data latih tidak memiliki varian klasifikasi sebanyak itu (oleh karenanya sering diambil sampel) 2. Atribut dalam data sampel dapat berjumlah lebih banyak (lebih dari 16) 3. Jenis nilai atribut dapat berjumlah lebih banyak (lebih dari 2 – Boolean) terlebih lagi untuk jenis nilai atribut yang bersifat numerik dan kontiniu. 4. Jika suatu data X tidak ada dalam data latih, maka data X tidak dapat diklasifikasikan, karena peluang untuk data X diklasifikasikan ke dalam suatu kelas adalah sama untuk tiap kelas yang ada. Berdasarkan penjelasan diatas, algoritma Naïve Bayesian mampu mendefenisikan suatu jenis penyakit berdasarkan gejala-gejala yang terdapat pada tanaman kelapa sawit. Dari algoritma Naïve Bayesian seperti di atas maka dicari nilai maksimum dari prnyakit. Selanjutnya sistem secara otomatis menampilkan jenis hama dan penyakit yang mempunyai nilai probabilitas terbesar. Secara sederhana dapat dikatakan algoritma Naïve Bayesian mampu mendiagnosa hama dan penyakit pada tanaman kelapa sawit. Implementasi sistem dengan metode algoritma Naïve Bayesian mampu mendiagnosa hama dan penyakit tanaman kelapa sawit.
2.2.2 Deskripsi Algoritma Gambarkan P(i|x) sebagai kemungkinan suatu objek dengan vektor pengukuran x = (x1, ... , xp) kepunyaan kelas i, f (x|i) sebagai distribusi bersyarat dari x untuk objek kelas i, P(i) sebagai kemungkinan suatu objek akan menjadi kepunyaan kelas i jika tidak diketahui apapun lebih lanjut tentang objek tersebut (kemungkinan "prior" kelas i), dan f (x) sebagai distribusi campuran keseluruhan dari dua kelas: f (x) = f (x|0)P(0) + f (x|1)P(1) Suatu aplikasi sederhana dari teorema Bayes menghasilkan P(i|x) = f.(x|i)P(i)./.f.(x), dan untuk memperoleh suatu perkiraan P(i|x) ini, kita harus memperkirakan masing-masing P(i) dan masing-masing f (x|i)
II-8
Inti metode Naïve Bayes terletak pada metode untuk memperkirakan f (x|i). Metode Naïve Bayes mengasumsikan bahwa komponen dari x adalah |
independen dalam setiap kelas, sehingga
= ∏
( | )– karena itu
metode ini disebut juga “independence Bayes". Setiap distribusi marginal univariat, f (xj|i), j = 1, ..., p; i = 0,1, diperkirakan secara terpisah. Dengan cara ini,
masalah perkiraan multivariat p direduksi menjadi masalah perkiraan univariat p. Perkiraan univariat ini sederhana dan membutuhkan ukuran set pelatihan yang lebih kecil untuk memperoleh perkiraan akurat daripada melakukan perkiraan distribusi multivariat
2.2.3 Keoptimalan Naïve Bayes Asumsi independen pada inti dari metode Naïve Bayes jelas merupakan salah satu yang kuat. Hal ini mungkin tidak benar untuk kebanyakan masalah yang nyata. Namun, kenyataannya adalah bahwa metode ini sering melakukan klasifikasi dengan sangat baik dalam aplikasi praktis yang nyata Asumsi
keindependenan
atribut
akan
menghilangkan
kebutuhan
banyaknya jumlah data latih dari perkalian kartesius seluruh atribut yang dibutuhkan untuk mengklasifikasikan suatu data. Dampak negatif dari asumsi naïve tersebut adalah keterkaitan yang ada antara nilai-nilai atribut diabaikan sepenuhnya.
Dampak
ini
secara
intuitif
akan
berpengaruh
dalam
pengklasifikasian, namun percobaan empiris mengatakan sebaliknya (Shadiq, 2009). Domingos dan Pazzani (1997) pada papernya menjelaskan performa Naïve Bayes dalam fungsi zero-one loss. Fungsi zero-one loss ini mendefinisikan error hanya sebagai pengklasifikasian yang salah. Fungsi zero-one loss tidak memberi nilai suatu kesalahan perhitungan peluang selama peluang maksimum di tugaskan kedalam kelas yang benar. Ini berarti bahwa Naïve Bayes dapat mengubah peluang posterior dari tiap kelas, tetapi kelas dengan nilai peluang posterior maksimum jarang diubah. Sebagai contoh, diasumsikan peluang sebenarnya dari P(⊕|E) = 0.9 dan P(⊖|E) = 0.1, sedangkan peluang yang dihasilkan oleh Naïve Bayes adalah P(⊕|E) = 0.6 dan P(⊖|E) = 0.4. Nilai peluang
II-9
tersebut tentu saja berbeda jauh, namun pilihan kelas tetap tidak terpengaruh (Shadiq, 2009).
2.2.4 Perhitungan Metode Naїve Bayes Contoh perhitungan metode Naïve Bayes yaitu pada persoalan diagnosa hama tanaman kelapa sawit. Nilai dari gejala dan kemungkinan hama didapat dari pakar perusahaan PT.PNV. Adapun kemungkinan mengalami hama Nematoda = 0.1, kemungkinan mengalami hama Tungau = 0.2, Kemungkinan mengalami hama Ulat api = 0.3. Contoh persoalan: Diketahui kelapa sawit mengalami gejala-gejala sebagai berikut daun mengering, Kerusakan pada bibit, terdapat bercak atau bintik pada daun, kerusakan pada daun bagian bawah dan daun berwarna perunggu mengkilap. Untuk mengetahui jenis hama penyakit kelapa sawit apa yang menyerang kelapa sawit tersebut, langkah penyelesaiannya yaitu: 1. Kalikan probabilitas semua gejala untuk setiap hama. 2. Hasil 1 dikalikan dengan probabilitas setiap hama. 3. Klasifikasi: haama dengan probabilitas maksimum. Proses klasifikasi: H(Nematoda| daun mengering, kerusakan pada bibit, bercak atau bintik pada daun, kerusakan pada daun bagian bawah, daun berwarna perunggu mengkilap) =
H(Nematoda|*H(daun
mengering|Nematoda)*H(kerusakan
pada
bibit|Nematoda) *H(bercak atau bintik pada daun|Nematoda)*H(kerusakan pada
daun
bagian
bawah|Nematoda)*H(daun
berwarna
perunggu
mengkilap|Nematoda) =
0.6 * 0 * 0 * 0 * 0 * 0
=
0
=
H(Tungau|*H(daun mengering|Tungau)*H(kerusakan pada bibit|Tungau) *H(bercak atau bintik pada daun|Tungau)*H(kerusakan pada daun bagian bawah|Tungau)*H(daun berwarna perunggu mengkilap|Tungau)
II-10
=
0.4 * 0.6 * 0.9 * 0.6 * 0.5 * 0.5
=
0.0324
=
H(Ulat Api|*H(daun mongering|Ulat Api)*H(kerusakan pada bibit|Ulat Api) *H(bercak atau bintik pada daun|ulat Api)*H(kerusakan pada daun bagian bawah|Ulat Api)*H(daun berwarna perunggu mengkilap|Ulat Api)
=
0.5 * 0 * 0 * 0 * 0 * 0
=
0 Dari perhitungan di atas, diperoleh penyakit dengan nilai tertinggi yaitu
hama penyakit Tungau. Kesimpulan: tanaman tersebut mengalami penyakit Tungau
2.3 Tanaman Kelapa Sawit Kelapa sawit (Elaeis) adalah tanaman perkebunan penting penghasil minyak makanan, minyak industri, maupun bahan bakar nabati (biodiesel). Indonesia adalah penghasil minyak kelapa sawit kedua dunia setelah Malaysia. Diperkirakan pada tahun 2009, Indonesia akan menempati posisi pertama produsen sawit dunia. Untuk meningkatkan produksi kelapa sawit dilakukan kegiatan perluasan areal pertanaman, rehabilitasi kebun yang sudah ada dan intensifikasi. Pelaku usaha tani kelapa sawit di Indonesia terdiri dari perusahaan perkebunan besar swasta, perkebunan Negara dan perkebunan rakyat. Usaha perkebunan kelapa sawit rakyat umumnya dikelola dengan model kemitraan dengan perusahaan besar swasta dan perkebunan negara (inti-plasma). Tanaman kelapa sawit saat ini merupakan salah satu jenis tanaman perkebunan yang menduduki posisi penting disektor pertanian umumnya, dan sektor perkebunan khususnya, hal ini disebabkan karena dari sekian banyak tanaman yang menghasilkan minyak atau lemak, kelapa sawit yang menghasilkan nilai ekonomi terbesar per hektarnya di dunia .Melihat pentingnya tanaman kelapa sawit di masa ini dan masa yang akan datang, seiring dengan meningkatnya kebutuhan penduduk dunia akan minyak sawit, maka perlu dipikirkan usaha
II-11
peningkatan kualitas dan kuantitas produksi kelapasawit secara tepat agar sasaran yangdiinginkan dapat tercapai. Salah satu diantaranya adalah pengendalian hama dan penyakit. Tanaman kelapa sawit adalah tanaman penghasil minyak nabati yang dapat menjadi andalan dimasa depan karena berbagai kegunaannya bagi kebutuhan manusia. Kelapa sawit memiliki arti penting bagi pembangunan nasional Indonesia. Selain menciptakan kesempatan kerja yang mengarah pada kesejahteraan masyarakat, juga sebagai sumberdevisa negara. Tanaman kelapa sawit merupakan komoditas perkebunan primadona Indonesia. Di tengah krisis global yang melanda dunia saat ini, industri sawit tetap bertahan dan memberi sumbangan besar terhadap perekonomian negara. Selain mampu menciptakan kesempatan kerja yang luas, industri sawit menjadi salah satu sumber devisa terbesar bagi Indonesia. Sektor perkebunan merupakan salah satu potensi dari subsektor pertanian yang berpeluang besar untuk meningkatkan perekonomian rakyat dalam pembangunan perekonomian Indonesia. Pada saat ini, sektor perkebunan dapat menjadi penggerak pembangunan nasional karena dengan adanya dukungan sumber daya yang besar, orientasi pada ekspor, dan komponen impor yang kecil akan dapat menghasilkan devisa non migas dalam jumlah yang besar. Produktivitas kelapa sawit sangat dipengaruhi oleh teknik budidaya yang diterapkan.Pemeliharaan tanaman merupakan salah satu kegiatan budidaya yang sangat penting dan menentukan masa produktif tanaman. Salah satu aspek pemeliharaan tanaman yang perlu diperhatikan dalam kegiatan budidaya kelapa sawit adalah pengendalian hama dan penyakit. Pengendalian hama dan penyakit yang baik dapat meningkatkan produksi dan produktivitas tanaman.
2.3.1 Definisi Hama Yang dimaksud dengan hama ialah semua binatang yang mengganggu dan merugikan
tanaman
yang
diusahakan
manusia.
Hama
tanaman
sering
disebut serangga hama atau dalam dunia pertanian dikenal sebagai ‘musuh petani. Hama tanaman dalam arti luas adalah semua organisme atau binatang yang
II-12
karena aktivitas hidupnya merusak tanaman sehingga menimbulkan kesugian ekonimi bagi manusia. Seluruh ataupun sebagian tanaman yang terserang hama dapat mengalami penurunan fungsi atau bahkan tidak berfungsi sama sekali proses metabolisme (fisiologis) pada tubuh tanaman tersebut, sehingga pertumbuhannya tidak normal dan bahkan berakhir dengan kematian tanaman. Beberapa contoh akibat serangan hama pada tanaman adalah sebagai berikut: 1. Serangan hama pada bagian akar tanaman menyebabkan proses penyerapan unsur hara, air, dan lain-lain terganggu. 2. Serangan hama pada bagian batang atau cabang dan rangitng menyebabkan pengangkutan (transportasi) zat makanan terganggu atau terhenti sama sekali sehingga tanaman menjadi layu atau mati. 3. Serangan hama pada bagian daun dapat menyebabkan proses fotosintesis terganggu (terhambat). 4. Serangan hama pada bagian buah atau biji dapat menyebabkan buah rusak ataupun bijinya hampa. Hama tanaman kelapa sawit (iyung : 2006) : 1. Nematoda (Rhadinaphelenchus cocophilus) Gejala serangan : a. Daun terserang menggulung dan tumbuh tegak b. Warna daun berubah menjadi kuning dan selanjutnya mengering. Cara pengendalian: a. Pohon yang terserang dibongkar dan selanjutnya dibakar b. Tanaman dimatikan dengan racun natrium arsenit
2. Tungau (Oligonychus sp.) Gejala serangan : Daun yang terserang berubah warnanya menjadi berwarna perunggu mengkilat (bronz). Cara pengendalian : Pengaplikasian akasirida yang mengandung bahan aktif tetradifon 75,2 g/l.
II-13
3. Pimelephila ghesquierei Gejala serangan : Serangan menyebabkan lubang pada daun muda sehingga daun banyak yang patah. Cara pengendalian : a. Serangan ringan dapat diatasi dengan memotong bagian yang terserang b. Pada serangan berat dilakukan penyemprotan parathion 0,02%.
4. Ulat api (Setora nitens, Darna trima dan Ploneta diducta) Gejala serangan : Daun yang terserang berlubang-lubang. Selanjutnya daun hanya tersisa tulang daunnya saja. Cara pengendalian : a. Pengaplikasian insektisida berbahan aktif triazofos 242 g/l, karbaril 85 % b. klorpirifos 200 g/l.
5. Ulat kantong (Metisa plana, Mahasena corbetti dan Crematosphisa pendula) Gejala serangan: a. Daun yang terserang menjadi rusak, berlubang dan tidak utuh lagi b. Selanjutnya daun menjadi kering dan berwarna abu-abu. Cara pengendalian : Pengaplikasian timah arsetat dengan dosis 2,5 kg/ha atau dengan insektisida berbahan aktif triklorfon 707 g/l, dengan dosis 1,5-2 kg/ha.
6. Belalang Valanga nigricornis dan Gastrimargus marmoratus Gejala serangan: Terdapat bekas gigitan pada bagian tepi daun yang terserang. Cara pengendalian : Pengendalian dapat dilakukan dengan mendatangkan burung pemangsanya.
II-14
7. Kumbang Oryctes rhinoceros Gejala serangan : Daun muda yang belum membuka dan pada pangkal daun berlubang-lubang. Cara pengendalian : a. Menggunakan parasit kumbang, seperti jamur Metharrizium anisopliae dan virus Baculovirus oryctes. b. Melepaskan predator kumbang, seperti tokek, ular dan burung.
8. Ngengat Tirathaba mundella (penggerek tandan buah) Gejala serangan: Terdapat lubang-lubang pada buah muda dan buah tua. Cara pengendalian : Pengaplikasian insektisida yang mengandung bahan aktif triklorfon 707 g/l atau andosulfan 350 g/l.
9. Tikus (Rattus tiomanicus dan Rattus sp.) Gejala serangan: a. Pertumbuhan bibit dan tanaman muda tidak normal b. Buah yang terserang menunjukkan bekas gigitan. Cara pengendalian : Melakukan pengemposan pada sarangnya atau mendatangkan predator tikus, seperti kucing, ular dan burung hantu.
2.3.2 Pengertian Penyakit Tanaman Tanaman dikatakan sakit bila ada perubahan seluruh atau sebagian organorgan tanaman yang menyebabkan terganggunya kegiatan fisiologis seharihari.Secara singkat penyakit tanaman adalah penyimpangan dari keadaan normal. Suatu tanaman dapat dikatakan sehat atau normal jika tanaman tersebut dapat menjalankan fungsi-fungsi fisiologis dengan baik, seperti pembelahan dan perkembangan sel, pengisapan air dan zat hara, fotosintesis dan lain-lain.
II-15
Gangguan pada proses fisiologis atau fungsi-fungsi tanaman dapat menimbulkan penyakit. Penyakit tanaman adalah sesuatu yang menyimpang dari keadaan normal, cukup jelas menimbulkan gejala yang dapat dilihat, menurunkan kualitas atau nilai ekonomis, dan merupakan akibat interaksi yang cukup lama. Tanaman sakit adalah suatu keaadaan proses hidup tanaman yang menyimpang dari keadaan normal dan menimbulkan kerusakan. Makna kerusakan tanaman adalah setiap perubahan pada tanaman yang menyebabkan menurunya kuantitas dan kualitas hasil. Penyakit pada tanaman budidaya biasanya disebabkan oleh Cendawan, Bakteri, Virus dan faktor lingkungan (iklim, tanah, dan lain-lain).Cendawan dapat juga disebut jamur. Cendawan adalah suatu kelompok jasad hidup yang menyerupai tumbuhan tingkat tinggi karena mempunyai dinding sel, tidak bergerak, berkembang biak dengan spora, tetapi tidak mempunya klorofil. Cendawan tidak mempunyai batang, daun, akar, dan sistem pembuluh seperti pada tumbuhan tingkat tinggi. Bakteri adalah salah satu jenis mahluk kecil (organisme) yang sebagian besar termasuk saprofit (numpang hidup di dalam tubuh mahluk lain, tidak merugikan dan menguntungkan mahluk lain tersebut). Virus adalah pathogen obligat (hanya hidup dan berkembang biak dalam organisme hidup). Ukuran virus amat kecil (submikroskopik) dan terdiri atas komposisi kimia, yaitu protein. Virus bersifat parasitic dan dapat menyebabkan berbagai macam penyakit pada semua bentuk organisme hidup.Penyakit yang disebabkan oleh faktor lingkungan biasanya diakibatkan oleh ketidaksesuaian kondisi lingkungan tempat tanaman tumbuh dengan kondisi lingkungan yang menjadi habitat asli tanaman, sehingga tanaman tumbuh tidak sehat atau tidak normal. Gejala penyakit akibat faktor lingkungan biasanya mirip dengan gejala penyakit akibat dari mahluk hidup, perbedaannya adalah penyakit akibat faktor lingkungan tidak menular. Penyakit tanaman yang merupakan suatu penyimpangan atau abnormalitas tanaman amat beragam bentuknya, misalnya keriput daun, kuning pucat, bercakbercak coklat dan busuk. Akibatnya, tanaman tidak mampu melakukan proses
II-16
fotosintesis secara maksimal. Gangguan tersebut menyebabkan gangguan ekonomis, berupa penurunan kuantitas dan kualitas hasil. Semua bagian tanaman berpotensi diserang penyakit sehingga tanaman tersebut sakit Penyakit tanaman kelapa sawit (iyung : 2006) : 1. Penyakit Akar (Blast disease) Gejala serangan : a. Tanaman tumbuh abnormal dan lemah b. Daun tanaman berubah menjadi berwarna kuning Cara pengendalian : a. Melakukan kegiatan persemaian dengan baik b. Mengatur pengairan agar tidak terjadi kekeringan di pertanaman
2. Penyakit Busuk Pangkal Batang (Basal stem rot/Ganoderma) Gejala serangan: a. Daun berwarna hijau pucat b. Jamur yang terbentuk sedikit c. Daun tua menjadi layu dan patah d. Dari tempat yang terinfeksi keluar getah Cara pengendalian dan pencegahan : a. Membongkar tanaman yang terserang dan selanjutnya dibakar b. Melakukan pembumbunan tanaman
3. Penyakit Busuk Batang Atas (Upper stem rot) Gejala serangan: a. Warna daun yang terbawah berubah dan selanjutnya mati b. Batang yang berada sekitar 2 m di atas tanah membusuk c. Bagian yang busuk berwarna cokelat keabuan Cara pengendalian : a. Melakukan pembongkaran tanaman yang terserang dan membuang bagian tanaman yang terserang b. Bekas luka selanjutnya ditutupi dengan obat penutup luka
II-17
4. Penyakit Busuk Kering Pangkal Batang (Dry basal rot) Gejala serangan : Tandan buah membusuk dan pelepah daun bagian bawah patah. Cara pengendalian : Membongkar tanaman yang terserang hebat dan selanjutnya dibakar.
5. Penyakit Busuk Kuncup (Spear rot) Gejala serangan: Jaringan pada kuncup (spear) membusuk dan berwarna kecokelatan. Cara pengendalian : Memotong bagian kuncup yang terserang
6. Penyakit Busuk Titk Tumbuh (Bud rot) Gejala serangan : a. Kuncup tanaman membusuk sehingga mudah dicabut b. Aroma kuncup yang terserang berbau busuk Cara pengendalian : Belum ada cara efektif untuk memberantas penyakit ini.
7. Penyakit Garis Kuning (Patch yellow) Gejala serangan: Terdapat bercak daun berbentuk lonjong berwarna kuning dan di bagian tengahnya berwarna cokelat. Cara pengendalian : Melakukan inokulasi penyakit pada bibit dan tanaman muda. Hal ini bertujuan agar serangan penyakit di persemaian dan pada tanaman muda dapat berkurang.
8. Penyakit Antraknosa (Anthracnose) Gejala serangan : a. Terdapat bercak-bercak cokelat tua di ujung dan tepi daun b. Bercak-bercak dikelilingi warna kuning c. Bercak ini merupakan batas antara bagian daun yang sehat dan yang terserang
II-18
Cara pengendalian : a. Melakukan pengaturan jarak tanam, penyiraman secara teratur dan pemupukan berimbang b. Tanah yang menggumpal di akar harus disertakan pada waktu pemindahan bibit dari persemaian ke pembibitan utama. c. Pengaplikasian Captan 0,2% atau Cuman 0,1%.
9. Penyakit Tajuk (Crown disease) Gejala serangan : Helai daun bagian tengah pelepah berukuran kecil-kecil dan sobek. Penyebab: Sifat genetik yang diturunkan dari tanaman induk. Cara pengendalian : Melakukan seleksi terhadap tanaman induk yang bersifat karier penyakit ini.
10. Penyakit Busuk Tandan (Bunch rot) Gejala serangan: Terdapat miselium berwarna putih di antara buah masak atau pangkal pelepah daun. Cara pengendalian : a. Melakukan kastrasi, penyerbukan buatan dan menjaga sanitasi kebun, terutama pada musim hujan. b. Pengaplikasian difolatan 0,2 %.
II-19
BAB III METODOLOGI PENELITIAN Metodologi penelitian adalah cara yang digunakan dalam memperoleh berbagai data untuk diproses menjadi informasi yang lebih akurat sesuai permasalahan yang akan diteliti. Metodologi yang digunakan dalam penelitian tugas akhir yang berjudul ”Sistem Pakar Diagnosa Hama dan Penyakit Tanaman Kelapa Sawit Menggunakan Naïve Bayes”. Untuk lebih jelasnya tentang metodologi penelitian ini dapat di lihat pada gambar 3.1 berikut ini:
Gambar 3.1 Flowchart Metodologi Penelitian
III-1
3.1
Pengumpulan Data Pada tahap ini dilakukan pengumpulan data tentang aplikasi sistem pakar
Hama dan Penyakit Tanaman Kelapa Sawit, semua tahap pada proses pengumpulan data-data tersebut diperoleh dari wawancara dan studi pustaka. a.
Wawancara Proses wawancara dilakukan kepada pakar tentang hama dan penyakit
tanaman kelapa sawit untuk mendapatkan jenis penyakit, gejala, dan bobot nilai kepastian untuk menentukan jenis hama dan penyakit tanaman kelapa sawit. Dalam wawancara ini penulis mewawancarai pegawai PT. PNV bapak Khoiri yang menjabat sebagai bagian hama penyakit tanaman kelapa sawit, penulis mengajukan pertanyaan sebagai berikut : -
Apa saja hama dan penyakit pada kelapa sawit?
-
Apa saja gejala dari masing-masing penyakit?
-
Bagaimana cara penanggulangan dari setiap penyakit?
-
Berapa nilai pengaruh tiap gejala terhadap setiap hama dan penyakit dengan range antara 0-100%?
b. Studi Pustaka Studi pustaka dilakukan dengan tujuan untuk mengetahui metode apa yang akan digunakan untuk menyelesaikan permasalahan yang akan diteliti, serta mendapatkan dasar-dasar referensi yang kuat dalam menerapkan suatu metode yang akan digunakan dalam Tugas Akhir ini, yaitu dengan mempelajari bukubuku, artikel-artikel dan jurnal-jurnal yang berhubungan dengan permasalahan yang akan dibahas. 3.2
Analisa Analisa sistem dalam tugas akhir ini terbagi 6, yaitu
III-2
3.2.1 Analisa Basis Pengetahuan Pada tahap ini bagaimana menganalisa fakta- fakta yang mendukung terhadap sistem pakar. Pendekatan basis pengetahuan yang digunakan merupakan penalaran berbasis aturan (Rule- Based Reasoning) 3.2.2 Analisa Representase Pengetahuan Pada
tahap
ini
menjelaskan
tentang
representase
pengetahauan
berdasarkan basis pengetahuan yang ada. 3.2.3 Metode Inferensi Pada tahap ini menjelaskan metode inferensi apa yang dipakai sehingga menghasilkan informasi 3.2.4 Analisa Naive Bayes Analisa Naive Bayes meliputi basis pengetahuan (data gejala, data hama dan penyakit), nilai kepercayaan gejala terhadap penyakit serta nilai kepercayaan setelah menggunakan metode Naive Bayes.Adapun langkah- langkah untuk penerapan metode Naive Bayes yaitu: 1. Kalikan probabilitas semua gejala untuk setiap hama dan penyakit 2. Hasil 1 dikalikan dengan probabilitas setiap hama dan penyakit 3. Klasifikasikan hama dan penyakit dengan probilitas maksimum
3.2.5 Analisa Data Pada tahap ini dilakukan analisa terhadap data-data yang diperlukan agar sistem dapat berjalan sesuai harapan yang dimodelkan ke dalam ERD (Entity Relationship Diagram). 3.2.6 Analisa Fungsional Analisa fungsional berisikan flowchart dan pemodelan Data Flow Diagram (DFD). Dengan adanya analisa di atas, dapat diketahui kebutuhan sistem dengan meneliti dari mana data berasal, bagaimana aliran data menuju sistem, bagaimana operasi sistem yang ada dan hasil akhirnya.
III-3
3.3
Perancangan Perangkat Lunak Setelah
melakukan
analisa,
maka
kemudian
dilanjutkan
dengan
perancangan sistem berdasarkan hasil analisa yang telah dilakukan sebelumnya. 3.3.1 Perancangan Basis Data Setelah menganalisa sistem yang akan dibuat, maka tahap selanjutnya adalah analisa dan perancangan basis data terhadap sistem pakar yang akan dibuat untuk melengkapi komponen sistem. 3.3.2 Perancangan Struktur Menu Rancangan struktur menu diperlukan untuk memberikan gambaran terhadap menu- menu atau fitur pada sistem yang akan dibangun. 3.3.3 Perancangan Antar Muka (Interface) Perancangan interface sangat perlu dilakukan dikarenakan utnuk mempermudah komunikasi antar sistem dengan pengguna (user). Hal ini yang terpenting dalam
perancangan
interface
adalah menekankan bagaimana
menciptakan tampilan yang baik dan mudah dimengerti oleh user. 3.3.4 Perancangan Pseudocode Perancangan
pseudocode
dilakukan
untuk
memberikan
gambaran
mengenai algoritma metode naïve bayes yang diimplementasikan pada tugas akhir ini. 3.4
Implementasi Merupakan tahap penyusunan perangkat lunak sistem (coding) apakah
sistem dapat berjalan sesuai dengan kebutuhan dimana dalam sistem terdiri dari beberapa form yang mempunyai fungsi tersendiri diantaranya adalah form konsultasi dan form diagnosa Untuk mengimplementasikan aplikasi ini maka dibutuhkan perangkat pendukung, perangkat tersebut berupa perangkat lunak. dan perangkat keras
III-4
a. Perangkat lunak Dalam pembuatan dan penerapan aplikasi Berbasis Desktop ini dibutuhkan perangkat lunak yang menunjang pembuatannya yaitu bahasa pemrograman Visual Basic. Net dengan Database Management System (DBMS) menggunakan MySQL. Sistem Operasi yang digunakan adalah Windows XP Professional SP 3. b. Perangkat keras Perangkat keras yang akan digunakan dalam pembuatan sistem adalah: 1. Processor Intel Pentium Dual Core 2. Memory 1 GB DDR3 3. Harddisk berkapasitas 350 GB 4. Monitor, Mouse dan Keyboard
3.5
Pengujian Pengujian merupakan tahapan dimana aplikasi akan dijalankan. Tahap
pengujian diperlukan untuk menjadi ukuran bahwa sistem dapat dijalankan sesuai dengan tujuan. Pengujian sistem dilakukan dengan menggunakan pengujian, Black Box, User Acceptance Text, pengujian pakar. Pengujian sistem dilakukan dengan cara menggunakan Black Box. Dimana pengujian ini berfokus pada perangkat lunak untuk mendapatkan serangkaian kondisi input yang seluruhnya menggunakan persyaratan fungsional dalam suatu program. Selain menggunakan Black Box pengujian sistem dilakukan dengan menggunakan User Acceptance Test, dimana pengujian ini dilakukan dengan memberikan kuisioner kepada user dan pakar yang berhubungan dengan penggunaan sistem pakar ini. Selanjutnya pengujian sistem dilakukan dengan cara pengujian pakar, dimana hasil kesimpulan hama dan penyakit dari pakar akan dibandingkan dengan hasil kesimpulan penyakit dari sistem.
III-5
3.6
Kesimpulan dan saran Dalam tahap ini menentukan kesimpulan terhadap hasil pengujian yang
telah dilakukan. Hal ini untuk mengetahui apakah implementasi yang telah dilakukan dapat beroperasi dengan baik serta memberikan saran untuk menyempurnakan dan mengembangkan penelitian selanjutnya.
III-6
BAB IV ANALISA DAN PERANCANGAN Analisa dalam perancangan sistem pakar memegang peranan yang sangat penting. Analisa dalam sebuah perancangan perangkat lunak merupakan langkahlangkah
pemahaman
permasalahan
yang
akan
dipecahkan,
sedangkan
perancangan adalah sistem hasil dari analisa menjadi bentuk perancangan sehingga dimengerti oleh pengguna. 4.1 Analisa Sistem Sistem yang akan dibangun memanfaatkan sistem pakar dengan metode naïve bayes untuk mendapatkan suatu kesimpulan hama dan penyakit yang diderita tanaman serta pencegahannya. Sistem pakar yang akan dibangun layaknya seorang pakar dalam mendapatkan kesimpulan dari permasalahpermasalahan (gejala) yang ada dengan keahlian pakar masing-masing. Sistem pakar yang akan dibangun berbasis destop dengan bahasa pemograman Visual Basic. Net dengan database MySQL. Sebelum sistem pakar ini dijalankan terdapat beberapa data yang dijadikan sebagai basis pengetahuan yaitu: data gejala, data penyakit, dan data nilai naïve bayes. Semua basis pengetahuan digunakan untuk memberikan sebuah kesimpulan diagnosa dari hama dan penyakit kelapa sawit. 4.1.1 Analisa Basis Pengetahuan Dalam membangun sistem pakar, hal yang pertama kali dilakukan adalah menentukan struktur basis pengetahuan. Basis pengetahuan merupakan kumpulankumpulan fakta. Pendekatan basis pengetahuan yang digunakan pada penelitian ini adalah penalaran berbasis aturan (rule-based reasoning) karena dalam kasus ini memiliki langkah-langkah untuk pencapaian solusi. Beberapa struktur basis pengetahuan pada sistem pakar ini adalah sebagai berikut: 1. Basis pengetahuan gejala penyakit. 2. Basis pengetahuan penyakit. 3. Basis pengetahuan gejala. 4. Basis pengetahuan nilai naïve bayes
IV-1
Dalam kasus ini seorang user (pengguna) dapat mengetahui jenis hama dan penyakit, pencegahan pada kelapa sawit dengan cara menginputkan gejalagejala yang diderita kedalam sistem sehingga sistem pakar dengan metode naïve bayes akan mencocokkan gejala-gejala yang diinputkan dengan jenis hama dan penyakit yang berada pada basis pengetahuan dan juga sistem akan memberikan nilai kepastian jenis penyakit tersebut. Pada basis pengetahuan berisikan tentang jenis penyakit, gejala- gejala, dan nilai (naïve bayes) gejala terhadap penyakit. Berikut ini pada tabel 4.1 berisikan tentang daftar jenis hama dan penyakit, pemberantasannya pada kelapa sawit. Tabel 4.1 Tabel Hama Penyakit dan Cara Pemberantasannya Kode
Nama Hama Penyakit
H1
Nematoda
P2
Tungau
P3
Ulat Api
P4
Ulat Kantong
P5
Belalang
memberantasnya seperti burung dan lain-lain.
Kumbang Malam
1. Pengendalian hama dengan melakukan sanitasi lingkungan disekitar tanaman seperti gulma 2. Penyemprotan insektisida (1kg/ha)
P6
Pemberantasan 1. Pohon diracun dengan natrium arsenit 2. Tanaman yang sudah mati dan kering dibongkar kemudian dibakar 1. Penyemprotan dengan akarisida tedion 75 EC yang mengandung bahan aktif tetradifon 75,29 g/l dengan konsentrasi 0.1-0.2 % 2. Penyemprotan dengan insektisida perfection dengan bahan aktif dimetoad dengan konsentrasi 0.1% 1. Mengambil ulat-ulat dari daun dan memusnahkannya 2. Penyemprotan insektisida berbahan aktif triazofos 242 g/l, karbaril 85 % dan klorofirofos 200 g/l. 1. Penyemprotan insektisida berbahan aktif endosulfan 330.9 g/l 2. Penyemprotan insektisida berbahan aktif kulnafus 268 g/l 3. Menyebarkan predator alami dan parasit yang dapat mengurangi populasi ulat kantong Menggunakan predator alami yang bias
IV-2
Kode
Nama Hama Penyakit 3.
4.
1. P7
Kutu Daun 2. 1.
P8
Penggerak Tandan Buah
2.
1. P9
Tikus
2.
1.
P10
Daun bibit muda
2.
(antracnose) 3.
1. P11 Akar (blast disease) 2. 1.
P12 Tajuk (crown disease)
2.
Pemberantasan Penyemprotan insektisida berbahan aktif endosulfan 242.52 g/l yaitu hiodan 25 ULV dengan dosis 1.5 kg/ha Penyebaran predator alami seperti kumbang, lalat, semut, rayap, tokek, ular dan burung. Penyemprotan insektisida dengan bahan aktif : a. Triclorofan dengan konsentrasi 0.1 % b. Perfection berbahan aktif dimethoate dengan konsentrasi 0.1% Penyemprotan matador yang berbahan aktif sihalotrin dengan konsentrasi 0.1 % Menjaga parasitoid utama yaitu Braconidae dan inchneumonidae Secara khemis dapat disemprot dengan menggunakan insektisida (dipakai dengan dosis 0.5-1 liter/tandan) Pemberantasan dapat dilakukan secara eposan pada sarangnya. Secara alami dapat dilakukan dengan predator kucing, ular, dan burung hantu (tylo alba) Mengurangi naungan bibit sesuai dengan perkembangan umur tanaman Serangan yang bersifat sporadis, dapat dilakukan pemangkasan ringan pada tajuk bibit yang terinfeksi Jika mengalami serangan yang sangat berat, sebaiknya bibit dimusnahkandengan dibakar Menggunakan fingisida yang berbahan aktif bedomil 20% dan titam 20% seperti fungisida Belante Y 20/20 WP dengan konsentrasi 20 m/liter air. Fungisida ditebarkan pada media tanam Menggunakan kapur pertanian Melakukan penyeleksian yang ketat terhadap bibit yang akan ditanam yaitu memilih tanaman yang berasal dari pohon induk yang resisten terhadap penyakit tajuk Menyemprotkan langsung fungisida pada titik tumbuh dan pelepah daun yang busuk seperti Dithane M_45 80 SP yang berbahan aktif mankozeb 80% dengan konsentrasi 0.25%
IV-3
Kode
Nama Hama Penyakit
P13
Busuk pangkal batang (basel stem rot atau ganoderma)
P14
P15
P16
P17
P18
Busuk batang atas (upper stem rot)
Busuk kering pangkal batang (dry basal rot)
Busuk pucuk
Pemberantasan 1. Sebelum penanaman, sumber infeksi dibersihkan terutama jika areal kelapa sawit merupakan lahan bekas kebun kelapa atau kelapa sawit. 2. Tunggul-tunggul bekas tanaman liar harus dibongkar dan dibakar 3. Tanaman yang diserang harus dibongkar dan dibakar agar tidak menyebar ketanaman yang belum terjangkiti. 1. Bagian batang yang terjangkiti dipotong dan ditutupi dengan (protectant). 2. Jika tanaman sudah tidak dapat tertolong lagi, maka tanaman kelapa sawit tersebut harus dibuang atau dibongkar 3. Bagian tanaman yang sakit diletakkan di antara barisan tanaman agar cepat kering dan membusuk 4. Penambahan unsur hara terutama K, dapat mengurangi penderitaan pohon kelapa sawit yang terserang 1. Tanaman yang sakit harus dibongkar dan dibakar 2. Usaha pengendalian dengan cara menghindarkan dari sumber infeksi dan usaha penanaman varietas yang tahan terhadap hama ini Memotong atau membuang bagian pucuk yang terserang penyakit tersebut
Usaha inokulasi penyakit pada bibit dan Garis kuning (patch yellow) tanaman muda, dapat mengurangi penyakit dipesemaian dan tanaman muda dilapangan. 1. Tindakan pencegahan dilakukan dengan melakukan penyerbukan buatan, kastrasi dan sanitasi kebun terutama pada musim hujan 2. Semua bunga dan buah yang membusuk sebaiknya dibuang Busuk tandan (bunch rot) 3. Pemberantasan dengan membakar tandan buah yang membusuk 4. Disemprot dengan menggunakan Difolatan atau actidone dengan konsentrasi 0.2% atau sebanyak 0.7 l/ha dengan interval waktu 2 minggu sekali.
IV-4
Pada tabel 4.1 berisikan jenis-jenis hama dan penyakit yang berjumlah 18 penyakit beserta
pemberantasannya. Selanjutnya, basis pengetahuan tentang
gejala-gejala hama dan penyakit pada tanaman kelapa sawit terdapat pada tabel 4.2. Tabel 4.2 Tabel Gejala-gejala Hama Penyakit Kode G1 G2 G3 G4 G5 G6 G7 G8 G9 G10 G11 G12 G13 G14 G15 G16 G17 G18 G19 G20 G21 G22 G23 G24 G25 G26 G27 G28 G29 G30 G31 G32 G33 G34 G35 G36 G37 G38
Nama Gejala Daun mongering Daun berwarna kuning Kerusakan pada pelepah Daun berlubang Pembusukan pada tandan Tanaman mati Kerusakan pada bibit Bercak atau bintik pada daun Kerusakan pada daun bagian bawah Tandan bunga atau tombak tidak membuka Daun tidak utuh Daun mati Daun yang baru membuka tergulung Daun yang baru membuka tumbuh tegak Tidak menghasilkan buah Daun berwarna perunggu mengkilap Tanaman kehilangan daun sebanyak 90% Produksi menurun sekitar 60% Produksi menurun sekitar 27% Tajuk bagian bawah berwarna abu-abu Produksi menurun sekitar 40% Dibagian tepi daun tampak bekas gigitan Diatas daun sering ditemukan kotoran-kotoran kumbang Pertumbuhan tanaman lebih kurus dan merana Kerusakan pada jaringan perakaran Buah muda dan tua terlihat berlubang-lubang Pada tanaman yang sudah menghasilkan terjadi kerusakan pada buah mentah dan masak Terjadi kerusakan pada titik tumbuh Warna coklat dan hitam diantara tulang daun Akar menjadi lunak Daun menjadi layu Daun sobek atau daun tidak ada sama sekali Pucuk daun berubah warna Pembusukan pada batang Batang yang membusuk sekitar 2m diatas tanah berwarna coklat keabuabuan Pembentukan bunga terhambat Pucuk membusuk dan berwarna kecoklatan Pucuk membengkok dan melengkuk
IV-5
Kode G39 G40 G41 G42 G43
Nama Gejala Daun gugur Kerusakan pada tanaman yang berumur 3-10 tahun Ada benang-benang (miselium) berwarna putih mengkilap menutupi kulit buah Perikarp menjadi lembek dan busuk Warna buah menjadi kecoklatan dan berubah lagi menjadi kehitam-hitaman
Pada tabel 4.2 berisikan jenis-jenis gejala pada sistem pakar untuk mendiagnosa hama dan penyakit tanaman kelapa sawit yang berjumlah 43 jenis gejala. Dari data hama dan penyakit serta gejala yang ada, maka dapat dibuat sebuah tabel relasi yang isinya mengenai hubungan antara penyakit dan gejala serta probabilitas sebuah gejala terhadap penyakit. Berikut adalah tabelnya: Tabel 4.3 Tabel Relasi Gejala, Hama Penyakit dan Probabilitasnya Nama Hama Penyakit
Nematoda
Tungau
Ulat Api
Ulat Kantong
Belalang Kumbang Malam
Gejala Daun mongering Daun berwarna kuning Tandan bunga atau bunga tombak tidak membuka Daun baru yang akan membuka tergulung Daun baru yang akan membuka tumbuh tegak Tidak menghasilkan buah Daun mongering Kerusakan pada bibit Bercak atau bintik pada daun Kerusakan pada daun bagian bawah Daun berwarna perunggu mengkilap Daun berlubang Kerusakan pada daun bagian bawah Tanaman kehilangan daun sekitar 90% Produksi menurun sekitar 60% Produksi menurun sekitar 27% Daun mongering Daun berlubang Daun tidak utuh Tajuk bagian bawah berwarna abu-abu Produksi menurun sampai 40% Kerusakan pada bibit Daun tidak utuh Dibagian tepi daun tampak bekas gigitan Daun mongering Daun berlubang Diatas dau sering terdapat kotoran kumbang
Proba bilitas 0.7 0.5 0.8 0.8 0.6 0.9 0.6 0.9 0.6 0.5 0.5 0.6 0.6 0.9 0.8 0.5 0.7 0.5 0.7 0.6 0.7 0.8 0.7 0.5 0.8 0.6 0.7
IV-6
Nama Hama Penyakit Kutu Daun Penggerak Tandan Buah
Tikus
Daun bibit muda (antracnose) Akar (blast disease) Tajuk (crown disease) Busuk pangkal batang (basel stem rot) Busuk Batang Atas (upper stem rot) Busuk kering pangkal batang (dry basal rot) Busuk kuncup (spear rot) Garis kuning (patch yellow)
Busuk tandan (bunch rot)
Gejala Pertumbuhan tanaman lebih kurus dan merana Daun berwarna kuning Kerusakan pada jaringan akar Buah muda atau buah tua terlihat berlubang-lubang Kerusakan pada pelepah Tanaman mati Kerusakan pada bibit Pada tanaman yang sudah menghasilkan terjadi kerusakan pada buah mentah maupun masak Kerusakan pada titik tumbuh Daun mongering Daun berwarna kuning Daun mati Warna cokelat dan hitam diantara tulang daun Daun berwarna kuning Akar menjadi lunak Daun menjadi layu Kerusakan pada pelepah Daun sobek atau tidak ada sama sekali Kerusakan pada pelepah Tanaman mati Tandan bunga atau bunga tombak tidak membuka Daun mati Pucuk daun berubah warna Pembusukan pada batang Batang yang membusuk sekitar 2 m diatas tanah berwarna coklat keabu-abuan Daun mongering Pembusukan pada tandan Tanaman mati Pembentukan bunga terhambat Pucuk membusuk dan berwarna kecoklatan Pucuk membengkok dan melengkung Daun mongering Bercak atau bintik pada daun Daun gugur Pembusukan pada tandan Kerusakan pada tanaman yang berumur 3-10 tahun Ada benang-benang (miselum) berwarna putih mengkilap berwarna putih Perikarp menjadi lembek dan busuk Warna buah menjadi kecoklatan dan berubah lagi menjadi kehitam-hitaman
Proba bilitas 0.9 0.7 0.9 0.5 0.8 0.9 0.9 0.6 0.8 0.6 0.7 0.5 0.5 0.6 0.8 0.7 0.8 0.7 0.8 0.9 0.7 0.6 0.7 0.8 0.7 0.5 0.8 0.9 0.8 0.7 0.6 0.6 0.5 0.7 0.8 0.8 0.5 0.7 0.5
IV-7
Pada tabel 4.3 menampilkan relasi atau hubungan antara gejala yang ada dengan hama penyakit, serta probabilitas dari tiap-tiap gejala yang diberikan oleh pakar dan metode naïve bayes tidak mengatur pemberian nilai sebuah gejala, melainkan hak mutlak dari pakar berdasarkan pengalaman dan teori ilmu yang ada pada pakar . Dari data hama penyakit, gejala yang ada dan probabilitas dari gejala, maka dibutuhkan juga bobot dari penyakit. probabilitas penyakit ini didapat dari pakar (ahli). Berikut adalah tabelnya: Tabel 4.4 Tabel Probabilitas Hama Penyakit Nama Penyakit
Probabilitas 0.8 0.4 0.5 0.5 0.6 0.7 0.4 0.5 0.7 0.3 0.8 0.5 0.6 0.3 0.2 0.6 0.6 0.5
Nematode Tungau Ulat Api Ulat kantong Belalang Kumbang Malam Kutu Daun Penggerak Tandan Buah Tikus Daun bibit muda (antracnose) Akar (blast disease) Tajuk (crown disease) Busuk pangkal batang (basel stem rot atau ganoderma) Busuk Batang Atas (upper stem rot) Busuk kering pangkal batang (dry basal rot) Busuk kuncup (spear rot) Garis kuning (patch yellow) Busuk tandan (bunch rot)
Tabel 4.5 Tabel Relasi Gejala dan Hama Penyakit Hama dan Penyakit Kelapa Sawit Kode
P
P P
P P P
P
1
2 3
4 5 6
7
G1
*
*
*
G2
*
P9
*
*
P
P
P
P
P
P
P
P
10
11
12
13
14
15
16
17
18
* *
*
P
*
*
G3 G4
P8
* * *
*
*
G5 G6
*
* *
*
*
*
IV-8
Hama dan Penyakit Kelapa Sawit G7
*
G8
* * *
G9 G10
*
* *
*
*
G11
* *
G12
*
G13
*
G14
*
G15
*
G16
*
G17
*
G18
*
G19
*
G20
*
G21
*
G22
*
G23
*
G24
*
G25 G26
* *
G27
*
G28
*
G29
*
*
G30
*
G31
*
G32
*
G33
*
G34
*
G35
*
G36
*
G37
*
G38
*
G39
*
G40
*
G41
*
IV-9
Hama dan Penyakit Kelapa Sawit G42
*
G43
*
4.1.2 Akuisisi Pengetahuan Representase pengetahuan digunakan untuk menentukan proses pencarian atau menentukan kesimpulan untuk sebuah penyakit berdasarkan gejala- gejala yang diinputkan. Representase pengetahuan yang digunakan adalah gabungan dari kaidah derajat pertama dan kaidah meta. Berdasarkan pada tabel 4.3, dapat disimpulkan ada beberapa aturan atau rule. Berikut adalah aturannya: 1.
R1 : IF daun mengering THEN A1 R2 : IF AI AND daun berwarna kuning THEN A2 R3 : IF A2 AND tandan bunga atau tombak tidak membuka THEN A3 R4 : IF A3 AND daun yang baru membuka tergulung THEN A4 R5 : IF A4 AND daun yang baru membuka tumbuh tegak THEN A5 R6 : IF A4 AND tidak menghasilkan buah THEN Nematoda
2.
R1 : IF daun mongering THEN A1 R2 : IF A1 AND kerusakan pada bibit THEN A2 R3 : IF A2 AND bercak atau bintik pada daun THEN A3 R4 : IF A3 AND kerusakan pada daun bagian bawah THEN A4 R5 : IF A4 AND daun berwarna perunggu mengkilap THEN Tungau
3.
R1 : IF daun berlubang THEN A1 R2 : IF A1 AND kerusakan pada daun bagian bawah THEN A2 R3 : IF A2 AND tanaman kehilangan daun sekitar 90% THEN A3 R4 : IF A3 AND produksi menurun sekitar 60% THEN A4 R5 : IF A4 AND produksi menurun sekitar 27% THEN ulat api
4.
R1 : IF daun mongering THEN A1 R2 : IF A1 AND daun berlubang THEN A2 R3 : IF A2 AND daun tidak utuh THEN A3 R4 : IF A3 AND tajuk bagian bawah berwarna abu-abu THEN A4 R5 : IF A4 AND produksi menurun sekitar 40% THEN Ulat kantong
IV-10
5.
R1 : IF kerusakan pada bibit THEN A1 R2 : IF AI AND daun tidak utuh THEN A2 R3 : IF A2 AND dibagian tepid au tampak bekas gigitan THEN Belalang
6.
R1 : IF daun mongering THEN A1 R2 : IF AI AND daun berlubang THEN A2 R3 : IF A2 AND diatas daun sering terdapat kotoran kumbang THEN A3 R4 : IF A3 AND pertumbuhan tanaman lebih kurus dan merana THEN Kumbang Malam
7.
R1 : IF daun berwarna kuning THEN A1 R2 : IF A1 AND kerusakan pada jaringan akar THEN Kutu daun
8.
IF buah muda atau buah muda terlihat berlubang-lubang THEN Penggerak tandan buah
9.
R1 : IF kerusakan pada pelepah THEN A1 R2 : IF A1 AND tanaman mati THEN A2 R3 : IF A2 AND kerusakan pada bibit THEN A3 R4 : IF A3 AND pada tanaman yang sudah menghailkan terjadi kerusakan pada buah mentah ataupun masak THEN A4 R5 : IF A3 AND kerusakan pada titik tumbuh THEN Tikus
10. R1 : IF daun mongering THEN A1 R2 : IF A1 AND daun berwarna kuning THEN A2 R3 : IF A2 AND daun mati THEN A3 R4 : IF A3 AND warna cokelat dan hitam diantara tulang daun THEN Daun bibit muda
11. R1 : IF daun berwarna kuning THEN A1 R2 : IF A1 AND akar menjadi lunak THEN A2 R3 : IF A2 AND daun menjadi layu THEN Akar
12. R1 : IF kerusakan pada pelepah THEN A1
IV-11
R2 : IF A1 AND daun sobek atau tidak ada sama sekali THEN Tajuk
13. R1 : IF kerusakan pada pelepah THEN A1 R2 : IF A1 AND tanaman mati THEN A2 R3 : IF A2 AND tandan bunga atau bunga tombak tidak membuka THEN Busuk Pangkal Batang
14. R1 : IF daun mati THEN A1 R2 : IF A1 AND pucuk daun berubah warna THEN A2 R3 : IF A2 AND pembusukan pada batang THEN A3 R4 : IF A3 AND batang yang membusuk sekitar 2m diatas tanah berwarna cokelat keabu-abuan THEN Busuk Batang atas
15. R1 : IF daun mongering THEN A1 R2 : IF A1 AND pembusukan pada tandan THEN A2 R3 : IF A2 AND tanaman mati THEN A3 R4 : IF A3 AND pembentukan hama terhambat THEN Busuk Kering pangkal batang
16. R1 : IF pucuk membusuk dan berwarna kecoklatan THEN A1 R2 : IF A1 AND pucuk membusuk dan melengkung THEN Busuk kuncup
17. R1 : IF daun mongering THEN A1 R2 : IF A1 AND bercak atau bintik pada daun THEN A2 R3 : IF A2 AND daun gugur THEN Garis kuning
18. R1 : IF pembusukan pada tandan THEN A1 R2 : IF A1 AND kerusakan pada tanaman yang berumur 3-10 tahun THEN A2 R3 : IF
A2
AND
ada
benang-benang
(miselum)
berwarna
putih
mengkilap menutupi kulit buah THEN A3 R4 : IF A3 AND perikap menjadi lembek dan membusuk THEN A4 R5 : IF A4 AND warna buah menjadi kecoklatan dan berubah lagi menjadi kehitam-hitaman THEN Tikus
IV-12
4.1.3 Mesin Inferensi Langkah selanjutnya setelah mengetahui basis pengetahuan, maka selanjutnya dilakukan analisa mesin inferensi. Mesin inferensi atau teknik penelusuran yang digunakan dalam sistem pakar ini adalah dengan menggunakan forward chaining. Mesin inferensi forward chaining menggunakan himpunan aturan kondisi-aksi, dimana dalam pengambilan kesimpulan berdasarkan faktafakta atau pernyataan yang dimulai dengan kondisi IF kemudian THEN untuk menyimpulkan hama penyakit yang diderita. Mesin inferensi merupakan gambaran berbentuk grafis dari basis pengetahuan dan aturan- aturan dalam mesin inferensi. Struktur pohon inferensi untuk penentuan penyakit pada tanaman kelapa sawit dapat dilihat pada Gambar 4.1.
IV-13
Gambar 4.1 Pohon Inferensi
IV-14
Keterangan Gambar 4.1 tentang penomoran pohon inferensi: a. Nama gejala. G1 G2 G3 G4 G5 G6 G7 G8 G9 G10 G11 G12 G13 G14 G15 G16 G17 G18 G19 G20 G21 G22 G23 G24 G25 G26 G27 G28 G29 G30 G31 G32 G33 G34
Daun mongering Daun berwarna kuning Kerusakan pada pelepah Daun berlubang Pembusukan pada tandan Tanaman mati Kerusakan pada bibit Bercak atau bintik pada daun Kerusakan pada daun bagian bawah Tandan bunga atau tombak tidak membuka Daun tidak utuh Daun mati Daun yang baru membuka tergulung Daun yang baru membuka tumbuh tegak Tidak menghasilkan buah Daun berwarna perunggu mengkilap Tanaman kehilangan daun sebanyak 90% Produksi menurun sekitar 60% Produksi menurun sekitar 27% Tajuk bagian bawah berwarna abu-abu Produksi menurun sekitar 40% Dibagian tepi daun tampak bekas gigitan Diatas daun sering ditemukan kotoran-kotoran kumbang Pertumbuhan tanaman lebih kurus dan merana Kerusakan pada jaringan perakaran Buah muda dan tua terlihat berlubang-lubang Pada tanaman yang sudah menghasilkan terjadi kerusakan pada buah mentah dan masak Terjadi kerusakan pada titik tumbuh Warna coklat dan hitam diantara tulang daun Akar menjadi lunak Daun menjadi layu Daun sobek atau daun tidak ada sama sekali Pucuk daun berubah warna Pembusukan pada batang
IV-15
G35 G36 G37 G38 G39 G40 G41 G42 G43
Batang yang membusuk sekitar 2m diatas tanah berwarna coklat keabu-abuan Pembentukan bunga terhambat Pucuk membusuk dan berwarna kecoklatan Pucuk membengkok dan melengkuk Daun gugur Kerusakan pada tanaman yang berumur 3-10 tahun Ada benang-benang (miselium) berwarna putih mengkilap menutupi kulit buah Perikarp menjadi lembek dan busuk Warna buah menjadi kecoklatan dan berubah lagi menjadi kehitamhitaman
b. Nama Penyakit. P1 P2 P3 P4 P5 P6 P7 P8 P9 P10 P11 P12 P13 P14 P15 P16 P17 P18
Nematode Tungau Ulat Api Ulat kantong Belalang Kumbang Malam Kutu Daun Penggerak Tandan Buah Tikus Daun bibit muda (antracnose) Akar (blast disease) Tajuk (crown disease) Busuk pangkal batang (basel stem rot atau ganoderma) Busuk Batang Atas (upper stem rot) Busuk kering pangkal batang (dry basal rot) Busuk kuncup (spear rot) Garis kuning (patch yellow) Busuk tandan (bunch rot)
c. Simbol. Y
: Penelusuran jika Ya.
T
: Penelusuran jika Tidak.
Y/T : Penelusuran jika Ya atau Tidak.
IV-16
4.1.4 Analisa Naïve Bayes Pemodelan persoalan untuk melakukan diagnosa penyakit pada tanaman kelapa
sawit
ini
dilakukan
dengan
cara
mengklasifikasikan
penyakit
menggunakan metode Naïve Bayes, dimana metode ini digunakan untuk mengatasi ketidakpastian yang nilainya berkisar antara 0 hingga 1. Ketidakpastian di sini adalah munculnya gejala yang sama dari penyakit yang berbeda. Naïve Bayes akan menghitung nilai kemungkinan setiap gejala yang sama dari penyakit yang berbeda, dimana nilai kemungkinan munculnya gejala jika diketahui hama penyakit dan nilai untuk hama penyakit tanpa memandang gejala apapun didapat langsung dari pakar penyakit tanaman kelapa sawit Contoh persoalannya adalah seorang petani X ingin melakukan diagnosa terhadap tanaman kelapa sawit. Petani X menjawab pertanyaan yang diberikan oleh sistem dengan jawaban “Ya” atau “Tidak”, sesuai dengan gejala yang dialami tanaman kelapa sawitnya. Pertanyaan pertama pada awal diagnosa adalah “apakah daun mengering?” dan metode inferensi yang digunakan untuk melakukan penelusuran adalah forward chaining. Contoh perhitungan manual : 1. Apakah daun mengering? Jika petani A menjawab “ya”, maka pertanyaan selanjutnya 2. Apakah daun berwarna kuning? Jika petani A menjawab “ya”, maka pertanyaan selanjutnya 3. Apakah tandan bunga atau tombak tidak membuka? Jika petani A menjawab “ya”, maka pertanyaan selanjutnya 4. Apakah tidak menghasilkan buah? Jika petani A menjawab “tidak”, maka pertanyaan selanjutnya 5. Apakah daun yang baru membuka tumbuh tegak? Jika petani A menjawab “tidak”, maka pertanyaan selanjutnya 6. Apakah daun yang baru membuka tergulung? Jika petani A menjawab “tidak”. Maka sistem akan akan menampilkan gejala-gejala yang dialami tanaman kelapa sawit A, yaitu :
IV-17
1. Daun mengering (G1) 2. Daun berwarna kuning (G2) 3. Tandan bungan atau tombak tidak membuka (G10) Selanjutnya sistem melakukan proses klasifikasi penyakit dengan metode Naïve Bayes berikut ini. vNB = argmax ( ) ∏ vj v
Dimana P(vj)
( | )
= probabilitas penyakit vj tanpa memandang gejala apapun
P(ai|vj) = probabilitas gejala ai pada penyakit vj Proses klasifikasi: 1. Nematoda (P1) = P(1)*P(G1|P1)*P(G2|P1)*P(G10|P1) = 0.8*0.7*0.5*0.8 =0.224 2. Daun bibit muda (P10) = P(10)*P(G1|P10)*P(G2|P10) )*P(G10|P10) = 0.3*0.6*0.7*0 =0 Dari proses klasifikasi didapat hama penyakit dengan nilai naïve bayes tertinggi yaitu : “Nematoda” Hasil diagnosa: Tanaman kelapa sawit anda menderita penyakit Hama Penyakit Nematoda, selanjutnya sistem akan menampilkan hasil diagnosa penyakit tanaman kelapa sawit petani A sebagai berikut. Solusi penyakit: 1. Pohon diracun dengan natrium arsenit 2. Tanaman yang sudah mati dan kering dibongkar kemudian dibakar
IV-18
Contoh Perhitungan selanjutnya dapat dilihat pada Lampiran B 4.1.5 Analisa Fungsional Untuk membangun sebuah sistem dibutuhkan analisa fungsional, yang terdiri dari: bagan alir sistem (flowchart), diagram konteks (context diagram), dan data flow diagram (DFD) level 1. 4.1.5.1 Flowchart Flowchart (bagan alir sistem) adalah bagan-bagan yang mempunyai arus yang menggambarkan langkah-langkah penyelesaian suatu masalah. Berikut adalah flowchart untuk sistem pakar mendiagnosa hama penyakit kelapa sawit dan flowchart langkah diagnosa hama penyakit kelapa sawit dengan menggunakan metode naïve bayes:
IV-19
Gambar 4.2 Flowchart (Bagan Alir Sistem)
IV-20
Floechart Diagnosa Hama Penyakit Kelapa Sawit Sistem
User
Mulai
Memberikan pertanyaan gejala berdasarkan mesin inferensi (forward Chaining)
Menjawab/memilih jawaban ya atau tidak menjumpai gejala tersebut.
TIDAK
Apakah penelusuran forward chaining telah habis?
YA Menampilkan gejala-gejala yang dijawab ya
Menerima info gejala yang dipilih
Melakukan Proses klasifikasi penyakit dengan metode Naïve Bayes
menampilkan hasil diagnosa penyakit beserta solusi
Menerima info hasil diagnosa penyakit beserta solusi
Selesai
Gambar 4.3 Flowchart (Diagnosa Hama Penyakit)
IV-21
4.1.5.2 Diagram Konteks (Context Diagram) Diagram konteks untuk sistem pakar mendiagnosa hama dan penyakit kelapa sawit dengan menggunakan metode naïve bayes adalah sebagai berikut:
Gambar 4.4 Diagram Konteks Entitas luar yang berhubungan dengan sistem
pada gambar diagram
konteks adalah : Pakar mempunyai akses untuk menginput data gejala, data hama penyakit dan bobot dari gejala serta hama penyakit. Umum sebagai pengguna langsung terhadap sistem dapat memilih gejalagejala yang diderita berdasarkan info gejala yang dikeluarka oleh sistem, setelah itu berdasarkan gejala-gejala yang diplih oleh user maka sistem akan memproses dengan menggunakan metode naïve bayes sehingga menghasilkan sebuah kesimpulan penyakit yang diderita dengan tingkat nilai keyakinan atau kepercayaan serta pencegahan dan pengobatan yang ditampilkan sistem dalam info diagnosa. 4.1.5.3 Data Flow Diagram (DFD) Data Flow Diagram (DFD) untuk sistem pakar mendiagnosa hama dan penyakiy tanaman kelapa sawit dengan menggunakan metode naïve bayes adalah sebagai berikut:
IV-22
Gambar 4.5 DFD Level I Tabel 4.6 Proses DFD Level 1 Nama Deskripsi Pengguna berisi proses pengelolaan data pengguna Data Master Berisi proses yang melakukan pengolahan terhadap basis pengetahuan Diagnosa Hama Penyakit Berisi proses yang melakukan diagnosa hama penyakit berdasarkan dari basis pengetahuan dan rule yang ada. Laporan Berisi proses pembuatan laporan
IV-23
Tabel 4.7 Aliran data DFD level 1 Nama Deskripsi Dt_pengguna Data yang berisi pengelolaan data pengguna Dt_HamaPenyakit Data yang berisi pengelolaan hamapenyakit Dt_gejala Data yang berisi pengelolaan data gejala Data yang berisi pengelolaan data gejala Dt_gejala_HamaPenyakit hama penyakit Info_pengguna info yang berisi pengelolaan data pengguna info yang berisi pengelolaan data Info _HamaPenyakit hamapenyakit Info _gejala info yang berisi pengelolaan data gejala info yang berisi pengelolaan data gejala Info _gejala_HamaPenyakit hamapenyakit Info _laporan info yang berisi laporan
Gambar 4.6 DFD Level 2 Tabel 4.8 Proses DFD Level 2 Nama Deskripsi Pengelolaan HamaPenyakit berisi proses pengelolaan hamapenyakit Pengelolaan Gejala Berisi proses pengelolaan gejala Pengelolaan Gejala Berisi proses gejala hama penyakit kelapa sawit. HamaPenyakit
IV-24
Tabel 4.9 Aliran data DFD level 2 Nama Dt_HamaPenyakit Dt_gejala Dt_gejala_HamaPenyakit Info _HamaPenyakit Info _gejala Info _gejala_HamaPenyakit
Deskripsi Data yang berisi pengelolaan data HamaPenyakit Data yang berisi pengelolaan data gejala Data yang berisi pengelolaan data gejala hamapenyakit info yang berisi pengelolaan hamapenyakit info yang berisi pengelolaan data gejala info yang berisi pengelolaan data gejala hamapenyakit
4.1.5.4 Analisa Data Sistem Analisa data sistem menjelaskan mengenai hubungan antar tabel atau yang biasa disebut dengan Entity Relationship Diagram (ERD).
Gambar 4.7 Entity Relationship Diagram (ERD) 4.2 Perancangan Sistem Setelah melakukan analisa, kemudian dilanjutkan dengan perancangan sistem berdasarkan analisa permasalahan yang telah dilakukan sebelumnya.
IV-25
4.2.1 Perancangan Basis Data Basis data yang akan dirancang atau dibangun dengan nama basis data “database_mustaqim”, dimana pada basis data ini terdiri dari 4 tabel yaitu: tabel admin, tabel gejala, tabel penyakit, tabel gejala penyakit dan tabel diagnose 4.2.1.1 Tabel Gejala Nama tabel
: Admin
Deskripsi
: Tabel admin
Tabel 4.10 Deskiripsi Tabel Admin No 1 2
Field User Name Password
Type Text (50) Text (30)
Keterangan Nama User Password
Type Number (10) Text (50) Text (50)
Keterangan Id gejala Nama gejala Keterangan gejala
4.2.1.2 Tabel Gejala Nama tabel
: gejala
Deskripsi
: tabel gejala
Tabel 4.11 Deskiripsi Tabel Gejala No Field 1 Id 2 Nama 3 Keterangan 4.2.1.3 Tabel Gejala HamaPenyakit Nama tabel
: Gejala HamaPenyakit
Deskripsi
: tabel Gejala HamaPenyakit
Tabel 4.12 Deskiripsi Tabel Gejala HamaPenyakit No 1 2 3 4
Field Id Id_HamaPenyakit Id_gejala Bobot
Type Number (10) Number (10) Number (10) Number (10)
Keterangan Id gejala HamaPenyakit Id HamaPenyakit Id gejala Bobot HamaPenyakit
IV-26
4.2.1.4 Tabel HamaPenyakit Nama tabel
: HamaPenyakit
Deskripsi
: tabel HamaPenyakit
Tabel 4.13 Deskiripsi Tabel Hama Penyakit No Field 1 Id 2 Nama 3 Profil 4 5 6
Penanggulangan Keterangan Bobot
Type Number (10) Text (50) Text (50) Text (50) Text (50) Number (10)
Keterangan Id HamaPenyakit Nama HamaPenyakit Profil HamaPenyakit Penanggulangan HamaPenyakit Keterangan HamaPenyakit Bobot HamaPenyakit
4.2.2 Perancangan Struktur Menu Rancangan struktur menu Sistem Pakar Diagnosa Penyakit Tanaman Kelapa Sawit menggunakan Metode Naïve Bayes terdiri dari dua otoritas, yaitu Petani dan Pakar. Struktur menu otoritas Petani dapat dilihat pada Gambar 4.8 dan struktur menu otoritas Pakar dapat dilihat pada Gambar 4.9.
Gambar 4.8 Struktur Menu Otoritas Petani
IV-27
Sistem Pakar Diagnosa Hama Penyakit Tanaman Kelapa Sawit menggunakan Metode Naive Bayes
Pengguna
Ubah Password
Diagnosa Penyakit
Data Master
Hama Penyakit
Hasil Diagnosa dan Solusi
Gejala Hama Penyakit
Gejala
Tambah
Tambah
Tambah
Ubah
Ubah
Ubah
Hapus
Hapus
Gambar 4.9 Struktur Menu Otoritas Pakar 4.2.3 Perancangan Antarmuka (Interface) Perancangan antar muka sistem bertujuan untuk menggambarkan sistem yang akan dibangun. Berikut ini adalah rancangan antar muka Sistem Pakar Diagnosa Penyakit Tanaman Kelapa Sawit. 4.2.3.1 Rancangan Menu Utama Menu Beranda menampilkan halaman utama sistem pakar yang di dalamnya terdapat menu log in, Pengguna, Data Master dan Diagnosa Hama Penyakit. Rancangan antarmuka menu utama pada Gambar 4.10.
IV-28
Gambar 4.10 Rancangan Menu Utama 4.2.3.2 Rancangan Menu Diagnosa Penyakit Menu Diagnosa Hama Penyakit digunakan untuk konsultasi mengenai gejala yang dialami tanaman Kelapa Sawit, mendiagnosa hama penyakitnya dan hasil diagnosanya dapat dilihat pada Gambar 4.11. DIAGNOSA PENYAKIT No
Gejala Yang dipilih
Jawablah pertanyaan berikut ini sesuai dengan gejala yang dialami oleh tanaman Kelapa Sawit anda. ( Pertanyaan mengenai gejala yang dialami tanaman Kelapa Sawit ) ?
Ya
Tidak
HASIL DIAGNOSA Hama Penyakit
Profil
Penanggulangan
Probabilitas
Reset
Exit
Gambar 4.11 Rancangan Menu Diagnosa dan Solusi dari Hama Penyakit Perancangan antarmuka selengkapnya dapat dilihat pada Lampiran C.
IV-29
4.3 Perancangan Pseudocode Perancangan pseudocode berisi algoritma metode naïve bayes yang akan diimplementasikan pada sistem pakar untuk mendignosa hama penyakit tanaman kelapa sawit 4.3.1. Decision Tree Public Class DecisionTreeNB Dim dtbSS As New DataTable Dim dtbXX As New DataTable Dim strQ As String Public Gejala As Array '2D (IDGejala,Nama) Public Choosen As Array '1D - Apakah gejala sudah dipilih Tipe Boolean Public Quastioned As Array '1D - Apakah gejala sudah ditanyakan - Tipe Boolean Public Probabilitas As Array Public JumlahGejala As Integer Dim Dim Dim Dim
arrHama() As Integer isNext As Boolean isHasil As Boolean = False idHasil As Integer
Private Sub CountGejala() Dim i As Integer Dim j As Boolean 'hitung banyak gejala pada penyakit -------------------------------------------------strQ = "select ID from Gejala order by ID" setDataTableSQL(strQ, dtbSS) If dtbSS.Rows.Count = Nothing Then MsgBox("Data Gejala tidak ada.", MsgBoxStyle.Critical, sisName) Exit Sub Else JumlahGejala = dtbSS.Rows.Count For i = 0 To JumlahGejala - 1 strQ = "select distinct IDHama from GejalaHamaPenyakit where IDGejala = " & dtbSS.Rows(i)(0) setDataTableSQL(strQ, dtbXX) If dtbXX.Rows.Count = Nothing Then MsgBox("Ada beberapa gejala yang tidak terdaftar sebagai Gejala Pada Hama / Penyakit.", MsgBoxStyle.Critical, sisName) MsgBox(dtbSS.Rows(i)(0))
IV-30
Exit Sub Else strQ = "update Gejala set Jumlah = " & dtbXX.Rows.Count & " where ID = " & dtbSS.Rows(i)(0) j = runSQL(strQ, False) If j Then End If End If Next End If 'ambil gejala order by Max Jumlah ------------------------------------------------------------Gejala = Array.CreateInstance(GetType(String), JumlahGejala, 2) Choosen = Array.CreateInstance(GetType(Boolean), JumlahGejala) Quastioned = Array.CreateInstance(GetType(Boolean), JumlahGejala) Probabilitas = Array.CreateInstance(GetType(Double), JumlahGejala) strQ = "select * from Gejala order by Jumlah desc" setDataTableSQL(strQ, dtbSS) For i = 0 To JumlahGejala - 1 Gejala(i, 0) = dtbSS.Rows(i)(0) Gejala(i, 1) = dtbSS.Rows(i)(1) Probabilitas(i) = dtbSS.Rows(i)(3) Choosen(i) = False Quastioned(i) = False Next End Sub Public Sub Processing() Dim iterasi As Integer = 1 Dim gjl As String Dim idxGejala As Integer Dim jwb As Integer Dim objItem As ListViewItem idHasil = -1 CountGejala() isNext = True Do While (isNext) If iterasi >= JumlahGejala Then isNext = False Else If iterasi = 1 Then idxGejala = iterasi - 1
IV-31
End If gjl = Gejala(idxGejala, 1) jwb = MsgBox("Apakah '" & gjl & "'?", MsgBoxStyle.YesNo, sisName) If jwb = vbYes Then Choosen(idxGejala) = True objItem = F_Diagnosa.lstGejala.Items.Add(iterasi) objItem.SubItems.Add(Gejala(idxGejala, 1)) End If Quastioned(idxGejala) = True 'prepare next gejala idxGejala = getNextGejala() ' MsgBox(idxGejala) iterasi += 1 End If Loop generateHama() End Sub Private Dim Dim Dim Dim Dim
Function getNextGejala() As Integer nextGjl As Integer i, j As Integer statuss As Boolean = False idxHH As Integer = 0 idXX As Integer = 0
arrHama = Array.CreateInstance(GetType(Integer), 1) 'jika ada terpilih ya If isAnyYes() Then 'pilih hama yang mengandung gejala-gejala terpilih --------------------------------------------------strQ = "select ID from HamaPenyakit order by ID" setDataTableSQL(strQ, dtbSS) Dim isAda As Boolean = True For i = 0 To dtbSS.Rows.Count - 1 isAda = True For j = 0 To JumlahGejala - 1 If isAda Then If Choosen(j) Then strQ = "select IDHama from GejalaHamaPenyakit where IDHama = " & dtbSS.Rows(i)(0) strQ += " and IDGejala = " & Gejala(j, 0) & " "
IV-32
setDataTableSQL(strQ, dtbXX) If dtbXX.Rows.Count = Nothing Then isAda = False End If End If Else Exit For End If Next If isAda Then If idxHH = 0 Then arrHama(idxHH) = dtbSS.Rows(i)(0) Else Array.Resize(arrHama, arrHama.Length + 1) arrHama(idxHH) = dtbSS.Rows(i)(0) End If idxHH += 1 End If Next '
MsgBox("hama terpilih = " & idxHH)
If idxHH = 0 Then MsgBox("tidak ada hama yg mengandung gejala terpilih") ElseIf idxHH = 1 Then ' MsgBox("penyakit sudah ditemukan") strQ = "select GejalaHamaPenyakit.IDGejala, Gejala.Jumlah from GejalaHamaPenyakit,Gejala where GejalaHamaPenyakit.IDGejala = Gejala.ID " strQ += "and GejalaHamaPenyakit.IDHama = " & arrHama(0) & " order by Gejala.Jumlah desc" setDataTableSQL(strQ, dtbSS) If dtbSS.Rows.Count = Nothing Then MsgBox("next gejala tidak ada") Else Dim apaalah As Boolean = True For i = 0 To dtbSS.Rows.Count - 1 If Quastioned(getIndexGejala(dtbSS.Rows(i)(0))) = False Then nextGjl = getIndexGejala(dtbSS.Rows(i)(0)) ' MsgBox(strQ) apaalah = True Exit For Else apaalah = False End If Next
IV-33
If apaalah = False Then isNext = False End If End If Else 'pilih gejala berdasarkan hama terpilih Dim isNextGejala As Boolean = False For j = 0 To arrHama.GetUpperBound(0) strQ = "select GejalaHamaPenyakit.IDGejala, Gejala.Jumlah from GejalaHamaPenyakit,Gejala where GejalaHamaPenyakit.IDGejala = Gejala.ID " strQ += "and GejalaHamaPenyakit.IDHama = " & arrHama(j) & " order by Gejala.Jumlah desc" setDataTableSQL(strQ, dtbSS) If dtbSS.Rows.Count = Nothing Then MsgBox("next gejala tidak ada") Else For i = 0 To dtbSS.Rows.Count - 1 If Quastioned(getIndexGejala(dtbSS.Rows(i)(0))) = False Then nextGjl = getIndexGejala(dtbSS.Rows(i)(0)) isNextGejala = True ' MsgBox(strQ) Exit For End If Next End If If isNextGejala Then Exit For End If Next If isNextGejala = False Then ' MsgBox("Gejala telah habis") isNext = False End If End If Else 'pilih gejala selanjutnya yg belum ditanya order by maxCount For i = 0 To JumlahGejala - 1 If Quastioned(i) = False Then nextGjl = i Exit For End If Next End If Return nextGjl End Function
IV-34
Private Function isAnyYes() As Boolean Dim i As Integer For i = 0 To JumlahGejala - 1 If Choosen(i) Then Return True Exit Function End If Next Return False End Function Private Function getIndexGejala(ByVal idGjl As Integer) As Integer Dim i As Integer For i = 0 To JumlahGejala - 1 If idGjl = Val(Gejala(i, 0)) Then Return i Exit Function End If Next End Function Private Dim Dim Dim Dim
Sub generateHama() i, j As Integer objItem As ListViewItem pHama As Double pGjl As Double
For i = 0 To arrHama.GetUpperBound(0) strQ = "select * from HamaPenyakit where ID = " & arrHama(i) setDataTableSQL(strQ, dtbSS) pHama = dtbSS.Rows(0)(4) With F_Diagnosa objItem = .lstHama.Items.Add(i + 1) objItem.SubItems.Add(dtbSS.Rows(0)(1)) For j = 0 To JumlahGejala - 1 If Choosen(j) Then strQ = "select Bobot from GejalaHamaPenyakit where IDHama = " & arrHama(i) & " and IDGejala = " & Gejala(j, 0) setDataTableSQL(strQ, dtbXX) pGjl = dtbXX.Rows(0)(0) pHama *= pGjl End If Next
IV-35
objItem.SubItems.Add(pHama) End With Next End Sub End Class
4.3.2. Proses Diagnosa Penyakit. Public Class F_Diagnosa Dim dctNB As DecisionTreeNB Private Sub F_Diagnosa_Load(ByVal sender As System.Object, ByVal e As System.EventArgs) Handles MyBase.Load setLst() End Sub Private Sub setLst() Dim intWidth As Integer = lstGejala.Width - 5 dctNB = New DecisionTreeNB lstGejala.Columns.Clear() lstGejala.Columns.Add("No.", CInt(intWidth / 5)) lstGejala.Columns.Add("Gejala", CInt(intWidth / 2)) lstGejala.Items.Clear() lstHama.Columns.Clear() lstHama.Columns.Add("No.", CInt(intWidth / 10)) lstHama.Columns.Add("Hama / Penyakit", CInt(intWidth / 2)) lstHama.Columns.Add("Probabilitas", CInt(intWidth / 2)) lstHama.Items.Clear() End Sub Private Sub Button1_Click(ByVal sender As System.Object, ByVal e As System.EventArgs) dctNB.Processing() End Sub Private Sub Button3_Click(ByVal sender As System.Object, ByVal e As System.EventArgs) setLst() End Sub Private Sub Button2_Click(ByVal sender As System.Object, ByVal e As System.EventArgs) Me.Close() End Sub Private Sub Button1_Click_1(ByVal sender As System.Object, ByVal e As System.EventArgs) Handles Button1.Click dctNB.Processing() End Sub
IV-36
Private Sub Button3_Click_1(ByVal sender As System.Object, ByVal e As System.EventArgs) Handles Button3.Click setLst() End Sub Private Sub Button2_Click_1(ByVal sender As System.Object, ByVal e As System.EventArgs) Handles Button2.Click Me.Close() End Sub Private Sub Button4_Click(ByVal sender As System.Object, ByVal e As System.EventArgs) Handles Button4.Click Dim i As String = lstHama.SelectedItems(0).SubItems(1).Text F_ViewPenanggulangan.hama = i F_ViewPenanggulangan.MdiParent = FormUtama F_ViewPenanggulangan.Show() End Sub End Class
IV-37
BAB V IMPLEMENTASI DAN PENGUJIAN 5.1 Implementasi Implementasi merupakan tahap untuk dapat mengetahui apakah sistem yang dikembangkan telah menghasilkan tujuan yang diinginkan dengan malakukan pengkodean dari hasil analisa dan perancangan kedalam sistem. Sistem pakar untuk mendiagnosa hama dan penyakit kelapa sawit menggunakan metode naive bayes
dirancang dengan menggunakan bahasa
pemrograman Visual Basic.Net dan menggunakan database Microsof Access 2007 5.1.1 Batasan Implementasi Batasan implementasi dari Tugas Akhir ini adalah : 1.
Menggunakan bahasa pemograman Visual Basic.Net dan database Ms Access 2007
2.
User memberikan tanda terhadap gejala diderita yang berasal dari pakar, setelah itu sistem akan memproses dan memberikan kesimpulan hama penyakit yang diderita dan tingkat kepercayaannya berdasarkan gejala yang dipilih.
5.1.2 Lingkungan Implementasi Lingkungan implementasi adalah lingkungan dimana aplikasi ini dikembangkan. Lingkungan implementasi sistem ada dua yaitu lingkungan perangkat keras dan perangkat lunak, dengan spesifikasi sebagai berikut: 1. Perangkat Keras Perangkat keras yang digunakan mempunyai spesifikasi sebagai berikut: a. Processor
: Intel Core2duo
b. Memory
: 3 GHz
c. Hardisk
: 250 GB
V-1
2. Perangkat Lunak Perangkat lunak yang digunakan yaitu sebagai berikut: a. Sistem Operasi
: Windows XP
b. Bahasa Pemrograman
: Visual Basic.Net
c. DBMS
: Database Ms Access 2007
5.1.3 Analisis Hasil Sistem pakar untuk mendiagnosa hama dan penyakit tanaman kelapa sawit menggunakan metode naive bayes. Pada sistem pakar ini memiliki menu utama yang berisi item-item pilihan, terdiri dari memulai untuk diagnosa, menampilkan jenis gejala, menampilkan cara pemberantasan penyakit. 5.1.4 Implementasi Model Persoalan Model persoalan pada sistem pakar ini akan menghasilkan jenis hama dan penyakit yang diderita dan tingkat keyakinannya berdasarkan gejala yang dipilih oleh pengguna, serta memberikan sebuah solusi untuk pemberantasan yang dapat dilihat pada item menampilkan cara pemberantasan hama dan penyakit. Jika ingin mengetahui jenis hama dan penyakit yang diderita, maka langkah-langkah untuk mendiagnosa yang dilakukan oleh pengguna adalah sebagai berikut: 5.1.4.1 Tampilan Menu Utama Menu utama pada sistem ini berisi item-item pilihan, terdiri dari memulai untuk diagnosa. Hal ini seperti yang terlihat pada gambar 5.1 tampilan menu utama sistem pakar untuk mendiagnosa hama dan penyakit kelapa sawit dengan menggunakan metode naïve bayes :
V-2
Gambar 5.1 Tampilan Form Utama 5.1.4.2 Tampilan Menu Mulai Diagnosa Menu mulai diagnosa merupakan menu layanan yang diberikan oleh sistem agar user dapat berkonsultasi layaknya berkonsultasi dengan sistem pakar dengan memilih gejala yang diberikan oleh sistem dan mendapat hasil berupa hama dan penyakit yang diderita tanaman kelapa sawit. Tampilan menu mulai diagnosa adalah sebagai berikut:
Gambar 5.2 Tampilan Form Diagnosa Hama Penyakit
V-3
5.1.4.3 Tampilan Data Hama Penyakit Form ini digunakan Pakar untuk melakukan proses tambah, ubah dan hapus hama penyakit. Tampilan data hama penyakit adalah sebagai berikut:
Gambar 5.3 Tampilan Form Pengelolaan Data Hama Penyakit 5.1.4.4 Tampilan Pengelolaan Data Gejala Form ini digunakan Pakar untuk melakukan proses tambah, ubah dan hapus gejala hama penyakit. Tampilan data gejala dari hama penyakit adalah sebagai berikut:
V-4
Gambar 5.4 Tampilan Form Pengelolaan Data Gejala 5.1.4.5 Tampilan Pengelolaan Gejala Hama Penyakit Form ini digunakan Pakar untuk melakukan proses tambah, ubah dan hapus gejala hama penyakit. Tampilan data gejala dari hama penyakit adalah sebagai berikut:
Gambar 5.5 Tampilan Form Pengelolaan Data Gejala Hama Penyakit
V-5
5.2 Pengujian Sistem Pengujian dilakukan dengan tujuan untuk menjamin sistem yang dibuat sesuai dengan hasil analisis dan perancangan dan menghasilkan satu kesimpulan. Sebelum sistem diimplementasikan terlebih dahulu harus dipastikan program bebas dari kesalahan-kesalahan yang mungkin terjadi. 5.2.1 Lingkungan Pengujian Sistem Pengujian sistem dilakukan pada lingkungan perangkat keras dan lingkungan perangkat lunak. 5.2.2 Perangkat Lunak Pengujian Perangkat lunak sistem ini akan diuji dengan menggunakan: a. Sistem operasi Windows XP. b. Bahasa Pemrograman visual basic.net dengan Database Ms Acces 5.2.3 Perangkat Keras Pengujian Spesifikasi perangkat keras yang digunakan adalah sebagai berikut: a. Processor Intel Core2duo. b. Memori 3 GB. c. Hardisk 250 GB. 5.2.4 Pengujian Black Box 5.2.4.1 Modul Pengujian Mendiagnosa Penyakit Prekondisi: 1 Tampilan layar menu utama sistem pakar. 2 Klik tombol mulai diagnosa.
V-6
Tabel 5.1.Tabel Butir Uji Pengujian Modul Konsultasi Deskripsi Prekondisi Pengujia n menjaw ab pertanya an berdasar kan hama penyakit yang diderita tanaman kelapa sawit
Tampilan layar menu utama Sistem Pakar
Prosedur Pengujian 1. Klik tombol proses diagnosa 2. Akan tampil pertanyaa n
Masukkan Menjawab pertanyaan ya atau tidak
Keluaran yang diharapkan Tampil hasil diagnosa
Tampil probabilitas penyakit dan cara pemberanta sannya
Kriteria Evaluasi Hasil Layar yang ditampil kan sesuai dengan yang diharapk an
Hasil yang Kesimpulan didapat Tampil Diterima hasil diagnos a Tampil probabil itas penyakit dan cara pembera ntasann ya
Diterima
5.2.4.2 Modul Pengujian Tampil Hama Penyakit dan Tingkat Kepercayaan Prekondisi: 1 Tampilan layar menu validasi diagnosa 2 Klik tombol proses untuk melihat penyakit yang diderita dan tingkat kepercayaannya.
V-7
Tabel 5.2. Tabel Butir Uji Pengujian Modul Tampil Hama Penyakit Dan Probabilitasnya Deskripsi
Prekondisi
Pengujian tampil hama penyakit dan probabilitasnya
Tampilan form diagnosa
Prosedur Masukkan Pengujian 1. Klik Gejala yang tombol dipilih proses berdasarkan pertanyaan jawaban “ya”: 1. Daun mengering 2. Daun berwarna kuning 3. Tandan
Keluaran yang diharapkan Probabilitas tertinggi dimiliki oleh hama nematoda sebesar 0.224
Kriteria Evaluasi Hasil yang didapat Kesimpulan Hasil Form yang Diterima Tanaman Kelapa ditampilkan Sawit hama nematoda sesuai dengan dengan yang diharapkan probabilitasnya sebesar 0.224. ‘lihat detail hama penyakit’, maka akan tampil cara pemberantasannya.
bunga atau tombak tidak membuka
V-8
Tabel 5.2a. Tabel Butir Uji Pengujian Modul Tampil Hama Penyakit Dan Probabilitasnya (Lanjutan) Deskripsi
Prekondisi
Pengujian tampil hama penyakit dan probabilitasnya
Tampilan form diagnosa
Prosedur Masukkan Pengujian 1. Klik Gejala yang tombol dipilih proses berdasarkan pertanyaan jawaban ya: 1. Daun mengering 2. Bercak atau bintik pada daun 3. Kerusakan
Keluaran yang diharapkan Probabilitas tertinggi dimiliki oleh hama tungau sebesar 0.0324
Kriteria Evaluasi Hasil yang didapat Kesimpulan Hasil Form yang Diterima Tanaman Kelapa ditampilkan Sawit hama tungau sesuai dengan dengan yang diharapkan probabilitasnya sebesar 0.0324. ‘lihat detail hama penyakit’, maka akan tampil cara pemberantasannya.
pada bibit 4. Kerusakan pada daun bagian bawah 5. Daun berwarna perunggu mengkilap
V-9
Tabel 5.2b. Tabel Butir Uji Pengujian Modul Tampil Hama Penyakit Dan Probabilitasnya (Lanjutan) Deskripsi
Prekondisi
Pengujian tampil hama penyakit dan probabilitasnya
Tampilan form diagnosa
Prosedur Masukkan Pengujian 1. Klik Gejala yang tombol dipilih proses berdasarkan pertanyaan jawaban ya: 1. Daun berlubang 2. Kerusakan pada daun bagian bawah 3. Tanaman kehilangan daun sekitar 90% 4. Produksi menurun 60% 5. Produksi menurun 27%
Keluaran yang diharapkan Probabilitas tertinggi dimiliki oleh hama ulat api sebesar 0.0648
Kriteria Evaluasi Hasil yang didapat Kesimpulan Hasil Form yang Diterima Tanaman Kelapa ditampilkan Sawit hama ulat api sesuai dengan dengan yang diharapkan probabilitasnya sebesar 0.0648. ‘lihat detail hama penyakit’, maka akan tampil cara pemberantasannya.
V-10
Tabel 5.2c. Tabel Butir Uji Pengujian Modul Tampil Hama Penyakit Dan Probabilitasnya (Lanjutan) Deskripsi
Prekondisi
Pengujian tampil hama penyakit dan probabilitasnya
Tampilan form diagnosa
Prosedur Masukkan Pengujian 1. Klik Gejala yang tombol dipilih proses berdasarkan pertanyaan jawaban ya: 1. Daun mengering 2. Daun berlubang 3. Daun tidak utuh
Keluaran yang diharapkan Probabilitas tertinggi dimiliki oleh hama ulat kantong sebesar 0.1225
Kriteria Evaluasi Hasil yang didapat Kesimpulan Hasil Form yang Diterima Tanaman Kelapa ditampilkan Sawit hama ulat sesuai dengan kantong dengan yang diharapkan probabilitasnya sebesar 0.1225. ‘lihat detail hama penyakit’, maka akan tampil cara pemberantasannya.
V-11
Tabel 5.2d. Tabel Butir Uji Pengujian Modul Tampil Hama Penyakit Dan Probabilitasnya (Lanjutan) Deskripsi
Prekondisi
Pengujian tampil hama penyakit dan probabilitasnya
Tampilan form diagnosa
Prosedur Masukkan Pengujian 1. Klik Gejala yang tombol dipilih proses berdasarkan pertanyaan jawaban ya: 1. Kerusakan pada bibit 2. Daun tidak utuh 3. Dibagian tepi daun tampak bekas gigitan
Keluaran yang diharapkan Probabilitas tertinggi dimiliki oleh hama belalang sebesar 0.168
Kriteria Evaluasi Hasil yang didapat Kesimpulan Hasil Form yang Diterima Tanaman Kelapa ditampilkan Sawit hama belalang sesuai dengan dengan yang diharapkan probabilitasnya sebesar 0.168. ‘lihat detail hama penyakit’, maka akan tampil cara pemberantasannya.
V-12
Tabel 5.2e. Tabel Butir Uji Pengujian Modul Tampil Hama Penyakit Dan Probabilitasnya (Lanjutan) Deskripsi
Prekondisi
Pengujian tampil hama penyakit dan probabilitasnya
Tampilan form diagnosa
Prosedur Masukkan Pengujian 1. Klik Gejala yang tombol dipilih proses berdasarkan pertanyaan jawaban ya: 1. Daun mengering 2. Daun berlubang
Keluaran yang diharapkan Probabilitas tertinggi dimiliki oleh hama kumbang malam sebesar 0.336
Kriteria Evaluasi Hasil yang didapat Kesimpulan Hasil Form yang Diterima Tanaman Kelapa ditampilkan Sawit hama kumbang sesuai dengan malam dengan yang diharapkan probabilitasnya sebesar 0.336. ‘lihat detail hama penyakit’, maka akan tampil cara pemberantasannya.
V-13
Tabel 5.2f. Tabel Butir Uji Pengujian Modul Tampil Hama Penyakit Dan Probabilitasnya (Lanjutan) Deskripsi
Prekondisi
Pengujian tampil hama penyakit dan probabilitasnya
Tampilan form diagnosa
Prosedur Masukkan Pengujian 1. Klik Gejala yang tombol dipilih proses berdasarkan pertanyaan jawaban ya: 1. Daun berwarna kuning 2. Kerusakan pada jaringan akar
Keluaran yang diharapkan Probabilitas tertinggi dimiliki oleh hama kutu daun sebesar 0.252
Kriteria Evaluasi Hasil yang didapat Kesimpulan Hasil Form yang Diterima Tanaman Kelapa ditampilkan Sawit hama kutu sesuai dengan daun dengan yang diharapkan probabilitasnya sebesar 0.252. ‘lihat detail hama penyakit’, maka akan tampil cara pemberantasannya.
V-14
Tabel 5.2g. Tabel Butir Uji Pengujian Modul Tampil Hama Penyakit Dan Probabilitasnya (Lanjutan) Deskripsi
Prekondisi
Pengujian tampil hama penyakit dan probabilitasnya
Tampilan form diagnosa
Prosedur Masukkan Pengujian 1. Klik Gejala yang tombol dipilih proses berdasarkan pertanyaan jawaban ya: 1. Buah muda atau buah tua terlihat berlubanglubang
Keluaran yang diharapkan Probabilitas tertinggi dimiliki oleh hama penggerak tandan buah sebesar 0.25
Kriteria Evaluasi Hasil yang didapat Kesimpulan Hasil Form yang Diterima Tanaman Kelapa ditampilkan Sawit hama sesuai dengan penggerak tandan yang diharapkan buah dengan probabilitasnya sebesar 0.25. ‘lihat detail hama penyakit’, maka akan tampil cara pemberantasannya.
V-15
Tabel 5.2h. Tabel Butir Uji Pengujian Modul Tampil Hama Penyakit Dan Probabilitasnya (Lanjutan) Deskripsi
Prekondisi
Pengujian tampil hama penyakit dan probabilitasnya
Tampilan form diagnosa
Prosedur Masukkan Pengujian 1. Klik Gejala yang tombol dipilih proses berdasarkan pertanyaan jawaban ya: 1. Kerusakan pada pelepah 2. Tanaman mati
Keluaran yang diharapkan Probabilitas tertinggi dimiliki oleh hama tikus sebesar 0.504
Kriteria Evaluasi Hasil yang didapat Kesimpulan Hasil Form yang Diterima Tanaman Kelapa ditampilkan Sawit hama tikus sesuai dengan dengan yang diharapkan probabilitasnya sebesar 0.504. ‘lihat detail hama penyakit’, maka akan tampil cara pemberantasannya.
V-16
Tabel 5.2i. Tabel Butir Uji Pengujian Modul Tampil Hama Penyakit Dan Probabilitasnya (Lanjutan) Deskripsi
Prekondisi
Pengujian tampil hama penyakit dan probabilitasnya
Tampilan form diagnosa
Prosedur Masukkan Pengujian 1. Klik Gejala yang tombol dipilih proses berdasarkan pertanyaan jawaban ya: 1. Daun mengering 2. Daun berwarna kuning
Keluaran yang diharapkan Probabilitas tertinggi dimiliki oleh penyakit daun bibit muda sebesar 0.126
Kriteria Evaluasi Hasil yang didapat Kesimpulan Hasil Form yang Diterima Tanaman Kelapa ditampilkan Sawit penyakit sesuai dengan dengan yang diharapkan probabilitasnya sebesar 0.126. ‘lihat detail hama penyakit’, maka akan tampil cara pemberantasannya.
V-17
Tabel 5.2j. Tabel Butir Uji Pengujian Modul Tampil Hama Penyakit Dan Probabilitasnya (Lanjutan) Deskripsi
Prekondisi
Pengujian tampil hama penyakit dan probabilitasnya
Tampilan form diagnosa
Prosedur Masukkan Pengujian 1. Klik Gejala yang tombol dipilih proses berdasarkan pertanyaan jawaban ya: 1. Daun berwarna kuning 2. Akar menjadi lunak 3. Akar menjadi layu
Keluaran yang diharapkan Probabilitas tertinggi dimiliki oleh penyakit akar sebesar 0.2688
Kriteria Evaluasi Hasil yang didapat Kesimpulan Hasil Form yang Diterima Tanaman Kelapa ditampilkan Sawit penyakit akar sesuai dengan dengan yang diharapkan probabilitasnya sebesar 0.27216. ‘lihat detail hama penyakit’, maka akan tampil cara pemberantasannya.
V-18
Tabel 5.2k. Tabel Butir Uji Pengujian Modul Tampil Hama Penyakit Dan Probabilitasnya (Lanjutan) Deskripsi
Prekondisi
Pengujian tampil hama penyakit dan probabilitasnya
Tampilan form diagnosa
Prosedur Masukkan Pengujian 1. Klik Gejala yang tombol dipilih proses berdasarkan pertanyaan jawaban ya: 1. Kerusakan pada pelepah 2. Daun sobek atau tidak ada sama sekali
Keluaran yang diharapkan Probabilitas tertinggi dimiliki oleh penyakit sebesar 0.28
Kriteria Evaluasi Hasil yang didapat Kesimpulan Hasil Form yang Diterima Tanaman Kelapa ditampilkan Sawit penyakit tajuk sesuai dengan dengan yang diharapkan probabilitasnya sebesar 0.28. ‘lihat detail hama penyakit’, maka akan tampil cara pemberantasannya.
V-19
Tabel 5.2l. Tabel Butir Uji Pengujian Modul Tampil Hama Penyakit Dan Probabilitasnya (Lanjutan) Deskripsi
Prekondisi
Pengujian tampil hama penyakit dan probabilitasnya
Tampilan form diagnosa
Prosedur Masukkan Pengujian 1. Klik Gejala yang tombol dipilih proses berdasarkan pertanyaan jawaban ya: 1.Kerusakan pada pelepah 2.Tanaman mati 3.Tandan bunga atau tombak tidak membuka
Keluaran yang diharapkan Probabilitas tertinggi dimiliki oleh penyakit busuk pangkal batang sebesar 0.3024
Kriteria Evaluasi Hasil yang didapat Kesimpulan Hasil Form yang Diterima Tanaman Kelapa ditampilkan Sawit penyakit sesuai dengan dengan yang diharapkan probabilitasnya sebesar 0.3024. ‘lihat detail hama penyakit’, maka akan tampil cara pemberantasannya.
V-20
Tabel 5.2m. Tabel Butir Uji Pengujian Modul Tampil Hama Penyakit Dan Probabilitasnya (Lanjutan) Deskripsi
Prekondisi
Pengujian tampil hama penyakit dan probabilitasnya
Tampilan form diagnosa
Prosedur Masukkan Pengujian 1. Klik Gejala yang tombol dipilih proses berdasarkan pertanyaan jawaban ya: 1. Daun mati 2. Pucuk daun berubah warna 3. Pembusukan pada batang 4. Batang yang membusuk sekitar 2m diatas tanah berubah warna cokelat keabu-abuan
Keluaran yang diharapkan Probabilitas tertinggi dimiliki oleh penyakit busuk batang atas sebesar 0.07056
Kriteria Evaluasi Hasil yang didapat Kesimpulan Hasil Form yang Diterima Tanaman Kelapa ditampilkan Sawit penyakit busuk sesuai dengan batang atas dengan yang diharapkan probabilitasnya sebesar 0.07056. ‘lihat detail hama penyakit’, maka akan tampil cara pemberantasannya.
V-21
Tabel 5.2n. Tabel Butir Uji Pengujian Modul Tampil Hama Penyakit Dan Probabilitasnya (Lanjutan) Deskripsi
Prekondisi
Pengujian tampil hama penyakit dan probabilitasnya
Tampilan form diagnosa
Prosedur Masukkan Pengujian 1. Klik Gejala yang tombol dipilih proses berdasarkan pertanyaan jawaban ya: 1. Daun mengering 2. Pembusukan pada tandan 3. Tanaman mati
Keluaran yang diharapkan Probabilitas tertinggi dimiliki oleh penyakit busuk kering pangkal batang sebesar 0.072
Kriteria Evaluasi Hasil yang didapat Kesimpulan Hasil Form yang Diterima Tanaman Kelapa ditampilkan Sawit penyakit busuk sesuai dengan kering pangkal yang diharapkan batang dengan probabilitasnya sebesar 0.072. ‘lihat detail hama penyakit’, maka akan tampil cara pemberantasannya.
V-22
Tabel 5.2o. Tabel Butir Uji Pengujian Modul Tampil Hama Penyakit Dan Probabilitasnya (Lanjutan) Deskripsi
Prekondisi
Pengujian tampil hama penyakit dan probabilitasnya
Tampilan form diagnosa
Prosedur Masukkan Pengujian 1. Klik Gejala yang tombol dipilih proses berdasarkan pertanyaan jawaban ya: 1. Pucuk membusuk dan berewarna kecoklatan 2. Pucuk membengko k dan melengkung
Keluaran yang diharapkan Probabilitas tertinggi dimiliki oleh penyakit busuk kuncup sebesar 0.252
Kriteria Evaluasi Hasil yang didapat Kesimpulan Hasil Form yang Diterima Tanaman Kelapa ditampilkan Sawit penyakit busuk sesuai dengan kuncup dengan yang diharapkan probabilitasnya sebesar 0.252. ‘lihat detail hama penyakit’, maka akan tampil cara pemberantasannya.
V-23
Tabel 5.2p. Tabel Butir Uji Pengujian Modul Tampil Hama Penyakit Dan Probabilitasnya (Lanjutan) Deskripsi
Prekondisi
Pengujian tampil hama penyakit dan probabilitasnya
Tampilan form diagnosa
Prosedur Masukkan Pengujian 1. Klik Gejala yang tombol dipilih proses berdasarkan pertanyaan jawaban ya: 1. Daun mengering 2. Bercak atau bintik pada daun 3. Daun gugur
Keluaran yang diharapkan Probabilitas tertinggi dimiliki oleh penyakit garis kuning sebesar 0.126
Kriteria Evaluasi Hasil yang didapat Kesimpulan Hasil Form yang Diterima Tanaman Kelapa ditampilkan Sawit penyakit garis sesuai dengan kuning dengan yang diharapkan probabilitasnya sebesar 0.126. ‘lihat detail hama penyakit’, maka akan tampil cara pemberantasannya.
V-24
Tabel 5.2q. Tabel Butir Uji Pengujian Modul Tampil Hama Penyakit Dan Probabilitasnya (Lanjutan) Deskripsi
Prekondisi
Pengujian tampil hama penyakit dan probabilitasnya
Tampilan form diagnosa
Prosedur Masukkan Pengujian 1. Klik Gejala yang tombol dipilih proses berdasarkan pertanyaan jawaban ya: 1.Pembusukan pada tandan 2.Kerusakan pada tanaman yang berumur 3 s/d 10 tahun 3.Ada benang (miselum) berwarna putih mengkilap menutupi kulit buah
Keluaran yang diharapkan Probabilitas tertinggi dimiliki oleh penyakit busuk tandan sebesar 0.16
Kriteria Evaluasi Hasil yang didapat Kesimpulan Hasil Form yang Diterima Tanaman Kelapa ditampilkan Sawit penyakit busuk sesuai dengan tandan dengan yang diharapkan probabilitasnya sebesar 0.16. ‘lihat detail hama penyakit’, maka akan tampil cara pemberantasannya.
V-25
5.2.5 Pengujian User Acceptance Test Pengujian user acceptance test dilakukan dengan memberikan kuisioner yang berisi pernyataan seputar tugas akhir ini. Kuisioner tersebut diberikan kepada user (pengguna) biasa dan pakar agar dapat menilai dan mengevaluasi sistem pakar untuk mendiagnosa hama penyakit tanaman kelapa sawit 5.2.5.1 User (Pengguna) Biasa Kuisioner diberikan kepada 2 orang. Adapun tanggapan dari kuisioner yang telah diberikan adalah sebagai berikut: Tabel 5.3 Tanggapan Hasil Pengujian Dengan Kuisioner Dari Segi Tampilan. No
Pernyataan
Tanggapan
TS
BS
S
SS
Dari segi tampilan, aplikasi ini sudah menggambarkan sistem pakar untuk mendiagnosa 1 2 hama penyakit tanaman kelapa sawit menggunakan metode naïve bayes Navigasi atau menu-menu yang tersedia pada sistem 2 pakar ini tidak terdapat kesulitan dalam 2 penggunaanya (user friendly). *Keterangan: Tidak Setuju(TS), Biasa Saja(BS), Setuju(S), Sangat Setuju(SS). Berdasarkan tabel 5.3 dapat disimpulkan bahwa dari segi tampilan untuk mencerminkan sistem pakar untuk mendiagnosa hama penyakit tanaman kelapa sawit mendapatkan tanggapan ‘biasa saja’ sebanyak 2 orang. Sedangkan navigasi yang tersedia dalam sistem pakar tidak mendapatkan kesulitan dalam penggunaan memperoleh tanggapan ‘setuju’ oleh user biasa sebanyak 2 orang.
V-26
5.2.5.2 Pakar (Ahli) Tanggapan dari kuisioner yang telah diberikan adalah sebagai berikut: Tabel 5.4 Tanggapan Hasil Pengujian Dengan Kuisioner Dari Segi Tampilan. No
Tanggapan
Pernyataan
TS BS S SS Dari segi tampilan, aplikasi ini sudah menggambarkan sistem pakar untuk mendiagnosa 1 1 hamapenyakit tanaman kelapa sawit menggunakan metode naïve bayes Navigasi atau menu-menu yang tersedia pada sistem 2 pakar ini tidak terdapat kesulitan dalam 1 penggunaanya (user friendly). *Keterangan: Tidak Setuju(TS), Biasa Saja(BS), Setuju(S), Sangat Setuju(SS). Berdasarkan tabel 5.4 dapat disimpulkan bahwa dari segi tampilan untuk mencerminkan sistem pakar untuk mendiagnosa hama penyakit tanaman kelapa sawit mendapatkan tanggapan ‘setuju’, dan juga navigasi yang tersedia dalam sistem pakar tidak mendapatkan kesulitan dalam penggunaan memperoleh tanggapan ‘setuju’ oleh pakar. Tabel 5.5 Tanggapan Hasil Pengujian Dengan Kuisioner Dari Segi Isi. No
1
Pernyataan
Tanggapan
TS
BS
S
Sistem pakar untuk mendiagnosa hama penyakit tanaman kelapa sawit ini dapat membantu dalam mendapatkan informasi tentang hama penyakit yang diderita oleh tanaman kelapa sawit
SS
1
Informasi yang diberikan oleh aplikasi sistem pakar untuk mendiagnosa hama penyakit tanaman kelapa sawit
2
3
ini sudah lengkap baik gejala, hama penyakit dan pemberantasannya. Sistem pakar untuk mendiagnosa hama penyakit tanaman kelapa sawit ini dapat menghasilkan hama penyakit sesuai gejala yang dipilih berdasarkan pertanyaan dengan jawaban“ya” atau tidak dan hasil yang
1
1
V-27
No
4
Pernyataan dikeluarkan atau direkomendasikan oleh sistem pakar ini sudah cocok dengan perhitungan pakar. Probabilitas hama penyakit tertinggi yang dihasilkan pada sistem pakar ini sudah benar.
Tanggapan
1
Aplikasi sistem pakar untuk mendiagnosa hama penyakit 5 tanaman kelapa sawit ini layak untuk digunakan pada 1 PT. PNV *Keterangan: Tidak Setuju(TS), Biasa Saja(BS), Setuju(S), Sangat Setuju(SS). Berdasarkan tabel 5.5 dapat disimpulkan bahwa dari 5 pernyataan, 2 diantaranya mendapat tanggapan ‘sangat setuju’ dari pakar yaitu: sistem pakar ini dapat membantu dalam mendapatkan informasi tentang hama penyakit yang diderita oleh tanaman kelapa sawit dan sistem pakar ini layak digunakan untuk PT. PNV. Sedangkan 3 pernyataan lagi mendapat tanggapan ‘setuju’ dari pakar yaitu: Informasi yang diberikan oleh aplikasi sistem pakar untuk mendiagnosa hama penyakit tanaman kelapa sawit ini sudah lengkap baik gejala, hama penyakit, maupun pemberantasannya, sistem pakar untuk mendiagnosa hama penyakit tanaman kelapa sawit ini dapat menghasilkan hama penyakit sesuai gejala yang dipilih berdasarkan pertanyaan dengan jawaban “ya” dan hasil yang dikeluarkan atau direkomendasikan oleh sistem pakar ini sudah cocok dengan perhitungan pakar dan probabilitas hama penyakit tertinggi yang dihasilkan pada sistem pakar ini sudah benar. 5.2.6 Pengujian Pakar Pengujian pakar adalah pengujian yang dilakukan dengan membandingkan hasil kesimpulan hama penyakit antara hasil pakar dengan hasil sistem pakar. Hasil dari pengujian pakar adalah sebagai berikut:
V-28
Tabel 5.6 Perbandingan Hasil dari Pakar dan Hasil dari Sistem Pakar.
Peng ujian 1
2
3
4
5
Gejala yang diuji atau dipilih berdasarkan jawaban “ya” 1. Daun mengering 2. Daun berwarna kuning 3. Tandan bunga atau tombak tidak membuka 1. Daun berwarna kuning 2. Bercak atau bintik pada daun 3. Kerusakan pada bibit 4. Kerusakan pada daun bagian bawah 5. Daun berwarna perunggu mengkilap 1. Daun berlubang 2. Kerusakan pada daun bagian bawah 3. Tanaman kehilangan daun sekitar 90% 4. Produksi menurun 60% 5. Produksi menurun 27% 1. Daun mengering 2. Daun berlubang 3. Daun tidak utuh 1. Kerusakan pada bibit 2. Daun tidak utuh 3. Dibagian tepi daun tampak bekas gigitan
Hasil Hama Penyakit oleh Pakar Nematod a
Hasil Hama Penyakit oleh Sistem
Kesimpulan
Nematoda dengan probabilitasny a 0.244
Hasil dari pakar dan sistem adanya kesesuaian.
Tungau
Tungau dengan probabilitasny a 0.0324
Hasil dari pakar dan sistem adanya kesesuaian.
Ulat Api
Ulat Api dengan probabilitasny a 0.0648
Hasil dari pakar dan sistem adanya kesesuaian.
Ulat Kantong
Ulat Kantong dengan probabilitasny a 0.1225 Belalang dengan probabilitasny a 0.168
Hasil dari pakar dan sistem adanya kesesuaian.
Belalang
Hasil dari pakar dan sistem adanya kesesuaian.
V-29
Peng ujian
Gejala yang diuji atau dipilih berdasarkan jawaban “ya”
6
1. Daun mengering 2. Daun berlubang
7
1. Daun berwarna kuning 2. Kerusakan pada jaringan akar
8
Buah muda atau buah tua terlihat berlubanglubang
9
1. Terdapat kerusakan pada pelepah 2. Tanaman mati 1. Daun mengering 2. Daun berwarna kuning
10
11
12
13
14
1. Daun berwarna kuning 2. Akar menjadi lunak 3. Akar menjadi layu 1. Terdapat kerusakan pada pelepah 2. Terdapat daun sobek atau tidak ada sama sekali 1. Terdapat kerusakan pada pelepah 2. Tanaman mati 3. Tandan bunga atau tombak tidak membuka 1. Daun mati 2. Pucuk daun berubah warna 3. Pembusukan pada
Hasil Hama Hasil Hama Penyakit Penyakit oleh oleh Sistem Pakar Kumbang Kumbang Malam malam dengan probabilitasny a 0.336 Kutu Kutu Daun Daun dengan probabilitasny a 0.252 Penggerak Penggerak Tandan Tandan Buah Buah dengan probabilitasny a 0.25 Tikus Tikus dengan probabilitasny a 0.504
Kesimpulan
Hasil dari pakar dan sistem adanya kesesuaian. Hasil dari pakar dan sistem adanya kesesuaian. Hasil dari pakar dan sistem adanya kesesuaian.
Hasil dari pakar dan sistem adanya kesesuaian.
Daun Bibit Muda
Daun bibit muda dengan probabilitasny a 0.126
Hasil dari pakar dan sistem adanya kesesuaian.
Akar
Akar dengan probabilitasnya 0.2688
Hasil dari pakar dan sistem adanya kesesuaian.
Tajuk
Tajuk dengan probabilitasnya 0.28
Hasil dari pakar dan sistem adanya kesesuaian.
Busuk Pangkal Batang
Busuk Pangkal Batang dengan probabilitasnya 0.3024
Hasil dari pakar dan sistem adanya kesesuaian.
Busuk Batang Atas
Busuk batang atas dengan probabilitasnya 0.07056
Hasil dari pakar dan sistem adanya kesesuaian.
V-30
Peng ujian
15
16
17
18
Gejala yang diuji atau dipilih berdasarkan jawaban “ya” batang 4. Batang yang membusuk sekitar 2 m diatas tanah berubah warna cokelat keabuabuan 1. Daun mengering 2. Pembusukan pada tandan 3. Tanaman mati 1. Pucuk membusuk dan berwarna kecoklatan 2. Pucuk membengkok dan melengkung 1. Daun mengering 2. Bercak atau bintik pada daun 3. Daun gugur 1. Pembusukan pada tandan 2. Kerusakan pada tanaman yang berumur 3-10 tahun 3. Ada benang (miselum) berwarna putih mengkilap menutupi kulit buah
Hasil Hama Penyakit oleh Pakar
Busuk Kering Pangkal Batang Busuk Kuncup
Garis Kuning
Busuk Tandan
Hasil Hama Penyakit oleh Sistem
Kesimpulan
Busuk kering pangkal batang dengan probabilitasnya 0.072 Busuk kuncup dengan probabilitasnya 0.252
Hasil dari pakar dan sistem adanya kesesuaian.
Garis kuning dengan probabilitasnya 0.126 Busuk tandan dengan probabilitasnya 0.16
Hasil dari pakar dan sistem adanya kesesuaian.
Hasil dari pakar dan sistem adanya kesesuaian.
Hasil dari pakar dan sistem adanya kesesuaian.
5.2.7 Kesimpulan Pengujian Dari hasil pengujian yang telah dilakukan bahwa sistem pakar untuk mendiagnosa hama penyakit tanaman kelapa sawit dapat memberikan hasil berupa:
V-31
1.
Pada pengujian black box, sistem pakar ini dapat memberikan informasi hama penyakit, gejala dan pemberantasannya sesuai harapan pakar dan perhitungan menggunakan metode naïve bayes.
2.
Pada pengujian user acceptance test, dapat diambil kesimpulan bahwa sistem pakar ini dapat diterima dengan baik oleh pakar maupun oleh PT. PNV.
3.
Pada pengujian pakar, dapat disimpulkan bahwa hasil antara pakar dengan sistem pakar mempunyai kesamaan atau kesesuaian.
V-32
BAB VI PENUTUP 6.1
Kesimpulan Setelah melalui tahap pengujian sistem pakar untuk mendiagnosa hama
penyakit tanaman kelapa sawit menggunakan metode naïve bayes, sehinggga dapat diambil suatu kesimpulan sebagai berikut: 1. Sistem pakar untuk mendiagnosa hama dan penyakit kelapa sawit ini telah berhasil dibangun dengan menerapkan metode naïve bayes dan dapat memberikan informasi hama penyakit, probabilitasnya dan pemberantasannya berdasarakan gejala-gejala yang dijawab oleh user. 2. Penelusuran gejala hama penyakit dilakukan dengan menggunakan metode naïve bayes, dimana metode ini mampu mendiagnosa suatu hama
penyakit berdasarkan gejala-gejala yang ada pada tanaman kelapa sawit. 3. Pada pengujian user acceptance test, dapat diambil kesimpulan bahwa system pakar ini dapat diterima dengan baik oleh user (petani) maupun oleh pakar. 4. Berdasarkan pengujian pakar dapat diambil kesimpulan bahwa hasil yang direkomendasikan oleh sistem pakar telah cocok dan sesuai serta memiliki kesamaan sebesar 90% dengan hasil pakar. 5. Sistem pakar ini tidak dapat dijadikan sebagai final decision dalam menentukan hama penyakit yang dialami tanaman kelapa sawit. Penalaran yang diperoleh dari konsultasi dengan ahli (pakar) tetap menjadi faktor utama dalam mendiagnosa hama penyakit tanaman kelapa sawit. Namun, hasil sistem ini akan berusaha mengarahkan user untuk fokus terhadap hama penyakit tanaman kelapa sawit berdasarkan gejala-gejala yang ditimbulkan.
6.2
Saran Untuk pengembangan sistem pakar ini, penulis memberikan saran yaitu
sistem pakar untuk mendiagnosa hama penyakit tanaman kelapa sawit agar dikembangkan menggunakan pengolahan citra berbasis android, sehingga sistem pakar memproses bukan berdasarkan gejala yang dipilih tetapi berdasarkan inputan gambar.
DAFTAR PUSTAKA Arhami, Muhammad, Konsep Dasar Sistem Pakar, Yogyakarta, Andi. 2005. Domonigos, P., and Pazzani, M. On The Optimality Of The Simple Bayesian Classifer Under Zero – One Loss. 1997. Iyung Pahan. Panduan Lengkap Kelapa Sawit. Manajemen Agribisnis dari Hulu hingga Hilir. Penebar Swadaya. Jakarta. 2006. Kusrini, Sistem Pakar Teori dan Aplikasi, Yogyakarta, Andi Offset, 2006. Kusumadewi, S., Artificial Intelligence (Teknik dan Aplikasinya, Yogyakarta, Graha Ilmu, 2003. McLeoad, Raymond, Sistem Informasi Manajemen : Studi Sistem Informasi Berbasis Komputer Jilid II, New Jersey, Prentice-Hall.1995. Rika Rosnelly dan Agus Hardjoko, “Pengembangan Sistem Informasi Diagnosis Penyakit Tropis Menggunakan Algoritma Naïve Bayesian”, Konferensi Nasional Sistem dan Informatika 2011; Bali, November 12, 2011. Shadiq, M. Amar, Keoptimalan Naïve Bayes dalam Klasifikasi. 2009 Turban, E., Aronson J.E, Decision Support System and Intelligent System, 6th. Edition; New Jersey, Prentice Hall, International Edition, 2001. Turban, E., Decision Support System and Expert System, 4th. New Jersey, Prentice Hall, Inc, 1995. Utomo, Candra, Penyakit-penyakit Eksotis Kelapa Sawit, Yogyakarta, 2005.
xxi
