1

APLIKASI SISTEM PAKAR UNTUK IDENTIFIKASI

HAMA DAN PENYAKIT TANAMAN TEBU DENGAN METODE
NAVE BAYES BERBASIS WEB

Angga Hardika P., Arief Andy Soebroto ST., M.Kom., Rekyan Regasari M.P., ST., MT.
Program Studi Informatika/Ilmu Komputer
Program Teknologi Informasi dan Ilmu Komputer Universitas Brawijaya
Email : anggahardikaub@gmail.com

ABSTRAK
Produktivitas tanaman tebu saat ini mengalami kemunduran kualitas yang tercermin dari rendahnya kandungan
gula dalam batang tebu. Salah satu faktor penghambat produktivitas tanaman tebu adalah adanya serangan hama dan
penyakit tanaman tebu. Penggunaan metode Nave Bayes yang di implementasikan pada sistem pakar diharapkan dapat
membantu para petani tebu dalam proses identifikasi hama dan penyakit tanaman tebu. Perancangan yang digunakan yaitu
analisa kebutuhan perangkat lunak, perancangan sistem pakar, dan perancangan perangkat lunak. Analisa kebutuhan
perangkat lunak terdiri dari identifikasi aktor, analisa kebutuhan masukan, analisa kebutuhan proses, dan analisa kebutuhan
keluaran. Perancangan sistem pakar menjelaskan arsitektur sistem pakar. Perancangan perangkat lunak terdiri dari entity
relationship diagram (ERD), data flow diagram (DFD), dan perancangan algoritma. Sistem pakar ini diimplementasikan dengan
bahasa pemrograman PHP yang terintegrasi dengan database MySql. Berdasarkan data yang digunakan, sistem dapat
melakukan identifikasi hama dan penyakit tanaman tebu dengan tingkat akurasi sebesar 94.28%. Sehingga dapat disimpulkan
bahwa sisem pakar yang sudah dibangun menggunakan metode Nave Bayes dapat berfungsi dengan cukup baik.
Kata kunci : hama dan penyakit tebu, Nave Bayes, sistem pakar.

1. PENDAHULUAN
1.1 Latar Belakang
Produktivitas tanaman tebu saat ini
mengalami kemunduran kualitas yang tercermin
dari rendahnya kandungan gula dalam batang
tebu. Kemunduran kualitas tersebut terlihat dari
tingkat rendemen gula yang rata-rata pada tahun
1934 di atas 11%, sedangkan saat ini hanya bisa
dicapai dengan rata-rata 7% saja [1]. Salah satu
faktor penghambat produktivitas tanaman tebu
adalah adanya serangan hama dan penyakit
tanaman tebu. Keterbatasan jumlah pakar dan jam
kerja penyuluh ketika berada di lapangan, serta
kurangnya pengetahuan para petani membuat
permasalahan yang di alami tidak dapat diatasi
dengan segera.
Kemajuan teknologi dan informasi saat ini
membuat semakin banyak perangkat lunak yang
dapat membantu dan memudahkan kehidupan
manusia. Sistem Pakar adalah bagian dari
kecerdasan buatan yang mengandung pengetahuan
dan pengalaman pakar yang dimasukkan ke dalam
satu area pengetahuan tertentu untuk memecahkan
berbagai masalah yang bersifat spesifik [2].
Pengetahuan yang akan direpresentasikan ke
dalam sistem pakar penuh dengan unsur
ketidakpastian dan kesamaran. Salah satu cara
untuk mengatasi permasalahan ketidakpastian
tersebut dapat dilakukan dengan menggunakan
metode Nave Bayes. Metode Nave Bayes merupakan
bagian dari teknik probabilitas yang mampu
menangani masalah ketidakpastian dengan
menekankan pada konsep probabilitas hipotesis
dan evidence [2].
Berdasarkan penjelasan di atas, maka pada
penelitian ini akan dibuat dengan judul Aplikasi
Sistem Pakar Untuk Identifikasi Hama Dan Penyakit
Tanaman Tebu Dengan Metode Nave Bayes Berbasis
Web.

1.2 Rumusan Masalah
Berdasarkan uraian latar belakang di atas,
maka dapat dirumuskan permasalahan pada
skripsi ini yaitu sebagai berikut :
1. Bagaimana rancangan dari sistem pakar
identifikasi hama dan penyakit tanaman tebu
dengan metode Nave Bayes berbasis web?
2. Bagaimana implementasi sistem pakar
identifikasi hama dan penyakit tanaman tebu
dengan metode Nave Bayes berbasis web?
3. Bagaimana hasil pengujian dari sistem pakar
identifikasi hama dan penyakit tanaman tebu
dengan metode Nave Bayes berbasis web?

1.3 Batasan Masalah
Agar permasalahan yang dirumuskan dapat
lebih terfokus, maka pada penelitian ini dibatasi
dalam hal:
1. Penggunaan aplikasi ini hanya mendeteksi
gejala-gejala yang ditimbulkan oleh hama dan
penyakit pada tanaman tebu serta cara
penanganannya.
2. Pengguna dari aplikasi ini adalah masyarakat
umum khususnya para petani tebu dan para
pengusaha yang bergerak dibidang pertanian
tebu.
3. Pengembangan aplikasi ini menggunakan
metode Nave Bayes.
2

P(E | E) =
P(E|E) . P(E)
P(E)

4. Tidak menangani komplikasi hama dan
penyakit pada proses identifikasi.
5. Jenis hama dan penyakit tanaman tebu hanya
di wilayah Indonesia saja.
6. Bahasa pemrograman yang digunakan adalah
PHP dengan database MySQL.

1.4 Tujuan
Tujuan yang ingin dicapai dalam penelitian
kali ini adalah :
1. Membangun aplikasi sistem pakar untuk
identifikasi hama dan penyakit pada tanaman
tebu.
2. Menerapkan metode Nave Bayes pada aplikasi
sistem pakar untuk identifikasi hama dan
penyakit pada tanaman tebu.
3. Memberikan informasi mengenai hama dan
penyakit tanaman tebu kepada masyarakat
umum khususnya para petani tebu dan para
pengusaha yang bergerak dibidang pertanian
tebu.

1.5 Manfaat
Manfaat yang diharapkan adalah sebagai
berikut:
Bagi penulis :
1. Sebagai media untuk pengimplementasian
ilmu pengetahuan teknologi pada bidang
Artificial Intelligent terutama bidang
sistem pakar.
2. Mendapatkan pengetahuan dan wawasan
terkait mengenai metode-metode yang
digunakan dalam sistem pakar.
Bagi pembaca/pengguna :
1. Mendapatkan wawasan akan
pengimplementasian dari metode Nave
Bayes pada aplikasi system pakar.
2. Memberikan informasi bagi pengguna
dalam melakukan identifikasi hama dan
penyakit tanaman tebu, sehingga bisa
dilakukan penanganan yang lebih baik
dan cepat.

1.6 Sistem Pakar
Sistem Pakar adalah salah satu bagian dari
kecerdasan buatan yang mengandung pengetahuan
dan pengalaman yang dimasukkan oleh satu atau
banyak pakar ke dalam satu area pengetahuan
tertentu. Sehingga setiap orang dapat
menggunakannya untuk memecahkan berbagai
masalah yang bersifat spesifik [2].
Penggunaan sistem pakar dapat digunakan
untuk menyelesaikan masalahnya atau sekedar
mencari suatu informasi berkualitas yang
sebenarnya hanya dapat diperoleh dengan bantuan
para ahli di bidangnya. Seorang pakar yang
dimaksud disini adalah orang yang mempunyai
keahlian dalam bidang tertentu, yaitu pakar yang
mempunyai knowledge atau kemampuan khusus
yang tidak dimiliki oleh orang lain [2].

1.7 Ketidakpastian
Ada tiga teknik yang dapat digunakan untuk
menangani ketidakpastian dan kesamaran
pengetahuan, yaitu [2] :
1. Teknik Probabilitas, yang dikembangkan
dengan memanfaatkan teorema Bayes yang
menyajikan hubungan sebab akibat yang terjadi
diantara evidence-evidence yang ada.
Pendekatan alternatif lainnya yang dapat
digunakan adalah teori Dempster-Shafer.
2. Faktor Kepastian, merupakan teknik penalaran
tertua, yang digunakan pada sistem MYCIN.
Teknik ini bersifat semi probabilitas, karena
tidak sepenuhnya menggunakan notasi
probabilitas.
3. Logika Fuzzy, merupakan teknik baru yang
diperkenalkan oleh Zadeh. Setiap variable
dalam teknik ini memiliki rentang nilai tertentu,
yang akan digunakan untuk menghitung nilai
fungsi keanggotaannya.

1.8 Teori Nave Bayes
Thomas Bayes menemukan pendekatan
penalaran statistik yang jauh lebih maju
dibandingkan dengan pola pikir matematis
tradisional pada saat itu. Fokus matematika pada
saat itu adalah pada tingkah laku sampel dari
populasi yang diketahui. Akan tetapi, Bayes
mengemukakan ide untuk menentukan properti
dari populasi berdasarkan sampel tersebut. Dalam
An Essay Towards the Solving a Problem in the
Doctrines of Chance, dia menyajikan tentang
Proposition 9, yang akhirnya dikenal dengan
Teorema Bayes. Selanjutnya, teorema ini menjadi
dasar dalam pengambilan keputusan modern [2].
Formula Bayes dinyatakan dalam persamaan 2.1
[3]:
.. (2.1)

Dimana:
a. P(H|E) = Probabilitas posterior bersyarat
(Conditional Probability) suatu hipotesis H
terjadi jika diberikan evidence/bukti E terjadi.
b. P(E|H) = Probabilitas sebuah evidence E
terjadi akan mempengaruhi hipotesis H.
c. P(H) = Probabilitas awal (priori) hipotesis H
terjadi tanpa memandang evidence apapun.
d. P(E) = Probabilitas awal (priori) evidence E
terjadi tanpa memandang hipotesis/evidence
yang lain.
3

Nave Bayes Classifier atau bisa juga disebut
sebagai Multinomial Nave Bayes merupkan model
dari penyederhanaan Bayes [4]. Algoritma Naive
Bayes berasumsi bahwa efek suatu nilai variabel di
sebuah kelas yang ditentukan adalah tidak terkait
pada nilai-nilai variabel lain [5].
Naive Bayes dinyatakan sebagai sebuah
hipotesa yang disebut dengan HMAP (Hypothesis
Maximum Appriori Probability). Secara matematis
HMAP dirumuskan seperti persamaan 2.2 [5]:
E
MAP
= aig max P(h|e)
= aig max
P(c|h)P(h)
P(c)
.. (2.2)
= aig max P(c|) P()
Dalam konteks data mining atau machine
learning, data e adalah set training, dan h adalah
ruang dimana fungsi yang akan ditemukan tersebut
terletak. HMAP juga seringkali dituliskan seperti
persamaan 2.3 [5]:
E
MAP
= aig mox
h] H
P(o
1
, o
2
, o
3
, o
n
|)
P(
]
) .. (2.3)
Dimana:
a. B
MAP
= Nilai output hasil klasifikasi Nave
Bayes.
b. P(a1,a2,a3,an|hj) = Peluang a.
c. P(hj) = Keadaan atau kategori j.

HMAP menyatakan hipotesa yang diambil
berdasarkan nilai probabilitas berdasarkan kondisi
prior yang diketahui. HMAP inilah yang
digunakan di dalam machine learning sebagai
metode untuk mendapatkan hipotesis suatu
keputusan [5].

1.9 Hama dan Penyakit Tanaman Tebu
Pengendalian hama dan penyakit dapat
mencegah meluasnya serangan hama dan penyakit
pada areal pertanaman tebu. Pencegahan
meluasnya hama dan penyakit dapat meningkatkan
produktivitas. Beberapa jenis hama dan penyakit
tanaman tebu yang dapat di identifikasi oleh sistem
ini hanya pada wilayah Indonesia.

2. METODOLOGI
2.1 Studi Literatur
Mempelajari literature dari beberapa bidang
ilmu yang berhubungan dengan pembuatan sistem
pakar untuk identifikasi hama dan penyakit pada
tanaman tebu, yaitu sistem pakar, algoritma Nave
Bayes, Identifikasi berbagai jenis hama dan penyakit
pada tanaman tebu.

2.2 Analisis Kebutuhan
Analisa kebutuhan bertujuan untuk
identifikasi aktor-aktor yang terlibat dalam sistem
pakar, penjabaran kebutuhan masukan, proses dan
keluaran. Analisis kebutuhan ini ditujukan untuk
menggambarkan kebutuhan-kebutuhan yang harus
disediakan oleh sistem agar dapat memenuhi
kebutuhan pengguna.

2.3 Perancangan Perangkat Lunak
Perancangan perangkat lunak digunakan
untuk memenuhi kebutuhan fungsional dan
kebutuhan domain sistem pakar menggunakan
Metode Nave Bayes. Untuk mengetahui kebutuhan
fungsional dan kebutuhan domain sistem pakar,
diperlukan sebuah perancangan arsitektur sistem
pakar seperti pada Gambar 1. Selain itu, pada
perancangan sistem juga digambarkan diagram
ERD dan diagram algoritma.

Gambar 1 Arsitektur Sistem Pakar
Sumber : Perancangan

2.4 Implementasi Perangkat Lunak
Implementasi perangkat lunak dilakukan
dengan mengacu kepada perancangan aplikasi.
Implementasi perangkat lunak dilakukan dengan
menggunakan bahasa pemrograman PHP, DBMS
MySQL dan tools pendukung lainnya.

2.5 Pengujian Sistem
Pengujian yang dilakukan yaitu pengujian
validasi (Black Box) dan pengujian akurasi sistem
pakar. Pengujian Black Box dilakukan untuk
mengetahui kesesuaian antara kebutuhan dengan
kinerja sistem, Pengujian akurasi sistem pakar
dilakukan untuk mengetahui performa sistem
pakar dalam memberikan rekomendasi dengan
membandingkan pengujian data secara manual
dengan pengujian data menggunakan sistem pakar.

3. PERANCANGAN
3.1 Analisa Kebutuhan Perangkat Lunak
Analisa kebutuhan ini diawali dengan
identifikasi aktor dalam sistem pakar, analisa
kebutuhan masukan, proses dan keluaran. Analisis
kebutuhan ini ditujukan untuk menggambarkan
4

kebutuhan-kebutuhan yang harus disediakan oleh
sistem agar dapat memenuhi kebutuhan pengguna.

3.1.1 Identifikasi Aktor
Tahap ini mempunyai tujuan untuk
melakukan identifikasi aktor-aktor yang akan
berinteraksi dengan sistem pakar. Aktor yang
terlibat dalam sistem pakar dapat dilihat seperti
pada Tabel 1.

Tabel 1 Deskripsi Aktor
Aktor Deskripsi Aktor
Pengguna
Umum
(PU)
Aktor yang dapat menggunakan
sistem pakar untuk melakukan proses
login, registrasi pengguna, konsultasi,
proses identifikasi, melihat informasi
mengenai hama dan penyakit tebu,
dan melihat berita.
Pakar
(PK)
Aktor yang memiliki pengetahuan
atau keahlian dalam bidang tertentu.
Pakar dapat melakukan proses login,
menanggapi konsultasi yang
dilakukan pengguna, melihat aktifitas
pengguna, proses identifikasi, melihat
informasi mengenai hama dan
penyakit tebu, dan melihat berita.
Knowledge
Engineer
(KE)
Aktor yang menyerap sumber
pengetahuan dari pakar kemudian
ditransformasikan ke basis
pengetahuan. Admin dapat
menggunakan semua proses yang ada
dalam sistem pakar.
Sumber: Perancangan

3.1.2 Analisa Kebutuhan Masukan
Kebutuhan masukan yang diperlukan oleh
sistem pakar :
1. Data gejala yang ada pada tebu.
2. Data hama dan penyakit pada tebu.
3. Data aturan yang diperoleh dari hasil
observasi lapangan dan diagnosa yang
dilakukan oleh peneliti P3GI.
4. Data pengguna sistem pakar.
5. Data berita yang berhubungan dengan
tanaman tebu.

3.1.3 Analisa Kebutuhan Proses
Proses inti dari sistem ini adalah proses
penalaran. Sistem akan melakukan penalaran untuk
menentukan jenis hama dan penyakit tebu yang
menyerang berdasarkan gejala yang dimasukkan
oleh pengguna. Data aturan yang ada pada basis
pengetahuan akan digunakan sebagai proses
perhitungan metode Nave Bayes. Hasil perhitungan
tersebut akan digunakan sebagai proses
pengambilan keputusan yang dilakukan oleh
sistem.
3.1.4 Analisa Kebutuhan Keluaran
Data keluaran dari sistem ini adalah hasil
identifikasi berupa jenis hama/penyakit yang
menyerang tanaman tebu, nilai persentase
keyakinan dari hasil perhitungan metode Nave
Bayes dan informasi mengenai hama/penyakit
tanaman tebu yang teridentifikasi. Hasil identifikasi
tersebut diperoleh berdasarkan gejala yang
dimasukan pengguna pada saat proses identifikasi.

3.2 Perancangan Arsitektur Sistem Pakar
a. Akuisisi Pengetahuan
Akuisisi pengetahuan adalah akumulasi,
transfer, dan transformasi keahlian dalam
menyelesaikan masalah dari sumber pengetahuan
kedalam komputer dan menaruhnya dalam basis
pengetahuan dengan format tertentu. Pada tahap
ini knowledge engineer berusaha menyerap
pengetahuan untuk selanjutnya ditransfer kedalam
basis pengetahuan. Pengetahuan yang ada dapat
diperoleh dari buku, internet, serta pengetahuan
yang berasal dari pakar.
Pada metode akuisisi ini, knowledge engineer
mengumpulkan informasi mengenai hama dan
penyakit pada tanaman tebu. Informasi yang
dikumpulkan meliputi jenis-jenis hama dan
penyakit yang menyerang tanaman tebu dan
langkah-langkah pakar dalam melakukan
identifikasi.
peneliti juga diminta untuk memberikan
pengetahuan dan hasil penelitian selama ini
mengenai gejala hama dan penyakit tebu yang
nantinya dapat digunakan sebagai acuan dalam
pengambilan suatu keputusan. Dalam menentukan
suatu pengambilan keputusan, peneliti P3GI
menggunakan pengetahuan yang dimiliki dan
pengujian laboratoris.

b. Basis Pengetahuan
Basis pengetahuan berisi pengetahuan tentang
data aturan yang diperlukan untuk
memformulasikan, memahami, dan memecahkan
masalah. Basis pengetahuan tersebut mencakup
dua elemen dasar yaitu fakta dan aturan khusus
yang mengarahkan pengguna pengetahuan untuk
memecahkan persoalan khusus dalam domain
tertentu. Basis pengetahuan merupakan inti
program dari sistem pakar dimana basis
pengetahuan ini merupakan representasi
pengetahuan dari seorang pakar. Pada Tabel 2
adalah contoh data training gejala serangan hama
tebu.





5

Tabel 2 Tabel Data Training Hama

Sumber: Perancangan

c. Mesin Inferensi
Metode penelusuran jawaban menggunakan
metode forward chaining. penelusuran jawaban
dimulai dari sekumpulan fakta-fakta tentang suatu
gejala yang diberikan oleh pengguna sebagai
masukan pada sistem. Kemudian dari proses
penelusuran tersebut akan dilakukan proses
pencarian nilai probabilitas menggunakan metode
Nave Bayes. Sedangkan untuk mendapatkan nilai
probabilitas tertinggi dari hasil perhitungan Nave
Bayes akan dilakukan proses pengurutan nilai
probabilitas pada seluruh jenis hama/penyakit.
Untuk proses inferensi diagram alir Nave
Bayes pada aplikasi sistem pakar identifikasi hama
dan penyakit tanaman tebu dapat dilihat seperti
pada Gambar 2.
Input :
Fakta Gejala,
Gn = Jumlah fakta gejala,
Jn = Jumlah seluruh jenis
hama/penyakit
Rumus Nave Bayes:
HMAP = Arg max hjh P(a1, a2, a3, anh)*P(hj )
Pencarian Nilai Probabilitas Awal Hipotesa (P(h)) :
P(h) = jumlah setiap jenis hama /penyakit / jumlah
seluruh jenis hama/penyakit
Pencarian Nilai Probabilitas Suatu Fakta
Gejala Yang Mempengaruhi Hipotesa (P(e|h)) :
P(e|h) = fakta gejala setiap jenis hama /penyakit /
jumlah setiap jenis hama /penyakit
Pencarian Nilai Probabilitas Akhir(P(h|e)) :
P(h|e) =P(a1, a2, a3, anh)*P(hj )
Selesai
Gn >= 1
Jn >= 1
Ya
Jn --
Tidak
Ya
Gn --
Tidak
Mulai

Gambar 2 Inferensi Diagram Alir Nave Bayes
Sumber: Perancangan

d. Blackboard
Blackboard merupakan area memori yang
berfungsi sebagai basis data untuk merekam hasil
sementara suatu keputusan, dengan menyertakan
hasil perhitungan akhir sebelum sistem
memutuskan kesimpulannya. Pada sistem pakar
identifikasi hama dan penyakit tebu, data yang
disimpan adalah hasil perhitungan sementara dari
metode Nave Bayes yang berupa nilai probabilitas
pada setiap jenis hama/penyakit. Hasil
perhitungan tersebut akan dilakukan pengurutan
untuk mendapatkan nilai probabilitas tertinggi
yang nantinya akan dijadikan sebagai hasil
identifikasi.

e. Fasilitas Penjelas
Fasilitas penjelas yang akan diterapkan pada
sistem pakar identifikasi hama dan penyakit tebu
yaitu dengan memberikan informasi tentang cara
penggunaan aplikasi sistem pakar dan informasi
hasil perhitungan dari proses identifikasi. Fasilitas
penjelas ini penting untuk memberikan informasi
kepada pengguna mengenai cara penggunaan dan
fitur-fitur apa saja yang ada dalam sistem pakar.

3.3 Perancangan Aplikasi Sistem Pakar
Identifikasi Hama dan Penyakit Tebu
a. Entity Relationship Diagram (ERD)
Pada ERD aplikasi sistem pakar identifikasi
hama dan penyakit tebu ini terdapat 14 entitas yang
digunakan, yaitu entitas users, hpt, gejala, aturan,
konsultasi, identifikasi, kat_kelompok, berita,
profesi, main_menu, sub_menu, kategori_gejala,
kata_jelek, identitas. Rancangan ERD sistem pakar
ditunjukkan pada Gambar 3.
6

Users
Id_session
Password
Username
Nama_lengkap
Level Blokir
Email
Jumlah
Profesi
Profesi
Id_profesi
Mempunyai
N
1
Berita
Id_berita
Berita_utama
Gambar
Jam
Tanggal
Hari
Isi_berita
Judul
Headline
Judul_seo
Mengelola
HPT
N
1
Nama
Dibaca
Gambar
Tanggal
Deskripsi
Headline
Aktif
Hpt_spesifik
Kategori
Nama_seo
Id_hpt
Mengelola
N
1
Aturan
Id_aturan
Gn
Terdapat
N
1
Konsultasi
Jam
Isi
Kd_konsultasi Dilihat
Tanggal
Melakukan
N
1
Identifikasi
Id_identifikasi
Identifikasi
Fakta_gejala
Melakukan
N
1
Kata_jelek
Identitas
Sub_menu Main_menu
Link
Id_main
Nama_menu
Pakar_menu
Public_menu
Admin_menu
Aktif
Id_sub
Pakar_sub
Nama_sub
Link_sub
Aktif
Public_sub
Admin_menu
Terdapat
N 1
Favicon
Meta_keyword
Meta_deskripsi
Email_web
Alamat_web
Nama_web
Id_identitas
Id_jelek ganti
kata
Gejala
Gejala
Kd_gejala
Kategori_gejala
Kat_gejala
Id_kat_gejala
Terdapat
N
1
Kategori
Id_kategori kategori
Terdapat
N
1
Gejala_khusus

Gambar 3 ERD Sistem Pakar Identifikasi Hama
Dan Penyakit Tebu
Sumber : Perancangan

b. Diagram Konteks
Pada Gambar 4 adalah context diagram sistem
pakar identifikasi hama dan penyakit tebu. pada
diagram tersebut terlihat proses masukan dan
keluaran dari setiap pengguna sistem pakar.

Gambar 4 Diagram Konteks Sistem Pakar
Identifikasi Hama Dan Penyakit Tebu
Sumber: Perancangan

4. IMPLEMENTASI
4.1 Batasan Implementasi
Beberapa batasan dalam
mengimplementasikan Sistem Pakar Untuk
identifikasi hama dan penyakit tebu adalah sebagai
berikut :
1. Masukan yang diterima oleh sistem adalah
berupa data fakta gejala serangan
hama/penyakit yang terdapat pada tanaman
tebu.
2. Keluaran yang diterima oleh pengguna
berupa jenis hama/penyakit tebu. persentase
keyakinan, dan informasi mengenai
hama/penyakit tebu yang teridentifikasi.
3. Metode inferensi yang digunakan pada sistem
pakar yaitu Nave Bayes.
4. Hasil identifikasi yang tersimpan pada sistem
hanya proses identifikasi yang dilakukan oleh
pengguna umum.
5. Pengguna yang ingin mengakses beberapa
menu yang ada dalam sistem pakar harus
melakukan login terlebih dahulu.
6. Menu-menu yang ada pada sistem pakar
dapat diakses sesuai dengan wewenang yang
dimiliki oleh pengguna.
7. Registrasi untuk pakar hanya dapat dilakukan
oleh knowledge engineer.

4.2 Implementasi Antarmuka
Tampilan yang ditunjukkan pada
implementasi antarmuka ini hanya tampilan utama
dari sistem pakar identifikasi hama dan penyakit
tebu. Tampilan halaman identifikasi dapat dilihat
seperti pada Gambar 5.

Gambar 5 Halaman identifikasi hama tebu
Sumber: Implementasi
Tampilan halaman hasil identifikasi dapat
dilihat seperti pada Gambar 6.
Login
1
Apl ikasi Si stem Pakar Untuk Identi fikasi
Hama Dan Penyakit Tanaman Tebu
Dengan Metode Nave Bayes Berbasis
Web
KE
PU
Data Hama
Data Gejala
Data Aturan
Konsul tasi
Data Berita
Info Data Hama
Info Data Gejala
Info Data Aturan
Info akti vitas pengguna
Info Data Pengguna
Info Data Berita
Info Konsul tasi
Logi n
Registrasi Pengguna
Data Fakta Gejala
Konsul tasi
Info Hasil Identifikasi
Info Data Hama
Info Data Beri ta
Info Konsul tasi
Data Pengguna
PK
Logout
Info Data Penyakit
Bantuan
Login
Logout
Data Pengguna
Info Data Pengguna
Info Data Hama
Info Data Penyaki t
Data Beri ta
Info Data Berita
Info akti vi tas pengguna
Konsultasi
Info Konsultasi
Data Fakta Gejala
Info Hasil Identi fi kasi
Bantuan
Logout
Identi tas Web
Menu Utama
Sub Menu
Data Penyakit
Info Data Penyaki t
Data Fakta Gej al a
Info Hasi l Identifikasi
Info Menu Utama
Info Sub Menu
Bantuan
7


Gambar 6 Halaman Hasil Diagnosa
Sumber: Implementasi

5. HASIL DAN PEMBAHASAN
5.1 Pengujian Validasi
Pengujian validasi digunakan untuk
mengetahui apakah sistem yang dibangun sudah
benar sesuai dengan yang dibutuhkan. Pengujian
validasi menggunakan metode pengujian BLack
Box, karena tidak difokuskan terhadap alur
jalannya algoritma program namun lebih
ditekankan untuk menemukan kesesuaian antara
kinerja sistem dengan daftar kebutuhan.
Dari kasus uji yang telah dilaksanakan sesuai
dengan prosedur pengujian, didapatkan hasil
seperti ditunjukkan pada Tabel 3.
Tabel 3 Hasil pengujian validasi
No Hasil yang didapatkan Status
1 Sistem berhasil menerima masukan
username, password, dan memeriksa
masukan ke dalam database
Valid
2 Sistem berhasil menerima data masukan
dari form registrasi dan melakukan
penyimpanan kedalam database
Valid
3 Sistem berhasil menerima masukan data
fakta gejala dari pengguna untuk
dilakukan proses identifikasi
Valid
4 Sistem berhasil menampilkan hasil
identifikasi berdasarkan dan
perhitungan hasil identifikasi
berdasarkan data fakta gejala yang
dimasukkan
Valid
5 Sistem berhasil menerima masukan
berupa konsultasi yang dilakukan oleh
pengguna dan menyimpannya kedalam
database
Valid
6 Sistem berhasil menampilkan jenis-jenis
hama tebu yang sudah tersimpan pada
database
Valid
7 Sistem berhasil menampilkan jenis-jenis
penyakit tebu yang sudah tersimpan
pada database
Valid
No Hasil yang didapatkan Status
8 Sistem berhasil menampilkan berita
mengenai hama dan penyakit tebu yang
sudah tersimpan dalam database
Valid
9 Sistem berhasil menampilkan informasi
bantuan kepada pengguna
Valid
10 Sistem dapat menerima masukan
username, password, memeriksa masukan
ke dalam database, dan masuk ke
halaman administrator jika username dan
password sesuai
Valid
11 Sistem berhasil menampilkan data
aturan, menambah data aturan,
merubah data aturan, dan menghapus
data aturan
Valid
12 Sistem berhasil menampilkan data
gejala, menambah data gejala, merubah
data gejala, dan menghapus data gejala
serangan hama dan penyakit tebu
Valid
13 Sistem berhasil menampilkan data
hama, menambah data hama, merubah
data hama, dan menghapus data hama
tebu
Valid
14 Sistem berhasil menampilkan data
penyakit, menambah data penyakit,
merubah data penyakit, dan menghapus
data hama penyakit tanaman tebu
Valid
15 Sistem berhasil menampilkan berita,
menambah berita, merubah berita, dan
menghapus berita
valid
16 Sistem berhasil menampilkan data
pengguna, menambah pengguna baru,
merubah data pengguna, dan
menghapus data pengguna yang sudah
tersimpan dalam sistem
valid
17 Sistem berhasil menampilkan hasil
proses identifikasi yang sudah
dilakukan oleh pengguna dan melihat
berapa kali pengguna telah login
Valid
18 Sistem berhasil membalas konsultasi,
menampilkan data konsultasi, dan
menghapus konsultasi yang sudah
dilakukan oleh pengguna umum
Valid
Sumber: Pengujian

Dari 18 kasus uji yang telah dilakukan
pengujian black box menunjukkan nilai valid sebesar
100% yang menandakan bahwa fungsionalitas
sistem dapat berjalan dengan baik sesuai dengan
daftar kebutuhan.

5.2 Pengujian Akurasi
Pengujian akurasi dilakukan untuk
mengetahui performa dari sistem pakar dalam
memberikan hasil identifikasi hama dan penyakit
pada tanaman tebu. Data yang diuji berjumlah 33
sampel data hama dan penyakit tebu dari analisa
pakar. Hasil identifikasi yang diperoleh dari sistem
pakar, dicocokan dengan hasil identifikasi manual
yang dilakukan oleh pakar. Hasil pengujian akurasi
sistem pakar dari 33 sampel yang telah diuji
ditunjukkan pada Tabel 4.



8

Tabel 4 Hasil pengujian akurasi dari 33 sampel data
No Gejala
Hasil Diagnosa
Sistem
Hasil Diagnosa
Pakar
Akurasi Hasil
Perbandingan
1 1. Mati puser
2. Gerekan pada daun/bercak transparan
Penggerek
batang
Penggerek
batanga
Sesuai
2 1. Mati puser
2. Gerekan melingkar di pangkal tunas
3. Ulat berwarna kuning/ merah jambu
4. Telur berkelompok di pelapah daun
Penggerek
jambon
Penggerek
jambon
Sesuai
3 1. Keprasan banyak tidak tumbuh
2. Batang roboh
3. Batang mengering
Uret Uret Sesuai
4 1. Daun habis dimakan, menyisikan ibu
tulang daun
2. Kotoran ulat di pelah daun/ permukaan
tanah
Ulat grayak Ulat grayak Sesuai
5 1. Tanaman mongering/mati
2. Bau busuk khas kepinding/ walang sangit
3. Tanaman menguning/ kering
Kepinding tanah Kepinding tanah Sesuai
6 1. Jamur jelaga (hitam) di daun
2. Kutu warna putih menempel di permukaan
bawah daun
Kutu bulu putih Kutu buluh
purih
Sesuai
7 1. Daun seperti klorosis
2. Kutu warna hitam menempel di permukaan
bawah daun
Cabuk hitam Cabuk hitam Sesuai
8 1. Gerekan pada ibu tulang daun Penggerek
pucuk tebu
Penggerek
pucuk tebu
Sesuai
9 1. Siwilan Penggerek
batang
Penggerek
batang
Sesuai
10 1. Kutu warna merah muda menempel di
batang
Kutu babi Kutu babi Sesuai
11 1. Daun habis dimakan, menyisakan ibu
tulang daun
Belalang Belalang Sesuai
12 1. Kutu warna kuning pucat menempel di
permukaan bawah daun
Kutu babi Kutu babi Sesuai
13 1. Batang terpotong/patah Tikus Tikus Sesuai
14 2. Noda daun tidak beraturan, berwarna
merah/ kemerahan/orange
Tungau Tungau Sesuai
15 1. Batang dibelah tampak sisa gerekan
dipenuhi tanah
Rayap Rayap Sesuai
16 1. Batang roboh
2. Batang mongering
3. Batang dibelah tampak gerekan pada
batang
Boktor Boktor Sesuai
17 1. Batang mongering
2. Batang dibelah tampak gerekan pada
batang
Penggerek
batang
Penggerek
batang
Sesuai
18 1. Tanaman menguning/kering
2. Pertumbuhan tanaman terhambat
3. Gerekan pada ibu tulang daun
4. Mati puser
Tidak
teridentifikasi
Penggerek
pucuk dan
boktor
Tidak Sesuai
18 1. Tanaman menguning/kering
2. Noda daun berwarna kuning
3. Noda daun terlihat di kedua permukaan
daun
Noda kuning Noda kuning Sesuai
19 1. Tanaman menguning/kering
2. Pola mosaic berupa garis-garis pada daun
Mosaik Mosaik Sesuai
20 1. Tanaman seperti rumput/ kerdil
2. Puru daun
Puru daun fiji Puru daun Fiji Sesuai
21 1. Pertumbuhan tanaman terhambat/stagnan
2. Keprasan banyak tidak tumbuh
3. Batang dibelah membujur terdapat
pewarnaan jingga kemerahan seperti titik/
koma
Pembuluh (RSD) Pembuluh (RSD) Sesuai
22 1. Tanaman seperti rumput/ kerdil
2. Tunas menggulung berubah bentuk seperti
cambuk
Luka api Luka api Sesuai
23 1. Tanaman menguning/kering
2. Daun klorosis atau nekrosis
3. Noda daun dengan nekrosis lingkaran
konsentris
Bercak bertarget Bercak bertarget Sesuai
9

No Gejala
Hasil Diagnosa
Sistem
Hasil Diagnosa
Pakar
Akurasi Hasil
Perbandingan
24 1. Tanaman menguning/kering
2. Siwilan
3. Daun klorosis memanjang melalui ibu
tulang daun
Blendok Blendok Sesuai
25 1. Tanaman menguning/kering
2. Noda daun sempit memanjang/berupa
garis-garis pendek
3. Noda daun memanjang bertutup spora
warna coklat
Karat coklat Karat coklat Sesuai
26 1. Daun klorosis/nekrosis
2. Daun klorosis terputus-putus
Garis klorosis Garis klorosis Sesuai
27 1. Tanaman menguning/kering
2. Pangkal batang dibelah tampak garis hitam
Busuk akar dan
pangkal batang
Busuk akar dan
pangkal batang
Sesuai
28 1. Daun klorosis dan atau nekrosis
2. Batang bengkok
3. Batang dibelah membujur titik
tumbuhnya mati atau berwarna coklat
tua
Pokahbung Pokahbung Sesuai
29 1. Tanaman menguning/kering
2. Daun klorosis dan atau nekrosis
3. Noda daun berwarna pucat
4. Noda daun berbentuk tidak beraturan
5. Noda daun terlihat di kedua permukaan
daun
Noda cincin Noda cincin Sesuai
30 1. Daun klorosis dan atau nekrosis Noda kuning,
Noda cincin,
Bercak bertarget
Noda kuning,
Noda cincin,
Bercak bertarget
Sesuai
31 1. Tanaman seperti rumput kerdil Luka api Luka api Sesuai
32 1. Tanaman menguning/kering
2. Batang busuk berwarna merah gelap/ungu
3. Batang dibelah membujur titik tumbuhnya
mati atau berwarna coklat tua
Busuk bibit dan
batang fusarium
Busuk bibit dan
batang fusarium
Sesuai
33 1. Daun klorosis dan atau nekrosis
2. Noda daun dengan pola seperti lapisan
pada kayu
Bercak berlapis Bercak berlapis Sesuai
35 1. Tanaman menguning/ kering
2. Daun klorosis dan atau nekrosis
3. Siwilan
4. Pertumbuhan tanaman terhambat/stagnan
Tidak
teridentifikasi
Luka api dan
Blendok
Tidak Sesuai
Sumber: Pengujian

Berdasarkan Tabel 4 telah dilakukan
pengujian akurasi dengan 33 sampel data hama dan
penyakit tebu. berdasarkan hasil perhitungan
akurasi dibawah ini, sistem mempunyai akurasi :
Niloi okurosi =
[umlo Joto okurot
]umlo scluru Joto
x 1uu%
Niloi okurosi =
SS
SS
x 1uu% = 94.28%
Jadi, dapat disimpulkan bahwa akurasi sistem
pakar berdasarkan 35 data yang diuji adalah
94.28% yang menunjukkan bahwa sistem pakar ini
dapat berfungsi dengan cukup baik sesuai dengan
hasil identifikasi pakar.

6. KESIMPULAN DAN SARAN
6.1 Kesimpulan
Berdasarkan hasil perancangan dan pengujian
yang dilakukan pada sistem pakar identifikasi
hama dan penyakit tebu dengan metode Nave
Bayes, maka dapat diambil kesimpulan sebagai
berikut :
1. Proses identifikasi hama dan penyakit tebu
dilakukan dengan memasukkan fakta gejala
dari serangan hama/penyakit tebu. Fakta
gejala tersebut akan dilakukan perhitungan
dengan metode Nave Bayes untuk
mendapatkan nilai probabilitas akhir pada
setiap jenis hama/penyakit tebu. Jenis
hama/penyakit tebu dengan nilai probabilitas
tertinggi akan di ambil sebagai hasil
identifikasi sistem.
2. Sistem pakar identifikasi hama dan penyakit
tebu dengan metode Nave Bayes ini memiliki
kinerja sistem yang mampu berjalan dengan
baik sesuai kebutuhan fungsional. Hal ini
berdasarkan hasil pengujian validasi
fungsionalitas yang memberikan nilai
persentase sebesar 100%.
3. Berdasarkan pengujian akurasi yang sudah
dilakukan, sistem pakar identifikasi hama dan
penyakit tebu dengan metode Nave Bayes
mempunyai tingkat akurasi sebesar 94,28%
dan nilai error sebesar 5,72%. Nilai error yang
10

terjadi pada aplikasi ini disebabkan karena
fakta gejala yang dimasukkan tidak tercakup
pada data pengetahuan yang ada pada basis
pengetahuan.

6.2 Saran
Sistem pakar identifikasi hama dan penyakit
tebu dengan metode Nave Bayes ini masih memiliki
beberapa kekurangan. Saran yang dapat diberikan
untuk pengembangan sistem agar menjadi lebih
baik antara lain :
1. Untuk pengembangan lebih lanjut, sistem
dapat dikembangkan dengan menggunakan
metode yang berbeda atau
mengkombinasikan metode Nave Bayes
dengan metode lain guna memperoleh sistem
yang lebih akurat, efektif, dan efisien.
2. Dapat dilakukan penambahan data aturan ke
dalam basis pengetahuan yang nantinya dapat
digunakan dalam proses identifikasi terhadap
komplikasi serangan hama atau penyakit tebu.
3. Diharapkan pada penelitian selanjutnya
proses identifikasi hama dan penyakit tebu
dapat dilakukan pada jenis hama dan
penyakit tebu eksotik untuk memperluas
cakupan proses identifikasinya.
DAFTAR PUSTAKA
[1] Hidayat, Syaeful. 2010. Aplikasi Untuk
Mendeteksi Jenis Penyakit Pada Tanaman Tebu
Dan Cara Penanganannya Berbasis Web.
Bandung, Universitas Komputer Indonesia.
[2] Prihatini, Putu Manik. 2011. Metode
Ketidakpastian Dan Kesamaran Dalam
Sistem Pakar. Lontar Komputer, Vol.2, No.1,
Hal.29-42.
[3] Yakub, Suardin. 2008. Sistem Pakar Deteksi
Penyakit Diabetes Mellitus dengan
Menggunakan Pendekatan Nave Bayesian
Berbasis Web. Malang, Universitas Islam
Negeri (UIN) Maulana Malik Ibrahim
Malang.
[4] Anugroho, Prasetyo. 2010. Klasifikasi Email
Spam Dengan Metode Nave Bayes Classifier
Menggunakan Java Programming. Surabaya,
Politeknik Elektronika Negeri Surabaya.
[5] Wahyono, Teguh, Subanar. 2012. Rancang
Bangun Sistem Permadi: Peringatan Dini
Serangan Hama Tanaman Padi Berbasis
Data Historis Klimatologi. Jurnal Sistem
Komputer, Vol.2, No.1, Hal.9-16.