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.