BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI

Save this PDF as:
 WORD  PNG  TXT  JPG

Ukuran: px
Mulai penontonan dengan halaman:

Download "BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI"

Transkripsi

1 BAB II TINJAUAN PUSTAKA DAN LANDASAN TEORI 2.1 Tinjauan Pustaka Penelitian dengan judul Sistem Pakar Diagnosa Hama Dan Penyakit Pada Tanaman Cabai Menggunakan Metode Teorema Bayes, Penelitian ini bertujuan untuk merancang sistem pakar guna mendiagnosa hama dan penyakit pada tanaman cabai menggunakan Metode Teorema Bayes, dengan memperhatikan gejala-gejala yang dialami oleh tanaman cabai. Hama dan Penyakit yang akan dibahas terdiri dari 6 jenis, yaitu : Trips (Thrips parvispinus), Lalat buah (Bactrocera sp), Ulat daun/ulat gerayak (Spodoptera litura), Kutu kebul, Virus keriting, Virus kuning (Gemini virus). Implementasi sistem ini berbasiskan website. Metode yang digunakan pada penelitian ini adalah metode Teorema Bayes merupakan metode yang digunakan untuk mendiagnosa hama dan penyakit cabai dengan gejala-gejala yang sudah diberikan nilai gejala. Dimana nilai gejala didapatkan dari pakar. Berdasarkan hasil uji pretest dan posttes hasil keakurasian adalah sebesar 100%. (Muslim & dkk, 2015). Penelitian dengan judul Sistem pakar untuk mendiagnosa hama dan penyakit Tanaman tomat menggunakan metode Forward chaining, Penelitian ini menggunakan metode Forward Chaining yaitu deskripsi yang dimulai dari mengetahui fakta dan kemudian mencocokkannya dengan IF dan mengatur IF-THEN passage. Hama dan penyakit dengan prevalensi tinggi pada tomat. Untuk Hama adalah Ulat buah, Ulat tanah, Kutu daun hijau, Lalat putih, Lalat buah (bractrotera) lalu Penyakitnya adalah: Layu fusarium, Penyakit Bercak Daun, Bercak bakteri, Busuk buah. Penyedia aplikasi sistem pakar ini menanyakan pertapa dan penyakit tomat diagnosa, termasuk solusi pengontrolan yang bisa digunakan untuk mengurangi meminimalkan risiko kerusakan tanaman tomat ( Istanto & Dewa, 2016). 4

2 5 Penelitian dengan judul Sistem pakar diagnosis penyakit tanaman tomat berbasis Visual Prolog dapat melakukan diagnosis penyakit tanaman tomat bersasarkan gejala yang dialami tanaman tomat. Sistem pakar ini dirancang menggunakan metode penelitian ESDLC (Expert System Development Life Cycle) yang dikemukakan oleh Durkin pada tahun 1994, terdiri dari beberapa tahapan, yaitu tahapan penilaian, akuisisi pengetahuan, desain, dan pengujian. Sistem pakar diagnosis penyakit tanaman tomat berbasis Visual Prolog yang telah dikembangkan, dilakukan pengujian keberfungsian sistem dan validasi pakar mengenai pengetahuan pengetahuan yang ada pada sistem. Hasil pengujian menyimpulkan bahwa sistem pakar diagnosis penyakit tanaman tomat sesuai dengan yang diharapkan ( Nurdiawan & Fatimah, 2016). Penelitian dengan judul Sistem pakar untuk mendeteksi hama tanaman jahe menggunakan metode teorema bayes dapat digunakan untuk melakukan diagnosa hama yang menyerang tanaman jahe dengan merunut dari gejala yang diinputkan oleh user. Perhitungan nilai probabilitas penyakit dilakukan dengan menghitung gejala yang teramati oleh user dan nilai probabililtas yang diberikan oleh pakar pada masing-masing penyakit atau hipotesa. Untuk pengujian 2 gejala yaitu daun menguning dan daun menggulung didapat nilai probabilitas penyakit Layu bakteri 0.28, probabilitas penyakit Rimpang Busuk sebesar dan penyakit Bercak daun sebesar 0,562. Didapatkan nilai probabilitas tertinggi ada pada penyakit Bercak Daun. Oleh karena itu, dengan teramatinya 2 gejala yaitu daun menguning dan daun menggulung diduga tanaman jahe tersebut terkena penyakit Bercak daun (Hartatik & Yasa, 2015). Penelitian dengan judul Sistem pakar untuk mendiagnosa penyakit pada tanaman jagung menggunakan metode Bayes program aplikasi sistem pakar dapat menyelesaikan masalah yaitu bisa menampilkan hasil diagnosa dengan cepat dan tepat berdasarkan gejala-gejala yang dimasukkan oleh user. Untuk membuat hasil diagnosa menjadi sangat valid, maka data gejala yang dimasukkan oleh seorang administrator / pakar ke dalam suatu data penyakit, harus lengkap artinya gejala-gejala yang bisa mengarah ke suatu penyakit tersebut

3 6 harus dimasukkan secara lengkap karena kesimpulan hasil diagnosa yang ditampilkan di hitung secara otomatis oleh sistem aplikasi yaitu banyaknya gejala yang dipilih oleh user di bagi dengan banyaknya gejala yang dimiliki suatu penyakit (Sihotang, 2018). 2.2 Landasan Teori Penyakit Tanaman 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 Sistem Pakar Sistem pakar (expert system) adalah salah satu teknik kecerdasan buatan yang berusaha mengadopsi pengetahuan manusia ke komputer, agarkomputer dapat menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli. Sistem pakar yang baik dirancang agar dapat menyelesaikan suatu permasalahan tertentu dengan meniru kerja dari para ahli. Dengan sistem pakar ini, orang awampun dapat menyelesaikan masalah yang sebenarnya hanya dapat diselesaikan dengan bantuan para ahli. Bagi para ahli, sistem pakar ini juga akan membantu aktivitasnya sebagai asisten yang sangat berpengalaman (Kusumadewi, 2003). Seorang pakar (human expert) adalah seorang individu yang memiliki kemampuan pemahaman yang superior dari suatu masalah. Misalnya: seorang dokter, penasihat keuangan, pakar mesin motor. Seorang pakar dengan sistem pakar mempunyai banyak perbedaan. Ada beberapa alasan mendasar mengapa sistem pakar di kembangkan untuk menggantikan seorang pakar, diantaranya (Riley & Giarratono, 2005): 1. Dapat menyediakan kepakaran setiap waktu dan diberbagai lokasi.

4 7 2. Secara otomatis mengerjakan tugas-tugas rutin yang membutuhkan seorang pakar. 3. Seorang pakar akan pensiun atau pergi. Seorang pakar memerlukan biaya mahal Teorema Bayes Teorema Bayes adalah teorema yang digunakan dalam statistika untuk menghitung peluang untuk suatu hipotesis. Bayes Optimal Classifier menghitung peluang dari suatu kelas dari masing-masing kelompok atribut yang ada, dan menentukan kelas mana yang paling optimal. Theorema Bayes ditemukan oleh Reverend Thomas Bayes pada abad 18, yang dikembangkan secara luas Theorema Bayes ditemukan oleh Reverend Thomas Bayes pada abad 18, yang dikembangkan secara luas (Amborowati & Hidayah, 2016),dengan rumusan pada Persamaan 2.1. Dengan : P(H E) = p(e H) p(h) p(e)...(2.1) P (H E) = probabilitas hipotesis Hi jika diberikan evidence E. P (E H) = probabilitas munculnya evidence E, jika diketahui hipotesis Hi benar. P (H) = probabilitas hipotesis Hi (menurut hasil sebelumnya) tanpa memandang evidence apapun. P(E) = probabilitas evidence E tanpa memandang apapun. Jika evidence tunggal E dan hipotesis ganda H1, H2, H3,... Hn, maka bentuk Theorema Bayes, seperti pada Persamaan. P(Hi E) = dengan: p(e Hi) p(hi) n k=1 p(e Hk) p(hk)...(2.2) p(hi E) = probabilitas hiposesis Hi benar jika diberikan evidence E. p(e Hi) = probabilitas munculnya evidence E, jika diketahui hipotesis Hi benar. p(hi) = probabilitas hipotesis Hi (menurut hasil sebelumnya) tanpa memandang evidence apapun.

5 8 n = jumlah hipotesis yang mungkin. Dalam teorema bayes langkah awal dari perhitungan yag dilakukan adalah mencari nilai semesta hipotesa (H) yang terdapat pada evidence kemudian dijumlahkan semua nilai probabilitas evidence dari pakar. Untuk langkah langkah lebih jelasnya, seperti pada Persamaan 2.3 sampai Persamaan 2.7. (Ambrowowati & Hidayah, 2016) adalah sebagai berikut : Penyakit Gejala a. Mencari nilai semesta = G01 + G02 + G03 + n b. Menghitung nilai semesta P(Hi) P(H1,2,... n) = H1,2, n p01 k=1 c. Menghitung probabilitas H P01 = P(Hi) P(E Hi n G01 d. Mencari nilai P(Hi E) P(Hi E) = P(E H) P(Hi) P(H) e. Menghitung total nilai bayes P02 Bayes = Bayes1 + Bayes2 + n k=2...(2.3)...(2.4)...(2.5)...(2.6)...(2.7)