SISTEM IDENTIFIKASI PENYAKIT TANAMAN PADI DENGAN MENGGUNAKAN METODE FORWARD CHAINING

Transkripsi

1 SISTEM IDENTIFIKASI PENYAKIT TANAMAN PADI DENGAN MENGGUNAKAN METODE FORWARD CHAINING 1 Ika Arthalia, 1 Aristoteles, 2 Radix Suharjo 1 Jurusan Ilmu Komputer FMIPA Unila 2 Jurusan Agroteknologi FP Unila Abstract Rice plant diseases can be identified from their symptoms. To find out exactly the rice plant disease, it will need agricultural experts. Numbers and distributions of agricultural expert are very limited and they cannot overcome the problems optimally, so that a system containing knowledge as what experts do is required. This research was to design web-based experts system by using forward chaining method and certainty factor. Data processed in this system were 16 diseases and 26 of disease symptoms. This system which was developed had superiorities and easiness in accessing it, user friendly and displaying certainty levels from diagnosis results with 81% of customer s satisfaction. Kata Kunci experts, expert system, forward chaining, rice plant diseases. 1. Pendahuluan Indonesia merupakan Negara Agraris yang memiliki potensi yang baik dibidang pertanian. Sebagian besar penduduk Indonesia bekerja sebagai petani. Namun saat ini area persawahan sudah jarang sekali kita temui terutama di daerah perkotaan. Banyak lahan persawahan yang sudah menjadi pabrik-pabrik ataupun perumahan. Berkurangnya area sawah membuat hasil produksi menjadi menurun, belum lagi dengan banyaknya penyakit yang ada pada tanaman di persawahan. Berdasarkan Gambar 1.1 produksi bahan pangan yang terdiri dari: padi, jagung dan ubi kayu meningkat selama 2003 sampai dengan 2008 dan tanaman padi merupakan tanaman yang paling produktif di antara tumbuhan-tumbuhan serealia lainnya. Dikarenakan tingginya tingkat kebutuhan penduduk Indonesia akan padi, maka petani perlu dukungan yang maksimal untuk dapat menghasilkan padi yang berkualitas baik dengan kuantitas panen yang maksimal pula. Salah satu masalah yang dihadapi petani secara umum yaitu masalah dalam mengatasi serangan penyakit terhadap tanaman padi mereka [1]. Jika petani tersebut memiliki pengetahuan lebih mengenai serangan penyakit, maka serangan tersebut ini akan langsung dapat diatasi. Sebaliknya jika petani kurang memiliki pengetahuan mengenai serangan penyakit, maka petani tersebut cenderung membutuhkan bantuan orang yang lebih ahli untuk mengatasi masalah ini. Pada kenyataannya, saat ini banyak petani Indonesia yang membutuhkan bantuan para ahli untuk mengatasi masalah pertanian mereka, tetapi jumlah ahli dan penyebarannya terbatas menyebabkan permasalahan ini belum dapat diatasi dengan maksimal. Pada penelitian ini dilakukan perancangan sistem pakar yang diharapkan dapat menjadi acuan bagi petani atau orang yang ingin belajar bertani tahu bagaimana cara mengidentifikasi penyakit padi beserta solusinya sebelum bertanya pada seorang pakar agar memperoleh produksi secara maksimal dengan menerapkan faktor kepastian (Certainty Factor) dalam pengambilan keputusannya. Certainty Factor menunjukkan ukuran kepastian terhadap suatu fakta atau aturan. Certainty Factor membuat penggunanya mendapat solusi dari permasalahannya dan dapat mengukur sesuatu apakah pasti atau tidak pasti dalam mendiagnosa[2]. Hal. 9 dari 186

2 Ribu ton Gambar 1 Grafik Tahan Pangan dan Gizi [1] Sistem Pakar tanaman padi adalah sistem yang dapat mengidentifikasi penyakit tanaman padi berdasarkan gejala-gejala yang ada serta memberikan solusi berdasarkan jenis penyakit layaknya seorang pakar. Dengan bantuan sistem pakar, diharapkan bahwa orang awam pun dapat menyelesaikan masalah yang cukup rumit yang sebenarnya hanya dapat diselesaikan dengan bantuan para ahli. Tujuan pengembangan sistem ini adalah membangun program aplikasi yang dapat mengidentifikasi penyakit yang menyerang tanaman padi berdasarkan gejala yang diberikan dan memberikan solusi terhadap penyakit yang menyerang tanaman padi dengan mendistribusikan pengetahuan manusia ke dalam sistem. 1.1 Sistem Pakar Padi Jagung Kedelai Grafik Tahan Pangan dan Gizi Kc. Tanah Ubi Kayu Sistem pakar berasal dari istilah knowledge-based expert system, yaitu sistem yang menggunakan pengetahuan manusia yang terekamdalam komputer yang digunakan untuk menyelesaikan masalahmasalah yang biasanya membutuhkan keahlian manusia[3]. Sistem pakar dapat ditampilkan dalam dua lingkungan, yaitu: pengembangan dan konsultasi. Lingkungan pengembangan digunakan oleh pembangun sistem pakar untuk membangun komponen dan memasukkan pengetahuan kedalam basis pengetahuan. Lingkungan konsultasi digunakan oleh orang yang bukan ahli untuk memperoleh pengetahuan dan berkonsultasi. Komponen-komponen yang ada pada sistem pakar dapat dilihat pada Gambar 1, yaitu: 1. Akuisisi Pengetahuan. Digunakan untuk memasukkan pengetahuan dari seorang pakar dengan cara merekayasa pengetahuan agar bisa diproses oleh komputer dan meletakkannya ke dalam basis pengetahuan dengan format tertentu. 2. Basis pengetahuan (knowledge base). Berisi pengetahuan yang diperlukan untuk memahami, memformulasikan dan menyelesaikan masalah. Basis pengetahuan terdiri dari dua elemen dasar yaitu fakta dan rule atau aturan. 3. Mesin inferensi (Interference Engine). Ada dua cara untuk melakukan inferensi, yaitu: a. Forward Chaining (Pelacakan ke depan): Teknik ini memulai pencarian dengan fakta yang diketahui untuk menguji kebenaran hipotesa, kemudian mencocokkan fakta tersebut dengan bagian IF dari rule IF-THEN. Teknik ini cocok digunakan untuk menangani masalah peramalan (prognosis) dan pengendalian (controlling). Ubi Jalar Sayur Buahbuahan Minyak Sawit Gula Pasir Hal. 10 dari 186

3 b. Backward Chaining (Pelacakan ke belakang): Teknik ini memulai pencarian dari kesimpulan (goal) dengan mencari sekumpulan hipotesa-hipotesa yang mendukung menuju fakta-fakta yang mendukung sekumpulan hipotesa tersebut. 4. Daerah kerja (Blackboard). Area pada memori yang berfungsi sebagai basis data. Ada tiga tipe keputusan yang dapat direkam pada blackboard yaitu rencana, agenda dan solusi. 5. Antarmuka (User Interface). Sebagai media komunikasi antara pengguna dan sistem pakar. Program akan mengajukan pertanyaan-pertanyaan dnan sistem pakar akan mengambil kesimpulan berdasarkan jawaban dari user. 6. Subsistem penjelasan (Explanation Subsystem). Subsistem penjelasan berfungsi member penjelasan kepada user, bagaimana suatu kesimpulan dapat diambil. User Antarmuka Lingkungan Konsultasi Fakta-fakta tentang kejadian tertentu Fasilitas penjelasan Lingkungan Pengembangan Fakta Rule Basis Pengetahuan : Apa yang diketahui tentang area domain : logical reference Aksi yang direkomendasi Motor inferensi Rekayasa Pengetahuan Akuisisi pengetahuan Blackboard Rencana Agenda Solusi Deskripsi masalah Perbaikan pengetahuan Pengetahuan pakar 2. Metodologi Penelitian Gambar 1 Komponen dalam sebuah sistem pakar [3-4] Tahapan penelitian pada perancangan sistem ini dapat dilihat pada Gambar 2. Tahapan perancangan aplikasi dilakukan dengan perancangan Context Diagram, Data Flow Diagram. Data Context Diagram (DCD) disebut juga DFD level 0, karena merupakan data arus awal. DCD ini memiliki sebuah proses yaitu identifikasi penyakit padi dan dua external entity yaitu user dan admin/pakar. Perancangan diagram konteks dapat dilihat pada Gambar 2. Data Flow Diagram (DFD) merupakan penjabaran lebih rinci dari DCD sistem identifikasi penyakit tanaman padi. Pada DFD tersebut dijelaskan proses-proses apa saja yang dilakukan di dalam sistem dan tabel-tabel dalam database yang digunakan di dalam sistem tersebut. DFD dapat dijabarkan dalam beberapa level sesuai dengan kebutuhan.perancangan data flow diagram dapat dilihat pada Gambar 3 dan 4. Hal. 11 dari 186

4 MULAI IMPLEMENTASI (TAHAP PENGEMBANGAN) STUDI LITERATUR PENGUJIAN SISTEM TIDAK TIDAK WAWANCARA PERANCANGAN APLIKASI SEMUA KEBUTUHAN TERSEDIA YA SEMUA FUNGSI BERJALAN YA PENULISAN LAPORAN SELESAI Gambar 2 TahapanPenelitian Ip_user, jawaban Data_rule _penyakit Data_root Data_solusi USER SISTEM IDENTIFIKASI PENYAKIT TANAMAN PADI Data_penyakit ADMIN/PAKAR Data_rule Hasil_konsultasi _penyakit Data_penyakit, data_solusi Data_root Gambar 2 Diagram Konteks Sistem Identifikasi Penyakit Tanaman Padi USER Ip_User, Jawaban 1.0 Tanya jawab user dan sistem dari data gejala Data_penyakit Data_root Data_rule 1 Master Gejala 2 Master Penyakit Ip_User, Data_jawaban 4 Jawaban 3 Master Root 5 Rule Hasil_konsultasi 2.0 Menghitung nilai CF masing-masing Gejala YA Ip_user, data_jawaban, data_gejala_penyakit 3.0 Menghitung rata-rata nilai certainty factor (CF) Ip_user, data_jawaban, data_gejala_penyakit, nilai_cf Ip_User, Data_jawaban _penyakit Data_nilaiCF Data hasil_konsultasi 6 Gejala Penyakit 7 Tmp_CF 8 Hasil Konsultasi 4.0 Menampilkan hasil konsultasi Info_hasil_konsultasi Data_solusi Gambar 3 Data Flow Diagram Level 1untuk user 9 Master Solusi Hal. 12 dari 186

5 USER Ip_user 1.1 Menampilkan pertanyaan dari gejala Data_penyakit Data_root 1 Master Gejala 2 Master Penyakit 3 Master Root Data_rule 5 Rule 1.2 Menyimpan Ip_user, jawaban 4 Jawaban jawaban Gambar 4 Data Flow Diagram Level 2 untuk user jawaban 3. Pembahasan 3.1 Analisa Kebutuhan Data Data yang dibutuhkan dalam penelitian ini meliputi data penyakit padi, data gejala, data nilai peluang terjadinya penyakit dan nilai relasi antara penyakit dan gejala. Data-data tersebut diperoleh dengan beberapa cara, yaitu dengan melakukan wawancara langsung terhadap pakar penyakit tanaman padi dan mendapatkan pengetahuan dari buku, jurnal ilmiah, laporan, dan sebagainya. Sebagian data diperoleh dari Semangun (1993) dan Sudarma (2013).Data yang diperoleh yaitu 16 penyakit dengan 26 gejala. Data-data tersebut kemudian akan diolah untuk dijadikan data yang berbentuk tree agar lebih mudah dalam memasukkan ke dalam sistem. Dalam sistem ini ada 4 tree yang masing-masing root dibedakan berdasarkan bagian utama tanaman padi yang terinfeksi yaitu daun, batang, malai dan pertumbuhan abnormal. 3.2 Representasi Pengetahuan Dari data penyakit dan gejala tanaman padi yang diperoleh dapat direpresentasikan relasi. Representasi pengetahuan digunakan untuk menentukan proses pencarian atau menentukan kesimpulan dari identifikasi yang dilakukan. Dalam penelitian ini representasi pengetahuan yang digunakan adalah dengan kaidah produksi. Kaidah produksi dituliskan dalam bentuk jika-maka (ifthen). Berdasarkan penyakit dan gejala terdapat 16rule beserta nilai CF. 3.3 Implementasi Sistem Sistem identifikasi penyakit tanaman padi dibangun mengunakan bahasa pemrograman php dan database MySQL. Dalam implementasinya aplikasi ini dapat diakses menggunakan web browser seperti Google Chrome, Mozilla Firefox dan lainnya. Pada sistem identifikasi penyakit tanaman padi ini memiliki dua hak akses yaitu pakar dan petani. Pakar bertugas untuk menambahkan data-data penyakit, gejala dan penambahan aturan-aturan yangakan digunakan oleh petani dalam konsultasi. Sedangkan petani dapat mengakses sistem untuk berkonsultasi dan melihat daftar penyakit tanaman padi saja. 3.4 PengujianSistem Pengujian Fungsional Pengujian yang dilakukan hanya sebatas fungsional utama dari sistem apakah hasil yang diperoleh pada saat melakukan konsultasi sesuai yang diharapkan atau tidak dan fungsi dalam penambahan dan perbaikan rule. 1. Konsultasi Tahap paling awal yang dilakukan dalam proses konsultasi adalah memilih bagian tanaman yang terinfeksi. Selanjutnya akan tampil pertanyaan-pertanyaan berdasarkan root yang dipilih seperti pada Hal. 13 dari 186

6 Gambar 5. Jika pertanyaan untuk root yang terpilih sudah dijawab semua, maka akan menghasilkan hasil konsultasi berupa jenis penyakit, penyebab, persebaran,gejala dan pengendalian dari panyakit tersebut seperti ditunjukkan pada Gambar Rule Akuisisi pengetahuan digunakan untuk memasukkan pengetahuan yang diperoleh dari seorang pakar ke dalam basis pengetahuan pada sistem dengan format tertentu. Tahap awal akuisisi pengetahuan dalam sistem ini adalah memasukkan data master penyakit dan data master gejala yang akan direlasikan. Selanjutnya menambahkan rule dari setiap penyakit yang kemudian akan dilanjutkan dengan memasukkan nilai hubungan antara gejala dan penyakit. Pengujian untuk input rule disediakan pada Tabel1. Gambar 5 Tampilan proses konsultasi Gambar 4.3 Tampilan hasil konsultasi Hal. 14 dari 186

7 Penambahan Rule Tabel 1Pengujian Rule Fungsi yang diuji Input Output Hasil Root = Ya Sistem memberikan informasi bahwa Parent = Data root sistem telah berhasil menyimpan data Child = Data gejala Penambahan Rule Penambahan Nilai Gejala-Penyakit Penambahan Nilai Gejala-Penyakit Penghapusan Rule Penghapusan Rule Root Parent Child Root Parent Child = Tidak = Data root = Data gejala = Tidak = Data root = Data penyakit Tidak memilih parent Tidak memilih child Nilai <0 Nilai>1 Tidak memasukkan nilai Menghapus rule yang masih memiliki child Menghapus rule yang sudah tidak memiliki child Pengujian Keakuratan Hasil Sistem memberikan informasi bahwa sistem telah berhasil menyimpan data Sistem memberikan informasi bahwa pengguna harus memasukkan nilainilai gejala yang berkaitan dengan penyakit. Field untuk memilih data child tidak akan muncul dan sistem akan memberikan informasi bahwa pengguna harus memasukkan data dengan lengkap bahwa pengguna harus memasukkan data dengan lengkap bahwa nilai yang dimasukkan harus antara 0 sampai 1 bahwa nilai yang dimasukkan harus antara 0 sampai 1 bahwa field nilai masih kosong jika rule tersebut tidak bisa dihapus karena masih memiliki child. Dan sistem akan menuju ke halaman dengan parent = child yang akan dihapus tersebut bahwa rule tersebut berhasil dihapus Pengujian keakuratan hasil dilakukan dengan cara melakukan percobaan beberapa test case ke dalam sistem dan melihat hasil konsultasi apakah hasil sesuai dengan yang diharapkan. Pengujian diagnosa dilakukan hanya dengan melakukan 10 percobaan dikarenakan dengan melakukan 10 percobaan tersebut sudah mewakili keempat root yang ada di dalam sistem ini. Hasil pengujian test case ditunjukkan pada Tabel 2. Hasil pengujian ini dicocokkan dengan decision tree, nilai CF dan interpretasi yang dihitung secara manual. Interval untuk interpretasi dari nilai CF pada pengujian ini berdasarkan wawancara seorang pakar yaitu sebagai berikut: - Pasti (Definitely) = 1 CF > 0,8 - Hampir Pasti (Amost Certainly) = 0,6 < CF 0,8 - Kemungkinan Besar (Probably) = 0,4 < CF 0,6 - Mungkin (Maybe) = 0,2 < CF 0,4 - Tidak Tahu (Unknown) = -0,2 < CF 0,2 - Kemungkinan Tidak (Maybe Not) = -0,4 < CF -0,2 - Kemungkinan Besar Tidak (Probably Not) = -0,6 < CF -0,4 - Hampir Pasti Pasti (Amost Certainly Not) = -0,8 < CF -0,6 - Pasti Tidak (Definitely Not) = -0,8 CF - Hal. 15 dari 186

8 Tabel 2 Test case pengujian keakuratan hasil No Input Output yang diharapkan Output Sistem 1 - PERTUMBUHAN ABNORMAL - Perpanjangan tanaman - Daun berwarna hijau kekuningan atau pucat 2 - BATANG - Terdapat bercak nekrotik di pangkal batang 3 - DAUN - Terdapat Bercak pada daun - Bercak berbentuk jorong - Bercak bercincin - Ada titik-titik sklerotium 4 - PERTUMBUHAN ABNORMAL - Tanaman kerdil - Jumlah anakan berkurang - Daun berwarna kuning sampai orange 5 - MALAI - Malai terhambat pertumbuhannya - Malai menyerupai batang kembang api berwarna putih kelabu 6 - DAUN - Terdapat Bercak pada daun - Bercak berbentuk jorong - Bercak bercincin 7 - PERTUMBUHAN ABNORMAL - Tanaman kerdil - Jumlah anakan berlebih - Daun berwarna hijau atau kuning pucat 8 - MALAI - Tidak membentuk malai/malai tidak keluar - Tanaman kerdil 9 - BATANG - Batang mudah patah - Pangkal batang mengkerut dan berwarna coklat kehitaman 10 - MALAI - Tidak membentuk malai/malai tidak keluar FUSARIUM HAWAR UPIH DAUN DAN BUSUK BATANG LAPUK DAUN TUNGRO KEMBANG API STACKBURN KERDIL RUMPUT KERDIL RUMPUT BLAST BERCAK COKLAT Fusarium CF = 0,8444 Pasti Hawar Upih Daun dan Busuk Batang CF = 0,7777 Hampir Pasti Lapuk Daun CF = 0,7554 Hampir Pasti Tungro CF = 0,75 Hampir Pasti Kembang Api CF = 0,7352 Hampir Pasti Stackburn CF = 0,7286 Hampir Pasti Kerdil Rumput CF = 0,4333 Kemungkinan Besar Kerdil Rumput CF = 0,3047 Mungkin Blast CF = 0,2666 Mungkin Bercak Coklat CF = 0,2083 Mungkin Dari 10 percobaan konsultasi, berdasarkan test case yang diberikan, sistem ini dapat mendiagnosa dengan baik dan perhitungan nilai CF yang dihasilkan sesuai dengan perhitungan yang dilakukan secara manual serta interpretasi yang ditampilkan sesuai dengan aturan interpretasi yang telah ditentukan berdasarkan wawancara dengan seorang pakar Pengujian Kepuasan Pengguna Pengujian tingkat kepuasan pengguna dilakukan kepada petani yang berasal dari salah beberapakelompoktani yang ada di Lampung dengan jumlah responden keseluruhan dari pengujian ini adalah 20 orang. Hal. 16 dari 186

9 No Tabel 3. Hasil Jawaban Kuisioner dengan empat pilihan pertanyaan Pertanyaan 1 Apakah anda merasa mudah dalam menjawab pertanyaan yang diajukan oleh program ini? 2 Apakah anda terbantu dengan petunjuk yang disediakan pada program ini? 3 Apakah hasil diagnosa program ini sesuai dengan hasil pendeteksian yang dilakukan di lapangan? 4 Apakah anda merasa terbantu dengan adanya program ini? Jumlah Responden = 20 Skor SS S KS TS Total Skor No 5 Tabel 4. Hasil Jawaban Kuisioner dengan dua pilihan pertanyaan Pertanyaan Apakah anda ingin menggunakan program ini kembali untuk mengetahui penyakit tanaman padi anda di lapangan? Jumlah Responden = 20 Skor Y T 2 1 Total Skor Hasil kuisioner akan dianalisa ditentukan kriteria penilaian responden terhadap sistem ini. Interval penilaian antar kelas dapat dicari dengan rumus sebagai berikut : = =33,33% Dari hasil perhitungan interval penilaian adalah sebesar 33,33%, maka dapat ditentukan kriteria penilaian responden terhadap sistem identifikasi penyakit tanaman padi sebagai berikut : a. Buruk skor 0 33,33% b. Baik skor 33,34 66,66% c. Sangat Baik skor 66,67 100% Dari jawaban kuisioner yang telah didapat selanjutnya dianalisis yakni dihitung persentase pertanyaan yang selanjutnya akan disesuaikan dengan kriteria penilaian yang telah dihitung sebelumnya. Persentasihasilanalisis pertanyaan dalam kuisioner ditunjukkan pada Tabel Kesimpulan Tabel 5. Persentasi hasil analisa pertanyaan kuisioner Pertanyaan Persentase Kategori 1 77 % SangatBaik 2 91 % SangatBaik 3 76% SangatBaik 4 71% SangatBaik 5 90% SangatBaik Rata-rata persentase 81 % SangatBaik Berdasarkan hasil pengujian dan analisis pada sistem identifikasi penyakit tanaman padi dengan menggunakan metode forward chaining, maka didapatkan kesimpulan sebagai berikut: 1. Telah berhasil dibangun sistem identifikasi penyakit tanaman padi dengan menggunakan metode forward chaining berbasis web yang mampu menghasilkan hasil analisa dengan baik berdasarkan gejala yang dimasukkan oleh pengguna. Hal. 17 dari 186

10 2. Berdasarkan hasil pengujian tingkat kepuasan pengguna, sistem identifikasi penyakit tanaman padi ini masuk dalam interval sangat baik dengan rata-rata persentase 81%. 3. Semakin lengkap basis pengetahuan yang dimiliki sistem, maka akan semakin baik hasil analisa yang dihasilkan. 5. Referensi [1] Hanani url: Diakses pada 20 September 2014 [2] Kusrini Aplikasi Sistem Pakar. Yogyakarta: ANDI Yogyakarta. [3] Sutojo, T., Edy M., dan Vincent S Kecerdasan Buatan. Semarang: ANDI Yogyakarta. [4] Siswanto, Kecerdasan Tiruan Edisi 2. Yogyakarta: Graha Ilmu. Hal. 18 dari 186