SPETINDO, Sistem Pendukung Keputusan Pembudidayaan Tanaman Menggunakan Algoritma Quantum Swarm Evolutionary

Transkripsi

1 SPETINDO, Sistem Pendukung Keputusan Pembudidayaan Tanaman Menggunakan Algoritma Quantum Swarm Evolutionary Eka Ayu Puspitaningrum Dosen Pembimbing UMI LAILI YUHANA, S.Kom., M.Sc. WIJAYANTI NURUL KHOTIMAH, S.Kom, M.Sc JURUSAN TEKNIK INFORMATIKA FAKULTAS TEKNOLOGI INFORMASI INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA

2 Latar Belakang Indonesia negara agraris, tetapi Indonesia masih membutuhkan beberapa bahan pangan yang di impor dari luar negeri. Berdasarkan Badan Pusat Statistik (BPS) beberapa bahan pangan yang masih perlu di impor adalah kentang, singkong, biji gandum, terigu, kedelai, jagung, dan beras. (Detik Finance, 2012) 2

3 Menurut Kabid masalah pembangunan pertanian yaitu: Penurunan kualitas dan kuantitas sumber daya lahan pertanian. Dari segi kualitas, faktanya lahan pertanian kita sudah mengalami degradasi yang luar biasa, dari sisi kesuburannya akibat dari penggunaan lahan yang tidak bervariasi sehingga tanah menjadi jenuh. Selain itu konversi lahan pertanian ke komoditas lainnya juga menjadi penyebab menurunnya produktivitas, karena perubahan komoditasnya tidak sesuai dengan jumlah kebutuhan pasar. (Sekretaris Kabinet Republik Indonesia, 2012) 3

4 Tantangan Petani Petani harus cerdik memilih alternatif tanaman budidaya, sedangkan pengetahuan mengenai tanaman tersebut tidak mereka ketahui. Petani juga mengabaikan informasi pasar. Konsekuensinya, pemilihan tanaman alternatif tersebut menjadi permasalahan yang kompleks. Sedikitnya usulan alternatif tanaman berbasis sains, rendahnya transfer pengetahuan teknis, adalah kesulitan utama yang dihadapi petani Indonesia. 4

5 Solusi Sistem Pendukung Keputusan yang dapat memberikan usulan tanaman budidaya alternatif untuk petani 5

6 Rumusan Masalah 1. Bagaimana menentukan data yang akan digunakan sebagai atribut dataset serta memastikan data yang didapatkan akurat. 2. Bagaimana membaca data repositori dan kemudian merubahnya kedalam format kondisi bit kuantum atau Qbit pendek dan menyajikannya dalam sudut kuantum. 3. Bagaimana membuat model atau rule yang akan digunakan untuk subsistem manajemen model pada sistem pendukung keputusan. 4. Bagaimana mengimplementasikan model yang ditemukan untuk mengembangkan aplikasi yang dapat merekomendasikan tanaman yang akan dibudidayakan oleh petani. 5. Bagaimana mendesain dan membangun sistem pendukung keputusan yang siap dipakai oleh stakeholder. 6

7 SPETINDO? SPETINDO adalah sebuah aplikasi Sistem Pendukung Keputusan berbasis web yang membantu penyuluh pertanian dan masyarakat menentukan jenis tanaman yang paling sesuai untuk ditanam dilahan tertentu sesuai ciri ciri atau karakteristik lahan dan kondisi pasar. 7

8 Quantum Swarm Evolutionary? QSE adalah salah satu algoritma Association Rule Mining. Association Rule Mining bertujuan untuk menemukan aturan yang akan memprediksi terjadinya item berdasarkan pada kejadian barang-barang lainnya dalam transaksi. QSE adalah hibridisasi dari quantum evolutionary algorithm (QEA) dan particle swarm optimization (PSO). 8

9 Manfaat Aplikasi Membuat suatu perangkat lunak yang mampu memberikan rekomendasi tanaman yang akan dibudidayakan oleh petani 9

10 Kebutuhan Fungsional Mengelola informasi hama System Mengelola informasi pupuk Administrator Menambah Data Admin Melihat rekomendasi tanaman budidaya melihat informasi pencegahan hama <<include>> Meminta data pencegahan hama melihat informasi penggunaan pupuk Pengguna melihat informasi harga pasar melihat informasi permintaan pasar 10

11 Arsitektur Perangkat Lunak Pengguna Admin Lapisan Presentasi Subsistem Antarmuka Pengguna Berbasis Web 5 4 Web Server Data set Pengubahan Dataset ke XML Subsistem Manajemen Model 2 Kumpulan Model Modul Budidaya Modul Profil Pasar Lapisan Aplikasi Subsistem Manajemen Berbasis Pengetahuan Modul Nasihat 3 Lapisan Penyimpanan Subsistem Manajemen Data 1 DBMS

12 Mengumpulkan semua data yang didapat Mengklasifikasikan nilai atribut Praproses Dataset Atribut pada dataset pertanian di Ponorogo ada 6 kategori atribut meliputi jenis tanaman, jenis tanah, suhu, ketinggian tanah, luas panen, dan jumlah produksi. Jenis tanaman: padi, jagung, kedelai. Jenis Tanah: aluvial, listosol. Suhu: suhu rendah ( C), suhu tinggi ( C). Ketinggian tanah: dataran rendah (<700 m dpl) dan dataran tinggi (>=700 m dpl). Untuk pengelompokkan luas lahan dan hasil produksi panen menggunakan metode histogram di Excel. Mengubah dataset ke dalam bentuk XML 12

13 PROSES TRAINING MENGGUNAKAN ALGORITMA QSE Dataset dalam bentuk XML t<-0 Menginisialisasi Q(t) Membuat P(t) dengan mengobservasi state Q(t) Mengevaluasi P(t) dengan dihitung nilai fitness function Masuk ke fungsi looping Menyimpan solusi terbaik diantara P(t) ke B(t) Banyak baris (banyak data) = 63 Banyak kolom (banyak kategori dalam atribut) = 17

14 FUNGSI DI DALAM LOOP PADA ALGORITMA QSE Proses saat t<-0 t<-t+1 Membuat P(t) dengan mengobservasi state Q(t-1) Mengevaluasi P(t) dengan dihitung nilai fitness function Tidak Mendapatkan rule dengan mengambil 10 nilai terbaik pada B(t) Ya Perubahan posisi sudut<=0,5 Menyimpan nilai terbaik diantara B(t-1) dan P(t) pada B(t) Mengubah nilai Q(t) menggunakan PSO

15 PROSES TESTING MENGGUNAKAN METODE JACCARD Rule= Rule yang dihasilkan C {1,0,0,0,1,1,0,0,1,1, 0,1,0,0,0,1,0} {0,1,0,1,0,0,1,1,0,1, 0,0,0,0,0,0,0} P A B Mencocokkan masukan dengan rule yang dihasilkan Input == rule Tidak Penghitungan kemiripan tiap rule dengan masukan menggunakan metode Jaccard Ya Mendapatkan keputusan perkiraan hasil panen Cari rule yang memiliki tingkat kemiripan tertinggi dengan masukan Input = {0,0,1,1,0,0,1,1,0, 0,0,0,1,0,0,0,0}

16 Arsitektur Perangkat Lunak Pengguna Admin Lapisan Presentasi Subsistem Antarmuka Pengguna Berbasis Web 5 4 Web Server Data set Pengubahan Dataset ke XML Subsistem Manajemen Model 2 Kumpulan Model Modul Budidaya Modul Profil Pasar Lapisan Aplikasi Subsistem Manajemen Berbasis Pengetahuan Modul Nasihat 3 Lapisan Penyimpanan Subsistem Manajemen Data 1 DBMS

17 Modul Budidaya Rekomendasi Pemupukan Pada proses ini subsistem manajemen berbasis pengetahuannya terletak pada: 1. Pengetahuan untuk cara mengukur status hara, 2. Pengetahuan peta status hara, 3. Pengetahuan rekomendasi pemupukan berdasarkan status hara suatu tanah. Informasi Pencegahan Hama Pada proses ini subsistem manajemen berbasis pengetahuannya terletak pada pengetahuan cara pencegahan hama. 17

18 Proses Rekomendasi Pemupukan Mendapatkan Takaran Penggunaan Pupuk Menggunakan Query Takaran pupuk yang cocok sesuai kondisi status hara tanah telah dimasukkan ke database dan menggunakan query untuk membacanya. Mengkalikan Takaran Penggunaan Pupuk dengan Luas Lahan Takaran pupuk yang sudah didapatkan dengan query kemudian dikalikan dengan luas lahan yang dimiliki. Mengkalikan Total Kebutuhan Pupuk Dengan Harga Pupuk Takaran pupuk yang sudah didapatkan kemudian dikalikan dengan harga pupuk saat ini yang disimpan dalam database. 18

19 Rekomendasi Pemupukan Cara Mengetahui Status Hara Menggunakan Alat-Alat Sederhana Cara Mengetahui Status Hara Menggunakan Peta Status Hara Rekomendasi takaran pemupukan dan total harga pupuk 19

20 Informasi Pencegahan Hama Jika hama yang dicari tidak ada, pengguna bisa request ke admin Memilih jenis tanaman yang diserang dan nama hamanya Cara pencegahan / penanganan hama yang menyerang 20

21 Modul Profil Pasar Informasi Harga Pasar Informasi Permintaan Pasar Proses pengambilan data menggunakan metode JSON. Pertama harus diketahui dulu link dari website Kementerian Pertanian untuk mendapatkan data harga pasar dan permintaan pasar kemudian dicari struktur datanya, setelah itu dibaca menggunakan deserialisasi JSON. 21

22 Proses Pengambilan Data Harga Pasar Menggunakan JSON Mendapatkan link website Kementerian Pertanian Pertama harus diketahui dulu link dari website Kementerian Pertanian untuk mendapatkan data harga pasar. Mencari Struktur Data Harga Pasar Mencari struktur data harga pasar menggunakan JSON Parser. Membaca Harga Pasar Menggunakan Deserialisasi JSON Membaca data harga pasar menggunakan deserialisasi JSON 22

23 Informasi Harga Pasar Memilih parameter tanggal yang ingin diketahui harga pasarnya Harga pasar semua jenis tanaman per kabupaten 23

24 Informasi Permintaan Pasar Memilih parameter jenis tanaman Permintaan pasar per kabupaten sesuai tanaman yang dipilih 24

25 Modul Nasihat Rekomendasi Tanaman Proses pemberian rekomendasi tanaman memberikan hasil perhitungan laba yang kemungkinan didapatkan petani. Petani direkomendasikan untuk menanam tanaman yang memiliki laba tertinggi. Subsistem manajemen berbasis pengetahuan disini berupa pengetahuan dalam menghitung laba petani yang didapatkan dalam satu kali musim panen. 25

26 Proses Rekomendasi Tanaman Menghitung Total Pemasukan (Harga pasar * perkiraan hasil panen) Perkiraan hasil panen didapatkan dari hasil pengolahan model yang dibentuk menggunakan algoritma QSE. Harga pasar didapatkan dari data website Kementerian Pertanian. Menghitung Total Pengeluaran (biaya sewa tanah + biaya tenaga kerja + biaya pupuk + biaya bibit) Biaya pemupukan didapatkan dari hasil perhitungan pada modul budidaya. Biaya bibit dihitung melalui query yg datanya sudah disimpan dalam database. Menghitung laba dan membandingkannya diantara 3 jenis tanaman Laba dihitung dari total pemasukan dikurangi pengeluaran. 26

27 Modul Nasihat Memasukkan karakteristik lahan yang dimiliki dan pengeluaran biaya budidaya 27

28 Hasil Rekomendasi Modul Nasihat 28

29 Pengujian Akurasi K-Fold Validation Teknik validasi model untuk menilai bagaimana hasil analisis statistik akan generalisasi ke set data independen. Untuk memperkirakan seberapa akurat model prediktif akan tampil dalam praktek. Pada pengujian ini akan menggunakan 10 putaran (k). Mean Square Error Di mana: adalah nilai prediksi hasil panen, adalah nilai output hasil panen asli, n adalah jumlah data testing. 29

30 Pengujian Akurasi n MSE Akurasi 1 0,5 50% 2 0,625 37,5% 3 0,75 25% 4 0,75 25% 5 0,75 25% 6 0,5 50% 7 0,875 12,5% 8 0,75 25% 9 0,75 25% 10 0,5 50% Rata-Rata 32,5% 30

31 Kesimpulan Kesimpulan 1. Data pertanian dari Dinas Pertanian Ponorogo yang digunakan sebagai dataset berupa data jenis tanaman, jenis tanah, suhu, ketinggian tanah, luas lahan dan hasil panen memiliki tingkat akurasi rata-rata 32,5%. Akurasi yang rendah tersebut kemungkinan didapatkan karena keterbatasan data serta datanya kurang variatif atau algoritma yang digunakan kurang cocok. 2. Algoritma Quantum Swarm Evolutionary dapat digunakan untuk membuat model yang digunakan untuk subsistem manajemen model pada aplikasi sistem pendukung keputusan pembudidayaan tanaman. Metode untuk memilih model yang cocok digunakan metode Jaccard. 31

32 Kesimpulan Kesimpulan 3. Hasil dari model yang ditemukan diolah dengan data harga pasar dan beberapa data pengeluaran seperti biaya sewa tanah, biaya sewa pekerja, biaya pembibitan dan biaya pemupukan untuk mendapatkan nilai laba yang digunakan sebagai nilai rekomendasi untuk tanaman yang akan dibudidayakan oleh petani. 4. Aplikasi SPETINDO untuk sementara dapat diakses di riset.ajk.if.its.ac.id/spetindo, dan siap menjadi sistem pendukung keputusan pembudidayaan tanaman yang siap dipakai oleh stakeholder. 32

33 Saran Saran 1. SPETINDO memiliki nilai akurasi yang rendah kemungkinan disebabkan oleh dataset yang kurang banyak dan kurang bervariatif. Sehingga dibutuhkan dataset yang lebih lengkap untuk pengembangan lebih lanjut. 2. Aplikasi ini untuk pengembangan selanjutnya dapat bekerjasama dengan disatukan melalui website sebuah Dinas Pertanian agar penggunaannya lebih tepat sasaran dan bermanfaat. 3. Aplikasi ini dalam pengembangan selanjutnya bisa dibuatkan versi mobile-nya agar lebih mudah untuk diakses oleh semua kalangan. 4. Aplikasi ini dalam pengembangan selanjutnya bisa dibuatkan lebih dari tiga jenis tanaman alternatif pilihan. 33

34 TERIMA KASIH 34