berdasarkan kecenderungan dari histogram pola data yang ada. Nilai keanggotaan yang diperoleh akan menjadi masukan dalam proses evaluasi aturan pada basis
pengetahuan. Hasil evaluasi aturan kemudian akan didefuzifikasi dengan menggunakan metode weighted average untuk menghasilkan nilai tunggal crisp.
3.2.6 Pengembangan Mesin Inferensi
Mesin inferensi merupakan komponen sistem pakar yang mengarahkan pengetahuan dari basis pengetahuan sehingga tercapai kesimpulan. Tugas utama
mesin inferensi adalah menguji fakta dan kaidah serta menambah fakta baru jika memungkinkan serta memutuskan perintah sesuai dengan hasil penalaran yang
telah dilaksanakan Marimin 2009. Proses penentuan efektivitas respon tumbuh dimulai dari sekumpulan fakta
mengenai faktor lingkungan yang kemudian dianalisa dan digunakan untuk penentuan kesimpulan. Karena input faktor lingkungan bersifat fuzzy, maka
digunakanlah system inference fuzzy FIS untuk memproses input tersebut. Metode FIS yang digunakan adalah metode neurofuzzy berstruktur ANFIS.
ANFIS menggunakan metode FIS Sugeno. Karena permasalahan curse of dimensionality yang terjadi pada grid
partition ANFIS yaitu penambahan aturan tumbuh secara eksponensial dengan penambahan jumlah input, maka input ANFIS perlu diseleksi. Pada penelitian ini
algoritme CART digunakan untuk menentukan input yang dominan diantara sebelas input yang ada. Hasil dari CART digunakan untuk membentuk arsitektur
ANFIS. Setiap masukan dari pengguna akan dihitung nilai keanggotaannya sesuai
dengan fungsi keanggotaan yang digunakan. Nilai keanggotaan yang diperoleh kemudian digunakan untuk mengevaluasi aturan-aturan rules yang ada pada
basis pengetahuan. Hasil evaluasi aturan-aturan yang telah diagregasi kemudian didefuzifikasi sehingga diperoleh nilai efektivitas respon tumbuh fungi
ektomikoriza.
3.2.7 Implementasi
Pada tahap ini, hasil perancangan yang telah diperoleh diimplementasikan ke dalam suatu bentuk prototipe program komputer. Sistem dibangun dengan
memanfaatkan sistem operasi Windows XP dan Matlab versi 7.7 R2008b. Perangkat keras yang digunakan dalam pengembangan sistem adalah komputer
dengan processor T2450 intel centrino core duo, memori 2 GB DDR2 RAM, harddisk 320 GB, monitor 14.1 inci WXGA.
3.2.8 Pelatihan dan Pengujian Model
ANFIS dilatih dengan algoritme pelatihan hybrid Jang et al. 1997. Ada dua langkah dalam pelatihan hybrid yaitu langkah maju forward dan langkah
mundur backward. Pada langkah maju forward, parameter premis tetap, input jaringan akan merambat maju sampai pada lapisan ke empat, dimana parameter
konsekuen p, q, r akan diidentifikasi dengan menggunakan metode Least-Square Estimator LSE. Pada langkah mundur backward error sinyal antara keluaran
yang diinginkan dengan keluaran aktual, akan merambat mundur dan premis parameters a, b, c akan diperbaiki dengan metode gradient-descent.
Pengujian dilakukan terhadap model ANFIS yang telah dibangun dengan menggunakan data testing. Hasil pengujian adalah output dari model, hasil ini
akan dibandingkan dengan output data testing. Semakin kecil selisih error output model dengan output data testing berarti model semakin akurat. Tahap akhir akan
dilakukan penilaian terhadap hasil pendugaan yang dilakukan oleh model. Penilaian dilakukan dengan melakukan analisa koefisien korelasi terhadap output
model dengan output data testing. Koefisien korelasi digunakan untuk mengetahui hubungan antara dua peubah x dan y, yang didefinisikan dengan r. Selain analisa
korelasi dilakukan juga penghitungan mean absolute percentage error MAPE.
3.2.9 Pengujian Model pada Pakar
Pengujian kepada pakar bertujuan untuk mengetahui apakah sistem pakar yang dibangun telah mewakili human expert. Pengujian meliputi fungsi-fungsi
utama dan aturan-aturan yang telah disusun. Apabila ditemukan adanya kesalahan dalam proses maupun hasil maka dilakukan perbaikan-perbaikan. Tahapan
