Sistem Pakar Penentuan Kesesuaian Lahan Berdasarkan Faktor Penghambat Terbesar (Maximum Limitation Factor) Untuk Tanaman Pangan

(1)

SISTEM PAKAR PENENTUAN KESESUAIAN LAHAN BERDASARKAN FAKTOR PENGHAMBAT TERBESAR

(MAXIMUM LIMITATION FACTOR) UNTUK TANAMAN

PANGAN

NINA SEVANI

PROGRAM STUDI ILMU KOMPUTER

SEKOLAH PASCASARJANA

INSTITUT PERTANIAN BOGOR

(2)

SURAT PERNYATAAN

Saya menyatakan dengan sebenar-benarnya bahwa segala pernyataan dalam tesis saya berjudul :

SISTEM PAKAR PENENTUAN KESESUAIAN LAHAN BERDASARKAN FAKTOR PENGHAMBAT TERBESAR (MAXIMUM LIMITATION FACTOR) UNTUK TANAMAN PANGAN

Merupakan gagasan atau hasil penelitian tesis saya sendiri, dengan arahan Komisi Pembimbing, kecuali yang dengan jelas ditujukkan rujukkannya. Tesis ini belum pernah diajukan untuk memperoleh gelar atau capaian akademik lainnya pada program sejenis di perguruan tinggi lain. Semua data dan informasi yang digunakan telah dinyatakan secara jelas dan dapat diperiksa kebenarannya.

Bogor, Januari 2009

Yang Membuat Pernyataan

(3)

RINGKASAN

NINA SEVANI. Sistem Pakar Penentuan Kesesuaian Lahan Berdasarkan Faktor Penghambat Terbesar (Maximum Limitation Factor) Untuk Tanaman Pangan. Di bawah bimbingan MARIMIN dan HERU SUKOCO.

Penentuan kesesuaian lahan merupakan salah satu kegiatan dalam evaluasi lahan yang dapat membantu petani dan pelaksana pertanian untuk menentukan kesesuaian lahan dengan jenis tanaman yang akan ditanam, sebelum dimulainya proses penanaman. Proses penentuan kesesuaian lahan ini dapat dilakukan dengan membandingkan antara karakteristik dan kualitas lahan yang akan digunakan dengan persyaratan tumbuh tanaman yang akan ditanam. Terdapat banyak karakter dan kualitas tanah yang dapat digunakan untuk menentukan kesesuaian lahan, baik yang berupa sifat kimia maupun sifat fisik. Diantara karakter dan kualitas yang akan digunakan tersebut beberapa diantaranya dapat mempunyai nilai yang kurang baik sehingga dapat menjadi faktor penghambat bagi pertumbuhan dan produksi suatu tanaman. Beberapa diantara faktor penghambat tersebut akan dapat diatasi melalui suatu tindakan atau penerapan teknologi tertentu. Hanya faktor penghambat yang tidak tergantung pada alam yang dapat diatasi melalui tindakan dan penerapan teknologi tersebut.

Penelitian ini bertujuan membuat sebuah sistem pakar penentuan kesesuaian lahan untuk tanaman pangan yang meliputi 14 jenis tanaman pangan dalam kelompok serealia, kacang-kacangan, dan umbi-umbian. Sistem pakar yang dibuat diberi nama Sistem Pakar Penentuan Kesesuaian Lahan Berdasarkan Faktor Penghambat Terbesar atau dapat disingkat menjadi SPPKL. Manfaat penelitian ini adalah untuk membantu petani dan pelaksana pertanian dalam menentukan kesesuaian antara lahan yang akan digunakan dengan jenis tanaman yang akan ditanam, sebelum dilakukan proses penanaman. Selain itu sistem ini juga dapat memberikan informasi kepada petani dan pelaksana pertanian mengenai faktor-faktor yang diperlukan dalam proses penentuan kesesuaian lahan dan persyaratan tumbuh dan produksi bagi 14 jenis tanaman pangan. Empat belas jenis tanaman pangan dalam sistem ini meliputi padi sawah, padi gogo, jagung, gandum, sorgum, kedelai, kacang tanah, kacang hijau, kacang arab, kacang tunggak, ubi jalar, ubi kayu, talas, dan iles-iles. Sistem ini juga dapat digunakan oleh petani dan pelaksana pertanian untuk mengetahui teknologi atau tindakan apa yang dapat digunakan untuk mengatasi keberadaan faktor penghambat.

(4)

Masukan yang diperlukan untuk menjalankan sistem ini adalah data karakter dan kualitas lahan yang akan digunakan, serta jenis tanaman yang akan ditanam. Data yang diperlukan tergantung jenis tanah yang akan digunakan. Secara total terdapat 19 parameter yang dibagi menjadi 17 data fuzzy dan 2 data non-fuzzy, yaitu tinggi air tanah dan curah hujan. Data fuzzy meliputi suhu, kedalaman efektif, kedalaman sulfidik, lereng, bahan kasar, pH, C-Organik, kejenuhan basa, salinitas, sodisitas, Kapasitas Tukar Kation (KTK), tekstur, drainase, kematangan (gambut), ketebalan (gambut), bahaya banjir, dan Tingkat Bahaya Erosi (TBE). Bahaya banjir dan TBE merupakan parameter pengganti untuk data lereng, tekstur, dan drainase. Terdapat 2 jenis tanah yang dapat dipilih untuk digunakan, yaitu tanah mineral dan tanah gambut. Keluaran sistem ini adalah nilai kesesuaian lahan untuk penggunaan tanaman pangan, nilai kesesuaian lahan untuk tanaman pangan tertentu, faktor penghambat yang dimiliki oleh lahan, saran manajerial untuk mengatasi faktor penghambat, persyaratan tumbuh tanaman, dan lokasi yang dianggap sesuai dengan jenis tanaman. Penentuan lokasi meliputi nama kabupaten, nama kecamatan, dan nama serie tanah, serta masih terbatas pada 2 kabupaten di Jawa Timur, yaitu Kabupaten Blitar dan Kabupaten Tulungagung.

Sistem pakar ini dibuat melalui serangkaian aliran proses formulatif yang dimulai dari proses penentuan parameter yang diperlukan meliputi sifat fisika dan kimia tanah, serta jenis tanaman pangan. Dilanjutkan dengan proses penentuan penentuan kelompok aturan pada basis pengetahuan yang akan digunakan untuk memproses data input. Pemrosesan data menggunakan tahapan pada Fuzzy Inference System (FIS) metode Mamdani. Kelompok aturan pertama digunakan untuk menentukan kesesuaian lahan untuk penggunaan tanaman pangan. Kelompok aturan kedua digunakan untuk menentukan jenis tanaman yang sesuai berdasarkan nilai yang dihasilkan oleh kelompok aturan pertama dan data input untuk parameter curah hujan. Proses selanjutnya adalah proses penentuan arsitektur web yang akan digunakan sebagai interface sistem dengan pengguna dan diakhiri dengan proses evaluasi sistem. Pembuatan web menggunakan PHP, Apache web server, dan MySQL. Proses evaluasi sistem dilakukan dengan membandingkan keluaran sistem dengan pendapat human expert maupun data yang ada pada laporan survei tanah.

Tahap akuisisi dalam pembuatan sistem pakar ini melibatkan human expert dari IPB dan Balai Besar Penelitian dan Pengembangan Sumberdaya Lahan Pertanian, Bogor. Proses inferensi pada sistem ini menggunakan teknik forward chaining untuk

(5)

menentukan kesesuaian lahan dan teknik backward chaining untuk menentukan persyaratan tumbuh tanaman. Pada pelaksanaan pemrosesan data sesuai dengan tahapan yang ada pada FIS, fungsi keanggotaan yang digunakan adalah fungsi trapesium (TRAPMF) dan fungsi gauss (GAUSSMF), metode yang digunakan untuk implikasi dan komposisi semua output adalah metode maximal dan metode untuk defuzzifikasi adalah metode centroid.

Untuk meningkatkan efisiensi waktu penggunaan sistem ini, maka ditentukan jenis parameter penentu untuk setiap jenis tanah. Penentuan persyaratan untuk parameter penentu ini membuat sistem dapat langsung memberikan hasil bahwa lahan tidak sesuai digunakan untuk tanaman pangan, apabila nilai parameter penentu yang dimasukkan pengguna melebihi persyaratan yang telah ditentukan. Sehingga pengguna tidak perlu melanjutkan ke tahap pengisian data selanjutnya. Sistem ini juga dilengkapi dengan informasi tentang range nilai setiap parameter serta validasi yang diperlukan untuk memastikan bahwa pengguna memberi nilai input sesuai dengan range yang ada. Informasi tentang cara profil sistem serta cara pengoperasiannya juga ikut disertakan dalam sistem ini, supaya pengguna dapat melakukan troubleshooting secara mandiri.

Kata kunci : kesesuaian lahan, tanaman pangan, sistem pakar, Fuzzy Inference System (FIS), metode Mamdani, forward chaining, backward chaining, web.

(6)

SISTEM PAKAR PENENTUAN KESESUAIAN LAHAN BERDASARKAN FAKTOR PENGHAMBAT TERBESAR

(MAXIMUM LIMITATION FACTOR) UNTUK TANAMAN

PANGAN

NINA SEVANI

Tesis

Sebuah karya ilmiah

sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada

Program Studi Ilmu Komputer

PROGRAM STUDI ILMU KOMPUTER

SEKOLAH PASCASARJANA

INSTITUT PERTANIAN BOGOR

(7)

ABSTRACT

NINA SEVANI. Land Suitability Expert System Based on Maximum Limitation Factor For Food Plants. Supervised by MARIMIN and HERU SUKOCO.

One of solutions for handling food security problems is doing land evaluation. With land evaluation, farmers will know about the suitability of their land with some kinds of plants. Knowledge about suitability of the land and the plants can minimalize harvest plant problem. The spread of information technology and digital era also change the ways to explain and distribute information and knowledge used for recognizing land suitability. Process to recognize land suitability in this system using 19 parameters including physical and chemistry characteristics, and also natural factors such as temperature and rain fall. For all of this parameters, there are 2 complementary parameters to replace data about tekstur, drainase, and slope. Object in this research are 14 kinds of food plants. This system using Fuzzy Inference Systems (FIS) method for processing data. User can choose trapesium or Gauss function for fuzzificy the data. Based on actual values of the land, this system will determine the suitability of the land for food plants and for specific kinds of food plants. This system also determine about limitation factors for the land and gives some managerial suggestion for handling that factors. The result of this system also included about plants grow requirement and suitability location on 2 district at East Java Province.

(8)

Judul Tesis : Sistem Pakar Penentuan Kesesuaian Lahan Berdasarkan Faktor Penghambat Terbesar (Maximum Limitation Factor) Untuk Tanaman Pangan

Nama : Nina Sevani NRP : G651060084 Program Studi : Ilmu Komputer

Menyetujui, Komisi Pembimbing

Prof. Dr. Ir. Marimin, M.Sc Heru Sukoco, S.Kom, MT

Ketua Anggota

Mengetahui,

Ketua Program Studi Ilmu Komputer Dekan Sekolah Pascasarjana IPB

Dr. Sugi Guritman Prof. Dr. Ir. Khairil Anwar Notodiputro, MS

(9)

vii

KATA PENGANTAR

Puji dan syukur penulis sampaikan kepada Tuhan YME atas segala berkah dan rahmat-Nya, sehingga akhirnya penulis dapat menyelesaikan penelitian ini dengan judul “SISTEM PAKAR PENENTUAN KESESUAIAN LAHAN BERDASARKAN FAKTOR PENGHAMBAT TERBESAR (MAXIMUM LIMITATION FACTOR) UNTUK TANAMAN PANGAN”. Tugas penelitian ini dibuat untuk memenuhi salah satu persyaratan studi pada Program Studi Ilmu Komputer, Sekolah Pascasarjana IPB.

Tugas penelitian ini dapat terselesaikan atas bantuan dari berbagai pihak. Oleh karena itu penulis ingin menyampaikan terima kasih yang sebesar-besarnya kepada :

1. Prof. Dr. Ir. Marimin, M.Sc dan Bapak Heru Sukoco, S.Kom, MT selaku Dosen Pembimbing, yang telah banyak membimbing dan mengarahkan penulis.

2. Staf pengajar dan karyawan di Program Studi Ilmu Komputer, Sekolah Pascasarjana IPB, serta karyawan Pascasarjana IPB.

3. Bapak Daniel G.K, M.Sc atas semua dukungan moril dan spiritual yang telah diberikan kepada penulis selama melakukan penelitian.

4. Sayangku, Hendi, yang selalu mendoakan, mendukung, serta menemani penulis dalam melewati masa-masa sulit pada saat penyelesaian studi ini. 5. Seluruh keluarga di Jakarta maupun Tegal yang selalu mendukung dan

mendoakan penulis sepanjang penyelesaian studi ini.

6. Bapak Dr. Kukuh Murtilaksono dan Bapak Yiyi Sulaeman atas bimbingan yang telah diberikan.

7. Seluruh staf Universitas Krida Wacana terutama di Fakultas Teknologi Informasi atas segala bantuan yang telah diberikan.

(10)

8. Semua pihak yang telah membantu namun tidak dapat penulis sebutkan satu-persatu.

Berbagai usaha telah penulis upayakan guna terselesaikannya tugas penelitian ini dengan baik, namun penulis menyadari akan kekurangan dan keterbatasan penulis. Oleh karena itu penulis memohon maaf apabila terdapat kekeliruan-kekeliruan. Akhir kata penulis berharap tugas penelitian ini dapat bermanfaat.

Bogor, Januari 2009

(11)

SISTEM PAKAR PENENTUAN KESESUAIAN LAHAN BERDASARKAN FAKTOR PENGHAMBAT TERBESAR

(MAXIMUM LIMITATION FACTOR) UNTUK TANAMAN

PANGAN

NINA SEVANI

PROGRAM STUDI ILMU KOMPUTER

SEKOLAH PASCASARJANA

INSTITUT PERTANIAN BOGOR

(12)

SURAT PERNYATAAN

Saya menyatakan dengan sebenar-benarnya bahwa segala pernyataan dalam tesis saya berjudul :

SISTEM PAKAR PENENTUAN KESESUAIAN LAHAN BERDASARKAN FAKTOR PENGHAMBAT TERBESAR (MAXIMUM LIMITATION FACTOR) UNTUK TANAMAN PANGAN

Bogor, Januari 2009

Yang Membuat Pernyataan

(13)

RINGKASAN

NINA SEVANI. Sistem Pakar Penentuan Kesesuaian Lahan Berdasarkan Faktor Penghambat Terbesar (Maximum Limitation Factor) Untuk Tanaman Pangan. Di bawah bimbingan MARIMIN dan HERU SUKOCO.

(14)

(15)

Kata kunci : kesesuaian lahan, tanaman pangan, sistem pakar, Fuzzy Inference System (FIS), metode Mamdani, forward chaining, backward chaining, web.

(16)

SISTEM PAKAR PENENTUAN KESESUAIAN LAHAN BERDASARKAN FAKTOR PENGHAMBAT TERBESAR

(MAXIMUM LIMITATION FACTOR) UNTUK TANAMAN

PANGAN

NINA SEVANI

Tesis

Sebuah karya ilmiah

sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada

Program Studi Ilmu Komputer

PROGRAM STUDI ILMU KOMPUTER

SEKOLAH PASCASARJANA

INSTITUT PERTANIAN BOGOR

(17)

ABSTRACT

NINA SEVANI. Land Suitability Expert System Based on Maximum Limitation Factor For Food Plants. Supervised by MARIMIN and HERU SUKOCO.

(18)

Judul Tesis : Sistem Pakar Penentuan Kesesuaian Lahan Berdasarkan Faktor Penghambat Terbesar (Maximum Limitation Factor) Untuk Tanaman Pangan

Nama : Nina Sevani NRP : G651060084 Program Studi : Ilmu Komputer

Menyetujui, Komisi Pembimbing

Prof. Dr. Ir. Marimin, M.Sc Heru Sukoco, S.Kom, MT

Ketua Anggota

Mengetahui,

Ketua Program Studi Ilmu Komputer Dekan Sekolah Pascasarjana IPB

Dr. Sugi Guritman Prof. Dr. Ir. Khairil Anwar Notodiputro, MS

(19)

vii

KATA PENGANTAR

Tugas penelitian ini dapat terselesaikan atas bantuan dari berbagai pihak. Oleh karena itu penulis ingin menyampaikan terima kasih yang sebesar-besarnya kepada :

1. Prof. Dr. Ir. Marimin, M.Sc dan Bapak Heru Sukoco, S.Kom, MT selaku Dosen Pembimbing, yang telah banyak membimbing dan mengarahkan penulis.

2. Staf pengajar dan karyawan di Program Studi Ilmu Komputer, Sekolah Pascasarjana IPB, serta karyawan Pascasarjana IPB.

3. Bapak Daniel G.K, M.Sc atas semua dukungan moril dan spiritual yang telah diberikan kepada penulis selama melakukan penelitian.

mendoakan penulis sepanjang penyelesaian studi ini.

6. Bapak Dr. Kukuh Murtilaksono dan Bapak Yiyi Sulaeman atas bimbingan yang telah diberikan.

7. Seluruh staf Universitas Krida Wacana terutama di Fakultas Teknologi Informasi atas segala bantuan yang telah diberikan.

(20)

8. Semua pihak yang telah membantu namun tidak dapat penulis sebutkan satu-persatu.

Bogor, Januari 2009

(21)

RIWAYAT HIDUP

Penulis dilahirkan di Brebes pada tanggal 18 Agustus 1980 sebagai anak pertama dari ayah bernama Eko Sutanto dan ibu Ratna Indrayanti. Pendidikan sekolah dasar ditempuh di SD. Pius 3 Tegal. Pendidikan menengah pertama di SMP. PIUS 1 Tegal dan menengah atas di SMUN 1 Tegal, lulus pada tahun 1998. Pendidikan sarjana ditempuh di Universitas Bina Nusantara, Jurusan Teknik Informatika, Fakultas Ilmu Komputer, lulus pada tahun 2002. Tahun 2002 sampai 2003 menjadi staff PPIC (Product, Planning, and Inventory Control) pada PT. Bintang Kanguru, Jakarta. Sejak tahun 2003 menjadi pegawai akademik di Universitas Kristen Krida Wacana, Jakarta. Pada tahun 2006 penulis meneruskan pendidikan lanjutan di Sekolah Pascasarjana, Institut Pertanian Bogor pada Program Studi Ilmu Komputer.

(22)

DAFTAR ISI

Halaman DAFTAR TABEL ... xiv DAFTAR GAMBAR ... xv

DAFTAR LAMPIRAN ... xix

I. PENDAHULUAN ... 1 1.1 Latar Belakang ... 1

1.2 Tujuan dan Manfaat ... 4 1.3 Ruang Lingkup... 6

II. LANDASAN TEORI... 7 2.1 Manajemen Pengetahuan (Knowledge Management) ... 7

2.1.1 Akuisisi Pengetahuan (Knowledge Acquisition) ... 7 2.1.2 Representasi Pengetahuan (Knowledge Representation) 9 2.1.3 Mekanisme Inferensi (Inference Machine) ... 12

2.2 Sistem Pakar (Expert System) ... 14 2.2.1 Definisi Sistem Pakar ... 14 2.2.2 Keuntungan Sistem Pakar ... 16 2.2.3 Karakteristik Sistem Pakar ... 17 2.2.4 Elemen Sistem Pakar ... 18 2.2.5 Tahapan Pengembangan Sistem Pakar ... 19 2.3 Sistem Fuzzy ... 20 2.3.1 Himpunan Fuzzy ... 21 2.3.2 Fungsi Keanggotaan ... 22 2.3.3 Defuzzifikasi ... 28 2.4 Internet ………... 31 2.4.1 Arsitektur Client-Server ………... 31 2.5 Waterfall Life Cycle Model ………..……… 32 2.6 Data Flow Diagram (DFD) ……….. 36 2.7 Lahan Pertanian ... 36

(23)

2.7.1 Karakteristik Lahan ... 37 2.7.2 Kualitas Lahan ... 44 2.7.3 Kesesuaian Lahan ... 47

2.7.4 Evaluasi Lahan ... 48

III. METODOLOGI ... 50 3.1 Kerangka Pemikiran ... 50 3.2 Tahapan Pengembangan Sistem ... 53 3.2.1 Pemilihan Pakar ... 54 3.2.2 Akuisisi Pengetahuan ... 55 3.2.3 Representasi Pengetahuan ... 57

3.2.4 Pengembangan Mesin Inferensi ... 58 3.2.5 Implementasi dan Pengujian ... 59 3.3 Tata Laksana Penelitian ... 59

3.3.1 Pengumpulan Data dan Informasi ... 60 3.3.1.1 Jenis Data dan Informasi ... 60 3.3.1.2 Teknik Pengambilan Data dan Informasi ... 61 3.3.2 Pengolahan Data dan Informasi ... 61 3.3.3 Waktu dan Tempat Penelitian ... 62 3.4. Metode Pengembangan Sistem ... 62

3.4.1 Kebutuhan Sistem ... 63 3.4.2 Perancangan Sistem ... 64 3.4.3 Pembangunan Sistem ... 64 3.4.4 Pengujian Sistem ... 67 3.4.5 Penerapan Sistem ... 67

3.4.6 Operasional dan Pemeliharaan Sistem ... 68

IV. PERANCANGAN ... 69 4.1 Kerangka Sistem Yang Dirancang ... 69 4.2 Analisa Kebutuhan Sistem ... 70 4.3 Rancangan Proses ... 74 4.3.1 Rancangan Input ... 74 4.3.2 Rancangan Output ... 74

(24)

4.3.3 Rancangan Proses Evaluasi ... 75 4.3.3.1 Proses Input (Masukan) ... 77

4.3.3.1.1 Parameter Penentu Kesesuaian Lahan Untuk Penggunaan Tanaman Pangan 81 4.3.3.1.2 Fuzzifikasi Parameter Input Penentu

Kesesuaian Lahan Untuk Penggunaan

Tanaman Pangan ... 84 4.3.3.1.3 Parameter Penentu Jenis Tanaman

Pangan Yang Sesuai ... 106 4.3.3.2 Proses Penarikan Kesimpulan ... 108 4.3.3.3 Proses Output (Keluaran) ... 110

4.3.4 Rancangan Arsitektur Web ... 112 4.3.5 Rancangan Tampilan Web ... 113 4.4 Rancangan Uji ... 123

V. IMPLEMENTASI SISTEM ... 124 5.1 Spesifikasi Perangkat Keras dan Piranti Lunak ... 124 5.2 Input Sistem ... 125 5.3 Proses Evaluasi Sistem ... 131 5.3.1 Proses Input ... 131 5.3.2 Proses Penarikan Kesimpulan ... 132 5.3.3 Proses Output ... 140 5.4 Output Sistem ... 141

5.5 Verifikasi dan Validasi ... 148

VI. PEMBAHASAN ... 165 6.1 Akuisisi Pengetahuan ... 167 6.2 Representasi Pengetahuan ... 174 6.3 Proses Inferensi ... 175

6.4 Kompleksitas Sistem ... 178 6.5 Implikasi Manajerial ... 179

(25)

xiii

VII. KESIMPULAN DAN SARAN ... 180

DAFTAR PUSTAKA ... 182 LAMPIRAN ... 184

(26)

DAFTAR TABEL

Nomor Halaman

1 Kelas tekstur tanah ……....………... 38 2 Kelas drainase tanah ... 40 3 Kedalaman tanah ... 41 4 Kualitas lahan untuk proses evaluasi lahan ... 45 5 Range nilai untuk TBE .………... 46 6 Kelas untuk bahaya banjir ... 46 7 Pengelompokan kebutuhan pengguna sistem menjadi menu-menu

pada web ... 71 8 Parameter, himpunan fuzzy, dan domain himpunan fuzzy ... 79 9 Nilai curah hujan ... 108 10 Arti kelas kesesuaian lahan ... 131 11 Parameter, himpunan, dan representasi fuzzy ... 133 12 Pengelompokan nilai pada parameter curah hujan ... 137 13 Contoh input dan output penentuan kesesuaian lahan secara umum

untuk tanah gambut dengan rumus TRAPMF ... 149 14 Contoh input dan output penentuan kesesuaian lahan secara umum

untuk tanah mineral dengan rumus TRAPMF ... 152 15 Contoh input dan output penentuan kesesuaian lahan secara umum

untuk tanah gambut dengan rumus GAUSSMF ... 154 16 Contoh input dan output penentuan kesesuaian lahan secara umum

untuk tanah mineral dengan rumus GAUSSMF ... 157 17 Perbandingan antara keluaran sistem dengan hasil yang diberikan

oleh Matlab ... 160 18 Hasil validasi keluaran sistem dan pendapat pakar dalam menentukan

faktor penghambat pada tanaman padi sawah ... 162 19 Hasil validasi keluaran sistem dan pendapat pakar dalam menentukan

(27)

DAFTAR GAMBAR

Nomor Halaman

1 Tahapan akuisisi pengetahuan pada sistem pakar ...…... 8 2 Jaringan semantik antara OAV induk-OAV anak ... 10 3 Representasi objek DOG dengan menggunakan frame ... 11 4 Fungsi dasar sistem pakar ... 15 5 Hubungan domain pengetahuan dan domain masalah ... 16 6 Hubungan antar elemen dalam sistem pakar ... 19 7 Tahapan pengembangan sistem pakar ... 20 8 Alur penyelesaian masalah dengan logika fuzzy ………..……… 21 9 Kurva representasi linear naik. ...………… 23 10 Representasi linear turun. ... 23 11 Tahapan kurva segitiga ... 24 12 Kurva trapesium ... 25 13 Daerah ’bahu’ pada kurva bentuk bahu ...………... 25 14 Bentuk dan karakteristik kurva -S ... 26 15 Representasi kurva PI ...……... 27 16 Representasi kurva BETA ... 28 17 Representasi kurva GAUSS ... 28 18 Metode maximum pada defuzzifikasi ... 29 19 Metode centroid pada defuzzifikasi ... 29 20 Metode weigthted average pada defuzzifikasi ... 29 21 Metode mean max pada defuzzifikasi ... 30 22 Metode center of sums pada defuzzifikasi ... 30 23 Metode center of largest area pada defuzzifikasi ... 30 24 Metode first (or last) of maxima pada defuzzifikasi ... 31 25 Arsitektur client-server ... 32 26 Fase-fase pada waterfall life cycle model ……… 33 27 Tahapan kegiatan evaluasi lahan ... 49 28 Diagram proses pencocokkan antara persyaratan tumbuh

(28)

tanaman dengan karakteristik lahan ... 50 29 Diagram kerangka pemikiran sistem pakar ... 53 30 Kerangka penyusunan aturan pada sistem pakar ... 54 31 Diagram input output sistem pakar penentuan kelas

kesesuaian lahan ... 56 32 Tahapan pengembangan sistem pakar yang dirancang ... 60 33 Diagram alir formulasi sistem yang dirancang ...…... 69 34 DFD level 0 pada sistem yang dirancang ... 73 35 DFD level 1 pada sistem yang dirancang ... ... 73 36 Rancangan input ... 75 37 Proses evaluasi sistem penentuan kesesuaian lahan ... 76 38 Proses evaluasi sistem penentuan kriteria dan lokasi lahan ... 77 39 Fuzzifikasi suhu ... 86 40 Fuzzifikasi kedalaman efektif ...………..……… 87 41 Fuzzifikasi bahan kasar ...………… ... 89 42 Fuzzifikasi pH. ... 90 43 Fuzzifikasi kejenuhan basa ... 91 44 Fuzzifikasi KTK ... 92 45 Fuzzifikasi C-Organik ...………... 93 46 Fuzzifikasi salinitas ... 94 47 Fuzzifikasi sodisitas ...……... 95 48 Fuzzifikasi kedalaman sulfidik ... 96 49 Fuzzifikasi tekstur ... 97 50 Fuzzifikasi drainase ... 98 51 Fuzzifikasi ketebalan (gambut) ... 100 52 Fuzzifikasi kematangan (gambut) ... 101 53 Fuzzifikasi lereng ... 102 54 Fuzzifikasi bahaya banjir ... 104 55 Fuzzifikasi TBE ... 105 56 Representasi fungsi keanggotaan untuk variabel kesesuaian lahan .... 107 57 Arsitektur client-server ... 112 58 Tampilan utama web ... 114 59 Tampilan tentang aplikasi …...……… 114 60 Tampilan tanaman pangan …………... 115

(29)

xvii

61 Halaman karakteristik dan kualitas lahan ... 115 62 Halaman masukan jenis tanaman dan jenis tanah pengguna ... 116 63 Halaman masukan untuk parameter tinggi air tanah, ketebalan,

dan kematangan (gambut) ... 117 64 Halaman hasil penentuan kesesuaian lahan gambut yang

tidak cocok untuk tanaman pangan ... 117 65 Halaman masukan parameter untuk tanah gambut ... 118 66 Halaman masukan parameter lereng dan kedalaman efektif

pada tanah mineral ……...……… 119 67 Halaman hasil penentuan kesesuaian lahan mineral yang tidak

cocok untuk tanaman pangan ... 119 68 Halaman masukan parameter untuk tanah mineral ... 120 69 Halaman hasil penentuan kesesuaian lahan .... ... 120 70 Halaman masukan jenis tanaman yang diinginkan pengguna ... 121 71 Halaman kriteria lahan untuk tanaman ... 122 72 Halaman lokasi yang berpotensi untuk ditanami tanaman pangan

sesuai masukan pengguna ... 122 73 Halaman pertama aplikasi penentuan kesesuaian lahan ... 126 74 Halaman input parameter penentu pada tanah gambut ... 127 75 Halaman input parameter penentu pada tanah mineral ... 127 76 Halaman input parameter pada tanah gambut ... 128 77 Halaman input parameter pada tanah mineral ... 129 78 Halaman input pada parameter pengganti ...……… 130 79 Halaman pertama aplikasi penentuan kriteria lahan ... 130 80 Tampilan halaman utama SPPKL ... 142 81 Halaman menu tentang aplikasi .... ... 142 82 Halaman tanaman pangan ... 143 83 Halaman karakteristik & kualitas lahan ... 143 84 Halaman bantuan ... ... 144 85 Halaman hasil aplikasi penentuan kesesuaian lahan ... 145 86 Halaman hasil penentuan kesesuaian lahan tanah gambut dengan

nilai parameter penentu yang melebihi batas ... 145 87 Halaman hasil penentuan kesesuaian lahan tanah mineral dengan

(30)

88 Halaman persyaratan tumbuh tanaman ... 147 89 Halaman lokasi ses uai ... 147 90 Data parameter tanah gambut melebihi ketentuan yang ada ... 170 91 Tampilan hasil kesesuaian lahan dengan nilai parameter penentu

melebihi batas yang ditentukan ... 169 92 Data parameter tanah gambut melebihi ketentuan yang ada ... 171 93 Tampilan hasil kesesuaian lahan tanah mineral dengan nilai

parameter penentu melebihi batas yang ditentukan ... 173 94 Parameter pengganti ... 173 95 Flowchart filtering nilai parameter penentu tanah gambut ... 175 96 Flowchart filtering nilai parameter penentu tanah mineral ... 176 97 Flowchart perhitungan nilai implikasi, komposisi, dan defuzzifikasi 177

(31)

I. PENDAHULUAN

Latar Belakang

Era globalisasi yang terjadi saat ini telah melahirkan tuntutan kehidupan yang semakin kompetitif bagi manusia, salah satunya dalam bidang pertanian. Penyusutan luas lahan sawah irigasi di Jawa, pelandaian produksi dan produktivitas, perubahan iklim yang kurang mendukung, serta serangan Organisme Pengganggu Tanaman (OPT) merupakan ancaman bagi ketahanan pangan nasional (Mulyani et al, 2001). Kondisi seperti ini menuntut dilakukannya perencanan dan pengolahan lahan pertanian yang baik untuk dapat meningkatkan kualitas dan kuantitas komoditas pangan.

Peningkatan kualitas dan kuantitas komoditas pangan antara lain dapat dilakukan dengan melakukan evaluasi lahan dalam rangka memilih jenis tanaman pangan yang sesuai dengan karakteristik tanah yang akan digunakan. Proses evaluasi lahan sebaiknya dilakukan oleh petani sebelum melakukan proses penanaman tanaman, supaya dapat terjadi kesesuaian antara lahan yang akan digunakan dengan jenis tanaman pangan yang akan ditanam pada lahan tersebut. Evaluasi lahan dapat dilakukan dengan membandingkan persyaratan penggunaan lahan dengan kualitas (karakteristik) lahan (Hardjowigeno, 2007). Pengolahan lahan yang tidak sesuai dengan karakteristik lahan itu sendiri dapat menghambat proses bercocok tanam yang dilakukan dan pada akhirnya dapat menjadi salah satu penyebab terjadinya gagal panen (Prasetyo dan Suriadikarta, 2006). Ada banyak karakteristik lahan, baik yang berupa karakter fisik maupun kimia yang dapat menjadi parameter dalam penentuan kesesuaian lahan dengan suatu tanaman. Kesesuaian lahan tersebut digolongkan berdasarkan besarnya intensitas faktor penghambat atau ancaman.

(32)

Pada dasarnya komoditas pertanian dipengaruhi oleh beberapa faktor, seperti lahan pertanian, tenaga kerja, modal, pupuk, pestisida, bibit, teknologi, dan manajemen (Hastuti dan Rahim, 2007). Kurangnya pengetahuan dan pemahaman pelaksana pertanian (petani) akan karakteristik lahan yang akan diolah dan jenis tanaman pangan yang akan ditanam serta sulitnya memperoleh data yang benar tentang karakteristik lahan dapat membuat petani kesulitan dalam menentukan kesesuaian lahannya. Terkadang petani juga mendapatkan kesulitan dalam menentukan lokasi yang sesuai dengan jenis tanaman yang mereka inginkan. Selain itu para petani juga tentunya memerlukan pengetahuan tentang cara memperbaiki kekurangan yang dimiliki oleh lahannya yang akan dapat menghambat produktivitas tanaman yang dihasilkan, meskipun hanya faktor kekurangan lahan yang tidak tergantung pada alam yang dapat diperbaiki oleh petani.

Untuk memperoleh semua pengetahuan yang diperlukan oleh petani dan pelaksana pertanian tersebut, tentunya diperlukan waktu yang cukup lama dan biaya yang besar. Keberadaan pakar atau orang yang berpengalaman maupun data-data penelitian yang memadai akan sangat membantu petani, terutama petani yang belum berpengalaman dalam menentukan kesesuaian lahan dengan tanaman yang akan ditanam. Apabila dana dan waktu merupakan faktor pembatas, maka perlu adanya keberadaan suatu sistem penunjang pembuatan keputusan yang terkomputerisasi (Amien, Sosiawan, dan Susanti, 1997).

Keberadaan sistem pakar dalam bidang pertanian dapat membantu petani untuk membuat keputusan melalui perencanaan yang baik sebelum mulai melakukan apapun terhadap lahan mereka (Wai, et al., 2005). Dengan adanya sistem pakar yang memuat pengetahuan dari para pakar mengenai penentuan kesesuaian lahan yang akan digunakan dengan jenis tanaman yang mereka akan tanam, akan dapat membantu petani dan pelaksana pertanian dalam menjalankan tugasnya. Sistem pakar ini juga dapat membantu petani dalam menentukan kesesuaian lahannya

(33)

pada saat terjadi kesulitan dalam memperoleh data karakteristik lahan yang benar-benar tepat. Mengingat bahwa cukup banyak data karakteristik lahan yang nilainya mengandung ketidak pastian, maka untuk pengolahan data pada sistem pakar dapat menggunakan Fuzzy Inference System (FIS), yang meniru cara berpikir manusia, sehingga dianggap memungkinkan untuk penyelaian masalah yang mengandung ketidak pastian ini.

Keberadaan internet dan lahirnya era digital juga sangat berpotensi untuk mendukung

akses dan kemudahan pada aktifitas penentuan kesesuaian lahan untuk tanaman pangan. FAO (Food and Agriculture Organization), sebagai badan internasional yang mengurusi soal pertanian dan pangan, juga telah memasukkan informasi dan knowledge management sebagai salah satu dari lima strategi kunci yang kemudian ditetapkan sebagai FAO Strategic Framework untuk mencapai tujuan mengatasi kekurangan pangan di dunia (Salokhe, et al., 2004). Pemanfaatan teknologi informasi dan komunikasi ini salah satunya dapat diwujudkan dalam bentuk pembuatan sistem pakar online yang dapat memberikan anjuran atau saran dalam menentukan kesesuaian lahan. Anjuran atau saran yang dihasilkan dari sistem pakar merupakan representasi pengetahuan dari para pakar dan hasil-hasil penelitian yang dikumpulkan dari tahun ke tahun.

Keberadaan sistem pakar online untuk penentuan kesesuaian lahan ini diharapkan dapat membantu petani dan pelaksana pertanian dalam merencanakan dan mengolah lahan mereka. Mengingat bahwa sistem ini dapat diakses secara online, tentunya diharapkan juga dapat memperluas jangkauan dan fleksibilitas penggunaannya. Hasil yang diberikan oleh sistem pakar ini dapat memberi masukan kepada petani tentang tingkat kesesuaian antara lahan yang akan mereka gunakan dengan jenis tanaman pangan yang akan mereka tanam dan juga anjuran manajerial tentang perbaikan faktor penghambat yang ada pada lahan tersebut, beserta beberapa lokasi yang dianggap sesuai dengan jenis tanaman yang mereka inginkan. Diharapkan dengan mengetahui kesesuian antara lahan dengan jenis tanaman, dapat membantu petani dan pelaksana

(34)

pertanian dalam menentukan jenis tanaman yang paling sesuai dengan kondisi lahan mereka dan bagaimana mereka harus memperbaiki lahan mereka untuk menghasilkan produksi yang lebih baik. Dengan mengetahui lokasi yang sesuai dengan jenis tanaman yang mereka inginkan, juga diharapkan dapat membantu petani untuk mempertahankan, bahkan meningkatkan pasar yang sudah mereka miliki.

Tujuan dan Manfaat

Pembuatan sistem pakar penentuan kesesuaian lahan untuk tanaman pangan mempunyai tujuan utama untuk membuat sebuah sistem terkomputerisasi online untuk membantu perencana dan pelaksana pertanian. Sistem ini dapat membantu perencana dan pelaksana pertanian dengan memberikan keluaran tentang kesesuaian lahan dan faktor penghambat yang ada berdasarkan jenis tanaman yang akan ditanam dan karakteristik lahan yang akan ditanami. Sistem ini juga akan memberikan saran manajerial untuk mengatasi faktor-faktor penghambat yang ada. Penentuan kesesuaian lahan dan saran yang akan diberikan merupakan hasil pengolahan pengetahuan pada basis pengetahuan yang diakuisisi dari beberapa pakar.

Selain tujuan utama yang ingin dicapai tersebut, penulis juga merumuskan beberapa tujuan lainnya yang ingin dicapai, yaitu :

1. Identifikasi kebutuhan informasi dan data petani dalam mengenali kesesuaian lahan

untuk tanaman pangan berdasarkan karakteristik lahan tersebut.

2. Identifikasi faktor-faktor yang terkait dalam penentuan kesesuaian lahan.

3. Membandingkan karakteristik dan kualitas lahan dengan persyaratan penggunaan

(35)

4. Menghasilkan sistem pakar yang dapat memberi anjuran yang bersifat manajerial

tentang perbaikan sifat tanah yang diperlukan supaya dapat menghasilkan kelas kesesuaian lahan terbaik.

5. Membantu petani dalam menentukan karakteristik dan lokasi lahan yang sesuai

dengan jenis tanaman pangan yang diinginkan.

6. Membantu pekerjaan petugas pertanian dalam memberikan penyuluhan kepada petani

mengenai pemilihan jenis tanaman pangan sesuai dengan karakteristik lahan yang akan diolah.

Terdapat beberapa manfaat yang diharapkan dapat diperoleh melalui pembuatan sistem pakar untuk penentuan kesesuaian lahan untuk jenis tanaman pangan. Beberapa manfaat yang dapat diperoleh antara lain adalah :

1. Mengurangi resiko terjadinya kesalahan pemilihan jenis tanaman pangan yang akan

ditanam pada suatu lahan tertentu.

2. Menambah pengetahuan perencana dan pelaksana pertanian tentang cara-cara

manajerial untuk mengatasi berbagai faktor penghambat yang dimiliki oleh lahan mereka.

3. Menambah pengetahuan perancana dan pelaksana pertanian tentang karakteristik

lahan dan lokasi yang sesuai dengan jenis tanaman pangan yang mereka inginkan.

4. Mempermudah akses petani dan pelaksana pertanian dalam mengakses pengetahuan

para pakar karena sistem yang dihasilkan berbasis web dan dapat diakses secara online.

(36)

Ruang Lingkup

Ruang lingkup penelitian ini adalah sebagai berikut :

1. Sistem pakar dirancang khusus untuk 14 tanaman pangan : padi sawah, padi gogo,

jagung, sorgum, gandum, ubi kayu, ubi jalar, talas, iles-iles, kedelai, kacang hijau, kacang tanah, kacang tunggak, kacang arab.

2. Sistem pakar dirancang untuk menentukan kesesuaian lahan yang berjenjang dengan

faktor pembatasnya.

3. Terdapat 19 parameter yang akan digunakan untuk menentukan kesesuaian lahan,

dimana dua diantaranya merupakan parameter pengganti, yaitu TBE dan bahaya banjir. Parameter lain yang akan digunakan adalah : suhu, curah hujan, kedalaman efektif, kedalaman sulfidik, bahan kasar, KTK, kejenuhan basa, pH, C-Organik, salinitas, sodisitas, tekstur, drainase, lereng, kematangan dan ketebalan gambut, serta tinggi air tanah.

4. Pemberian rekomendasi perbaikan hanya untuk aspek manajerial.

5. Rekomendasi perbaikan untuk peningkatan kesesuaian lahan hanya dapat dilakukan

pada karakteristik lahan yang tidak tergantung pada kondisi alam. 6. Software yang akan digunakan adalah PHP.

7. Pengujian keluaran sistem pakar dilakukan dengan laporan penelitian survei tanah

(37)

II. LANDASAN

TEORI

2.1 Manajemen Pengetahuan (Knowledge Management)

Manajemen pengetahuan (knowledge management) merupakan suatu model gabungan berbagai aspek pengetahuan dalam suatu perusahaan. Oleh karena itu di dalam manajemen pengetahuan termasuk penciptaan, pengkodean, dan pendistribusian pengetahuan. Manajemen pengetahuan juga dapat diartikan sebagai proses pengumpulan dan penggunaan pengetahuan-pengetahuan dalam perusahaan, baik yang berupa pengetahuan-pengetahuan tertulis (dokumen, laporan, basis data) maupun pengetahuan yang berada pada pikiran pekerja di perusahaan tersebut (Awad dan Ghaziri, 2004).

2.1.1 Akuisisi Pengetahuan (Knowledge Aquisition)

Akuisisi pengetahuan merupakan salah satu tahap penting dalam pengembangan sistem pakar, oleh karena itu keberadaannya perlu didukung oleh sistem pengetahuan dasar (knowledge based system). Pada tahap akuisisi pengetahuan inilah dilakukan proses pengumpulan pengetahuan dari para pakar oleh perekayasa pengetahuan atau knowledge engineer (KE), yang akan dimasukkan dalam sistem berbasis pengetahuan (knowledge based system), atau dapat dikatakan sebagai proses penyerapan pengetahuan. Teknik penyerapan pengetahuan sendiri pada dasarnya terdiri dari dua bagian utama, yaitu identifikasi proyek dan penyerapan pengetahuan. Penyerapan pengetahuan dari pakar ini dapat diperoleh oleh KE melalui wawancara dan berbagai macam metode lainnya, seperti observasi dan diskusi masalah. Selama proses akuisisi pengetahuan, seorang KE harus sabar, komunikatif dan juga kreatif, karena pakar seringkali sulit mengekspresikan proses penyelesaian suatu masalah. Selain itu seorang KE merupakan orang

(38)

yang memiliki latar belakang pengetahuan tentang komputer dan kecerdasan buatan serta mengerti cara pengembangan sistem pakar (Marimin, 2007).

Sebagai salah satu elemen dalam sistem pakar, fasilitas akuisisi pengetahuan digunakan sebagai alat untuk mengisi atau mendapatkan pengetahuan, fakta, aturan, dan model yang diperlukan oleh sistem pakar dari berbagai sumber (Marimin, 2007), seperti :

Akuisisi pengetahuan dari para pakar.

Pengorganisasian dari beberapa buku, jurnal, data, dasar dan media lain yang relevan dengan ruang lingkup sistem pakar yang akan dikembangkan.

Penyeleksian hasil deduksi dan induksi dari pengetahuan yang sudah tersimpan dalam

sistem pakar atau yang berupa pengalaman itu sendiri.

Tahapan dalam proses akuisisi pengetahuan yang diperlukan untuk menyusun sistem pakar cukup beragam, tapi pada umumnya tidak terlepas dari kaitan ilmu-ilmu kognitif dan teknik kecerdasan buatan atau dengan kata lain tergantung dari sistem informasi, sistem deduksi dan sistem operasi. Dalam Marimin (2007), proses akuisisi pengetahuan terdiri dari tiga tahap, yaitu komunikasi, formulasi atau implementasi parsial (permodelan pengetahuan), dan tahap validasi (keabsahan data sistem dan interpretasi pengetahuan), seperti dapat dilihat pada Gambar 1. Ketiga tahap tersebut penting dalam penentuan keseluruhan implementasi dari sistem pakar yang dikembangkan.

(39)

2.1.2 Representasi Pengetahuan (Knowledge Representation)

Representasi pengetahuan merupakan bagian yang memuat obyek-obyek pengetahuan serta hubungan yang dimiliki antar obyek tersebut. Obyek-obyek pengetahuan ini akan disimpan dalam basis pengetahuan (knowledge based). Basis pengetahuan merupakan sumber kecerdasan sistem yang dimanfaatkan oleh mekanisme inferensi untuk mengambil kesimpulan (Marimin, 2007).

Basis pengetahuan terdiri dari basis pengetahuan statis dan basis pengetahuan dinamik. Basis pengetahuan statis dapat juga disebut sebagai basis pengetahuan deklaratif, yang memuat informasi tentang obyek, peristiwa, dan juga situasi. Basis pengatahuan seperti ini dapat direpresentasikan dalam bentuk kalkulus predikat, frames, dan jaringan semantik. Sedangkan basis pengetahuan dinamik dapat juga disebut sebagai basis pengetahuan prosedural yang dapat direpresentasikan dalam bentuk pattern invocked program, kaidah produksi, dan representasi logik. Basis pengetahuan dinamik memuat tentang cara membangkitkan fakta atau hipotesa baru dari fakta yang sudah ada.

Pembentukan basis pengetahuan didasarkan pada strategi konvensional dan otomatis. Strategi konvensional membentuk pengetahuan terstruktur dan digunakan jika ranah pengetahuan bersifat kompleks dan pengguna perlu mengetahui proses penalaran. Strategi konvensional biasanya digunakan untuk pembentukan sistem pakar pelatihan. Strategi otomatis dibentuk melalui proses analogi yang dapat dilaksanakan dengan jaringan neural artifisial dan digunakan apabila ranah pengetahuan dan kaidah empiris bersifat sederhana. Contoh penggunaan strategi otomatis adalah pada pembentukan sistem pakar untuk masalah prakiraan cuaca.

Beberapa alternatif representasi pengetahuan menurut Ignizio (1991) adalah sebagai berikut :

(40)

OAV Triplet (Objek-Atribut-Value)

OAV triplet atau objek-atribut-nilai merupakan cara untuk menggambarkan fakta tertentu dalam basis pengetahuan dan dapat diperluas membentuk jaringan semantik. Objek dapat berupa fisik atau konsep, sedangkan atribut merupakan karakteristik dari objek, dan nilai merupakan sifat tertentu dari objek (Marimin, 2007). Contoh dari representasi pengetahuan dalam bentuk OAV triplet adalah :

Pete Jones mempunyai penghasilan Rp. 5000000, 00 Pete Jones sebagai objek,

Mempunyai penghasilan sebagai atribut, Rp. 5000000, 00 sebagai nilai.

Jaringan Semantik (Semantic Network)

Jaringan semantik merupakan jaringan yang terbentuk dari beberapa OAV, seperti terlihat pada Gambar 2. Jaringan semantik dapat digunakan untuk representasi dari beberapa objek dimana masing-masing objek mempunyai beberapa atribut. Karena suatu objek dapat diturunkan menjadi objek anak, maka setiap penurunan tersebut juga akan disertai dengan penurunan atribut dari parent kepada objek anaknya. Untuk menghemat memori, atribut yang diturunkan dari parent kepada child tidak perlu dituliskan lagi pada saat menjelaskan tentang objek anak (Ignizio, 1991).

(41)

Frame

Frame merupakan perluasan dari jaringan semantik karena dapat menggambarkan suatu objek dari berbagai macam aspek. Pada frame, objek-objek pengetahuan disusun secara hirarki. Setiap objek direpresentasikan dalam bentuk 1 frame, dimana informasi tentang objek tersebut akan dituliskan dalam bentuk slot-slot. Slot yang terdapat pada frame biasanya berupa atribut atau nilai dari objek, dan dapat mengandung nilai, pointer ke frame lain, atau sekumpulan aturan (rules) yang dapat diimplementasikan.

Representasi pengetahuan dengan menggunakan frame dapat memberikan gambaran yang lebih jelas tentang objek pengetahuan serta sangat baik bila digunakan pada perancangan sistem pakar yang besar dan kompleks, terutama yang mengandung banyak fakta. Namun disamping kelebihannya itu, frame juga memiliki kekurangan yang justru timbul karena kemampuannya dalam menggambarkan objek pengetahuan. Penggunaan frame pada umumnya memerlukan masa training yang cukup lama, mengingat bahwa user sulit memahami konsep frame . Gambar 3 berikut ini adalah contoh representasi objek pengetahuan dengan menggunakan frame :

Gambar 3. Representasi objek DOG dengan menggunakan frame (Ignizio, 1991)

Statement Logika (Logic Statement)

Statement logika merupakan cara representasi pengetahuan dengan notasi logika. Ada dua macam bentuk statement logika yang umum digunakan, yaitu logika proposisional dan predikat kalkulus. Proposisional merupakan pernyataan yang dapat bernilai benar atau salah,

(42)

dimana beberapa proposisional dapat digabungkan dengan menggunakan operator AND, OR, NOT, dan EQUIVALENT.

Predikat kalkulus merupakan perluasan dari logika proporsisional. Dimana elemen dasar pada predikat kalkulus adalah objek dan predikat itu sendiri. Predikat memberikan informasi tentang objek atau menggambarkan hubungan antara objek dengan apa yang dimiliki oleh objek tersebut. Contoh dari penggunaan predikat kalkulus dalam menggambarkan suatu objek adalah sebagai berikut :

4 kaki (anjing), dibaca ”anjing mempunyai 4 kaki”, dimana : anjing merupakan objek,

4 kaki merupakan predikat..

Kakak(Joan, Jack), dibaca ”Joan adalah kakak dari Jack”, dimana : Joan, Jack, merupakan objek,

Kakak merupakan predikat.

Jaringan Neural (Neural Network)

Jaringan neural merupakan menggambarkan upaya seseorang untuk menduplikasi pengetahuan dalam otak manusia. Pengetahuan-pengetahuan akan disimpan dalam neuron dimana akan ada banyak sekali neuron dan masing-masing neuron akan berhubungan satu sama lain sehingga membentuk jaringan. Konsep jaringan neuron ini mulai digunakan untuk merepresentasikan pengetahuan secara otomatis, dimana contoh persoalan akan dideskripsikan oleh ahli dan perekayasa akan memberikan bobot hubungan antar neuron sesuai dengan tingkat keeratan dan kepentingannya.

(43)

2.1.3 Mekanisme Inferensi (Inference Engine)

Mekanisme inferensi merupakan komponen terpenting dalam sistem pakar yang akan memanipulasi dan mengarahkan pengetahuan pada basis pengetahuan untuk mencapai kesimpulan. Kesimpulan atau solusi yang dihasilkan oleh sistem pakar diperoleh melalui pengujian fakta dan kaidah yang ada pada basis pengetahuan. Mekanisme inferensi juga dapat menambahkan fakta baru ke dalam basis pengetahuan jika diperlukan.

Terdapat dua strategi dalam mesin inferensi, yaitu strategi penalaran dan strategi pengendalian. Strategi penalaran dapat dibagi lagi menjadi strategi penalaran pasti (Exact Reasoning Mechanism) dan strategi penalaran tidak pasti (Inexact Reasoning Mechanism). Modus ponens, modus tollens, dan beberapa teknik resolusi, merupakan contoh dari strategi penalaran pasti.

Strategi pengendalian digunakan untuk pencarian atau pembuktian bahwa solusi dari suatu persoalan ada atau benar. Terdapat dua teknik pengendalian yang sering digunakan pada sistem pakar, yaitu mata rantai ke depan (Forward Chaining) dan mata rantai ke belakang (Backward Chaining). Apapun teknik pengendalian yang digunakan, dalam implementasinya dipengaruhi oleh teknik penelusuran yang digunakan. Beberapa teknik penelusuran yang dapat digunakan adalah depth-first search (dfs), breadth-first search (bfs), dan best-first search (befs). Dfs merupakan teknik penelusuran secara vertikal pada setiap cabang simpul pada ruang solusi. Dalam penggunaan dfs, sulit diketahui berapa dalam harus mencari solusi atau kegagalan dalam mencari pemecahan sebelum kembali ke titik sebelumnya. Bfs merupakan teknik penelusuran secara horisontal, pada setiap tingkat pada suatu struktur ruang solusi. Dengan menggunakan bfs maka memungkinkan ditemukannya solusi dengan lintas terpendek. Namun bila ternyata solusi tidak ada, maka akan diperlukan ruang solusi yang sangat besar dan diperlukan waktu

(44)

penelusuran yang sangat besar pula. Befs adalah teknik penelusuran yang menggabungkan antara dfs dan bfs.

2.2 Sistem Pakar (Expert System)

Sistem pakar merupakan salah satu cabang dari kecerdasan buatan (artificial intelligent) yang mulai berkembang sejak tahun 1970-an seiring dengan mulai diterimanya paradigma berbasis pengetahuan (knowledge-based). Keberhasilan dari beberapa prototipe sistem pakar yang terus berkembang sejak tahun 1970, antara lain adalah MYCIN (untuk mendiagnosa kesehatan), DENDRAL (untuk mengidentifikasikan bahan kimia), dan PROSPECTOR (untuk menganalisis mineral).

Pada dasarnya perkembangan sistem pakar sendiri meliputi area yang cukup luas dan melibatkan beberapa kejadian. Diawali pada tahun 1943, dengan adanya model yang dihasilkan oleh McCulloch dan Pitts Neuron, tentang post production rules, yang kemudian dilanjutkan dengan kejadian dan proyek lainnya. Hingga pada akhir tahun 1950 dan awal tahun 1960, dimana sudah terdapat banyak program yang dibuat dengan tujuan membantu penyelesaian masalah. Salah satu program yang paling populer pada saat itu adalah program General Problem Solver yang dibuat oleh Newell dan Simon, yang menggunakan tipe aturan produksi yang ditulis dalam bentuk IF-THEN.

2.2.1 Definisi Sistem Pakar

Sistem pakar merupakan salah satu cabang kecerdasan buatan yang meniru cara berpikir seorang pakar dalam menyelesaikan masalah, membuat keputusan, atau mengambil kesimpulan dari sejumlah fakta (Handojo, Irawan, dan Ongko, 2004). Giarratano dan Riley (1998) menyebut sistem pakar sebagai sistem komputer yang dapat melakukan emulasi terhadap kemampuan

(45)

membuat keputusan dari seorang pakar. Kemampuan melakukan emulasi ini membuat sistem pakar dapat merespon dan bertingkah laku dalam segala aspek, seperti halnya seorang manusia yang pakar dalam suatu hal. Oleh karena itu emulasi dikatakan lebih baik daripada simulasi yang hanya merespon sesuatu dari aspek-aspek tertentu saja.

Pakar adalah seseorang yang mempunyai keahlian kusus atau keahlian dalam suatu bidang tertentu (Giarratano dan Riley, 1998). Keahlian yang dimiliki oleh seorang pakar tidak banyak diketahui oleh orang lainnya. Sehingga biasanya seorang pakar dapat menyelesaikan masalah dengan cara yang lebih efisien dibandingkan dengan orang lain pada umumnya.

Sebuah sistem pakar akan menyimpan dan mengelola keahlian atau pengetahuan dari seorang pakar. Selain itu pengetahuan yang ada pada sistem pakar juga dapat berasal dari buku dan juga majalah, atau sumber-sumber tertulis lainnya. Karena itulah pula, sistem pakar juga dapat disebut sebagai sistem berbasis pengetahuan. Pengetahuan yang dimiliki oleh sistem pakar yang akan digunakan untuk mengolah fakta-fakta dari pengguna sehingga dapat dihasilkan suatu kesimpulan yang akan diberikan kembali kepada penggunanya. Kesimpulan itu dapat dianggap sebagai hasil dari konsultasi yang diberikan oleh seorang pakar. Fungsi dasar sistem pakar dapat dapat dilihat pada Gambar 4.

Sistem Pakar

Fakta

Kesimpulan

Gambar 4. Fungsi dasar sistem pakar (Giarratano dan Riley, 1998)

Pengetahuan seorang pakar biasanya fokus pada suatu domain tertentu, yang disebut

dengan problem domain (Giarratano dan Riley, 1998). Problem domain adalah masalah khusus

Pengguna

Knowledge Base (Basis Pengetahuan)

Inference Enginee (Penarikan Kesimpulan)

(46)

pada suatu area tertentu seperti pengobatan, pertanian, ilmu pengetahuan, dan keuangan. Sistem pakar biasanya dirancang pada satu problem domain tertentu. Problem domain disini tidak termasuk kemampuan khusus dari pakar untuk menyelesaikan masalah-masalah yang berkaitan dengan domain tersebut. Pengetahuan seorang pakar untuk menyelesaikan masalah khusus yang timbul pada suatu domain tertentu disebut dengan knowledge domain. Contoh dari knowledge domain dari problem domain pertanian adalah pengetahuan pakar untuk mengenali gejala-gejala kerusakan tanaman karena serangan hama dan bagaimana mengatasi serangan tersebut. Hubungan antara problem domain dan knowledge domain dapat digambarkan seperti terlihat pada Gambar 5.

Gambar 5. Hubungan domain pengetahuan dan domain masalah (Giarratano dan Riley, 1998)

2.2.2 Keuntungan Sistem Pakar

Penerapan sistem pakar dalam kehidupan sehari-hari dapat mempunyai motivasi yang berbeda-beda. Pada umumnya penerapan sistem pakar didasarkan atas motivasi untuk mendapatkan saran dari pakar kapan saja diperlukan mengingat kesibukan dan aktivitas pakar yang mungkin bisa sangat padat. Menurut Giarratano. dan Riley (1998), penerapan sistem pakar dalam kehidupan sehari-hari sendiri mempunyai beberapa keuntungan, seperti :

Memungkinkan pengetahuan dan keahlian dari para pakar dapat diperoleh melalui

berbagai macam jenis piranti keras.

Mengurangi biaya yang diperlukan untuk konsultasi dengan pakar setiap kali ada masalah yang harus diselesaikan.

Problem Domain

(47)

Mengurangi bahaya karena sistem pakar dapat diterapkan pada kondisi dan situasi yang

berbahaya bagi seorang pakar.

Pengetahuan yang dimiliki bersifat permanen, karena pengetahuan yang sudah disimpan

pada sistem pakar tidak mungkin dapat hilang, habis, atau rusak.

Memungkinkan untuk menggabungkan pengetahuan dan keahlian beberapa pakar secara

bersamaan untuk menyelesaikan suatu masalah.

Meningkatkan kehandalan karena sistem pakar dapat menjaga kebenaran kesimpulan atau

saran yang diberikan, sebab sistem pakar tidak mungkin merasa lelah dan tidak terpengaruh kondisi emosional.

Sistem pakar dapat memberikan penjelasan terhadap kesimpulan atau saran yang

diberikan.

Memberikan respon yang cepat terhadap masalah yang dimasukkan oleh penggunanya.

Sistem pakar dapat menjadi tutor yang memiliki kecerdasan, yang dapat menjelaskan

proses dan tahapan pengambilan kesimpulan.

Sistem pakar merupakan basis data yang cerdas karena dapat mengakses basis data

dengan cara-cara yang cerdas.

2.2.3 Karakteristik Sistem Pakar

Beberapa karakteristik sistem pakar menurut Giarratano dan Riley (1998), adalah:

Kinerja yang tinggi

Dapat merespon sesuatu dengan cepat.

Memiliki tingkat kehandalan yang tinggi.

Memberikan penjelasan tentang tahapan yang dilalui untuk menghasilkan kesimpulan.

(48)

Memberikan daftar semua alasan yang diperlukan untuk menghasilkan suatu kesimpulan.

2.2.4 Elemen Sistem Pakar

Giarratano dan Riley (1998) menyatakan bahwa sebuah sistem pakar terdiri dari beberapa komponen, seperti :

Antar Muka Pengguna (User interface)

Tatap muka pengguna atau user interface merupakan tampilan sistem pakar, tempat dimana pengguna dan sistem pakar dapat saling berkomunikasi.

Fasilitas Penjelasan (Explanation facility)

Fasilitas penjelasan atau explanation facility merupakan fasilitas pada sistem pakar yang menjelaskan tentang alasan-alasan suatu kesimpulan dihasilkan.

Memori Kerja (Working memory)

Memori kerja atau working memory merupakan basis data global berisi fakta-fakta yang dimasukkan oleh pengguna.

Mekanisme Inferensi (Inference engine)

Mekanisme inferensi atau inference engine merupakan suatu mekanisme untuk menghasilkan kesimpulan dengan memilih aturan-aturan yang ada pada basis pengetahuan yang dianggap sesuai dengan fakta yang dimasukkan oleh pengguna. Mekanisme inferensi juga akan memberikan prioritas kepada setiap aturan yang dipilih dari basis pengetahuan tadi.

Agenda

Agenda adalah daftar aturan dengan prioritas tinggi yang dibuat oleh mekanisme pengetahuan. Aturan yang berada pada agenda adalah aturan yang sesuai dengan fakta-fakta yang diberikan oleh pengguna.

(49)

Fasilitas Akuisisi Pengetahuan (Knowledge acquisition facility)

Merupakan fasilitas yang memungkinkan pengguna untuk memasukkan pengetahuan ke dalam sistem, disamping pengetahuan-pengetahuan yang sebelumnya sudah dimasukkan oleh KE. Fasilitas ini merupakan fasilitas tambahan dan bukan fasilitas wajib dalam sistem pakar.

Gambar 6 berikut ini menampilkan stuktur dan hubungan antar elemen pada sistem pakar.

Gambar 6. Hubungan antar elemen dalam sistem pakar (Giarratano dan Riley, 1998)

2.2.5 Tahapan Pengembangan Sistem Pakar

Beberapa penulis menggambarkan tahapan pengembangan sistem pakar secara berbeda-beda. Namun pada intinya semua proses pengembangan sistem pakar akan melalui tahap pembentukan basis pengetahuan yang akan diperoleh melalui akuisisi dan representasi pengetahuan. Giarratano dan Riley (1998) menggambarkan tahapan pengembangan sistem pakar secara lebih sederhana, hanya melalui melalui 3 tahap. Namun penggambaran seperti ini masih sangat umum sehingga tidak dapat menunjukkan secara jelas sub-proses yang terjadi pada masing-masing tahap.

Tahapan ini dapat diperjelas dengan menggambarkan setiap sub-proses yang diperlukan dalam pembentukan basis pengetahuan. Marimin (2007) menggambarkan tahapan pengembangan sistem pakar menjadi delapan tahap seperti terlihat pada Gambar 7.

(50)

Gambar 7. Tahapan pengembangan sistem pakar (Marimin, 2007)

2.3 Sistem Fuzzy

Gugus fuzzy pertama kali diperkenalkan oleh Profesor L. A. Zadeh pada tahun 1965.

Profesor Zadeh mengembangkan gugus fuzzy dari gugus biasa. Beliau juga mengembangkan logika fuzzy untuk memanipulasi fuzzy set.

Meskipun pada awal perkembangannya gugus fuzzy tidak terlalu diperhatikan, namun akhir-akhir ini perkembangan penggunaan gugus fuzzy sudah semakin pesat. Hal ini ditandai dengan makin banyaknya peneliti dalam bidang matematikan dan teknik yang melakukan penelitian tentang sistem fuzzy.

Dalam bahasa manusia banyak hal yang mengandung ketidakpastian (ambiguity), seperti misalnya pengalaman seseorang, kemampuan seseorang dalam melakukan analisis sebelum akhirnya mengambil suatu kesimpulan. Dalam kasus-kasus seperti ini kehadiran komputer yang dirancang untuk dapat membantu pekerjaan manusia, kurang efektif karena komputer tidak mengerti tentang bahasa manusia dengan segala ketidakpastian yang terkandung di dalamnya. Maka dari itu diperlukan suatu cara atau teknik yang dapat mengartikan ketidakpastian dalam

(51)

Permasalahan Nyata

Representasi Natural

Solusi Defuzzifikasi Komputasi Secara Fuzzy

Fuzzifikasi

bahasa manusia menjadi bahasa yang dapat dimengerti oleh komputer, sehingga komputer akan dapat menjalankan fungsinya secara optimal.

Gugus fuzzy merupakan piranti yang tepat untuk mengekspresikan ketidakpastian. Gugus fuzzy merupakan media komunikasi yang berbicara mengenai logika alami dan kompleksitas diantara manusia dan pengetahuan sosial.

Sistem fuzzy merupakan penduga numerik yang terstruktur dan dinamik. Sistem ini

mempunyai kemampuan untuk mengembangkan sistem intelijen dalam lingkungan yang tidak

pasti, dengan menduga suatu fungsi dengan logika fuzzy. Logika fuzzy sering menggunakan

informasi linguistik dan verbal. Terdapat beberapa proses dalam logika fuzzy, yaitu : penentuan gugus fuzzy, penerapan aturan if-then, proses inferensi fuzzy. Gambar 8 dibawah ini menunjukkan alur penyelesaian masalah dengan logika fuzzy.

Gambar 8. Alur penyelesaian masalah dengan logika fuzzy (Marimin, 2007)

2.3.1 Himpunan Fuzzy

Gugus fuzzy dikembangkan dari gugus biasa, hanya saja pada gugus fuzzy terdapat derajat keanggotaan dari suatu elemen x dari gugus universal X, tercakup di dalam gugus fuzzy A. Fungsi yang menyatakan derajat keanggotaan terhadap sebuah elemen x dalam sebuah gugus disebut fungsi keanggotaan (membership function).

(52)

Nilai atau derajat keanggotaan yang diberikan kepada suatu elemen x oleh fungsi keanggotaan akan berada pada range 0-1 dan sering dinyatakan dalam bentuk sebagai berikut : μA (x1) = 1, dibaca : nilai keanggotaan untuk elemen x1 pada gugus fuzzy A bernilai 1.

μA (x2) = 0.5, dibaca : nilai keanggotaan untuk elemen x2 pada gugus fuzzy A bernilai 0.5. μA (x3) = 0, dibaca : nilai keanggotaan untuk elemen x3 pada gugus fuzzy A bernilai 0.

Himpunan fuzzy dapat dinotasikan dalam bentuk pasangan berurutan. Dimana elemen

pertama menunjukkan nama elemen dan elemen kedua menunjukkan nilai keanggotaannya. Contoh penulisan himpunan fuzzy dari 3 elemen, sebagai pasangan berurutan adalah sebagai berikut :

A = {(1; 0.6); (2; 0.3); (3; 0.1)}

2.3.2 Fungsi Keanggotaan

Fungsi keanggotaan (membership function) adalah suatu kurva yang menunjukkan pemetaan titik-titik masukan data ke dalam nilai keanggotaannya (Kusumadewi, et al, 2006). Pada dasarnya terdapat dua macam cara untuk menentukan nilai keanggotaan dari himpunan fuzzy, yaitu secara numerik dan secara fungsi (Yan, Ryan, Power, 1994). Cara numerik menentukan tingkat fungsi keanggotaan pada suatu elemen sebagai vektor yang terdiri dari angka-angka dengan dimensi tergantung pada tingkat diskretisasi. Cara fungsi menentukan fungsi keanggotaan himpunan fuzzy dalam bentuk ekspresi yang memungkinkan yang memungkinkan pemberian nilai keanggotaan untuk setiap elemen dalam suatu universe untuk dikalkulasi.

Pada sistem fuzzy, terdapat beberapa fungsi keanggotaan yang dapat digunakan untuk pemberian nilai keanggotaan pada suatu elemen dalam himpunan fuzzy. Beberapa fungsi keanggotaan yang umum digunakan adalah fungsi-S, fungsi-π , kurva segitiga, kurva trapesium,

(53)

dan bentuk eksponensial (Yan, Ryan, dan Power, 1994). Berikut ini adalah penjelasan untuk masing-masing fungsi keanggotaan untuk himpunan fuzzy :

1. Representasi Linear

Pada representasi linear akan dihasilkan kurva berupa garis lurus. Garis ini terbentuk sebagai akibat dari pemetaan masukan ke derajat keanggotaan. Representasi linear memberikan gambaran fungsi keanggotaan yang paling sederhana dan dapat menjadi pilihan yang tepat untuk mendekati suatu konsep yang kurang jelas dan dapat dikelompokkan dalam dua macam fungsi, yaitu fungsi representasi naik dan fungsi representasi turun (Kusumadewi et al, 2006). Fungsi keanggotaan untuk representasi linear naik menghasilkan garis lurus yang bergerak menaik ke nilai domain yang lebih besar seperti terlihat pada Gambar 9, dinyatakan denga rumus sebagai

berikut : 0; x ≤ a

μ(x) = (x-a)/(b-a); a ≤ x ≤ b

1; x ≥ b

Gambar 9. Kurva representasi linear naik (Kusumadewi et al, 2006)

Fungsi keanggotaan untuk representasi linear turun menghasilkan garis lurus yang bergerak menurun ke nilai domain yang lebih kecil seperti terlihat pada Gambar 10 dan dinyatakan dengan rumus sebagai berikut :

(b-x)/(b-a); a ≤ x ≤ b

μ(x) = 0; x ≥ b

(54)

Dengan a menyatakan batas bawah pada range nilai dan b menyatakan batas atas pada range nilai gugus fuzzy. Sedangkan x menyatakan elemen yang akan dicari nilai keanggotaannya dengan fungsi representasi linear.

2. Interval of Confidence

Nilai keanggotaan kepada suatu elemen x hanya dapat bernilai 1 bila x adalah anggota gugus fungsi fuzzy. Sedangkan nilai keanggotaan elemen x adalah 0, bila x bukan merupakan anggota gugus fuzzy.

3. Representasi Kurva Segitiga (Tringular Fuzzy Number /TFN)

Representasi kurva segitiga merupakan gabungan dari dua garis linear seperti terlihat pada Gambar 11. Fungsi keanggotaan untuk kurva segitiga dinyatakan sebagai berikut :

0; x ≤ a atau x ≥ c

μ(x) = (x-a)/(b-a); a ≤ x ≤ b

1; x = b

Gambar 11. Kurva segitiga (Kusumadewi et al, 2006)

Dengan a menyatakan batas bawah dari range nilai, b menyatakan nilai puncak pada kurva segitiga sekaligus titik tengah dari nilai a dan c, sedangkan c menyatakan nilai batas atas dari range nilai. X menyatakan elemen yang akan dicari nilai keanggotaannya.

4. Representasi Kurva Trapesium

Representasi kurva trapesium dapat dilihat pada Gambar 12 dan mempunyai fungsi keanggotaan sebagai berikut :

(55)

0; x < a atau x ≥ d

(x-a)/(b-a); a ≤ x < b

μ(x) = 1; b ≤ x < c

(d-x)/(d-c); c ≤ x < d

Gambar 12. Kurva trapesium (Kusumadewi et al, 2006)

Penjelasan untuk a,d sama dengan pada representasi kurva segitiga. Sedangkan c menyatakan nilai puncak pertama dari kurva yang terbentuk dan b menyatakan nilai puncak kedua pada kurva. 5. Representasi Kurva Bentuk Bahu

Kurva bentuk bahu digunakan untuk menyatakan daerah yang terletak pada tengah-tengah suatu variabel yang direpresentasikan dalam bentuk segitiga. Pada representasi kurva bahu akan ada sisi variabel yang tidak berubah. Sedangkan ‘bahu’ kiri bergerak dari benar ke salah dan ‘bahu’ kanan akan bergerak dari salah ke benar. Gambar 13 menunjukkan representasi kurva bentuk bahu.

Gambar 13. Daerah ’bahu’ pada kurva bentuk bahu (Kusumadewi et al, 2006)

6. Representasi Kurva-S

Kurva penyusutan dan pertumbuhan merupakan contoh representasi kurva-S atau kurva Sigmoid yang berkaitan dengan kenaikan dan penurunan permukaan secara tidak linear. Kurva

(56)

pertumbuhan akan bergerak menaik dari sisi paling kiri ke paling kanan. Sisi paling kiri akan mempunyai nilai keanggotaan 0 dan sisi paling kanan akan mempunyai nilai keanggotaan 1. Sedangkan kurva penyusutan akan bergerak dari paling kanan ke paling kiri. Representasi kurva-S dapat dilihat pada Gambar 14.

Gambar 14. Bentuk dan karakteristik kurva-S (Kusumadewi et al, 2006)

Ada tiga parameter yang digunakan untuk mendefinisikan kurva-S, yaitu nilai keanggotaan nol (α), nilai keanggotaaan lengkap (γ), dan titik infleksi atau crossover (β). Titik infleksi merupakan titik dimana memiliki domain 50% benar. Fungsi keanggotaan untuk kurva pertumbuhan adalah :

0; x ≤α

2 ((x - α)/(γ - α))2; α≤ x ≤β μ(x) = 1 - 2 ((γ - x)/(γ - α))2; β≤ x ≤γ

1; x ≥γ

Fungsi keanggotaan untuk kurva penyusutan adalah :

1; x ≤α

1 - 2 ((x - α)/(γ - α))2; α≤ x ≤β μ(x) = 2 ((γ - x)/(γ - α))2; β≤ x ≤γ

(57)

7. Representasi Kurva PI

Kurva PI merupakan salah satu kelas dari representasi kurva bentuk lonceng (Bell Curve).

Kurva PI mempunyai derajat keanggotaan 1 yang terletak pada pusat dengan domain (γ) dan

lebar kurva (β). Representasi kurva PI dapat dilihat pada Gambar 15. Fungsi keanggotaan untuk kurva PI adalah :

S (x ; γ - β ; γ - β/2 ; γ) ; x ≤γ ∏(x, β, γ) =

1 - S (x ; γ ; γ + β/2 ; γ + β) ; x > γ

Gambar 15. Representasi kurva PI (Kusumadewi et al, 2006)

8. Representasi Kurva BETA

Kurva BETA merupakan kurva bentuk lonceng yang didefinisikan dengan dua parameter,

yaitu nilai pada domain yang menunjukkan pusat kurva (γ) dan setengah lebar kurva (β).

Representasi kurva BETA dapat dilihat pada Gambar 16, dari gambar tersebut juga dapat dilihat bahwa fungsi keanggotaan mendekati nol hanya jika nilai β sangat besar. Fungsi keanggotaan untuk kurva BETA adalah :

B(x ; γ ; β) = 1 1 + x - γ 2

(1)

Proses inferensi yang digunakan pada tanah mineral hampir sama dengan tanah gambut. Perbedaannya terletak pada beberapa jenis parameter yang akan digunakan untuk proses penarikan kesimpulan.

Hasil perhitungan kesesuaian lahan pada SPPKL pada beberapa percobaan dengan data yang berbeda-beda dapat dilihat pada tabel 13, tabel 14, tabel 15, tabel 16 yang ditampilkan pada bab lima. Tabel 13 menunjukkan hasil penentuan kesesuaian lahan pada tanah gambut, sedangkan tabel 14 menunjukkan hasil penentuan kesesuaian lahan pada tanah mineral. Hasil pada kedua tabel tersebut diproses menggunakan rumus trapesium. Tabel 15 dan 16 menunjukkan hasil penentuan kesesuaian lahan menggunakan tanaman pangan pada tanah gambut dan mineral yang diproses menggunakan rumus Gauss.

Untuk menentukan kesesuaian lahan dengan jenis tanaman yang dipilih oleh pengguna, proses inferensi dilakukan dengan metode pencocokkan. Pencocokkan dilakukan antara data aktual parameter curah hujan dengan kesesuaian lahan secara umum yang diperoleh sebagai hasil proses inferensi tahap sebelumnya. Metode pencocokkan juga yang akan digunakan untuk menentukan keberadaan faktor penghambat yang dimiliki oleh suatu lahan.

Pada menu aplikasi penentuan kriteria lahan, teknik pengendalian yang digunakan adalah mata rantai ke belakang (backward chaining). Pada menu ini, pertama kali pengguna diminta untuk memasukkan jenis tanaman pangan yang diinginkan. Berdasarkan jenis tanaman pangan yang telah dimasukkan oleh pengguna, sistem akan mencari dan menampilkan persyaratan tumbuh tanaman dan lokasi sesuai untuk tanaman tersebut pada dua kabupaten di Jawa Timur, yaitu kabupaten Blitar dan Tulungagung.

Kompleksitas Sistem

Kompleksitas sistem pakar ini dihitung berdasarkan kode program dan ketersediaan data aktual dari pengguna sistem. Semakin lengkap data yang dapat disediakan pengguna, semakin cepat sistem ini akan bekerja. Pada saat pengguna tidak memiliki data untuk beberapa parameter, maka pengguna dapat meminta sistem untuk menampilkan parameter pengganti yang ada. Proses ini akan membuat dieksekusinya beberapa baris kode program, sehingga dapat dikatakan kompleksitas waktunya adalah О(n).

(2)

Implikasi Manajerial

Penerapan sistem pakar untuk menentukan kesesuaian lahan pada tanaman pangan ini membuat para pelaksana pertanian dapat menentukan kesesuaian lahan mereka untuk tanaman pangan. Pelaksana pertanian juga dapat menentukan kesesuaian antara lahan yang akan digunakan dengan jenis tanaman pangan yang akan mereka tanam berdasarkan nilai curah hujan, sebelum dimulainya proses penanaman. Selain itu sistem pakar ini juga dapat digunakan oleh para pelaksana pertanian yang ingin mengetahui persyaratan tumbuh tanaman pangan serta lokasi yang dirasa sesuai dengan jenis tanaman mereka.

Keberadaan sistem pakar ini dapat mempermudah penggunanya dalam menentukan nilai kesesuaian lahan, tanpa harus menunggu kehadiran seorang pakar atau mencocokkan antara karakter lahan mereka dengan persyaratan tumbuh tanaman. Sehingga para pengguna sistem ini akan dapat mengambil keputusan dengan lebih cepat dan efisien.

SPPKL ini dapat digunakan dan diakses oleh semua pelaksana pertanian yang mempunyai koneksi internet. Selain mempunyai koneksi internet, pengguna yang hendak mengakses SPPKL ini setidaknya harus mempunyai pengetahuan tentang cara mengakses halaman web, karena sistem pakar ini dibuat berbasiskan web. SPPKL ini cocok diterapkan pada berbagai kelompok pertanian yang sering kali perlu memberikan pengarahan kepada anggotanya tentang bagaimana melakukan penentuan kesesuaian lahan yang benar sebelum dimulainya proses penanaman. SPPKL ini juga cocok diterapkan pada perusahaan-perusahaan yang berfungsi sebagai produsen tanaman pangan atau hasil olahan tanaman pangan.

Sistem pakar ini juga dilengkapi dengan menu bantuan yang berisi cara penggunaan aplikasi dan berbagai menu lainnya yang berisi informasi terkait dengan proses penentuan kesesuaian lahan. Keberadaan menu-menu ini terutama ditujukan untuk pengguna yang masih awam dengan keberadaan aplikasi dan juga untuk pengguna yang masih awam dengan proses penentuan kesesuaian lahan. Dengan adanya menu-menu ini pengguna juga dapat melakukan troubleshooting secara mandiri pada saat ada kesulitan dalam menggunakan aplikasi ini.

(3)

VII. KESIMPULAN DAN SARAN

Berdasarkan penelitian yang telah dilakukan untuk merancang, mengimplementasikan, serta menguji Sistem Pakar Penentuan Kesesuaian Lahan Berdasarkan Faktor Penghambat Terbesar (Maximum Limitation Factor) Untuk Tanaman Pangan, dapat disimpulkan beberapa hal. Beberapa hal yang dapat disimpulkan adalah :

1. Sistem tidak akan menampilkan jenis-jenis tanaman pangan yang sesuai dengan karakter lahan pengguna, apabila pengguna tidak memasukan data aktual untuk parameter curah hujan.

2. Keberadaan nilai parameter pengganti dan nilai default yang disediakan sistem untuk parameter-parameter yang diperlukan dapat membantu pengguna yang kesulitan mendapatkankan nilai aktual untuk parameter yang diperlukan.

3. Selama pengguna menggunakan nilai default parameter yang disediakan sistem maka akan dihasilkan nilai kesesuaian lahan kurang sesuai.

4. Lahan yang dapat digunakan untuk pertanian tanaman pangan hanya lahan yang memenuhi persyaratan tertentu.

5. Perbaikan kondisi karakteristik dan kualitas tanah tertentu dapat meningkatkan kelas kesesuaian lahan tanah tersebut menjadi lebih baik.

6. Penentuan lokasi yang diberikan pada aplikasi ini masih sangat terbatas dan penentuan masih dilakukan secara umum. Hal ini disebabkan karena adanya keterbatasan sumber data, berupa laporan-laporan dan basis data tentang kesesuaian lahan pada tanaman pangan golongan serealia, kacang-kacangan, dan umbi-umbian.

7. Penggunaan metode maksimum pada proses inferensi untuk tahap pengaplikasian metode implikasi dan komposisi semua keluaran membuat sistem akan selalu mengambil nilai terbesar dari seluruh nilai yang ada.

8. Nilai penyimpangan pada hasil yang diberikan sistem menunjukan bahwa pembulatan yang dilakukan dalam proses perhitungan tahapan FIS secara akumulatif dapat mempengaruhi nilai tunggal hasil defuzzifikasi.

9. Sistem akan dapat langsung memberikan keluaran bahwa lahan tidak sesuai digunakan untuk tanaman pangan dan pengguna tidak perlu melanjutkan pengisian nilai untuk parameter lainnya apabila nilai parameter penentu pada masing-masing jenis tanah

(4)

melebihi persyaratan yang ditentukan. Hal ini tentunya akan dapat meningkatkan efisiensi waktu dalam menggunakan sistem.

10.Sistem hanya dapat memberikan jenis-jenis faktor penghambat tanpa menentukan tingkat dari masing-masing faktor penghambat.

11.Sesuai dengan prinsip-prinsip perancangan user interface, maka sistem ini dibuat sedemikian rupa untuk dapat membantu pengguna dalam mengoperasikan aplikasi dengan adanya keterangan yang menjelaskan range nilai yang dapat dimasukan untuk setiap parameter beserta satuannya.

12.Untuk mempermudah pengguna, maka sistem ini juga dilengkapi dengan pesan kesalahan yang akan ditampilkan pada saat pengguna memasukan nilai parameter yang melebihi range nilai yang ditentukan.

13.Untuk meminimalisasikan ketidak sesuaian hasil yang diberikan sistem, pengguna tidak dapat melanjutkan ke tahap selanjutnya selama masih ada nilai parameter yang melebihi range nilai yang ditentukan.

Berdasarkan hasil penelitian yang diperoleh masih terdapat beberapa kekurangan dalam penelitian ini. Dari kekurangan-kekurangan yang dimiliki tersebut, dapat diberikan beberapa saran perbaikan yang sekiranya dapat diterapkan pada penelitian selanjutnya. Saran-saran yang dapat diterapkan untuk penelitian selanjutnya adalah :

1. Sistem pakar penentuan kesesuaian lahan berdasarkan faktor penghambat terbesar ini sekiranya dapat dikembangkan sehingga dapat digunakan pada tanaman pertanian lainnya seperti buah-buahan dan sayuran.

2. Penentuan hasil kesesuaian lahan dapat menggunakan lebih banyak parameter, baik yang terdiri dari parameter fisik maupun parameter kimia, sehingga diharapkan dapat memberikan hasil yang lebih akurat lagi dalam penentuan kesesuaian lahan.

(5)

DAFTAR PUSTAKA

Amien, I., Sosiawan, H., dan Susanti, E. Agroekologi dan Alternatif Pengembangan Pertanian di Kalimantan. Prosiding Temu Konsultasi Sumberdaya Lahan Untuk Pembangunan Wilayah Kalimantan. November 1997. Palangkaraya. Awad, E. M. and Ghaziri, H. M. 2004. Knowledge Management. Prentice Hall. New

Jersey.

Dariah, A., Agus, F., dan Maswar. Desember 2005. Kualitas Tanah Pada Lahan Usahatani Berbasis Tanaman Kopi (Studi Kasus di Sumberjaya, Lampung Barat). Jurnal Tanah dan Iklim. Nomor 23.

Dennis, A. 2002. Networking in The Internet Age. John Willey & Sons, Inc. USA. Djaenudin, D., Marwan, H., A. Hidayat. et al. 2003. Petunjuk Teknis Evaluasi Lahan

Untuk Komoditas Pertanian. Balai Penelitian Tanah, Puslitbangtanah. Bogor.

Giarratano, J dan Riley, G. 1998. Expert Systems Principles and Programming. Third Edition. PWS Publishing Company. USA.

Hardjowigeno, S. 2007. Ilmu Tanah. Akademika Pressindo. Jakarta.

Hardjowigeno, S dan Widiatmaka. 2007. Evaluasi Kesesuaian Lahan & Perencanaan Tataguna Lahan. Gadjah Mada University Press, Yogyakarta.

Hastuti, D. R. D dan Rahim, ABD. 2007. Pengantar, Teori, dan Kasus Ekonomika Pertanian. Penebar Swadaya. Depok.

Kusumadewi, S et al. 2006. Fuzzy Multi-Attribute Decision Making (Fuzzy MADM). Graha Ilmu. Yogyakarta.

Ignizio, P. J. 1991. Introduction to Expert Systems The Development and Implementation of Rule-Base Expert Systems. McGraw-Hill, Inc. Singapore. Marimin. 2007. Teori dan Aplikasi Sistem Pakar Dalam Teknologi Manajerial. IPB

Press. Bogor.

Mulyani, A., Sukarman, A. Hidayat, dan A. Abdurrachman. 2001. Peluang Pemanfaatan Lahan Tidur Untuk Meningkatkan Produksi Tanaman Pangan di Indonesia. Jurnal Litbang Pertanian.

Newcomer, E. 2002. Understanding Web Services. Addison Wesley. USA.

Prasetyo, B. H. dan Suriadikarta, B. A. 2006. Karakteristik, Potensi, dan Teknologi Pengelolaan Tanah Ultisol Untuk Pengembangan Pertanian Lahan Kering di Indonesia. Jurnal Litbang Pertanian.

(6)

[Proyek Pembangunan Penelitian Pertanian Indonesia dan Pusat Penelitian Tanah dan Agroklimat Badan Penelitian dan Pengembangan Pertanian Departemen Pertanian]. 1994. Panduan Survei Tanah. Bagian Pertama.

Ross, J. T. 1995. Fuzzy Logic With Engineering Application. McGraw-Hill, Inc. USA. Salokhe, G et al. FAO’s Role in Information Management and Dissemination

Challenges, Inovation, Success, Lesson Learned.( http://www.fao.org/). 17 Januari 2008.

Sargent, Robert G. 1998. Verification and Validation of Simulation Models. Proceedings of the 1998 Winter Simulation Conference. p 121-130.

Syafruddin, Kairupan, A., A. Negara, J. Limbongan. 2004. Penataan Sistem Pertanian dan Penetapan Komoditas Unggulan Berdasarkan Zona Agroekologi di Sulawesi Tengah. Jurnal Litbang Pertanian.

Wai, K. S. et al. 2005. Expert System in Real World Applications. (http://www.generation5.com/). 1 Desember 2008.

Yan, J., Ryan, M., Power, J., 1994. Using Fuzzy Logic. Prentice Hall

Sistem Pakar Penentuan Kesesuaian Lahan Berdasarkan Faktor Penghambat Terbesar (Maximum Limitation Factor) Untuk Tanaman Pangan

PROGRAM STUDI ILMU KOMPUTER

SEKOLAH PASCASARJANA

INSTITUT PERTANIAN BOGOR

PROGRAM STUDI ILMU KOMPUTER

SEKOLAH PASCASARJANA

INSTITUT PERTANIAN BOGOR

PROGRAM STUDI ILMU KOMPUTER

SEKOLAH PASCASARJANA

INSTITUT PERTANIAN BOGOR

PROGRAM STUDI ILMU KOMPUTER

SEKOLAH PASCASARJANA

INSTITUT PERTANIAN BOGOR

I.

PENDAHULUAN

II. LANDASAN

TEORI

VII.

KESIMPULAN DAN SARAN

DAFTAR PUSTAKA

Parts

Dokumen yang terkait

Evaluasi Kesesuaian Lahan Sawah untuk Beberapa Tanaman Pangan di Kecamatan Tanjung Morawa Kabupaten Deli Serdang

Evaluasi Kesesuaian Lahan Sawah Untuk Beberapa Tanaman Pangan di Kecamatan Tanjung Morawa Kabupaten Deli Serdang

Evaluasi Kesesuaian Lahan Metode Faktor Rating untuk Tanaman Tebu di Siondop Kecamatan Siais Kabupaten Tapanuli Selatan

Sistem Kesesuaian Lahan Tanaman Pangan Menggunakan Quick Basic

E-Palwi: sistem pakar penentuan tanaman palawija berdasarkan iklim dan kondisi lahan

this PDF file SISTEM PAKAR PENENTUAN KESESUAIAN LAHAN BERDASARKAN FAKTOR PENGHAMBAT TERBESAR (MAXIMUM LIMITATION FACTOR) UNTUK TANAMAN PANGAN | Sevani | Jurnal Informatika 1 PB

Tanaman yang dapat dihasilkan pada lahan

Wilayah Kesesuaian Lahan Tanaman Kapulag

Sistem Pakar Penentuan Style Pada Tanaman Bonsai Menggunakan Metode Certainty Factor

SISTEM PENDUKUNG PENGAMBILAN KEPUTUSAN BERBASIS WEB PENENTUAN JENIS TANAMAN PANGAN BERDASARKAN KARAKTERISTIK LAHAN SKRIPSI

Dukungan

Links

Sistem Pakar Penentuan Kesesuaian Lahan Berdasarkan Faktor Penghambat Terbesar (Maximum Limitation Factor) Untuk Tanaman Pangan

PROGRAM STUDI ILMU KOMPUTER

SEKOLAH PASCASARJANA

INSTITUT PERTANIAN BOGOR

PROGRAM STUDI ILMU KOMPUTER

SEKOLAH PASCASARJANA

INSTITUT PERTANIAN BOGOR

PROGRAM STUDI ILMU KOMPUTER

SEKOLAH PASCASARJANA

INSTITUT PERTANIAN BOGOR

PROGRAM STUDI ILMU KOMPUTER

SEKOLAH PASCASARJANA

INSTITUT PERTANIAN BOGOR

I.

PENDAHULUAN

II. LANDASAN

TEORI

VII.

KESIMPULAN DAN SARAN

DAFTAR PUSTAKA

Parts

Dokumen yang terkait

Evaluasi Kesesuaian Lahan Sawah untuk Beberapa Tanaman Pangan di Kecamatan Tanjung Morawa Kabupaten Deli Serdang

Evaluasi Kesesuaian Lahan Sawah Untuk Beberapa Tanaman Pangan di Kecamatan Tanjung Morawa Kabupaten Deli Serdang

Evaluasi Kesesuaian Lahan Metode Faktor Rating untuk Tanaman Tebu di Siondop Kecamatan Siais Kabupaten Tapanuli Selatan

Sistem Kesesuaian Lahan Tanaman Pangan Menggunakan Quick Basic

E-Palwi: sistem pakar penentuan tanaman palawija berdasarkan iklim dan kondisi lahan

this PDF file SISTEM PAKAR PENENTUAN KESESUAIAN LAHAN BERDASARKAN FAKTOR PENGHAMBAT TERBESAR (MAXIMUM LIMITATION FACTOR) UNTUK TANAMAN PANGAN | Sevani | Jurnal Informatika 1 PB

Tanaman yang dapat dihasilkan pada lahan

Wilayah Kesesuaian Lahan Tanaman Kapulag

Sistem Pakar Penentuan Style Pada Tanaman Bonsai Menggunakan Metode Certainty Factor

SISTEM PENDUKUNG PENGAMBILAN KEPUTUSAN BERBASIS WEB PENENTUAN JENIS TANAMAN PANGAN BERDASARKAN KARAKTERISTIK LAHAN SKRIPSI

Dokumen yang Anda mencari sudah siap untuk unduhkan