Implikasi Manajerial Fuzzy expert system for ectomycorrhizal fungi growth response effectiveness prediction on forestry tree
6 SIMPULAN DAN SARAN 6.1 Simpulan
Simpulan penelitian ini adalah: 1.
Implementasi rancang bangun sistem pakar dengan arsitektur ANFIS menghasilkan tingkat akurasi yang baik, ditunjukan dengan kecilnya nilai
MAPE, untuk Ekto1 adalah 1.47 , untuk Ekto2 adalah 1.29 dan untuk Ekto3 adalah 3.40.
2. Terdapat korelasi yang sangat erat antara data aktual fungi ektomikoriza
dengan hasil prediksi efektivitas respon tumbuh model. Nilai korelasi untuk Ekto1 adalah 0.998, untuk Ekto2 adalah 0.997, dan untuk Ekto3 adalah
0.999. Dari nilai korelasi yang dihasilkan dapat dikatakan bahwa 99 model dapat menduga nilai efektivitas respon tumbuh dengan sangat baik.
3. Metode pembelajaran hybrid dapat digunakan untuk menghasilkan
kesalahan pengujian testing error. Average testing error untuk data training Ekto1 adalah 0.53546, untuk Ekto2 adalah 0.49883, dan untuk
Ekto3 adalah 0.51323. Average testing error untuk data testing Ekto1 adalah 0.76223, untuk Ekto2 adalah 0.86549, dan untuk Ekto3 adalah
0.64546. 4.
Metode decision tree dengan algoritme CART dapat digunakan untuk menyeleksi faktor lingkungan pada prediksi efektivitas respon tumbuh
fungi ektomikoriza. Untuk model Ekto1 faktor lingkungan terpilih adalah kecocokan inang, suhu, dan Mg, untuk Ekto2 adalah kecocokan inang, Al,
P, dan K, untuk Ekto3 adalah kecocokan inang, N, dan Ca. 5.
Sistem pakar yang dibangun berhasil merumuskan basis pengetahuan dan basis aturan dalam memprediksi efektivitas respon tumbuh fungi
ektomikoriza dari tiga species fungi ektomikoriza berdasarkan faktor lingkungan hasil seleksi algoritme CART. Model Ekto1 memiliki 27 basis
aturan, model Ekto2 memiliki 81 basis aturan, dan model Ekto3 memiliki 27 basis aturan.