Pengujian Pakar Fuzzy expert system for ectomycorrhizal fungi growth response effectiveness prediction on forestry tree

Pada tahap pengujian sistem dilakukan, pakar diminta memberikan berbagai kombinasi input kepada sistem untuk kemudian dilihat outputnya. Hasil keluaran sistem akan dinilai oleh pakar. Pada Tabel 16 disajikan rincian perlakuan uji coba sistem pada model Ekto1, yaitu species S.columnare. Tabel 16 Pengujian pakar untuk model Ekto1 No Tanaman Inang Nilai input Nilai efektivitas Output sistem Pendapat Pakar 1. Sorea pinanga Suhu = 20 Mg = 2.9 44.7 Kurang Efektif Kurang Efektif 2. Sorea seminis Suhu = 17 Mg = 0.5 88.3. Efektif Efektif 3. Sorea javanica Suhu = 21 Mg = 2.2 45.4 Kurang Efektif Kurang Efektif 4. Gnetum gnemon Suhu = 31 Mg = 2.2 90.6 Efektif Efektif 5. Eucalyptus pellita Suhu = 19.9 Mg = 1.8 72.4 Cukup Efektif Cukup Efektif 6. Eucalyptus urophylla Suhu = 22 Mg = 1.8 86.1 Efektif Efektif Berdasarkan rangkuman pengujian pada Tabel 16 pada setiap kasus pakar menyetujui keluaran sistem, terutama dari kategori linguistik efektivitas respon tumbuh yang dihasilkan sistem. Sedangkan dari nilai persentase efektivitas respon tumbuh pakar tidak memberikan penilaian, karena hal ini tidak umum dilakukan pada percobaan mikoriza. Selain itu penentuan nilai persentase efektivitas respon tumbuh tergantung pada banyak hal, sehingga tidak umum memperkirakan nilai persentase efektivitas respon tumbuh berdasarkan hanya pada kecocokan inang, suhu, dan kandungan magnesium. Pada Tabel 17 disajikan rincian perlakuan uji coba sistem pada model Ekto2, yaitu species S.dictyosporum. Tabel 17 Pengujian pakar untuk model Ekto2 No Tanaman Inang Nilai input Nilai Efektivitas Output sistem Pendapat Pakar 1. S.pinanga P = 19 K = 0.5 Al = 3 94.2 Efektif Efektif 2. S.seminis P = 19 K = 0.4 Al = 2.1 96.2 Efektif Efektif 3. S.javanica P = 22 K = 0.4 Al = 2 43.1 Kurang Efektif Kurang Efektif 4. Gnetum gnemon P = 17 K = 0.6 Al = 2 103.3 Efektif Efektif 5. Eucalyptus pellita P = 20 K = 0.45 Al = 2.1 37.0 Kurang Efektif Kurang Efektif 6. Eucalyptus urophylla P = 21 K = 0.9 Al = 3 46.2 Kurang Efektif Kurang Efektif Berdasarkan rangkuman pengujian pada Tabel 17 pakar menyetujui keluaran sistem kecuali untuk kasus No.5, dimana nilai output sistem mengeluarkan kategori efektivitas Kurang Efektif, sedangkan pakar berpendapat seharusnya kategori efektivitas yang dihasilkan Cukup Efektif atau Efektif. Kemudian pada kasus No.5 tersebut, pakar mencoba kombinasi nilai input yang lain, yaitu untuk P = 28, K= 0.9, dan Al= 2, maka sistem mengeluarkan nilai prediksi efektivitas 65.8, dengan kategori Cukup Efektif. Hasil output ini disetujui oleh pakar. Pada Tabel 18 disajikan rincian perlakuan uji coba sistem pada model Ekto3, yaitu species S. sinnamarianse. Tabel 18 Pengujian pakar untuk model Ekto3 No Tanaman Inang Nilai input Nilai efektivitas Output sistem Pendapat Pakar 1. S.pinanga N = 0.6 Ca = 2.3 47.0 Kurang Efektif Kurang Efektif 2. S.seminis N = 0.65 Ca = 2.4 -98.6 Kurang Efektif Kurang Efektif 3. S.javanica N = 0.3 Ca = 2.5 2.1 Kurang Efektif Kurang Efektif 4. Gnetum gnemon N = 0.25 Ca = 3.5 41.8 Kurang Efektif Kurang Efektif 5. Eucalyptus pellita N = 0.52 Ca = 2.2 131.6 Efektif Efektif 6. Eucalyptus urophylla N = 0.5 Ca = 2 89.8 Efektif Efektif Berdasarkan rangkuman pengujian pakar pada Tabel 18 dapat dijelaskan sebagai berikut, menurut pakar pada kasus No.1 tidak ditemukan adanya kolonisasi S. sinnmarianse pada S.pinanga sehingga efektivitas yang dihasilkan dikelompokan Kurang Efektif, hasil ini sesuai dengan output model. Begitu juga untuk kasus No.2, dan No.3 pakar menyetujui keluaran sistem. Untuk kasus No.4 keluaran sistem adalah Kurang Efektif, hasil ini tidak disetujui pakar, karena biasanya Gnetum gnemon menghasilkan kategori Cukup Efektif atau Efektif. Untuk kasus No.5 dan No.6 pakar menyetujui keluaran sistem, bahwa efektivitas yang dihasilkan adalah Efektif. Efektivitas yang dihasilkan pada percobaan mikoriza dilapangan sangat bervariasi, tergantung dari perlakuan percobaan. Banyak faktor yang memengaruhi efektivitas respon tumbuh fungi mikoriza, mulai dari faktor kecocokan antara inang dengan tanaman, faktor kondisi lingkungan sekitar, faktor rendahnya kemampuan efektivitas fungi mikoriza secara genetika, dan adanya tingkat ketergantungan tanaman terhadap mikoriza. Beberapa tanaman memiliki tingkat ketergantungan yang tinggi terhadap mikoriza seperti jenis Shorea, tapi ada juga tanaman yang dapat hidup dengan baik tanpa mikoriza. Berdasarkan hal tersebut maka penentuan efektivitas tidak mudah dilakukan, sehingga perlu dilakukan berbagai hal demi kesempurnaan sistem agar dapat diimplementasikan dilingkup penelitian mikoriza dan keadaan sesungguhnya dilapangan. Pakar menyarankan perlu adanya penambahan variabel input, seperti jenis inokulum yang digunakan, faktor media tumbuh, proses inokulasi, dan kandungan bahan organik seperti kompos, asam humat, dan lain- lain. Namun pakar menilai, kebaikan dari sistem yang dibangun adalah kemampuannya mengelompokan kategori efektivitas, dianggap sudah mewakili keadaan dilapangan.

5.5 Implikasi Manajerial

Keberadaan sistem pakar untuk prediksi efektivitas respon tumbuh fungi ektomikoriza pada tanaman kehutanan ini dapat membantu para peneliti ektomikoriza dalam percobaan mereka, petani, dan pihak komersial seperti pengusaha hutan tanaman industri. Keberadaan sistem pakar ini dapat mempermudah penggunanya dalam menentukan nilai efektivitas respon tumbuh fungi ektomikoriza, tanpa harus menunggu kehadiran seorang pakar. Sehingga para pengguna sistem ini akan dapat mengambil tindakan dengan lebih cepat, tepat, dan mudah. Sistem pakar ini juga dilengkapi dengan menu bantuan yang berisi cara penggunaan aplikasi, dengan adanya menu ini pengguna dapat menjalankan aplikasi secara mandiri jika menemukan kesulitan dalam menggunakan aplikasi. Selain itu tersedia berbagai menu lainnya yang berisi informasi terkait dengan efektivitas respon tumbuh fungi ektomikoriza, misalnya penjelasan tentang species fungi yang digunakan, jenis tanaman inang, dan faktor lingkungan yang digunakan dalam sistem. Keberadaan menu-menu ini terutama ditujukan untuk pengguna yang masih awam dengan keberadaan aplikasi sistem pakar ini.

5.6 Keterbatasan Sistem

Sistem pakar fuzzy prediksi efektivitas respon tumbuh fungi ektomikoriza ini masih memiliki beberapa kekurangan. Perlu pengembangan lebih lanjut agar sistem dapat digunakan pada keadaan sesungguhnya. Keterbatasan sistem diantaranya: 1. Hanya menghitung efektivitas tiga species fungi ektomikoriza yaitu S.columnare, S. dictyosporum , S. sinnamarianse. Faktor lingkungan fuzzy yang dipertimbangkan berjumlah sepuluh yaitu kecocokan tanaman inang, pH tanah, suhu rata-rata, kapasitas tukar kation KTK, kandungan fosfor, aluminium, nitrogen, karbon, kalium, magnesium, dan kandungan kalsium. Faktor lingkungan nonfuzzy yang dipertimbangkan adalah species fungi dan enam jenis tanaman inang yaitu S.pinanga, S.seminis, S.javanica, G.gnemon, E.pellita, dan E.urophylla. Prediksi efektivitas respon tumbuh fungi ektomikoriza dilakukan terhadap enam jenis tanaman inang. 2. Perlu dilakukan penambahan input seperti umur bibit tanaman, jenis inokulum ektomikoriza, dan penggunaan bahan organik seperti kompos, urea, asam humat, dan lain-lain. 3. Kelemahan dari pemodelan ini adalah model tidak selalu bekerja berdasarkan fungsi keanggotaan seperti yang dirancang, melainkan dibangkitkan dari komposisi data yang ada, sehingga sistem bekerja berdasarkan data training yang diberikan. Dimisalkan input yang dimasukan tidak ada pada data training maka output model dapat menghasilkan nilai prediksi efektivitas respon tumbuh yang sangat berbeda, hal ini terlihat pada kategori Efektif dan Kurang Efektif. Pada kategori Efektif model dapat mengeluarkan nilai prediksi efektivitas respon tumbuh diatas angka 100 dan sebaliknya untuk kategori Kurang Efektif model dapat mengeluarkan nilai prediksi efektivitas bernilai negatif. Walaupun sesungguhnya dilapangan nilai efektivitas respon tumbuh fungi ektomikoriza dapat bernilai negatif kecil dari nol ataupun positif besar dari angka 100. Namun demikian, kebaikan model adalah mampu menampilkan kategori linguistik yang dihasilkan mendekati keadaan sesungguhnya dari data. 4. Pada sistem pakar ini tidak dilakukan seleksi lagi terhadap rule yang dihasilkan oleh model ANFIS. Pada tahap penelitian lanjut dapat dilakukan seleksi terhadap rule yang dihasilkan.

5.7 Kompleksitas Sistem

Kompleksitas sistem diukur dengan melihat kompleksitas proses inferensi fuzzy yang dilaksanakan pada sistem. Proses inferensi fuzzy sebagai berikut: 1. Fuzzifikasi variabel input: • Model Ekto1: karena terdapat 4 variabel fuzzy maka proses ini memiliki kompleksitas 4C1 = C. C1 untuk proses fuzzifikasi pada fungsi keanggotaan Gaussian dengan 4 variabel input , dan C adalah konstanta. • Model Ekto2: karena terdapat 5 variabel fuzzy maka proses ini memiliki kompleksitas 5C1 = C. C1 untuk proses fuzzifikasi pada fungsi keanggotaan Gaussian dengan 5 variabel input , dan C adalah konstanta. • Model Ekto3: karena terdapat 3 variabel fuzzy maka proses ini memiliki kompleksitas 3C1 = C. C1 untuk proses fuzzifikasi pada fungsi keanggotaan Gaussian dengan 3 variabel input , dan C adalah konstanta. 2. Evaluasi aturan Misalkan m adalah jumlah aturan fuzzy yang memenuhi tuple himpunan fuzzy sesuai hasil fuzzifikasi input. Maka proses evaluasi aturan dilakukan sebanyak m kali. 3. Agregasi ouput setiap aturan menjadi himpunan fuzzy ouput memiliki kompleksitas m, sesuai dengan banyak aturan yang dievaluasi. 4. Defuzzifikasi himpunan fuzzy ouput menggunakan metode weighted average memiliki kompleksitas n, dengan n adalah banyaknya titik yang digunakan pada himpunan fuzzy ouput . Dengan demikian total kompleksitas sistem ini adalah O C + m + m + n = O2m + n.

5.8 Antarmuka Pengguna

Tampilan awal sistem prediksi efektivitas ektomikoriza dapat dilihat pada Gambar 47. Pada tampilan awal pengguna diharuskan memasukan Nama dan Password. Selanjutnya dapat dilihat pada Lampiran 3. Dokumentasi lengkap dari sistem pakar ini dapat dilihat pada dokumentasi sistem yang dibuat secara terpisah dengan judul yang sama dengan tesis ini. Gambar 47 Tampilan awal sistem pakar prediksi efektivitas respon tumbuh. 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.