Pemodelan Sistem Pakar Berbasis Komputasi Lunak untuk Evaluasi Kesesuaian Lahan Komoditas Serealia: Studi Kasus Kabupaten Bogor

PEMODELAN SISTEM PAKAR BERBASIS KOMPUTASI LUNAK
UNTUK EVALUASI KESESUAIAN LAHAN KOMODITAS
SEREALIA: STUDI KASUS KABUPATEN BOGOR

FITRI INSANI

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2015

PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA*
Dengan ini saya menyatakan bahwa tesis berjudul Pemodelan Sistem Pakar
Berbasis Komputasi Lunak untuk Evaluasi Kesesuaian Lahan Komoditas Serealia:
Studi Kasus Kabupaten Bogor adalah benar karya saya dengan arahan dari komisi
pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi
mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan
maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan
dicantumkan dalam Daftar Pustaka di bagian akhir tesis ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut

Pertanian Bogor.
Bogor, Juli 2015
Fitri Insani
NRP G651120321

RINGKASAN
FITRI INSANI. Pemodelan Sistem Pakar Berbasis Komputasi Lunak untuk
Evaluasi Kesesuaian Lahan Komoditas Serealia: Studi Kasus Kabupaten Bogor.
Dibimbing oleh IMAS SUKAESIH SITANGGANG dan MARIMIN.
Pada saat sekarang ini, ancaman akan kekurangan pangan sedang melanda
negara Indonesia. Sebagian besar dari tanaman pangan adalah komoditas serealia.
Budidaya serealia sering mengalami beberapa masalah dalam menentukan apakah
suatu lahan baik atau tidak untuk tanaman tertentu. Sistem pakar dapat membantu
petani memilih lahan yang cocok untuk jenis serealia.
Dalam penelitian ini, dikembangkan model optimasi aturan fuzzy dalam
sistem inferensi fuzzy menggunakan jaringan saraf tiruan dan algoritme genetika
yang digunakan untuk membangun sistem pakar evaluasi kesesuaian lahan
komoditas serealia. Model ini menerapkan komputasi lunak untuk mesin inferensi
yang menggabungkan sistem fuzzy, jaringan syaraf tiruan, dan algoritme genetika.
Terdapat 16 parameter untuk menentukan kesesuaian lahan yang terdiri dari 12

parameter numerik dan 4 parameter kategori. Jenis serealia yang digunakan adalah
padi sawah irigasi dan jagung. Fungsi keanggotaan trapesium digunakan dalam
penelitian ini. Algoritma genetika digunakan untuk penyetelan fungsi keanggotaan
fuzzy dan jaringan saraf tiruan digunakan untuk klasifikasi kesesuaian lahan yang
terdiri dari sangat sesuai (S1), cukup sesuai (S2), sesuai marginal (S3) dan tidak
sesuai (N).
Berdasarkan penelitian yang telah dilakukan, telah berhasil dibuat suatu
model sistem pakar berbasis komputasi lunak. Hasil percobaan dengan memasukan
beberapa kasus uji pada sistem dan dibandingkan dengan hasil pakar menunjukkan
sistem yang dibangun telah sesuai dengan hasil pakar dengan tingkat akurasi
sebesar 85% untuk padi dan 90% untuk jagung. Kesalahan dari pengelompokan
kelas kesesuian lahan terjadi karena nilai masukan berada pada bagian tepi dari
fungsi keanggotaan. Perkembangan model sistem selanjutnya disarankan
menggunakan data aktual yang berasal dari lapangan, sehingga keluaran yang
dihasilkan oleh model sesuai dengan kondisi di lapangan. Setiap parameter
sebaiknya juga diberikan pembobotan berdasarkan tingkat kepentingan sehingga
diketahui parameter yang menjadi faktor penentu kesesuaian lahan.
Kata kunci: algoritme genetika, fuzzy, jaringan saraf, kesesuaian lahan, komputasi
lunak, serealia, sistem pakar.

SUMMARY
FITRI INSANI. Soft Computing Based Expert System Modelling for Land
Suitability Assesment of Cereals Commodities: Case Study Bogor District.
Supervised by IMAS SUKAESIH SITANGGANG and MARIMIN.
Nowadays, the threat of food shortages are happen in Indonesia. Most of
crops are cereals commodities. Cereals cultivation often experience some problems
in defining if the land is good or not for the plant. Expert system can help researcher
and practitioners to choose the suitable kind of cereals for land.
In this research, a model of fuzzy rule within fuzzy inference system using
artificial neural network and genetic algorithm was built. The model was used to
develop an expert system of land suitability for cereals commodity. This model
implement soft computing which combine fuzzy system, artificial neural network
and genetic algorithm. In this research, an expert system model of land suitability
for cereals plant were built. The model implement soft computing methods for
inference engine which combine fuzzy system and genetic algorithm. There are 16
parameters to define the land suitability which consists of 12 numeric parameters
and 4 categorical parameters. The kind of cereals that will be used are wetland
paddy and corn. Trapezoid membership functions was used here. Genetic algorithm
was used for tuning the membership function of fuzzy for land suitability which is
consist of very suitable (S1), quite suitable (S2), marginal suitable (S3) and not

suitable (N).
This research has produced a model of soft-computing-based expert system.
The experimental result by entering some of test cases in the system and compared
with the results of the expert show that the system was built in accordance with the
results of the expert with accuracy 85% for rice and 90% for corn. Errors of land
suitability class grouping occurs because the input value was on the edge of the
membership function. We suggest the usage of actual data for future research, so
that the output of the model appropriate to real condition. Each parameter should
be weighted based on its importance.
Keywords: cereals, expert system, fuzzy, genetic algorithm, land suitability
evaluation, neural network, soft computing.

© Hak Cipta Milik IPB, Tahun 2015
Hak Cipta Dilindungi Undang-Undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau
menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan,
penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau
tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan IPB
Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis ini
dalam bentuk apa pun tanpa izin IPB

PEMODELAN SISTEM PAKAR BERBASIS KOMPUTASI LUNAK
UNTUK EVALUASI KESESUAIAN LAHAN KOMODITAS
SEREALIA: STUDI KASUS KABUPATEN BOGOR

FITRI INSANI

Tesis
sebagai salah satu syarat untuk memperoleh gelar
Magister Ilmu Komputer
pada
Program Studi Ilmu Komputer

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2015

Penguji Luar Komisi pada Ujian Tesis: Dr Agus Buono, MSi Mkom

Judul Tesis : Pemodelan Sistem Pakar Berbasis Komputasi Lunak untuk
Evaluasi Kesesuaian Lahan Komoditas Serealia: Studi Kasus
Kabupaten Bogor
Nama
: Fitri Insani
NIM
: G651120321

Disetujui oleh
Komisi Pembimbing

Dr Imas Sukaesih Sitanggang, SSi, MKom
Ketua

Prof Dr Ir Marimin, MSc
Anggota

Diketahui oleh

Ketua Program Studi

Ilmu Komputer

Dekan Sekolah Pascasarjana

DrEng Wisnu Ananta Kusuma, MT

Dr Ir Dahrul Syah, MScAgr

Tanggal Ujian: 27 Mei 2015

Tanggal Lulus:

PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang
dipilih dalam penelitian yang dilaksanakan sejak bulan September 2013 ialah
evaluasi kesesuaian lahan, dengan judul Pemodelan Sistem Pakar Berbasis
Komputasi Lunak untuk Evaluasi Kesesuaian Lahan Komoditas Serealia: Studi
Kasus Kabupaten Bogor.
Terima kasih penulis ucapkan kepada Ibu Dr Imas Sukaesih Sitanggang, SSi,

MKom dan Bapak Prof Dr Ir Marimin selaku pembimbing. Di samping itu,
penghargaan penulis sampaikan kepada Bapak Prof Dr Kukuh Murtilaksono, MSc
dari Departemen Ilmu Tanah dan Sumber Daya Lahan IPB, Bapak Ir Muhammad
Hikmat, MSi dari Balai Besar Sumber Daya Lahan dan Pertanian, Kementerian
Pertanian selaku pakar pada penelitian ini. Terima kasih kepada Ibu Dr Yudiwanti
WE Kusumo, MS dan Bapak Prof(Riset) Dr Ir Ridwan Thahir atas nasehat dan
saran yang diberikan. Di samping itu, penghargaan penulis sampaikan kepada
Direktorat Jenderal Pendidikan Tinggi atas beasiswa yang telah diberikan.
Terima kasih juga disampaikan kepada Ayah Drs M Yusuf dan Almarhumah
Ibu Dra Muhrayanis serta adik-adik penulis Safa Nurani dan Ayu Nauri atas segala
do’a dan kasih sayangnya. Terkhusus kepada suami tercinta Priyo Puji Nugroho
yang selalu sabar dan memotivasi penulis. Semoga Allah subhanahu wa ta’ala
selalu merahmati kalian. Terima kasih kepada pengelola pasca sarjana, seluruh
dosen dan staf akademik Ilmu Komputer Institut Pertanian Bogor, teman-teman
angkatan 14. Program Studi Ilmu Komputer atas kebersamaan dan bantuannya
selama kuliah dan penyelesaian penelitian ini. Semoga karya ini dapat bermanfaat.
Kritik dan saran sangat penulis harapkan demi kesempurnaan karya ini di kemudian
hari.
Semoga karya ilmiah ini bermanfaat.

Bogor, Juli 2015
Fitri Insani

DAFTAR ISI
DAFTAR TABEL

x

DAFTAR GAMBAR

x

DAFTAR LAMPIRAN

xi

1 PENDAHULUAN
Latar Belakang
Perumusan Masalah
Tujuan Penelitian

Manfaat Penelitian
Ruang Lingkup Penelitian

1
1
2
2
2
3

2 TINJAUAN PUSTAKA
Sistem Pakar
Komputasi Lunak (Soft Computing)
Lahan
Parameter Kesesuaian Lahan Untuk Penggunaan Tanaman Serealia
Komoditas Serealia

3
3
7

15
16
18

3 METODE
Parameter Pengetahuan
Alat
Tahapan Penelitian
Identifikasi Masalah
Penentuan Pakar
Akuisisi Pengetahuan
Representasi Pengetahuan
Tuning Aturan Fuzzy dengan Algoritme Genetika
Adaptive Neuro Fuzzy Inference System (ANFIS)
Implementasi
Pengujian

18
18
18
18
19
21
21
21
22
24
25
25

4 HASIL DAN PEMBAHASAN
Desain Strukur Data
Data fuzzy dari pakar
Basis aturan
Data fuzzy hasil tuning dengan algoritme genetika
Desain Arsitektur
Implementasi
Hasil Pengujian

25
26
26
28
29
37
40
42

5 SIMPULAN DAN SARAN
Simpulan
Saran

42
42
42

DAFTAR PUSTAKA
LAMPIRAN

43
47

DAFTAR TABEL
1
2
3
4
5
6
7
8
9

Kelas bahaya banjir
Kategori untuk parameter drainase tanaman padi sawah irigasi
Kategori untuk parameter tekstur tanaman padi sawah irigasi
Kategori untuk parameter bahaya erosi tanaman padi sawah irigasi
Kategori untuk parameter bahaya banjir tanaman padi sawah irigasi
Basis aturan kelompok parameter temperatur tanaman padi sawah irigasi
Contoh perhitungan fitness untuk 800 data latih pada individu pertama
Nilai fitness setiap individu
Hasil pengujian di Kabupaten Bogor

DAFTAR GAMBAR
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26

Fungsi dasar sistem pakar (Giarratano dan Riley 1998)
3
Hubungan domain pengetahuan dan domain masalah (Giarratano dan
Riley 1998)
4
Hubungan antar elemen dalam sistem pakar (Giarratano dan Riley 1998)
5
Tahapan pengembangan sistem pakar (Marimin 2009)
6
Tahapan akusisi pengetahuan pada sistem pakar (Marimin 2009)
7
Kemungkinan integrasi metode pada komputasi lunak (Castellano et al.
2007)
8
Struktur jaringan saraf tiruan dengan tiga lapisan (Castellano et al. 2007)
8
Himpunan Fuzzy TUA
10
Kurva segitiga (Kusumadewi et al. 2006)
11
Kurva Sigmoid (Kusumadewi et al. 2006)
11
Kurva Pi (Kusumadewi et al. 2006)
12
Kurva bahu (Kusumadewi et al. 2006)
12
Tahapan algoritme genetika (Lawrence 1991)
13
Tahapan penelitian pemodelan sistem pakar
19
Kerangka kerja sistem pakar
20
Tahapan akuisisi pengetahuan sistem pakar evaluasi kesesuaian lahan
komoditas serealia
21
Interval fungsi keanggotaan pembangkitan basis aturan acak
22
Struktur Adaptive Neuro Fuzzy Inference System (ANFIS)
24
Pengelompokan parameter kesesuaian lahan komoditas serealia
26
Fungsi keanggotaan temperatur rerata tanaman padi sawah irigasi
27
Fungsi keanggotaan kelembaban tanaman padi sawah irigasi
27
Representasi individu
31
Populasi awal
31
Contoh pemilihan populasi individu melalui roullete wheel
32
Pemilihan pasangan crossover
32
Empat turunan crossover dari dua induk
33

16
27
28
28
28
29
30
30
42

27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43

Penggabungan semua anak hasil crossover ke dalam populasi
33
Pemilihan titik mutasi
33
Penentuan hasil mutasi
34
Memasukkan anak hasil mutasi ke dalam populasi
35
Menghitung fitness function hasil rekombinasi
35
Hasil akhir tuning fungsi keanggotaan dengan algoritme genetika
36
Hasil tuning fungsi keanggotaan parameter batuan di permukaan
36
Hasil tuning fungsi keanggotaan parameter singkapan batuan
36
Nilai fitness untuk padi sawah pada 50 generasi
37
Nilai fitness untuk jagung pada 50 generasi
37
Model arsitektur ANFIS untuk kelompok temperatur tanaman padi
sawah irigasi
38
Model arsitektur ANFIS untuk kelompok media perakaran tanaman padi
sawah irigasi
39
Model arsitektur ANFIS untuk kelompok retensi hara tanaman padi
sawah irigasi
39
Model arsitektur ANFIS untuk kelompok kondisi lahan tanaman padi
sawah irigasi
40
Tampilan depan aplikasi kesesuaian lahan untuk serealia
41
Tampilan utama aplikasi kesesuaian lahan untuk serealia
41
Pemilihan populasi individu melalui roullete wheel
61

DAFTAR LAMPIRAN
1
2
3
4
5
6
7
8

Data fuzzy dari pakar untuk parameter padi sawah irigasi
Data fuzzy dari pakar untuk parameter jagung
Basis aturan tanaman padi sawah irigasi dan jagung
Roullete Wheel
Model arsitektur ANFIS untuk kelompok tanaman jagung
Pengujian dengan berbagai kombinasi nilai masukan
Petunjuk Aplikasi Kesesuaian Lahan untuk Serealia
Daftar Istilah (Glossary)

46
50
55
60
62
64
67
68

1

1 PENDAHULUAN
Latar Belakang
Pada masa sekarang ini ancaman akan kekurangan pangan sedang melanda
negara Indonesia. Berbagai cara telah dilakukan pemerintah untuk mengatasi hal
ini, namun belum memberikan hasil yang optimal. Hingga saat ini Indonesia masih
melakukan impor bahan pangan dengan membebaskan bea masuk gandum dan
kedelai yang secara tidak langsung malah menekan produksi pangan Indonesia
sendiri. Belum lagi masalah lahan pertanian yang semakin sempit karena konversi
lahan ke non pertanian dan teknologi serta teknik pertanian yang ramah lingkungan
tidak berkembang (IPB 2008).
Konversi lahan ke non pertanian makin sulit dikendalikan. Hal ini dapat
dilihat dari konversi lahan sawah yang terjadi selama 1979-1999 seluas 1,63 juta
ha, dimana satu juta ha diantaranya terjadi di pulau Jawa (Isa 2006). Karena kondisi
seperti ini, maka perlu dilakukan upaya untuk meningkatkan produksi pertanian
bahan pangan nasional salah satunya dengan evaluasi kesesuaian lahan tanaman
pangan. Evaluasi lahan yang dimaksud adalah pendekatan atau cara yang digunakan
untuk menilai potensi sumber daya lahan, dimana hasilnya dapat memberikan
informasi dan/atau arahan penggunaan lahan yang diperlukan, dan akhirnya nilai
harapan produksi yang kemungkinan akan diperoleh (Djaenuddin et al. 2011).
Jenis tanaman pangan sebagian besarnya adalah komoditas serealia. Serealia
atau biji-bijian merupakan sumber karbohidrat yang dihasilkan dari jenis tanaman
yang ditanam untuk dipanen biji/bulirnya, tanaman ini juga mengandung serat yang
tinggi. Di Indonesia serealia yang paling banyak dikonsumsi adalah padi, jagung
dan gandum dan yang jarang dijumpai di Indonesia adalah oat, barley dan rye.
Karena menjadi sumber energi bagi manusia dan ternak, serealia dibudidayakan
secara besar-besaran di seluruh dunia melebihi semua jenis tanaman lain, apalagi di
sebagian negara berkembang serealia seringkali merupakan satu-satunya sumber
karbohidrat.
Usaha pembudidayaan tanaman serealia sering mengalami hambatan, salah
satunya dalam menentukan kesesuaian lahan pertanian untuk penanaman tanaman
serealia tertentu, karena produktivitas tanaman serealia tergantung pada kualitas
lahan yang digunakan (Sevani et al. 2009). Oleh karena itu, dibutuhkan suatu sistem
pakar untuk evaluasi kesesuaian lahan komoditas serealia.
Sistem pakar dapat membantu pelaksana pertanian dalam menentukan
kesesuaian lahan, dimana sistem pakar memuat pengetahuan dari para pakar
mengenai pengetahuan kesesuaian lahan yang akan digunakan dengan jenis
tanaman yang akan ditanam. Dengan meniru cara berpikir manusia sehingga
dianggap memungkinkan untuk penyelesaian masalah yang mengandung
ketidakpastian dan mengingat bahwa cukup banyak data karakteristik lahan maka
pengolahan data pada sistem pakar dapat menggunakan Fuzzy Inference System
(FIS) (Sevani et al. 2009). Adapun penelitian lainnya yang terkait kesesuaian lahan
diantaranya, Hartati dan Sitanggang (2010) yang membangun sistem pendukung
keputusan untuk tanaman holtikultura dan Sastrohartono (2011) menggunakan
aplikasi ekstensi Artificial Neural Network (Ann.Avx) dalam Acrview-GIS untuk
kesesuaian lahan perkebunan.

2
Sistem hybrid pada komputasi lunak didasarkan pada kesadaran bahwa
menggabungkan metode akan lebih efisien dalam menyelesaikan masalah pada
dunia nyata (Castellano et al. 2007). Teknik hybrid yang merupakan kombinasi dari
tiga paradigma pada komputasi lunak merupakan prospek yang menarik. Ketika
metode-metode ini digabungkan maka mereka akan beroperasi secara sinergi dan
tidak saling bersaing. Saling ketergantungan dari metode yang digabungkan dapat
menghasilkan peningkatan kinerja yang tak terduga. Brasil et al. (1998)
menggabungkan metode fuzzy neuro genetika untuk membantu proses akuisisi
pengetahuan. Di tahun 1998, Farag et al. menggunakan ketiga metode ini pada
sistem dinamis. Pada kasus sistem identifikasi yang bersifat linear algoritme
genetika digunakan untuk mengoptimalkan inferensi dari neuro fuzzy (Mehrkian et
al. 2011).
Pada penelitian ini akan dimodelkan sistem pakar evaluasi kesesuaian lahan
komditas serealia berbasis komputasi lunak. Sistem pakar ini menggunakan metode
forward chaining, sebuah metode yang akan mencari kesimpulan berdasarkan
fakta-fakta yang ada dan kemudian diuji kebenaranya dalam bentuk hipotesis.
Diharapkan dengan adanya sistem pakar ini dapat membantu praktisi dan peneliti
dalam menentukan kesesuaian lahan untuk komoditas serealia.
Perumusan Masalah
Pada penelitian ini masalah yang akan dibahas adalah bagaimana membuat
model sistem pakar evaluasi kesesuaian lahan komoditas serealia berbasis
komputasi lunak dengan menggabungkan fuzzy, jaringan saraf tiruan dan algoritme
genetika. Usaha pembudidayaan tanaman serealia sering mengalami hambatan,
salah satunya dalam menentukan kesesuaian lahan pertanian untuk penanaman
tanaman serealia tertentu, karena produktivitas tanaman serealia tergantung pada
kualitas lahan yang digunakan serta fakta kondisi lahan terkadang masih sulit
dihafal oleh Penyuluh Pertanian untuk penanaman jenis tanaman komoditas
serealia.
Tujuan Penelitian
Tujuan dari penelitian ini adalah:
1. Membuat model optimasi aturan fuzzy dalam sistem inferensi fuzzy
menggunakan jaringan saraf tiruan dan algoritme genetika.
2. Membangun sistem pakar untuk evaluasi kesesuaian lahan komoditas serealia
berbasis komputasi lunak.
Manfaat Penelitian
Manfaat dari penelitian ini adalah:
1. Penelitian diharapkan menghasilkan alternatif baru sistem pakar dengan
menggunakan metode komputasi lunak.
2. Penelitian dapat digunakan sebagai pembelajaran, penunjang pengambilan
keputusan dan pengembangan lahan bagi peneliti dan praktisi, khususnya terkait
komoditas serealia.

3
Ruang Lingkup Penelitian
Ruang lingkup dari penelitian ini adalah:
1. Evaluasi kesesuaian lahan dilakukan untuk komoditas serealia pada kabupaten
Bogor yaitu padi dan jagung.
2. Teknik yang digunakan adalah forward chaining dimana nilai parameter yang
dimasukkan oleh pengguna dianalisis dan kemudian digunakan untuk proses
pengambilan keputusan.

2 TINJAUAN PUSTAKA
Sistem Pakar
Definisi Sistem Pakar
Menurut Giarratano dan Riley (1998), sistem pakar merupakan sistem
komputer yang dapat merespon dan bertingkah laku dalam segala aspek, seperti
halnya seorang manusia yang pakar dalam suatu hal. Sistem pakar juga merupakan
salah satu cabang kecerdasan buatan yang meniru cara berpikir seorang pakar dalam
menyelesaikan masalah, membuat keputusan, atau mengambil kesimpulan dari
sejumlah fakta (Handojo et al. 2004). Dimana 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. Dengan demikian, biasanya seorang pakar dapat menyelesaikan
masalah dengan cara yang lebih efisien dibandingkan dengan orang lain pada
umumnya.
Sistem pakar disebut juga sebagai sistem berbasis pengetahuan karena
menyimpan dan mengelola keahlian atau pengetahuan dari seorang pakar. Fungsi
dasar sistem pakar dapat dapat dilihat pada Gambar 1.
Sistem Pakar
Pengguna

Fakta
Kesimpulan

Basis Pengetahuan
Inference Engine

Gambar 1 Fungsi dasar sistem pakar (Giarratano dan Riley 1998)
Menurut Giarratano dan Riley 1(998), pengetahuan seorang pakar biasanya
fokus pada suatu domain tertentu, yang disebut dengan problem domain. Problem
domain adalah masalah khusus pada suatu area tertentu. Adapun pengetahuan
seorang pakar untuk menyelesaikan masalah khusus yang timbul pada suatu domain
tertentu disebut dengan knowledge domain. Hubungan antara problem domain dan
knowledge domain dapat digambarkan seperti terlihat pada Gambar 2.

4

Problem Domain
Knowledge Domain

Gambar 2 Hubungan domain pengetahuan dan domain masalah (Giarratano dan
Riley 1998)
Ada dua cara berbeda yang dapat digunakan untuk merancang basis
pengatahuan (Cordon et al. 2001):
1. Dari informasi seorang pakar
2. Dengan menggunakan metode mesin pembelajaran dengan bantuan
informasi numerik yang ada (klasifikasi dan permodelan fuzzy) atau
dengan model dari sistem kontrol.
Keuntungan Sistem Pakar
Menurut Giarratano dan Riley (1998), penerapan sistem pakar dalam
kehidupan sehari-hari sendiri mempunyai beberapa keuntungan, seperti:
 Mengurangi biaya yang diperlukan untuk konsultasi dengan pakar setiap
kali ada masalah yang harus diselesaikan.
 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.
Karakteristik Sistem Pakar
Giarratano dan Riley (1998) menyatakan ada beberapa karakteristik sistem
pakar, sebagai berikut:
 Kinerja yang tinggi
 Dapat merespon sesuatu dengan cepat.
 Memiliki tingkat kehandalan yang tinggi.
 Memberikan penjelasan tentang tahapan yang dilalui untuk menghasilkan
kesimpulan.

5



Bersifat fleksibel
Memberikan daftar semua alasan yang diperlukan untuk menghasilkan
suatu kesimpulan.

Elemen Sistem Pakar
Meneurut Giarratano dan Riley (1998), sebuah sistem pakar terdiri dari
beberapa komponen, seperti:
 Antar Muka Pengguna (User interface)
Tatap muka pengguna merupakan tampilan sistem pakar, tempat dimana
pengguna dan sistem pakar dapat saling berkomunikasi.
 Fasilitas Penjelasan (Explanation facility)
Fasilitas penjelasan merupakan fasilitas pada sistem pakar yang
menjelaskan tentang alasan-alasan suatu kesimpulan dihasilkan.
 Memori Kerja (Working memory)
Memori kerja merupakan basis data global berisi fakta-fakta yang
dimasukkan oleh pengguna.
 Mekanisme Inferensi (Inference engine)
Mekanisme inferensi 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.
 Fasilitas Akuisisi Pengetahuan (Knowledge acquisition facility)
Merupakan fasilitas yang memungkinkan pengguna untuk memasukkan
pengetahuan ke dalam sistem, di samping pengetahuan-pengetahuan yang
sebelumnya sudah dimasukkan oleh Knowledge Engineer (KE). Fasilitas ini
merupakan fasilitas tambahan dan bukan fasilitas wajib dalam sistem pakar.
Gambar 3 berikut ini menampilkan stuktur dan hubungan antar elemen pada sistem
pakar
Mekanisme Inferensi
Basis Pengtahuan

Agenda

Fasilitas Penjelasan

Memori Kerja

Fasilitas Akuisisi Pengetahuan

Antar Muka Pengguna

Gambar 3 Hubungan antar elemen dalam sistem pakar (Giarratano dan Riley
1998)

6
Tahapan Pengembangan Sistem Pakar
Giarratano dan Riley (1998) menggambarkan tahapan pengembangan sistem
pakar secara lebih sederhana, hanya melalui melalui 3 tahap. Tahapan ini masih
sangat umum sehingga tidak dapat menunjukkan secara jelas sub-proses yang
terjadi pada masing-masing tahap. Marimin (2009) menggambarkan tahapan
pengembangan sistem pakar menjadi delapan tahap seperti terlihat pada Gambar 4.
Identifikasi Masalah

Mencari Sumber Pengetahuan

Akuisisi Pengetahuan

Representasi Pengetahuan

Pembuatan Sistem Pakar

Implementasi

Tidak

Pengujian

Mewakili
Human
Expert?
Ya
Rekomendasi

Gambar 4 Tahapan pengembangan sistem pakar (Marimin 2009)
Manajemen Pengetahuan (Knowledge Management)
Manajemen pengetahuan dapat diartikan sebagai proses pengumpulan dan
penggunaan pengetahuan pengetahuan dalam perusahaan, baik yang berupa
pengetahuan tertulis (dokumen, laporan, basis data) maupun pengetahuan yang
berada pada pikiran pekerja di perusahaan tersebut (Awad dan Ghaziri 2004).
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. Penyerapan pengetahuan
dari pakar ini dapat diperoleh oleh KE melalui wawancara dan berbagai macam
metode lainnya, seperti observasi dan diskusi masalah (Marimin 2009).
Sebagai salah satu elemen dalam sistem pakar, fasilitas akuisisi pengetahuan
digunakan sebagai alat untuk mengisi atau mendapatkan pengetahuan, fakta, aturan,

7
dan model yang diperlukan oleh sistem pakar dari berbagai sumber (Marimin
2009), 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.
Dalam Marimin (2009), 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 5. Ketiga tahap tersebut penting dalam penentuan
keseluruhan implementasi dari sistem pakar yang dikembangkan.

Komunikasi

Formulasi/Implementasi
Parsial
Akuisisi Pengetahuan

Validasi

Implementasi

Gambar 5 Tahapan akusisi pengetahuan pada sistem pakar (Marimin 2009)
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 2009). 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.
Komputasi Lunak (Soft Computing)
Dekade terakhir ini, beberapa kerangka kerja dari komputasi lunak telah
dikembangkan di berbagai bidang. Banyak dari kerangka kerja tersebut
menyelesaikan masalah komputasi dengan menggunakan kombinasi dari
metodologi yang berbeda. Tujuannya untuk mengatasi keterbatasan dan kelemahan
dari beberapa teknik.
Istilah komputasi lunak (soft computing) menunjukkan sejumlah metodologi
yang digunakan dalam mencari perkiraan solusi untuk masalah-masalah dunia
nyata yang mengandung berbagai macam ketidakakuratan dan ketidakpastian
(Zadeh 1994). Prinsip komputasi lunak adalah untuk mengembangkan toleransi
terhadap ketidaktepatan, ketidakpastian, kebenaran parsial, dan pendekatan untuk

8
mencapai kemudahan pengendalian, ketahanan dan biaya solusi yang rendah.
Paradigma yang mendasari komputasi lunak adalah Neural Computing, Fuzzy
Logic Computing dan Evolutionary Computing. Sistem yang didasarkan pada
paradigma tersebut jaringan saraf tiruan (ANN), Sistem Fuzzy (FS), dan Algoritme
Evolusi (EA). Hubungan ini memungkinkan penciptaan skema komputasi hybrid
yang menggunakan jaringan saraf, sistem fuzzy dan algoritme evolusi dalam
kombinasi seperti yang dapat dilihat pada Gambar 6.
Sistem Fuzzy

Jaringan Saraf Tiruan

Sistem Fuzzy
Neural

Kemampuan
Belajar

Representasi
Pengetahuan
Eksplisit

Sistem Fuzzy
Neural Evolusi
Sistem Neural
Evolusi

Sistem Fuzzy
Evolusi

Pencarian Global

Sistem Evolusi

Gambar 6 Kemungkinan integrasi metode pada komputasi lunak (Castellano et al.
2007)
Jaringan Saraf Tiruan
Jaringan saraf tiruan merupakan model komputasi yang mencontoh pola otak
manusia pada sistem biologis. Model ini terdiri oleh sejumlah prosesor sederhana
(neuron) bekerja secara paralel, tanpa kontrol terpusat. Neuron tersebut diatur
dalam struktur tertentu yang biasanya berupa lapisan-lapisan. Sistem dengan
koneksi terbobot menentukan alur informasi melalui jaringan. Gambar 7 berikut
menunjukkan contoh struktur jaringan saraf tiruan yang terdiri dari tiga lapisan.

Aliran Informasi

Lapisan Keluaran

Lapisan Tersembunyi

Lapisan Masukan

Gambar 7 Struktur jaringan saraf tiruan dengan tiga lapisan (Castellano et al.
2007)
Perilaku dari jaringan saraf tiruan ditentukan oleh topologi koneksi dan oleh
sifat dari setiap unit pengolahan, yang biasanya mengevaluasi fungsi matematika.
Bobot numerik dari koneksi dimodifikasi agar jaringan saraf tiruan bersifat dinamis.
Jaringan saraf tiruan juga bersifat adaptif karena dapat memodifikasi keluaran

9
tergantung pada berat aktual. Nilai bobot tergantung dari pengalaman masa lalu.
Pembelajaran dari sebuah JST didasarkan pada analisis data masukan (training set)
dan algoritme pembelajaran tertentu. Pengetahuan ini akhirnya tertanam ke dalam
konfigurasi bobot pada jaringan (Castellano et al. 2007).
Jaringan saraf tiruan biasanya mempunyai tiga grup atau lapisan yaitu unitunit lapisan masukan yang terhubung dengan lapisan tersembunyi yang selanjutnya
terhubung dengan lapisan keluaran.
 Aktifitas unit-unit lapisan masukan menunjukkan informasi dasar yang
kemudian digunakan dalam jaringan saraf tiruan.
 Aktifitas setiap unit-unit lapisan tersembunyi ditentukan oleh aktifitas dari
unit-unit masukan dan bobot dari koneksi antara unit-unit masukan dan unitunit lapisan tersembunyi
 Karakteristik dari unit-unit keluaran tergantung dari aktifitas unit-unit
lapisan tersembunyi dan bobot antara unit-unit lapisan tersembunyi dan
unit-unit keluaran.
Umumnya, jika menggunakan jaringan saraf tiruan, hubungan antara
masukan dan keluaran harus diketahui secara pasti dan jika hubungan tersebut telah
diketahui maka dapat dibuat suatu model. Hal lain yang penting adalah proses
belajar hubungan masukan/keluaran dilakukan dengan pembelajaran. Ada dua tipe
pembelajaran yang dikenal yaitu: pembelajaran terawasi dan pembelajaran tak
terawasi. Pada pembelajaran terawasi, metode ini digunakan jika keluaran yang
diharapkan telah diketahui sebelumnya. Biasanya pembelajaran dilakukan dengan
menggunakan data yang telah ada. Pada metode pembelajaran yang tidak terawasi,
tidak memerlukan target keluaran. Pada metode ini tidak dapat ditentukan hasil
seperti apa yang diharapkan selama proses pembelajaran. Selama proses
pembelajaran, nilai bobot disusun dalam suatu interval tertentu tergantung pada
nilai masukan yang diberikan. Tujuan pembelajaran ini adalah mengelompokkan
unit-unit yang hampir sama dalam suatu area tertentu. Pembelajaran seperti ini
biasanya sangat cocok untuk pengelompokkan (klasifikasi) pola.
Sistem Fuzzy
Fuzzy secara bahasa diartikan sebagai kabur atau samar-samar. Suatu nilai
dapat bernilai besar atau salah secara bersamaan. Dalam fuzzy dikenal derajat
keanggotaan yang memiliki rentang nilai 0 (nol) hingga (satu). Berbeda
denganhimpunan tegas yang memiliki nilai 1 atau 0 (ya atau tidak). Logika Fuzzy
merupakan seuatu logika yang memiliki nilai kekaburan atau kesamaran (fuzzyness)
antara benar atau salah. Dalam teori logika fuzzy suatu nilai bias bernilai benar atau
salah secara bersama. Namun berapa besar keberadaan dan kesalahan suatu
tergantung pada bobot keanggotaan yang dimilikinya. Logika fuzzy memiliki
derajat keanggotaan dalam rentang 0 hingga 1.
Berbeda dengan logika digital yang hanya memiliki dua nilai 1 atau 0. Logika
fuzzy digunakan untuk menterjemahkan suatu besaran yang diekspresikan
menggunakan bahasa (linguistic), misalkan besaran kecepatan laju kendaraan yang
diekspresikan dengan pelan, agak cepat, cepat, dan sangat cepat. Logika fuzzy
menunjukan sejauh mana suatu nilai itu benar dan sejauh mana suatu nilai itu salah.
Tidak seperti logika klasik (crisp)/ tegas, suatu nilai hanya mempunyai 2
kemungkinan yaitu merupakan suatu anggota himpunan atau tidak. Derajat
keanggotaan 0 (nol) artinya nilai bukan merupakan anggota himpunan dan 1 (satu)

10
berarti nilai tersebut adalah anggota himpunan. Logika fuzzy adalah suatu cara yang
tepat untuk memetakan suatu ruang masukan kedalam suatu ruang keluaran,
mempunyai nilai kontinyu. Fuzzy dinyatakan dalam derajat dari suatu keanggotaan
dan derajat dari kebenaran. Oleh sebab itu sesuatu dapat dikatakan sebagian benar
dan sebagian salah pada waktu yang sama (Zadeh 1994).
Sebuah sistem fuzzy merupakan sistem yang berdasarkan aturan-aturan.
Sistem ini dibangun oleh aturan IF-THEN. Fungsi keanggotaan atau membership
function adalah suatu kurva yang menunjukkan pemetaan titik-titik masukan data
ke dalam nilai keanggotaannya yang memiliki interval antara 0 sampai 1. Contoh
fungsi keanggotaan fuzzy TUA dapat dilihat di persamaan (1). Dengan
menggunakan himpunan fuzzy, kita bisa membuat fungsi keanggotaan yang bersifat
kontinu. Untuk fungsi keanggotaan fuzzy TUA di persamaan 1, akan didapatkan
himpunan fuzzy seperti dalam Gambar 8.

(1)

Gambar 8 Himpunan Fuzzy TUA
Sebuah himpunan fuzzy atau fuzzy set terdiri dari dua variabel, yaitu variabel
numeris dan variabel linguistik. Variabel numeris merupakan variabel yang berupa
angka, dan variabel linguistik merupakan variabel yang berupa linguistik atau
bahasa. Dalam gambar 8, variabel angkanya misalnya umur 35 th, 60 th dan
sebagainya, sedangkan variabel linguistiknya adalah TUA. Himpunan fuzzy bisa
direpresentasikan dalam beberapa jenis kurva, yaitu:
a. Representasi linear
Representasi linear berupa kurva garis lurus. Representasi ini
merupakan yang paling sederhana dan terdiri dari dua macam fungsi
representasi yaitu naik dan turun. Contoh dari representasi ini dapat
dilihat pada persamaan (1) dan Gambar 8.
b. Kurva segitiga
Kurva segitiga merupakan gabungan dari duagaris linear. Adapun
fungsi keanggotaannya dapat dilihat pada persamaan (2) dan Gambar
9.

(2)

11

Gambar 9 Kurva segitiga (Kusumadewi et al. 2006)
c. Kurva S (Sigmoid)
Kurva S 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.
Rumus fungsi keanggotaan kurva S pertumbuhan dapat dilihat pada
persamaan (3) dan fungsi keanggotaan kurva S penyusutan pada
persamaan (4).

(3)

(4)
Adapun representasi kurva nya dapat dilihat pada Gambar 10.

Gambar 10 Kurva Sigmoid (Kusumadewi et al. 2006)
d. Kurva π (Pi)
Kurva Pi berbentuk lonceng. Kurva Pi mempunyai derajat keanggotaan
1 yang terletak pada pusat dengan domain ( ) dan lebar kurva ( ).
Persamaan (5) berikut ini merupakan rumus fungsi keanggotaan dari
kurva Pi.

(5)
Adapun representasi kurvanya dapat dilihat pada Gambar 11.

12

Gambar 11 Kurva Pi (Kusumadewi et al. 2006)
e. Kurva bentuk bahu
Pada kurva bahu ada sisi variabel yang tidak berubah. Kurva ini
digunakan untuk menyatakan daerah yang terletak pada tengah-tengah
suatu variabel yang direpresentasikan dalam bentuk segitiga.
Representasi dari kurva bahu dapat dilihat pada Gambar 12.

Gambar 12 Kurva bahu (Kusumadewi et al. 2006)
Inference merupakan proses untuk menggambarkan kesimpulan berdasarkan
data yang ada (Silver et al. 2005). Inference juga merupakan proses menyimpulkan
kebenaran baru yang didapatkan dari kebenaran lama. Logika proposisi klasik
hanya memiliki dua nilai kebenaran, benar dan salah, proses untuk menyimpulkan
hasil lebih mudah dibandingkan dengan logika fuzzy dimana tidak hanya fokus pada
proposisi saja tetapi juga pada nilai kebenaran. Sistem kendali fuzzy merupakan
suatu kerangka komputasi yang didasarkan pada teori himpunan fuzzy, aturan fuzzy
bertentuk IF-THEN, dan penalaran fuzzy.
Algoritme Genetika
Pencarian yang didasarkan pada mekanisme seleksi alamiah dan genetika
alamiah adalah dasar dari algoritme genetika (Goldberg 1989; Cordon et al. 2001;
Herrera et al. 1995). Biasanya algoritme ini digunakan untuk optimasi sebuah
metode (Whitley 1993). Secara umum algoritme genetika melakukan prosesproses: inisialisasi, evaluasi, seleksi orang tua, crossover, mutasi (Eiben dan Smith
2003). Individu terbaik dinilai dengan nilai fitness yang mengukur kedekatannya
dengan solusi. Semakin besar nilai fitnessnya, maka individu tersebut semakin baik
dan mempunyai peluang yang lebih besar untuk bertahan hidup. Adapun tahapan
dalam algoritme genetika dapat dilihat pada Gambar 13 (Lawrence 1991):

13
Mulai

Inisialisasi

Evaluasi

Seleksi

Crossover
Tidak

Mutasi

Maksimum
Generasi?
Ya
Selesai

Gambar 13 Tahapan algoritme genetika (Lawrence 1991)
Populasi disusun dari bermacam-macam individu, setiap individu berisi
phenotype (parameter), genotype (chromosome buatan atau bit string), dan fitness
(fungsi obyektif). Fungsi evaluasi mengambil sebuah chromosome sebagai input
dan mengembalikan nomor atau daftar dari nomor yang merupakan ukuran dari
chromosome pada masalah yang akan diselesaikan. Fungsi evaluasi mempunyai
aturan yang sama dalam algoritme genetika yang berkecimpung dalam evolusi
alam. Inisialisasi dilakukan secara random atau acak. Rekombinasi termasuk di
dalamnya crossover/kawin silang dan mutasi untuk munghasilkan
offspring/keturunan. Kenyataannya ada dua operasi pada algoritme genetika, yaitu:
- Operasi genetika yaitu crossover dan mutasi
- Operasi evolusi yaitu seleksi
Operasi genetika meniru proses turun menurun dari gen untuk membentuk
offspring pada setiap generasi. Operasi evolusi meniru proses dari Darwinian
evolution untuk membentuk populasi dari generasi ke generasi.
Operator Algoritme Genetika
Algoritme Genetika mempunyai operator-operator yang secara berurutan
dipakai untuk menyelesaikan suatu permasalahan. Operator-operator tersebut
dibahas berikut ini (Suyanto 2005).
1. Seleksi
Tiga dasar pokok yang tergabung di dalam fase seleksi dalam metode Algoritme
Genetika yaitu:
o Sampling space
Prosedur seleksi yang menghasilkan populasi baru untuk generasi selanjutnya
berdasarkan pada baik semua parent atau offspring atau bagian dari mereka.
Inilah yang memimpin masalah dari sampling space. Sebuah sampling space

14
dikarakteristikkan oleh dua faktor yaitu size (ukuran) dan ingredient (bahan)
yang menunjuk pada parent dan offspring. Pop_size menunjuk pada ukuran
dari populasi dan off_size menunjuk pada ukuran dari offspring yang
dihasilkan pada setiap generasi.
o Sampling mechanism
Sampling mechanism memperhatikan masalah bagaimana memilih
chromosome dari sampling space.
o Selection probability
Bagian ini membicarakan bagaimana probabilitas seleksi untuk setiap
kromosom. Dalam prosedur seleksi perbandingan, probabilitas seleksi dari
sebuah kromosom sebanding dengan fitness value yang dimilikinya.
Beberapa pemakai Algoritme Genetika juga banyak yang menggunakan
metode Elitist yaitu pemilihan kromosom yang memiliki fitness yang paling baik di
dalam satu populasi. Pada pemilihan kromosom dalam suatu populasi yang terdiri
dari 10 kromosom, pemilihan kromosom itu tidak mengurangi jumlah kromosom
dalam satu populasi, melainkan metode elitist ini berfungsi mirip dengan
penggandaan dan kemudian menyimpan hasil penggandaan itu. Kromosom yang
terpilih dalam metode elitist ini tidak melewati urutan proses seperti seleksi,
crossover, dan mutasi, tetapi chromosome yang terpilih akan menggantikan secara
langsung chromosome pada generasi selanjutnya, yang memiliki nilai fitness paling
kecil.
2. Crossover
Di alam, crossover terjadi ketika parent bertukar bagian dari gen
pembentuknya. Dalam Algoritme Genetika, crossover menggabungkan materi
genetika dari kedua chromosome parent menjadi dua anak. Crossover yang dipakai
untuk bilangan real adalah Arithmatic Crossover. Prosedur untuk memilih parent
mana yang akan mengalami proses crossover:
 Tentukan probabilitas crossover.
 Bangkitkan bilangan random 0 sampai 1 sebanyak i (jumlah chromosome
dalam satu populasi).
 Bandingkan bilangan random itu dengan probabilitas crossover (Pc).
 Parent terpilih bila bilangan r yang ke-i kurang atau sama dengan
probabilitas crossover (Pc).
 Bila parent yang terpilih jumlahnya hanya satu maka proses ini diulang
sampai jumlah parent lebih dari satu.
3. Mutasi
Proses mutasi adalah proses yang bertujuan untuk mengubah salah satu atau
lebih bagian dari chromosome. Untuk bilangan floating ini memakai Nonuniform
Mutation atau yang dikenal sebagai Dynamic Mutation. Mutasi ini didesain untuk
dapat mentuning dengan baik dengan tujuan mencapai tingkat ketelitian yang
tinggi. Prosedur untuk menentukan gen mana yang akan dimutasi adalah:
 Tentukan probabilitas mutasi.
 Tentukan banyaknya bilangan random yang diperoleh dari banyaknya
jumlah kromosom dalam satu populasi x banyaknya gen dalam satu
kromosom (total_random).
 Bangkitkan bilangan random antara 0 dan 1 sebanyak total_random.

15




Bandingkan hasil random yang didapat sebanyak total_random dengan
probabilitas mutasi.
Bila kurang dari probabilitas mutasi (Pm) maka gen tersebut yang akan
dipilih untuk dimutasi.
Gen yang terpilih kemudian dihitung sehingga dapat diketahui gen tersebut
berada pada kromosom nomor berapa dan pada gen yang nomor berapa.
Lahan

Lahan merupakan bagian dari bentang alam (landscape) yang mencakup
pengertian lingkungan fisik termasuk iklim, topografi/relief, tanah, hidrologi, dan
bahkan keadaan vegetasi alami (natural vegetation) yang semuanya secara
potensial akan berpengaruh terhadap penggunaan lahan (FAO 1976). Lahan dalam
pengertian yang lebih luas termasuk yang telah dipengaruhi oleh berbagai aktivitas
flora, fauna dan manusia baik di masa lalu maupun saat sekarang, seperti lahan rawa
dan pasang surut yang telah direklamasi atau tindakan konservasi tanah pada suatu
lahan tertentu. Penggunaan yang optimal memerlukan keterkaitan dengan
karakteristik dan kualitas lahannya. Hal tersebut disebabkan adanya keterbatasan
dalam penggunaan lahan sesuai dengan karakteristik dan kualitas lahannya, bila
dihubungkan dengan pemanfaatan lahan secara lestari dan berkesinambungan.
Kualitas Lahan
Kualitas lahan adalah sifat-sifat pengenal atau atribut yang bersifat kompleks
dari sebidang lahan. Setiap kualitas lahan mempunyai keragaman (performance)
yang berpengaruh terhadap kesesuaiannya bagi penggunaan tertentu dan biasanya
terdiri atas satu atau lebih karakteristik lahan (land characteristics). Kualitas lahan
ada yang bisa diestimasi atau diukur secara langsung di lapangan, tetapi pada
umumnya ditetapkan dari pengertian karakteristik lahan (FAO 1976). Dalam
evaluasi lahan sering kualitas lahan tidak digunakan tetapi langsung menggunakan
karakteristik lahan (Driessen 1971; Staf PPT; FAO 1983), karena keduanya
dianggap sama nilainya dalam evaluasi. Berikut ini adalah beberapa kualitas lahan
pada evaluasi lahan pertanian secara umum:
1. Faktor Tingkat Bahaya Erosi (TBE)
Menurut Djaenuddin et al. (2011), tingkat bahaya erosi (TBE) dapat
diprediksi berdasarkan keadaan lapangan, yaitu dengan cara memperhatikan adanya
erosi lembar permukaan (sheet erosion), erosi alur (reel erotion), dan erosi parit
(gully erotion). Cara lain yang lebih mudah memprediksi bahaya erosi adalah
dengan memperhatikan rata-rata permukaan tanah yang hilang per tahun
dibandingkan dengan tanah yang tidak tererosi yang tercirikan dengan masih
adanya horizon A.
2. Faktor Banjir
Banjir ditetapkan sebagai kombinasi pengaruh dari: kedalaman banjir (X) dan
lamanya banjir (Y). Kedua data tersebut dapat diperoleh melalui wawancara dengan
penduduk setempat di lapangan.
Bahaya banjir dinotasikan sebagai Fx,y dimana X adalah kedalaman air
genangan, dan Y adalah lamanya banjir. Kelas bahaya banjir tersebut berdasarkan
kedalaman dan lamanya banjir disajikan dalam Tabel 1.

16
Tabel 1 Kelas bahaya banjir
Simbol Kelas bahaya
banjir
Tanpa
F0
Ringan
F1
Sedang
F2
Agak berat
F3
Berat
F4
Sumber: Djaenuddin et al. 2011

Kelas bahaya banjir berdasarkan
kombinasi kedalaman dan lamanya banjir
(Fx,y)
F1.1, F2.1, F3.1
F1.2, F2.2, F3.2, F4.1
F1.3, F2.3, F3.3
F1.4, F2.4, F3.4, F4.2, F4.3, F4.4

Karakteristik lahan
Karakteristik lahan adalah sifat lahan yang dapat diukur atau diestimasi. Dari
beberapa pustaka menunjukkan bahwa penggunaan karakteristik lahan untuk
keperluan evaluasi lahan bervariasi. Berikut ini adalah beberapa karakteristik yang
digunakan pada evaluasi lahan secara umum:
1. Faktor Tanah
Faktor tanah dalam evaluasi kesesuaian lahan ditentukan oleh beberapa sifat
atau karakteristik tanah di antaranya drainase tanah, tekstur, kedalaman tanah dan
retensi hara (pH, KTK), serta beberapa sifat lainnya diantaranya alkalinitas, bahaya
erosi, dan banjir/genangan.
2. Faktor Topografi
Topografi yang dipertimbangkan dalam evaluasi lahan adalah bentuk wilayah
(relief) atau lereng dan ketinggian tempat di atas permukaan laut. Relief erat
hubungannya dengan faktor pengelolaan lahan dan bahaya erosi. Sedangkan faktor
ketinggian tempat di atas permukaan laut berkaitan dengan persyaratan tumbuh
tanaman yang berhubungan dengan temperatur udara dan radiasi matahari.
3. Faktor Iklim
Salah satu faktor iklim yang digunakan adalah suhu, dimana pada daerah yang
data suhu udaranya tidak tersedia, suhu udara diperkirakan berdasarkan ketinggian
tempat dari permukaan laut. Semakin tinggi tempat, semakin rendah suhu udara
rata-ratanya.
Faktor iklim lainya adalah curah hujan. Data curah hujan diperoleh dari hasil
pengukuran stasiun penakar hujan yang ditempatkan pada suatu lokasi yang
dianggap dapat mewakili suatu wilayah tertentu. Pengukuran curah hujan dapat
dilakukan secara manual dan otomatis. Secara manual biasanya dicatat besarnya
jumlah curah hujan yang terjadi selama 1 (satu) hari, yang kemudian dijumlahkan
menjadi bulanan dan seterusnya tahunan. Sedangkan pengukuran curah hujan
secara otomatis menggunakan alat-alat khusus yang dapat mencatat kejadian hujan
setiap periode tertentu, misalnya setiap menit, setiap jam, dan seterusnya (Sitorus
1985).
Parameter Kesesuaian Lahan Untuk Penggunaan Tanaman Serealia
Setiap tanaman serealia akan memerlukan kebutuhan yang berbeda untuk
dapat tumbuh. Penentuan kesesuaian lahan untuk penggunaan tanaman serealia
dilakukan berdasarkan parameter yang meliputi sifat fisik dan sifat kimia tanah.

17
Sifat fisik tanah yang digunakan untuk menentukan kesesuaian lahan untuk
penggunaan tanaman serealia adalah (Sevani et al. 2009):
1. Suhu
Suhu yang diperlukan adalah suhu udara rata-rata pada lahan yang akan
digunakan.
2. Kedalaman Efektif
Kedalaman efektif merupakan kedalaman tanah yang masih dapat ditembus
oleh akar tanaman. Kedalaman efektif dapat diukur dengan menghitung jarak antara
permukaan tanah sampai pada lapisan di bawah tanah yang keras (batu).
Pengukuran dilakukan dengan menggunakan alat ukur panjang yang biasa
digunakan seperti penggaris dan hasilnya dituliskan dengan satuan centimeter (cm).
3. Bahan Kasar
Bahan kasar merupakan persentasi banyaknya bahan berukuran lebih dari 2
mm, seperti batu dan kerikil yang terdapat pada permukaan tanah.
4. Tekstur
Tekstur menyatakan ukuran butir-butir tanah. Yang dimaksud dengan butir
tanah adalah bahan pembentuk tanah yang berukuran kurang dari 2 mm. Tekstur
tanah ditentukan dengan cara meremas dan merasakan butir-butir tanah tersebut di
permukaan pada saat tanah dalam kondisi basah.
5. Drainase
Drainase merupakan cepat atau lambatnya air diserap oleh suatu tanaman.
Drainase dapat ditentukan dengan mengamati cepatnya air hilang dari permukaan
tanah dan mengamati tekstur tanah, karena tekstur tanah pada suatu lahan sangat
berhubungan dengan drainase pada lahan tersebut.
6. Tingkat Bahaya Erosi (TBE)
Parameter TBE merupakan parameter pengganti untuk parameter lereng. TBE
dapat digunakan, apabila pengguna sistem tidak mengetahui nilai lereng. TBE
menyatakan besarnya erosi yang mungkin terjadi pada lahan tersebut. Penentuan
TBE d