Pengembangan Sistem Pakar Identifikasi Awal Penyakit Kedelai Berbasis Android Dengan Pendekatan Naïve Bayes.

i

PENGEMBANGAN SISTEM PAKAR IDENTIFIKASI
AWAL PENYAKIT KEDELAI BERBASIS ANDROID
DENGAN PENDEKATAN NAÏVE BAYES

INDAH PUJI ASTUTI

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2015

ii

iii

PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa tesis berjudul Pengembangan Sistem
Pakar Identifikasi Awal Penyakit Kedelai Berbasis Android dengan Pendekatan

Naïve Bayes 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, Agustus 2015
Indah Puji Astuti
NIM G651130321

iv

RINGKASAN
INDAH PUJI ASTUTI. Pengembangan Sistem Pakar Identifikasi Awal Penyakit
Kedelai Berbasis Android dengan Pendekatan Naïve Bayes. Dibimbing oleh
IRMAN HERMADI, AGUS BUONO, dan KIKIN H. MUTAQIN.
Banyak faktor yang mempengaruhi menurunnya angka produksi kedelai di
Indonesia, salah satunya adalah faktor penyakit. Identifikasi awal penyakit kedelai
adalah upaya agar dapat dilakukan tindakan penanggulangan terhadap penyakit

dengan segera sehingga penurunan angka produksi kedelai dapat
diminimalisasikan. Hal ini membuat ketergantungan atas keberadaan seorang
pakar penyakit kedelai sangatlah tinggi. Namun, kesempatan dan waktu pakar
untuk ditemui tidak mudah tersedia untuk setiap saat, apalagi jumlahnya di daerah
pedesaan yang masih relatif sedikit. Tujuan dari penelitian ini adalah
mengembangkan sistem pakar identifikasi awal penyakit kedelai berbasis Android
menggunakan pendekatan Naïve Bayes. Sistem pakar berbasis Android diharapkan
menjadi solusi yang dapat dijadikan sarana untuk berkonsultasi tentang penyakit
kedelai layaknya seorang pakar yang dapat digunakan kapanpun dan dimanapun.
Pengembangan sistem pakar mengadopsi pendekatan Expert System
Development Life Cycle (ESDLC). Tahapan-tahapannya terdiri dari inisialisasi
proyek, analisis dan desain, implementasi dan pengujian. Jumlah penyakit kedelai
yang bisa diidentifikasi dalam penelitian ini berjumlah 14 jenis penyakit.
Penelitian ini menggunakan beberapa variabel untuk menghitung kemungkinan
nilai bayesnya, di antaranya variabel gejala, variabel fase pertumbuhan kedelai
dan variabel prior penyakit kedelai.
Hasil pengujian aplikasi pada penelitian ini menunjukkan bahwa tidak
semua jenis penyakit berhasil diidentifikasi dengan tepat. Hasil pengujian
menunjukkan bahwa aplikasi mampu mendeteksi dengan tepat sebesar 47% untuk
jenis penyakit di dataran tinggi dan 75% untuk jenis penyakit di dataran rendah.

Dalam hal ini, identifikasi menggunakan pendekatan Naïve Bayes tidak selalu
dapat menemukan jenis penyakit dengan benar. Nilai akurasi yang masih kurang
dari 100% ini dimungkinkan karena ada variabel yang menggunakan nilai
pendekatan yang masih kurang merepresentasikan data aktual.
Kata kunci : basis android, ESDLC, penyakit kedelai, naive bayes, sistem pakar

v

SUMMARY
INDAH PUJI ASTUTI. Android-based Expert System for Early Identification of
Soybean Diseases with Naïve Bayes Classifier. Supervised by IRMAN
HERMADI, AGUS BUONO, dan KIKIN H. MUTAQIN.
Many factors affect the decreasing of soybean production rate in Indonesia,
one of which is disease factor. Early identification of soybean disease is a step that
can be taken to get the description of the disease and can give countermeasures
quickly so the decrease in soybean production can be minimized. The demand for
the existence of an expert on soybean disease is very high. However, the number
and time allocation of the experts is not easily available at any time, especially in
rural areas. The aim of this research is to develop an Android-based expert system
for early soybean disease identification using Naïve Bayes classifier. An expert

system would become a solution to be used as a diagnostic tool for soybean
diseases just like a human expert. It would be easier when the system is
implemented using an Android-based application to use anywhere and anytime.
This research developed the system using Expert System Development Life
Cycle (ESDLC) approach. The stages are project initialization, analysis, design,
implementation, and testing. That soybean disease that could be identified in this
study is about 14 diseases. This study used several variables to calculate Bayesian
probability values: symptoms of soybean diseases, phases of the growth of
soybean, and prior probability values of soybean diseases.
The test results on the system of this research showed that not all kinds of
diseases were identified correctly. The test results showed that the system could
detect 47% disease in the highland and 75% disease in the lowland. In this case,
the identification using Naïve Bayes approach could not always find the type of
the disease correctly. The accuracy values were still less than 100% because there
were variables that used approximation values that could not represented the
actual data properly.
Keywords: android-based application, ESDLC, expert system,
naïve bayes classifier, soybean disease

vi

© 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

vii

PENGEMBANGAN SISTEM PAKAR IDENTIFIKASI
AWAL PENYAKIT KEDELAI BERBASIS ANDROID
DENGAN PENDEKATAN NAÏVE BAYES

INDAH PUJI ASTUTI

Tesis

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

SEKOLAH PASCASARJANA
INSTITUT PERTANIAN BOGOR
BOGOR
2015

viii

Penguji Luar Komisi pada Ujian Tesis : Dr Eng Wisnu Ananta Kusuma, ST, MT

ix

x

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 2014 ini ialah sistem
pakar, dengan judul Pengembangan Sistem Pakar Identifikasi Awal Penyakit
Kedelai Berbasis Android dengan Pendekatan Naïve Bayes.
Terima kasih penulis ucapkan kepada Bapak Irman Hermadi, S.Kom, MS,
PhD, Bapak Dr. Ir. Agus Buono, M.Si, M.Kom, dan Bapak Dr. Ir. Kikin H.
Mutaqin, M.Si selaku pembimbing yang telah banyak meluangkan waktu untuk
membimbing, mengarahkan serta memberi saran kepada penulis sampai
terselesaikannya penelitian ini. Ungkapan terima kasih juga disampaikan kepada
ummi – abi atas cinta kasih dan dukungannya tiada henti kepada penulis, serta
seluruh keluarga, atas segala doa dan kasih sayangnya. Selain itu, penulis
menyampaikan terima kasih kepada semua dosen dan staf Departemen Ilmu
Komputer IPB yang telah membantu selama proses penelitian. Teman-teman Dwi
Regina, Kak Yudith, Halimah, Kak Adi, teman sepembimbingan Bapak Irman dan
Bapak Agus dan teman-teman seperjuangan angkatan 15 Ilmu Komputer IPB
yang selalu bersama penulis dua tahun ini, terima kasih atas dukungannya.
Semoga karya ilmiah ini bermanfaat.

Bogor, Juni 2015
Indah Puji Astuti

xi

DAFTAR ISI
DAFTAR TABEL
DAFTAR GAMBAR
DAFTAR LAMPIRAN

xii
xii
xiii

1. PENDAHULUAN
Perumusan Masalah
Tujuan Penelitian
Manfaat Penelitian
Ruang Lingkup Penelitian

1
2

2
3
3

2. TINJAUAN PUSTAKA
Sistem Pakar
Kedelai (Glycine max (L.) Merril)
Penyakit Kedelai
Rule Based Reasoning
Metode Naïve Bayes
Knowledge Engineering Process
ESDLC

3
3
3
4
4
5
7

7

3. METODE PENELITIAN

8

4. HASIL DAN PEMBAHASAN
Tahap I Inisialisasi Proyek
Tahap II Knowledge Engineering Process
Mengumpulkan Pengetahuan
Merepresentasikan Pengetahuan
Membuat Basis Pengetahuan
Validasi Pengetahuan
Inferensi
Penjelasan Hasil Inferensi
Tahap III Pengembangan Sistem
Analisis
Desain
Implementasi
Pengujian

Tahap IV Pengujian Lapangan

10
10
11
11
11
12
13
13
16
17
17
17
26
31
32

5. KESIMPULAN

34

DAFTAR PUSTAKA
LAMPIRAN
RIWAYAT HIDUP

36
38
64

xii

DAFTAR TABEL
1.
2.
3.
4.
5.

Penyakit Penting Tanaman Kedelai di Indonesia
4
Pengkodean Penyakit Penting Tanaman Kedelai di Indonesia
11
Peluang Prior Penyakit Kedelai
12
Rule Penyakit Kedelai dan Gejalanya pada Tiap-tiap Fase Pertumbuhan 12
Perbandingan Hasil Diagnosis Pendekatan Naïve Bayes dan Rule
(Dataran Tinggi)
14
6. Perbandingan Hasil Diagnosis Pendekatan Naïve Bayes dan Rule
(Dataran Rendah)
15
7. Aktor Sistem Pakar XSIDS
19
8. Hasil Pengujian Sistem Pakar Berbasis Android dengan Emulator
31

DAFTAR GAMBAR
1. Knowledge Engineering Process
2. Skema Tahapan ESDLC
3. Metode Penelitian Mengadopsi Metode ESDLC
4. Rancangan Use Case Diagram
5. Rancangan Class Diagram
6. Diagram Sekuensial Pengetahuan Tentang Kedelai
7. Diagram Sekuensial Kebijakan Pemerintah
8. Diagram Sekuensial Konsultasi
9. Diagram Sekuensial Tentang Kami
10. Diagram Sekuensial Tentang XSIDS
11. Diagram Sekuensial Note
12. Diagram Activititas Konsultasi
13. Arsitektur Sistem Pakar XSIDS
14. Rancangan Halaman Loading
15. Rancangan Halaman Menu Utama
16. Rancangan Menu Konsultasi
17. Package com.tesis.xsids
18. Tabel Rule di SQLite
19. Pembuatan Antarmuka pada File .xml
20. Contoh Tampilan Emulator Android
21. Halaman Loading XSIDS
22. Halaman Utama XSIDS
23. Menu Konsultasi XSIDS
24. Menu Pengetahuan Tentang Kedelai
25. Menu Kebijakan Pemerintah
26. Menu Tentang Kami
27. Menu Tentang XSIDS
28. Menu Note
29. Letak Berkas Xsids.apk
30. Xsids.apk Berhasil Terinstal

7
8
9
18
19
20
20
21
22
22
23
23
24
25
25
25
26
27
28
28
29
29
30
30
30
30
30
31
33
33

xiii

DAFTAR LAMPIRAN
1.
2.
3.
4.
5.
6.

Daftar Gejala Penyakit pada Tiap-tiap Fase Pertumbuhan
Informasi Penyakit Kedelai
Penanggulangan Penyakit Kedelai
Contoh Perhitungan Identifikasi Penyakit Kedelai dengan Naïve Bayes
Tampilan Aplikasi XSIDS
Pengelompokan Jenis Penyakit yang Menyerang Berdasarkan
Fase Pertumbuhan Kedelai
7. Form Pemberian Skoring pada Variabel Ketinggian (Dataran Tinggi –
Dataran Rendah) untuk Penentuan Nilai Prior
8. Form Pengujian (User Acceptance Testing)

39
42
49
51
54
60
60
62

1

1 PENDAHULUAN
Kedelai memiliki manfaat yang beragam, misalnya dari kedelai dapat
dihasilkan antara lain bahan olahan makanan seperti tahu, tempe, susu, tepung
kedelai, minyak kedelai, pakan ternak, dan dapat juga untuk bahan baku industri.
Hal ini menyebabkan tingginya permintaan kedelai di dalam negeri. Konsumsi
kedelai di Indonesia mencapai 2,2 juta ton per tahun, dari jumlah itu sekitar 1,6
juta ton harus diimpor (75%) (Pusat Data dan Informasi Pertanian, 2013). Bila
diamati berdasarkan subsektor, maka kondisi perdagangan komoditas tanaman
pangan di Indonesia berada dalam posisi defisit atau menjadi negara net importer.
Komoditas pangan dengan nilai impor terbesar adalah gandum, kedelai diikuti
oleh jagung dan beras. Hal ini menjadi indikator kinerja sasaran strategis
Kementerian Pertanian. Sasaran yang ingin dicapai dalam periode 2015-2019 di
antaranya adalah swasembada padi, jagung dan kedelai serta peningkatan
produksi daging dan gula (Kementrian Pertanian Republik Indonesia, 2015).
Banyak faktor yang mempengaruhi menurunnya angka produksi kedelai
diantaranya adalah faktor penyakit. Kedelai diketahui memiliki banyak penyakit
yang disebabkan oleh berbagai jenis patogen seperti cendawan, virus, bakteri dan
nematoda. Pengendalian suatu penyakit tanaman akan efektif jika didasarkan atas
diagnosis dan identifikasi patogen penyebabnya secara tepat. Gejala suatu
penyakit dapat berbeda-beda dan cukup khas tergantung jenis patogennya,
walaupun patogen yang sama dapat menghasilkan variasi gejala dan sebaliknya
beberapa patogen berbeda dapat menghasilkan gejala yang mirip. Gejala dapat
dijadikan dasar untuk diagnosis maupun identifikasi awal suatu penyakit (Agrios,
2005). Pengetahuan tentang gejala maupun cara identifikasi diperlukan petani
untuk mengetahui jenis penyakit dan dasar pengambilan keputusan
pengendalianya, namun kemampuan tersebut harus diperoleh melalui pengalaman
dan pelatihan yang panjang dan seringkali hanya dimiliki kalangan tertentu saja
(pakar).
Petani perlu mengetahui informasi dengan cepat dan akurat terkait jenis
penyakit yang menyerang kedelai yang mereka tanam untuk dapat segera
mengetahui solusi dan memutuskan pengendalian. Keberadaan seorang pakar
dalam bidang identifikasi penyakit kedelai sangatlah dibutuhkan untuk
permasalahan seperti ini, namun seorang pakar tidak selalu ada di setiap saat atau
seringkali sulit ditemui terutama di daerah pedesaan. Pakar yang berpengalaman
adalah stakeholder yang dapat memberikan informasi untuk membuat keputusan
yang memungkinkan dapat meningkatkan produksi pertanian (Tatte dan Nichat,
2010), sehingga dibutuhkan suatu sistem untuk menjawab permasalahan di atas
yaitu sistem yang bisa membantu mereka untuk mengontrol masalah yang mereka
alami kaitannya dengan identifikasi penyakit yang menyerang tanaman tanpa
harus bertemu langsung dengan pakar (Sharma et. al, 2010).
Aplikasi sistem pakar yang berbasis Android diharapkan dapat
mempermudah user memperoleh informasi dalam mengetahui jenis penyakit
kedelai secara dini dan mandiri tanpa harus memiliki perangkat komputer atau
selalu terkoneksi dengan jaringan internet (Al Ihsan 2012). Penggunaan aplikasi
akan lebih praktis dan efisien ketika diimplementasikan ke dalam aplikasi berbasis
mobile-Android, selain perangkat mobile yang sudah banyak dimiliki oleh

2

sebagian besar masyarakat, pengguna aplikasi tersebut bisa mengggunakan
aplikasi tersebut dimana saja (Ardianto et al. 2012).
Pada penelitian sebelumnya yang dilakukan oleh Ambica et al. (2013) yaitu,
penerapan metode Naive Bayes Classifier untuk efisiensi pada sistem pakar
identifikasi penyakit diabetes. Hasil penelitian tersebut menjelaskan bahwa
metode Naive Bayes mampu mengekstrak data set secara optimal.
Setiawan dan Ratnasari (2014) menghitung nilai probabilitas untuk
menentukan penyakit mata. Probabilitas dihitung menggunakan pendekatan Naïve
Bayes dengan perbandingan nilai ketepatan antara perhitungan menggunakan
Naïve Bayes dan pendapat pakar mencapai 83% berdasarkan 12 data pasien.
Kaitannya dengan penggunaan teori Naïve Bayes, Farid et al. (2014) telah
melakukan penelitian yang tujuannya untuk meningkatkan akurasi klasifikasi
dalam klasifikasi multi-kelas yaitu dengan mengusulkan dua pendekatan
algoritma, yaitu Decision Tree dan Naive Bayes Classifier. Hasil pengujian
menunjukkan bahwa kedua algoritma yang diusulkan berjalan dengan baik pada
10 sampel kasus.
Metode pendekatan Naive Bayes memiliki nilai akurasi yang lebih pada
penelitian-penelitian sebelumnya. Untuk itu, tujuan pada penelitian ini adalah
mengembangkan sistem pakar untuk identifikasi awal penyakit kedelai dengan
menentukan nilai kemungkinan deteksi penyakit kedelai menggunakan pendekatan
Naïve Bayes. Jumlah penyakit kedelai yang bisa diidentifikasi dalam penelitian ini
berjumlah 14 jenis penyakit. Penelitian ini menggunakan beberapa variabel untuk
menghitung kemungkinan nilai bayesnya, di antaranya dibedakan menjadi 4 fase
pertumbuhan kedelai (kecambah, tanaman muda, tanaman dewasa dan biji),
menggunakan variable ketinggian (dataran tinggi dan dataran rendah) dengan nilai
frekuensi terjadinya penyakit berdasarkan pemberian skoring oleh pakar untuk
menentukan nilai priornya, serta total gejala penyakit untuk semua fase
pertumbuhan berjumlah 94. Kemudian dari variabel yang dimasukkan, sistem
akan menghitung nilai kemungkinan masing-masing gelaja dengan mengacu pada
rule yang sudah dibuat. Hasil perbandingan nilai terbesar dari tiap-tiap penyakit
maka akan diketahui jenis penyakit yang menyerang tanaman kedelai.
Perumusan Masalah
Beberapa permasalahan yang dikaji dalam penelitian ini adalah:
1. Bagaimana menggunakan pendekatan Naive Bayes untuk menghitung nilai
kemungkinan hasil identifikasi penyakit kedelai
2. Bagaimana mengidentifikasi penyakit kedelai dan melakukan pengendalian
yang tepat terhadap kedelai secara dini tanpa berkonsultasi langsung dengan
pakar karena ketidaktersediaan pakar setiap saat
Tujuan Penelitian
Tujuan dari penelitian ini di antaranya adalah:
1. Mengembangkan sistem pakar identifikasi awal penyakit kedelai berbasis Android.
2. Menentukan nilai kemungkinan deteksi penyakit kedelai menggunakan
pendekatan Naïve Bayes.

3

Manfaat Penelitian
Manfaat dari penelitian ini adalah:
1. Membantu mendeteksi penyakit kedelai secara mandiri tanpa harus
berkonsultasi atau bertemu langsung dengan pakar.
2. Memberikan saran penanggulangan sehingga dapat segera diberikan
penanggulangan terhadap penyakit yang menyerang kedelai.
Ruang Lingkup Penelitian
1.
2.
3.
4.
5.

Beberapa ruang lingkup yang digunakan pada penelitian ini di antaranya :
Informasi gejala-gejala dan penyakit kedelai
Informasi penanggulangan penyakit kedelai
Nilai kemungkinan terjadinya penyakit kedelai pada dataran tinggi dan dataran
rendah
Pakar penyakit kedelai dari Departemen Proteksi Tanaman IPB yaitu, Dr. Ir.
Kikin H. Mutaqin, M.Si
Sasaran pengguna sistem (user) adalah penyuluh, praktisi, dinas pertanian,
petani, dan mahasiswa.

2 TINJAUAN PUSTAKA
Sistem Pakar
Sistem pakar (expert system) adalah paket perangkat lunak pengambilan
keputusan atau pemecahan masalah yang dapat mencapai tingkat performa yang
setara atau bahkan lebih dengan pakar manusia di beberapa bidang khusus dan
biasanya mempersempit area masalah (Turban et al. 2005).
Definisi sistem pakar lainnya, yaitu sistem pakar merupakan bagian dari
cabang ilmu Artificial Intellegence. Secara umum, sistem pakar adalah sistem
yang berusaha mengadopsi pengetahuan manusia (ahli atau pakar) ke komputer,
agar komputer dapat menyelesaikan permasalahan seperti yang biasa dilakukan
oleh para ahli atau pakar. Jadi ketika user menggunakan sistem tersebut, seolaholah user sedang berkonsultasi dengan layaknya seorang pakar (Giarratano dan
Filey 2005).
Kedelai (Glycine max (L.) Merril)
Kedelai termasuk salah satu komoditas pangan yang telah lama dikenal dan
dibudidayakan oleh masyarakat Indonesia. Kedelai mempunyai nilai gizi yang
tinggi namun dengan harga yang terjangkau untuk semua lapisan masyarakat.
Selain digunakan sebagai bahan baku industri pangan seperti tempe, tahu, kecap,
susu, tepung dan lain sebagainya, kedelai juga dapat digunakan sebagai bahan
pakan ternak.
Kedelai (Glycine max (L.) Merril) dikenal dengan beberapa nama botani,
yaitu Glycine soja, Glycine max dan Soja max. Tahun 1948 telah disepakati

4

bahwa nama botani yang dapat diterima dalam istilah ilmiah, yaitu (Glycine max
(L.) Merill). Klasifikasi tanaman kedelai (Cahyadi 2009),
Nama ilmiah : Glycine max (L.) Merrill
Ordo : Polypetales
Sub Famili : Papilionoideae
Genus : Glycine
Species : Max
Famili : Leguminosae
Penyakit Kedelai
Ada berbagai macam penyakit kedelai, di antaranya (Semangun 1991 dan
Hartman 1999) :
No
1
2
3
4
5
6
7
8
9
10
11
12
13
14

Tabel 1. Penyakit Penting Tanaman Kedelai di Indonesia
Nama Penyakit
Patogen
Hawar Bakteri
Pseudomonas syringae pv. Glycinea
Pustul Bakteri
Xanthomonas axonopodis pv glycinea
Antraknosa
Collectrichum truncatum
Bercak Coklat
Septoria glycines
Bercak Biji Ungu
Cerospora kikuchii
Penyakit Layu Sklerotium Sclerotium rolfsii Sacc
Bercak Daun cercospora
Cerospora sojina Hara
(mata kodok)
Hawar Batang
Phomopsis sojae
Busuk Arang
Machrophonia phaseolina
Rebah Kecambah
Rhizoctonia solani Kuhn
Penyakit Karat
Phakospora pachyrhizi Syd
Kerdil Kedelai
Soybean Stunt Virus
Sapu
Fitoplasma
Virus Mosaik
Soybean Mosaic Virus
Rule Based Reasoning

Representasi berbasis aturan mempunyai pola if sebagai kondisi atau premis
dan then sebagai aksikonklusi pada suatu tabel knowledge base. Kaitannya dalam
penelitian ini if bisa direprentasikan sebagai gejala-gejala yang menyerang pada
tanaman dan then berupa hasil identifikasi jenis penyakit tanaman.
Untuk suatu kondisi tertentu dimana if premis then konklusi, dan premisnya
lebih dari satu maka dapat dihubungkan dengan operator and atau or. Sedangkan
pada bagian konklusi dapat berupa kalimat tunggal, beberapa kalimat yang
dihubungkan dengan and atau or (Turban et al. 2005).
Contoh aturan menggunakan if - then adalah sebagai berikut:
1 : if musim hujan then cuaca dingin
2 : if hari ini hujan AND tidak ada payung then tidak keluar rumah
3 : if cuaca dingin OR hari ini hujan then tidak keluar rumah

5

Metode Naive Bayes
Pendekatan Naive Bayes merupakan sebuah metode klasifikasi yang
mengacu pada teorema Bayes. Teorema Bayes digunakan untuk menghitung
probabilitas ketidakpastian data (Russel & Norvig 2010). Proses pendekatan
Naïve Bayes Classifier mengasumsikan bahwa ada atau tidaknya suatu fitur pada
suatu kelas tidak berhubungan dengan ada atau tidaknya fitur lain di kelas yang
sama (Setiawan & Ratnasari 2015). Pada saat klasifikasi, pendekatan Bayes akan
menghasilkan tabel kategori yang paling tinggi nilai probabilitasnya yaitu VMAP
(Maximum Apriori Probability) dengan atribut inputan G1, G2,… Gn (Aribowo
2010). Pernyataan tersebut dapat dituliskan dengan formula sebagai berikut :
VMAP = argmaxvjϵv P(G1, G2, G3 … Gn)

(1)

Formula bayes menurut (Duda et. al. 2001):
P(

| )=

)

|

)

(2)

)

Formula Bayes pada persamaan (2) secara umum dapat ditulis sebagai berikut :
(3)

Posterior =
Dimana :
Posterior(

Prior (ω):

Likelihood |
Evidence (x)

Formula bayes memperlihatkan bahwa dengan mengamati
nilai x, kita dapat mengkonversi peluang prior P( ),
menjadi peluang posterior P( | ), yaitu peluang bahwa
dengan syarat nilai fitur x telah
state berada pada
diamati.
Peluang prior P(ω) merefleksikan pengetahuan
sebelumnya mengenai kemunculan jenis kelas, dan ini
tergantung pada pengalaman sebelumnya.
| ) sebagai kemungkinan likelihood dari
):
(prior)
yang bersesuaian dengan x (evidence).
P(x) sebagai faktor skala.

| ):

Untuk menjelaskan teorema Naive Bayes, perlu diketahui bahwa proses
klasifikasi memerlukan sejumlah petunjuk untuk menentukan kelas apa yang
cocok bagi sampel yang akan dianalisis (Natalius 2011). Karena itu, teorema
Bayes di atas dapat disesuaikan sebagai berikut:
P( | 1, … ,

)=

)

| )

!, ",…
!, ",…

)

(4)

Dimana variabel V merepresentasikan kelas penyakit (Disease), sementara
variabel G1,G2,...Gn merepresentasikan fitur-fitur petunjuk (gejala) yang
dibutuhkan untuk melakukan klasifikasi. Maka rumus tersebut menjelaskan
bahwa peluang masuknya sampel dengan fitur (gejala) tertentu dalam kelas V

6

(posterior) adalah peluang munculnya kelas V (sebelum masuknya sampel
tersebut (disebut juga prior) dikali dengan peluang munculnya fitur-fitur (gejalagejala) sampel pada kelas V (disebut juga likelihood), dibagi dengan peluang
kemunculan fitur-fitur (gejala-gejala) sampel secara global (disebut juga evidence)
(Natalius 2011).
Menggunakan teorema pada persamaan (4) dapat ditulis sebagai berikut :
)

VMAP = argmaxvjϵv
Dimana :
VMAP
P(Vj)
P(G1,G2,…Gn|Vj)
P(G1,G2,…Gn)

|

!, ",…
!, ",…

)

)

(5)

= Probabilitas (penyakit) tertinggi
= Peluang jenis penyakit kedelai kej (prior)
= Peluang atribut-atribut inputan jika diketahui keadaan Vj
= Peluang atribut-atribut inputan

Karena nilai P(G1,G2,…Gn) nilainya konstan untuk semua Vj maka persamaan
tersebut dapat ditulis :
VMAP = argmaxvjϵv P(Vj) x P(G1, G2,…Gn|Vj)

(6)

Untuk perhitungan P(Vj) x P(G1, G2,…Gn|Vj) akan semakin sulit karena
jumlah gejala P(Vj) x P(G1, G2,… Gn|Vj) dapat semakin besar. Hal ini karena
jumlah gejala tersebut sama dengan jumlah kombinasi gejala dikalikan dengan
jumlah kelas yang ada (Aribowo 2010).
Perhitungan Naïve Bayes adalah sebagai berikut (Setiawan & Ratnasari 2015):
Menghitung P(Gi|Vj) =

#$ .

(7)

#$

Dimana :
nc
= jumlah record pada data learning yang V = Vj dan G = Gi
p
= peluang jenis penyakit (prior)
m
= jumlah gejala
n
= jumlah record pada data learning yang V = Vj tiap class (penyakit)
Persamaan (6) dapat diselesaikan melalui perhitungan sebagai berikut :
1. Menentukan nilai nc untuk setiap class
2. Menentukan nilai P(Vj) atau nilai prior. Pada penelitian ini nilai prior
diperoleh dari pemberian scoring oleh pakar
3. Menghitung nilai P(Gi|Vj)
VMAP = argmaxvjϵv P(Vj) ∏ '

'|

)

Dimana :
P(Vj) = Peluang jenis penyakit kej nilai prior penyakit kej
P(Gi|Vj) =

#$ .
#$

(8)

7

4. Menghitung P(Vj) x P(Gi|Vj) untuk tiap V
5. Menentukan hasil klasifikasi yaitu V yang memiliki hasil perkalian yang
terbesar
Knowledge Engineering Process
Knowledge engineering process merupakan tahapan-tahapan yang
digunakan dalam mengembangkan atau membangun suatu sistem pakar. Tahapan
dapat digambarkan sebagai berikut (Turban et al. 2005):

Gambar 1. Knowledge Engineering Process
Penjelasan pada Gambar 1. adalah sebagai berikut :
1. Tahap Aqcuisition of Knowledge, yaitu mengumpulkan pengetahuan yang di
dapat dari wawancara dengan pakar, buku referensi, jurnal, data-data penelitian
sebelumnya dan sebagainya.
2. Tahap Knowledge Representation, yaitu merepresentasikan pengetahuan yang
telah dikumpulkan untuk membangun sebuah knowledge based.
3. Tahap Knowlagde Based, yaitu merepresentasikan pengetahuan dalam bentuk
aturan (rule).
4. Tahap Knowledge validation and verification, yaitu knowledge based yang
sudah dibangun divalidasi oleh pakar atau ahli.
5. Tahap Inferences, yaitu penentuan jawaban dari permasalahan yang ada. Jika
permasalahan berhasil diidentifikasi sesuai dengan rule yang dibuat berarti
proses identifikasi berhasil.
6. Tahap Explanation and justification capabilities, yaitu sistem akan
memberikan alasan atau penjelaan sesuai dengan permasalahan yang berhasil
diidentifikasi.
ESDLC
Dalam pengembangan sebuah sistem pakar, dikenal sebuah siklus yang
bernama Expert System Development Life Cycle (ESDLC) (Turban et al. 2005).

8

Siklus ini digunakan sebagai acuan dari tahap ke tahap untuk mengembangkan sistem
pakar agar lebih terstruktur dan terarah dalam pengerjaannya. Adapun tahapantahapan yang ada dalam ESDLC dapat digambarkan dalam skema berikut:

Gambar 2. Skema Tahapan ESDLC

3 METODE
Pada bagian ini akan dijabarkan tentang metode penelitian. Tahapan dalam
penelitian ini diadopsi dari metode pengembangan sistem pakar ESDLC meliputi
tahapan inisialisasi proyek, knowledge engineering process, membangun sistem,
dan pengujian lapangan.

9

Gambar 3. Metode
Me
Penelitian Mengadopsi Metode ESDLC

10

Tahap I Inisialisasi Proyek
Tahap I adalah tahap inisialisasi proyek. Pada penelitian ini terdiri dari 4
fase. Fase tersebut adalah fase mendefinisikan masalah, fase memberikan solusi
alternative, fase memverifikasi metode, fase menentukan pakar.
Tahap II Knowledge Engineering Process
Tahap II merupakan tahapan-tahapan yang ada dalam knowledge
engineering process. Dimulai dari tahapan akuisisi atau mengumpulkan
pengetahuan untuk membuat basis pengetahuan (knowledge base),
merepresentasikan pengetahuan, membuat basis pengetahuan, memvalidasi
pengetahuan, inferensi, dan tahap memerikan penjelasan terhadap hasil inferensi.
Tahap III Pengembangan Sistem
Tahap III adalah tahap mengembangkan sistem pakar, terdiri dari beberapa
tahapan di antaranya adalah tahap analisis, tahap desain, tahap implementasi dan
tahap pengujian.
Tahap IV Pengujian Lapangan
Tahap IV dilakukan pengujian oleh para pengguna (user acceptance
testing). Pengujian dilakukan terhadap menu-menu yang ada dalam sistem pakar
identifikasi awal penyakit kedelai berbasis Android dengan metode pengujian
black box testing. Menu-menu diuji coba apakah sudah berjalan sesuai dengan
fungsinya.

4 HASIL DAN PEMBAHASAN
Tahap I Inisialisasi Proyek
Tahap ini merupakan tahap penting sebelum sistem pakar dikembangkan.
Tahap inisialisasi dalam penelitian ini meliputi beberapa aspek seperti :
a. Mendefinisikan masalah
- Banyaknya jenis penyakit kedelai dengan gejala yang beraneka ragam yang
cukup membingungkan dalam pengidentifikasian jenis penyakitnya.
- Tidak semua orang yang ingin mengetahui jenis penyakit kedelai memiliki
perangkat komputer dan terkoneksi dengan jaringan Internet
- Keberadaan seorang pakar bidang penyakit kedelai yang susah untuk
ditemui setiap saat
b. Memberikan solusi alternatif
Mengembangkan XSIDS (Expert System for Identification of Diseases in
Soybean) yaitu sistem pakar identifikasi awal penyakit kedelai berbasis
Android dengan harapan bisa membantu pengguna dalam mendapatkan
informasi yang cepat dan akurat mengenai penyakit yang menyerang kedelai
kapan saja dan dimana saja.

11

c. Memverifikasi metode yang digunakan dalam pembuatan sistem pakar
Metode inferensi yang digunakan dalam XSIDS adalah pendekatan Naive
Bayes. Metode ini digunakan untuk menghitung nilai kemungkinan hasil
identifikasi penyakit kedelai.
d. Menentuan pakar
Yaitu, Dr. Ir. Kikin H. Mutaqin, M.Si. pakar penyakit kedelai dari
Departemen Proteksi Tanaman Institut Pertanian Bogor.
Tahap II Tahap Knowledge Engineering Process
Dalam mengembangkan suatu sistem pakar diperlukan beberapa tahapan
yang mana tahapan-tahapan ini berbeda dengan tahapan pengembangan sistem
informasi. Turban (2005) mengatakan tahapan-tahapan dalam pengembangan
sistem pakar terdiri dari tahap akuisisi atau mengumpulkan pengetahuan untuk
membuat basis pengetahuan (knowledge base), merepresentasikan pengetahuan,
membuat basis pengetahuan, memvalidasi pengetahuan, inferensi, dan tahap
memerikan penjelasan terhadap hasil inferensi.
Mengumpulkan Pengetahuan
Dalam penelitian ini tahap mengumpulkan pengetahuan dilakukan dengan
mengumpulan informasi tentang penyakit kedelai dari wawancara dengan pakar
penyakit kedelai. Selain itu, pengetahuan juga diperoleh dari buku referensi, dan
jurnal penelitian-penelitian sebelumnya.
Merepresentasikan Pengetahuan
Tujuan dari tahap ini adalah merepresentasikan pengetahuan yang telah
dikumpulkan untuk membangun sebuah knowledge base. Dalam tahapan ini
beberapa pengetahuan direpresentasikan dalam bentuk kode, kemudian
ditanamkan dalam sebuah knowledge base. Beberapa pengetahuan yang
digunakan dalam penelitian ini di antaranya adalah daftar penyakit penting
tanaman kedelai di Indonesia, daftar peluang prior tiap-tiap penyakit, daftar gejala
penyakit berdasarkan fase pertumbuhan yaitu kecambah, tanaman muda, tanaman
dewasa, bijibenih, dan daftar informasi penyakit serta cara penanggulangannya.
Daftar penyakit penting tanaman kedelai di Indonesia dan daftar peluang
prior tiap-tiap penyakit dapat dilihat pada Tabel 2. dan Tabel 3. Daftar gejala
penyakit berdasarkan fase pertumbuhan, daftar informasi penyakit serta cara
penanggulangannya dapat dilihat pada lampiran.

No
1
2
3
4
5
6

Tabel 2. Pengkodean Penyakit Penting Tanaman Kedelai di Indonesia
Kode
Nama Penyakit
Patogen
A
B
C
D
E
F

Hawar Bakteri
Pustul Bakteri
Antraknosa
Bercak Coklat
Bercak Biji Ungu
Penyakit Layu Sklerotium

Pseudomonas syringae pv. Glycinea
Xanthomonas axonopodis pv glycinea
Collectrichum truncatum
Septoria glycines
Cerospora kikuchii
Sclerotium rolfsii Sacc

12

No

Kode

7

G

8
9
10
11
12
13
14

H
I
J
K
L
M
N

Nama Penyakit
Bercak Daun cercospora
(mata kodok)
Hawar Batang
Busuk Arang
Rebah Kecambah
Penyakit Karat
Kerdil Kedelai
Sapu
Virus Mosaik

Patogen
Cerospora sojina Hara
Phomopsis sojae
Machrophonia phaseolina
Rhizoctonia solani Kuhn
Phakospora pachyrhizi Syd
Soybean Stunt Virus
Fitoplasma
Soybean Mosaic Virus

Tabel 3. Peluang Prior Penyakit Kedelai (berdasarkan hasil pemberian scoring
oleh pakar)
No
Nama penyakit
Ketinggian
Peluang Prior
Tinggi Rendah Tinggi Rendah
1 Hawar Bakteri
4
5
447
558
2 Pustul Bakteri
5
4
547
458
3 Antraknosa
4
5
447
558
4 Bercak Coklat
3
3
347
358
5 Bercak Biji Ungu
2
3
247
358
6 Penyakit Layu Sklerotium
4
5
447
558
7 Bercak Daun cercospora
2
3
247
358
(mata kodok)
8 Hawar Batang
3
4
347
458
9 Busuk Arang
3
4
347
458
10 Rebah Kecambah
4
4
447
458
11 Penyakit Karat
4
5
447
558
12 Kerdil Kedelai
3
5
347
558
13 Sapu
3
4
347
458
14 Virus Mosaik
3
4
347
458
Membuat Basis Pengetahuan
Pada tahap ini, pengetahuan yang sudah dikumpulkan dibuat rule. Rule yang
digunakan pada penelitian ini dapat dilihat pada Tabel 4.
Tabel 4. Rule Penyakit Kedelai dan Gejalanya pada Tiap-tiap Fase Pertumbuhan
Fase
Nama Penyakit
Gejala
BijiBenih
1. Hawar Bakteri
BJ001, BJ002
2. Antraknose
BJ003
3. Bercak Biji Ungu
BJ004, BJ005
4. Rebah Kecambah
BJ006
5. Kerdil Kedelai
BJ007
6. Virus Mosaik
BJ007, BJ008
Kecambah

1. Hawar Bakteri
2. Antraknose
3. Bercak Biji Ungu

KC001, KC002, KC007
KC003
KC004, KC008

13

Fase
Kecambah

Nama Penyakit
4. Busuk Arang
5. Virus Mosaik

Gejala
KC005
KC006, KC009, KC0010

Tanaman
Muda

1.
2.
3.
4.
5.

TM003, TM010
TM011, TM012, TM018
TM004
TM005, TM013
TM006, TM019

6.
7.
8.
9.
Tanaman
Dewasa

Hawar Bakteri
Pustul Bakteri
Antraknosa
Bercak Coklat
Penyakit Layu
Sklerotium
Hawar Batang
Busuk Arang
Kerdil Kedelai
Virus Mosaik

1. Hawar Bakteri
2. Pustul Bakteri
3. Antraknosa
4. Bercak Coklat
5. Bercak Biji Ungu
6. Bercak Daun cercospora
(mata kodok)
7. Hawar Batang
8. Busuk Arang
9. Penyakit Karat
10. Kerdil Kedelai
11. Sapu
12. Virus Mosaik

TM007, TM020
TM001, TM008, TM014, TM021
TM015, TM016
TM002, TM009, TM017, TM022,
TM023
TD003, TD011, TD027
TD012, TD013, TD028, TD029,
TD044
TD004, TD030, TD031, TD032,
TD033, TD045
TD005, TD014, TD015
TD016, TD034, TD035
TD006, TD017, TD018, TD019,
TD036, TD037, TD038
TD007, TD046
TD001, TD008, TD020, TD047
TD009, TD021, TD022, TD023,
TD039, TD048
TD024, TD025, TD040, TD049
TD041, TD050
TD002, TD010, TD026, TDD042,
TD043, TD051, TD052, TD053

Validasi Pengetahuan
Pada tahapan ini, pengetahuan dan rule yang sudah dibuat divalidasi oleh
pakar.
Inferensi
Pada tahap inferensi digunakan pendekatan Naïve Bayes untuk menentukan
jenis penyakit kedelai. Perhitungan secara manual deteksi penyakit kedelai dengan
beberapa gejala yang sesuai pada rule yang sudah dibuat, dengan menggunakan
persamaan (6) yang terdiri dari beberapa tahapan berikut:
1. Menentukan nilai nc untuk setiap class
2. Menentukan nilai P(Vj) atau nilai prior. Pada penelitian ini nilai prior
diperoleh dari pemberian scoring oleh pakar

14

3. Menghitung nilai P(Gi|Vj)
VMAP = argmaxvjϵv P(Vj) ∏ '

'|

)

Dimana :
P(Vj) = Peluang jenis penyakit kej nilai prior penyakit kej

P(Gi|Vj) =

#$ .
#$

4. Menghitung P(Vj) x P(Gi|Vj) untuk tiap V
5. Menentukan hasil klasifikasi yaitu V yang memiliki hasil perkalian yang
terbesar
Contoh perhitungan identifikasi penyakit kedelai dengan perhitungan Naïve
Bayes dapat dilihat pada lampiran.
Berikut ini adalah hasil uji coba perhitungan dengan pendekatan Naïve
Bayes yang dibandingkan dengan rule yang sebenarnya ketika diinputkan gejala
sesuai dengan yang ada pada Tabel 4. Perbandingan hasil diagnosis pendekatan
Naïve Bayes dan rule pada dataran tinggi ditunjukkan pada Tabel 5.
Tabel 5. Perbandingan hasil diagnosis pendekatan Naïve Bayes dan Rule
(Dataran Tinggi)
No
Rule
Pendekatan Naïve Bayes
Fase Biji
1
2
3
4
5
6

Hawar Bakteri
Antraknosa
Bercak Biji Ungu
Rebah Kecambah
Kerdil Kedelai
Virus Mosaik

Hawar Bakteri
Antraknosa
Bercak Biji Ungu
Rebah Kecambah
Kerdil Kedelai
Virus Mosaik
Fase Kecambah

7
8
9
10
11

Hawar Bakteri
Antraknosa
Bercak Biji Ungu
Busuk Arang
Virus Mosaik

Hawar Bakteri
Antraknosa
Bercak Biji Ungu
Busuk Arang
Virus Mosaik
Tanaman Muda

12
13
14
15
16
17
18
19
20

Hawar Bakteri
Pustul Bakteri
Pustul Bakteri
Pustul Bakteri
Penyakit Layu Sklerotium
Pustul Bakteri
Pustul Bakteri
Pustul Bakteri
Pustul Bakteri

Hawar Bakteri
Pustul Bakteri
Antraknosa
Bercak Coklat
Penyakit Layu Sklerotium
Hawar Batang
Busuk Arang
Sapu
Virus Mosaik

15

No

Rule

Pendekatan Naïve Bayes
Tanaman Dewasa

21
22
23
24
25
26
27
28
29
30
31
32

Pustul Bakteri
Pustul Bakteri
Pustul Bakteri
Pustul Bakteri
Pustul Bakteri
Pustul Bakteri
Pustul Bakteri
Pustul Bakteri
Pustul Bakteri
Pustul Bakteri
Pustul Bakteri
Pustul Bakteri

Hawar Bakteri
Pustul Bakteri
Antraknosa
Bercak Coklat
Bercak Biji Ungu
Bercak Cerospora
Hawar Batang
Busuk Arang
Penyakit Karat
Kerdil Kedelai
Sapu
Virus Mosaik

Dari Tabel 5 dapat dilihat bahwa pada dataran tinggi terdapat 17 penyakit
yang hasilnya tidak sesuai dengan rule. Pendekatan Naïve Bayes mampu
mendiagnosis dengan tepat sesuai rule yang sebenarnya sebesar 47% dari 32 data rule
yang ada pada dataran tinggi.

Pada dataran tinggi terdapat 17 hasil identifikasi pada fase tanaman muda
dan tanaman dewasa yang hasil diagnosanya berbeda dengan rule yaitu Pustul
Bakteri. Jika dilihat di tabel prior, penyakit Pustul Bakteri memiliki nilai prior
yang lebih tinggi dari prior-prior penyakit lainnya. Sehingga hasil pendekatan
Naïve Bayesnya lebih mendominasi ke nilai prior penyakit yang lebih tinggi yaitu
penyakit Pustul Bakteri.
Perbandingan hasil diagnosis pendekatan Naïve Bayes dan rule pada dataran
rendah ditunjukkan pada Tabel 6.
Tabel 6. Perbandingan hasil diagnosis pendekatan Naïve Bayes dan Rule
(Dataran Rendah)
No
Rule
Pendekatan Naïve Bayes
Fase Biji
1
2
3
4
5
6

Hawar Bakteri
Antraknosa
Bercak Biji Ungu
Rebah Kecambah
Kerdil Kedelai
Virus Mosaik

Hawar Bakteri
Antraknosa
Bercak Biji Ungu
Rebah Kecambah
Kerdil Kedelai
Virus Mosaik
Fase Kecambah

7
8
9
10
11

Hawar Bakteri
Antraknosa
Bercak Biji Ungu
Busuk Arang
Virus Mosaik

Hawar Bakteri
Antraknosa
Bercak Biji Ungu
Busuk Arang
Virus Mosaik

16

No

Rule

Pendekatan Naïve Bayes
Tanaman Muda

12
13
14
15
16
17
18
19
20

Hawar Bakteri
Pustul Bakteri
Antraknosa
Antraknosa
Penyakit Layu Sklerotium
Hawar Batang
Busuk Arang
Sapu
Virus Mosaik

Hawar Bakteri
Pustul Bakteri
Antraknosa
Bercak Coklat
Penyakit Layu Sklerotium
Hawar Batang
Busuk Arang
Sapu
Virus Mosaik
Tanaman Dewasa

21
22
23
24
25
26
27
28
29
30
31
32

Hawar Bakteri
Pustul Bakteri
Antraknosa
Hawar Bakteri, Antraknosa,
Penyakit Karat, Kerdil Kedelai
Hawar Bakteri, Antraknosa,
Penyakit Karat, Kerdil Kedelai
Hawar Bakteri, Antraknosa,
Penyakit Karat, Kerdil Kedelai
Hawar Bakteri, Antraknosa,
Penyakit Karat, Kerdil Kedelai
Hawar Bakteri, Antraknosa,
Penyakit Karat, Kerdil Kedelai
Penyakit Karat
Kerdil Kedelai
Hawar Bakteri, Antraknosa,
Penyakit Karat, Kerdil Kedelai
Hawar Bakteri, Antraknosa,
Penyakit Karat, Kerdil Kedelai

Hawar Bakteri
Pustul Bakteri
Antraknosa
Bercak Coklat
Bercak Biji Ungu
Bercak Cerospora
Hawar Batang
Busuk Arang
Penyakit Karat
Kerdil Kedelai
Sapu
Virus Mosaik

Dari Tabel 6 dapat dilihat bahwa pada dataran rendah terdapat 8 penyakit
yang hasilnya tidak sesuai dengan rule. Pendekatan Naïve Bayes mampu
mendiagnosis dengan tepat sesuai rule yang sebenarnya sebesar 75% dari 32 data rule
yang ada pada dataran rendah.

Pada dataran rendah terdapat 8 hasil identifikasi pada fase tanaman muda
dan tanaman dewasa yang hasil diagnosanya berbeda dengan rule. Terdapat 7
hasil identifikasi pada tanaman dewasa yang terdiagnosa lebih dari 1 penyakit
yaitu Hawar Bakteri, Antraknosa, Penyakit Karat, dan Kerdil Kedelai. Jika dilihat
ditabel prior, ke 4 jenis prior pada tanaman tersebut lebih tinggi nilainya dari
prior-prior tanaman lainnya. Sehingga hasil pendekatan Naïve Bayesnya lebih
mendominasi ke nilai prior penyakit yang lebih tinggi.
Penjelasan Hasil Inferensi
Pada tahapan ini sistem akan memberikan saran penanggulangan dan
informasi seputar penyakit yang berhasil diidentifikasi.

17

Daftar informasi dan cara penanggulangan penyakit kedelai dapat dilihat
pada lampiran.
Tahap III Pengembangan Sistem
Perancangan pada penelitian ini terdiri dari beberapa tahapan di antaranya,
tahap analisis, tahap desain, tahap implementasi dan tahap pengujian. Berikut
adalah tahapan-tahapan pengembangan sistem dalam penelitian ini:
Analisis
Pada tahapan ini akan dilakukan analisis kebutuhan sistem. Pada penelitian
sebelumnya, pengembangan sistem pakar diimplementasikan pada sistem yang
berbasis desktop dan web. Sistem dinilai kurang efisien karena ketergantungan
akan pemakaian perangkat komputer dan koneksi internet masih sangat tinggi.
Permasalahan yang terjadi adalah masih banyak user khususnya petani yang
tidak mempunyai perangkat komputer, apalagi koneksi internet yang susah
khususnya di daerah pedesaan. Untuk itu pada penelitian ini sistem pakar
dikembangkan untuk diimplementasikan pada mobile device dengan
menggunakan basis Android. Dengan semakin banyaknya masyarakat yang sudah
memiliki perangkat smartphone maka selain digunakan untuki sarana komunikasi
dapat dimanfaatkan juga untuk berkonsultasi atau mengidentifikasi penyakit
kedelai.
Desain
Tahap desain pada penelitian ini menggambarkan sistem secara konseptual
menggunakan pendekatan Unified Modeling Language (UML). UML terdiri dari
perancangan use case, actor, class diagram, sequence diagram dan activity
diagram. Di dalam tahap ini juga dibuat arsitektur sistem dan perancangan
antarmuka (Interface).
Beberapa desain yang dibuat dalam penelitian ini adalah sebagai berikut:

a. Use Case Diagram
Pemodelan fungsional dari sistem dapat dilihat pada use case diagram yang
merupakan pemodelan untuk menggambarkan lingkungan sistem. Use case ini
dibuat untuk mengetahui gambaran interaksi antara sistem pakar deteksi awal
penyakit kedelai yang dibuat dengan aktor-aktor yang terlibat. Bisa juga
didefinisikan bahwa use case ini dibuat untuk mengetahui fungsi-fungsi apa saja
yang ada di dalam aplikasi sistem pakar dan siapa saja yang berhak menggunakan
fungsi-fungsi tersebut.
Pada Gambar 4. dapat dilihat gambaran use case diagram untuk pengguna
XSIDS.

18

System Deteksi Awal Penyakit Kedelai
Berbasis Android

pengetahuan
tentang kedelai

kebijakan
pemerintah

user

engineer, pakar

konsultasi

tentang kami

tentang XSIDS

note

update pengetahuan

Gambar 4. Rancangan Use Case diagram
Aktor merupakan orang, proses atau sistem lain yang berinteraksi dengan
sistem yang akan dibuat. Pada penelitian ini aktor utamanya adalah semua jenis
pengguna sistem, yaitu user (penyuluh, praktisi, dinas pertanisn, petani,
mahasiswa atau siapa saja yang membutuhkan informasi dan pengetahuan yang
terkait dengan identifikasi awal penyakit kedelai), pakar, dan engineer.
Engineer adalah pengelola sistem pakar identifikasi awal penyakit kedelai
berbasis Android. Engineer mempunyai hak akses yang sama dengan pakar yaitu
dapat melihat dan memodifikasi seluruh data serta dapat menambah, mengubah,
menyimpan, dan menghapus data berdasarkan kesepakatan dari pakar. Begitu juga
dengan pakar. Ketika ingin memodifikasi data (pengetahuan) maka harus
menghubungi engineer untuk mendapatkan password untuk security sistem.
Beberapa aktor dan perannya dalam sistem pakar XSIDS dapat dilihat pada
pada Tabel 7.

19

Tabel 7. Aktor Sistem Pakar XSIDS
Aktor
User
Pakar
Engineer

Peran
Pengguna langsung sistem pakar XSIDS
Sumber pengetahuan
Pengguna langsung sistem pakar XSIDS sekaligus
sebagai developer XSIDS

b. Class Diagram (Diagram Kelas)
Class diagram atau diagram kelas digunakan untuk menggambarkan
struktur sistem dari segi pendefinisian kelas yang akan dibuat dalam membangun
suatu sistem (S. Rosa & Shalahuddin 2013). Rancangan class diagram dalam
penelitian ini terdiri dari beberapa kelas. Class diagram tersebut yaitu kelas Prior,
kelas PriorPenyakit, kelas Penyakit, kelas GejalaPenyakit, dan kelas Gejala. Class
diagram dari XSIDS ditunjukkan pada Gambar 5.
Gejala

Prior
1

-kd_gejala
-nama_gejala
+input()
+edit()
+hapus()

-kd_prior
-dat_tinggi
-dat_rendah
-nilai_prior
+input()
+edit()
+tambah()

1

GejalaPenyakit
PriorPenyakit

*

-kd_prior
-kd_prnyakit
-dat_tinggi
-dat_rendah
-fase
-nilai_prior
+input()
+edit()
+hapus()

*

-kd_gejala
-kd_penyakit
+input()
+edit()
+hapus()

*

*
Penyakit

1

-kd_penyakit
-nama_penyakit
-nama_ilmiah
-gambar
-info
-penanggulangan
+input()
+edit()
+hapus()

1

Gambar 5. Rancangan Class Diagram
c. Sequence Diagram (Diagram Sekuensial)
Diagram sekuensial digunakan untuk memvisualisasikan pelaksanaan
aktivitas objek terhadap sistem (Elmasri 2011). Aktor melakukan aktivitas kepada
sistem dan sistem memberikan tanggapan sesuai dengan aktivitas aktor.
Banyaknya diagram sekuen yang digambarkan sesuai dengan banyaknya use case
yang sudah didefinisikan (S. Rosa & Shalahuddin 2013).
Diagram sekuensial untuk modul-modul XSIDS ditunjukkan pada Gambar 6
sampai dengan Gambar 11.

20

- Diagram sekuensial Pengetahuan tentang Kedelai
Pada Gambar 6. ditunjukkan diagram sekuensial bagaimana user
mendapatkan informasi pengetahuan tentang kedelai. User memilih icon
pengetahuan tentang kedelai, kemudian sistem akan menampilkan halaman
pengetahuan tentang kedelai.
User bisa menscroll gambar untuk jenis pengetahuan yang berbeda
misalnya tanaman kedelai, fase pertumbuhan, penyakit kedelai, hama kedelai,
varietas tanaman kedelai, manfaat kedelai, dan kebutuhan kedelai di Indonesia.
Sistem akan menampilkan informasi sesuai pilihan yang sudah diklik oleh user
pada gambar di menu pengetahuan tentang kedelai.

Gambar 6. Diagram Sekuensial Pengetahuan Tentang Kedelai
- Diagram sekuensial Kebijakan Pemerintah
Pada Gambar 7. ditunjukkan diagram sekuensial bagaimana user
mendapatkan informasi tentang kebijakan pemerintah. User memilih icon
kebijakan pemerintah, kemudian sistem akan menampilkan halaman kebijakan
pemerintah kaitannya dengan tanaman kedelai yang ada di Indonesia.

Gambar 7. Diagram Sekuensial Kebijakan Pemerintah

21

- Diagram sekuensial Konsultasi
Pada Gambar 8. ditunjukkan diagram sekuensial bagaimana user dapat
melakukan identifikasi penyakit kedelai. User memilih icon konsultasi, kemudian
sistem akan menampilkan halaman konsultasi. Ada beberapa tahapan yang
dilakaukan pada saat proses identifikasi. Pertama, user memilih dataran (terdiri
dari dataran tinggi atau dataran rendah) yang menjelaskan di dataran jenis apa
tanaman kedelai yang akan dideteksi tersebut ditanam. Kedua, user memilih fase
pertumbuhan kedelai yang akan dideteksi (terdiri dari fase kecambah, tanaman
muda, tanaman dewasa dan biji). Kemudian user akan diarahkan ke halaman
pemilihan gejala. Ketiga, user memilih gejala-gejala penyakit sesuai dengan fase
yang sudah dipilih. Keempat, user mengklik button diagnosa untuk mengetahui
jenis penyakitnya.
Setelah diketahui jenis penyakitnya user dapat mengklik button info
penyakit untuk mengetahui informasi seputar penyakit yang berhasil
diidentifikasi. Selain itu juga terdapat button penanggulangan penyakit untuk
mengetahui bagaimana cara memberikan penangggulangan terhadap kedelai
sesuai dengan penyakit yang berhasil diidentifikasi.

Gambar 8. Diagram Sekuensial Konsultasi

22

- Diagram sekuensial Tentang Kami
Pada Gambar 9. ditunjukkan diagram sekuensial bagaimana user
mendapatkan informasi tentang tim pengembang XSIDS. User memilih icon
tentang kami, kemudian sistem akan menampilkan halaman tentang kami yang
berisi informasi tentang personal para pengembang XSIDS.

Gambar 9. Diagram Sekuensial Tentang Kami
- Diagram sekuensial Tentang XSIDS
Pada Gambar 10. ditunjukkan diagram sekuensial bagaimana user
mendapatkan informasi tentang cara penggunaan XSIDS. User memilih icon
tentang XSIDS, kemudian sistem akan menampilkan halaman tentang XSIDS
yang berisi penjelasan masing-masing menu yang terdapat pada XSIDS.

Gambar 10. Diagram Sekuensial Tentang XSIDS

23

- Diagram sekuensial Note
Pada Gambar 11. ditunjukkan diagram sekuensial bagaimana user
menggunakan note untuk pencatatan. User memilih icon note, kemudian sistem
akan menampilkan halaman note. Dengan menggunakan menu ini pengguna dapat
membuat note baru, memodifikasi ataupun menghapus note yang sudah dibuat.

Gambar 11. Diagram Sekuensial Note
d. Activity Diagram (Diagram Aktivitas)
Diagram aktivitas digunakan untuk menggambarkan aliran kerja atau
aktivitas, proses bisnis atau menu dari suatu sistem. Menu utama yang ada dalam
penelitian ini adalah menu Konsultasi. Pada Gambar 12. ditunjukkan diagram
aktivitas bagaimana user menggunakan menu Konsultasi.
User

Sistem

pilih konsultasi
menampilkan konsultasi
pemilihan dataran
pemilihan fase pertumbuhan
pemilihan gajala
diagnosa

menampilkan info penyakit

menampilkan penanggulangan

Gambar 12. Diagram Aktivitas Konsultasi

24

e. Arsitektur Sistem
Sistem pakar dibangun dengan dua bagian utama yaitu lingkungan
pengembangan (development environment) dan lingkungan konsultasi
(consultation environment) (Turban et al. 2005). Lingkungan pengembangan
sistem pakar dibuat untuk menyimpan atau mengumpulkan pengetahuan pakar ke
dalam sistem sedangkan lingkungan konsultasi digunakan user yang bukan pakar
untuk berkonsultasi untuk mendapatkan jawaban dari pengetahuan yang sudah
dikumpulkan dari pakar.
Dalam perancangan arsitektur sistem XSIDS terdiri dari beberapa elemen di
antaranya :
- User, engineer dan pakar (pengguna yang akan berinteraksi dengan sistem)
- Interface berupa rancangan aplikasi sistem berbasis Android
- Proses akuisisi atau pengumpulan informasi tentang gejala dan penyakit
kedelai oleh knowledge enginer dari seorang pakar penyakit kedelai
- Proses verifikasi pengetahuan oleh pakar
- Aksi yang direkomendasikan untuk user
- Fasilitas penjelasan yang berisi info penyakit dan saran untuk menanggulangi
penyakit kedelai
- Mesin inferensi untuk memproses gejala-gejala yang diinputkan sampai
menghasilkan keputusan jenis penyakit yang menyerang kedelai
- Basis pengetahuan untuk menyimpan semua pengetahuan tentang penyakit
kedelai
- Teknik inferensi yang nantinya akan menggunakan pendekatan Naïve Bayes
untuk menemukan jenis penyakit
Arsitektur sistem XSIDS dapat dilihat pada Gambar 13.

Gambar 13. Arsitektur Sistem Pakar XSIDS
f. Rancangan Antarmuka (Interface)
Berikut adalah rancangan XSIDS yang berbasis Android. Terdiri dari
beberapa menu di antaranya menu Pengetahuan Tentang Kedelai, Kebijakan
Pemerintah, Konsultasi, Tentang Kami, Tentang XSIDS, dan Note.

25

Gambar 14. Rancangan Halaman Loading Gambar 15. Rancangan Halaman Utama

Proses identifikasi jenis penyakit tanaman kedelai berada pada menu
Konsultasi. Di dalam menu Konsultasi ada beberapa pilihan yang harus
diinputkan oleh user di antaranya, pemilihan dataran, fase, dan gejala.

Info P