SISTEM PAKAR MENDIAGNOSA PENYAKIT TANAMAN KELAPA SAWIT DENGAN METODE CERTAINTY FACTOR
Seminar Nasional Informatika 2014
SISTEM PAKAR MENDIAGNOSA PENYAKIT TANAMAN KELAPA
SAWIT DENGAN METODE CERTAINTY FACTOR
Linda Wahyuni1, Surya Darma2
1
Dosen Jurusan Sistem Informasi, STMIK Potensi Utama
Mahasiswa Jurusan Sistem Informasi STMIK Potensi Utama
1,2
STMIK Potensi Utama, Jl. K.L. Yos Sudarso Km 6,5 No. 3A Medan
1
linda_irsyad83@yahoo.co.id, 2 surya.darma_pu@yahoo.com
2
Abstrak
Tanaman kelapa sawit (Elaeis guinensis) berasal dari Nigeria, Afrika Barat. Pada kenyataannya tanaman
kelapa sawit hidup subur di luar daerah asalnya, seperti Malaysia, Indonesia, Thailand, dan Papua Nugini.
Bagi Indonesia, tanaman kelapa sawit memiliki arti penting bagi pembangunan perkebunan nasional. Selain
mampu menciptakan kesempatan kerja yang mengarah pada kesejahteraan masyarakat, juga sebagai sumber
perolehan devisa negara, di samping itu banyaknya jenis penyakit pada tanaman kelapa sawit dan kurangnya
informasi untuk menangani penyakit tersebut bahkan susahnya orang awam dalam berkonsultasi langsung
dengan seorang pakar membuat petani kesulitan dalam menangani penyakit pada tanaman kelapa sawit
tersebut. Dari penjelasan di atas untuk itu penulis membuat suatu sistem pakar mendiagnosa penyakit
tanaman kelapa sawit dengan metode certainty factor yang dimaksudkan untuk membantu kerja petani dalam
memberikan informasi serta kesimpulan dari penyakit yang di derita pada tanaman kelapa sawit tersebut.
Experimen yang dilakukan dengan menggunakan Basis Rule untuk mendiagnosa gejala-gejala penyakit
tanaman kelapa sawit dan jenis penyakit kelapa sawit tersebut, dan memberikan solusi yang tepat untuk
penanganannya.
Kata kunci : sistem pakar, penyakit kelapa sawit, certainty factor.
1.
Pendahuluan
Seiring dengan perkembangan teknologi
komputer, boleh dikatakan komputer telah
menjadi benda yang umum di jumpai diberbagai
aspek kehidupan manusia, misalnya sebagai alat
bantu bisnis, alat komunikasi dan navigasi, alat
bantu pendidikan, alat bantu sains, sampai alat
bantu
dalam
proses
produksi.
Untuk
memaksimalkan
kemampuan
komputer
diperlukan perangkat lunak yang handal dalam
menangani pemrosesan data dan penyajian
informasi yang dibutuhkan [4]
Tanaman kelapa sawit (Elaeis guinensis)
berasal dari Nigeria, Afrika Barat. Pada
kenyataannya tanaman kelapa sawit hidup subur
di luar daerah asalnya, seperti Malaysia,
Indonesia, Thailand, dan Papua Nugini. Bagi
Indonesia, tanaman kelapa sawit memiliki arti
penting bagi pembangunan perkebunan nasional.
Selain mampu menciptakan kesempatan kerja
yang mengarah pada kesejahteraan masyarakat,
juga sebagai sumber perolehan devisa negara.[2]
Ilmu
yang
mempelajari
bagaimana
membuat suatu mesin seolah-olah memiliki
kecerdasan buatan dalam memecahkan suatu
masalah yang diberikan padanya disebut dengan
artificial intelligence atau kecerdasan buatan.
Sistem pakar merupakan salah satu software yang
dapat menduplikasi fungsi seorang pakar dalam
122
suatu bidang keahlian. Hal ini dilakukan dengan
cara memberi basis pengetahuan dan inferensi
sehingga dapat menggunakan penalaran dalam
memecahkan masalah. Program ini bertindak
sebagai seorang penasehat dalam suatu
lingkungan keahlian tertentu. Metode inferensi
dalam penulisan ini menggunakan metode
certainty factor yang merupakan pendekatan yang
dimulai dari sekumpulan data menuju kesimpulan
dan penalarannya secara deduktif, yang
menentukan fakta spesifikasi dari aturan-aturan
yang umum untuk mendapatkan kesimpulan yang
lebih khusus.
Salah satu aplikasi sistem pakar adalah
dalam bidang pertanian khususnya yang
digunakan untuk mendiagnosa penyakit pada
tanaman kelapa sawit. Masyarakat awam kurang
memahami dalam menangani gejala-gejala
penyakit pada tanaman kelapa sawit, disamping
itu kurangnya informasi membuat masyarakat
awam buta akan menyimpulkan jenis penyakit
apa yang diderita oleh tanaman kelapa sawit
tersebut, hal ini juga salah satu faktor
menurunnya devisa negara dalam mengekspor
minyak kelapa sawit ke luar negeri.
Dengan demikian pada makalah ini akan
dirancang suatu sistem yang bertujuan untuk
menyajikan pengadopsian cara berpikir manusia
kedalam suatu program sistem pakar yang mampu
mendiagnosa penyakit tanaman kelapa sawit
Seminar Nasional Informatika 2014
dengan metode certainty factor sebagai alat bantu
dalam mengambil kesimpulan pada penyakit
tanaman kelapa sawit tersebut.
kemudian tahun 1923 mulai mengekspor minyak
inti sawit sebesar 850 ton.[2]
2.4 Metode Certainty Factor
2.
Dasar Teori
2.1 Sistem Pakar
Sistem Pakar (Expert System) adalah suatu
program komputer cerdas yang menggunakan
knowledge (pengetahuan) dan prosedur inferensi
untuk menyelesaikan masalah yang cukup sulit
sehingga membutuhkan seorang yang ahli untuk
menyelesaikannya
[1].
Semakin
banyak
pengetahuan yang dimasukkan kedalam sistem
pakar, maka sistem tersebut akan semakin
bertindak sehingga hampir menyerupai pakar
sebenarnya.
Gambar : 1. Konsep Dasar Sistem Pakar
2.2 Kekurangan Sistem Pakar
Selain manfaat, ada juga beberapa
kekurangan yang ada pada Sistem Pakar,
diantaranya [5]:
1. Biaya yang sangat mahal untuk membuat dan
memeliharanya.
2. Sulit dikembangkan karena keterbatasan
keahlian dan ketersediaan pakar.
3. Sistem pakar tidak 100% bernilai benar.
2.3 Sekilas Sejarah Kelapa Sawit
Kelapa sawit pertama kali diperkenalkan di
Indonesia oleh pemerintah Belanda pada tahun
1848. Ketika itu ada empat batang bibit kelapa
sawit yang dibawa dari Mauritius dan Amsterdam
dan ditanam di Kebun Raya Bogor. Tanaman
kelapa sawit mulai diusahakan dan dibudidayakan
secara komersial pada tahun 1911. Perintis usaha
perkebunan kelapa sawit di Indonesia adalah
Adrien Hallet, seorang Belgia yang telah belajar
banyak tentang kelapa sawit di Afrika. Budi daya
yang dilakukannya diikuti oleh K. Schadt yang
menandai lahirnya perkebunan kelapa sawit di
Indonesia. Sejak saat itu perkebunan kelapa sawit
di Indonesia mulai berkembang. Perkebunan
kelapa sawit pertama berlokasi di Pantai Timur
Sumatera (Deli) dan Aceh. Luas areal
perkebunannya mencapai 5.123 ha. Indonesia
mulai mengekspor minyak sawit pada tahun 1919
sebesar 567 ton ke negara-negara Eropa,
Certainty Factor (CF) menunjukkan ukuran
kepastian terhadap suatu fakta atau aturan [3].
Dalam mengekspresikan derajat keyakinan,
Certainty Theory menggunakan suatu nilai yang
disebut
certainty
factor
(CF)
untuk
mengasumsikan derajat keyakinan seorang pakar
terhadap
suatu
data.
certainty
factor
memperkenalkan konsep belief/keyakinan dan
disbelief/ketidakyakinan. Konsep ini kemudian
diformulasikan dalam rumusan dasar sebagai
berikut:
CF[H,E] = MB[H,E] – MD[H,E]
Keterangan :
CF
= Certainty Factor (Faktor Kepastian)
dalam Hipotesis H yang dipengaruhi
oleh fakta E.
MB
of
Belief
(Tingkat
= Measure
Keyakinan),
merupakan ukuran kenaikan dari
kepercayaan
hipotesis
H
dipengaruhi oleh fakta E.
MD
= Measure of Disbelief (Tingkat
Ketidakyakinan),
merupakan
kenaikan dari ketidakpercayaan
hipotesis H dipengaruhi oleh fakta
E.
E
= Evidence (Peristiwa atau Fakta)
Ada 3 hal yang mungkin terjadi pada metode
Certainty Factor, yaitu :
1. Beberapa evidence dikombinasikan untuk
menentukan CF dari suatu hipotesis. Jika e1
dan e2 adalah observasi ditunjukkan oleh
gambar. 2, Maka:
Gambar 2. Dua Efidence
2. CF dihitung dari kombinasi beberapa hipotesis
.Jika h1 dan h2 adalah hipotesis yang
ditunjukkan oleh gambar. 3.
123
Seminar Nasional Informatika 2014
Use Case Diagram
Adapun diagram yang menggambarkan
interaksi beberapa aktor dalam sistem yang di
rancang ini dapat dilihat pada gambar. 5 berikut
ini:
1.
Gambar 3. Kombinasi Beberapa Hipotesis
Maka :
SISTEM PAKAR MENDIAGNOSA PENYAKIT TANAMAN KELAPA SAWIT DENGAN
METODE CERTAINTY FACTOR
Login pakar
Login user
3. Beberapa aturan saling bergandengan, ketidak
pastian dari suatu aturan menjadi input untuk
aturan yang lainnya. Jika beberapa aturan
saling bergandengan ditunjukkan oleh gambar.
4 berikut:
Mengolah data pakar
Input data user
Input data aturan
Pakar
Input data penyakit
Melakukan konsultasi
Mengolah basis
pengetahuan
User
Mendapatkan hasil konsultasi
Manipulasi hasil
Melihat laporan hasil konsultasi
Gambar 4. Beberapa Aturan Saling
Bergandengan
Maka :
MB[h,s] = MB’[h,s] * max (0,CF[s,e])
MB’[h,s] = ukuran kepercayaan h berdasarkan
keyakinan penuh terhadap validitas s. [6]
2.5 Kelebihan dan Kekurangan Certainty
Factor
Kelebihan dari metode Certainty Factor
adalah:
1. Metode ini cocok dipakai dalam sistem pakar
yang mengandung ketidak pastian.
2. Dalam sekali proses perhitungan hanya dapat
mengolah 2 data saja sehingga keakuratan
data dapat terjaga [5].
Sedangkan kekurangan metode Certainty
Factor adalah:
1. Pemodelan
ketidak
pastian
yang
menggunakan perhitungan metode Certainty
Factor biasanya masih diperdebatkan.
2. Untuk data lebih dari 2 buah, harus dilakukan
beberapa kali pengolahan data [5].
3.
Analisa dan Perancangan
Desain Sistem
Perancangan desain sistem yang akan
dibangun menggunakan pemodelan Unified
Modelling System ( UML ). Diagram-diagram
yang digunakan use case diagram, dan sequence
diagram konsultasi saja.
124
Gambar 5. Use Case Diagram
Pada use case diagram di atas terdapat 2 aktor
yaitu User, dan Pakar. Kedua aktor tersebut
memiliki peranan masing-masing, yaitu tugas user
yang melakukan konsultasi, sebelum user
melakukan aktifitas konsultasi user diwajibkan
login terlebih dahulu sebagai login user, langkah
selanjutnya yaitu mengisi data user, dikarenakan
agar seorang pakar dapat mengetahui pengguna
sistem tersebut, setelah user melakukan
konsultasi, user dapat melihat langsung hasil
konsultasi tersebut. Pakar disini bertindak sebagai
mengolah data pakar, menginput data aturan,
menginput data penyakit, mengolah basis
pengetahuan, manipulasi hasil setelah sebelumnya
telah melakukan login pakar terlebih dahulu, dan
melihat laporan hasil konsultasi untuk keperluan
akses sistem.
Sequence Diagram Konsultasi
Sequence
Diagram
menggambarkan
perilaku pada sebuah skenario, diagram ini
menunjukkan sejumlah contoh objek dan message
(pesan) yang diletakkan diantara objek-objek ini
di dalam use case, dalam hal ini penulis hanya
menggambarkan skenario sequence diagram
konsultasi. Gambar. 6 berikut merupakan
sequence diagram konsultasi user.
2.
Seminar Nasional Informatika 2014
Data User
User
Input data user
Menu Konsultasi
User
Basis Pengetahuan
Simpan data user
Memberikan pertanyaan
Memberikan pertanyaan
Menjawab Pertanyaan
Cek Gejala
Hasil Diagnosa
Diagnosa
Gambar : 6. Sequence Diagram Konsultasi
4.
Pembahasan
Representasi Pengetahuan
Representasi
pengetahuan
(knowledge
representation) adalah cara untuk menyajikan
pengetahuan yang diperoleh ke dalam suatu
skema/diagram tertentu sehingga dapat diketahui
relasi antara suatu pengetahuan dengan
pengetahuan yang lain dan dapat dipakai untuk
menguji kebenaran penalarannya. Representasi
pengetahuan dibutuhkan untuk menangkap sifatsifat penting masalah dan mempermudah
prosedur pemecahan masalah dalam mengakses
informasi. Format representasi harus mudah
dipahami sehingga seorang programmer mampu
mengekspresikan pengetahuan (fakta), namun
semua cara tersebut harus mengacu pada dua
entitas berikut.
3. Fakta, yaitu kejadian sebenarnya. Fakta inilah
yang akan kita representasikan.
4. Representasi
dari
fakta.
Berdasarkan
representasi inilah kita dapat mengolah
fakta.[6]
Basis pengetahuan yang di dalam sistem
pakar ini akan digunakan untuk menentukan
proses pencarian atau menentukan kesimpulan
yang diperoleh dari hasil analisis. Hasil yang
diperoleh setelah pengguna melakukan interaksi
dengan sistem pakar yaitu dengan menjawab
pertanyaan yang diajukan oleh sistem pakar.
Basis pengetahuan yang di gunakan didalam
sistem pakar ini terdiri dari : gejala-gejala yang
diderita dan hasil diagnosa yang diberikan oleh
pakar. Adapun tabel keputusan untuk gejalagejala yang terjadi dapat dilihat pada tabel. 1
dibawah ini:
(tabel dilampiran)
Dalam memecahkan masalah metode yang
digunakan adalah metode Certainty Factor serta
kaidah produksi IF –THEN dimana gejala-gejala
pada penyakit kelapa sawit di umpamakan dengan
Jika dan solusi penanggannya diumpamakan
dengan Maka.
Bentuk pernyataannya adalah :
JIKA [gejala 1]
JIKA [gejala 2]
DAN [gejala 3]
MAKA [Penyakit]
Berikut ini merupakan algoritma yang di
gunakan dalam mendiagnosa penyakit pada
tanaman kelapa sawit.
5. Kaidah untuk Penyakit Daun Bibit Muda
(Anthracnose)
IF
Daun
terdapat
bercak-bercak
dikelilingi warna kuning,
AND
Adanya warna hitam dan coklat di
antara tulang daun,
AND
Daun yang terserang menjadi
kering,
THEN Penyakit
daun
bibit
muda
(anthracnose)
6. Kaidah untuk Penyakit Akar (Blast Disease)
IF
Akar menjadi lunak,
AND
Daun bibit kusam berwarna
kekuning-kuningan yang dimulai
dari bagian ujung daun,
AND
Daun menjadi layu,
AND
Daun berubah warna menjadi
kuning cerah,
AND
Daun
terdapat
bercak-bercak
dikelilingi warna kuning,
THEN Penyakit akar (blast disease)
7. Kaidah untuk Penyakit Tajuk (Crown Disease)
IF
Tanaman berumur 2-4 tahun,
AND
Helai daun mulai dari pertengahan
sampai ujung pelepah kecil-kecil,
AND
Daunnya robek-robek,
AND
Pelepah membengkok,
AND
Jaringan yang terinfeksi pada
pelepah yang tidak membuka
berwarna coklat kemerah-merahan,
THEN Penyakit tajuk (crown disease)
8. Kaidah untuk Penyakit Busuk Pangkal Batang
(Basal Stem rot atau ganoderma)
IF
Pelepah daun tampak layu,
AND
Pelepah daun berwarna pucat,
AND
Bagian daun paling tua mengalami
nekrosis,
AND
Pelepah daun akan patah dan
menggantung,
AND
Daun tombak (pupus) yang baru
muncul tidak membuka dan
berkumpul lebih dari 3 helai,
AND
Pangkal batang menghitam,
AND
Keluar getah pada bagian yang
terinfeksi,
THEN Penyakit busuk pangkal batang
(basal stem rot atau ganoderma)
125
Seminar Nasional Informatika 2014
9. Kaidah untuk Penyakit Busuk Batang Atas
(Upper Stem Rot)
IF
Warna daun yang terbawah
berubah,
AND
Kuncup daun terinfeksi,
AND
Pembusukan pada batang,
AND
Batang yang membusuk berwarna
keabu-abuan,
THEN Penyakt Busuk Batang Atas (Upper
Stem Rot)
10. Kaidah untuk Penyakit Busuk Kering Pangkal
Batang (Dry Basal Rot)
IF
Tandan buah membusuk,
AND
Pembentukan bunga terhambat,
AND
Pelepah daun bagian bawah patahpatah,
THEN Penyakit busuk kering pangkal
batang (dry basal rot)
11. Kaidah untuk Penyaki Busuk Kuncup (Spear
Rot)
IF
Jaringan pada kuncup membusuk
AND
Jaringan
kuncup
berwarna
kecoklat-coklatan,
AND
Tajuk mudah di cabut,
AND
Kuncup membengkok,
THEN Penyakit busuk kuncup (spear rot)
12. Kaidah untuk Penyakit Garis Kuning (Patch
Yellow)
IF
Daun
tampak
bercak-bercak
lonjong berwarna kuning dan
ditengahnya terdapat warna coklat,
AND
Daun yang terserang menjadi
kering,
AND
Daun berguguran,
THEN Penykit garis kuning (patch yellow)
13. Kaidah untuk Penyakit Busuk Tandan (Bunch
Rot)
IF
Tanaman berumur 3-10 tahun,
AND
Permukaan tandan terdapat benangbenang jamur putih mengkilat,
AND
Perikarpnya menjadi lembek dan
busuk,
AND
Warna buah berubah menjadi
kecoklatan dan berubah lagi
menjadi kehitam-hitaman,
THEN Penyakit busuk tandan (bunch rot)
5.
Penerapan Metode Certainty Factor
Metode certainty factor yang akan
diterapkan dalam pembuatan sistem pakar ini
adalah metode dengan rumus certainty factor
sebagai berikut :
CF(H,e) = CF(E,e) * CF(H,E)
126
Di mana :
CF(E,e)
:
CF(H,E)
:
CF(H,e)
:
certainty factor evidence E yang
dipengaruhi oleh evidence e.
certainty factor hipotesis dengan
asumsi evidence diketahui dengan
pasti, yaitu ketika CF(E,e) = 1.
certainty factor hipotesis yang
dipengaruhi oleh evidence e.
Karena semua evidence pada antecedent diketahui
dengan pasti maka rumusnya menjadi :
CF(H,e) = CF(H,E)
Contoh perhitungan nilai certainty factor untuk
sistem ini adalah sebagai berikut:
JIKA
Daun
terdapat
bercak-bercak
dikelilingi warna kuning,
DAN
Adanya warna hitam dan coklat di
antara tulang daun,
DAN
Daun yang terserang menjadi kering,
MAKA Penyakit
daun
bibit
muda
(anthracnose)
CF = 0.9
Dengan menganggap
E1
: “daun
terdapat
bercak-bercak
dikelilingi warna kuning”
E2
: ”adanya warna hitam dan coklat di
antara tulang daun”
E3
: ”daun yang terserang menjadi kering”
Nilai certainty factor hipotesis pada saat evidence
pasti adalah :
CF(H,E) = CF(H,E1 ∩ E2 ∩ E3)
= 0.9
Dalam kasus ini, kondisi tanaman tidak
dapat ditentukan dengan pasti. Certainty factor
evidence E yang dipengaruhi partial evidence e
ditunjukkan dengan nilai sebagai berikut:
CF(E1 , e) = 0.9
CF(E2 , e) = 0.7
CF(E3 , e) = 0.9
Sehingga
CF(E,e)
= CF(E1 ∩ E2 ∩ E3 , e)
= min
[CF(E1,e),
CF(E2,e),
CF(E3,e)]
= min [0.9, 0.7, 0.9]
= 0.7
Nilai certainty factor hipotesis adalah:
CF(H,e) = CF(E,e) * CF(H,E)
= 0.7 * 0.9
= 0.63
Hal ini berarti besarnya kepercayaan pakar
terhadap nilai penyakit dengan kode penyakit
P001 adalah 0.63 atau bila diprosentasekan
nilainya menjadi 63%.
Nilai CF (Rule) didapat dari interpretasi
“term” dari pakar, yang diubah menjadi nilai CF
tertentu sesuai tabel. 2 berikut.
Seminar Nasional Informatika 2014
Tabel 2. Certainty Factor (CF) Rule
Uncertain Term
CF
Definitely not (pasti tidak)
-1.0
Almost certainly not (hampir pasti
-0.8
tidak)
Probably not (kemungkinan besar
-0.6
tidak)
Maybe not (mungkin tidak)
-0.4
Unknown (tidak tahu)
-0.2 to 0.2
Maybe (mungkin)
0.4
Probably (kemungkinan besar)
0.6
Almost certainly (hampir pasti)
0.8
Definitely (pasti)
1.0
6.
2.
3.
4.
Hasil
Form ini merupakan tampilan data
knowledge. Pada form ini terdapat aturan dari
beberapa pertanyaan berupa gejala dari penyakit
tanaman kelapa sawit yang bersangkutan.
Gambar. 7 berikut ini menampilkan form
knowledge.
5.
6.
menunjukkan bahwa sistem pakar ini dapat
mendiagnosa penyakit tanaman kelapa
sawit sesuai dengan jawaban yang
diberikan oleh user dengan nilai
keakuratan 85%.
Sistem yang penulis rancang hanya dapat
digunakan untuk mendiagnosa penyakit
pada tanaman kelapa sawit saja.
Metode
yang
digunakan
dalam
perancangan aplikasi ini adalah metode
Certainty Factor.
Dengan dilakukannya pemakaian sistem
informasi yang tepat terutama dalam
masalah konsultasi, maka hasil yang
diperoleh dalam menangani masalah
tersebut akan jauh lebih cepat, sehingga
data yang dibutuhkan akan lebih cepat dan
efisien sekalipun data yang diolah banyak.
Sistem
pakar
yang
dibuat
akan
memberikan solusi berupa penanganan
awal serta pola penanganan penyakit
tanaman kelapa sawit.
Sistem Informasi ini telah dirancang dan
diimplementasikan menggunakan program
Visual Basic 2010 dan Ms. SQL Server
2008 sebagai databasenya dan sudah dapat
digunakan untuk konsultasi mengenai
penyakit pada tanaman kelapa sawit.
Daftar Pustaka:
[1]
[2]
[3]
Gambar 7. Form Knowledge
7.
Kesimpulan
[4]
Dari uraian secara teoritis dan dari hasil
penelitian yang dilakukan penulis, maka penulis
akan mencoba menarik kesimpulan.
Adapun
kesimpulan
yang
penulis
kemukakan adalah sebagai berikut :
1. Hasil
pengujian
”Sistem
Pakar
Mendiagnosa Penyakit Tanaman Kelapa
Sawit dengan Metode Certainty Factor”
[5]
[6]
Arhami Muhammad, 2005, Konsep Dasar
Sistem Pakar, Yogyakarta, Andi Offset.
Fauzi Yan, et al, 2002, Kelapa Sawit,
Jakarta, Penebar Swadaya.
Kusumadewi
Sri,
2003,
Artificial
Intelligence
(Teknik dan Aplikasinya), Graha Ilmu,
Yogyakarta
Roger Presman, 2002, Rekayasa Perangkat
Lunak, Yogyakarta, Penerbit Andi.
Sutojo, et al, 2011, Kecerdasan Buatan,
Jogyakarta, Andi Offset.
Wahyuni Linda, 2013, Sistem Pakar Untuk
Mendiagnosa Penyakit Kanker Tulang,
Prosiding SNIf STMIK Potensi Utama
2013.
127
SISTEM PAKAR MENDIAGNOSA PENYAKIT TANAMAN KELAPA
SAWIT DENGAN METODE CERTAINTY FACTOR
Linda Wahyuni1, Surya Darma2
1
Dosen Jurusan Sistem Informasi, STMIK Potensi Utama
Mahasiswa Jurusan Sistem Informasi STMIK Potensi Utama
1,2
STMIK Potensi Utama, Jl. K.L. Yos Sudarso Km 6,5 No. 3A Medan
1
linda_irsyad83@yahoo.co.id, 2 surya.darma_pu@yahoo.com
2
Abstrak
Tanaman kelapa sawit (Elaeis guinensis) berasal dari Nigeria, Afrika Barat. Pada kenyataannya tanaman
kelapa sawit hidup subur di luar daerah asalnya, seperti Malaysia, Indonesia, Thailand, dan Papua Nugini.
Bagi Indonesia, tanaman kelapa sawit memiliki arti penting bagi pembangunan perkebunan nasional. Selain
mampu menciptakan kesempatan kerja yang mengarah pada kesejahteraan masyarakat, juga sebagai sumber
perolehan devisa negara, di samping itu banyaknya jenis penyakit pada tanaman kelapa sawit dan kurangnya
informasi untuk menangani penyakit tersebut bahkan susahnya orang awam dalam berkonsultasi langsung
dengan seorang pakar membuat petani kesulitan dalam menangani penyakit pada tanaman kelapa sawit
tersebut. Dari penjelasan di atas untuk itu penulis membuat suatu sistem pakar mendiagnosa penyakit
tanaman kelapa sawit dengan metode certainty factor yang dimaksudkan untuk membantu kerja petani dalam
memberikan informasi serta kesimpulan dari penyakit yang di derita pada tanaman kelapa sawit tersebut.
Experimen yang dilakukan dengan menggunakan Basis Rule untuk mendiagnosa gejala-gejala penyakit
tanaman kelapa sawit dan jenis penyakit kelapa sawit tersebut, dan memberikan solusi yang tepat untuk
penanganannya.
Kata kunci : sistem pakar, penyakit kelapa sawit, certainty factor.
1.
Pendahuluan
Seiring dengan perkembangan teknologi
komputer, boleh dikatakan komputer telah
menjadi benda yang umum di jumpai diberbagai
aspek kehidupan manusia, misalnya sebagai alat
bantu bisnis, alat komunikasi dan navigasi, alat
bantu pendidikan, alat bantu sains, sampai alat
bantu
dalam
proses
produksi.
Untuk
memaksimalkan
kemampuan
komputer
diperlukan perangkat lunak yang handal dalam
menangani pemrosesan data dan penyajian
informasi yang dibutuhkan [4]
Tanaman kelapa sawit (Elaeis guinensis)
berasal dari Nigeria, Afrika Barat. Pada
kenyataannya tanaman kelapa sawit hidup subur
di luar daerah asalnya, seperti Malaysia,
Indonesia, Thailand, dan Papua Nugini. Bagi
Indonesia, tanaman kelapa sawit memiliki arti
penting bagi pembangunan perkebunan nasional.
Selain mampu menciptakan kesempatan kerja
yang mengarah pada kesejahteraan masyarakat,
juga sebagai sumber perolehan devisa negara.[2]
Ilmu
yang
mempelajari
bagaimana
membuat suatu mesin seolah-olah memiliki
kecerdasan buatan dalam memecahkan suatu
masalah yang diberikan padanya disebut dengan
artificial intelligence atau kecerdasan buatan.
Sistem pakar merupakan salah satu software yang
dapat menduplikasi fungsi seorang pakar dalam
122
suatu bidang keahlian. Hal ini dilakukan dengan
cara memberi basis pengetahuan dan inferensi
sehingga dapat menggunakan penalaran dalam
memecahkan masalah. Program ini bertindak
sebagai seorang penasehat dalam suatu
lingkungan keahlian tertentu. Metode inferensi
dalam penulisan ini menggunakan metode
certainty factor yang merupakan pendekatan yang
dimulai dari sekumpulan data menuju kesimpulan
dan penalarannya secara deduktif, yang
menentukan fakta spesifikasi dari aturan-aturan
yang umum untuk mendapatkan kesimpulan yang
lebih khusus.
Salah satu aplikasi sistem pakar adalah
dalam bidang pertanian khususnya yang
digunakan untuk mendiagnosa penyakit pada
tanaman kelapa sawit. Masyarakat awam kurang
memahami dalam menangani gejala-gejala
penyakit pada tanaman kelapa sawit, disamping
itu kurangnya informasi membuat masyarakat
awam buta akan menyimpulkan jenis penyakit
apa yang diderita oleh tanaman kelapa sawit
tersebut, hal ini juga salah satu faktor
menurunnya devisa negara dalam mengekspor
minyak kelapa sawit ke luar negeri.
Dengan demikian pada makalah ini akan
dirancang suatu sistem yang bertujuan untuk
menyajikan pengadopsian cara berpikir manusia
kedalam suatu program sistem pakar yang mampu
mendiagnosa penyakit tanaman kelapa sawit
Seminar Nasional Informatika 2014
dengan metode certainty factor sebagai alat bantu
dalam mengambil kesimpulan pada penyakit
tanaman kelapa sawit tersebut.
kemudian tahun 1923 mulai mengekspor minyak
inti sawit sebesar 850 ton.[2]
2.4 Metode Certainty Factor
2.
Dasar Teori
2.1 Sistem Pakar
Sistem Pakar (Expert System) adalah suatu
program komputer cerdas yang menggunakan
knowledge (pengetahuan) dan prosedur inferensi
untuk menyelesaikan masalah yang cukup sulit
sehingga membutuhkan seorang yang ahli untuk
menyelesaikannya
[1].
Semakin
banyak
pengetahuan yang dimasukkan kedalam sistem
pakar, maka sistem tersebut akan semakin
bertindak sehingga hampir menyerupai pakar
sebenarnya.
Gambar : 1. Konsep Dasar Sistem Pakar
2.2 Kekurangan Sistem Pakar
Selain manfaat, ada juga beberapa
kekurangan yang ada pada Sistem Pakar,
diantaranya [5]:
1. Biaya yang sangat mahal untuk membuat dan
memeliharanya.
2. Sulit dikembangkan karena keterbatasan
keahlian dan ketersediaan pakar.
3. Sistem pakar tidak 100% bernilai benar.
2.3 Sekilas Sejarah Kelapa Sawit
Kelapa sawit pertama kali diperkenalkan di
Indonesia oleh pemerintah Belanda pada tahun
1848. Ketika itu ada empat batang bibit kelapa
sawit yang dibawa dari Mauritius dan Amsterdam
dan ditanam di Kebun Raya Bogor. Tanaman
kelapa sawit mulai diusahakan dan dibudidayakan
secara komersial pada tahun 1911. Perintis usaha
perkebunan kelapa sawit di Indonesia adalah
Adrien Hallet, seorang Belgia yang telah belajar
banyak tentang kelapa sawit di Afrika. Budi daya
yang dilakukannya diikuti oleh K. Schadt yang
menandai lahirnya perkebunan kelapa sawit di
Indonesia. Sejak saat itu perkebunan kelapa sawit
di Indonesia mulai berkembang. Perkebunan
kelapa sawit pertama berlokasi di Pantai Timur
Sumatera (Deli) dan Aceh. Luas areal
perkebunannya mencapai 5.123 ha. Indonesia
mulai mengekspor minyak sawit pada tahun 1919
sebesar 567 ton ke negara-negara Eropa,
Certainty Factor (CF) menunjukkan ukuran
kepastian terhadap suatu fakta atau aturan [3].
Dalam mengekspresikan derajat keyakinan,
Certainty Theory menggunakan suatu nilai yang
disebut
certainty
factor
(CF)
untuk
mengasumsikan derajat keyakinan seorang pakar
terhadap
suatu
data.
certainty
factor
memperkenalkan konsep belief/keyakinan dan
disbelief/ketidakyakinan. Konsep ini kemudian
diformulasikan dalam rumusan dasar sebagai
berikut:
CF[H,E] = MB[H,E] – MD[H,E]
Keterangan :
CF
= Certainty Factor (Faktor Kepastian)
dalam Hipotesis H yang dipengaruhi
oleh fakta E.
MB
of
Belief
(Tingkat
= Measure
Keyakinan),
merupakan ukuran kenaikan dari
kepercayaan
hipotesis
H
dipengaruhi oleh fakta E.
MD
= Measure of Disbelief (Tingkat
Ketidakyakinan),
merupakan
kenaikan dari ketidakpercayaan
hipotesis H dipengaruhi oleh fakta
E.
E
= Evidence (Peristiwa atau Fakta)
Ada 3 hal yang mungkin terjadi pada metode
Certainty Factor, yaitu :
1. Beberapa evidence dikombinasikan untuk
menentukan CF dari suatu hipotesis. Jika e1
dan e2 adalah observasi ditunjukkan oleh
gambar. 2, Maka:
Gambar 2. Dua Efidence
2. CF dihitung dari kombinasi beberapa hipotesis
.Jika h1 dan h2 adalah hipotesis yang
ditunjukkan oleh gambar. 3.
123
Seminar Nasional Informatika 2014
Use Case Diagram
Adapun diagram yang menggambarkan
interaksi beberapa aktor dalam sistem yang di
rancang ini dapat dilihat pada gambar. 5 berikut
ini:
1.
Gambar 3. Kombinasi Beberapa Hipotesis
Maka :
SISTEM PAKAR MENDIAGNOSA PENYAKIT TANAMAN KELAPA SAWIT DENGAN
METODE CERTAINTY FACTOR
Login pakar
Login user
3. Beberapa aturan saling bergandengan, ketidak
pastian dari suatu aturan menjadi input untuk
aturan yang lainnya. Jika beberapa aturan
saling bergandengan ditunjukkan oleh gambar.
4 berikut:
Mengolah data pakar
Input data user
Input data aturan
Pakar
Input data penyakit
Melakukan konsultasi
Mengolah basis
pengetahuan
User
Mendapatkan hasil konsultasi
Manipulasi hasil
Melihat laporan hasil konsultasi
Gambar 4. Beberapa Aturan Saling
Bergandengan
Maka :
MB[h,s] = MB’[h,s] * max (0,CF[s,e])
MB’[h,s] = ukuran kepercayaan h berdasarkan
keyakinan penuh terhadap validitas s. [6]
2.5 Kelebihan dan Kekurangan Certainty
Factor
Kelebihan dari metode Certainty Factor
adalah:
1. Metode ini cocok dipakai dalam sistem pakar
yang mengandung ketidak pastian.
2. Dalam sekali proses perhitungan hanya dapat
mengolah 2 data saja sehingga keakuratan
data dapat terjaga [5].
Sedangkan kekurangan metode Certainty
Factor adalah:
1. Pemodelan
ketidak
pastian
yang
menggunakan perhitungan metode Certainty
Factor biasanya masih diperdebatkan.
2. Untuk data lebih dari 2 buah, harus dilakukan
beberapa kali pengolahan data [5].
3.
Analisa dan Perancangan
Desain Sistem
Perancangan desain sistem yang akan
dibangun menggunakan pemodelan Unified
Modelling System ( UML ). Diagram-diagram
yang digunakan use case diagram, dan sequence
diagram konsultasi saja.
124
Gambar 5. Use Case Diagram
Pada use case diagram di atas terdapat 2 aktor
yaitu User, dan Pakar. Kedua aktor tersebut
memiliki peranan masing-masing, yaitu tugas user
yang melakukan konsultasi, sebelum user
melakukan aktifitas konsultasi user diwajibkan
login terlebih dahulu sebagai login user, langkah
selanjutnya yaitu mengisi data user, dikarenakan
agar seorang pakar dapat mengetahui pengguna
sistem tersebut, setelah user melakukan
konsultasi, user dapat melihat langsung hasil
konsultasi tersebut. Pakar disini bertindak sebagai
mengolah data pakar, menginput data aturan,
menginput data penyakit, mengolah basis
pengetahuan, manipulasi hasil setelah sebelumnya
telah melakukan login pakar terlebih dahulu, dan
melihat laporan hasil konsultasi untuk keperluan
akses sistem.
Sequence Diagram Konsultasi
Sequence
Diagram
menggambarkan
perilaku pada sebuah skenario, diagram ini
menunjukkan sejumlah contoh objek dan message
(pesan) yang diletakkan diantara objek-objek ini
di dalam use case, dalam hal ini penulis hanya
menggambarkan skenario sequence diagram
konsultasi. Gambar. 6 berikut merupakan
sequence diagram konsultasi user.
2.
Seminar Nasional Informatika 2014
Data User
User
Input data user
Menu Konsultasi
User
Basis Pengetahuan
Simpan data user
Memberikan pertanyaan
Memberikan pertanyaan
Menjawab Pertanyaan
Cek Gejala
Hasil Diagnosa
Diagnosa
Gambar : 6. Sequence Diagram Konsultasi
4.
Pembahasan
Representasi Pengetahuan
Representasi
pengetahuan
(knowledge
representation) adalah cara untuk menyajikan
pengetahuan yang diperoleh ke dalam suatu
skema/diagram tertentu sehingga dapat diketahui
relasi antara suatu pengetahuan dengan
pengetahuan yang lain dan dapat dipakai untuk
menguji kebenaran penalarannya. Representasi
pengetahuan dibutuhkan untuk menangkap sifatsifat penting masalah dan mempermudah
prosedur pemecahan masalah dalam mengakses
informasi. Format representasi harus mudah
dipahami sehingga seorang programmer mampu
mengekspresikan pengetahuan (fakta), namun
semua cara tersebut harus mengacu pada dua
entitas berikut.
3. Fakta, yaitu kejadian sebenarnya. Fakta inilah
yang akan kita representasikan.
4. Representasi
dari
fakta.
Berdasarkan
representasi inilah kita dapat mengolah
fakta.[6]
Basis pengetahuan yang di dalam sistem
pakar ini akan digunakan untuk menentukan
proses pencarian atau menentukan kesimpulan
yang diperoleh dari hasil analisis. Hasil yang
diperoleh setelah pengguna melakukan interaksi
dengan sistem pakar yaitu dengan menjawab
pertanyaan yang diajukan oleh sistem pakar.
Basis pengetahuan yang di gunakan didalam
sistem pakar ini terdiri dari : gejala-gejala yang
diderita dan hasil diagnosa yang diberikan oleh
pakar. Adapun tabel keputusan untuk gejalagejala yang terjadi dapat dilihat pada tabel. 1
dibawah ini:
(tabel dilampiran)
Dalam memecahkan masalah metode yang
digunakan adalah metode Certainty Factor serta
kaidah produksi IF –THEN dimana gejala-gejala
pada penyakit kelapa sawit di umpamakan dengan
Jika dan solusi penanggannya diumpamakan
dengan Maka.
Bentuk pernyataannya adalah :
JIKA [gejala 1]
JIKA [gejala 2]
DAN [gejala 3]
MAKA [Penyakit]
Berikut ini merupakan algoritma yang di
gunakan dalam mendiagnosa penyakit pada
tanaman kelapa sawit.
5. Kaidah untuk Penyakit Daun Bibit Muda
(Anthracnose)
IF
Daun
terdapat
bercak-bercak
dikelilingi warna kuning,
AND
Adanya warna hitam dan coklat di
antara tulang daun,
AND
Daun yang terserang menjadi
kering,
THEN Penyakit
daun
bibit
muda
(anthracnose)
6. Kaidah untuk Penyakit Akar (Blast Disease)
IF
Akar menjadi lunak,
AND
Daun bibit kusam berwarna
kekuning-kuningan yang dimulai
dari bagian ujung daun,
AND
Daun menjadi layu,
AND
Daun berubah warna menjadi
kuning cerah,
AND
Daun
terdapat
bercak-bercak
dikelilingi warna kuning,
THEN Penyakit akar (blast disease)
7. Kaidah untuk Penyakit Tajuk (Crown Disease)
IF
Tanaman berumur 2-4 tahun,
AND
Helai daun mulai dari pertengahan
sampai ujung pelepah kecil-kecil,
AND
Daunnya robek-robek,
AND
Pelepah membengkok,
AND
Jaringan yang terinfeksi pada
pelepah yang tidak membuka
berwarna coklat kemerah-merahan,
THEN Penyakit tajuk (crown disease)
8. Kaidah untuk Penyakit Busuk Pangkal Batang
(Basal Stem rot atau ganoderma)
IF
Pelepah daun tampak layu,
AND
Pelepah daun berwarna pucat,
AND
Bagian daun paling tua mengalami
nekrosis,
AND
Pelepah daun akan patah dan
menggantung,
AND
Daun tombak (pupus) yang baru
muncul tidak membuka dan
berkumpul lebih dari 3 helai,
AND
Pangkal batang menghitam,
AND
Keluar getah pada bagian yang
terinfeksi,
THEN Penyakit busuk pangkal batang
(basal stem rot atau ganoderma)
125
Seminar Nasional Informatika 2014
9. Kaidah untuk Penyakit Busuk Batang Atas
(Upper Stem Rot)
IF
Warna daun yang terbawah
berubah,
AND
Kuncup daun terinfeksi,
AND
Pembusukan pada batang,
AND
Batang yang membusuk berwarna
keabu-abuan,
THEN Penyakt Busuk Batang Atas (Upper
Stem Rot)
10. Kaidah untuk Penyakit Busuk Kering Pangkal
Batang (Dry Basal Rot)
IF
Tandan buah membusuk,
AND
Pembentukan bunga terhambat,
AND
Pelepah daun bagian bawah patahpatah,
THEN Penyakit busuk kering pangkal
batang (dry basal rot)
11. Kaidah untuk Penyaki Busuk Kuncup (Spear
Rot)
IF
Jaringan pada kuncup membusuk
AND
Jaringan
kuncup
berwarna
kecoklat-coklatan,
AND
Tajuk mudah di cabut,
AND
Kuncup membengkok,
THEN Penyakit busuk kuncup (spear rot)
12. Kaidah untuk Penyakit Garis Kuning (Patch
Yellow)
IF
Daun
tampak
bercak-bercak
lonjong berwarna kuning dan
ditengahnya terdapat warna coklat,
AND
Daun yang terserang menjadi
kering,
AND
Daun berguguran,
THEN Penykit garis kuning (patch yellow)
13. Kaidah untuk Penyakit Busuk Tandan (Bunch
Rot)
IF
Tanaman berumur 3-10 tahun,
AND
Permukaan tandan terdapat benangbenang jamur putih mengkilat,
AND
Perikarpnya menjadi lembek dan
busuk,
AND
Warna buah berubah menjadi
kecoklatan dan berubah lagi
menjadi kehitam-hitaman,
THEN Penyakit busuk tandan (bunch rot)
5.
Penerapan Metode Certainty Factor
Metode certainty factor yang akan
diterapkan dalam pembuatan sistem pakar ini
adalah metode dengan rumus certainty factor
sebagai berikut :
CF(H,e) = CF(E,e) * CF(H,E)
126
Di mana :
CF(E,e)
:
CF(H,E)
:
CF(H,e)
:
certainty factor evidence E yang
dipengaruhi oleh evidence e.
certainty factor hipotesis dengan
asumsi evidence diketahui dengan
pasti, yaitu ketika CF(E,e) = 1.
certainty factor hipotesis yang
dipengaruhi oleh evidence e.
Karena semua evidence pada antecedent diketahui
dengan pasti maka rumusnya menjadi :
CF(H,e) = CF(H,E)
Contoh perhitungan nilai certainty factor untuk
sistem ini adalah sebagai berikut:
JIKA
Daun
terdapat
bercak-bercak
dikelilingi warna kuning,
DAN
Adanya warna hitam dan coklat di
antara tulang daun,
DAN
Daun yang terserang menjadi kering,
MAKA Penyakit
daun
bibit
muda
(anthracnose)
CF = 0.9
Dengan menganggap
E1
: “daun
terdapat
bercak-bercak
dikelilingi warna kuning”
E2
: ”adanya warna hitam dan coklat di
antara tulang daun”
E3
: ”daun yang terserang menjadi kering”
Nilai certainty factor hipotesis pada saat evidence
pasti adalah :
CF(H,E) = CF(H,E1 ∩ E2 ∩ E3)
= 0.9
Dalam kasus ini, kondisi tanaman tidak
dapat ditentukan dengan pasti. Certainty factor
evidence E yang dipengaruhi partial evidence e
ditunjukkan dengan nilai sebagai berikut:
CF(E1 , e) = 0.9
CF(E2 , e) = 0.7
CF(E3 , e) = 0.9
Sehingga
CF(E,e)
= CF(E1 ∩ E2 ∩ E3 , e)
= min
[CF(E1,e),
CF(E2,e),
CF(E3,e)]
= min [0.9, 0.7, 0.9]
= 0.7
Nilai certainty factor hipotesis adalah:
CF(H,e) = CF(E,e) * CF(H,E)
= 0.7 * 0.9
= 0.63
Hal ini berarti besarnya kepercayaan pakar
terhadap nilai penyakit dengan kode penyakit
P001 adalah 0.63 atau bila diprosentasekan
nilainya menjadi 63%.
Nilai CF (Rule) didapat dari interpretasi
“term” dari pakar, yang diubah menjadi nilai CF
tertentu sesuai tabel. 2 berikut.
Seminar Nasional Informatika 2014
Tabel 2. Certainty Factor (CF) Rule
Uncertain Term
CF
Definitely not (pasti tidak)
-1.0
Almost certainly not (hampir pasti
-0.8
tidak)
Probably not (kemungkinan besar
-0.6
tidak)
Maybe not (mungkin tidak)
-0.4
Unknown (tidak tahu)
-0.2 to 0.2
Maybe (mungkin)
0.4
Probably (kemungkinan besar)
0.6
Almost certainly (hampir pasti)
0.8
Definitely (pasti)
1.0
6.
2.
3.
4.
Hasil
Form ini merupakan tampilan data
knowledge. Pada form ini terdapat aturan dari
beberapa pertanyaan berupa gejala dari penyakit
tanaman kelapa sawit yang bersangkutan.
Gambar. 7 berikut ini menampilkan form
knowledge.
5.
6.
menunjukkan bahwa sistem pakar ini dapat
mendiagnosa penyakit tanaman kelapa
sawit sesuai dengan jawaban yang
diberikan oleh user dengan nilai
keakuratan 85%.
Sistem yang penulis rancang hanya dapat
digunakan untuk mendiagnosa penyakit
pada tanaman kelapa sawit saja.
Metode
yang
digunakan
dalam
perancangan aplikasi ini adalah metode
Certainty Factor.
Dengan dilakukannya pemakaian sistem
informasi yang tepat terutama dalam
masalah konsultasi, maka hasil yang
diperoleh dalam menangani masalah
tersebut akan jauh lebih cepat, sehingga
data yang dibutuhkan akan lebih cepat dan
efisien sekalipun data yang diolah banyak.
Sistem
pakar
yang
dibuat
akan
memberikan solusi berupa penanganan
awal serta pola penanganan penyakit
tanaman kelapa sawit.
Sistem Informasi ini telah dirancang dan
diimplementasikan menggunakan program
Visual Basic 2010 dan Ms. SQL Server
2008 sebagai databasenya dan sudah dapat
digunakan untuk konsultasi mengenai
penyakit pada tanaman kelapa sawit.
Daftar Pustaka:
[1]
[2]
[3]
Gambar 7. Form Knowledge
7.
Kesimpulan
[4]
Dari uraian secara teoritis dan dari hasil
penelitian yang dilakukan penulis, maka penulis
akan mencoba menarik kesimpulan.
Adapun
kesimpulan
yang
penulis
kemukakan adalah sebagai berikut :
1. Hasil
pengujian
”Sistem
Pakar
Mendiagnosa Penyakit Tanaman Kelapa
Sawit dengan Metode Certainty Factor”
[5]
[6]
Arhami Muhammad, 2005, Konsep Dasar
Sistem Pakar, Yogyakarta, Andi Offset.
Fauzi Yan, et al, 2002, Kelapa Sawit,
Jakarta, Penebar Swadaya.
Kusumadewi
Sri,
2003,
Artificial
Intelligence
(Teknik dan Aplikasinya), Graha Ilmu,
Yogyakarta
Roger Presman, 2002, Rekayasa Perangkat
Lunak, Yogyakarta, Penerbit Andi.
Sutojo, et al, 2011, Kecerdasan Buatan,
Jogyakarta, Andi Offset.
Wahyuni Linda, 2013, Sistem Pakar Untuk
Mendiagnosa Penyakit Kanker Tulang,
Prosiding SNIf STMIK Potensi Utama
2013.
127