Sistem Pakar Pendeteksi Hama dan Penyakit Tanaman Mangga Menggunakan Metode Iterative Dichotomiser Tree (ID3)

  Vol. 2, No. 7, Juli 2018, hlm. 2713-2720 http://j-ptiik.ub.ac.id

  

Sistem Pakar Pendeteksi Hama dan Penyakit Tanaman Mangga

Menggunakan Metode Iterative Dichotomiser Tree (ID3)

1 2 3 Dedy Surya Pradana , Suprapto , Bayu Rahayudi

  Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya 1 2 3 E-mail : dedy.surya.pradana@gmail.com, spttif@ub.ac.id, ubay1@ub.ac.id

  

Abstrak

  Deteksi secara dini dapat meminimalisir risiko gagal panen tanaman mangga serta untuk penentuan upaya pengendalian secara strategis. Proses deteksi yang ada selama ini masih manual, dan pengetahuan tentang gejala- gejala penyakit dan hama tanaman mangga yang masih kurang. Jumlah hama penyakit tanaman mangga juga cukup banyak dan membuat para petani cukup kesulitan untuk menentukan hama penyakit apa yang menyerang. Pemanfaatan sistem diagnosis awal penyakit menjadi lebih mudah dan cepat. Petani juga dapat melakukan deteksi hama dan penyakit secara dini dan mandiri. Pada penelitian ini jenis hama penyakit yang dapat dideteksi sebanyak sembilan hama penyakit menggunakan metode

  

Iterative dichotomizer 3 (ID3) dengan masukan gejala dari pengguna. Metode tersebut digunakan untuk

  mengolah data hama penyakit tanaman mangga dalam hasil pengujian akurasi sistem antara deteksi dengan hasil perhitungan metode Iterative Dichotomizer 3 (ID3) memiliki tingkat keakurasian sebesar 84%.

  Kata kunci: ID3, Hama, Penyakit, Mangga

Abstract

  

Early detection can minimize the risk of crop failure and can be the determinant of the strategic control

efforts.The detection that existed so far is still done manually, and knowledge of disease and pest of

mango plant still lacking . The number of plant disease pests of mango is also quite a lot and make

enough trouble for farmer detect that attacks.The utilization of the expert system detection process

becomes easier and faster. Farmer can detect pest and plant disease early and independently as well.

On the research of this kind of disease pest that can be detected as many as nine pests diseases using

methods of Iterative dichotomezer 3 (ID3) with input from users of symptoms. The method is used to

analyze the data of pest and plant disease of mango crops where as the result of system accuracy test

between the detection and the result of Iterative dichotomezer 3 (ID3) method calculation has the

accuracy level of 84%.

  Keywords: ID3, Mango, Pest, Plant Disease

  menghidupi para kelompok tani dan 1.

   PENDAHULUAN

  keluarganya. Berbagai macam variestas mangga Mangga (Mangiferae Indica) merupakan dikembangkan di Indonesia. tanaman yang berasal dari India. Namun, Mangga di Indonesia merupakan komuditas tanaman mangga di Indonesia bukanlah tanaman ekspor. Namun, tumbuhan tidak selamanya asing bagi masyarakat. Sebagai negara yang dapat terlepas dari serangan hama dan penyakit. beriklim tropis dan keanekaragaman agroklimat,

  Hama dan penyakit tanaman dapat disebut juga Indonesia mampu menghasilkan hampir semua sebagai organisme pengganggu tanaman (OPT). jenis buah tropika dan sub tropika termasuk

  Hewan dapat disebut hama karena mereka mangga. Diluar sentra-sentra produsen mangga mengganggu tumbuhan dengan memakannya. seperti Kabupaten Malang, tanaman mangga

  Belalang, kumbang, ulat, wereng, tikus, walang dapat dijumpai di hampir setiap pekarangan sangit merupakan beberapa contoh binatang rumah tangga. Kabupaten Malang misalnya, yang sering menjadi hama tanaman. Terdapat mangga dijadikan sebagai komoditas unggulan, puluhan bahkan ratusan jenis hama dan penyakit usaha tani mangga di wilayah tersebut dapat yang menyerang tanaman mangga. Berbagai

  Fakultas Ilmu Komputer Universitas Brawijaya

2713

  • – gejala hama dan penyakit tanaman mangga yang akan digunakan sebagai proses perhitungan dengan metode Ietrative Dichotomizer 3 (ID3). Parameter hama dan penyakit tanaman mangga yang digunakan berjumlah 29 yaitu berupa gejala
  • – gejala dari setiap hama penyakit tanaman mangga.

  (ID3)” sebagai suatu alternatif solusi untuk mengatasi masalah.

  4.1. Kutu Putih

  Jenis- jenis hama dan penyakit yang menyerang tanaman mangga biasa disebabkan oleh hama serangga, hama ulat, penyakit buah, penyakit daun, dan pembusukan akar.

  4. HAMA DAN PENYAKIT MANGGA

  Tanaman mangga merupakan kelompok tumbuhan biji yang berupa pohon yang batangnya keras dan berkayu. Tanaman mangga mempumyai toleransi tumbuh yang tinggi, baik pada daerah dataran rendah maupun pada daerah dataran tinggi, baik dengan curah hujan sedikit maupun banyak. Untuk membudidayakan tanaman mangga dengan optimal harus dilakukan pada daerah dengan temperatur, curah hujan, keadaan awan dan angin yang sesuai.

  Devisi : Spermatophyta 2. Sub devisi : Angiospermae 3. Kelas : Dicotyledoneae 4. Ordo : Sapindales 5. Famili : Anacardiaceae 6. Genus : Mangifera 7. Spesies : Mangifera Indica L.

  Tanaman mangga termasuk ke dalam tumbuhan berbiji (Spermatophyta) dengan biji tertutup (Angiospermae) dan berkeping dua (Dicotyledoneae). Tanaman mangga dalam sistematika (taksonomi) tumbuhan dapat diklasifikasikan sebagai berikut : 1.

  3. TANAMAN MANGGA

  Pengumpulan data pada penelitian ini didapat dari hasil wawancara dengan staff Dinas Tanaman Pangan Hortikultura dan Perkebunan Pemkab Malang. Dengan cara tersebut diperoleh data pengetahuan tentang gejala

  2. DATA PENELITIAN

  Iterative Dichotomiser Tree

  hama dan penyakit pada tanaman mangga yang menyerang dapat ditandai dari gejala-gejala serangan yang timbul. Tetapi, para petani mangga hanya mengetahui beberapa jenis hama atau penyakit yang paling umum atau yang paling sering menyerang saja dan petani terkadang tidak mengetahui hama atau penyakit apa yang menyerang tanamannya walau terdapat gejala-gejala yang ada. Ketidaktahuan dan kurangnya informasi tentang hama dan penyakit yang menyerang tanaman mangga menyebabkan petani atau penanam mangga mengalami kerugian karena tanamannya rusak atau gagal panen.

  penulis tertarik untuk membangun sebuah aplikasi “Sistem Pakar Pendeteksi Hama dan Penyakit Tanaman Mangga Dengan Metode

  Decision Tree ini. Dari uraian diatas, maka

  Permasalahan yang dihadapi petani akibat dari penyakit ini, maka dibutuhkan suatu layanan yang bisa membantu para petani untuk mendiagnosis awal penyakit pada tanaman mangganya yaitu berupa suatu sistem pakar (expert system). Sistem pakar dengan metode

  mengetahui seberapa efektif metode ID3 untuk diimplementasikan pada penyakit tanaman karet . Hasil penelitian menunjukkan bahwa tingkat keakurasian tergolong cukup kecil yakni 66% akurat dan 34% error(Manggolo, 2012).

  IX Kebun Ngobo, Ungaran) .Penelitian ini berujuan untuk

  ID3 (Iterative Dichotomiser 3) Pada Sistem Pendeteksi Penyakit Tanaman Karet (Studi kasus: PTPN

  Merancang dan Mengimplementasi Algoritme

  mengetahui kinerja metode ID3 terhadap penentuan alternatif makanan untuk Ibu menyusui berdasarkan atribut yang digunakan seperti karbohidrat, protein, kalori dan lemak. Hasil penelitian menunjukkan bahwa kinerja sangat baik dengan tingkat akurasi 64%, dengan menggunakan 25 data latih serta 88% dengan menggunakan 40 data latih (Wicaksono,2016). Penelitian kedua dilakukan oleh Danny Manggoro (Manggolo, 2012) dengan judul

  makanan Bergizi Bagi Ibu Menyusui Dengan Algoritme ID3. Penelitian ini bertujuan untuk

  Beberapa penelitian sebelumnya dilakukan oleh Agung Dwi Wicaksono (Wicaksono, 2016) dengan judul Sistem Pakar Penentuan Alternatif

  Hama ini menghisap cairan sel. Daun yang terserang mengering dan gugur.Kutu mengeluarkan cairan madu yang menjadi makanan cendawan penyebab penyakit embun jelaga dan umumnya menyerang pada musim penghujan (Badan Litbang Pertanian Indonesia, 2009).

  4.2. Wereng Mangga (Idiocerus Niveosparsus)

  Pada permukaan daun terdapat bercak bulat sehingga angular berwarna coklat dan kelabu ditengahnya, kadang-kadang kekunigan di tepi atau berlubang (shot hole). Pada malai bunga terdapat bercak kecil pada pucuk, panikle dan tangkai. Selanjutnya bunga menjadi kehitaman, pada buah terdapat bercak berwarna coklat hingga berwarna gelap, pada buah yang sudah matang akan menjadi busuk. Kerusakan pada awalnya terjadi pada daun muda dna mengakibatkan terminal cabang tidak produktif, bunga mengering, gagalnya pembentukan pentil buah, buah gugur dan menjadi busuk, penyakit ini biasanya menyerang pada awal musim hujan (Badan Litbang Pertanian Indonesia, 2009).

  5. ITERATIVE DICHOTOMIZER 3 (ID3) Iterative Dichotomiser Tree (ID3) adalah

  Penyakit ini menyerang batang atau cabang. Tanaman yang terserang mengeluarkan blendok yang berwarna kuning emas dari batang atau cabang, pada kulit terjadi luka yang tidak teratur. Cendawan berkembang diantara kulit dan kayu serta merusak lapisan kambium tanaman. Kayu yang mati berwarna hijau sampai hitam. Serangan diplodia kering umumnya lebih berbahaya karena gejala permukaan sukar diketahui. Kulit batang atau cabang tanaman yang terserang mengering, terdapat celah-celah kecil pada permukaan kulit, pada bagian kulit dan batang yang ada dibawahnya berwarna hitam kehijauan. Pada bagian celah-celah kulit terlihat adanya masa spora cendawan berwarna putih atau hitam. Penyakit ini biasanya menyerang pada musim hujan.

  4.9. Penyakit Diplodia (Diplodia Natalensis)

  Pada permukaan buah terdapat sruktur yang tidak beraturan berwarna coklat tua. Setelah buah di panen meninggalkan bercak coklat yang keras dan mengering sehingga mengurangi penampilan buah. Penyakit ini biasanya menyerang pada musim hujan, ketika buah sebesar kelereng (Badan Litbang Pertanian Indonesia, 2009).

  4.8. Kudis Buah (Elsinoe Mangiferae) Penyakit ini menyerang permukaan buah.

  Penyakit ini menyerang permukaan dan dan ranting. Pada permukaan daundan ranting terdapat lapisan tipis berwarna hitam. Lapisan berwarna hitam merupakan cendawan yang memperoleh makanan karena cairan madu yang dikeluarkan oleh hama seperti : wereng mangga, kutu sisik, dan kutu putih. Embun jelaga biasanya menyerang pada musim hujan (Badan Litbang Pertanian Indonesia, 2009).

  4.7. Embun Jelaga (Capnodium Mangiferae)

  4.6. Antraknosa (Colletotrichum Gloeosporioides) Penyakit ini menyerang permukaan daun.

  Hama ini menghisap cairan pada daun mangga, pucuk-pucuk muda, tangkaimuda dan buah muda, sehingga mudah rontok. Hama ini muncul pada saat peralihan musim kemarau ke musim hujan dan umumnya menyerang tanaman mangga yang sudah berproduksi (Badan Litbang Pertanian Indonesia, 2009).

  Permukaan akar akan berwarnahitam, pada permukaan akar terdapat benang-benang jamur berwarna putih kotor kemudian leher akar mengelupas kemudian akar busuk. Penyakit ini dapat menyebabkan kematian pada tanaman. Penyakit ini sering dijumpai pada saat musim hujan (Badan Litbang Pertanian Indonesia, 2009).

  4.5. Busuk Akar (Rigidoporus Microporus) Penyakit ini menyerang permukaan akar.

  lembek dan lemah, berwarna hijau terang. Pada gejala lanjut daun akan mengering dan adanya bercak coklat pada pangkal daun. Selanjutnya tanaman mati, Apabila diperiksa akar menjadi busuk (Badan Litbang Pertanian Indonesia,2009).

  Vexans.). Gejala yang terlihat daun menjadi

  Penyakit ini menyerang tanaman pada saat dipembibitan (polybag). Penyakit diakibatkan serangan cendawan (Phythium

  4.4. Penyakit Layu Benih (Phythium Vexans)

  Sehingga pada permukaan kulit buah terdapat titik-titik hitam, titik hitam tersebut akibat tusukan lalat buah. Daging buah menjadi busuk, akibatnya buah tidak dapat dipanen karena rusak atau gugur (Badan Litbang Pertanian Indonesia, 2009).

  4.3. Lalat Buah (Dacus Dorsalis) Hama ini menyerang permukaan kulit buah.

  salah satu algoritme yang sering digunakan pada pembelajaran dan data mining karena mudah • E(S) adalah Entropy dari himpunan S. digunakan dan cukup efektif. Algoritme ini

  • N adalah jumlah nilai yang berbeda dari dikembangkan oleh J.Rose Quinlan pada tahun atribut di S.

  1986. Algoritme ini membangun pohon s (j) adalah frekuensi dari nilai j dalam

  • f keputusan dari beberapa data untuk proses himpunan s.

  klasifikasi dan menentukan klasifikasi data yang 0 menandakan satu set telah

  Entropy

  baru (Liang, 2005). Algoritme

  ID3

  diklasifikasi dengan sempurna. Perhitungan membutuhkan data yang telah memiliki kelas

  Information gain kemudian dilakukan setelah

  untuk pembelajaran sebelum melakukan proses nilai Entropy didapat dengan menggunakan klasifikasi. Kurangnya data pembelajaran dapat persamaan: berakibat kurang optimalnya klasifikasi yang dihasilkan dari algoritme ini.

  m

  (2.2)

  G(S, A) = ( ) − ∑ f (A )E(S ) s i

  Algoritma ID3 dapat diimplementasikan

  Ai =1

  menggunakan fungsi rekursif (fungsi yang Keterangan: memanggil dirinya sendiri). Algoritme ID3

  • G(S,A) adalah nilai gain dari atribut A berusaha membangun decision tree secara top- pada himpunan S down. Awalnya memeriksa semua atribut yang
  • M adalah jumlah nilai-nilai yang sesuai untuk diletakkan pada root dengan berbeda dari atribut A di S mengevaluasi semua atribut yang ada dengan s (A i ) frekuensi dari item yang memiliki menggunakan ukuran statistic (yang umum • f

  A i sebagai nilai dari A di S digunakan adalah information gain) untuk th mengukur efektivitas suatu atribut dalam i adalah i nilai yang mungkin dari A

  • A • mengklasifikasikan kumpulan sampel data. adalah bagian dari S yang berisi Pemilihan atribut dengan menggunakan
  • i semua item dimana nilai A adalah A

      information gain , yaitu:

      Setelah menghitung information gain pada 1. Memilih atribut dengan information semua atribut kemudian dicari information gain

      gain terbesar.

      tertinggi untuk dijadikan root dalam suatu pohon 2. Buat Simpul yang berisi atribut keputusan. Begitu seterusnya sampai parameter tersebut. tiap atribut terklasifikasi dengan sempurna.

      3. Proses perhitungan information gain akan terus dilaksanakan sampai semua data telah termasuk dalam kelas yang sama. Atribut yang telah dipakai tidak disertakan lagi dalam perhitungan nilai information gain .

      Dalam perhitungan algoritme

      ID3 dibutuhkan 2 rumus utama yaitu entropy dan

      information gain . Fungsi dari entropy yaitu

      mengukur seberapa baiknya sebuah node dan digunakan sebagai suatu parameter untuk mengukur keberagaman dari kumpulan sampel data. Ketika entropy semakin besar, menunjukkan bahwa kumpulan data semakin heterogen. Fungsi gain yaitu mengukur seberapa baik suatu atribut memisahkan training example

      Gambar 1. Diagram Alir ID3

      ke dalam kelas target. Entropy digunakan untuk mendefinisikan nilain information gain yang

      6. IMPLEMENTASI SISTEM

      berguna untuk memilih atribut terbaik dari Dalam implementasi sistem disini akan atribut-atribut yang tersedia. Berikut ditjelaskan bagaimana proses dari sistem yang perhitungan algoritme ID3 dengan mencari nilai telah dibuat bisa berjalan dengan apa yang dari entropy dan information gain: diharapkan. Untuk proses berjalannya sistem yaitu :

      (2.1)

      E(S) = − ∑ f f (j) s (j) log 2 s =1

      1. User menginputkan gejala – gejala Keterangan: yang tampak di tanaman mangga.

    2. Sistem akan memproses inputan gejala

    • – gejala yang telah dipilih oleh user dengan dataset yang ada pada sistem.

      Pada tabel 1 berikut akan ditunjukkan skenario pengujian yang telah dibuat.

      70:10 3 90% 4 90% 5 90% 1 100% 86% 2 80% 3 80% 4 80% 5 90% 60:10 1 90% 82% 2 70% 3 80% 4 80% 5 90%

      Pengujian Akurasi Peng ujian Akur asi

      90 90-10 80-10 70-10 60-10

      88

      86

      84

      82

      80

      78

      76

      Seperti yang ditunjukkan pada gambar 3 maka dapat dilihat bahwa rata

      Gambar 3. Grafik pengujian

      Dari hasil pengujian yang telah dilakukan, didapatkan hasil akurasi yang beragam. Pada gambar 3 akan ditunjukkan hasil perbandingan akurasi rata

      Tabel 1. Hasil Pengujian Perbandingan (data training : data testing) Pengu jian Akurasi Akurasi Rata- Rata 80:10 90 : 10 1 80% 80% 1 90% 88% 2 80%

      3. Sistem akan melakukan klasifikasi data menggunakan metode iterative

      8. ANALISIS

    • – rata dari empat pengujian yang telah dilakukan

      mengetahui akurasi dan pengaruh data training untuk menentukan hasil akurasi, dalam pengujian ini sistem akan di uji dengan menggunakan data uji sebanyak 10 dan diambil secara terurut.

      validation. Pengujian ini bertujuan untuk

      Pengujian kedua menggunakan k-fold cross

      Pengujian yang pertama dengan dengan menggunakan jumlah banyaknya data training. Sistem ini akan diuji dengan menggunakan 100 data yang telah diketahui hasilnya dan akan dilihat berapa tingkat akurasinya. Dalam penelitian ini untuk menentukan tingkat akurasinya akan dibuat beberapa skenario pengujian dengan membedakan perbandingan banyak data training dan penggunaan 10 data uji dan diulang sebanyak lima kali.

      Pada tahap pengujian akan menggunakan 2 pengujian terhadap sistem yang telah dibuat untuk mengetahui kesesuaian dan akurasi sistem terhadap pengguna dan kasus - kasus yang asli.

       PENGUJIAN

      2 Gambar 2. Diagram Alir Sistem 7.

      5. Sistem akan menampilkan hasil tree dan hasil diagnosis Untuk diagram alir dapat dilihat di gambar

      4. Sistem memproses hasil klasifikasi data dengan inputan dari user

      dichotomizer tree (ID3).

    • – rata akurasi terendah yaitu 80% pada pengujian
    • – rata terbaik yaitu 88% pada pengujian menggunakan 80 data training. Dari hasil pengujian dapat dilihat bahwa akurasi terbaik yaitu pada pengujian 80:10. Sedangkan pada pengujian 90:10 terjadi penurunan akurasi sehingga untuk mengetahui anomali tersebut maka selanjutnya akan dilakukan pengujian k-

    • – rata yang didapatkan pada pengujian k-fold cross
      • 1
      • 1
      • 1
      • 1
      • 1
      • 1
      • 1
      • 1

    • – 90
    • – 80

      1

      11

      2

      1

      3

      1

      4

      1

      5

      6

      60

      1

      7

      1

      8

      1

      9

      1

      1

      Pengujian Akurasi 80:10 menggunakan K-Fold Cross Validation

      80 100 120

      40

      menggunakan 90 data training. Akurasi rata

      6 Data ke 51- 60 Data ke 61-100 ditambah data ke 1- 40 80% 7 Data ke 61- 70 Data ke 71-100 ditambah data ke 1-

      fold cross validation pada perbandingan data

      80:10 dan 90:10 untuk mengetahui tingkat akurasi dan pengaruh data yang digunakan pada saat pengujian.

      Dari hasil pengujian akurasi terbaik yaitu pada pengujian 80:10. Sedangkan pada pengujian 90:10 terjadi penurunan akurasi sehingga untuk mengetahui anomali tersebut maka selanjutnya akan dilakukan pengujian k-

      fold cross validation pada perbandingan data

      80:10 dan 90:10 untuk mengetahui tingkat akurasi dan pengaruh data yang digunakan pada saat pengujian.

      Pengujian 80:10 ( K-fold cross Validation) Tabel 2. K-Fold Cross Validation 80:10 No Data uji Data Training Akurasi 1 Data ke 1- 10 Data ke 11-90 90% 2 Data ke 11- 20 Data ke 21-100 80%

      3 Data ke 21- 30 Data ke 31-100 ditambah data ke 1- 10 80% 4 Data ke 31- 40 Data ke 41-100 ditambah data ke 1-

      20 70% 5 Data ke 41- 50 Data ke 51-100 ditambah data ke 1- 30 90%

      50 80% 8 Data ke 71- 80 Data ke 81-100 ditambah data ke 1- 60 90%

      20

      9 Data ke 81- 90 Data ke 91-100 ditambah data ke 1- 70 90% 10 Data ke 91- 100 Data ke 1-80 100%

      Pada gambar 4 ditunjukkan bahwa akurasi tertinggi yaitu 100% didapatkan pada pengujian menggunakan 10 data testing pada data ke 91- 100 dengan data training pada data ke 1-80 yang kedua yaitu dengan menggunakan data uji Data ke 1-10 dengan data training pada data ke 11- 90, ketiga yaitu dengan menggunakan data uji Data ke 41-50 dengan data training pada data ke 51-100 ditambah data ke 1-30, keempat yaitu dengan menggunakan data uji data ke 71-80 dengan data training pada data ke 81-100 ditambah data ke 1-60, kelima yaitu dengan menggunakan data uji data ke 81-91 dengan data

      training pada data ke 91-100 ditambah data ke 1-

      70. Akurasi terendah yaitu 70% didapatkan pada pengujian menggunakan 10 data uji pada Data ke 31-40 dengan data training pada data ke 41-100 ditambah data ke 1-20. Akurasi rata

      validation menggunakan perbandingan 80:10 adalah 85%.

      Gambar 4. K-fold validation 80:10 Pengujian 90:10 ( K-Fold Cross Validation)

      Pengujian dilakukan dengan mengambil 10 data uji secara terurut dari 100 data dan sisanya digunakan sebagai data training . Pada tabel 3 akan ditunjukkan skenario pengujian 90:10 menggunakan k-fold cross validation.

      Tabel 3. K-Fold Cross Validation 90:10 No Data uji Data Training Akurasi 1 Data ke 1- 10 Data ke 11-100 90% 2 Data ke 11- 20 Data ke 21-100 80%

      3 Data ke 21- 30 Data ke 31-100 ditambah data ke 1- 10 80%

      Peng ujian Akur asi 80:10 meng guna kan K- Fold Cr…

    • – 100 ditambah data ke 1
    • – 40 80%
    • 7 Data ke 61- 70 Data ke 71-100 ditambah data ke 1<
    • – 50 80%
    • 8 Data ke 71- 80 Data ke 81-100 ditambah data ke 1- 60 90% 9 Data ke 81-

        30

        akurasi menggunakan K-Fold Cross Validation yaitu 85%, 84%.

        Han, Jiawe, Micheline Khamber 2001,Data

        Mining : Concepts and Technique ,Morgan Kaufmann Publisher, San Francisco, USA.

        Kohavi, R, Quinlan 1999. Decision Tree Discovery , AAAI and The MIT, Pres, 1-16.

        10

        20

        40

        90:10 untuk mengetahui tingkat akurasi dan pengaruh data yang digunakan pada saat pengujian, pengujian dilakukan dengan mengambil 10 data uji secara terurut dari 100 data dan sisanya digunakan sebagai data

        50

        60

        70

        80

        90 100 11- 100 21- 100 31- 100 41- 100 51- 100 61- 100 71- 100 81- 100 91- 100 1

        Pengujian Akurasi 90 -10 menggunakan K-Fold Cross Validation

        Pengujian Akurasi 90 -10 menggun akan K- Fold Cross Validatio n

        training . dan hasil pengujian rata-rata

        Pengujian K-fold Cross Validation Pengujian K-Fold Cross Validation pada perbandingan data 80:10 dan

        9. KESIMPULAN

        30 90% 6 Data ke 51- 60 Data ke 61

        Pengujian akurasi dilakukan dengan menggunakan 100 data yang telah diketahui hasilnya dan akan dilihat berapa tingkat akurasinya. Dalam penelitian ini untuk menentukan tingkat akurasinya akan dibuat beberapa skenario pengujian dengan membedakan perbandingan banyak data training dan penggunaan 10 data uji dan diulang sebanyak 5 kali dan dari hasil pengujian tersebut didapatkan nilai rata - rata akurasi yang cukup baik yaitu 80%, 88%, 86%, dan 82%.

        training

        Pengujian bedasarkan jumlah data

        a.

        2. Pada penelitian ini terdapat dua pengujian yang dilakukan berdasarkan perancangan pengujian pada bab perancangan.

        1. Perancangan sistem diagnosis penyakit dan hama tanaman mangga dengan menggunakan metode ID3 dapat dilakukan implementasi untuk dapat digunakan oleh petani mangga untuk mendiagnosis awal penyakit serta hama yang menyerang tanaman mangga.

        Berdasarkan pada hasil perancangan, implementasi dan pengujian sistem yang telah dilakukan maka kesimpulan yang didapat sebagai berikut :

        b.

        4 Data ke 31- 40 Data ke 41-100 ditambah data ke 1- 20 70% 5 Data ke 41- 50 Data ke 51-100 ditambah data ke 1-

      • 90

        Pada gambar ditunjukkan bahwa akurasi tertinggi yaitu 90% didapatkan pada pengujian menggunakan 10 data uji pada data ke 1-10 dengan data training pada data ke 11-100 yang kedua yaitu dengan menggunakan data ke 71- 80 dengan data training pada data ke 81-100 ditambah data ke 1-60, ketiga yaitu dengan menggunakan data uji Data ke 81-90 dengan data training pada data ke 91-100 ditambah data ke 1-70, keempat yaitu dengan menggunakan data uji data ke 91-100. Akurasi terendah yaitu 70% didapatkan pada pengujian menggunakan 10 data uji pada Data ke 31-40 dengan data

        90 Data ke 91-100 ditambah data ke 1- 70 90% 10 Data ke 91- 100 Data ke 1-90 90% Gambar 5. Hasil Pengujian Kedua

      DAFTAR PUSTAKA

        training pada data ke 41-100 ditambah data ke 1-

        20. Akurasi rata

      • – rata yang didapatkan pada pengujian k-fold cross validation menggunakan perbandingan 90:10 adalah 84%.
      Liang, G 2005, A Comparative Study of Three

        Decision Tree Algorithms: ID3, Fuzzy ID3 and Probalistic Fuzzy ID3 , Informatics &amp;

        Economics Erasmus University Rotterdam, The Netherlands. Litbang Pertanian Indonesia 2009, Hama dan

        Penyakit Tanaman Mangga , Badan Litbang

        Pertanian Indonesia, Diakses 15 Juni 2017,

        Litbang Pertanian Balitjestro 2009, Gejala

        Serangan Penyakit Diplodia dan Pengendaliannya , Badan Litbang Pertanian

        Balitjestro, diakses

        15 Juni

        Suknovic, M, et al 2011, Reusable Component in

        Decision Tree Induction Algorithms , Springer-Verlag.

        Tan P. N. 2006, Introduction to Data Mining, Addison Wesley.