PENALARAN BERBASIS KASUS UNTUK DIAGNOSA PENYAKIT BUSUK BUAH PADA TANAMAN KAKAO DENGAN MENGGUNAKAN ALGORITMA BAYESIAN

PENALARAN BERBASIS KASUS UNTUK DIAGNOSA PENYAKIT
BUSUK BUAH PADA TANAMAN KAKAO DENGAN
MENGGUNAKAN ALGORITMA BAYESIAN
Achmad Lukman
Teknik Komputer, STMIK EL RAHMA Yogyakarta
e-mail: mecaman@gmail.com,

Abstract

Bayesian algorithm is one of the techniques used for classification. In this research, the base case
will be made for diagnosis of fruit rot disease on cocoa crop is by grading the existing case by using Bayesian
algorithm that will produce the output of diagnostic information probability value percentage rotten fruit of
the base case existing case. Bayesian algorithms are used to retrieve stage Bayesian algorithm that is
expected to be used to complete the diagnosis permsalahan fruit rot disease on cocoa
Keywords— Bayesian algorithms, case-based reasoning, fruit rot disease
PENDAHULUAN
Pada akhir abad ke-18, Kakao sudah ditanam di pekarangan-pekarangan di
Minahasa. Namun kakao baru dijadikan sebagai tanaman perkebunan besar pada tahun
1880 di Jawa Tengah [1]. Saat ini, Indonesia adalah negara penghasil terbesar ke-3 kakao
dunia atau setara 15% dari total produksi kakao dunia. Kakao yang berasal dari Indonesia
bisa diakui dipasaran dunia karena adanya kualitas yang diukur dari titik leleh bubuk

coklatnya yang tinggi.
Pengetahuan tentang gejala-gejala penyakit busuk buah dan cara pengendalian yang
disarankan untuk tanaman kakao merupakan pengetahuan yang tidak hanya dapat disimpan
di dalam memori atau ingatan seorang ahli saja. Salah satu cara yang digunakan untuk
menyimpan informasi tersebut adalah dengan menggunakan Penalaran Berbasis Kasus
(PBK).
Pada sistem penalaran berbasis kasus, basis pengetahuannya berupa kasus-kasus
yang pernah terjadi dimasa lampau dengan mengidentifikasi penyakit berdasarkan gejalagejala yang dialami dan basis pengetahuan telah tersimpan. Kasus-kasus dapat diperoleh
dari pengalaman seorang pakar di bidang pertanian khususnya tanaman kakao. Solusi
permasalahan diperoleh dari penelusuran kasus-kasus yang tersimpan berdasarkan kasus
yang pernah terjadi sebelumnya dan dicari yang paling mirip kemudian mengadaptasikanya
sesuai dengan kasus yang diberikan (kasus baru).
.
METODE PENELITIAN
Metode penelitian diawali dengan analisis dan perancangan sistem untuk
menyelesaikan kasus busuk buah, berikut adalah urutan analisis dan perancangan :
2.1
Analisis Kebutuhan Sistem
Analisis kebutuhan sistem akan diuraikan kedalam analisis kebutuhan fungsional
dan analisis kebutuhan non fungsional[2].

2.1.1 Analisis Kebutuhan Data
Data yang dibutuhkan pada aplikasi penalaran berbasis kasus untuk diagnosa
penyakit busuk buah pada tanaman kakao.
1. Data kasus terdiri dari nomor urut kasus, gejala-gejala berupa umur buah, bercak
coklat, spora, dan kelembaban udara, dan diagnosa busuk buah.
2. Data cara pengendalian yang harus dilakukan jika ter diagnosa busuk buah.

2.1.2

Analisis Kebutuhan Fungsional
Fasislitas-fasilitas akses yang ada pada aplikasi penalaran berbasis kasus untuk
mendiagnosa penyakit busuk buah pada tanaman kakao dengan menggunakan algoritma
bayesian terdiri dari halaman pakar, halaman pengendalian, dan halaman konsultasi.
1. Halaman ‘Data dari Pakar’
a. Pada halaman ini, pakar dapat memasukkan data-data kasus berupa nomor urut
kasus, data-data gejala, dan data diagnosa busuk buah.
b. Pakar bisa melakukan manipulasi terhadap data-data yang telah dimasukkan yaitu
berupa menambah data kasus, mengubah data kasus, dan menghapus data kasus.
2. Halaman ‘Pengendalian Penyakit’
a. Halaman ‘Pengendalian Penyakit’ ini adalah halaman untuk menginputkan data cara

pengendalian yang dapat dilakukan jika terdiagnosa penyakit busuk buah.
b. Pakar juga bisa melakukan manipulasi data terhadap data cara pengendalian yaitu
berupa menambah data baru, mengubah data yang sudah ada, dan menghapus data
yang sudah ada.
3. Halaman ‘Konsultasi’
Pada halaman ini dapat dilakukan pendiagnosaan penyakit busuk buah dengan
menginputkan data gejala umur buah, bercak coklat, spora, dan kelembaban udara.
Setelah memberikan data gejala dan melakukan pemrosesan, makan akan mendapatkan
output berupa hasil diagnosa penyakit busuk buah beserta nilai probabilitas.
2.1.3 Analisis Kebutuhan Non Fungsional
Kebutuhan non fungsional terdiri dari kebutuhan perangkat keras dan kebutuhan
perangkat lunak yang digunakan dalam membuat aplikasi penalaran berbasis kasus untuk
mendiagnosa penyakit busuk buah pada tanaman kakao dengan menggunakan algoritma
bayesian.
2.1.3.1 Kebutuhan Perangkat Lunak
Spesifikasi perangkat lunak yang digunakan adalah:
1. Database MySQL.
2. Bahasa pemrograman Visual Basic 6.0.
3. Sistem operasi Windows7.
2.1.3.2 Kebutuhan Perangkat Keras

Spesifikasi perangkat keras yang digunakan adalah:
1. Processor Core2Duo.
2. RAM 2 GB.
3. Hard disk 60 GB.
2.2 Flowchart Sistem
Flowchart sistem yang terdapat pada Gambar 1 menjelaskan bahwa terjadi
penginputan data untuk data gejala, data busuk buah dan data pengendalian yang dilakukan
oleh pakar. Data gejala dan data busuk buah di simpan pada data storage yang bernama
gejala. Sedangkan untuk data pengendalian di simpan pada data storage pengendalian.
Kemudian user menginputkan data gejala dan terjadi proses konsultasi yang menghasilkan
output diagnosa busuk buah dan nilai probabilitas.

IJCCS Vol. x, No. x, July 201x : first_page – end_page

3

Gambar 1. Flowchart Sistem Penalaran Berbasis Kasus untuk
Diagnosa Busuk Buah
2.3 Teknik Penalaran Komputer Berbasis Kasus
Pada teknik penalaran komputer berbasis kasus untuk mendiagnosa penyakit busuk

buah pada tanaman kakao meliputi tahap representasi kasus, tahap penelusuran (retrieve
menggunakan algoritma bayesian), tahap diagnosa (identifikasi), dan tahap pencocokan [3].
2.3.1 Representasi Kasus
Dicontohkan representasi basis kasus pada Tabel 1 berikut ini [4]. Terdapat 10 kasus
yang sudah berada pada basis data, data kasus.

Tabel 1. Representasi Basis Kasus

Uraian dari kode data gejala yang terdapat pada tabel 3.1 yaitu :
1. Gejala umur buah : muda, sedang, masak
2. Gejala bercak coklat : ada, tidak
3. Gejala spora : ada, tidak
4. Gejala kelembaban udara : kurang, sedang, tinggi
2.3.2 Penelusuran Kasus (Retrieve
Retrieve)
Pada tahap indexing akan digunakan algoritma Bayesian [5]. Dari Table 1 representasi
data basis kasus terdapat 2 class yang terbentuk untuk hasil diagnosa penyakit busuk buah
pada tanaman kakao, yaitu :
C1 = Ya (Busuk Buah)
C2 = Tidak (Tidak Busuk Buah)

Misal terdapat data baru yang berupa :
X = ( 1 = “masak”, 2 = “tidak”, 3 = “ada”, 4 = “tinggi”)
Maka penyelesaiannya dengan menggunakan rumusan persamaan algoritma bayesian
adalah:
Langkah 1
Menghitung P(C1), P(C2), P(C3), dan P(C4)
P(C1) : Ya
P(C2) : Tidak
C1
6
PC1  

 0.6
S
10

PC 2  

C2
S



4
 0.4
10

Langkah 2
Berdasar dari kasus X, menghitung P(xi|C1), P(xi|C2), i=1,2,3,4,5.
Dimana x1 : 1 = masak
x2 : 2 = tidak
x3 : 3 = ada
x4 : 4 = tinggi

IJCCS Vol. x, No. x, July 201x
20 : first_page – end_page

5

Perhitungan berdasarkan kelompok class Ya

2
P  X 1 | C1    0.33
6
1
P  X 2 | C1    0.167
6
3
P  X 3 | C1    0.5
6
1
P  X 4 | C1    0.167
6
Perhitungan berdasarkan kelompok class Tidak
1
P  X 1 | C 2    0.25
4
4
P X 2 | C 2    1
4
3

P  X 3 | C 2    0.75
4
2
P  X 4 | C 2    0. 5
4
Langkah 3
4
Menghitung P X | Ci    j 1 P X j | Ci , i  1,2,3
1.
2.

Busuk Buah = “Ya”
= 0.33 X 0.167 X 0.5 X 0.167
= 0.0046
Busuk Buah = “Tidak”
= 0.25 X 1 X 0.75 X 0.5
= 0.093

Langkah 4
Perhitungan dan pemilihan nilai yang terbesar dari P(X|Ci)P(Ci), i=1,2,3

1. Busuk Buah
= “Ya”
= 0.0046 X 0.6
P(X|C1)P(C1)
= 0.00276
2.

Busuk Buah
P(X|C2)P(C2)

= “Tidak”
= 0.093 X 0.4
= 0.0372
P(X|C1)P(C1) < P(X|C2)P(C2)
Dari perhitungan dengan menggunakan rumus algoritma bayesian dihasilkan bahwa
dengan data kasus baru, yaitu :
X = ( 1 = “masak”, 2 = “tidak”, 3 = “ada”, 4 = “tinggi”)
dihasilkan nilai maksimum dari class : Busuk Buah “Tidak” dengan nilai probabilitas
0.0372.

2.3.3 Identifikasi
Tahapan identifikasi merupakan tahap dimana user memasukkan data gejala yang
dihadapi, gejala yang dihadapi adalah umur buah, bercak coklat, spora, dan kelembaban
udara.
2.3.4 Pencocokan
Tahapan pencocokan merupakan tahapan dilakukannya pencocokan dari data kasus
yang baru terhadap kasus yang berada dalam basis kasus yang telah berada di data base.
Dilakukan perhitungan probabilitas yang terdapat pada tahap retrieve. Nilai probabilitas yang
diperoleh akan menjadi output yang bisa dilihat user. Hasil pencocokan akan menghasilkan
‘ya’ busuk buah atau ‘tidak’ busuk buah, nilai probabilitas akan tetap menjadi output untuk
user.
2.4 Perancangan Basis Data (Database)
Pada pembuatan aplikasi penalaran berbasis kasus untuk diagnosa penyakit busuk
buah membutuhkan 2 tabel yaitu tbl_gejala dan tbl_pengendalian.
a. tbl_gejala
Tabel gejala digunakan untuk menyimpan data representasi kasus berupa nomor kasus,
gejala-gejala (umur buah, bercak coklat, spora, dan kelembaban udara), dan busuk buah.
Uraian tabel gejala dapat dilihat pada Tabel 2 berikut ini.
Tabel 2. Tabel tbl_gejala

No
1
2
3
4
5
6
7

Field
nomor (PK)
umurbuah
bercakcoklat
spora
udaralembab
bbuah
cek

Data
Range
Explanation
Type
int
11
primary key untuk menyimpan nomor kasus
varchar
20
untuk menyimpan data gejala umur buah
varchar
20
untuk menyimpan data gejala bercak coklat
varchar
20
untuk menyimpan data gejala spora
varchar
20
untuk menyimpan data gejala kelembaban udara
varchar
20
untuk menyimpan hasil diagnosa busuk buah
int
10
melakukan cek terhadap pilihan gejala dan busuk buah

b. tbl_pengendalian
Tabel tbl_pengendalian digunakan untuk menyimpan data cara pengendalian yang
direkomendasikan untuk dilakukan jika terdiagnosa busuk buah. Uraian tabel
tbl_pengendalian dapat dilihat pada Tabel 3.
Tabel 3. tabel tbl_pengendalian

Data
Range
Type

No

Field

1

nomor (PK)

int

5

2

pengendalian

text

no

Explanation
primary key untuk menyimpan nomor
pengendalian
untuk menyimpan uraian cara pengendalian
penyakit busuk buah

2.5 Perancangan Antarmuka Pengguna (User Interface)
2.5.1 Perancangan Antarmuka Form Depan
Form depan merupakan form tampilan utama pada aplikasi sistem
IJCCS Vol. x, No. x, July 201x : first_page – end_page

7

penalaran berbasis kasus untuk mendiagnosa penyakit busuk buah pada tanaman kakao
dengan menggunakan algoritma bayesian.
Terdapat 4 tombol operasi pada form depan yaitu tombol data dari pakar,
tombol pengendalian penyakit, tombol konsultasi, dan tombol keluar. Perancangan
form depan dapat dilihat pada Gambar 2.

Gambar 2. Perancangan Form Depan
2.5.2 Perancangan Antarmuka Form Data dari Pakar
Form data dari pakar akan digunakan oleh pakar untuk menginputkan data
gejala-gejala dan busuk buah sehingga menjadi data representasi kasus yang menjadi
basis kasus. Perancangan form data dari pakar dapat dilihat pada Gambar 3.

Gambar 3. Perancangan Form Data dari Pakar
2.5.3 Perancangan Antarmuka Form Cara Pengendalian
Perancangan antarmuka form cara pengendalian dibuat untuk
menginputkan data cara pengendalian yang harus dilakukan jika terdiagnosa busuk
buah. Perancangan antarmuka form cara pengendalian diperlihatkan pada Gambar 4.

Gambar 4. Perancangan Form Penegendalian Penyakit
2.5.4 Perancangan Antarmuka Form Konsultasi
Perancangan form konsultasi merupakan form aplikasi yang akan digunakan
untuk melakukan konsultasi oleh user dengan cara memberikan masukan berupa gejalagejala yang dihadapi sehingga sistem akan melakukan proses retrieve dan pencocokan
terhadap basis kasus sehingga hasil diagnosa dapat dihasilkan. Perancangan form
konsultasi dapat dilihat pada Gambar 5.

Gambar 5. Perancangan Form Konsultasi
4.1 Implementasi Form Depan
Form depan terdapat 3 (tiga) tombol operasi yaitu:
1. Tombol data dari pakar
Tombol data dari pakar digunakan untuk menginputkan data gejala dan data busuk buah
sehingga menjadi representasi kasus.
IJCCS Vol. x, No. x, July 201x : first_page – end_page

9

2. Tombol pengendalian penyakit
Digunakan untuk melakukan penginputan data cara pengendalian terhadap penyakit
busuk buah pada tanaman kakao.
3. Tombol konsultasi
Digunakan untuk melakukan konsultasi dengan memberikan inputan berupa gejalagejala yang dialami.
Implementasi dari Gambar 2 dapat dilihat pada Gambar 6.

Gambar 6. Implementasi Form Depan
4.2 Implementasi Form Data dari Pakar`
Implemetasi yang dapat dilihat pada Gambar 7 merupakan hasil implementasi dari
perancangan form data dari pakar yang terdapat pada Gambar 3.
Form data dari pakar digunakan untuk menginputkan data nomor kasus, data-data
gejala dan data keputusan bususk buah atau tidak. Terdapat 4 tombol operasi yaitu tombol
simpan, ubah, hapus, dan batal. Data yang diinputkan akan menjadi representasi kasus.
Representasi kasus yang baru dapat disimpan, jika mau melakukan proses perubahan data
maka dapat menggunakan tombol ubah, jika mau menghapus data representasi kasus maka
akan menggunakan tombol hapus. Tombol batal digunakan untuk membatalkan aktifitas
pada saat pemilihan data sudah dilakukan.

Gambar 7. Implementasi Form Data dari Pakar
4.3 Implementasi Form Pengendalian Penyakit
Form pengendalian penyakit sudah diimplementasikan pada Gambar 8, merupakan
implementasi dari perancangan form pengendalian penyakit yang terdapat pada Gambar 4.
Implementasi dari form pengendalian penyakit digunakan untuk melakukan proses
input data baru, ubah data yang sudah data, menghapus data yang sudah ada untuk data
cara pengendalian penyakit terhadap diagnosa penyakit busuk buah pada tanaman kakao.

IJCCS Vol. x, No. x, July 201x : first_page – end_page

11

Gambar 9. Implemetasi Form Pengendalian Penyakit
4.4 Implementasi Form Konsultasi
Implementasi form konsultasi merupakan implementasi dari perancangan form
konsultasi pada Gambar 5, dapat dilihat pada Gambar 10.
Dengan memberikan inputan berupa gejala umur buah, bercak coklat, spora, dan
kelembaban udara kemudian memilih tombol proses untuk di klik, maka akan tampil hasil
diagnosa terdeteksi busuk buah atau tidak serta akan ditampilkan cara pengendalian yang
direkomendasikan dan nilai probabilitas yang dihasilkan dari proses penelusuran (retrieve)
dengan menggunakan algoritma bayesian.

Gambar 10. Implementasi Form Konsultasi1
Pada gambar 4.4 terlihat hasil diagnosa adalah ‘ya’ dengan nilai probabilitas 0.38,
contoh inputan data untuk kasus baru mengacu pada contoh perhitungan dengan
menggunakan algoritma bayesian yang berada pada bab 3 point 3.3.2. Pada Gambar 11
merupakan contoh masukan data kasus baru yang menghasilkan diagnosa ‘tidak’ dan
memberikan nilai probabilitas serta tidak menampilkan cara pengendalian yang
direkomendasikan karena terdiagnosa tidak terdeteksi penyakit busuk buah.

IJCCS Vol. x, No. x, July 201x : first_page – end_page

13

Gambar 11. Implementasi Form Konsultasi2
HASIL DAN PEMBAHASAN
Pada tahap penelusuran akan digunakan algoritma bayesian. Dari Tabel 1 representasi
data basis kasus terdapat 2 class yang terbentuk untuk hasil diagnosa penyakit busuk buah
pada tanaman kakao [7], yaitu:
C1 = Ya (Busuk Buah)
C2 = Tidak (Tidak Busuk Buah)
Misal terdapat data baru yang berupa:
X = ( 1 = “masak”, 2 = “tidak”, 3 = “ada”, 4 = “tinggi”)
Maka penyelesaiannya dengan menggunakan rumusan persamaan algoritma bayesian
adalah:
Langkah 1
Menghitung P(C1), P(C2), P(C3), dan P(C4)
P(C1) : Ya
P(C2) : Tidak

PC1  

C1

PC 2  

C2

S
S



6
 0.6
10



4
 0.4
10

Langkah 2
Berdasar dari kasus X, menghitung P(xi|C1), P(xi|C2), i=1,2,3,4,5.
Dimana x1 : 1 = masak
x2 : 2 = tidak
x3 : 3 = ada
x4 : 4 = tinggi
Perhitungan berdasarkan kelompok class Ya
2
P  X 1 | C1    0.33
6
1
P  X 2 | C1    0.167
6
3
P  X 3 | C1    0.5
6
1
P  X 4 | C1    0.167
6
Perhitungan berdasarkan kelompok class Tidak
1
P  X 1 | C 2    0.25
4
4
P X 2 | C 2    1
4
3
P  X 3 | C 2    0.75
4
2
P  X 4 | C 2    0. 5
4
Langkah 3
4
Menghitung P X | Ci    j 1 P X j | Ci , i  1,2,3
3.
4.

Busuk Buah = “Ya”
= 0.33 X 0.167 X 0.5 X 0.167
= 0.0046
Busuk Buah = “Tidak”
= 0.25 X 1 X 0.75 X 0.5
= 0.093

Langkah 4
Perhitungan dan pemilihan nilai yang terbesar dari P(X|Ci)P(Ci), i=1,2,3
3. Busuk Buah
= “Ya”
= 0.0046 X 0.6
P(X|C1)P(C1)
= 0.00276
4.

Busuk Buah
P(X|C2)P(C2)

= “Tidak”
= 0.093 X 0.4
= 0.0372

IJCCS Vol. x, No. x, July 201x : first_page – end_page

15

P(X|C1)P(C1) < P(X|C2)P(C2)
Dari perhitungan dengan menggunakan rumus algoritma bayesian dihasilkan bahwa
dengan data kasus baru, yaitu: X = ( 1 = “masak”, 2 = “tidak”, 3 = “ada”, 4 = “tinggi”)
dihasilkan nilai maksimum dari class : Busuk Buah “Tidak” dengan nilai probabilitas
0.0372.
KESIMPULAN
Kesimpulan yang dapat diuraikan dari pembahasan yaitu algoritma bayesian dapat
digunakan untuk menyelesaikan permasalahan untuk diagnosa penyakit busuk buah pada
tanaman kakao. Proses retrieve dengan menggunakan algoritma Bayesian menghasilkan
0.0372 untuk kasus baru berupa gejala 1 = masak, gejala 2 = tidak, gejala 3 = ada, dan
gejala 4 = tinggi.
SARAN
Saran yang disampaikan oleh peneliti adalah untuk melakukan diagnosa busuk buah,
algoritma bayesian dapat digabungkan dengan metode yang lain dengan tujuan hasil
persentasi retrieve kasus menjadi lebih baik.
DAFTAR PUSTAKA
[1] Semangun, H. 2000. Penyakit-Penyakit Tanaman Perkebunan di Indonesia. Gadjah Mada
University Press. Yogjakarta.
[2] Jogiyanto, 2000, Analisis dan Desain Sistem Informasi, ANDI Offset, Yogyakarta.
[3] Kusrini, Emha Taufiq Luthfi, 2009, Algoritma Data Mining, Andi Offset, Yogyakarta.
[4] Kusrini and Hartati, S, Penggunaan Penalaran berbasis Kasus Untuk membangun Basis
Pengetahuan
dalam
Sistem
Diagnosa
Penyakit,
http://dosen.amikom.ac.id/downloads/artikel/full_paper_sriti_kusrini.pdf , diakses
pada tanggal 17 maret 2010.
[5] Pal, Sankar.K, Simon K.C. Shiu, 2004, Foundations of Soft Case-Based Reasoning, John
Wiley & Sons, Inc., Hoboken, New Jersey, Canada.
[6]

Fatta, Hanif Al, 2007, Analisis & Perancangan Sistem Informasi untuk Keunggulan
Bersaing Perusahaan & Organisasi Modern, Andi Offset, Yogyakarta.

[7] Seniwati, Erni, Ferry W.W, 2012, Comparison of Nutritional Status Data Calculation
Between K-Nearest Neighbour and Bayesian Algorithms, Proceeding Vol.5,
ISSN:1978-774X, International Seminar on Industrial Engineering and Management
(ISIEM), Manado, Indonesia.
[8] Sri dan Sukamto, 1998, Pengendalian Penyakit Utama Tanaman Kakao, Warta Pusat
Penelitian Kopi dan Kakao 14(3), 271-276.
[9] Watson, I., 1997, Applying Case-Based Reasoning, Technique for Enterprise Systems,
Morgan Kaufmann Publishers.

[10] http://ditjenbun.deptan.go.id/bbp2tpsur/images/stories/proteksi/bbk.pdf. diakses
tanggal 23 januari 2013. waktu 13.00

IJCCS Vol. x, No. x, July 201x : first_page – end_page