ANALISIS DAN PERANCANGAN SISTEM PAKAR MENDIAGNOSIS PENYAKIT TANAMAN RAMBUTAN DENGAN MENGGUNAKAN METODE FORWARD CHAINING
Seminar Nasional Informatika 2014
ANALISIS DAN PERANCANGAN SISTEM PAKAR MENDIAGNOSIS
PENYAKIT TANAMAN RAMBUTAN DENGAN MENGGUNAKAN
METODE FORWARD CHAINING
Khairul Ummi
STMIK PotensiUtama, Jl. K.L YosSudarso km.6.5 no.3A tanjungmuliaMedam
ummi12gibmie@gmail.com
Abstrak
Tanaman rambutan mempunyai nama latin Nephelium Sp. yang merupakan keluarga dari spidaceae.
Tanaman rambutan merupakan tanaman dataran rendah, hingga ketinggian 300-600 m dpl. Pohon dengan
tinggi 15-25 m dengan anak daun 2-4 pasang. Helai anakan daun bulat lonjong, panjang 7.5-20 cm, lebar3.5
8.5 cm, ujung dan pangkal runcing, tepi rata, pertulangan sirip, tangkai silindris warnanya hijau, kerap kali
kering. Analisa yang dilakukan dengan berdasarkan faktor biotis yaitu penyakit tanaman rambutan yang
disebabkan oleh organisme hidup yang kesemuanya adalah mikroorganisme.yaitu jamur, bakteri, dan virus.
Untuk itu diperlukan pengetahuan mengenai gejala fisik yang timbul pada tanaman rambutan seperti pada
daun, batang atau ranting,akar dan buah. Penelitian ini menghasilkan aplikasi program sistem pakar
diagnosis 4 penyakit tanaman rambutan dengan gejala kerusakannya dan penanggulangannya baik secara
biologis, Kultur teknis, dan fisik/mekanis dengan metode forward chaining. Hasil kesimpulan dari aplikasi
yang dibangun keakuratannya mencapai 80% dengan membandingkan gejala-gejala yang ada .
Kata Kunci : Sistem Pakar, Forward Chaining, Faktor Biotis, Tanaman Rambutan.
PENDAHULUAN
Tanaman rambutan mempunyai nama latin
Nephelium Sp. yang merupakan keluarga dari
spidaceae, Rambutan merupakan tanaman dataran
rendah, hingga ketinggian 300 - 600 m dpl. Pohon
dengan tinggi 15 - 25 m dengan anak daun 2-4
pasang. Helaian anak daun bulat lonjong, panjang
7.5-20 cm, lebar 3.5 8.5 cm, ujung dan pangkal
runcing, tepi rata, pertulangan sirip, tangkai
silindris warnanya hijau, kerap kali kering.
Tanaman rambutan merupakan salah satu jenis
tanaman dari komoditas holtikultura yang telah
menyebar di daerah yang mempunyai iklim
tropis.Di Indonesia kurang lebih terdapat 22 jenis
tanaman rambutan.Dalam Upaya budidaya
tanaman rambutan para petani dan kalangan
masyarakat kerap kali menghadapi serangan hama
maupun penyakit yang menyerang tanaman
rambutan. Serangan hama dan penyakit tersebut
tampak melalui gejala-gejala fisik yang timbul
pada tanaman. Jika tidak segeradiberikan tindakan
tertentu untuk mengatasinya maka dapat berakibat
fatal padatanaman itu sendiri. Salah satu faktor
rendahnya perkembangan dan produktivitas
rambutan karena kurangnya pengetahuan dan
informasi yang dimiliki petani danmasyarakat
mengenai hama dan penyakit yang menyerang
rambutan serta carauntuk mengatasinya.
Untuk mengatasi permasalahan tersebut
dibutuhkan suatu sistem yangdapat membantu
pihak-pihak yang terlibat dalam upaya budidaya
rambutan,dengan menerapkan salah satu metode
yang
terdapat
dalam
bidang
ilmu
kecerdasanbuatan yang dapat mengadopsi
pengetahuan pakar ke dalam komputer
sehinggakomputer dapat menyelesaikan masalah
seperti layaknya seorang pakar.Dengan adanya
sistem ini diharapkan dapat membantu para petani
rambutan dan masyarakat yang melakukan upaya
budidaya rambutan dalam mendeteksihama dan
penyakit pada tanaman rambutan melalui gejalagejala fisik yang terjadi dan penanggulangan.
Sistem yang di bangun hanya melakukan
penalaran
pada
hama
dan
penyakit
yangmenyerang tanaman rambutan berdasarkan
gejala gejala fisik yang terjadi pada
tanaman.dengan metode Forward Chaining
dengan representasipengetahuan berbasis aturan (
rule based system ) dan Penilaian dilihat dari
gejala-gejala yang timbul pada tanaman rambutan
berdasarkan rekomendasi pakar dan studi literatur
dari buku acuan mengenai tanaman rambutan.
LANDASAN TEORI
Sistem Pakar
Bidang
sistem
pakar
merupakan
penyelesaiaan pendekatan yang sangat berhasil
dan bagus untuk permasalahan AI (Artificial
Intelligent) klasik dari pemograman intelligent
(cerdas). Sistem pakar (expert system) merupakan
solusi AI bagi masalah pemrograman pintar
(intelligent). Profesor Edward Feigenbaum dari
Stanford University yang merupakan pionir dalam
41
Seminar Nasional Informatika 2014
teknologi sistem pakar mendefinisikan sistem
pakar sebagai sebuah program kamputer pintar
(intelligent
computer
program)
yang
memanfaatkan pengetahuan (knowledge) dan
prosedur inferensi (inference procedure) untuk
memecahkan masalah yang cukup sulit sehingga
membutuhkan keahlian khusus dari manusia.
Dengan kata lain, sistem pakar adalah sistem
komputer yang ditujukan untuk meniru semua
aspek (emulates) kemampuan pengambilan
keputusan (decision making) seorang pakar.
Sistem pakar memanfaatkan secara maksimal
pengetahuan khusus selayaknya seorang pakar
untuk memecahkan masalah. [1]
Manfaat Sistem Pakar
Secara garis besar, banyak manfaat yang
dapat diambil dengan adanya sistem pakar, antara
lain [2]:
1. Membuat seorang yang awam bekerja seperti
layaknya seorang pakar.
2. Meningkatkan
produktivitas
akibat
meningkatnya kualitas hasil pekerjaan,
mengingkatnya
kualitas
pekerjaan
ini
disebabkan meningkatnya efisiensi kerja.
3. Menghemat waktu kerja.
4. Menyederhanakan pekerjaan.
5. Merupakan arsip terpercaya dari sebuah
keahlian, sehingga bagi pemakai sistem pakar
seolah-olah berkonsultasi langsung dengan
sang pakar, meskipun mungkin sang pakar
telah tiada.
6. Memperluas jangkauan, dari keahlian seorang
pakar. Di mana sebuah sistem pakar yang
telah disahkan, akan sama saja artinya dengan
seorang pakar yang tersedia dalam jumlah
besar (dapat diperbanyak dengan kemampuan
yang persis sama), dapat diperoleh dan dipakai
di mana saja.
Metode Forward Chaining
Metode forward chaining adalah teknik
pencarian yang dimulai dengan fakta yang
diketahui, kemudian mencocokkan fakta-fakta
tersebut dengan bagian IF dari rules IF-THEN.
Bila ada fakta yang cocok dengan bagian IF,
maka rule tersebut dieksekusi. Bila sebuah rule
dieksekusi, maka sebuah fakta baru (bagian
THEN) ditambahkan kedalam database. Setiap
kali pencocokan, dimulai dari rule teratas. Setiap
rule hanya boleh dieksekusi sekali saja. Proses
pencocokan berhenti bila tidak ada lagi rule yang
bisa dieksekusi.[3]
Untuk memperoleh data menggunakan cara
pengamatan atau observasi ke lahan pertanian
yang ditanam rambutan dan penelusuran literatur
dari. berbagai sumber artikel, internet, tulisan
42
ilmiah dan buku disertai dengan wawancara
mengadakan tanya jawab dengan petugas
penyuluh lapang dan petani rambutan. Data yang
diperlukan ialah data jenis hama dan penyakit
tanaman rambutan berdasarkan gejala gejala fisik
yang terjadi dan penanggulangannya.
Sejarah singkat tanaman rambutan
Rambutan (Nephelium sp.) merupakan tanaman
buah hortikultural berupa pohon dengan famili
Sapindacaeae. Tanaman buah tropis ini dalam
bahasa Inggrisnya disebut Hairy Fruit berasal dari
Indonesia. Hingga saat ini telah menyebar luar
didaerah yang beriklim tropis seperti Filipina dan
negara-negara Amerika Latin dan ditemukan pula
di daratan yang mempunyai iklim sub-tropis. Dari
survey yang telah dilakukan terdapat 22 jenis
rambutan baik yang berasal dari galur murni
maupun hasil okulasi atau penggabungan dari dua
jenis dengan galur yang berbeda. Ciri-ciri yang
membedakan setiap jenis rambutan dilihat dari
sifat buah (dari daging buah, kandungan air,
bentuk, warna kulit, panjang rambut). Rambutan
dapat tumbuh subur pada dataran rendah dengan
ketinggian antara 30-500 m dpl. Pada ketinggian
dibawah 30 m dpl rambutan dapat tumbuh namun
tidak begitu baik hasilnya.[4]
Kecerdasan Buatan
Kecerdasan buatan berasal dari kata Artificial
Intelligence yang mengandung arti tiruan atau
kecerdasan. Secara harfiah Artificial Intelligence
adalah kecerdasan buatan. Kecerdasan buatan
adalah salah satu bidang dalam ilmu komputer
yang membuat komputer agar dapat bertindak
dan sebaik
seperti manusia (menirukan kerja
otak manusia) [5].
Pada aplikasi kecerdasan buatan ada 2 bagian
utama yang sangat dibutuhkan yaitu [5]:
a. Basis Pengetahuan (Knowledge Base), berisi
fakta-fakta, teori pemikiran dan hubungan antara
satu dengan yang lainnya. Jurnal Sarjana Teknik
Informatika e-ISSN: 2338-5197
b. Motor Inferensi (Inference Engine) yaitu
kemampuan menarik kesimpulan berdasarkan
pengalaman.
Representasi Pengetahuan (Knowledge Base)
Upaya dari usaha penelitian pada kecerdasan
buatan
adalah
bagaimana
cara
untuk
mengembangkan
representasi
pengetahuan.
Perangkat lunak kecerdasan buatan mempunyai
banyak metode yang berbeda untuk menyajikan
pengetahuan dua diantaranya yaitu [5] :
a. Pohon
Pohon merupakan struktur penggambaran pohon
secara hirarkis. Struktur pohon terdiri dari node-
Seminar Nasional Informatika 2014
node yang menunjukkan obyek, dan arc (busur)
yang menunjukkan hubungan antar obyek.
b. Kaidah Produksi
Kaidah produksi secara umum terdiri dari
komponen-komponen sebagai berikut:
1) Ruang keadaan, yang berisi keadaan awal,
tujuan dan kumpulan aturan yang digunakan
untuk mencapai tujuan.
2) Strategi kontrol, yang berguna untuk
mengarahkan bagaimana proses pencarian
akan berlagsung dan mengendalikan arah
eksplorasi.
Kaidah produksi ini merupakan salah satu bentuk
representasikan pengetahuan yang sangat populer
dan banyak digunakan adalah kaidah produksi.
Representasi pengetahuan dengan
kaidah
produksi. Representasi pengetahuan dengan
kaidah produksi, pada dasarnya berupa aplikasi
aturan (rule) yang berupa :
1) Antecedent,
yaitu
bagian
yang
mengekspresikan situasi atau
premis
(Pernyataan berawalan IF).
2) Konsekuen, yaitu bagian yang menyatakan
suatu tindakan tertentu atau konklusi yang
diterapkan jika suatu situasi atau premis
bernilai benar (Pernyataan berawalan THEN).
Konsekuensi atau konklusi yang dinyatakan pada
bagian THEN baru dinyatakan benar, jika bagian
IF pada sistem tersebut juga benar atau sesuai
dengan aturan.
Contoh :
IF lalulintas pagi ini padat
THEN saya naik sepeda motor saja
METODE PENELITIAN
Subjek penelitian ini adalah membuat aplikasi
sistem pakar penentuan penyakit pada tumbuhan
rambutan berdasarkan gejala yang ada dan
memberitahukan cara penanggulangan dari
penyakit tanaman rambutan dengan menggunakan
metode forward chaining. Langkah yang
dilakukan dalam penelitian ini meliputi analisis
data: mengumpulkan data dan mendiskripsikan
data. Perancangan Sistem : Mengidentifikasi
masalah dan kebutuhan, menentukan masalah
yang cocok, akusisi Pengetahuan, rekayasa
Pengetahuan : tabel keputusan, pohon keputusan,
tabel aturan, perancangan sistem : DVD level 0
dan flowchart sistem. hasil program : form hasil
konsultasi.
ANALISIS dan PERANCANGAN SISTEM
Analisis sistem
Untuk mendiagnosa penyakit pada tanaman
rambutan perlu diketahui terlebih dahulu gejala-
gejala yang timbul. Meskipun dari gejala klinis
(gejala-gejala yang terlihat langsung). Ada 4 tabel
untuk membantu Rule basis pengetahuan untuk
mendiagnosa penyakit pada tumbuhan rambuhan
yaitu tabel penyakit, tabel gejala, tabel
penanggulangannya dan tabel rule basis
pengetahuan
penyakit
dengan
penanggulangannya, serta akan digambarkan
dengan menggunakan pohon keputusan.
Tabel 1. Tabel Penyakit
Kode Penyakit
Penyakit
P01
Kutu Putih (Cacao Mealybug)
P02
Penggerek buah (Fruit Borer)
Hama
Tirarhaba(Melissablaptes,
P03
Mucialla) ruptilinea (Wkl)
P04
Ulat Daun Rambutan
Tabel 2. Tabel Gejala
Kode Gejala
Gejala
Terdapat bercak putih pada
G01
belahan daun
G02
kerontokan buah muda
G03
Tumbuhan Sulit Berkembang
lubang dibawah kulit buah dan
meninggalkan kotoran juga
G04
didalam buahnya
Daging buah warna kehitaman
G05
dan asam (busuk)
Kulit buah berair dan warna
G06
kecoklatan
Ada tananam cacao didekat
G07
tanaman rambutan
G08
Bunga buah merontok
G09
Batang Bunga buah mengering
Tidak ada kumbang dan kupuG10
kupu
atau
lebah
yang
menghampiri bunga
Adanya ulat pada daun dan
G11
batang tumbuhan
Daun pada tumbuhan bolong
G12
bolong
Tabel 3. basis pengetahuan penyakit dan
penanggulangan
Kode
Cara penanggulangannya
Penyakit
Secara biologi yaitu :
pemanfaatan musuh alami seperti
semut hitam, dan cendawan parasit
Empusa
fresenii,
predator
P01
cryptolaemus
montrouzieri
(coccinellidae) dan leptomastidae
abnormis (encyrtidae)
Secara Kultur teknis yaitu dengan
tidak
menanam
rambutan
P02
berdekatan dengan tanaman kakao,
sedangkan
cara
mekanis
43
Seminar Nasional Informatika 2014
P03
P04
pengendalian hama ini dengan
melakukan pemangkasan untuk
memutuskan siklus hidup hama,
sedangkan cara biologi dengan
pemanfaatan musuh alami sejenis
tabuhan sebagai parasitoid pupa,
dan laba-laba sebagai predator telur
dan pupa
Secara biologi dengan pemanfaatan
musuh alami antara lain lalat
tachinidae (Argyoplax Basifulva),
Venturia sp. (ichneumonidae),
Apanteles Tirathabae (Braconidae)
dan
Telenomus
Tirathabae
(Scelionidae)
Secara
Fisik/mekanis
dengan
pengasapan dibawah puhun untuk
mengusir imago (serangga dewasa),
pembakaran sisa-sisa
Mulai
Tampilkan Pilihan
gejala
Baca pilihan gejala
sesuaikan dengan aturan
If solusi = 0
Solusi = kdpenyakit
Tampilkan hasil
diagnosa
Selesai
Perancangan sistem
Penggambaran perancangan sistem menggunakan
DFD Level 0 sebagai berikut :
Gambar 2. Diagram Flowchart Sistem
PEMBAHASAN
Gejala Penyakit
User
Nama Penyakit
Informasi Penyakit
Konfirmasi Logon
Sistem Pakar
mendiagnosa
Penyakit Tanaman
Rambutan
Pakar
Nama Penyakit
GejalaPenyakit
Informasi Penyakit
Aturan
Konfirmasi Logon
Gambar 1. DVD Level 0
44
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.
1. Fakta, yaitu kejadian sebenarnya. Fakta inilah
yang akan kita representasikan.
2. Representasi
dari
fakta.
Berdasarkan
representasi inilah kita dapat mengolah
fakta.[3]
Representasi pengetahuan, kaidah produksi
dibentuk dari pengubahan tabel keputusan.
Pembuatan suatu kaidah dilakukan dengan
beberapa tahapan. Sebagai contoh perhatian
pembuatan kaidah konklusi ini akan dapat
tercapai bila kondisi – kondisi yang mendukung
terpenuhi. Pembuatan kaidah menggunakan goal
dan kondisi yang telah diperolah, seperti pada
tabel 4:
Seminar Nasional Informatika 2014
P01
P02
P03
P04
Setiap
kombinasi
terpenuhi
kekurangan
G01
*
G02
*
G03
*
G04
*
Tabel 4. Keputusan
G05 G06 G07 G08
*
G10
G11
G12
*
*
*
*
*
spektrum di atas akan di buat
untuk setiap kemungkinan gejala
dan disesuaikan dengan jenis
unsur hara. Berikut ini akan di
G09
*
*
gambarkan dalam pohon keputusan pada gambar
3 di bawah ini.
Gambar 3. Pohon Keputusan
Dalam perancangan basis pengetahuan ini
digunakan kaidah produksi sebagai sarana untuk
representai pengetahuan. Kaidah produksi
dituliskan dalam bentuk pernyataan JIKA
[premis] MAKA [konklusi]. Pada perancangan
basis pengetahuan sistem pakar ini premis adalah
gejala dan konklusi adalah jenis unsur hara,
sehingga bentuk pernyataannya adalah JIKA
[gejala] MAKA [jenis unsur hara].
Bentuk pernyataannya adalah :
JIKA [gejala 1]
JIKA [gejala 2]
DAN [gejala 3]
MAKA [Jenis unsur hara]
Dan Untuk kaidah produksinya dapat dilihat
di bawah ini :
1. Kaidah untuk Kutu Putih (Cacao Mealybug)
IF
Terdapat bercak putih pada
belahan daun
AND
kerontokan buah muda
AND
Tumbuhan Sulit Berkembang
THEN Kutu Putih (Cacao Mealybug)
2. Kaidah untuk Penggerek buah (Fruit Borer)
IF
lubang dibawah kulit buah dan
meninggalkan
kotoran
juga
didalam buahnya
AND
Daging buah warna kehitaman
dan asam (busuk)
AND
Kulit buah berair dan warna
kecoklatan
THEN Penggerek buah (Fruit Borer)
3. Kaidah untuk Hama Tirarhaba(Melissablaptes,
Mucialla) ruptilinea (Wkl)
IF
Ada tananam cacao didekat
tanaman rambutan
AND
Bunga buah merontok
AND
Batang Bunga buah mengering
THEN Hama Tirarhaba(Melissablaptes,
Mucialla) ruptilinea (Wkl)
4. Kaidah untuk Ulat Daun Rambutan
IF
Tidak ada kumbang dan kupukupu
atau
lebah
yang
menghampiri bunga
AND
Adanya ulat pada daun dan
45
Seminar Nasional Informatika 2014
AND
THEN
batang tumbuhan
Daun pada tumbuhan bolong
bolong
Ulat Daun Rambutan
Halaman ini merupakan tampilan data hasil
konsultasi user yang telah menjawab beberapa
pertanyaan dari sistem yang dibangun. Hasilnya
berupa data diri user, gejala defisiensi unsur hara,
penanganan, dan gambar dari kekurangan gejala
defisiensi unsur hara tersebut.
HASIL
KESIMPULAN
Penelitian ini menghasilkan aplikasi program
sistem pakar diagnosis 4 penyakit tanaman
rambutan dengan gejala kerusakannya dan
penanggulangannya baik secara biologis, Kultur
teknis, dan fisik/mekanis dengan metode forward
chaining. Hasil kesimpulan dari aplikasi yang
dibangun keakuratannya mencapai 80% dengan
membandingkan gejala-gejala yang ada .
DAFTAR PUSTAKA
Gambar 4. Form Pilih Gejala
[1]
Halaman ini merupakan tampilan pilihan
gejala yang disaat user melakukan konsultasi.
[2]
[3]
[4]
[5]
Gambar 5. Tampilan Hasil Konsultasi
46
Rosnelly Rika, 2012, Sistem Pakar Konsep
dan Teori, Yogyakarta, Andi Offset.
Sari Ria Eka, 2013, Sistem Pakar Untuk
Mendeteksi
Penyakit
THT
Dengan
Menggunakan Metode Forward Chaining,
Prosiding SNIf STMIK Potensi Utama
2013.
Sutojo, et al, 2011, Kecerdasan Buatan,
Jogyakarta, Andi Offset.
Kandi, Rambutan yang menggiurkan,
Bandung, PT. Sarana Ilmu Pustaka
Kusumadewi, Sri, 2003,
Artificial
Intelligence (Teknik dan Aplikasinya),
Yogyakarta, Graha Ilmu
ANALISIS DAN PERANCANGAN SISTEM PAKAR MENDIAGNOSIS
PENYAKIT TANAMAN RAMBUTAN DENGAN MENGGUNAKAN
METODE FORWARD CHAINING
Khairul Ummi
STMIK PotensiUtama, Jl. K.L YosSudarso km.6.5 no.3A tanjungmuliaMedam
ummi12gibmie@gmail.com
Abstrak
Tanaman rambutan mempunyai nama latin Nephelium Sp. yang merupakan keluarga dari spidaceae.
Tanaman rambutan merupakan tanaman dataran rendah, hingga ketinggian 300-600 m dpl. Pohon dengan
tinggi 15-25 m dengan anak daun 2-4 pasang. Helai anakan daun bulat lonjong, panjang 7.5-20 cm, lebar3.5
8.5 cm, ujung dan pangkal runcing, tepi rata, pertulangan sirip, tangkai silindris warnanya hijau, kerap kali
kering. Analisa yang dilakukan dengan berdasarkan faktor biotis yaitu penyakit tanaman rambutan yang
disebabkan oleh organisme hidup yang kesemuanya adalah mikroorganisme.yaitu jamur, bakteri, dan virus.
Untuk itu diperlukan pengetahuan mengenai gejala fisik yang timbul pada tanaman rambutan seperti pada
daun, batang atau ranting,akar dan buah. Penelitian ini menghasilkan aplikasi program sistem pakar
diagnosis 4 penyakit tanaman rambutan dengan gejala kerusakannya dan penanggulangannya baik secara
biologis, Kultur teknis, dan fisik/mekanis dengan metode forward chaining. Hasil kesimpulan dari aplikasi
yang dibangun keakuratannya mencapai 80% dengan membandingkan gejala-gejala yang ada .
Kata Kunci : Sistem Pakar, Forward Chaining, Faktor Biotis, Tanaman Rambutan.
PENDAHULUAN
Tanaman rambutan mempunyai nama latin
Nephelium Sp. yang merupakan keluarga dari
spidaceae, Rambutan merupakan tanaman dataran
rendah, hingga ketinggian 300 - 600 m dpl. Pohon
dengan tinggi 15 - 25 m dengan anak daun 2-4
pasang. Helaian anak daun bulat lonjong, panjang
7.5-20 cm, lebar 3.5 8.5 cm, ujung dan pangkal
runcing, tepi rata, pertulangan sirip, tangkai
silindris warnanya hijau, kerap kali kering.
Tanaman rambutan merupakan salah satu jenis
tanaman dari komoditas holtikultura yang telah
menyebar di daerah yang mempunyai iklim
tropis.Di Indonesia kurang lebih terdapat 22 jenis
tanaman rambutan.Dalam Upaya budidaya
tanaman rambutan para petani dan kalangan
masyarakat kerap kali menghadapi serangan hama
maupun penyakit yang menyerang tanaman
rambutan. Serangan hama dan penyakit tersebut
tampak melalui gejala-gejala fisik yang timbul
pada tanaman. Jika tidak segeradiberikan tindakan
tertentu untuk mengatasinya maka dapat berakibat
fatal padatanaman itu sendiri. Salah satu faktor
rendahnya perkembangan dan produktivitas
rambutan karena kurangnya pengetahuan dan
informasi yang dimiliki petani danmasyarakat
mengenai hama dan penyakit yang menyerang
rambutan serta carauntuk mengatasinya.
Untuk mengatasi permasalahan tersebut
dibutuhkan suatu sistem yangdapat membantu
pihak-pihak yang terlibat dalam upaya budidaya
rambutan,dengan menerapkan salah satu metode
yang
terdapat
dalam
bidang
ilmu
kecerdasanbuatan yang dapat mengadopsi
pengetahuan pakar ke dalam komputer
sehinggakomputer dapat menyelesaikan masalah
seperti layaknya seorang pakar.Dengan adanya
sistem ini diharapkan dapat membantu para petani
rambutan dan masyarakat yang melakukan upaya
budidaya rambutan dalam mendeteksihama dan
penyakit pada tanaman rambutan melalui gejalagejala fisik yang terjadi dan penanggulangan.
Sistem yang di bangun hanya melakukan
penalaran
pada
hama
dan
penyakit
yangmenyerang tanaman rambutan berdasarkan
gejala gejala fisik yang terjadi pada
tanaman.dengan metode Forward Chaining
dengan representasipengetahuan berbasis aturan (
rule based system ) dan Penilaian dilihat dari
gejala-gejala yang timbul pada tanaman rambutan
berdasarkan rekomendasi pakar dan studi literatur
dari buku acuan mengenai tanaman rambutan.
LANDASAN TEORI
Sistem Pakar
Bidang
sistem
pakar
merupakan
penyelesaiaan pendekatan yang sangat berhasil
dan bagus untuk permasalahan AI (Artificial
Intelligent) klasik dari pemograman intelligent
(cerdas). Sistem pakar (expert system) merupakan
solusi AI bagi masalah pemrograman pintar
(intelligent). Profesor Edward Feigenbaum dari
Stanford University yang merupakan pionir dalam
41
Seminar Nasional Informatika 2014
teknologi sistem pakar mendefinisikan sistem
pakar sebagai sebuah program kamputer pintar
(intelligent
computer
program)
yang
memanfaatkan pengetahuan (knowledge) dan
prosedur inferensi (inference procedure) untuk
memecahkan masalah yang cukup sulit sehingga
membutuhkan keahlian khusus dari manusia.
Dengan kata lain, sistem pakar adalah sistem
komputer yang ditujukan untuk meniru semua
aspek (emulates) kemampuan pengambilan
keputusan (decision making) seorang pakar.
Sistem pakar memanfaatkan secara maksimal
pengetahuan khusus selayaknya seorang pakar
untuk memecahkan masalah. [1]
Manfaat Sistem Pakar
Secara garis besar, banyak manfaat yang
dapat diambil dengan adanya sistem pakar, antara
lain [2]:
1. Membuat seorang yang awam bekerja seperti
layaknya seorang pakar.
2. Meningkatkan
produktivitas
akibat
meningkatnya kualitas hasil pekerjaan,
mengingkatnya
kualitas
pekerjaan
ini
disebabkan meningkatnya efisiensi kerja.
3. Menghemat waktu kerja.
4. Menyederhanakan pekerjaan.
5. Merupakan arsip terpercaya dari sebuah
keahlian, sehingga bagi pemakai sistem pakar
seolah-olah berkonsultasi langsung dengan
sang pakar, meskipun mungkin sang pakar
telah tiada.
6. Memperluas jangkauan, dari keahlian seorang
pakar. Di mana sebuah sistem pakar yang
telah disahkan, akan sama saja artinya dengan
seorang pakar yang tersedia dalam jumlah
besar (dapat diperbanyak dengan kemampuan
yang persis sama), dapat diperoleh dan dipakai
di mana saja.
Metode Forward Chaining
Metode forward chaining adalah teknik
pencarian yang dimulai dengan fakta yang
diketahui, kemudian mencocokkan fakta-fakta
tersebut dengan bagian IF dari rules IF-THEN.
Bila ada fakta yang cocok dengan bagian IF,
maka rule tersebut dieksekusi. Bila sebuah rule
dieksekusi, maka sebuah fakta baru (bagian
THEN) ditambahkan kedalam database. Setiap
kali pencocokan, dimulai dari rule teratas. Setiap
rule hanya boleh dieksekusi sekali saja. Proses
pencocokan berhenti bila tidak ada lagi rule yang
bisa dieksekusi.[3]
Untuk memperoleh data menggunakan cara
pengamatan atau observasi ke lahan pertanian
yang ditanam rambutan dan penelusuran literatur
dari. berbagai sumber artikel, internet, tulisan
42
ilmiah dan buku disertai dengan wawancara
mengadakan tanya jawab dengan petugas
penyuluh lapang dan petani rambutan. Data yang
diperlukan ialah data jenis hama dan penyakit
tanaman rambutan berdasarkan gejala gejala fisik
yang terjadi dan penanggulangannya.
Sejarah singkat tanaman rambutan
Rambutan (Nephelium sp.) merupakan tanaman
buah hortikultural berupa pohon dengan famili
Sapindacaeae. Tanaman buah tropis ini dalam
bahasa Inggrisnya disebut Hairy Fruit berasal dari
Indonesia. Hingga saat ini telah menyebar luar
didaerah yang beriklim tropis seperti Filipina dan
negara-negara Amerika Latin dan ditemukan pula
di daratan yang mempunyai iklim sub-tropis. Dari
survey yang telah dilakukan terdapat 22 jenis
rambutan baik yang berasal dari galur murni
maupun hasil okulasi atau penggabungan dari dua
jenis dengan galur yang berbeda. Ciri-ciri yang
membedakan setiap jenis rambutan dilihat dari
sifat buah (dari daging buah, kandungan air,
bentuk, warna kulit, panjang rambut). Rambutan
dapat tumbuh subur pada dataran rendah dengan
ketinggian antara 30-500 m dpl. Pada ketinggian
dibawah 30 m dpl rambutan dapat tumbuh namun
tidak begitu baik hasilnya.[4]
Kecerdasan Buatan
Kecerdasan buatan berasal dari kata Artificial
Intelligence yang mengandung arti tiruan atau
kecerdasan. Secara harfiah Artificial Intelligence
adalah kecerdasan buatan. Kecerdasan buatan
adalah salah satu bidang dalam ilmu komputer
yang membuat komputer agar dapat bertindak
dan sebaik
seperti manusia (menirukan kerja
otak manusia) [5].
Pada aplikasi kecerdasan buatan ada 2 bagian
utama yang sangat dibutuhkan yaitu [5]:
a. Basis Pengetahuan (Knowledge Base), berisi
fakta-fakta, teori pemikiran dan hubungan antara
satu dengan yang lainnya. Jurnal Sarjana Teknik
Informatika e-ISSN: 2338-5197
b. Motor Inferensi (Inference Engine) yaitu
kemampuan menarik kesimpulan berdasarkan
pengalaman.
Representasi Pengetahuan (Knowledge Base)
Upaya dari usaha penelitian pada kecerdasan
buatan
adalah
bagaimana
cara
untuk
mengembangkan
representasi
pengetahuan.
Perangkat lunak kecerdasan buatan mempunyai
banyak metode yang berbeda untuk menyajikan
pengetahuan dua diantaranya yaitu [5] :
a. Pohon
Pohon merupakan struktur penggambaran pohon
secara hirarkis. Struktur pohon terdiri dari node-
Seminar Nasional Informatika 2014
node yang menunjukkan obyek, dan arc (busur)
yang menunjukkan hubungan antar obyek.
b. Kaidah Produksi
Kaidah produksi secara umum terdiri dari
komponen-komponen sebagai berikut:
1) Ruang keadaan, yang berisi keadaan awal,
tujuan dan kumpulan aturan yang digunakan
untuk mencapai tujuan.
2) Strategi kontrol, yang berguna untuk
mengarahkan bagaimana proses pencarian
akan berlagsung dan mengendalikan arah
eksplorasi.
Kaidah produksi ini merupakan salah satu bentuk
representasikan pengetahuan yang sangat populer
dan banyak digunakan adalah kaidah produksi.
Representasi pengetahuan dengan
kaidah
produksi. Representasi pengetahuan dengan
kaidah produksi, pada dasarnya berupa aplikasi
aturan (rule) yang berupa :
1) Antecedent,
yaitu
bagian
yang
mengekspresikan situasi atau
premis
(Pernyataan berawalan IF).
2) Konsekuen, yaitu bagian yang menyatakan
suatu tindakan tertentu atau konklusi yang
diterapkan jika suatu situasi atau premis
bernilai benar (Pernyataan berawalan THEN).
Konsekuensi atau konklusi yang dinyatakan pada
bagian THEN baru dinyatakan benar, jika bagian
IF pada sistem tersebut juga benar atau sesuai
dengan aturan.
Contoh :
IF lalulintas pagi ini padat
THEN saya naik sepeda motor saja
METODE PENELITIAN
Subjek penelitian ini adalah membuat aplikasi
sistem pakar penentuan penyakit pada tumbuhan
rambutan berdasarkan gejala yang ada dan
memberitahukan cara penanggulangan dari
penyakit tanaman rambutan dengan menggunakan
metode forward chaining. Langkah yang
dilakukan dalam penelitian ini meliputi analisis
data: mengumpulkan data dan mendiskripsikan
data. Perancangan Sistem : Mengidentifikasi
masalah dan kebutuhan, menentukan masalah
yang cocok, akusisi Pengetahuan, rekayasa
Pengetahuan : tabel keputusan, pohon keputusan,
tabel aturan, perancangan sistem : DVD level 0
dan flowchart sistem. hasil program : form hasil
konsultasi.
ANALISIS dan PERANCANGAN SISTEM
Analisis sistem
Untuk mendiagnosa penyakit pada tanaman
rambutan perlu diketahui terlebih dahulu gejala-
gejala yang timbul. Meskipun dari gejala klinis
(gejala-gejala yang terlihat langsung). Ada 4 tabel
untuk membantu Rule basis pengetahuan untuk
mendiagnosa penyakit pada tumbuhan rambuhan
yaitu tabel penyakit, tabel gejala, tabel
penanggulangannya dan tabel rule basis
pengetahuan
penyakit
dengan
penanggulangannya, serta akan digambarkan
dengan menggunakan pohon keputusan.
Tabel 1. Tabel Penyakit
Kode Penyakit
Penyakit
P01
Kutu Putih (Cacao Mealybug)
P02
Penggerek buah (Fruit Borer)
Hama
Tirarhaba(Melissablaptes,
P03
Mucialla) ruptilinea (Wkl)
P04
Ulat Daun Rambutan
Tabel 2. Tabel Gejala
Kode Gejala
Gejala
Terdapat bercak putih pada
G01
belahan daun
G02
kerontokan buah muda
G03
Tumbuhan Sulit Berkembang
lubang dibawah kulit buah dan
meninggalkan kotoran juga
G04
didalam buahnya
Daging buah warna kehitaman
G05
dan asam (busuk)
Kulit buah berair dan warna
G06
kecoklatan
Ada tananam cacao didekat
G07
tanaman rambutan
G08
Bunga buah merontok
G09
Batang Bunga buah mengering
Tidak ada kumbang dan kupuG10
kupu
atau
lebah
yang
menghampiri bunga
Adanya ulat pada daun dan
G11
batang tumbuhan
Daun pada tumbuhan bolong
G12
bolong
Tabel 3. basis pengetahuan penyakit dan
penanggulangan
Kode
Cara penanggulangannya
Penyakit
Secara biologi yaitu :
pemanfaatan musuh alami seperti
semut hitam, dan cendawan parasit
Empusa
fresenii,
predator
P01
cryptolaemus
montrouzieri
(coccinellidae) dan leptomastidae
abnormis (encyrtidae)
Secara Kultur teknis yaitu dengan
tidak
menanam
rambutan
P02
berdekatan dengan tanaman kakao,
sedangkan
cara
mekanis
43
Seminar Nasional Informatika 2014
P03
P04
pengendalian hama ini dengan
melakukan pemangkasan untuk
memutuskan siklus hidup hama,
sedangkan cara biologi dengan
pemanfaatan musuh alami sejenis
tabuhan sebagai parasitoid pupa,
dan laba-laba sebagai predator telur
dan pupa
Secara biologi dengan pemanfaatan
musuh alami antara lain lalat
tachinidae (Argyoplax Basifulva),
Venturia sp. (ichneumonidae),
Apanteles Tirathabae (Braconidae)
dan
Telenomus
Tirathabae
(Scelionidae)
Secara
Fisik/mekanis
dengan
pengasapan dibawah puhun untuk
mengusir imago (serangga dewasa),
pembakaran sisa-sisa
Mulai
Tampilkan Pilihan
gejala
Baca pilihan gejala
sesuaikan dengan aturan
If solusi = 0
Solusi = kdpenyakit
Tampilkan hasil
diagnosa
Selesai
Perancangan sistem
Penggambaran perancangan sistem menggunakan
DFD Level 0 sebagai berikut :
Gambar 2. Diagram Flowchart Sistem
PEMBAHASAN
Gejala Penyakit
User
Nama Penyakit
Informasi Penyakit
Konfirmasi Logon
Sistem Pakar
mendiagnosa
Penyakit Tanaman
Rambutan
Pakar
Nama Penyakit
GejalaPenyakit
Informasi Penyakit
Aturan
Konfirmasi Logon
Gambar 1. DVD Level 0
44
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.
1. Fakta, yaitu kejadian sebenarnya. Fakta inilah
yang akan kita representasikan.
2. Representasi
dari
fakta.
Berdasarkan
representasi inilah kita dapat mengolah
fakta.[3]
Representasi pengetahuan, kaidah produksi
dibentuk dari pengubahan tabel keputusan.
Pembuatan suatu kaidah dilakukan dengan
beberapa tahapan. Sebagai contoh perhatian
pembuatan kaidah konklusi ini akan dapat
tercapai bila kondisi – kondisi yang mendukung
terpenuhi. Pembuatan kaidah menggunakan goal
dan kondisi yang telah diperolah, seperti pada
tabel 4:
Seminar Nasional Informatika 2014
P01
P02
P03
P04
Setiap
kombinasi
terpenuhi
kekurangan
G01
*
G02
*
G03
*
G04
*
Tabel 4. Keputusan
G05 G06 G07 G08
*
G10
G11
G12
*
*
*
*
*
spektrum di atas akan di buat
untuk setiap kemungkinan gejala
dan disesuaikan dengan jenis
unsur hara. Berikut ini akan di
G09
*
*
gambarkan dalam pohon keputusan pada gambar
3 di bawah ini.
Gambar 3. Pohon Keputusan
Dalam perancangan basis pengetahuan ini
digunakan kaidah produksi sebagai sarana untuk
representai pengetahuan. Kaidah produksi
dituliskan dalam bentuk pernyataan JIKA
[premis] MAKA [konklusi]. Pada perancangan
basis pengetahuan sistem pakar ini premis adalah
gejala dan konklusi adalah jenis unsur hara,
sehingga bentuk pernyataannya adalah JIKA
[gejala] MAKA [jenis unsur hara].
Bentuk pernyataannya adalah :
JIKA [gejala 1]
JIKA [gejala 2]
DAN [gejala 3]
MAKA [Jenis unsur hara]
Dan Untuk kaidah produksinya dapat dilihat
di bawah ini :
1. Kaidah untuk Kutu Putih (Cacao Mealybug)
IF
Terdapat bercak putih pada
belahan daun
AND
kerontokan buah muda
AND
Tumbuhan Sulit Berkembang
THEN Kutu Putih (Cacao Mealybug)
2. Kaidah untuk Penggerek buah (Fruit Borer)
IF
lubang dibawah kulit buah dan
meninggalkan
kotoran
juga
didalam buahnya
AND
Daging buah warna kehitaman
dan asam (busuk)
AND
Kulit buah berair dan warna
kecoklatan
THEN Penggerek buah (Fruit Borer)
3. Kaidah untuk Hama Tirarhaba(Melissablaptes,
Mucialla) ruptilinea (Wkl)
IF
Ada tananam cacao didekat
tanaman rambutan
AND
Bunga buah merontok
AND
Batang Bunga buah mengering
THEN Hama Tirarhaba(Melissablaptes,
Mucialla) ruptilinea (Wkl)
4. Kaidah untuk Ulat Daun Rambutan
IF
Tidak ada kumbang dan kupukupu
atau
lebah
yang
menghampiri bunga
AND
Adanya ulat pada daun dan
45
Seminar Nasional Informatika 2014
AND
THEN
batang tumbuhan
Daun pada tumbuhan bolong
bolong
Ulat Daun Rambutan
Halaman ini merupakan tampilan data hasil
konsultasi user yang telah menjawab beberapa
pertanyaan dari sistem yang dibangun. Hasilnya
berupa data diri user, gejala defisiensi unsur hara,
penanganan, dan gambar dari kekurangan gejala
defisiensi unsur hara tersebut.
HASIL
KESIMPULAN
Penelitian ini menghasilkan aplikasi program
sistem pakar diagnosis 4 penyakit tanaman
rambutan dengan gejala kerusakannya dan
penanggulangannya baik secara biologis, Kultur
teknis, dan fisik/mekanis dengan metode forward
chaining. Hasil kesimpulan dari aplikasi yang
dibangun keakuratannya mencapai 80% dengan
membandingkan gejala-gejala yang ada .
DAFTAR PUSTAKA
Gambar 4. Form Pilih Gejala
[1]
Halaman ini merupakan tampilan pilihan
gejala yang disaat user melakukan konsultasi.
[2]
[3]
[4]
[5]
Gambar 5. Tampilan Hasil Konsultasi
46
Rosnelly Rika, 2012, Sistem Pakar Konsep
dan Teori, Yogyakarta, Andi Offset.
Sari Ria Eka, 2013, Sistem Pakar Untuk
Mendeteksi
Penyakit
THT
Dengan
Menggunakan Metode Forward Chaining,
Prosiding SNIf STMIK Potensi Utama
2013.
Sutojo, et al, 2011, Kecerdasan Buatan,
Jogyakarta, Andi Offset.
Kandi, Rambutan yang menggiurkan,
Bandung, PT. Sarana Ilmu Pustaka
Kusumadewi, Sri, 2003,
Artificial
Intelligence (Teknik dan Aplikasinya),
Yogyakarta, Graha Ilmu