Sistem Pakar Diagnosis Hama-Penyakit Pada Tanaman Sedap Malam Menggunakan Metode Naïve Bayes-Certainty Factor Berbasis Android
Vol. 2, No. 1, Januari 2018, hlm. 153-160 http://j-ptiik.ub.ac.id
Sistem Pakar Diagnosis Hama-Penyakit Pada Tanaman Sedap Malam
Menggunakan Metode Naïve Bayes-Certainty Factor Berbasis Android
1 2 3 Ali Syahrawardi , Nurul Hidayat , Donald Sihombing 1,2Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya
3 Balai Pengkajian Teknologi Pertanian (BPTP) Jawa Timur
1
2
3 Email: aligazkawa@gmail.com, ntayadih@ub.ac.id, donaldsiltoru@yahoo.com
Abstrak
Sedap malam merupakan salah satu tanaman hias populer di Indonesia, bunga sedap malam paling banyak digunakan oleh masyarakat Indonesia sebagai bunga tabur, rangkaian penghias pada acara dan bahan kosmetik, karena mengandung minyak atsiri. Di Indonesia tanaman sedap malam banyak dibudidayakan di Kecamatan Bangil dan Kecamatan Rembang Kabupaten Pasuruan, serta daerah lain seperti Banyuwangi, Cianjur, dan Magelang. Namun, tingkat produksi tanaman sedap malam masih rendah karena benih yang digunakan masih sembarangan dan serangan hama-penyakit, sehingga berdampak pada produktivitas dan kualitas bunga. Saat ini sumber daya pakar tanaman sedap malam masih terbatas, sehingga dibutuhkan sebuah sistem pakar yang dapat menggantikan peran pakar dalam mendiagnosis hama-penyakit tanaman sedap malam. Pada penelitian ini mengimplementasikan sistem pakar untuk mendiagnosis hama-penyakit tanaman sedap malam menggunakan metode Naïve Bayes-
Certainty Factor berbasis android. Hasil uji coba menunjukkan penggunaan metode Naïve Bayes-
Certainty Factor memiliki ketepatan hasil diagnosis yang baik dan akurat, karena keluaran yang
dihasilkan oleh sistem mempunyai tingkat keakuratan sebesar 86,67% dan sistem yang telah dibuat memiliki tingkat kepuasan pengguna sebesar 3,255823.
Kata kunci : sistem pakar, sedap malam, naïve bayes, certainty factor, android
Abstract
Sedap malam are one of the most popular decorative plants in Indonesia , sedap malam flower’smostly used by Indonesia in many ways such as for flowers of sow, decorative stuff and cosmetic
material, because it contains essential oils. In Indonesia, many Indonesian people started to cultivate
sedap malam. Sedap malam are mostly cultivated in Bangil and Rembang sub-districts of Pasuruan
Regency, as well as other areas such as Banyuwangi, Cianjur, and Magelang. However, sedap malam
production levels is still low because of the seeds used are still arbitrary and pest and disease attacks,
resulting in an impact on productivity and quality of interest. Nowadays we are lacking amount of the
expert systems of sedap malam that is needed to replace the experts to diagnose the pests that cause
diseases of sedap malam. This research implements the expert system that can diagnose the pests cause
some diseases on sedap malam using Naïve Bayes-Certainty Factor method. Based on trials, by using
Naïve Bayes-Certainty Factor method, the calculation accuracy of the diagnose is good and accurate.
The outcome of the calculation of this method is 86,67% and the system level of satisfication is 3,255823.
Keywords expert system, sedap malam, naïve bayes, certainty factor, android
: (Direktorat Budidaya Tanaman Hias, 2008). Di 1.
PENDAHULUAN Indonesia tanaman sedap malam banyak
dibudidayakan di Kecamatan Bangil dan Tanaman sedap malam termasuk famili
Kecamatan Rembang Kabupaten Pasuruan, serta
Amaryllidaceae dengan nama latin Polianthes
daerah lain seperti Banyuwangi, Cianjur, dan tuberosa L. Tanaman berasal dari Mexico. Magelang. Selama periode 2003-2015 luas
Bunga sedap malam banyak digunakan sebagai panen tanaman sedap malam didominasi di bunga tabur, rangkaian penghias pada acara daerah Jawa yaitu sebesar 96,23 % sedangkan di pesta pernikahan dan upacara adat, serta bahan luar Jawa sebesar 3,77 %. Sedangkan produksi kosmetik karena mengandung minyak atsiri
Fakultas Ilmu Komputer Universitas Brawijaya
153 tanaman sedap malam pada tahun 2015 di Indonesia didominasi daerah Jawa Timur sebanyak 55,84 %, disusul provinsi Jawa Tengah dengan presentase 37,84 %, dan sisanya berasal dari provinsi lain (BPS, 2015).
Tingkat produksi tanaman sedap malam masih rendah karena benih yang digunakan masih sembarangan dan serangan hama dan penyakit, sehingga berdampak pada produktivitas dan kualitas bunga. Hama dan penyakit pada tanaman sedap malam ada berbagai macam yang dapat menyebabkan kerusakan ringan sampai gagal panen diantaranya bercak daun, busuk bunga, kutu dompolan (cabuk putih), kutu perisai dan thrips.
2.1 Sekilas Tentang Sedap Malam
Hama dan penyakit pada tumbuhan merupakan musuh besar bagi petani, karena dapat menimbulkan kerusakan pada daun, batang, akar, bunga maupun buah. Kerusakan
2.2 Hama dan Penyakit
Spesies: Polianthes tuberosa
Genus: Polianthes
Famili: Agavaceae
Ordo: Asparagales
Kelas: Liliopsida
Divisi: Magnoliophyta
Kingdom: Plantae
Berikut ini adalah klasifikasi dan morfologi bunga sedap malam (Suryanto, 2010):
Sedap malam (Polianthes Tuberosa L.) adalah salah satu jenis tanaman hias. Sedap malam termasuk maskot bunga di Jawa Timur dari tahun 1986. Wilayah di Jawa Timur yang memiliki perkebunan tanaman sedap malam ini diantaranya Pasuruan dan Banyuwangi. Tanaman ini memiliki aroma atau bau yang harum serta memiliki banyak manfaat. Pada kegiatan hari besar seperti menjelang Idul Fitri, Natal, maupun musim nikah, kebutuhan konsumen terhadap bunga sedap malam sangat meningkat.
2. SEDAP MALAM (POLIANTHES
Agar produktivitas dan kualitas bunga sedap malam terjaga dari serangan hama atau penyakit, dibutuhkan seorang pakar tanaman sedap malam yang dapat menentukan jenis hama atau penyakit apa yang menyerang dan penanganannya secara langsung. Pada kenyataannya, seorang pakar khususnya pada komoditas tanaman hias saat ini masih jarang tersebar di berbagai daerah di Indonesia. Oleh karena itu dibutuhkan suatu sistem yang dapat bekerja seperti seorang pakar khususnya dalam mendiagnosis hama dan penyakit pada bunga sedap malam serta penanganannya, sehingga produktivitas, kualitas bunga, dan budidaya sedap malam semakin berkembang.
keyakinan dari hasil diagnosis dari penghitungan metode Naïve Bayes. Aplikasi sistem pakar ini diharapkan dapat membantu pengguna dalam mendiagnosis jenis hama-penyakit pada tanaman sedap malam dan mengetahui cara penanganan terhadap hama dan penyakit pada tanaman sedap malam.
Certainty Factor akan menghitung nilai
penyakit tanaman sedap malam dengan menghitung nilai probabilitas prior dari setiap hama-penyakit berdasarkan inputan gejala yang muncul pada tanaman sedap malam. Metode
Bayes, sistem pakar dapat mendiagnosis hama-
Android”. Dengan menggunakan metode Naïve
Naïve Bayes-Certainty Factor Berbasis
Berdasarkan uraian tersebut, penulis mengusulkan sebuah penelitian yang berjudul “Sistem Pakar Diagnosis Hama-Penyakit Pada Tanaman Sedap Malam Menggunakan Metode
TUBEROSA L.)
yang mampu menyelesaikan masalah ketidakpastian dengan konsep probabilitas hipotesis dan evidence (Hardika, 2014). Teknik probabilitas ini dapat digunakan dalam memprediksi suatu penyakit yang diderita oleh seseorang.
Naïve Bayes merupakan teknik probabilitas
dalam sebuah kejadian (fakta atau hipotesa) berdasar bukti atau penilaian pakar (Turban, 2005). Certainty Factor memiliki tingkat keakuratan yang lebih tinggi dibandingkan dengan metode lainnya karena cara penghitungannya yang hanya dapat membandingkan tiap dua nilai saja (Sutojo, 2011).
Certainty Factor menyatakan kepercayaan
Dalam dunia komputer, sistem yang bekerja seperti pakar biasa disebut sebagai sistem pakar atau expert system. Sistem pakar ini nantinya mengimplementasikan wawasan dan ilmu pakar dalam mendeteksi dan memberikan solusi penanganan terhadap penyakit baik manusia, hewan, dan tanaman termasuk tanaman sedap malam (Kusumadewi, 2003).
yang lebih berat dapat menimbulkan kegagalan panen dan kematian tanaman yakni kematian pada tumbuhan yang diserang hama dan penyakit. Beberapa hama dan penyakit yang biasanya menyerang tanaman sedap malam diantaranya adalah (Suryanto, 2010):
P =
Ada 2 macam faktor kepastian yang digunakan, yaitu faktor kepastian yang diisikan oleh pakar bersama dengan aturan dan faktor kepastian yang diberikan oleh pengguna. Faktor kepastian yang diisikan oleh pakar menggambarkan kepercayaan pakar terhadap hubungan antara antacedent dan konsekuen. Sementara itu faktor kepastian dari pengguna menunjukan besarnya kepercayaan terhadap keberadaan masing-masing elemen dalam antacedent (Saputro, et. al, 2011).
Dalam aplikasi sistem pakar terdapat suatu metode untuk menyelesaikan masalah ketidakpastian data, salah satu metode yang dapat digunakan adalah faktor kepastian (certainty factor). Faktor keyakinan diperkenalkan oleh Shortliffe Buchanan dalam pembuatan MYCIN (Wesley). Certainty factor (CF) merupakan nilai parameter klinis yang diberikan MYCIN untuk menunjukan besarnya kepercayaan.
4. CERTAINTY FACTOR
Hasil klasiifikasi kelas dengan menggunakan metode Naïve Bayes dilakukan dengan membandingkan nilai posterior dari kelas-kelas yang ada. Nilai posterior yang paling tinggi yang terpilih sebagai hasil klasifikasi.
∏ ( | ) Dimana, P(c) = Nilai prior tiap kelas P(a|c) = Nilai likelihood
P(c)
Mencari nilai posterior dari tiap kelas yang ada menggunakan persamaan 3.3.
Dimana, L = Nilai likelihood F = Jumlah data fitur tiap kelas B = Jumlah seluruh data tiap kelas 3.
L =
X = Jumlah data tiap kelas A = Jumlah data seluruh Kelas 2. Mencari nilai likelihood untuk tiap-tiap kelas dengan persamaan 3.2.
Dimana, P = Nilai prior
Mencari nilai prior untuk tiap-tiap kelas dengan menghitung rata-rata tiap kelas dengan menggunakan persamaan 3.1.
1. Thrips (Taeniothrips sp.) 2.
tidaknya suatu fitur pada suatu kelas tidak berhubungan denga nada atau tidaknya fitur lain di kelas yang sama. Teorema Bayes dikemukan oleh seorang ilmuan pada abad 18 yang bernama Thomas Bayes. Teorema Bayes adalah sebuah pendekatan untuk sebuah ketidaktentuan yang diukur dengan probabilitas. Pada saat klasifikasi, pendekatan Bayes akan menghasilkan label kategori yang paling tinggi probabilitasnya. Penghitungan metode Naïve Bayes dapat dilakukan dengan langkah-langkah sebagai berikut: 1.
Classifier mengasumsikan bahwa ada atau
teorema Bayes pada umumnya, inferensi Bayes khususnya dengan asumsi independensi yang kuat (naïve). Pada prosesnya, Naïve Bayes
Bayes Classifier adalah suatu classifier probabilistic simple yang berdasarkan pada
Menurut Fauziyah (2012), metode Naïve
3. NAÏVE BAYES CLASSIFIER
Busuk Bunga (Botrytis sp.) Serangan-serangan pada tanaman sedap malam tersebut dapat diantisipasi atau dicegah dengan berbagai cara, salah satunya adalah dengan cara penyemprotan dengan menggunakan pestisida yang sesuai dosis anjuran pakar.
6. Layu Fusarium (Fusarium xyllarioides) 7.
oxysporum)
Penyakit Bercak Hitam (Fusarium
4. Penyakit Bercak Daun (Xanthomonas sp.) 5.
Kutu Dompolan (Dysmicoccus brevipes sp.) 3. Kutu perisai (Pseudococus sp.)
Faktor kepastian (certainty factor) menyatakan kepercayaan dalam sebuah kejadian (fakta atau hipotesa) berdasar bukti atau penilaian pakar (Turban, 2005). Certainty factor menggunakan suatu nilai untuk mengasumsikan derajat keyakinan seorang pakar terhadap suatu data.
CF gabungan merupakan nilai CF akhir dari sebuah calon konklusi. CF gabungan diperlukan apabila suatu konklusi diperoleh dari aturan sekaligus. CF akhir dari suatu aturan dengan aturan yang lain digabungkan untuk mendapatkan nilai CF akhir untuk calon konklusi tersebut. Rumus untuk melakukan penghitungan CF gabungan ditunjukkan pada persamaan 4.1.
CF 1 + CF 2 (1-CF 1 ), jika CF
1 ≥ 0 dan CF
2 ≥ CF
1 + CF 2 , jika CF 1 < 0
1
1 ||CF 2 ] atau CF 2 < 0CF 1 + CF 2 (1+CF 1 ), jika CF
- – min[CF
1 ≤ 0 dan CF
2 ≤ 0
Certainty Factor pada penelitian ini dapat dilihat pada Gambar 1.
6. Keluaran akhir menampilkan nama dan jenis hama-penyakit berdasarkan hasil proses diagnosis dari metode yang digunakan, nilai keyakinan terhadap hasil diagnosis dan cara penanganan hama-penyakit. Langkah – langkah algoritme Naïve Bayes-
mengalikan nilai bobot keyakinan pakar hama-penyakit dengan nilai keyakinan pengguna (sesuai dengan gejala yang dimasukkan).
5. METODE
factor berbasis android adalah sebagai berikut: 1. menggunakan metode naïve bayes. Pada proses
2. Menghitung nilai probabilitas prior masing- masing hama-penyakit yang muncul pada data uji.
3. Menghitung nilai probabilitas likelihood dari masing-masing gejala yang dimasukkan oleh pengguna yang ada pada setiap jenis hama- penyakit yang muncul pada data uji.
4. Menghitung nilai probabilitas posterior dengan mengalikan nilai probabilitas prior masing-masing hama-penyakit dengan nilai probabilitas likelihood dari masing-masing gejala masukan pada hama-penyakit. Jenis hama-penyakit yang memiliki nilai probabilitas posterior tertinggi, akan dipilih sebagai hasil proses diagnosis. Hasil dari proses diagnosis berupa hama-penyakit yang menyerang tanaman sedap malam beserta cara penanganannya.
5. Menghitung nilai keyakinan (CF) hama- penyakit tanaman sedap malam dari hasil proses diagnosis menggunakan metode naïve
bayes. Nilai keyakinan didapat dari hasil
Gambar 1 menunjukkan diagram alir secara umum proses diagnosis dari metode yang digunakan. Dari Gambar 4.2 dapat dilihat penjelasan secara rinci dari proses diagnosis hama-penyakit tanaman hias sedap malam menggunakan metode naïve bayes-certainty
bayes-certainty factor untuk mendiagnosis hama-penyakit tanaman sedap malam.
Penelitian ini menggunakan metode naïve
Gambar 1. Diagram Alir Proses Diagnosis Metode Naïve Bayes-Certainty Factor
5.1 Menghitung Nilai Prior Gambar 2. Diagram Alir Penghitungan Nilai Prior
Proses menghitung nilai probabilitas
prior merupakan awal proses diagnosis Menghitung Nilai Prior
Data masukan gejala didapat dari masukan pengguna, dimana sebelum memulai proses diagnosis pengguna diharuskan memilih gejala yang muncul pada tanaman sedap malam.
Menghitung B Nilai Posterior
ini melibatkan data latih dalam mencari seberapa banyak kemunculan masing-masing hama- penyakit pada data latih, dan juga mencari seberapa banyak kemunculan gejala masukan pengguna pada masing-masing hama-penyakit di dalam data latih yang akan digunakan pada proses penghitungan nilai likelihood.
Gambar 2 menunjukkan diagram alir proses penghitungan nilai probabilitas prior. Contoh penghitungan nilai pada salah satu jenis penyakit:
P(P1) = jumlah penyakit P1/keseluruhan data = 7/25 = 0,28
5.2 Menghitung Nilai Likelihood
Proses ini lanjutan dari proses sebelumnya. Pada proses ini akan dilakukan penghitungan nilai probabilitas likelihood.
Gambar 3 menunjukkan diagram alir proses penghitungan nilai probabilitas
likelihood.
Menghitung Nilai Likelihood Gambar 4. Diagram Alir Penghitungan Nilai
Posterior
Contoh penghitungan nilai pada salah satu jenis penyakit:
Gambar 3. Diagram Alir Penghitungan Nilai
Posterior P1 =
Likelihood
P(P1) x P(G2|P1) x P(G3|P1) x P(G4|P1) x P(G7|P1) x P(G13|P1)
Contoh penghitungan nilai pada salah satu = 0,28 x 0,429 x 0,857 x 0,571x 0,429 x 0,143 gejala masukan pada tiap penyakit: = 0,00361
P(G2|P1) = jumlah G2 pada P1/jumlah P1 = 3/7 = 0,429
5.3 Menghitung Nilai Posterior
Proses ini lanjutan dari proses sebelumnya. Pada proses ini akan dilakukan penghitungan nilai probabilitas posterior. Proses ini merupakan proses akhir penghitungan nilai probabilitas dengan menggunakan metode Naïve Bayes.
Gambar 4 menunjukkan diagram alir proses penghitungan nilai probabilitas posterior.
5.4 Menghitung Nilai CF
Gambar 5. Diagram Alir Penghitungan Nilai CF
4
2
3
4
3
3
32 R13
3
3
4
3
4
4
3
5
3
3
36 R14
4
3
4
3
4
3
3
3
4
3
32 R11
35 R10
4
3
3
2
3
4
4
3
3
3
4
4
3
3
4
2
3
3
4
3
3
32 R12
3
4
34 R15
3
53
3
3
3
30 Juml ah
5
6
55
60
56
60
51
62
3
52 49 554
Berdasarkan Tabel 1, akan dilakukan proses penghitungan nilai setiap butir pertanyaan menggunakan rumus:
= ℎ
ℎ Dari proses penghitungan nilai setiap butir pertanyaan didapatkan nilai sebagai berikut:
1. Nilai butir pertanyaan 1 = 56/17 = 3,29412
2. Nilai butir pertanyaan 2 = 55/17 = 3,23529 3.
Nilai butir pertanyaan 3 = 60/17 = 3,52941 4. Nilai butir pertanyaan 4 = 56/17 = 3,29412
5. Nilai butir pertanyaan 5 = 60/17 = 3,52941 6.
Nilai butir pertanyaan 6 = 51/17 = 3 7. Nilai butir pertanyaan 7 = 53/17 = 3,11765
8. Nilai butir pertanyaan 8 = 62/17 = 3,64706
Menghitung Nilai CF
3
3
3
3
3
3
4
3
3
2
2
4
3
3
30 R16
2
3
2
3
3
2
3
2
3
2
25 R17
3
3
3
3
5
Proses ini lanjutan dari proses sebelumnya. Setelah sistem menghasilkan sebuah diagnosis melalui proses penghitungan menggunakan metode naïve bayes, selanjutnya hasil diagnosis tersebut akan dihitung nilai keyakinannya (CF). Proses penghitungan ini dimaksudkan untuk memastikan hasil keluaran CF maksimal mendekati nilai 1, dan juga untuk mengetahui persentase dari hasil
3
4
3
4
4
3
3
3
4
3
35 R3
3
5
39 R2
3
4
3
3
3
2
2
31 R4
4
3
4
4
4
3
5
perhitungan metode naïve bayes.
Gambar 5 menunjukkan diagram alir proses penghitungan nilai CF. Contoh penghitungan nilai keyakinan hasil diagnosis:
CF(A) = CF(1) + (CF(2) x (1-CF(1))) = 0 + 0,7 x (1-0) = 0,7
Untuk melakukan evaluasi program pada penelitian kali ini dilakukan pengujian sistem agar program yang dibuat mampu menghasilkan solusi yang optimal. Pengujian yang dilakukan adalah pengujian akurasi.
Pengujian kepuasan pengguna dilakukan agar mengetahui tingkat kepuasan pengguna dan kenyamanan dalam menggunakan aplikasi sistem pakar.
Pada pengujian kepuasan pengguna, diberikan kuisioner untuk menguji tingkat kepuasan pengguna dalam menggunakan aplikasi sistem pakar sejumlah 13 butir pertanyaan yang terdapat pada Lampiran. Kuisioner diberikan kepada 17 responden yang berasal dari pakar dan petani tanaman sedap malam. Tiap-tiap pertanyaan dari kuisioner bertujuan untuk menunjukkan tingkat usability aplikasi sistem pakar menurut pendapat pengguna saat menggunakan aplikasi sistem pakar. Dari kuisioner tersebut, didapatkan hasil tingkat kepuasan pengguna dalam menggunakan aplikasi sistem pakar yang dapat dilihat pada Tabel 1.
Tabel 1. Hasil Pengujian Kepuasan Pengguna Resp onde n Butir Pertanyaan Skor Tota l
1
2
3
4
6
4
7
8
9
10 R1
4
4
3
4
4
4
4
4
4
2
3
3
4
4
4
4
3
3
3
36 R8
4
3
5
5
3
3
3
4
3
3
36 R9
4
4
3
4
3
3
3
4
4
3
4
3
3
33 R5
3
3
3
3
4
3
3
3
31 R7
3
31 R6
3
3
4
3
4
3
2
4
3
2
6. HASIL DAN PEMBAHASAN
6.1 Pengujian Kepuasan Pengguna dan Analisis Hasil Pengujian Kepuasan Pengguna
9. Nilai butir pertanyaan 9 = 52/17 = 3,05882 10.
98
98
Nilai butir pertanyaan 10 = 49/17 = 2,88235 Nilai yang didapatkan dari hasil penghitungan nilai setiap butir pertanyaan, akan digunakan dalam menghitung nilai kepuasan pengguna menggunakan rumus:
20 Kutu Perisai Kutu Perisai 98,72
21 Kutu Dompolan Kutu Dompolan 99,76
22 Kutu Dompolan Kutu Dompolan 99,4
23 Xanthomonas Xanthomonas
92
24 Thrips Thrips
26 Xanthomnas Xanthomnas 98,4
25 Kutu Perisai Kutu Perisai 98,4
18 Kutu Perisai Kutu Perisai 99,744
27 Kutu Perisai Kutu Perisai 99,36
28 Botrytis Botrytis 99,2
29 Thrips Thrips 99,2
30 Kutu Dompolan Kutu Dompolan 99,97408
Pada pengujian akurasi ini, total data uji yang dipakai yaitu 30 data. pengujian akurasi akan membandingkan hasil diagnosis sistem dengan hasil diagnosis pakar. Hasil pengujian akurasi ditunjukkan pada Tabel 2.
ℎ Nilai Kepuasan Pengguna = (3,29412 + 3,23529
= ℎ
19 Thrips Thrips
- 3,52941 + 3,29412 + 3,52941 + 3 + 3,11765 + 3,64706 + 3,05882 + 2,88235) / 10 = 32,58823 / 10 = 3,255823
6.2 Pengujian Akurasi dan Analisis Hasil Pengujian Akurasi
86,67%. Hal tersebut menunjukkan bahwa membuat sebuah sistem pakar menggunakan metode naïve bayes-certainty factor akan menghasilkan sebuah sistem pakar dengan ketepatan hasil diagnosis yang baik dan akurat.
Berdasarkan hasil pengujian kepuasan pengguna yang telah dilakukan, aplikasi sistem pakar diagnosis hama-penyakit pada tanaman sedap malam menggunakan metode naïve bayes-
Berdasarkan Tabel 2, terdapat 26 data yang memiliki hasil diagnosis yang sama dengan hasil diagnosis pakar. Sehingga tingkat akurasi pada pengujian akurasi sebagai berikut:
% = ℎ ℎ 100% % =
26 30 100% = 86,67 %
Tingkat akurasi yang dihasilkan oleh sistem pakar diagnosis hama-penyakit tanaman hias sedap malam menggunakan metode naïve bayes- certainty factor adalah sebesar 86,67%.
Berdasarkan hasil pengujian akurasi yang telah dilakukan, sistem pakar diagnosis hama- penyakit tanaman hias sedap malam menggunakan metode Naïve Bayes-Certainty
Factor menghasilkan tingkat akurasi sebesar
7. KESIMPULAN
pengguna sebesar 3,255823. Hal tersebut menunjukkan bahwa aplikasi sistem pakar yang telah dibuat memberikan user experience yang baik dan kenyamanan pada saat digunakan.
Kesimpulan yang dapat diambil berdasarkan hasil uji coba yang telah dilakukan mengenai sistem pakar diagnosis hama-penyakit tanaman sedap malam menggunakan metode naïve bayes-
certainty factor berbasis android adalah sebagai
berikut: 1.
Dalam mengimplementasikan metode naïve
bayes-certainty factor pada sistem pakar
diagnosis hama-penyakit tanaman sedap malam berbasis android dapat diterapkan dengan baik. Proses diagnosis hama-penyakit tanaman sedap malam dapat dilakukan memasukkan gejala-gejala yang muncul pada
Dari proses penghitungan nilai kepuasan pengguna didapatkan nilai kepuasan pengguna sebesar 3,255823.
certainty factor menghasilkan tingkat kepuasan
12 Botrytis Botrytis 99,2
13 Xanthomonas Xanthomonas 98,4
9 Botrytis Kutu Dompolan 40
14 Thrips Thrips 99,8399
15 Kutu Perisai Kutu Perisai 99,36
16 Kutu Dompolan Kutu Dompolan 99,28
17 Botrytis Botrytis
96
11 Kutu Dompolan Kutu Dompolan 99,97408
10 Kutu Perisai Kutu Perisai 98,72
8 Xanthomonas Kutu Dompolan 40
Tabel 2. Hasil Pengujian Akurasi No Diagnosis Pakar Diagnosis Sistem Nilai CF (%)
7 Thrips Kutu Dompolan 40
6 Xanthomonas Kutu Dompolan 64
92
5 Xanthomonas Xanthomonas
4 Kutu Dompolan Kutu Dompolan 99,28
3 Thrips Thrips 99,2
2 Kutu Perisai Kutu Perisai 99,36
1 Kutu Dompolan Kutu Dompolan 98,8
Pengujian akurasi dilakukan agar mengetahui performa dari sistem pakar yang telah dibuat dan seberapa besar tingkat akurasi dalam memberikan hasil diagnosis hama- penyakit tanaman hias sedap malam berdasarkan masukan gejala yang dimasukkan oleh pengguna. tanaman sedap malam oleh pengguna. Fauziyah. (2012). Sistem Pakar Untuk Diagnosis Melalui gejala-gejala yang dimasukkan akan Penyakit Paru Dengan Metode Naive dilakukan penghitungan dengan Bayes Classifier. Jurnal Sarjana menggunakan metode naïve bayes-certainty Informatika, I, 39.
factor untuk mendapatkan hasil sistem
Hardika, A. (2014). Aplikasi Sistem Pakar Untuk berupa jenis hama-penyakit yang menyerang
Identifikasi Hama Dan Penyakit
tanaman sedap malam. Dalam
Tanaman Tebu Dengan Metode Naive
mengimplementasikan metode naïve bayes- Bayes Berbasis Web. Malang.
certainty pada sistem dalam mendiagnosis
Kusumadewi, S. (2003). Artificial Intelegence nama hama-penyakit, dapat dilakukan penghitungan menggunakan metode naïve (Teknik dan Aplikasinya). Yogyakarta: Graha Ilmu.
bayes dengan menghitung nilai probabilitas prior, nilai probabilitas likelihood, nilai
Saputro, B., Delima, R., & Purwadi, J. (2011). probabilitas posterior, dimana hasil dari
Sistem Diagnosis Penyakit Diabetes penghitungan akan menghasilkan sebuah Melitus Menggunakan Metode diagnosis berupa nama hama-penyakit yang Certainty Factor. Jurnal Sarjana Teknik menyerang tanaman beserta cara
Informatika.
penanganannya. Setelah didapatkan hasil Suryanto, W. A. (2010). Hama dan Penyakit diagnosis dari metode naïve bayes, hasil
Tanaman: Pangan, Hortikultura, dan
diagnosis akan dihitung nilai keyakinannya Perkebunan. Masalah dan Solusinya. (CF) yang bertujuan untuk mengetahui Yogyakarta: Kanisius. persentase dari hasil perhitungan metode naïve bayes.
Sutojo, T. (2011). Kecerdasan Buatan.
Yogyakarta: Andi.
2. Aplikasi sistem pakar diagnosis hama- penyakit tanaman sedap malam Turban. (2005). Sistem Pendukung Keputusan menggunakan metode naïve bayes-certainty
dan Sistem Cerdas. Yogyakarta: Andi. factor berbasis android yang telah dibuat
memiliki nilai tingkat kepuasan pengguna sebesar 3,255823, nilai tingkat kepuasan pengguna merupakan hasil dari penilaian kuisioner 17 responden yang berasal dari pakar dan petani tanaman sedap malam. Tingkat akurasi yang dihasilkan oleh sistem pakar yang telah dibuat sebesar 86,67%. Hal tersebut menunjukkan bahwa aplikasi yang telah dibuat memberikan user experience yang baik dan kenyamanan pada saat digunakan, serta dalam membuat sebuah sistem pakar menggunakan metode naïve
bayes-certainty factor akan menghasilkan
sebuah sistem pakar dengan ketepatan hasil diagnosis yang baik dan akurat.
8. DAFTAR PUSTAKA BPS. (2015). Badan Pusat Statistik Indonesia.
Retrieved April 3, 2017, from https://www.bps.go.id Direktorat Budidaya Tanaman Hias. (2008).
Standar Operasional Prosedur Budidaya Bunga Potong Sedap Malam (Polianthes Tuberose L.). Departemen Pertanian.