analisis diagnosa penyakit tanaman padi dengan …

Kumpulan jurnaL Ilmu Komputer (KLIK) Volume 05, No.01 Februari 2018

ISSN: 2406-7857

Diagnosa Penyakit Tanaman Dengan Fuzzy Inference System & Certainty Factor (Retma A) | 110

ANALISIS DIAGNOSA PENYAKIT TANAMAN PADI DENGAN METODE FUZZY

INFERENCE SYSTEM DAN CERTAINTY FACTOR

Retma Aqmarina1, *)Muliadi2, Dwi Kartini3 1,2,3Prodi Ilmu Komputer FMIPA UNLAM

Jl. A. Yani Km 36 Banjarbaru, Kalimantan Selatan Email: *[email protected]

Abstract

Rice plants are now many been developed in the swamp land. One of the problems is

disease of rice is a risk that must be faced and counted in rice cultivation to increase production

as expected. The purpose of this research is an analysis of rice disease diagnosis that grows in

wetlands by applying the method of Fuzzy Inference System and Certainty Factor. Fuzzy

Inference System used in this system is fuzzy Tsukamoto used to obtain the value measure of

belief (MB) and a measure of disbelief (MD) symptoms of the disease. And the certainty factor

(CF) for the assessment of each disease. The result that obtained is the analysis succeeded in

giving a diagnosis of disease in rice of symptoms that attack the rice.

Keywords: Rice Plants, Diagnosis, Fuzzy Inference System Tsukamoto, Certainty Factor.

Abstrak

Tanaman padi sekarang banyak dikembangkan di lahan rawa. Salah satu masalahnya

adalah penyakit padi, yang merupakan resiko yang harus dihadapi dan diperhitungkan dalam

budidaya padi untuk meningkatkan produksi yang sesuai dengan harapan. Tujuan penelitian

ini adalah membuat analisis diagnosa penyakit padi yang tumbuh di lahan rawa dengan

menerapkan metode Fuzzy Inference System dan Certainty Factor. Fuzzy Inference System

yang digunakan dalam sistem ini adalah Fuzzy Tsukamoto yang digunakan untuk

memperoleh nilai measure of belief (MB) dan measure of disbelief (MD) gejala terhadap suatu

penyakit. Sedangkan certainty factor (CF) untuk pemberian nilai masing-masing penyakit.

Hasil yang didapatkan yaitu analisis ini berhasil memberikan diagnosa penyakit yang padi

dari gejala-gejala yang menyerang padi tersebut.

Kata kunci: Tanaman Padi, Diagnosa, Fuzzy Inference System Tsukamoto, Certainty Factor. 1. PENDAHULUAN

Pemanfaatan lahan gambut untuk pertanian berkembang pesat seiring dengan adanya Proyek Pembukaan Persawahan Pasang Surut (P4S). Menurut Aqmarina[1] tanaman padi sekarang banyak dikembangkan di lahan rawa. Salah satu masalahnya adalah penyakit padi, yang merupakan resiko yang harus dihadapi dan diperhitungkan dalam budidaya padi untuk meningkatkan produksi yang

mailto:[email protected]


ISSN: 2406-7857


sesuai dengan harapan. Serangan penyakit padi cukup menonjol sejak awal masa pertumbuhan sampai dengan menjelang panen, hal ini harus diwaspadai agar dapat dilakukan pengendalian secara tepat sehingga tidak menimbulkan kerusakan berat dan bahkan kehilangan hasil panen.

Banyak sekali metode yang digunakan dalam mendiagnosa penyakit, beberapa diantaranya adalah metode backward chaining, forward chaining, fuzzy logic, certainty factor dan lain-lain. Dari banyaknya algoritma dari metode tersebut, analisis disini adalah mencoba menggabungkan dua algoritma sehingga mendapatkan hasil yang diinginkan. Hasil yang diinginkan disini adalah mendapatkan diagnosa penyakit padi berdasarkan gejala-gejala yang menyerang padi tersebut. Tujuannya agar keberadaan penyakit tersebut dapat diberi penanganan yang tepat. Semakin dini penyakit padi yang tumbuh dilahan rawa ini dideteksi, kemungkinan padi untuk diberi penanganan secara cepat jauh lebih besar. Secara khusus beras merupakan hasil dari tanaman padi yang digunakan sebagai makanan pokok manusia, oleh karena itu diagnosa padi ini penting.

Menurut Agbonifo[2] melakukan pengembangan sistem pakar fuzzy untuk diagnosis dan pengobatan penyakit tanaman. Sehingga diperoleh hasil sistem fuzzy berdasarkan aturan dikembangkan menjadi sasaran data uji untuk menunjukkan efisiensi sistem. Pengamatan dari data yang diuji menunjukkan bahwa sistem ini mampu mendiagnosis dengan benar jenis penyakit yang mempengaruhi tanaman pada perkebunan berdasarkan berbagai gejala yang dapat diamati dan pengendalian penyakitnya. Juga dapat menyediakan sarana untuk tenaga ahli. Menurut Munandar[5] dalam penelitiannya, ia mengembangkan sistem pakar aplikasi untuk mendiagnosa penyakit dengan menggunakan certainty factor dengan beberapa aturan premis, yang memungkinkan konsultasi pasien untuk menentukan banyak gejala. Dari hasilnya ia mendapatkan nilai tingkat kepercayaan yaitu 90% dari hasil penelitiannya.

Penelitian ini mencoba untuk menggunakan penggabungan dua algoritma tersebut yaitu fuzzy inference system dan Certainty Factor. Metode fuzzy inference system digunakan adalah metode tsukamoto untuk menentukan nilai tingkat kepercayaan terhadap gejala yang menyerang padi dan metode certainty factor akan digunakan untuk nilai kepastian dalam mendefinisikan hubungan antara gejala dengan penyakit. Melalui analisis ini diharapkan dapat menjadi solusi terhadap permasalahan-permasalahan yang ada di dalam bidang pertanian khususnya pada tanaman padi yang tumbuh pada lahan rawa. 2. METODOLOGI PENELITIAN

Perancangan sistem fuzzy digunakan untuk memperoleh nilai MB (measure of belief) dan MD (measure of disbelief), meliputi penentuan input dan output, penentuan himpunan dan fungsi keanggotaan, penyusunan aturan (rules), serta penentuan metode inferensi. Dalam penelitian ini metode inferensi yang digunakan adalah metode Tsukamoto. Input sistem fuzzy merupakan nilai yang digunakan untuk merepresentasikan tingkat kepercayaan terhadap suatu gejala yang menyerang. Serta metode certainty factor yang digunakan untuk pemberian nilai masing-masing penyakit.

Menurut kusumadewi[4], pada dasarnya metode Tsukamoto mengaplikasikan penalaran monoton pada setiap aturannya. Kalau pada penalaran monoton, sistem hanya memiliki satu aturan, pada metode Tsukamoto, sistem terdiri atas beberapa aturan. Karena menggunakan konsep dasar penalaran monoton, pada metode Tsukamoto, setiap konsekuen pada aturan yang berbentuk


ISSN: 2406-7857


IF-THEN harus direpresentasikan dengan suatu himpunan fuzzy dengan fungsi keanggotaan yang monoton. Output hasil inferensi dari tiap-tiap aturan diberikan secara tegas (crisp) berdasarkan α-predikat (fire strength). Proses agregasi antar aturan dilakukan, dan hasil akhirnya diperoleh dengan menggunakan defuzzy dengan konsep rata-rata terbobot. Secara garis besar, diagram blok proses inferensi fuzzy

Menurut Sutojo[6], Inferensi metode tsukamoto dapat menggunakan tahapan sebagai berikut : a. Fuzzyfikasi, yaitu proses untuk mengubah input sistem yang mempunyai nilai

tegas menjadi variabel linguistik menggunakan fungsi keanggotaan yang disimpan dalam basis pengetahuan fuzzy.

b. Pembentukan basis pengetahuan fuzzy (Rule dalam bentuk IF...THEN), yaitu Secara umum bentuk model fuzzy Tsukamoto adalah IF(X IS A) and (Y IS B) and (Z IS C), dimana A,B, dan C adalah himpunan fuzzy.

c. Mesin Inferensi, yaitu proses dengan menggunakan fungsi implikasi MIN untuk mendapatkan nilai α-predikat tiap-tiap rule (α1,α2, α3, ... αn). Kemudian masing-masing nilai α-predikat ini digunakan untuk menghitung keluaran hasil inferensi secara tegas (crisp) masing-masing rule (z1, z2, z3, ... zn).

d. Defuzzyfikasi, dengan menggunakan metode rata-rata (Average):

Z =∑ 𝛼𝑖 . 𝑧𝑖𝑛

𝑖=1

∑ 𝛼𝑖 𝑛𝑖=1

....................................................................(1)

Menurut Sutojo[7], certainty factor adalah metode yang cocok dipakai dalam sistem pakar untuk mengukur sesuatu apakah pasti atau tidak pasti dalam mendiagnosis dan mengidentifikasi hama atau penyakit sebagai salah satu contohnya.

Ada dua tahap model yang sering digunakan untuk menghitung tingkat keyakinan (CF) dari sebuah rule adalah sebagai berikut: a. Dengan menggali dari hasil wawancara dengan pakar. Nilai CF didapat dari

interpretasi term dari pakar menjadi nilai MD atau MB tertentu. b. Menggunakan metode perhitungan. Faktor kepastian menunjukkan ukuran

kepastian suatu fakta atau aturan. Dalam perancangan dan pembuatan sistem pakar, ada tiga hal yang mungkin

terjadi:

e1

e2

h h1 h2

A

B

C

(a) (b) (c) Gambar 1. Kombinasi aturan kepastian

Sumber : Artficial Intelligence (Teknik dan Aplikasinya). 2003

a. Beberapa evidence dikombinasikan untuk menentukan CF dari suatu hipotesis

(Gambar 1.a). Jika e1 dan e2 adalah observasi, maka:


ISSN: 2406-7857


MB[h, e1 ^ e2] ={ ])1,[1(*]2,[+]1,[

1=]2,^1,[ 0

lainnyaehMBehMBehMB

ehehMD} .....(2)

MD[h, e1 ^ e2] ={ ])1,[1(*]2,[+]1,[

1=]2,^1,[ 0

lainnyaehMDehMDehMD

ehehMB} .....(3)

b. CF dihitung dari kombinasi beberapa hipótesis (Gambar 1.b) jika h1 dan h2

adalah hipotesis, maka: MB[h1 h2,e] = min(MB[h1,e],MB[h2,e]) .................................(4) MB[h1 h2,e] = max(MB[h1,e],MB[h2,e]) .................................(5) MD[h1 h2,e] = min(MD[h1,e],MD[h2,e]) .................................(6) MD[h1 h2,e] = max(MD[h1,e],MD[h2,e]) .................................(7)

c. Beberapa aturan saling bergandengan, ketidakpastian dari suatu aturan menjadi input untuk aturan yang lainnya (Gambar 1.c), maka: MB[h,s]=MB’[h,s]*max(0,CF[s,e]) .......................................(9)

Dengan MB’[h,s] adalah ukuran kepercayaan h berdasarkan keyakinan penuh terhadap validitas s[3]. 3. HASIL DAN PEMBAHASAN

3.1 Hasil

Dari gejala-gejala yang terdapat di tanaman padi didapatkan hasil yaitu penyakit tanaman yang menyerang tanaman padi tersebut. Adapun hasil dari analisis dengan metode fuzzy inference system tsukamoto dan certainty factor antara lain adalah sebagai berikut : Gejala 1 : Bercak daun yang dikelilingi oleh warna kuning, tepi coklat Gejala 2 : Bercak daun berwarna hijau gelap Gejala 3 : Bercak daun berwarna abu-abu sedikit kebiru-biruan

Tabel 1. Hasil Perhitungan dengan Metode Fuzzy Tsukamoto untuk Menentukan Nilai MB/MD

Gejala Penyakit Tingkat Kemunculan Gejala

Tingkat Keunikan Gejala

MD MB

Bercak daun yang dikelilingi oleh warna kuning, tepi coklat

BLAS Banyak Sedang 0,2 0,8

Bercak daun berwarna hijau gelap BLAS Banyak Tinggi 0 1

Bercak daun berwarna abu-abu sedikit kebiru-biruan

BLAS Banyak Tinggi 0 1

Bercak daun yang dikelilingi oleh warna kuning, tepi coklat

HAWAR PELEPAH DAUN

Banyak Sedang 0,2 0,8

Sumber : Sistem Pakar Diagnosa Penyakit Pada Tumbuhan Padi Dengan Metode Fuzzy Inference System dan Certainty Factor (Studi Kasus : Pertanian Lahan Rawa). 2015


ISSN: 2406-7857


Tabel 2. Hasil nilai CF pada Suatu Penyakit

Sumber : Sistem Pakar Diagnosa Penyakit Pada Tumbuhan Padi Dengan Metode Fuzzy Inference

System dan Certainty Factor (Studi Kasus : Pertanian Lahan Rawa). 2015

Penyakit dengan nilai CF terbesar adalah penyakit utama dari gejala-gejala

yang telah menyerang padi lahan rawa tersebut. Dengan demikian dapat dikatakan bahwa penyakit utama yang memiliki nilai CF tertinggi yaitu 0,8 dan dapat disimpulkan bahwa tanaman padi lahan rawa user diserang penyakit Blas.

3.2 Pembahasan

3.2.1 Gambaran Umum

Komponen-komponen yang terdapat pada analisis diagnosa penyakit padi lahan rawa dengan menggunakan metode fuzzy inference system dan certainty factor yaitu : a. Sebelumnya dilakukan penginputan berupa : [INPUT I] Tingkat kemunculan

gejala yang menyatakan seberapa berat kerusakan gejala yang muncul mengiringi suatu penyakit yang menyerang dan [INPUT II] Tingkat keunikan gejala yang menyatakan seberapa khas (unik) suatu gejala yang terdapat pada tanaman yang mengindikasikan suatu penyakit.

b. Dalam penelitian ini metode inferensi yang digunakan untuk mengubah nilai input I dan input II adalah metode fuzzy inference system tsukamoto.

c. Setelah perhitungan dari metode fuzzy inference system tsukamoto, maka output yang keluar adalah nilai MB (Measure of Belief) dan nilai MD (Measure of Disbelief).

d. Kemudian dilakukan cek diagnosa dengan memilih gejala yang telah menyerang penyakit tanaman padi lahan rawa. Dengan daftar gejala adalah sebagai berikut :

Tabel 3. Daftar Gejala Penyakit Padi yang Tumbuh di Lahan Rawa

No. GEJALA

1 Bercak daun yang dikelilingi oleh warna kuning, tepi coklat

2 Bercak daun berwarna hijau gelap 3 Bercak daun berwarna abu-abu sedikit kebiru-biruan 4 Daun berwarna kuning oranye 5 Bercak daun berwarna coklat 6 Bercak merata pada permukaan daun

No Nama Penyakit Nilai

1. Blas 0,8 2. Tungro 0 3. Bercak Coklat 0 4. Bercak Coklat Bergaris 0 5. Hawar Daun Bakteri 0 6. Hawar Pelepah Daun 0,6


ISSN: 2406-7857


No. GEJALA

7 Bercak daun sepenuhnya berwarna coklat dengan titik tengah putih/abu-abu

8 Bercak daun berwarna coklat gelap/sedikit ungu 9 Bercak bentuk bulat 10 Tanaman kerdil/pertumbuhan terhambat 11 Kulit gabah bercak berwarna hitam/coklat gelap 12 Bercak kecil, agak memanjang 13 Tepi bercak daun berwarna coklat kemerah-merahan 14 Daun mengering 15 Bercak pada ketiak daun 16 Bercak pada gabah lebih besar & lebih pendek 17 Dari tepi daun terdapat garis kuning/orange 18 Gejala muncul pada saat pembungaan/stadia anakan

maksimum 19 Bercak pada pelepah daun 20 Bercak daun berwarna kelabu kehijauan 21 Jumlah anakan berkurang 22 Bercak membentuk sklerotia berwarna coklat 23 Bercak bentuk oval/elips


e. Proses diagnosa menggunakan metode Certainty Factor (CF) untuk mengatasi ketidakpastian dalam pengambilan keputusan hasil diagnosa.

f. Hasil diagnosa yang diperoleh adalah penyakit dengan nilai CF masing-masing. Penyakit dengan nilai CF terbesar adalah penyakit utama yang menyerang padi lahan rawa.

Atau dapat dilihat pada gambaran umum seperti yang terlihat pada gambar dibawah ini.

Gambar 2. Gambaran umum



ISSN: 2406-7857


3.2.2 Perancangan

a. Perancangan fuzzy digunakan untuk memperoleh nilai MB dan MD meliputi penentuan input dan output, penentuan himpunan dan fungsi keanggotaan, penyusunan aturan (rules), serta penentuan metode inferensi. Dalam penelitian ini metode inferensi yang digunakan adalah metode Tsukamoto.

b. Mendefinisikan variabel Dalam tahap ini ada 3 variabel fuzzy yang akan dimodelkan yaitu : 1). Variabel Tingkat kemunculan gejala, menyatakan seberapa berat kerusakan

gejala yang muncul mengiringi suatu penyakit yang menyerang. Dibagi menjadi himpunan Sedikit, Sedang, Banyak, dengan nilai 0,20; 0,55; 0,85.

2). Variabel Tingkat keunikan gejala, menyatakan seberapa khas (unik) suatu gejala yang terdapat pada tanaman yang mengindentifikasikan suatu penyakit. Dibagi menjadi himpunan Rendah, Sedang, dan Tinggi, dengan nilai 0,25; 0,65; 0,85.

3). Nilai MB/MD adalah nilai measure of belief (MB) dan measure of disbelief (MD) yang nantinya akan digunakan dalam pencarian tingkat keyakinan (certainty factor/CF). Terdiri dari himpunan Tidak Tahu, Mungkin, Kemungkinan Besar, Hampir Pasti, dan Pasti. Tidak Tahu

30;0

300;30

)30(

30;1

=][

≥

≤≤

≤

x

xx

x

x

Mungkin

5040;10

)50(

4030;10

)30(

5030;0

=][

≤≤

≤≤

≥≤

xx

xx

xataux

x

Kemungkinan Besar

7060;10

)70(

6050;10

)50(

7050;0

=][

≤≤

≤≤

≥≤

xx

xx

xataux

x

Hampir Pasti


ISSN: 2406-7857


9080;10

)90(

8070;10

)70(

9070;0

=][

≤≤

≤≤

≥≤

xx

xx

xataux

x

Pasti

100;1

10090;10

)90(

90;0

=][

≥

≤≤

≤

x

xx

x

x

4). Basis Aturan (Rule) Aturan 1 : JIKA Kemunculan Gejala adalah Banyak dan Keunikan Gejala

adalah Tinggi MAKA Nilai MB adalah Pasti Aturan 2 : JIKA Kemunculan Gejala adalah Banyak dan Keunikan Gejala

adalah Sedang MAKA Nilai MB adalah Hampir Pasti Aturan 3 : JIKA Kemunculan Gejala adalah Banyak dan Keunikan Gejala

adalah Rendah MAKA Nilai MB adalah Mungkin Aturan 4 : JIKA Kemunculan Gejala adalah Sedang dan Keunikan Gejala

adalah Tinggi MAKA Nilai MB adalah Hampir Pasti Aturan 5 : JIKA Kemunculan Gejala adalah Sedang dan Keunikan Gejala

adalah Sedang MAKA Nilai MB adalah Kemungkinan Besar Aturan 6 : JIKA Kemunculan Gejala adalah Sedang dan Keunikan Gejala

adalah Rendah MAKA Nilai MB adalah Mungkin Aturan 7 : JIKA Kemunculan Gejala adalah Sedikit dan Keunikan Gejala

adalah Tinggi MAKA Nilai MB adalah Hampir Pasti Aturan 8 : JIKA Kemunculan Gejala adalah Sedikit dan Keunikan Gejala

adalah Sedang MAKA Nilai MB adalah Mungkin Aturan 9 : JIKA Kemunculan Gejala adalah Sedikit dan Keunikan Gejala

adalah Rendah MAKA Nilai MB adalah Tidak Tahu

c. Nilai akhir z ditentukan dari rata-rata terbobot output masing-masing aturan

(metode Tsukamoto) :

Menghitung nilai MB dan MD :

MB= Z/100

MD= 1-MB

d. Perancangan certainty factor : Jika yang diketahui 1 gejala dalam suatu penyakit : CF[h, e] =

n

nn

predpredpred

zpredzpredzpredz

+..++

)*(+..+)*(+)*(=

21

2211

],[],[ ehMDehMB


ISSN: 2406-7857


Yang diketahui 2 gejala dalam suatu penyakit :

MB[h, e1 ^ e2] =

MD[h, e1 ^ e2] =

Yang diketahui 3 gejala atau lebih dalam suatu penyakit :

Dst.

3.3 Implementasi

Berikut adalah implementasi metode fuzzy tsukamoto untuk mendapatkan nilai MB dan nilai MD :

Gejala 1 : Bercak daun yang dikelilingi oleh warna kuning, tepi coklat Gejala 2 : Bercak daun berwarna hijau gelap Gejala 3 : Bercak daun berwarna abu-abu sedikit kebiru-biruan

Gejala 1 (untuk penyakit Blas) a. input kemunculan gejala : Banyak b. input keunikan gejala : Sedang (Menentukan nilai MB) Derajat keanggotaan a. µ[x] = 1 b. µ[x] = 1 Fungsi keanggotaan untuk mendapat nilai Z Aturan 1 : JIKA Kemunculan Gejala adalah Banyak dan Keunikan Gejala adalah Tinggi MAKA Nilai MB adalah Pasti

αpred1 = µbanyak ; µtinggi

(0,85 ; 0) µ[x] = (Z1-90)/10

0 = (Z1-90)/10 Z1 = 90

Aturan 2 : JIKA Kemunculan Gejala adalah Banyak dan Keunikan Gejala adalah Sedang MAKA Nilai MB adalah Hampir Pasti

αpred2 = µbanyak ; µsedang

(0,85;0,65) µ[x] = (Z2-70)/10 1 = (Z2-70)/10

Z2 = 80

) ]1,[1(*]2,[+]1,[ ehMBehMBehMB

) ]1,[1(*]2,[]1,[ ehMDehMDehMD

) ]1,[1(*]2,[+]1,[ ehMBehMBehMB

) ]1,[1(*]2,[+]1,[ ehMDehMDehMD

) ],[1(*],[+],[ 3 oldold ehMBehMBehMB

) ],[1(*],[+],[ 3 oldold ehMDehMDehMD


ISSN: 2406-7857


Aturan 3 : JIKA Kemunculan Gejala adalah Banyak dan Keunikan Gejala adalah Rendah MAKA Nilai MB adalah Mungkin

αpred3 = µbanyak ; µrendah

(0,85;0) µ[x] = (Z3-30)/10 0 = (Z3-30)/10

Z3 = 5 Aturan 4 : JIKA Kemunculan Gejala adalah Sedang dan Keunikan Gejala adalah Tinggi MAKA Nilai MB adalah Hampir Pasti

αpred4 = µsed ng ; µtinggi

(0;0) µ[x] = (Z4-70)/10 0 = (Z4-70)/10 Z4 = 7

Aturan 5 : JIKA Kemunculan Gejala adalah Sedang dan Keunikan Gejala adalah Sedang MAKA Nilai MB adalah Kemungkinan Besar αpred5 = µsedang ; µsedang

(0;0,65) µ[x] = (Z5-50)/10

0 = (Z5-50)/10 Z5 = 50

Aturan 6 : JIKA Kemunculan Gejala adalah Sedang dan Keunikan Gejala adalah Rendah MAKA Nilai MB adalah Mungkin

αpred6 = µsedang ; µrendah

(0;0) µ[x] = (Z6-30)/10 0 = (Z6-30)/10 Z6 = 30

Aturan 7 : JIKA Kemunculan Gejala adalah Sedikit dan Keunikan Gejala adalah Tinggi MAKA Nilai MB adalah Hampir Pasti

αpred7 = µsedikit ; µtinggi

(0;0) µ[x] = (90-Z7)/10 0 = (90-Z7)/10 Z7 = 90

Aturan 8 : JIKA Kemunculan Gejala adalah Sedikit dan Keunikan Gejala adalah Sedang MAKA Nilai MB adalah Mungkin

αpred8 = µsedikit ; sedang

(0;0,65) µ[x] = (Z8-30)/10 0 = Z8-30)/10


ISSN: 2406-7857


Z8 = 30

Aturan 9 : JIKA Kemunculan Gejala adalah Sedikit dan Keunikan Gejala adalah Rendah MAKA Nilai MB adalah Tidak Tahu αpred9 = µsedikit ; µrendah

(0;0) µ[x] = (Z9-30)/10 0 = (30-Z9)/10 Z9 = 30

Z = (αpred1*Z1+..+αpredn*Zn)/αpred1+..+αpredn) = (80 / 1) = 80 MB = 80 / 100 = 0,8 MD = 1 - 0,8 = 0,2

Kemudian dilakukan perhitungan yang sama seperti diatas untuk gejala 2 dan gejala 3. Setelah itu dilakukan perhitungan menggunakan metode certainty factor, yang mana implementasinya adalah untuk masing-masing penyakit dari gejala-gejala yang telah diketahui (gejala 1, 2 dan 3).

Blas MB[h, e1 ^ e2] = ) ]1,[1(*]2,[+]1,[ ehMBehMBehMB MD[h, e1 ^ e2] = ) ]1,[1(*]2,[+]1,[ ehMDehMDehMD

MB (Blas, G01 ^ G02) = 0,8+1*(1-0,8)= 1 MD (Blas, G01 ^ G02) = 0,2+0*(1-0,2)= 0,2 MB[h, eold ^ e3] = ) ],[1(*],[+],[ 3 oldold ehMBehMBehMB

MD[h, eold ^ e3] = ) ],[1(*],[+],[ 3 oldold ehMDehMDehMD

MB (Blas, G01 ^ G02 ^ G03) = 1+1*(1-1)= 1 MD (Blas, G01 ^ G02 ^ G03) = 0,2+0*(1-0,2)= 0,2 CF= MB-MD= 1-0,2 = 0,8 Tungro CF= 0-0=MB-MD=0 Bercak Coklat CF= 0-0=MB-MD=0 Bercak Coklat Bergaris CF= 0-0=MB-MD=0 Hawar Daun Bakteri CF= 0-0=MB-MD=0


ISSN: 2406-7857


Hawar Pelepah Daun CF [h, e1] = MB - MD CF (Hawar Pelepah Daun, G01) = 0,8-0,2= 0,6 CF= 0,6

Dari hasil perhitungan diatas diketahui bahwa penyakit Blas mempunyai nilai CF tertinggi yaitu 0,8 daripada penyakit lainnya. Hal ini membuktikan bahwa penyakit Blas adalah penyakit utama yang menyerang padi dari gejala-gejala yang sudah diketahui.

4. SIMPULAN Simpulan yang didapat dari penelitian ini adalah : a. Metode fuzzy inference system dan certainty factor dapat diterapkan untuk

melakukan diagnosa penyakit tanaman padi lahan rawa. b. Metode fuzzy inference system yang digunakan adalah metode Fuzzy Tsukamoto

digunakan untuk memperoleh nilai measure of belief (MB) dan measure of disbelief MD gejala terhadap suatu penyakit. certainty factor (CF) untuk pemberian nilai masing-masing penyakit. Yang mana penyakit dengan nilai CF terbesar merupakan penyakit utama dari gejala-gejala yang sudah dipilih menyerang.

DAFTAR PUSTAKA [1] Aqmarina, Retma. 2015. Sistem Pakar Diagnosa Penyakit Pada Tumbuhan

Padi Dengan Metode Fuzzy Inference System dan Certainty Factor (Studi Kasus : Pertanian Lahan Rawa). Program S-1 Ilmu Komputer, Universitas Lambung Mangkurat: Banjarbaru.

[2] Agbonifo, et al. 2013. A Fuzzy Expert System for Diagnosis and Treatment of Maize Plant Diseases Volume 2, Issue 12, December 2012, ISSN: 2277 128X. University of Technology Akure: Nigeria.

[3] Kusumadewi. 2003. Artficial Intelligence (Teknik dan Aplikasinya). Yogyakarta: Graha Ilmu.

[4] Kusumadewi. 2006. Neuro Fuzzy-Integrasi Sistem Fuzzy dan Jaringan Syaraf. Yogyakarta: Graha Ilmu.

[5] Munandar, dkk. 2012. The Use of Certainty Factor with Multiple Rules for Diagnosing Internal Disease Volume 1, Issue 1, September 2012, ISSN 2319 - 4847. Universitas Serang Raya Banten: Indonesia.

[6] Sutojo. 2011. Kecerdasan Buatan. ANDI : Yogyakarta.

analisis diagnosa penyakit tanaman padi dengan …

Documents