ANALISIS-PERBANDINGAN-METODE-FORWARD-CHAINING

Seminar Nasional Ilmu Komputer (SNIKOM 2016)

ISBN : 978-602-60010-0-9

ANALISIS PERBANDINGAN METODE FORWARD CHAINING DAN BACKWARD CHAINING DALAM EXPERT SYSTEM UNTUK MENGIDENTIFIKASI HAMA DAN PENYAKIT PADA TANAMAN KELAPA SAWIT DENGAN MENGGUNAKAN CERTAINTY FACTOR Haida Dafitri Program Studi Teknik Informatika / STT - HARAPAN Medan [email protected] ABSTRAK Ada beberapa metode yang dapat diterapkan dalam expert system untuk menentukan rendahnya kualitas dan produktifitas tanaman kelapa sawit yang sangat merugikan para petani kelapa sawit diantaranya forward chaining dan backward chaining dengan mengidentifikasi hama dan penyakit tanaman kelapa sakit. Umumnya identifikasi tersebut dilakukan oleh pakar. Analisis Perbandingan Metode Forward Chaining dan Backward Chaining Dalam Expert System Untuk Mengidentifikasi Hama dan Penyakit pada Tanaman Kelapa Sawit yang dibangun bertujuan untuk mengetahui metode manakah yang lebih efesien dalam membantu mengidentifikasi hama dan penyakit yang menyerang tanaman kelapa sawit agar dapat dilakukan pengendalian terhadap hama dan penyakit tersebut. Hasil proses perbandingan metode yang digunakan dalam identifikasi berupa hama atau penyakit yang menyerang dan persentase kemungkinannya dan cara pengendalian yang dapat dilakukan. Kata kunci : forward chaining, backward chaining, expert system 1. Latar Belakang Sistem Pakar (ExpertSystem) adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer, agar komputer dapat menyelesaikan masalah seperti yang biasa dilakukan oleh para ahli. Dibidang pertanian khususnya pada budidaya tanaman kelapa sawit, masalah kualitas dan produktifitas dalam upaya peningkatan agribisnis tanaman kelapa sawit membantu dalam mengidentifikasi hama dan penyakit yang menyerang tanaman kelapa sawit agar dapat dilakukan pengendalian terhadap hama dan penyakit tersebut serta sistem dapat digunakan hingga tahap pemeliharaan. Sistem pakar yang baik dirancang agar dapat menyelesaikan suatu permasalahan tertentu dengan meniru kerja dari para ahli. Dalam penyusunannya, sistem pakar mengkombinasikan kaidah-kaidah penarikan kesimpulan dengan menerapkan mesin inferensi forward chaining dan backward chaining(inference rules) dari basis pengetahuan tertentu yang diberikan

Prosiding SNIKOM 2016

oleh satu atau lebih pakar dalam bidang tertentu. Penelitian ini dilakukan dalam bentuk kualitatif karena peneliti ingin mengetahui bagaimana menganalisa, merancang dan membangun expert system dalam mengidentifikasi hama dan penyakit kelapa sawit berbasis web dengan menerapkan mesin inferensi forward chaining dan backward chaining. Perancangan expert system yang dibangun adalah berbasis web on-line, hasil berupa masukan yang diberikan oleh pengguna berupa gejala serangan yang terjadi pada kelapa sawit. Tujuan dari penelitian ini antara lain adalah menganalisa metode forward chaining dan backward chaining yang diterapkan pada sebuah expert system berbasis web. Manfaat yang diharapkan dengan adanya sistem pakar ini adalah : mengetahui metode manakah yang lebih efesien dalam membantu dan mempermudah user/ pengguna dalam mengidentifikasi dan mengenali hama dan penyakit yang menyerang tanaman kelapa sawit dengan menggunakan certainty factor berbasis web. 2. Landasan Teori 2.1. Sistem Pakar (Expert System) Sistem pakar berasal dari istilah knowledge based expert system, yaitu sebuah sitem yang menggunakan pengetahuan manusia dimana pengetahuan tersebut dimasukkan kedalam komputer dan kemudian digunakan untuk menyelesaikan masalah-masalah yang biasanya membutuhkan kepakaran atau keahlian manusia (Sutojo dkk,.2011) Menurut Sutojo dkk (2011) dan Siswanto (2010) berpendapat bahwasanya sistem pakar disusun oleh dua bagian utama, yaknik bagian lingkungan pengembangan(development environment) dan lingkungan konsultasi (consulation environment). Lingkungan pengembang digunakan oleh pembuat sistem pakar untuk membangun komponenkomponennya dan memperkenalkan pengetahuan ke dalam knowledge base (basis pengetahuan) (Sutojo dkk (2011) dan Siswanto (2010)) . Sedangkan lingkungan konsultasi digunakan oleh pengguna untuk berkonsultasi sehingga pengguna mendapatkan

95


ISBN : 978-602-60010-0-9

pengetahuan dan nasihat dari sistem pakar layaknya berkonsultasi dengan pakar.

Menurut Kusrini(2008) pemilihan representasi pengetahuan yang tepat akan membuat sistem pakar dapat mengakses basis pengetahuan tersebut untuk keperluan pembuatan keputusan. Secara teknik representasi pengetahuan dibagi menjadi lima kelompok yaitu : Representasi Logika, Jaringan Semantik, Frame, Script(Naskah) dan aturan produksi(Sutojo, 2011). 1. Representasi Logika yaitu menggunakan ekspresiekspresi dalam logika formal yang nantinya digunakan sebagai proses untuk membentuk kesimpulan atau menarik suatu inferensi dengan fakta yang ada. 2. Jaringan Semantik digunakan untuk menggambarkan data dan informasi yang menunjukkan hubungan antara berbagai objek. Jaringan semantik merupakan alat efektif untuk merepresentasikan pemetaaan data agar tidak terjadi duplikasi data. 3. Frame digunakan mereperesentasikan pengetahuan yang didasarkan pada karekteristika yang sudah dikenal berdasarkan pengalaman. 4. Script, skema representasi pengetahuan yang menggambarkan uruta-uruta kejadia( sequence of event). Script digunkan sebagai alat pengorganisasian struktur-sturktur Conceptual Dependency adalah teori tentang bagaiman mempresentasikan pengetahuan tentang event(kejadian) yang biasanya terkandung dalam kalimat bahasa natural. 5. Aturan produksi, adalah salah satu representasi pengetahuan yang menghubungkan premis dengan konklusi yang diakibatkannya. Beberapa keuntungan aturan produksi diantaranya adalah sederhana dan mudah dipahami, implementasi secara straight forward sangat memungkinkan dalam komputer dan dasar berbagai varian.

Gambar 2.1 Komponen dalam sebuah sistem pakar (Sutojo dkk., 2011) Dari gambar diatas dapat dijelaskan beberapa komponen yang ada pada sebuah sistem pakar : 1. Akuisisi Pengetahuan , digunakan untuk memasukan pengetahuan dari seorang pakar dengan cara merekayasa pengetahuan, agar bisa diperoleh oleh komputer dan meletakkannya ke dalam basis pengetahuan dengan format tertentu. 2. Basis Pengetahuan (Knowledge Base), berisi pengetahuan yang diperlukan untuk memahami, mempformulasikan dan menyelesaikan masalah. Basis pengetahuan terdiri dari dua elemen dasar, yaitu fakta dan rule / aturan. 3. Mesin Inferensi ( Inference Engine), sebuah program yang berisi metodologi yang digunakan untuk melakukan penalaran terhadap informasiinformasi dalam basis pengetahuan untuk memformulasikan konklusi. 4. Daerah Kerja ( Blackboard), yaitu area pada memori yang berfungsi sebagai basis data. Ada tiga tipe keputusan yang dapat direkam pada blackboard yaitu rencana, agenda dan solusi. 5. Antarmuka (User Interface), digunakan sebagai media komunikasi antara pengguna dan sistem pakar. Program akan mengajukan pertanyaanpertanyaan dan sistem pakar akan mengambil kesimpulan berdasarkan jawaban dari user. 6. Subistem penjelasan (Explanation Subsystem), berfungsi untuk memberi penjelasan kepada user, bagaimana suatu kesimpulan dapat diambil. Representasi pengetahuan merupakan metode yang digunakan untuk mengodekan pengetahuan dalam sebuah sistem pakar yang berbasis pengetahuan yang digunakan untuk menangkap sifatsifat penting problema dan membuat informasi itu dapat diakses oleh prosedur pemecahan problema.


2.2 Mesin Inferensi (Inference Machine) Mesin inferensi dikenal sebagai struktur kontrol atau penerjemah aturan (dalam sistem pakar berbasis aturan) yang menggunakan program komputer yang dapat memberikan metodologi untuk penalaran tentang informasi yang ada dalam basis pengetahuan dan dalam workplace untuk memformulasikan kesimpulan(Siswanto, 2010). Ada dua pendekatan popular untuk pencarian dalam rangka menarik kesimpulan adalah runut maju (Forward Chaining) dan runut balik (Backward Chaining). 1. Pelacakan Maju (Forward Chaining) adalah pendekatan yang dimotori oleh data (data-driven). Dalam pendekatan ini, pelacakan dimulai dari informasi masukan yang berupa fakta, kemudian akan ditelusuri lebih lanjut untuk aturan-aturan yang mengandung fakta-fakta berikutnya untuk

96

Seminar Nasional Ilmu Komputer (SNIKOM 2016) mendapatkan kesimpulannya. Dengan kata lain, proses penalaran dimulai dengan fakta yang ada pada bagian premis aturan IF [fakta] THEN [kesimpulan]. Untuk menguji kebenaran hipotesis, dari fakta-fakta tersebut selanjutnya akan ditentukan kesimpulan yang terletak pada sebelah kanan aturan IF [fakta] THEN [kesimpulan]. Pelacakan maju cocok digunakan untuk menangani masalah pengendalian (controlling) dan peramalan (prognosis) (Giarattano dan Riley, 1994). Gambar 2.2 menunjukkan proses pelacakan maju. Observasi A

Aturan R1

Fakta C

Kesimpulan 1

Aturan R2

MD[h,e]

h e

= Meansure Of Disbelieve, merupakan nilai kenaikan dari ketidakpercayaan hipotesis h dipengaruhi oleh fakta e. = hipotesis = Evidence

1. Kombinasi beberapa Certainty Factors dalam Satu Rule , Hanya 1(satu) IF untuk pernyataan ini dikatakan benar. Kesimpulan hanya 1(satu) CF dengan nilai maksimum . CF (A or B) = Maximum [CF(A), CF(B)] 2. Kombinasi 2 (dua) atau lebih Rule, Efek kombinasi dihitung dengan menggunakan rumus :

Aturan R3 Observasi B

ISBN : 978-602-60010-0-9

Fakta D Kesimpulan 2

CF(R1,R2) = CF(R1) + CF(R2)[1 - CF(R1)]; or CF(R1,R2) = CF(R1) + CF(R2) - CF(R1)  CF(R2)CF(B)]

Aturan R2 Fakta E

Gambar 2.2 Proses Pelacakan Maju 2. Pelacakan Mundur (Backward Chaining), teknik ini memulai pencarian dari kesimpulan(goal) dengan mencari sekumpulan hipotesa-hipotesa yang mendukung menuju fakta-fakta yang mendukung sekumpulan hipotesa ( Sutojo dkk, 2011). Proses pelacakan pada backward chaining dapat ditunjukkan oleh gambar 2.2 Observasi A

Aturan R1

Fakta C

Observasi B

Aturan R2

Fakta D

Aturan R3 Tujuan 1 (Kesimpulan) Aturan R2

Gambar 2.3 Proses PelacakanMundur 2.3 Faktor Kepastian (Certainty Factor) Certainty Factor merupakan suatu metode yang digunakan untuk menyatakan kepercayaan dalam sebuah kejadian (fakta atau hipotesis) berdasarkan bukti atau penilaian pakar berdasarkan beberapa kondisi. Diantara kondisi yang terjadi adalah terdapat beberapa antensenden ( dalam rule yang berbeda) dengan satu konsekuen yang sama. Pada konsep Certainty Factor sering dikenal adanya believe dan disbelieve. Believe merupakan keyakian sedangkan disbelieve merupakan ketidakyakinan (Yastita Sri, 2012). Adapun notasi atau rumusan dasar Certainty Factor, antara lain sebagai berikut CF=[h,e] = MB[h,e] – MD[h,e] Keterangan CF[h,e] = Certainty Factor dalam hipotesis h yang dipengaruhi oleh fakta e. MB[h,e] = Meansure of Believe, merupakan nilai kenaikan dari kepercayaan hipotesis h dipengaruhi oleh fakta e.


2.4 Tanaman Kelapa Sawit Tanaman kelapa sawit memiliki prospek komersial cerah karena tingkat permintaan pasar akan minyak nabati tinggi. Karena prospek olahan komoditas tanaman kelapa sawit ini maka banyak yang berminat mengembangkan tanaman ini sebagai tanaman yang menjanjikan. Sebagai negara yang berada di garis tropis, Indonesia sangat berpeluang menjadi negara yang mengembangkan perkebunan kelapa sawit. Hama atau penyakit sebaiknya tidak diberantas karena dengan memberantas hama atau penyakit akan mengganggu keseimbangan lingkungan atau ekosistem. Hama atau penyakit sebaiknya dikendalikan untuk mencegah terjadinya peningkatan populasi yang dapat mengakibatkan kerusakan yang secara ekonomis merugikan. Biasanya tanaman sakit menunjukkan gejala khusus. Gejala (symptom) adalah perubahanperubahan yang ditunjukkan oleh tanaman itu sendiri. Seringkali hama dan penyakit tertentu tidak hanya menyebabkan timbulnya satu gejala, tetapi serangkaian gejala, yang sering disebut sindroma (syndrome). Dalam banyak hal, dengan memperhatikan gejala atau serangkaian gejala itu seorang yang berpengalaman telah dapat menentukan hama dan penyakitnya dengan cepat dan tepat. Serangkaian gejala yang terjadi pada tanaman dapat dilihat melalui pengamatan pada bagian-bagian yang terdapat di tanmanan itu, seperti : Daun, Pucuk, Tunas, Pertumbuhan. Jenis hama dan penyakit yang menyerang tanaman kelapa sawit yang dibahas pada penelitian ini meliputi: 1. Kumbang Malam (Apogonia sp, Adoretus sp) Jenis : Hama

97


ISBN : 978-602-60010-0-9

Gejala yang ditimbulkan oleh hama ini adalah : Membusuknya lapisan epidermis daun ; dan Daun berlubang 2. Kumbang Tanduk (Oryctes rhinoceros) Jenis : Hama Gejala yang ditimbulkan oleh hama ini adalah : Adanya bekas gerekan pada pangkal batang mengarah pada titik tumbuh tanaman Pelepah daun putus; Pelepah daun membusuk; Pelepah daun mengering; Daun terpotong menyudut ke arah tulang daun utama 3. Kutu Daun Jenis : Hama Gejala yang ditimbulkan oleh hama ini adalah : Adanya bercak hijau kemerahan pada daun ; dan Adanya bercak hijau kemerahan pada akar 4. Tungau Jenis : Hama Gejala yang ditimbulkan oleh hama ini adalah : Daun berlubang; Batang mengering dan Warna daun berubah menjadi mengkilat berwarna perunggu 5. Ulat Api Jenis : Hama Gejala yang ditimbulkan oleh hama ini adalah : Daun berlubang ; dan Adanya bercak transparan pada daun 6. Ulat Kantong (Metisaplava) Jenis : Hama Gejala yang ditimbulkan oleh hama ini adalah : Membusuknya lapisan epidermis daun ; Daun berlubang; Daun mengering dan Daun rusak 7. Belalang (Valanga nigricornis) Jenis : Hama Gejala yang ditimbulkan oleh hama ini adalah Daun berlubang ; dan Daun rusak 8. Tikus Jenis : Hama Gejala yang ditimbulkan oleh hama ini adalah : 1. Adanya bekas keratan pada batang 2. Pangkal pelepah berlubang 3. Pelepah putus 4. Pelepah terkulai 5. Adanya bekas gigitan pada daging buah 6. Buah rontok 9. Landak (Hystrix brachyura L, Acanthyon branchyurum) Jenis : Hama Gejala yang ditimbulkan oleh hama ini adalah : Adanya bekas keratan pada batang; Buah rontok ; dan Lapisn luar batang rusak 10. Rayap (Isoptera) Jenis : Hama Gejala yang ditimbulkan oleh hama ini adalah : Adanya rongga-rongga pada batang ; dan Adanya bekas gerekan pada daun

11. Busuk Pangkal Batang (Ganoderma sp) Jenis : Penyakit Gejala yang ditimbulkan oleh penyakit ini adalah : Pelepah daun berwarna pucat; Pelepah daun berwarna kusam ; Daun bagian bawah memendek; Daun bagian atas tegak dan tidak membuka; Daun mudah patah; Daun layu; dan Penampang batang berwarna coklat muda 12. Busuk Tandan (Marasmius palmivorus) Jenis : Penyakit Gejala yang ditimbulkan oleh penyakit ini adalah : Adanya benang-benang putih mengkilat di sekitar pangkal batang ; dan Buah membusuk sebelum masak 13. Penyakit Tajuk (Crown Diseases) Jenis : Penyakit Gejala yang ditimbulkan oleh penyakit ini adalah : Pelepah melengkung berputar ke bawah ; Sebagian daunnya rusak sebelum membuka; Daun yang muda berwarna coklat ; dan Daun membusuk 14. Penyakit Akar (Rhizoctonia sp, Pithium sp) Jenis : Penyakit Gejala yang ditimbulkan oleh penyakit ini adalah : Daun berwarna kusam; Daun muda menguning ;Pembusukan pada pangkal batang; dan Akar membusuk 15. Penyakit Antraknosa (Botriodiplodia sp, Glomerella singulata, Malaconium elaedis) Jenis : Penyakit Gejala yang ditimbulkan oleh penyakit ini adalah : Daun berwarna hijau pucat ; Terlihat bercak-bercak putih atau keperak-perakan pada daun ; Daun tampak menjadi belang.


3. Metode Penelitian 3.1 Analisis Kebutuhan Perangkat Lunak Untuk mendukung proses analisis dan perancangan expert system yang akan dibangun maka di perlukan beberapa hardware dan software yang sesuai dengan kebutuhan. Kebutuhan hadware dam software meliputi Processor, Windows Home Edition, RAM 1Gb, Hard Disk 160 GB, Memory : 1024 Mb, Monitor : Resolusi 1280 x 1024 dengan 256 warna dan VRAM 4 Mb, Geany sebagai editor program web, Mysql, Xampp, Modem / Wifi 3.2 Analisis dan Perancangan Sistem Langkah analisa masalah adalah untuk dapat memahami masalah yang telah ditentukan ruang lingkup atau batasannya. Masalah yang dianalisa dalam penelitian ini adalah mengetahui perbandingan mesin inferensi yang digunakan dengan metode Forward Chaning dan Backward Chaning dalam

98


ISBN : 978-602-60010-0-9

mengidentifikasi hama dan penyakit pada tanaman kelapa sawit. Dari analisis diatas maka perlu diuraikan berbagai masalah yang menjadi sumber untuk melakukan penelitian dan yang mendasari pengetahuan pakar untuk proses identifiksi identifikasi hama dan penyakit berdasarkan gejala-gejala yang ditimbulkan pada bagian tertentu akibat serangan hama dan penyakit menggunakan metode Forward Chaning dengan metode Backward Chaning, serta hal-hal apa saja yang diperlukan untuk membuat sistem pakar yang dapat digunakan. Perancangan sistem merupakan tahapan lanjut dari analisis sistem dimana pada perancangan sistem dapat digambarkan dan bagaimana suatu sistem dibangun dengan melakukan pengkodean kedalam bahasa pemograman, sehingga dapat menghasilkan sistem yang lebih baik. Rancangan proses sistem dapat digambarkan dalam flowchart. Adapun model flowchart proses mengidentifikasi hama dan penyakit pada tanaman kelapa sawit dengan expert system berbasis web yang dibangun menggunakan mesin inferensi forward chaining dan backward chaining.

4. Ketika user memilih mesin inferensi dengan forward chaining maka user akan masuk ke proses identifikasi hama dan penyakit dengan inferensi runut maju. 5. Aplikasi akan melakukan proses pencarian lokasi ruang/kelas melalui kata kunci yang di input oleh pengunjung. 6. Dan user memilih object pengamatan yang akan di identifkasi seperti pada batas, daun, akar, bunga, pelepah dan lainnya yang ada pada kelapa sawit. 7. Misal user memilih object pengamatan pada batang maka akan masuk ke proses object pengamatan dengan menjawab beberapa pertanyaan yang ada pada database sistem. 8. Setelah user/pengguna selesai menjawab beberapa pertanyaan dari proses object pengamatan maka sistem akan menampilkan hasil pengamatan berikut dengan cara pengendaliannya. 3.3 Analisa Kinerja Mesin Inferensi 3.3.1 Analisa Kinerja Metode Forward Chaining Dalam Rule Based Expert System Dalam Kasus 1. Untuk analisa kinerja Metode Forward Chaining digunakan graf dari kasus yang sama seperti terlihat pada gambar 3.3.

Start

Input user dan password

PT2

Menu Pencarian dengan Mesin Inferensi Backward chaining

Menu Pencarian dengan Mesin Inferensi Forward chaining

G46

Masukan Pilihan Jenis Hama dan Penyakit

Masukan Pilihan Object Pengamatan

Y HP14

Proses Observasi Pengamatan

Proses Observasi Pengamatan

Gambar 3.3 Graf Kasus 1 Hasil pengamatan dan Gejala dari hama dan penyakit

Hasil jenis penyakit yang muncul dan cara pengandalian

Langkah-langkah pembentukan dari Graf dapat dilihat pada Tabel 4.8.

kasus 1

Tabel 3.1 Penyelesaian Rule Based Expert System dengan Metode Forward Chaining Kasus 1 Selesai

Gambar 3.2 Flowchart Proses Sistem Penjelasan dari Gambar flowchart proses sistem di atas antara lain adalah : 1. User membuka tampilan awal aplikasi (interface). 2. Pengunjung/user melakukan proses login terlebih dahulu sebagai user. 3. User / pengguna masuk kehalaman home untuk memilih mesin inferensi yang akan digunakan.


No 1.

Aturan IF PT2 AND G46 THEN HP14

Pada kasus 1 Forward User menjawab Ya pada [“ pembusukan pada pangkal batang”] kemungkinan penyakit Rayap(CF=10) dilihat dari hasil observasi pengamatan pada batang yang ditentukan dari Rule46 (G46).

99


ISBN : 978-602-60010-0-9

Langkah-langkah kinerja metode forward chaining berdasarkan Tabel 3.1: 1. Pilih satu browser, ketiklah link pada address bar dengan nama localhsot/programaida 2. Isi textbox pada User Name dengan nama user dan Password dengan nama user 3. Setelah masuk ke home identifikasi hama dan penyakit pada tanaman kelapa sawit pilih salah satu menu identifikasi forward yang terdapat pada home kasus tersebut. 4. Pilih dan klik salah satu objek pengamatan yaitu pada batang (PT2) dan klik tombol OK 5. Masuk dan jawab beberapa pertanyaan yang mewakili observasi pengamatan. Seperti berikut: Pembusukan pada pangkal batang ; Pembusukan pada pangkal batang: Ya | Tidak. 6. Klik tombol Ya dan muncul hasil pengamatan dan pengendalian seperti berikut Penyakit Akar: 100% (HP14) serta Pengendalian: Mengasingkan bibit yang terserang dan Membakar bibit yang terserang.

R1 : IF akar membusuk pada akar 25% THEN kelapa sawit terkena penyakit rayap(CF =0,25) R2 : IF pembusukan pada pangkal batang 25% THEN kelapa sawit terkena penyakit rayap (CF =50) R3 : IF daun muda menguning and daun berwarna kusam pada daun 50% THEN kelapa sawit terkena penyakit rayap (CF = 0,25) CF(R1) = 0,25 CF(R2) = 0,25 CF (R3) = 0,5 maka perhitungan kombinasi ketiga rule tersebut adalah CF(R1,R2,R3,R4)= (0,25*0,25) + 0,5[1- (0,25 * 0,25)] = 0,063 + 0,5 ( 0,937) = 0,063 + 0,469 = 0,532 Dari perhitungan CF(Certainty Factor) ketiga rule diatas didapatkan hasil CF baru yaitu 0,532.

3.3.2 Analisa Kinerja Metode Backward Chaining Dalam Rule Based Expert System Dalam Kasus 1 Untuk analisa kinerja Metode Backward Chaining digunakan graf dari kasus yang sama seperti terlihat pada gambar 3.4. PT1

HP14

PT2

PT5

G50

G46

3.4 Perancangan Sistem Halaman ini menampilkan form untuk melakukan login dengan memasukkan username dan password.

Gambar 3.5 Halaman Login 1. Halaman Identifikasi Forward Halaman Utama ini berisi menu navigasi menuju halaman-halaman yang lain sesuai hak akses user.

G45

G44

Gambar 3.4. Graf Kasus 1 Dan tabel analisa penyelesaiannya dapat dilihat pada Tabel 3.2. Tabel 3.2 Penyelesaian Rule Based Expert System dengan Metode Backward Chaining Kasus 1 No 1.

Gambar 3.6. Halaman Utama Halaman ini berisi form untuk memilih objek pengamatan pada kasus diatas.

Aturan IF HP14 AND PT1 THEN G50 IF HP14 AND PT2 THEN G46 IF HP14 AND PT5 THEN G45 AND 44

Pada hasil pengamatan kasus 1 pada Backward jenis Penyakit Akar (CF10) kemungkinan jenis hama ini terletak pada akar dengan rule 50, batang dengan rule 46, Daun dengan rule 45 dan Rule 44, yang ditentukan dari masing-masing gejala/rule. Maka kombinasi dari 3 rule diatas adalah ( R1, R2, R3 )


Gambar 3.7. halaman objek pengamatan pada identifikasi hama/penyakit pada Forward

100


Halaman ini berisi form untuk melakukan identifikasi hama/penyakit secara metode forward.

Gambar 3.8. Halaman identifikasi hama/penyakit 2. Halaman Identifikasi Backward Halaman ini berisi form untuk Hama/Penyakit pada kasus penyakit akar.

memilih

ISBN : 978-602-60010-0-9 informasi-informasi yang dapat mengidentifikasi hama dan penyakit yang menyerang pada tanaman kelapa sawit berikut dengan cara pengendaliannya. Tentunya sistem yang dibangun ini sangat bermanfaat dan mempermudah user/pengguna dan khalayak umum dalam mengidentifikasi hama dan penyakit pada tanaman kelapa sawit yang dimilikinya. Dari analisis sistem yang dibangun dapat di simpulkan sementara bahwa sistem baru memiliki beberapa kelebihan yaitu : 1. Perancangan expert system untuk identifikasi hama dan penyakit pada tanaman kelapa sawit ini menggunakan dua mesin inferensi. 2. Sistem di Jalankan secara online yang dengan menggunakan komputer, yang terhubung dengan internet 3. Expert system yang dibangun mampu mengidentifikasi hama dan penyakit yang menyerang pada tanaman kelapa sawit serta mampu memberikan solusi terbaik dalam membasmi hama dan penyakit tersebut. 4. Daftar Pustaka Aribowo, A.S. dan Khomsah, S., 2011, Sistem Pakar Dengan Beberapa Knowledge Base Menggunakan Probabilitas Bayes Dan Mesin Inferensi Forward Chaining, Seminar Nasional Informatika, Yogyakarta.

Gambar 3.9. halaman objek pengamatan pada identifikasi hama/penyakit pada penyakit Akar Halaman ini berisi form untuk melakukan identifikasi gejala-gejala dari hama/penyakit secara backward. Caranya dengan mengklik menu identifikasi backward kemudian pilih salah satu option objek pengamatan pada akar karena yang akan dilihat adalah hasil pengamatan pada akar, batang, daun beserta gejala masing pada masing –masing pengamatan pada kasus 1 tersebut. Maka hasilnya seperti terlihat pada Gambar 3.9.

Kusrini., 2008, Aplikasi Sistem Pakar, Andi Offset, Yogyakarta. Kusumadewi, S., 2003, Artificial Intelligence (teknik dan aplikasi), Graha Ilmu, Yogyakarta. Mangoensoekarjo, S., Semangun, H., 2003, Manajemen Agrobisnis Kelapa Sawit, Gadjah Mada University Press. Nyoto. 2007, Cara Praktis Budidaya Kelapa Sawit, Unri Press, Pekanbaru. Siswanto. 2010, Kecerdasan Tiruan Edisi Yogyakarta : Graha Ilmu Komputer

2.

Sutojo, T, dkk., 2011, Kecerdasan Buatan, Yogyakarta : Andi Yogyakarta dan Unidus Semarang. Gambar 3.10 Halaman Identifikasi Penyakit Akar pada Backward 3.5 Kesimpulan Tahap ini akan menghasilkan suatu output berupa aplikasi berbasis web yang dapat memberikan


Yastita, S, dkk., 2012, Sistem Pakar Penyakit Kulit Pada Manusia Menggunakan Certainty Factor Berbasis Web.

101