ENGEMBANGAN SISTEM PAKAR IDENTIFIKASI AWAL PENYAKIT KEDELAI DENGAN PENDEKATAN NAÏVE BAYES BERBASIS ANDROID

Kedelai memiliki manfaat yang beragam diantaranya sebagai bahan olahan makanan seperti tahu, tempe, susu, tepung kedelai, minyak kedelai, pakan ternak, dan juga untuk bahan baku industri. Hal ini menyebabkan tingginya permintaan kedelai di dalam negeri. Konsumsi kedelai di Indonesia mencapai 2,2 juta ton per tahun, dari jumlah tersebut sekitar 1,6 juta ton (75%) masih diimpor, Pusat Data dan Informasi Pertanian (2013). Perdagangan komoditas tanaman pangan Indonesia berada dalam posisi defisit atau menjadi negara net importer, mendorong Kementerian Pertanian untuk mengupayakan swasem-bada padi, jagung dan kedelai serta peningkatan produksi daging dan gula, Kementrian Pertanian Republik Indonesia, (2015). Salah satu faktor yang mempengaruhi rendahnya angka produksi kedelai adalah penyakit kedelai, Fatmawati (2010). Kedelai diketahui memiliki banyak penyakit yang disebabkan oleh berbagai jenis patogen seperti cendawan, virus, bakteri dan nematoda. Pengendalian suatu penyakit tanaman akan efektif jika didasarkan atas diagnosis dan identifikasi patogen penyebabnya secara tepat. Gejala suatu penyakit dapat berbeda-beda dan cukup khas tergantung jenis patogennya, walaupun patogen yang sama dapat menghasilkan variasi gejala dan sebaliknya beberapa patogen berbeda dapat menghasilkan gejala yang mirip. Gejala dapat dijadikan dasar untuk diagnosis maupun identifikasi awal suatu penyakit, Agrios (2005). Pengetahuan tentang gejala maupun cara identifikasi diperlukan petani untuk mengetahui jenis penyakit dan dasar pengambilan keputusan pengendalianya, namun kemampuan tersebut harus diperoleh melalui pengalaman dan pelatihan yang panjang dan seringkali hanya dimiliki kalangan tertentu saja yaitu pakar. Keberadaan pakar dalam bidang identifikasi penyakit kedelai sangatlah dibutuhkan untuk permasalahan seperti ini, namun pakar tidak selalu ada di setiap saat atau seringkali sulit ditemui terutama di daerah pedesaan. Pakar yang berpengalaman adalah stakeholder yang dapat memberikan informasi untuk membuat keputusan yang memungkinkan dapat meningkatkan produksi pertanian (Tatte & Nichat, 2010). Suatu sistem dibutuhkan untuk memecahkan permasalahan pentingnya identifikasi penyakit tanaman tanpa harus bertemu langsung dengan pakar (Sharma et al., 2010). Sistem pakar berbasis Android diharapkan dapat mempermudah pengguna mengetahui jenis penyakit secara dini dan mandiri tanpa harus memiliki perangkat komputer atau selalu terkoneksi dengan jaringan Internet, Al Ihsan (2012). Penggunaan aplikasi akan lebih praktis dan efisien, selain perangkat mobile yang sudah banyak dimiliki oleh sebagian besar masyarakat, pengguna aplikasi dapat mengggunakan aplikasi tersebut dimana saja (Ardianto et al., 2012). Pengembangan sistem pakar pada penelitian ini menggunakan metode inferensi Naïve Bayes (Ambica et al., 2013) menerapan metode Naive Bayes Classifier untuk efisiensi pada sistem pakar identifikasi penyakit diabetes, hasilnya menjelaskan bahwa metode Naive Bayes mampu mengekstrak data set secara optimal. (Setiawan dan Ratnasari, 2014) mengembangkan sistem pakar dengan pendekatan Naive Bayes yang hasilnya memiliki nilai akurasi lebih dari 80%. Tahapan pengembangan sistem pakar penelitian ini mengadopsi metode pengembangan sistem pakar ESDLC (Expert System Development Life Cycle) yang terdiri dari tahapan inisialisasi proyek, analisis dan desain, serta implementasi (Turban et al., 2005).

Pengembangan sistem pakar menggunakan pendekatan model ESDLC (Turban & Aronson, 2005) dengan beberapa penyesuaian pada tahap analisis dan desain. Pada tahap analisis sistem pakar didasarkan pada tahapan pengembangan sistem pakar yaitu Engineering Process. Tahap penelitian ditunjukan pada Gambar 1. Gambar 1. Metode Penelitian Menggunakan Metode ESDLC Tahap Inisialisasi Proyek Tahap inisialisasi proyek pada penelitian ini terdiri dari 4 proses. Proses tersebut adalah mendefinisikan masalah, memberikan solusi alternatif, memverifikasi metode, dan menentukan pakar. Tahap Analisis dan Desain Tahap analisis terdiri dari tahapantahapan yang ada dalam Knowledge Engineering Process. Dimulai dari tahapan akuisisi atau mengumpulkan pengetahuan untuk membuat basis pengetahuan sampai tahapan penjelasan hasil inferensi. Tahap desain pada penelitian ini yaitu membuat dokumen perancangan. Implementasi Tahap ini adalah membangun sistem pakar secara keseluruhan (coding), yaitu mengintegrasikan knowledge based dengan sistem basis Android.

Inisialisasi Proyek Tahap inisialisasi dalam penelitian ini meliputi beberapa aspek seperti : 1) Mendefinisikan masalah a. Banyaknya jenis penyakit kedelai dengan gejala yang beraneka ragam yang cukup membingungkan dalam pengidentifikasian jenis penyakit-nya. b. Tidak semua orang yang ingin mengetahui jenis penyakit kedelai memiliki perangkat komputer dan terkoneksi dengan jaringan Internet. c. Keberadaan seorang pakar bidang penyakit kedelai yang susah untuk ditemui setiap saat. 2) Memberikan solusi alternatif Mengembangkan XSIDS (Expert System for Identification of Diseases in Soybean) yaitu sistem pakar identifikasi awal penyakit kedelai berbasis Android dengan harapan bisa membantu pengguna dalam mendapatkan informasi yang cepat dan akurat mengenai penyakit yang menyerang kedelai kapan saja dan dimana saja. 3) Memverifikasi metode yang digunakan dalam pembuatan sistem pakar Menggunakan pendekatan Naive Bayes untuk metode inferensi sistem pakar yaitu menghitung nilai kemungkinan hasil identifikasi penyakit kedelai. 4) Menentuan pakar Menentukan seorang pakar penyakit kedelai dari Departemen Proteksi Tanaman Institut Pertanian Bogor. Analisis dan Desain Dalam mengembangkan suatu sistem pakar diperlukan beberapa tahapan yang mana tahapan-tahapan tersebut berbeda dengan tahapan pengembangan sistem informasi. Tahapan-tahapan dalam pengembangan sistem pakar terdiri dari tahap akuisisi pengetahuan, tahap merepresentasikan pengetahuan, tahap membuat basis pengetahuan, tahap memvalidasi pengetahuan, tahap inferensi, dan tahap penjelasan hasil inferensi, (Turban dan Aronson, 2005). Desain pada penelitian ini diantaranya adalah menggambarkan sistem secara konseptual menggunakan Data Flow Diagram (DFD), yaitu menggunakan bentuk-bentuk simbol untuk menggambarkan bagaimana data mengalir melalui proses satu ke proses lain, menggunakan ERD untuk mengetahui hubungan antar tabel, membuat arsitektur sistem dan membuat perancangan antarmuka (Interface). A. Tahap Akuisisi Pengetahuan Dalam penelitian ini tahap akuisisi pengetahuan yaitu dengan mengumpulkan pengetahuan tentang penyakit, prior penyakit, gejala dan cara penanggulangan kedelai dari wawancara dengan pakar penyakit kedelai dari Departemen Proteksi Tanaman Institut Pertanian Bogor. Selain itu, pengetahuan juga diperoleh dari buku referensi dan jurnal penelitian-penelitian sebelumnya. B. Tahap Merepresentasikan Pengetahuan Tujuan dari tahap ini adalah merepresentasikan pengetahuan yang telah dikumpulkan untuk membangun sebuah knowledge based. Contoh pengetahuan yang digunakan dalam penelitian ini adalah penentuan peluang prior penyakit kedelai (berdasarkan hasil pemberian scoring oleh pakar). Angka 5 memiliki arti Sangat Sering, 4 adalah Sering, 3 adalah Biasa, 2 adalah Tidak Sering (jarang), dan 1 adalah Sangat Tidak Sering (tidak pernah). Tabel 1. Peluang Prior Penyakit Kedelai C. Tahap Membuat Basis Pengetahuan Pengetahuan yang sudah dikumpul-kan dibuat rule. Rule pada penelitian ini terdiri dari nama penyakit dan gejala-gejala pada tiap penyakit yang dikelompokkan berdasarkan fase pertumbuhan (kecambah, biji/benih, tanaman muda dan tanaman dewasa). Penyakit hawar bakteri yang terjadi pada fase biji memiliki gejala BJ001 dan BJ002. Contoh rule dapat dilihat pada Tabel 2. Tabel 2. Penyakit Kedelai dan Gejalanya Sesuai Fase Pertumbuhan Fase Nama Penyakit Gejala Biji /Benih 1. Hawar bakteri BJ001 = Biji polong keriput BJ002 = Biji polong berubah warna 2. Antraknose BJ003 = polong berbercak bulat/tidak teratur berwarna coklat atau kehitaman 3. Bercak biji ungu BJ004 = Biji berbercak ungu BJ005 = kulit biji berbercak retak dan kasar 4. Rebah kecambah BJ006 = biji membusuk 5. Kerdil kedelai BJ007 = Biji lebih kecil dari biasanya 6. Virus mosaik BJ007 = Biji lebih kecil dari biasanya BJ008 = Biji dari tanaman yang sakit berbercak coklat D.Tahap Memvalidasi Pengetahuan Pada tahapan ini, pengetahuan dan rule yang sudah dibuat divalidasi oleh seorang pakar yang telah ditentukan sebelumnya. E. Tahap Inferensi Pada tahap inferensi digunakan pendekatan Naïve Bayes untuk menentukan jenis penyakit kedelai. Pendekatan Naive Bayes merupakan sebuah metode klasifikasi yang mengacu pada teorema Bayes. Teorema Bayes digunakan untuk menghitung probabilitas ketidakpastian data (Russel & Norvig, 2010). Formula bayes menurut (Duda et al., 2001) dapat dinyatakan sebagai berikut: P( = ( ( ( (1) Formula Bayes tersebut secara umum dapat ditulis sebagai berikut: Posterior = (2) Dimana : Posterior ( : Formula bayes memperlihatkan bahwa dengan mengamati nilai x, kita dapat mengkonfersi peluang prior P(ω), menjadi peluang posterior P( , yaitu peluang bahwa state berada pada dengan syarat nilai fitur x telah diamati. Prior (ω): Peluang prior P(ω) merefleksikan pengetahuan sebelumnya mengenai kemunculan jenis kelas, dan ini tergantung pada pengalaman sebelumnya. Likeliho od ( : P( , sebagai kemungkinan likelihood dari (prior) yang bersesuaian dengan x (evidence). Evidence (x): P(x) sebagai faktor skala Teorema Bayes pada persamaan (1) dapat ditulis sebagai berikut : VMAP = argmaxvjϵv ( ( ( (3) Dimana : VMAP = Probabilitas tertinggi P(Vj) = Peluang jenis penyakit kedelai kej (prior) P(G1,G2,…Gn|Vj) = Peluang atribut-atribut inputan jika diketahui keadaan Vj P(G1,G2,…Gn) = Peluang atribut-atribut inputan Karena nilai P(G1,G2,…Gn) nilainya konstan untuk semua Vj maka persamaan tersebut dapat ditulis : VMAP = argmaxvjϵv P(Vj) x P(G1, G2,…Gn|Vj) (4) Untuk perhitungan P(Vj) x P(G1, G2,…Gn|Vj) akan semakin sulit karena jumlah gejala P(Vj) x P(G1, G2,… Gn|Vj) dapat semakin besar. Hal ini karena jumlah gejala tersebut sama dengan jumlah kombinasi gejala dikalikan dengan jumlah kelas yang ada (Aribowo 2010). Perhitungan Naïve Bayes adalah sebagai berikut (Setiawan dan Ratnasari, 2015): Menghitung P(Gi|Vj) = (5) Dimana : nc = jumlah record pada data learning yang V = Vj dan G = Gi p = peluang prior penyakit m = jumlah gejala n = jumlah record pada data learning yang V = Vj / tiap class (penyakit) Persamaan (4) dapat diselesaikan melalui perhitungan sebagai berikut : 1. Menentukan nilai nc untuk setiap class 2. Menghitung nilai P(Vj) dan Menghitung nilai P(Gi|Vj) VMAP = argmaxvjϵv P(Vj) ∏ ( (6) Dimana : P(Vj) = Peluang jenis penyakit kedelai kej dan P(Gi|Vj) = 3. Menghitung P(Vj) x P(Gi|Vj) untuk tiap V 4. Menentukan hasil klasifikasi yaitu V yang memiliki hasil perkalian yang terbesar Perhitungan deteksi penyakit kedelai dengan gejala sesuai rule yang sudah dibuat. Jika diketahui kedelai pada fase biji / benih, ditanamn pada dataran tinggi dengan klasifikasi Naïve Bayes apabila diketahui gejala yang menyerang adalah BJ001 (Biji polong keriput) dan BJ002 (Biji polong berubah warna). Langkah-langkah perhitungan Naïve Bayes adalah sebagai berikut : 1. Menentukan nilai nc untuk setiap class Penyakit Kedelai ke1 : Hawar Bakteri n = 1 p = 4/47 = 0.08511 (Prior Penyakit Hawar Bakteri pada dataran tinggi) m = 8 BJ001  nc = 1 BJ002  nc = 1 Penyakit Kedelai ke 2 : Antraknosa n = 1 p = 4/47 = 0.08511 (Prior Penyakit Antraknosa pada dataran tinggi) m = 8 BJ001  nc = 0 BJ002  nc = 0 Dan seterusnya hingga penyakit ke 6 yang menyerang biji/benih. 2. Menghitung nilai P (Vj) dan menghitung nilai P (Gi|Vj) Penyakit kedelai ke 1, Hawar Bakteri P(Hawar Bakteri) = 4/47 = 0.08511 P(BJ001|Hawar Bakteri) = = 0,18676 P(BJ002|Hawar Bakteri) = = 0,18676 Penyakit Kedelai ke 2 : Antraknosa P(Antraknosa) = 4/47 = 0.08511 P(BJ001|Antraknosa) = = 0,07565 P(BJ002|Antraknosa) = = 0,07565 Dan seterusnya hingga penyakit ke 6 yang menyerang biji/benih. 3. Menghitung P(Vj) x P (Gi|Vj) untuk tiap V Penyakit kedelai ke-1, Hawar Bakteri P(Hawar Bakteri) x P(BJ001|Hawar Bakteri) x P(BJ002|Hawar Bakteri) = 0.08511 x 0,18676 x 0,18676 = 0.00297 Penyakit Kedelai ke 2 : Antraknosa P(Antraknosa) x P(BJ001|Antraknosa) x P(BJ002|Antraknosa) = 0.08511 x 0,07565 x 0,07565 = 0.00049 Dan seterusnya hingga penyakit ke 6 yang menyerang biji/benih. 4. Menentukan hasil klasifikasi yaitu V yang memiliki hasil perkalian yang terbesar. Hasil V yang memiliki perkalian terbesar dapat dilihat pada Tabel 3. Tabel 3. Perbandingan nilai V hasil klasifikasi No Penyakit Nilai 1. Hawar Bakteri 0.00297 2. Antraknose 0.00049 3. Bercak Biji Ungu 6.1e-05 No Penyakit Nilai 4. Rebah Kecambah 0.00049 5. Kerdil Kedelai 0.00021 6. Virus Mosaik 0.00021 Karena nilai 0.00297 paling besar, maka contoh di atas diklasifikasikan sebagai penyakit Hawar Bakteri. F. Tahap Penjelasan Hasil Inferensi Pada tahapan ini sistem akan memberikan saran penanggulangan dan informasi sesuai penyakit yang berhasil diidentifikasi. Implementasi Hasil dari implementasi sistem pakar berupa aplikasi Android. Halaman menu utama pada aplikasi ini diletakkan enam icon yaitu pengetahuan tentang kedelai, kebijakan pemerintah, konsultasi, tentang kami, tentang XSIDS, dan note seperti terlihat pada Gambar 3. Gambar 2. Halaman Loading XSIDS Gambar 3. Halaman utama XSIDS Modul utama dalam sistem pakar ini adalah modul konsultasi. Dengan modul ini pengguna dapat mengidentifikasi jenis penyakit kedelai dengan memasukkan variabel dataran (dataran tinggi atau dataran rendah), variabel fase (kecambah, tanaman muda, tanaman dewasa atau biji / benih), dan variabel gejala yang ada pada tanaman kedelai. Jika tanaman berhasil diidentifikasi jenis penyakitnya, maka pengguna dapat mendapatkan informasi tentang penyakit dan cara penanggulangannya Gambar 4. Modul Konsultasi XSIDS

Simpulan Berdasarkan analisis pada penelitin ini, pendekatan Naïve Bayes mampu mengidentifikasi dengan tepat masukkan berdasarkan rule (berjumlah 64, yang terdiri dari 32 rule untuk dataran tinggi dan 32 rule untuk dataran rendah) penyakit kedelai sebesar 49% untuk jenis penyakit di dataran tingggi dan 75% untuk jenis penyakit di dataran rendah. Dalam kasus ini hasil pengidentifikasian dengan pendekatan Naïve Bayes tidak selalu dapat menemukan jenis penyakit yang tepat. Hal ini dikarenakan besarnya nilai peluang prior suatu penyakit sangat mempengaruhi keputusan hasil identifikasi penentuan jenis penyakit. Sistem pakar berbasis Android lebih efisien untuk dijadikan sarana berkonsultasi. Dapat digunakan dimana dan kapan saja tanpa harus terkoneksi ke jaringan Internet. Berdasarkan proses pendeteksian penyakitnya, sistem ini digunakan hanya untuk mendeteksi jenis penyakit per tanaman kedelai bukan untuk penyakit secara global di suatu lahan, karena kemungkinan dalam satu lahan terdapat lebih dari satu penyakit yang menyerang dan ada juga kemungkinan di satu tanaman mengalami lebih dari satu penyakit. Saran Dibutuhkan data pencatatan atau rekap jenis penyakit yang menyerang tanaman kedelai di suatu wilayah untuk penentuan peluang prior sehingga lebih terstruktur dan konsisten yang nantinya data tersebut dapat digunakan untuk memprediksi penyakit kedelai di wilayah tersebut. Perlu dikembangkan sistem pakar tidak hanya untuk identifikasi penyakit kedelai tetapi juga untuk mengidentifikasi hama kedelai dimana hama dan penyakit adalah dua hal yang berbeda baik gejala, tanda maupun cara penanggulangannya.