2 1. Pendahuluan PTPN IX kebun Ngobo, Ungaran adalah salah satu perusahaan yang bergerak dalam bidang pertanian tanaman semusim dan tahunan. Karet termasuk dalam hasil pertanian tanaman tahunan. Menurut kepala bagian wilayah setro yaitu bapak Sukisno karet merupakan salah satu hasil tanaman tahunan yang memiliki nilai eksport yang sangat tinggi dan sangat menguntungkan bagi perusahaan. Setiap perusahaan karet selalu mengoptimalkan hasil dari tanaman karet agar dapat terus menghasilkan keuntungan bagi perusahaan. Kebutuhan akan karet yang sangat pesat ini akan terus bergantung pada setiap produsen karet. Setiap produsen karet harus terus meningkatkan produksi karet untuk memenuhi kebutuhan pasar. Namun dalam pelaksanaannya terdapat berbagai kendala bagi perusahaan, salah satunya adalah keterbatasan ilmu yang dimiliki oleh karyawan untuk menangani penyakit pada tanaman karet, dimana hal ini sangat berpengaruh pada hasil produksi perusahaan. Karena itulah diperlukan suatu produk yang mampu mengatasi permasalahan penyakit tanaman karet beserta penanganannya. Salah satunya adalah sistem pendeteksi penyakit tanaman karet menggunakan algoritma ID3 (Iterative Dichotomiser Tree). Sistem deteksi pada kasus ini dapat diartikan dengan sistem yang mampu mengetahui jenis penyakit pada tanaman karet dengan memilih gejala – gejala penyakit tanaman karet. Algoritma ID3 (Iterative Dichotomiser Tree) dipilih karena metode ini menentukan nilai bobot dari setiap atribut, yang dilanjutkan dengan seleksi alternatif terbaik dari sejumlah alternatif. Alternatif yang dimaksud yaitu jenis penyakit tanaman karet berdasarkan gejala – gejala yang ada. Hal yang menjadi permasalahan dalam mengimplementasikan sistem pendeteksi penyakit pada tanaman karet adalah Bagaimana merancang dan mengimplementasikan Algoritma ID3 (Iterative Dichotomiser Tree) pada sistem pendeteksi penyakit tanaman karet (studi kasus: PTPN IX kebun Ngobo, Ungaran). Tujuan dari penelitian ini adalah merancang Algoritma ID3 (Iterative Dichotomiser Tree) dalam membangun sistem pendeteksi penyakit pada tanaman karet dan mengimplementasikan Algoritma ID3 (Iterative Dichotomiser Tree) dalam membangun sistem pendeteksi penyakit tanaman karet. Manfaat dari penelitian ini adalah Algoritma ID3 (Iterative Dichotomiser Tree) diharapkan mampu mendiagnosa penyakit pada tanaman karet beserta penanganannya, sistem pendeteksi penyakit pada tanaman karet ini diharapkan dapat meningkatkan hasil produksi pada perusahaan, meningkatnya hasil produksi karet maka akan menghasilkan keuntungan yang lebih untuk perusahaan. 2. Kajian Pustaka Pada penelitian sebelumnya dengan judul “Metode Iterative Dichotomizer 3 (ID3) Untuk Penyeleksian Penerimaan Mahasiswa Baru” [1]. Penelitian tersebut menggunakan sebelas sampel data, dan tiga atribute yaitu nilai SPMB, UAN dan psikotest yang memiliki value tinggi, sedang dan rendah. Penggunaan algoritma ID3 dalam penelitian tersebut digunakan untuk memperoleh pengetahuan pada bidang pendidikan khususnya dalam seleksi penerimaan mahasiswa baru, dan diterima atau tidaknya mahasiswa baru tersebut sesuai dengan pertimbangan yang sudah ditetapkan oleh pihak universitas. Penelitian lainya dengan judul “Diagnosa Keterlambatan Perkembangan Pada Anak Balita Dengan Acuan Denver II Dan Pengambil Keputusan Dengan Metode Decision Tree Berbasis Jsp” [2] . Penggunaan metode Decision Tree kurang optimal
19
Embed
Merancang dan Mengimplementasikan Algoritma ID3 (Iterative ...
This document is posted to help you gain knowledge. Please leave a comment to let me know what you think about it! Share it to your friends and learn new things together.
Transcript
2
1. Pendahuluan
PTPN IX kebun Ngobo, Ungaran adalah salah satu perusahaan yang bergerak
dalam bidang pertanian tanaman semusim dan tahunan. Karet termasuk dalam hasil
pertanian tanaman tahunan. Menurut kepala bagian wilayah setro yaitu bapak
Sukisno karet merupakan salah satu hasil tanaman tahunan yang memiliki nilai
eksport yang sangat tinggi dan sangat menguntungkan bagi perusahaan. Setiap
perusahaan karet selalu mengoptimalkan hasil dari tanaman karet agar dapat terus
menghasilkan keuntungan bagi perusahaan. Kebutuhan akan karet yang sangat pesat
ini akan terus bergantung pada setiap produsen karet. Setiap produsen karet harus
terus meningkatkan produksi karet untuk memenuhi kebutuhan pasar. Namun dalam
pelaksanaannya terdapat berbagai kendala bagi perusahaan, salah satunya adalah
keterbatasan ilmu yang dimiliki oleh karyawan untuk menangani penyakit pada
tanaman karet, dimana hal ini sangat berpengaruh pada hasil produksi perusahaan.
Karena itulah diperlukan suatu produk yang mampu mengatasi permasalahan
penyakit tanaman karet beserta penanganannya. Salah satunya adalah sistem
pendeteksi penyakit tanaman karet menggunakan algoritma ID3 (Iterative
Dichotomiser Tree). Sistem deteksi pada kasus ini dapat diartikan dengan sistem
yang mampu mengetahui jenis penyakit pada tanaman karet dengan memilih gejala –
gejala penyakit tanaman karet.
Algoritma ID3 (Iterative Dichotomiser Tree) dipilih karena metode ini
menentukan nilai bobot dari setiap atribut, yang dilanjutkan dengan seleksi alternatif
terbaik dari sejumlah alternatif. Alternatif yang dimaksud yaitu jenis penyakit
tanaman karet berdasarkan gejala – gejala yang ada.
Hal yang menjadi permasalahan dalam mengimplementasikan sistem pendeteksi
penyakit pada tanaman karet adalah Bagaimana merancang dan
mengimplementasikan Algoritma ID3 (Iterative Dichotomiser Tree) pada sistem
pendeteksi penyakit tanaman karet (studi kasus: PTPN IX kebun Ngobo, Ungaran).
Tujuan dari penelitian ini adalah merancang Algoritma ID3 (Iterative Dichotomiser
Tree) dalam membangun sistem pendeteksi penyakit pada tanaman karet dan
mengimplementasikan Algoritma ID3 (Iterative Dichotomiser Tree) dalam
membangun sistem pendeteksi penyakit tanaman karet. Manfaat dari penelitian ini
adalah Algoritma ID3 (Iterative Dichotomiser Tree) diharapkan mampu
mendiagnosa penyakit pada tanaman karet beserta penanganannya, sistem pendeteksi
penyakit pada tanaman karet ini diharapkan dapat meningkatkan hasil produksi pada
perusahaan, meningkatnya hasil produksi karet maka akan menghasilkan keuntungan
yang lebih untuk perusahaan.
2. Kajian Pustaka
Pada penelitian sebelumnya dengan judul “Metode Iterative Dichotomizer 3 (ID3)
Untuk Penyeleksian Penerimaan Mahasiswa Baru” [1]. Penelitian tersebut
menggunakan sebelas sampel data, dan tiga atribute yaitu nilai SPMB, UAN dan
psikotest yang memiliki value tinggi, sedang dan rendah. Penggunaan algoritma ID3
dalam penelitian tersebut digunakan untuk memperoleh pengetahuan pada bidang
pendidikan khususnya dalam seleksi penerimaan mahasiswa baru, dan diterima atau
tidaknya mahasiswa baru tersebut sesuai dengan pertimbangan yang sudah
ditetapkan oleh pihak universitas.
Penelitian lainya dengan judul “Diagnosa Keterlambatan Perkembangan Pada
Anak Balita Dengan Acuan Denver II Dan Pengambil Keputusan Dengan Metode
Decision Tree Berbasis Jsp” [2] . Penggunaan metode Decision Tree kurang optimal
3
dalam menentukan proses akhir permasalahan perkembangan anak dan
membutuhkan lebih banyak data sampel untuk proses pengujian. Penggunaan metode
decision tree atau ID3 dalam kasus diagnosa perkembangan pada anak balita ini
terdapat beberapa permasalahan yang memang hanya para pakar yang mampu
mendiagnosa suatu penyakit.
Pada penelitian ini algoritma ID3 akan digunakan sebagai perhitungan yang
nantinya akan menghasilkan pohon keputusan. Penelitian ini menggunakan seratus
sampel data untuk setiap permasalahan dan memiliki dua value untuk setiap nilai
atribute yaitu ya dan tidak.
Iterative Dichotomizer Tree (ID3)
ID3 adalah suatu metode induksi aturan yang digunakan untuk menghasilkan
konsep atau model dari suatu kumpulan data. ID3 diperkenalkan pertama kali oleh
Quinlan (1979). ID3 dikembangkan atas dasar sistem pembelajaran konsep (Concept
Learning System) dari Hunt etal, tujuan dari sistem pembelajaran konsep adalah
untuk menghasilkan suatu pohon aturan yang mampu mengklasifikasi suatu obyek
[3].
Secara ringkas, cara kerja Algoritma ID3 dapat digambarkan sebagai berikut:
1) Ambil semua atribut yang tidak terpakai dan hitung entropinya yang berhubungan
dengan test sample. 2) Pilih atribut dimana nilai entropinya minimum. 3) Buat
simpul yang berisi atribut tersebut.
Adapun sample data yang digunakan oleh ID3 memiliki beberapa syarat, yaitu:
(1) Deskripsi atribut nilai. Atribut yang sama harus mendeskripsikan tiap contoh dan
memiliki jumlah nilai yang sudah ditentukan, (2) Kelas yang sudah didefinisikan
sebelumnya. Suatu atribut contoh harus sudah didefinisikan, karena mereka tidak
dipelajari oleh ID3, (3) Kelas-kelas yang diskrit. Kelas harus digambarkan dengan
jelas. Kelas yang kontinu dipecah-pecah menjadi kategori yang relatif, misalnya saja
metal dikategorikan menjadi “hard, quite hard, flexible, soft, quite soft”, (4) Jumlah
contoh (example) yang cukup. Karena pembangkitan induktif digunakan, maka
dibutuhkan test case yang cukup untuk membedakan pola yang valid dari peluang
suatu kejadian. Untuk menghitung ID3 maka harus mencari nilai dari entropy dan
information gain-nya dapat dilihat pada Rumus 1 dan Rumus 2. [4]
Rumus 1 Rumus Perhitungan Entropy
Keterangan :
S = ruang (data) sampel yang digunakan untuk training.
pa = jumlah yang bersolusi positif (mendukung) pada data sampel untuk kriteria
tertentu.
pb = jumlah yang bersolusi negatif (tidak mendukung) pada data sampel untuk
kriteria tertentu.
Rumus 2 Rumus Perhitungan Information Gain
Keterangan :
A = Atribut
v = Menyatakan suatu nilai yang mungkin untuk atribut
|Sv| = Jumlah sampel untuk nilai v
Entropy(S) = – pa log2 pa – pb log2 pb
Gain(S,A)= Entropy(S) – Σ Entropy(Sv)
4
|S| = Jumlah seluruh sampel data
Entropy (Sv) = Entropy untuk sampel-sampel yang memiliki nilai v
Catatan :
Entropy(S) = 0, jika semua sampel pada S berada dalam kelas yang sama.
Entropy(S) = 1, jika jumlah sampel positif dan jumlah sampel negatif dalam S
adalah sama.
0 < Entropy(S) < 1, jika jumlah sampel positif dan jumlah sampel negatif dalam S
tidak sama.
Kecerdasan Buatan
Kecerdasan buatan berasal dari bahasa inggris “Artificial Intelligence” atau
disingkat AI. Kecerdasan buatan merujuk pada mesin yang mampu berpikir,
menimbang tindakan yang akan diambil, dan mampu mengambil keputusan seperti
yang dilakukan oleh manusia [5].
Terdapat komponen penting dalam tahap pembelajaran kecerdasan buatan, yaitu:
Knowledge base (Basis pengetahuan)
Basis pengetahuan yang berisi data, fakta-fakta, teori atau aturan-aturan yang
diberikan dalam bentuk data (perangkat lunak) knowledge ini yang akan tersimpan
terus, semakin banyak knowledge yang dimiliki semakin pintar komputer berpikir.
Mesin Inferensi
Mesin inferensi berperan sebagai otak dari kecerdasan buatan. Mesin inferensi
berfungsi untuk memandu proses penalaran terhadap suatu kondisi, berdasarkan
pada basis pengetahuan yang tersedia. Mesin inferensi melakukan proses untuk
memanipulasi dan mengarahkan kaidah, model, dan fakta yang disimpan dalam
basis pengetahuan dalam rangka mencapai solusi atau kesimpulan. Proses mesin
inferensi menggunakan strategi penalaran dan strategi pengendalian. Strategi
penalaran terdiri dari strategi penalaran pasti (Exact Reasoning) dan strategi
penalaran tak pasti (Inexact Reasoning). Exact reasoning akan dilakukan jika
semua data yang dibutuhkan untuk menarik suatu kesimpulan tersedia, sedangkan
inexact reasoning dilakukan pada keadaan sebaliknya. Strategi pengendalian
berfungsi sebagai panduan arah dalam melakukan prose penalaran.
Jenis – Jenis Penyakit Pada Tanaman Karet
Penyakit tanaman karet dapat dibedakan menjadi empat bagian. Yaitu penyakit
yang menyerang pada bagian daun, batang, bidang sadap dan akar. Penyakit yang
menyerang bagian daun diantaranya adalah gugur daun oidium, gugur daun
colletotrichum, dan gugur daun corynespora. Penyakit yang menyerang bagian
batang diantaranya adalah jamur upas. Penyakit yang menyerang bagian akar
diantaranya adalah jamur akar putih dan penyakit yang menyerang bagian bidang
sadap diantaranya adalah mouldyrot, stripe cancer dan kering alur sadap.
Ciri –ciri tanaman karet yang tidak sehat adalah daun yang tidak berwarna hijau,
segar, dan mengalami gugur daun, batang tidak berwarna coklat cerah, akar
berjamur, dan bidang sadap tidak mengeluarkan lateks. [6]
3. Metode Perancangan Sistem
Metode pengembangan web yang dipakai dalam menerapkan sistem pendeteksi
penyakit pada tanaman karet menggunakan algoritma ID3 adalah waterfall model.
Tahapan waterfall model dapat dilihat pada Gambar 1.
5
Gambar 1 Bagan Waterfall Model [4]
Tahap-tahap yang dilakukan dalam waterfall model untuk menerapkan
algoritma ID3 dalam mendeteksi penyakit pada tanaman karet adalah:
Analisis kebutuhan dan pendefinisiannya
Analisis kebutuhan dilakukan dengan melakukan penelitian di PTPN IX Kebun
Ngobo, Ungaran wilayah Setro, dengan menemui bapak Sukisno selaku kepala
bagian wilayah Setro. Berdasarkan wawancara yang dilakukan diperoleh bahwa
terdapat delapan jenis penyakit tanaman karet yang dialami pada kebun ngobo
diantaranya adalah penyakit daun, batang, akar dan bidang sadap.
Perancangan sistem dan perangkat lunak
Setelah proses penelitian selesai dan sudah didapatkan informasi yang lengkap
tentang data penyakit pada tanaman karet, maka tahap selanjutnya adalah
melakukan perancangan sistem yang akan dibuat sesuai dengan hasil penelitian
dan sesuai dengan aturan-aturan di PTPN IX Kebun Ngobo, Ungaran.
Perancangan program dibuat dengan menggunakan Netbeans 6.8, perancangan
UML (Unified Modelling Language) dibuat dengan menggunakan Rational Rose
Versi 2002 dan perancangan database dilakukan dengan menggunakan SQLyog
Enterprise Edition 7.12
Implementasi dan unit testing
Tahap selanjutnya adalah melakukan implementasi dari rancangan sistem.
Implementasi dibuat dengan menggunakan algoritma ID3.. Hasil perancangan
langsung diuji untuk mengetahui kekurangan atau kesalahan pada sistem yang
dibangun.
Integrasi dan pengujian sistem
Integrasi sistem diperlukan supaya sistem dapat berjalan seutuhnya dan dapat
segera diuji secara menyeluruh.
Pengoperasian dan perawatan
Tahap terakhir adalah pengoperasian dan perawatan terhadap aplikasi sistem
yang telah dibangun di lingkungannya
Desain Sistem
Perancangan aplikasi algoritma ID3 (iterative dichotomiser Tree) pada sistem
pendeteksi penyakit tanaman karet ini dirancang menggunakan UML sebagai
pemodelan sistem. UML yang digunakan adalah use case diagram. Sebuah use case
merepresentasikan keseluruhan kerja sistem secara garis besar dan juga
merepresentasikan interaksi antara aktor-aktor dengan sistem yang dibangun serta
menggambarkan fungsionalitas yang dapat diberikan sistem kepada user. Seorang
aktor adalah sebuah entitas manusia atau mesin yang berinteraksi dengan sistem
untuk melakukan pekerjaan-pekerjaan tertentu. . Use case diagram sistem dapat
6
dilihat pada Gambar 2. Gambar 2 menjelaskan bahwa dalam sistem yang dibuat
terdapat 2 hak akses yaitu sebagai admin dan user. User dapat mengakses sistem
tanpa melalui login terlebih dahulu. User dapat mengakses menu home, menu
konsultasi, menu data dan menu help. User dapat melihat berita, dapat menggunakan
menu konsultasi dengan memilih gejala – gejala yang terjadi pada tanaman karet
untuk dapat mengetahui hasil diagnosa penyakit, serta dapat melihat artikel atau
pengetahuan tentang perkembangan yang berkaitan dengan tanaman karet pada menu
data. Admin harus login terlebih dahulu untuk dapat mengakses sistem. Admin dapat
melakukan perintah insert, update dan delete untuk mengelola berita perusahaan,
mengelola artikel, mengelola jenis penyakit, mengelola kriteria penyakit daun,
mengelola penyakit batang, mengelola penyakit akar dan mengelola penyakit bidang
sadap.
Gambar 2 Use Case Diagram Admin Dan User
Penerapan Perhitungan Algoritma ID3
Pada sistem yang menjadi tujuan adalah pohon keputusan yang berisi aturan
untuk menentukan jenis penyakit tanaman karet, berikut kriteria dari atribute dan
nilainya.
Kriteria penyakit gugur daun adalah:
Daun mengalami bercak putih, suram, lemas dan keriting (meliputi ya dan
tidak).
Daun kuning, menggulung dan layu (meliputi ya dan tidak)
Daun berwarna coklat, keriput, busuk dan berlubang (meliputi ya dan tidak).
Mengalami gugur daun (meliputi ya dan tidak).
Ranting gugur (meliputi ya dan tidak).
Daun berwarna hijau segar, mulus dan mengkilat (meliputi ya dan tidak).
Kriteria penyakit batang adalah;
Berbenang halus (meliputi ya dan tidak)
Berkerak merah jambu (meliputi ya dan tidak)
Mengeluarkan lateks (meliputi ya dan tidak)
Hijau, segar dan tidak mengeluarkan lateks (meliputi ya dan tidak).
Kriteria penyakit akar adalah
Daun layu, kusam & keriting (meliputi ya dan tidak).
Ranting mati (meliputi ya dan tidak).
Akar berjamur (meliputi ya dan tidak).
7
Sehat tidak berjamur (meliputi ya dan tidak).
Kriteria penyakit bidang sadap adalah:
Beludru abu-abu (meliputi ya dan tidak)
Bercak hitam meluas, sejajar bidang sadap & luka besar (meliputi ya dan tidak)
Garis vertikal hitam (meliputi ya dan tidak)
Lateks tidak mengalir (meliputi ya dan tidak)
Kulit mengering pecah dan mengelupas (meliputi ya dan tidak).
Tidak luka kayu, lateks mengalir, bidang sadap berwarna coklat(meliputi ya dan
tidak).
4. Hasil Dan Pembahasan
Perhitungan Algoritma ID3
Tabel 1 merupakan 100 data sampel yang nantinya akan menjadi patokan dalam
menentukan aturan dalam menentukan jenis penyakit jamur upas. Tabel 1 Tabel Sampel Data Jamur Upas