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 2
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] Entropy(S) = – pa log2 pa – pb log2 pb 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. Gain(S,A)= Entropy(S) – Σ
Entropy(Sv)
Rumus 2 Rumus Perhitungan Information Gain
Keterangan : A = Atribut v = Menyatakan suatu nilai yang mungkin untuk atribut |Sv| = Jumlah sampel untuk nilai v 3
|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.
4
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 5
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). 6
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. Data
Berebenang halus
JU1 JU 2 JU 3 JU 4 JU 5 JU 6 JU 7 JU 8 JU 9 JU 10 JU 11 JU 12 JU 13 JU 14 JU 15 JU 16 JU 17 JU 18 JU 19 JU 20 JU 21 JU 22 JU 23 JU 24 JU 25 JU 26 JU 27 JU 28 JU 29 JU 30 JU 31 JU 32 JU 33 JU 34 JU 35 JU 36 JU 37 JU 38
Yes No No No No Yes Yes Yes No No No No Yes No Yes No No No Yes No No Yes No Yes No No No No No No No Yes No Yes Yes No No Yes
Tabel 1 Tabel Sampel Data Jamur Upas Hijau, segar dan Berkerak merah Mengeluarkan tidak mengeluarkan jambu lateks lateks No No No Yes No No No Yes No Yes Yes No Yes No Yes No Yes No No No Yes No No No Yes No No No No Yes No Yes No Yes Yes No No Yes No Yes No Yes No No No No No Yes No Yes Yes Yes No Yes Yes No No Yes No Yes No No Yes No No Yes No Yes No Yes Yes No No No Yes Yes No Yes No Yes No Yes No No Yes Yes No No Yes Yes Yes No Yes Yes No No Yes Yes No No No Yes Yes No No Yes Yes No Yes No Yes No Yes No
7
hasil Yes Yes Yes Yes No Yes No Yes Yes No Yes Yes Yes No Yes No No No Yes No No No Yes Yes No No Yes Yes Yes No No Yes Yes No Yes Yes No Yes
JU 39 JU 40 JU 41 JU 42 JU 43 JU 44 JU 45 JU 46 JU 47 JU 48 JU 49 JU 50 JU 51 JU 52 JU 53 JU 54 JU 55 JU 56 JU 57 JU 58 JU 59 JU 60 JU 61 JU 62 JU 63 JU 64 JU 65 JU 66 JU 67 JU 68 JU 69 JU 70 JU 71 JU 72 JU 73 JU 74 JU 75 JU 76 JU 77 JU 78 JU 79 JU 80 JU 81 JU 82 JU 83 JU 84 JU 85 JU 86 JU 87 JU 88 JU 89 JU 90 JU 91 JU 92 JU 93 JU 94 JU 95 JU 96 JU 97
Yes No Yes No Yes No Yes Yes No Yes No Yes No No No Yes No No No Yes Yes No Yes Yes No No No No No Yes No No Yes No Yes Yes No No Yes No Yes No Yes Yes No Yes No Yes No Yes Yes No Yes Yes Yes No No No No
Yes No No No No No Yes No Yes No Yes No Yes No Yes No No Yes Yes No No Yes No Yes Yes No Yes No No No Yes Yes Yes No Yes No Yes Yes No No No No No No No Yes No Yes Yes No No Yes No No No Yes Yes No No
No Yes No Yes No Yes No Yes Yes Yes No No No Yes No No Yes Yes No Yes No Yes Yes Yes No Yes No Yes No Yes Yes No No Yes No No Yes No Yes Yes Yes Yes Yes No No No Yes Yes No No Yes Yes No Yes No No No Yes No
8
No No Yes No Yes Yes No No No No Yes No No Yes Yes No Yes No Yes No Yes No No No No No No No Yes No No Yes No Yes No Yes No Yes No Yes No Yes No Yes Yes No No No Yes Yes No No Yes No Yes Yes No No Yes
Yes Yes No Yes No No Yes Yes Yes Yes No Yes Yes No No Yes No Yes No Yes No Yes Yes Yes Yes Yes Yes Yes No Yes Yes No Yes No Yes No Yes No Yes No Yes No Yes No No Yes Yes Yes No No Yes Yes No Yes No No Yes Yes No
JU 98 JU 99 JU 100
Yes No Yes
Yes Yes No
No Yes No
No No Yes
Entropy [59+, 41-] = -59/100 log2 59/100 -41/100 log2 41/100 =-(-0,2291/0,3010*0,59) – (-0,3872/0,3010*0,41) =0,4491 + 0,5274 =0,9765 Info gain untuk atribute berbenang halus Syes [30+, 12-] = -31/42 log2 31/42 – 12/42 log2 12/42 =-(-0,1319/0,3010*0,7381) – (-0,5441/0,3010*0,2857) =0,3234 + 0,5164 =0,8398 Sno [29+, 29-] = -29/58 log2 29/58 – 29/58 log 29/58 =-(-0,3010/0,3010*0,5) - (-0,3010/0,3010*0,5) =0,5 + 0,5 =1 Gain (S, berbenang halus) = Entropy S – (42/100) Syes– (58/100)Sno = 0,9765 – (42/100) * 0,8398 – (58/100) * 1 =0,9765 – 0,3527 – 0,58 =0,0438 Info gain untuk atribute berkerak merah jambu Syes [31+, 14-] = -31/45 log2 31/45 – 14/45 log2 14/45 = -( -0,1619/0,3010 * 0,6889) – (-0,5071/0,3010 * 0,3111) =0,3705 + 0,5241 =0,8946 Sno [28+, 27-] = -28/55 log2 28/55 – 27/55 log2 27/55 = -(-0,2932/0,3010 * 0,5091) – (-0,3090/0,3010 * 0,4909) =0,4959 + 0,5039 =0,9998 Gain (S, berkerak merah jambu) = Entropy S – (45/100) Syes– (55/100)Sno =0,9765 – (45/100) * 0,8946 – (55/100) * 0,9998 =0,9765 – 0,4026 – 0,5499 =0,024 Info gain untuk atribute mengeluarkan lateks Syes [38+, 8-] = - 38/46 log2 38/46 – 8/46 log2 8/46 = - ( -0,0830/0,3010 * 0,8241) – ( -0,7597/0,3010 * 0,1739) =0,2272 + 0,4389 =0,6661 9
Yes Yes No
Sno [21+, 33-] = - 21/54 log2 21/54 – 33/54 log2 33/54 = - (-0,4102/0,3010 * 0,3889) – (-0,2139/0,3010 * 0,6111) =0,5300 + 0,4343 =0,9643 Gain (S, mengeluarkan lateks) = Entropy S – (46/100) Syes– (54/100)Sno =0,9765 – (46/100) * 0,6661 – (54/100) * 0,9643 =0,9765 – 0,3064 – 0,5207 =0,1494 Info gain untuk atribute Hijau, segar dan tidak mengeluarkan lateks Syes [0+, 41-] = - 0/41 log2 0/41 – 41/41 log2 41/41 =-(0) – (0/0,3010 * 1) =0+0 =0 Sno [59+, 0-] =- 59/59 log2 59/59 – 0/59 log2 0/59 =-(0/0,3010 * 1) – (0) =0+0 =0 Gain (S, Hijau, segar dan tidak mengeluarkan lateks) = Entropy S – (41/100) Syes– (59/100)Sno = 0,9765 – (41/100) * 0 – (59/100) * 0 =0,9765 – 0 – 0 =0,9765 Berdasarkan hasil perhitungan information gain, tampak bahwa atribut hijau, segar dan tidak mengeluarkan lateks akan menyediakan prediksi terbaik untuk target atribut hasil.
Gambar 4 Pohon Keputusan Penyakit Jamur Upas Tahap Pertama
Gambar 4 menjelaskan bahwa atribute hijau, segar dan tidak mengeluarkan lateks menjadi prioritas dalam menentukan penyakit jamur upas. Diketahui bahwa jika nilai atribute hijau, segar dan tidak mengeluarkan lateks yes maka hasilnya adalah tidak dan jika nilai atribute no maka akan dilanjutkan pada tahap yang selanjutnya. Tabel 2 menunjukkan data sampel penyakit jamur upas dengan kriteria hijau, segar dan tidak mengeluarkan lateks yang bernilai no untuk pencarian atribut selanjutnya. Data sampel yang akan dipakai yaitu dari data penyakit [JU1, JU2, JU3, JU4, JU6, JU8, JU9, JU11, JU12, JU13, JU15, JU19, JU23, JU24, JU27, JU28, 10
JU29, JU32, JU33, JU35, JU36, JU38, JU39, JU40, JU42, JU45, JU46, JU47, JU48, JU50, JU51, JU54, JU56, JU58, JU60, JU61, JU62, JU63, JU64, JU65, JU66, JU68, JU69, JU71, JU73, JU75, JU77, JU79, JU81, JU84, JU85, JU86, JU89, JU90, JU92, JU95, JU96, JU98, JU99]. Tabel 2 Tabel Sampel Data Jamur Upas Kriteria Hijau, Segar Dan Tidak Mengeluarkan Lateks Value No Berebenang Berkerak Mengeluarkan Hijau, segar dan tidak Data hasil halus merah jambu lateks mengeluarkan lateks JU 1 Yes No No No Yes JU 2 No Yes No No Yes JU 3 No No Yes No Yes JU 4 No Yes Yes No Yes JU 6 Yes No Yes No Yes JU 8 Yes No No No Yes JU 9 No Yes No No Yes JU 11 No No Yes No Yes JU 12 No Yes Yes No Yes JU 13 Yes No Yes No Yes JU 15 Yes No No No Yes JU 19 Yes Yes No No Yes JU 23 No No Yes No Yes JU 24 Yes Yes Yes No Yes JU 27 No No Yes No Yes JU 28 No Yes No No Yes JU 29 No Yes Yes No Yes JU 32 Yes Yes No No Yes JU 33 No Yes Yes No Yes JU 35 Yes Yes No No Yes JU 36 No Yes Yes No Yes JU 38 Yes No Yes No Yes JU 39 Yes Yes No No Yes JU 40 No No Yes No Yes JU 42 No No Yes No Yes JU 45 Yes Yes No No Yes JU 46 Yes No Yes No Yes JU 47 No Yes Yes No Yes JU 48 Yes No Yes No Yes JU 50 Yes No No No Yes JU 51 No Yes No No Yes JU 54 Yes No No No Yes JU 56 No Yes Yes No Yes JU 58 Yes No Yes No Yes JU 60 No Yes Yes No Yes JU 61 Yes No Yes No Yes JU 62 Yes Yes Yes No Yes JU 63 No Yes No No Yes JU 64 No No Yes No Yes JU 65 No Yes No No Yes JU 66 No No Yes No Yes JU 68 Yes No Yes No Yes JU 69 No Yes Yes No Yes JU 71 Yes Yes No No Yes JU 73 Yes Yes No No Yes JU 75 No Yes Yes No Yes JU 77 Yes No Yes No Yes JU 79 Yes No Yes No Yes JU 81 Yes No Yes No Yes
11
JU 84 JU 85 JU 86 JU 89 JU 90 JU 92 JU 95 JU 96 JU 98 JU 99
Yes No Yes Yes No Yes No No Yes No
Yes No Yes No Yes No Yes No Yes Yes
No Yes Yes Yes Yes Yes No Yes No Yes
No No No No No No No No No No
Info gain untuk atribute berbenang halus Syes [30+, 0-] = - 30/30 log2 30/30 – 0/30 log2 0/30 =-(0/0,3010 * 1) – (0) =0+0 =0 Sno [29+, 0-] = - 29/29 log2 29/29 – 0/29 log2 0/29 =-(0/0,3010 * 1) – (0) = 0+0 =0 Gain (SHijau, segar dan tidak mengeluarkan lateks , berbenang halus) = Entropy S – (30/59) Syes– (29/59)Sno = 0,9765 – (30/59) * 0 – (29/59) * 0 =0,9765 – 0 – 0 =0,9765 Info gain untuk atribute berkerak merah jambu Syes [31+, 0-] = -31/31 log2 31/31 – 0/31 log2 0/31 = -(0/0,3010 * 1) – (0) =0+0 =0 = - 28/28 log2 28/28 – 0/28 log2 0/28 Sno [28+, 0-] =-(0/0,3010 * 1) – (0) =0+0 =0 Gain (SHijau, segar dan tidak mengeluarkan lateks , berkerak merah jambu) = Entropy S – (31/59) Syes– (28/59)Sno = 0,9765 – (31/59) * 0 – (28/59) * 0 =0,9765 – 0 – 0 =0,9765 Info gain untuk atribute mengeluarkan lateks Syes [38+, 0-] = -38/38 log2 38/38 – 0/38 log2 0/38 =-(0/0,3010 * 1) – (0) =0+0 =0 Sno [21+, 0-] = -21/21 log2 21/21 – 0/21 log2 0/21 =-(0/0,3010 * 1) – (0) =0+0 =0
12
Yes Yes Yes Yes Yes Yes Yes Yes Yes Yes
Gain (SHijau, segar dan tidak mengeluarkan lateks , mengeluarkan lateks) = Entropy S – (38/59) Syes– (21/59)Sno =0,9765 – (38/59) * 0 – (21/59) * 0 =0,9765 – 0 – 0 =0,9765 Berdasarkan hasil perhitungan information gain, tampak bahwa atribut berbenang halus akan menjadi penilaian setelah kriteria hijau, segar dan tidak mengeluarkan lateks.
Gambar 5 Pohon Keputusan Penyakit Jamur Upas Tahap Kedua
Gambar 5 menjelaskan bahwa kriteria hijau,segar dan tidak mengeluarkan lateks menjadi prioritas dalam menentukan hasil keputusan penyakit jamur upas, dan diketahui jika nilai hijau,segar dan tidak mengeluarkan lateks bernilai no maka akan melihat hasil dari kriteria berbenang halus, dan jika nilai hijau,segar dan tidak mengeluarkan lateks bernilai no dan nilai berbenang halus bernilai no belum diketahui hasilnya maka dilanjutkan pada langkah ketiga. Tabel 3 menunjukkan data sampel penyakit jamur upas dengan kriteria hijau, segar dan tidak mengeluarkan lateks yang bernilai no dan berbenanga halus bernilai no untuk pencarian atribut selanjutnya. Data sampel yang akan dipakai yaitu dari data penyakit [JU2, JU3, JU4, JU9, JU11, JU12, JU23, JU27, JU28, JU29, JU33, JU36, JU40, JU42 JU47, JU51, JU56, JU60, JU63, JU64, JU65, JU66, JU69, JU75, JU85, JU90, JU95, JU96, JU99] Data JU 2 JU 3 JU 4 JU 9 JU 11 JU 12 JU 23 JU 27 JU 28
Tabel 3 Tabel Sampel Data Jamur Upas Kriteria Berbenang Halus Value No Berebenang halus Berkerak merah jambu Mengeluarkan lateks No Yes No No No Yes No Yes Yes No Yes No No No Yes No Yes Yes No No Yes No No Yes No Yes No
13
hasil Yes Yes Yes Yes Yes Yes Yes Yes Yes
JU 29 JU 33 JU 36 JU 40 JU 42 JU 47 JU 51 JU 56 JU 60 JU 63 JU 64 JU 65 JU 66 JU 69 JU 75 JU 85 JU 90 JU 95 JU 96 JU 99
No No No No No No No No No No No No No No No No No No No No
Yes Yes Yes No No Yes Yes Yes Yes Yes No Yes No Yes Yes No Yes Yes No Yes
Yes Yes Yes Yes Yes Yes No Yes Yes No Yes No Yes Yes Yes Yes Yes No Yes Yes
Informasi gain untuk atribute berkerak merah jambu Syes [19+, 0-] = - 19/19 log2 19/19 – 0/19 log2 0/19 =-(0/0,3010 * 1) – (0) = 0+0 =0 Sno [10+, 0-] = - 10/10 log2 10/10 – 0/10 log2 0/10 =-(0/0,3010 * 1) – (0) =0+0 =0 Gain (Sberbenang halus , berkerak merah jambu) = Entropy S – (19/29) Syes– (10/29)Sno =0,9765 – (19/29) * 0 – (10/29) * 0 =0,9765 – 0 – 0 =0,9765 Informasi gain untuk atribute mengeluarkan lateks Syes [22+, 0-] = -22/22 log2 22/22 – 0/22 log2 0/22 =-(0/0,3010 * 1) – (0) =0+0 =0 Sno [7+, 0-]
= -7/7 log2 7/7 – 0/7 log2 0/7 =-(0/0,3010 * 1) – (0) =0+0 =0
14
Yes Yes Yes Yes Yes Yes Yes Yes Yes Yes Yes Yes Yes Yes Yes Yes Yes Yes Yes Yes
Gain (Sberbenang halus , mengeluarkan lateks) = Entropy S – (22/29) Syes– (7/29)Sno =0,9765 – (22/29) * 0 – (7/29) * 0 =0,9765 – 0 – 0 =0,9765 Berdasarkan hasil perhitungan information gain, tampak bahwa atribut berkerak merah jambu akan menjadi penilaian setelah kriteria berbenang halus.
Gambar 6 Pohon Keputusan Penyakit Jamur Upas Tahap Ketiga
Gambar 6 menjelaskan bahwa kriteria hijau,segar dan tidak mengeluarkan lateks menjadi prioritas dalam menentukan hasil keputusan penyakit jamur upas. Diketahui jika nilai hijau,segar dan tidak mengeluarkan lateks bernilai no maka akan melihat hasil dari kriteria berbenang halus, jika nilai hijau,segar dan tidak mengeluarkan lateks bernilai no dan nilai berbenang halus bernilai no, dan berkerak merahjambu belum diketahui hasilnya maka dilanjutkan pada langkah keempat. Tabel 4 menunjukkan data sampel penyakit jamur upas dengan kriteria hijau, segar dan tidak mengeluarkan lateks yang bernilai no dan berbenanga halus bernilai no, dan berkerak merahjambu bernilai no untuk pencarian atribut selanjutnya. Data sampel yang akan dipakai yaitu dari data penyakit [JU3, JU11, JU23, JU27, JU40, JU42, JU64, JU66, JU85, JU96] Data JU 3 JU 11 JU 23 JU 27 JU 40 JU 42
Tabel 4 Tabel Sampel Data Jamur Upas Kriteria Berkerak Merahjambu Value No Berkerak merah jambu Mengeluarkan lateks hasil No Yes Yes No Yes Yes No Yes Yes No Yes Yes No Yes Yes No Yes Yes
15
JU 64 JU 66 JU 85 JU 96
No No No No
Yes Yes Yes Yes
Yes Yes Yes Yes
Informasi gain untuk atribute mengeluarkan lateks Syes [10+, 0-] = - 10/10 log2 10/10 – 0/10 log2 0/10 = - (0/0,3010 * 1) – (0) =0+0 =0 Sno [0+, 0-]
=0
Gain (Sberkerak merahjambu, mengeluarkan lateks) = Entropy S – (10/10) Syes– (0/10)Sno =0,9765 – (10/10) * 0 – (0/10) * 0 =0,9765 – 0 – 0 =0,9765 Berdasarkan hasil perhitungan information gain, tampak bahwa atribut mengeluarkan lateks akan menjadi penilaian setelah kriteria berkerak merah jambu.
Gambar 7 Pohon Keputusan Penyakit Jamur Upas Tahap Keempat
16
Gambar 7 merupakan hasil pohon keputusan dari data sampel penyakit jamur upas. Dari pohon keputusan terlihat kriteria hijau, segar dan tidak mengeluarkan lateks yang menjadi prioritas utama, disusul dengan berbenang halus, berkerak merah jambu dan mengeluarkan lateks. Maka dapat dibuat aturan sebagai berikut : IF hijau, segar dan tidak mengeluarkan lateks = yes THEN hasil = no IF hijau, segar dan tidak mengeluarkan lateks = no, AND berbenang halus = yes THEN hasil = yes IF hijau, segar dan tidak mengeluarkan lateks = no, AND berbenang halus = no, AND berkerak merah jambu = yes THEN hasil = yes IF hijau, segar dan tidak mengeluarkan lateks = no, AND berbenang halus = no, AND berkerak merah jambu = no, AND mengeluarkan lateks = yes THEN hasil = yes IF hijau, segar dan tidak mengeluarkan lateks = no, AND berbenang halus = no, AND berkerak merah jambu = no, AND mengeluarkan lateks = no THEN hasil = no Berdasarkan aturan tersebut maka kriteria hijau, segar dan tidak mengeluarkan lateks menjadi prioritas dalam menentukan penyakit batang yaitu jamur upas, setelah kriteria hijau, segar dan tidak mengeluarkan lateks maka kriteria berbenang halus, berkerak merah jambu dan mengeluarkan lateks yang menentukan penyakit jamur upas. Digunakan seratus sampel data untuk melakukan pengujian kasus, dan diperoleh pohon keputusan seperti yang digambarkan pada gambar 7. Setiap sampel data diuju berdasarkan pohon keputusan yang diperoleh, misalnya untuk data JU1 dapat dikatakan sesuai dengan pohon keputusan karena jika kriteria hijau, segar dan tidak mengeluarkan lateks bernilai No, mengeluarkan lateks bernilai No, berkerak merahjambu bernilai No, dan berbenang halus bernilai Yes maka dapat disimpulkan bahwa gejala tersebut termasuk gejala dari penyakit jamur upas. Didapat 66% tingkat kesesuaian dan 34% data dinyatakan error, berdasarkan hal tersebut pengujian masih belum dinyatakan valid, hal ini disebabkan oleh data kombinasi gejala penyakit yang kurang variatif. Dilakukan juga pengujian terhadap penyakit yang lain dengan hasil tingkat kesesuaian untuk penyakit daun adalah gugur daun oidium memiliki tingkat keakuratan 25%, gugur daun colletotrichum adalah 23%, gugur daun corynespora adalah 30%. Tingkat kesesuain untuk penyakit jamur akar putih adalah 52%, mouldyrout adalah 27%, stripe cancer adalah 20%, dan kering alur sadap adalah 25%. Menu Konsultasi Pada menu konsultasi user diminta untuk memilih jenis penyakit. Gambar 8 merupakan tampilan menu konsultasi.
Gambar 8 Tampilan Menu Konsultasi Daftar Penyakit
17
Gambar 8 merupakan tampilan menu konsultasi bagian daftar penyakit. Dalam menu daftar penyakit user diminta untuk memilih jenis penyakit yang dialami pada tanaman karet. Apabila user telah memilih penyakit maka akan muncul menu gejala. Menu gejala ditunjukkan pada gambar 9.
Gambar 9 Tampilan Menu Gejala
Gambar 9 merupakan tampilan menu gejala, dalam menu gejala user diminta untuk memilih gejala yang dialami pada tanaman karet. Setelah memilih gejala kemudian pilih tombol diagnosis untuk mengetahui hasil jenis penyakit yang dialami oleh tanaman karet. Kode Program1 merupakan koding untuk membuat aturan pada gejala penyakit. Kode Program1: Kode Create Rule Gejala Penyakit 1 public function setPenyakitId() { 2 if ($_POST) { 3 $x = 0; 4 foreach ($_POST as $u) { 5 $x+=1; 6 $penyakitId = $u; 7 } 8 if ($x > 1) { 9 $this->session->set_flashdata('message', 'silakan pilih data tidak 10 lebih dari satu'); 11 redirect('penyakit/admin'); 12 } 13 } else { 14 $this->session->set_flashdata('message', 'silakan pilih data 15 terlebih dahulu'); 16 redirect('penyakit/admin'); 17 } 18 $this->penyakitId = $penyakitId; 19 $this->admin(); 20 }
Setelah user memilih diagnosa maka akan muncul menu diagnosa penyakit, menu diagnosa penyakit adalah hasil dari gejala yang telah dipilih oleh user. Gambar 10 menunjukkan tampilan menu hasil diagnosa.
18
Gambar 10 Tampilan Menu Hasil Diagnosa
5. Simpulan Mengacu pada permasalahan Algoritma ID3 (Iterative Dichotomiser 3) pada sistem pendeteksi penyakit tanaman karet, maka dapat diambil kesimpulan : 1) berdasarkan hasil pembuatan sistem pendeteksi penyakit tanaman karet, Algoritma ID3 dapat diterapkan pada sistem untuk menentukan jenis penyakit tanaman karet, sistem yang dibangun dapat digunakan oleh kantor Setro dalam menentukan jenis penyakit pada tanaman karet, dan sistem dapat mendeteksi jenis penyakit tanaman karet berdasarkan gejala yang dipilih oleh user. 2) Gejala atau atribute dan nilainya dapat berubah sewaktu – waktu, atau sesuai dengan kebutuhan sistem atau perkembangan pada penyakit tanaman karet. 3) Tingkat keakuratan pada penyakit jamur upas adalah sebesar 66% dan 34% dinyatakan error, dengan berdasarkan data yang diujikan yaitu 100 sampel data untuk jamur upas. 4) Contoh hasil dari penyelesaian algoritma ID3 dalam menentukan penyakit jamur upas berdasarkan gejala yang paling mendekati adalah keadaan batang yang berwarna hijau, segar dan tidak mengeluarkan lateks, kemudian keadaan batang yang berbenang halus, batang berkerak merah jambu, dan batang mengeluarkan lateks. 5) Sistem dapat mempercepat kinerja karyawan dalam melakukan penanganan terhadap tanaman karet yang sakit,karena karyawan tidak perlu menunggu pimpinan atau ahli untuk mengetahui jenis penyakit tanaman karet beserta penanganannya dan sistem dapat meminimalisir pekerjaan pimpinan, karena dengan kesibukannya, pimpinan tidak perlu tergesa – gesa untuk melihat kondisi lapangan dimana terdapat pohon yang sakit. Sistem yang dibangun belum dapat dikatakan sempurna. Oleh sebab itu, masih diperlukan penyempurnaan sistem. Saran yang dapat diberikan untuk penyempurnaan sistem adalah penggunaan algoritma lain untuk menentukan jenis penyakit pada tanaman karet. 6. Daftar Pustaka [1] wahyudin, 2009, Metode Iterative Dichotomizer 3 ( ID3 ) Untuk Penyeleksian Penerimaan Mahasiswa Baru. Bandung : Universitas Pendidikan Indonesia.
19
[2] Rakhmawati endah, Entin Martiana, Nur Rosyid Mubtadai, Diagnosa Keterlambatan Perkembangan Pada Anak Balita Dengan Acuan Denver II Dan Pengambil Keputusan Dengan Metode Decision Tree Berbasis Jsp. Surabaya : Institut Teknologi Sepuluh Nopember. [3] Manongga, Danny. 2005. Teori dan Aplikasi Iterative Dichotomizer Three Dalam Pembelajaran Mesin. Salatiga: Universitas Kristen Satya Wacana. [4] Kristiyani, Ninik, 2011. Sistem Pendukung Keputusan dengan Menggunakan Algoritma Iterative Dichotomizer Three (Studi Kasus Sistem PT Warna Agung Semarang). Salatiga : FTI UKSW [5] Mulyanto, Edy. 2011. Kecerdasan Buatan. Semarang : Universitas Dian Nuswantoro. [6] Sardjono Bambang. Vendemecum Karet. Semarang : Kantor Direksi PTPN IX (persero).
20