SISTEM APLIKASI IDENTIFIKASI LAHAN UNTUK BUDIDAYA TANAMAN PANGAN MENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ) Uning Lestari 1

Prosiding Seminar Nasional Aplikasi Sains & Teknologi (SNAST) Periode III Yogyakarta, 3 November 2012

ISSN: 1979-911X

SISTEM APLIKASI IDENTIFIKASI LAHAN UNTUK BUDIDAYA TANAMAN PANGAN MENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ) Uning Lestari1 1

Jurusan Teknik Informatika, Institut Sains & Teknologi AKPRIND Yogyakarta Jl. Kalisahak No. 28, Kompleks Balapan, Yogyakarta E-mail: [email protected]

ABSTRACT The development of information technology can be used to optimize the delivery of knowledge that one example is the use of Expert System for the delivery of information on the utility in determining the type of land or crops. Expert systems with a method cultivation of food crops Learning Vector Quantization (LVQ) can provide solutions and information suitable crops grown on a specific field based on characteristic features. Suitability parameters used in the application system consists of 22 types of land characteristics, and 12 kinds of crops. After going through the process of training and testing data characteristics have dientrikan then the system will classify the suitability of crops in 4 categories namely the S1 class (very suitable), S2 (Quite appropriate), S3 (marginal line), and N (Not suitable ).

Keywords: Learning Vector Quantization (LVQ), crops, Expert System ABSTRAK Perkembangan teknologi informasi saat ini dapat dimanfaatkan untuk mengoptimalkan penyampaian pengetahuan yang salah satu contohnya adalah dengan memanfaatkan Expert System untuk penyampaian informasi tentang daya guna lahan ataupun dalam penentuan jenis tanaman pangan. Sistem pakar budidaya tanaman pangan dengan metode Jaringan Syaraf Tiruan (JST) Learning Vector Quantization (LVQ) dapat memberikan solusi dan informasi tanaman yang cocok ditanam pada suatu lahan tertentu berdasarkan ciri-ciri karakteristiknya . Parameter kesesuaian lahan yang digunakan dalam sistem aplikasi ini terdiri dari 22 jenis karakteristik lahan, dan 12 jenis tanaman pangan. Setelah melalui proses pelatihan dan pengujian pada data-data karakteristik yang telah dientrikan maka sistem akan mengklasifikasi kesesuaian tanaman pangan dalam 4 kategori kelas yaitu yaitu S1 (Sangat sesuai), S2 (Cukup sesuai), S3 (Sesuai marginal), dan N (Tidak sesuai).

Kata kunci: Learning Vector Quantization (LVQ), lahan tanaman pangan, Expert System PENDAHULUAN Tantangan pembangunan terbesar bagi Indonesia dalam dua dasawarsa terakhir adalah meledaknya jumlah penduduk. Sementara program peningkatan produksi selama kurun waktu tersebut masih kurang mantap. Pada akhirnya negara kita terpaksa mengimpor bahan pangan dari negara lain. Menghadapi peledakan pertambahan jumlah penduduk terutama di Jawa, Madura, Bali dan Lombok, sepertinya usaha peningkatan produksi pangan secara intensifikasi masal dan perluasan areal pertanian pada tahun-tahun terakhir ini tidak berjalan dengan baik . Terlalu seringnya kita mengolah tanah dapat menyebabkan kerusakan-kerusakan tanah. Mencari keuntungan-keuntungan material saja tetapi melupakan pemeliharaan daya mampu tanah. Sebaliknya jika tidak dapat menemukan kombinasi yang serasi antara tanah dan iklim setempat, usaha untuk memperbaiki keadaan tanah agar lebih berguna jarang sekali dilakukan bahkan kecenderungannya ditinggal begitu saja. Produktivitas tanaman pangan tergantung pada kualitas lahan yang akan digunakan dalam sistem pengolahannya.. Jika pada pemilihan lahan pada awal pembangunan tanaman areal-areal yang tidak produktif tidak disisihkan, maka kerugian khususnya finansial yang cukup besar akan terjadi nantinya. Pada saat ini , metode penentuan jenis budidaya untuk tanaman pangan yang sesuai ditanam pada suatu lahan tertentu masih dilakukan dengan cara manual, yaitu dengan membandingkan data-data yang ada di lapangan dengan kriteria persyaratan penggunaan lahan untuk tanaman pangan tertentu, sehingga hasil informasi-informasi yang diperoleh membutuhkan akan waktu, tenaga, dan biaya yangt tidak sedikit. Seiring berkembangnya teknologi informasi dewasa ini, teknologi dapat dimanfaatkan untuk mengoptimalkan penyampaian pengetahuan pemeliharaan tentang informasi daya guna lahan, B-353


ISSN: 1979-911X

ataupun dalam penentuan jenis-jenis tanaman pangan yang sesuai pada lahan tertentu berdasarkan nilainilai karakteristik lahan, hal ini sangat diperlukan dalam menunjang proses pengambilan keputusan, koordinasi dan pengendalian bagi para praktisi, peneliti, dan perencanaan lahan. Berdasarkan hal tersebut, maka pada penelitian ini dibuat sistem aplikasi sistem pakar dengan menggunakan metode Learning Vector Quantitation (LVQ) untuk evaluasi kesesuaian lahan budidaya tanaman pangan dan memberikan solusi tanaman pangan yang cocok untuk setiap tipe lahan. Aplikasi sistem pakar dengan metode Jaringan Syaraf Tiruan LVQ (Learning Vector Quantization) ini diharapkan dapat membantu dalam menentukan jenis-jenis tanaman pangan yang sesuai ditanam pada suatu lahan tertentu berdasarkan nilai karakteristik lahan, yang sebelumnya dilakukan pembelajaran dan pengujian data. Hal ini dikarenakan komputer diberi bekal pengetahuan dan kemampuan penalaran seperti seorang pakar dalam bidang tersebut. User hanya mengisi masukan (input) berupa data karakteristik lahan, dan sistem akan memproses data tersebut kemudian memberikan keluaran (output) berupa hasil prediksi tanaman. Kualitas lahan merupakan sifat-sifat atau attribute yang kompleks dari suatu lahan. Masing-masing kualitas lahan mempunyai performance tertentu yang berpengaruh terhadap kesesuaiannya bagi penggunaan lahan tertentu. Kualitas lahan ada yang bisa diestimasi atau diukur secara langsung di lapangan, tetapi pada umumnya ditetapkan dari pengertian karakteristik lahan. Sedangkan karakteristik lahan adalah sifat lahan yang dapat diukur atau diestimasi contohnya: lereng, curah hujan, tekstur tanah. Kualitas lahan (Temperatur , Ketersediaan oksigen, Media perakaran , Retensi hara , Bahaya erosi ) dan karakteristik (Temperatur, Kelembaban udara, Kejenuhan basa ,Drainase , Tekstur ) dapat digunakan dalam menentukan kriteria kesesuaian lahan (Djaenudin et al., 1997). Salah satu metode yang digunakan untuk menentukan kelas lahan adalah metode pembatas yang menentukan kelas lahan berdasarkan banyaknya tingkat pembatas (0: no (tidak ada), 1: slight (ringan), 2: moderate (sedang), 3: severe (berat), 4: very severe (sangat berat)) (Sys, C.,1991). Hubungan antara karakteristik kesesuaian lahan dengan tingkat pembatas yaitu (S1: sangat sesuai, S2: cukup sesuai, S3: sesuai marginal, N: tidak sesuai ). Sistem aplikasi yang akan dibuat akan menghasilkan Kelas kesesuaian lahan berdasarkan kriteria t er s eb ut . Dalam melakukan penelitian ini mengacu pada penelitian sebelumnya antara lain Penelitian Sri Nurhayati, 2006, dalam tugas akhir tentang sistem pakar penyeleksian komoditas unggul tanaman pangan dan perkebunan pada daerah transmigrasi. Kekurangan Kategori tanaman pangan dan perkebunan yang di sediakan dalam sistem masih terbatas sehingga perlu dilakukan update database untuk menambah item tanaman agar bisa memberikan alternatif pilihan yang lebih kepada pemakai sistem. Tidak terdapat contoh output dari sistem secara detail mengenai jenis tanaman yang sesuai dengan data-data yang telah diinputkan, agar bisa diketahui contoh hasilnya. Penelitian A. K. Makarim, Balai Besar Penelitian Tanaman Padi, 2008, membahas tentang budidaya tanaman padi, yaitu bagaimana menentukan jenis tanaman padi yang sesuai dengan karakteristik biofisik lokasi dan komponen budidaya pilihan petani itu sendiri. Pembuatan sistem ini masih menggunakan MS Excel, sehingga manajemen datanya masih belum maksimal. METODE Metode clustering yang digunakan pada penelitian ini adalah Learning Vector Quantization (LVQ). LVQ merupakan suatu metode klasifikasi pola dimana tiap-tiap output merepresentasikan suatu kelas atau kategori tertentu. Pada metode ini dimungkinkan terdapat beberapa output untuk setiap kelas. Vektor bobot untuk suatu unit output biasanya merupakan referensi terhadap kelas dimana unit tersebut berada. LVQ merupakan metode pembelajaran pada lapisan kompetitif yang terawasi. Suatu lapisan kompetitif akan secara otomatis belajar untuk mengklasifikasikan vectorvektor input. Kelas-kelas yang didapatkan sebagai hasil dari lapisan kompetitif ini hanya tergantung pada jarak antara vektor-vektor input. Jika 2 vektor input mendekati sama, maka lapisan kompetitif akan meletakkan kedua vector input tersebut ke dalam kelas yang sama. Gambar 1. menunjukkan jaringan LVQ dengan 6 unit pada lapisan input, dan 2 unit (neuron) pada lapisan output. Pemrosesan yang terjadi pada setiap neuron adalah mencari jarak antara suatu vector input ke bobot yang bersangkutan (w 1 dan w 2 ). w 1 adalah vektor bobot yang enghubungkan setiap neuron pada lapisan input ke neuron pertama pada lapisan output. Untuk menghitung jarak digunakan Jarak Euclidian . yaitu B-354


=

ISSN: 1979-911X

(x1 w1)2 (x2 w2)2 .....(xn wn)2

Fungsi aktivasi F 1 akan memetakan y_in1 ke y1= 1 apabila x  w1 < x  w2 , dan y 1 =0 jika sebaliknya. Demikian pula pada fungsi aktivasi F2 akan memetakan y_in2 ke y 2 =1 jika x  w2 <

x  w1 , dan y 2 =0 jika sebaliknya. x1 x2 x-w1

y_in1

F1

y1

x3 x4 x-w2

y_in2

F2

y2

x5 x6

Gambar 1. Arsitektur Jaringan LVQ Keterangan : X1...........X6 = Masukkan/Input data X-W1 = Bobot yang menghubungkan setiap neuron pada lapisan input keneuron pertama pada lapisan output. X-W2 = Bobot yang menghubungkan setiap neuron pada lapisan ke neuron kedua pada lapisan output. F1, F2 = Fungsi aktifasi purelin sebagai fungsi transfer linier yang digunakan untuk jaringan saraf tiruan yang dilatih dengan menggunakan metode LVQ, fungsi ini memiliki nilai pada range 0 sampai 1. Y = Keluaran/output. Proses Pelatihan Langkah pertama tetapkan: Masukkan bobot awal variabel input ke-j menuju ke kelas (cluster) ke-I yaitu: W ij dengan i=1,2,…K; dan j=1,2,..,m . Maksimum epoh: MaxEpoh. Parameter learning rate : .  Pengurangan learning rate : Dec  . Minimal learning rate : Min  . Langkah kedua masukkan: Data input : X ij ; dengan i=1,2,..,n; dan j=1,2,..,m dan Target berupa kelas: T k ; dengan k=1,2,..,n Langkah ketiga dengan menetapkan kondisi awal: epoh=0; err=1 Langkah keempat, kerjakan jika: (epoh <MaxEpoh) atau (  > Min  ): Epoh = epoh+1; Kerjakan untuk i=1 sampai n Tentukan J sedemikian hingga ║x i -wj║ minimum dengan j=1,2,..,K Perbaiki wj dengan ketentuan: Jika T = Cj maka: wj(baru)=wj(lama)+  (x + wj(lama)) Jika T  Cj maka: wj(baru)=wj(lama)-  (x-wj(lama)) Kurangi nilai  B-355


ISSN: 1979-911X

Dilakukan dengan cara :  =  - Dec  ; atau dengan cara  =  *Dec  Aplikasi metode LVQ untuk kasus pencarian pola navigasi user web memerlukan data yaitu : - Data input Adalah halaman-halaman web yang dikunjungi user dalam satu kali kunjungan tunggal. Data input benilai 1 jika user mengujungi halaman-halaman dalam kelas yang sudah ditentukan dan 0 jika tidak mengunjungi. - Target Adalah penentuan kategori–kategori untuk pengunjung web misalnya apakah masuk kategori Tertarik, Cukup Tertarik, dan Tidak tertarik terhadap situs web yang dikunjungi. Setelah dilakukan proses pelatihan, akan diperoleh bobot-bobot akhir (W). Bobot-bobot ini nantinya akan digunakan untuk melakukan simulasi atau pengujian. Data yang digunakan pada penelitian adalah data sumber yang berasal Departemen Pertanian tentang kualitas dan karakteristik lahan yang digunakan dalam kriteria kesesuaian lahan . Pada penelitian ini yang digunakan sebagai data masukan adalah karakteristik lahan yang terdiri atas 22 buah, yaitu temperatur rerata, curah hujan, kelembaban, drainase, tekstur, bahan kasar, kedalaman tanah, ketebalan gambut, gambut dengan singkapan/pengkayaan mineral, kematangan gambut, KPK lempung, kejenuhan basa, pH H2 O, C-organik, salinitas, alkalinitas, kedalaman sulfidik , lereng, bahaya erosi, genangan, batuan di permukaan, dan singkapan batuan. Output yang akan dihasilkan adalah salah satu dari 12 jenis tanaman pangan berikut: buncis, jagung, padi sawah irigasi, sorgum, gandum, ubi jalar, ubi kayu, kedelai, kacang kapri, kacang panjang, kacang tanah, kacang hijau. Pada sistem aplikasi yang dibangun menggunakan 7 file database yang meliputi data Karakteristik_Lahan, Konsultasi, Keterangan_karakteristik, Data_Karakteristik, Hasil_Prediksi, Data_Tanaman, dan Karakteristik_Tanaman. Relasi dari masing-masing tabel tersebut dapat dilihat pada Gambar 2.

Gambar 2. Relasi Database PEMBAHASAN Hasil sistem aplikasi evaluasi kesesuaian lahan untuk budidaya tanaman pangan menggunakan jaringan syaraf tiruan Learning Vector Quantization (LVQ) terdiri dari beberapa menu B-356


ISSN: 1979-911X

utama yaitu menu Pendaftaran_User, Karakteristik_Lahan Tanaman_Pangan Prediksi_Tanaman, Cetak_Hasil, Karakteristik_Tanaman, Search, Info Dan Help. Menu karakteristik_lahan terdiri dari sub Karakteristik, Keterangan Karakteristik dan Detail Karakteristik. Menu Tanamann pangan terdiri dari sub menu : Data Tanaman, Hasil Prediksi Tanaman, dan Detail Tanaman. Tampilan menu Utama dapat dilihat pada Gambar 3.

Gambar 3 Menu Utama Sistem Sistem ini terdiri dari user yaitu user pakar yang bertugas mengentrikan data-data karakteristik (pada sistem ini seorang pakar adalah admin) dan user yang akan melakukan konsultasi. Penggunaan sistem ini didahului dengan registrasi user yang akan melakukan proses konsultasi melalui menu Pendaftaran User. Menu ini berfungsi untuk pendaftaran user yang akan mencari informasi atau solusi mengenai penentuan jenis tanaman pangan yang sesuai. Seorang pakar akan memasukkan data-data ke sistem melalui menu-menu tentang Karakteristik, Keterangan Karakteristik, dan Detail Karakteristik. Contoh menu tampilan entri data tersebut terlihat pada Gambar 4 dan Gambar 5.

Gambar 4 Tampilan menu Karakteristik lahan

B-357


ISSN: 1979-911X

Gambar 5 Tampilan menu keterangan karakteristik lahan Setelah memasukkan data-data karakteristik lahan, dilanjutkan dengan meng-entri data-data tanaman pangan pada Menu Utama Tanaman Pangan. Menu ini terdiri dari Data Tanaman, Hasil Prediksi Tanaman dan Detail Tanaman. Salah satu contoh tampilan menu tersebut dilihat pada Gambar 6 dan 7.

Gambar 6. Tampilan Input hasil prediksi tanaman Pada Gambar 5 menampilkan kondisi Tanaman sorgum (sorgum bicolor) memiliki karakteristik lahan yang sesuai (S1) untuk proses pertumbuhannya yaitu : temperatur rerata antara 25-27°C; curah hujan berkisar 400-900 mm; kelembaban <75%; drainase baik dan agak terhambat; tekstur halus, agak halus dan sedang; bahan kasar <15%; kedalaman tanah >60 cm; ketebalan gambut <60 cm; singkapan atau pengkayaan berupa bahan mineral <140; kematangan gambut saprik+; KPK lempung >16; kejenuhan basa >50%; pH H2O antara 5,5-8,2; C-organik >0,4%; salinitas <0,8 dS/m; alkalinitas/ESP <20%; kedalaman sulfidik >100 cm; lereng <8%; B-358


ISSN: 1979-911X

bahaya erosi sangat rendah; genangan kedalaman F0 atau tanpa; batuan permukaan <5%; dan singkapan batuan <5%.

Gambar 7. Tampilan detail tanaman Sorgum Proses berikutnya pada aplikasi sistem pakar adalah proses konsultasi seorang user yang akan mencari solusi dan informasi. Proses tersebut dilakukan melalui menu Prediksi Tanaman pada menu utama. User harus mengisi isian-isian pada menu tersebut dengan memilih kategorikategori yang sudah disediakan sistem. kemudian dicari perkiraan hasil prediksi tanaman untuk karakteristik tersebut dengan mengklik tombol Prediksi Tanaman. Proses tersebut dapat dilihat pada Gambar 8. Hasil proses Prediksi Tanaman dapat dilihat pada Gambar 9.

Gambar 8 Tampilan Menu konsultasi Prediksi Tanaman.

B-359


ISSN: 1979-911X

Gambar 9 Tampilan hasil prediksi tanaman pangan karakteristik data ke-1 Hasil prediksi tanaman yang diperoleh untuk karakteristik data ke-1 anatara lain kelas S1 (sangat sesuai): padi sawah irigasi dan padi swah tadah hujan, S2 (cukup sesuai): jagung dan kedelai, S3 (sesuai marginal): kacang hijau dan kacang tanah, dan N (tidak sesuai): Padi Gogo, Padi Sawah Lebak, Gandum, Sorgum, Ubi Jalar, Ubi Kayu, Kacang Tunggak, Talas dan Iles-Iles. Proses terakhir pada sistem ini adalah pencarian karaktersistik suatu tanaman tertentu . Proses ini terdapat pada Menu karakteristik_tanaman untuk pengklasifikasian persyaratan penggunaan/karakteristik lahan setiap tanaman pangan sesuai dengan kesesuaian: S1, S2, S3, dan N. Tampilan menu karakteristik tersebut dapat dilihat pada Gambar 8 dan 9.

Gambar 10 Tampilan menu karakteristik_tanaman B-360


ISSN: 1979-911X

Sistem menekankan pengklasifikasian karakteristik tanaman pada database-nya, sehingga untuk membuktikan bahwa karakteristik suatu tanaman masuk ke dalam kelas mana, maka setelah proses penyimpanan data dilakukan preview database. Sebagai contoh diinputkan karakteristik tanaman padi gogo, tampilan preview databasenya seperti Gambar 11.

Gambar 11. Tampilan menu karakteristik_tanaman_pangan_S1 KESIMPULAN Setelah dilakukan analisa data lapangan, pengujian data menggunakan algoritma Learning Vector Quantization, maka dapat diambil kesimpulan bahwa sistem pakar budidaya tanaman pangan dapat membantu para user dalam mencari solusi tentang tanaman pangan yang sesuai dengan kelas kesesuaian lahannya berdasarkan karakteristik lahan. Sistem dapat menampilkan karakteristik tumbuh tanaman sesuai kelas kesesuaian lahan S1, S2, S3 dan N. Jenis tanaman yang sesuai maupun tidak sesuai dengan suatu karakteristik lahan tertentu diperoleh setelah sebelumnya dilakukan analisis dari berbagai macam kemungkinan. DAFTAR PUSTAKA Nurhayati, Sri, 2006, Sistem Pakar dan Seleksi Komoditas Unggulan di Kawasan Transmigrasi , Universitas Gadjah Mada, Yogyakarta Makarim, A. K., 2008, Sistem Pakar Budidaya Padi (Sipadi) Versi 3.0, Balai Besar Penelitian Tanaman Padi, Jakarta. Azis, Anifuddin, dkk, 2005, Evaluasi Kesesuaian Lahan Untuk Budidaya Tanaman Pangan Menggunakan Jaringan Syaraf Tiruan, Universitas Gadjah Mada, Yogyakarta. Chandraleka, Happy, Panduan Praktis Pemrograman Delphi 8, Andi Offset, Yogyakarta. Ritong, Sofyan, dkk, 2007, Evaluasi Kesesuaian Lahan, Balai Penelitian Tanah dan World Agroforestry Centre. Djaenuddin, D., Marwan H., H. Subagyo, dan A. Mulyani, 1997, Kriteria Kesesuaian Lahan untuk Komoditas Pertanian. Pusat Penelitian Tanah dan Agroklimat, Departemen Pertanian. Fausett, L., 1994, Fundamentals of Neural Network, Architecture, Algorithms and Applications, Prentice Hall, New Jersey Kusumadewi, S., 2003, Artificial Intelligence (Teknik dan aplikasinya), Graha Ilmu Yogyakarta. Sys, C., Ranst V., and Debaveye J, 1991, Land Evaluation Part II: Methods in Lan Evaluation, General Administration for Development Cooperation, Brussels, http://bbsdlp.litbang.deptan.go.id/ http://www.puslittan.bogor.net/ http://www.biotama.com/ http://pdm-mipa.ugm.ac.id/ http://sppkl-ninasevani.comoj.com/ http://dasar2ilmutanah.blogspot.com/2009/04/kesesuaian-lahan-fao-1976.html http://www.worldagroforestry.org/Sea/Projects/regrin/data/PanduanEvaluasiKe sesuaianLahan.pdf

B-361

SISTEM APLIKASI IDENTIFIKASI LAHAN UNTUK BUDIDAYA TANAMAN PANGAN MENGGUNAKAN LEARNING VECTOR QUANTIZATION (LVQ) Uning Lestari 1

Recommend Documents