Sistem Pakar Pendeteksi Hama dan Penyakit Tanaman Mangga Menggunakan Metode Iterative Dichotomiser Tree (ID3)

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol. 2, No. 7, Juli 2018, hlm. 2713-2720

e-ISSN: 2548-964X http://j-ptiik.ub.ac.id

Sistem Pakar Pendeteksi Hama dan Penyakit Tanaman Mangga Menggunakan Metode Iterative Dichotomiser Tree (ID3) Dedy Surya Pradana1, Suprapto2, Bayu Rahayudi3 Program Studi Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya E-mail : [email protected], [email protected], [email protected] Abstrak Deteksi secara dini dapat meminimalisir risiko gagal panen tanaman mangga serta untuk penentuan upaya pengendalian secara strategis. Proses deteksi yang ada selama ini masih manual, dan pengetahuan tentang gejala- gejala penyakit dan hama tanaman mangga yang masih kurang. Jumlah hama penyakit tanaman mangga juga cukup banyak dan membuat para petani cukup kesulitan untuk menentukan hama penyakit apa yang menyerang. Pemanfaatan sistem diagnosis awal penyakit menjadi lebih mudah dan cepat. Petani juga dapat melakukan deteksi hama dan penyakit secara dini dan mandiri. Pada penelitian ini jenis hama penyakit yang dapat dideteksi sebanyak sembilan hama penyakit menggunakan metode Iterative dichotomizer 3 (ID3) dengan masukan gejala dari pengguna. Metode tersebut digunakan untuk mengolah data hama penyakit tanaman mangga dalam hasil pengujian akurasi sistem antara deteksi dengan hasil perhitungan metode Iterative Dichotomizer 3 (ID3) memiliki tingkat keakurasian sebesar 84%. Kata kunci: ID3, Hama, Penyakit, Mangga

Abstract Early detection can minimize the risk of crop failure and can be the determinant of the strategic control efforts.The detection that existed so far is still done manually, and knowledge of disease and pest of mango plant still lacking . The number of plant disease pests of mango is also quite a lot and make enough trouble for farmer detect that attacks.The utilization of the expert system detection process becomes easier and faster. Farmer can detect pest and plant disease early and independently as well. On the research of this kind of disease pest that can be detected as many as nine pests diseases using methods of Iterative dichotomezer 3 (ID3) with input from users of symptoms. The method is used to analyze the data of pest and plant disease of mango crops where as the result of system accuracy test between the detection and the result of Iterative dichotomezer 3 (ID3) method calculation has the accuracy level of 84%. Keywords: ID3, Mango, Pest, Plant Disease

1.

menghidupi para kelompok tani dan keluarganya. Berbagai macam variestas mangga dikembangkan di Indonesia. Mangga di Indonesia merupakan komuditas ekspor. Namun, tumbuhan tidak selamanya dapat terlepas dari serangan hama dan penyakit. Hama dan penyakit tanaman dapat disebut juga sebagai organisme pengganggu tanaman (OPT). Hewan dapat disebut hama karena mereka mengganggu tumbuhan dengan memakannya. Belalang, kumbang, ulat, wereng, tikus, walang sangit merupakan beberapa contoh binatang yang sering menjadi hama tanaman. Terdapat puluhan bahkan ratusan jenis hama dan penyakit yang menyerang tanaman mangga. Berbagai

PENDAHULUAN

Mangga (Mangiferae Indica) merupakan tanaman yang berasal dari India. Namun, tanaman mangga di Indonesia bukanlah tanaman asing bagi masyarakat. Sebagai negara yang beriklim tropis dan keanekaragaman agroklimat, Indonesia mampu menghasilkan hampir semua jenis buah tropika dan sub tropika termasuk mangga. Diluar sentra-sentra produsen mangga seperti Kabupaten Malang, tanaman mangga dapat dijumpai di hampir setiap pekarangan rumah tangga. Kabupaten Malang misalnya, mangga dijadikan sebagai komoditas unggulan, usaha tani mangga di wilayah tersebut dapat Fakultas Ilmu Komputer Universitas Brawijaya

2713

Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer

hama dan penyakit pada tanaman mangga yang menyerang dapat ditandai dari gejala-gejala serangan yang timbul. Tetapi, para petani mangga hanya mengetahui beberapa jenis hama atau penyakit yang paling umum atau yang paling sering menyerang saja dan petani terkadang tidak mengetahui hama atau penyakit apa yang menyerang tanamannya walau terdapat gejala-gejala yang ada. Ketidaktahuan dan kurangnya informasi tentang hama dan penyakit yang menyerang tanaman mangga menyebabkan petani atau penanam mangga mengalami kerugian karena tanamannya rusak atau gagal panen. Beberapa penelitian sebelumnya dilakukan oleh Agung Dwi Wicaksono (Wicaksono, 2016) dengan judul Sistem Pakar Penentuan Alternatif makanan Bergizi Bagi Ibu Menyusui Dengan Algoritme ID3. Penelitian ini bertujuan untuk mengetahui kinerja metode ID3 terhadap penentuan alternatif makanan untuk Ibu menyusui berdasarkan atribut yang digunakan seperti karbohidrat, protein, kalori dan lemak. Hasil penelitian menunjukkan bahwa kinerja sangat baik dengan tingkat akurasi 64%, dengan menggunakan 25 data latih serta 88% dengan menggunakan 40 data latih (Wicaksono,2016). Penelitian kedua dilakukan oleh Danny Manggoro (Manggolo, 2012) dengan judul Merancang dan Mengimplementasi Algoritme ID3 (Iterative Dichotomiser 3) Pada Sistem Pendeteksi Penyakit Tanaman Karet (Studi kasus: PTPN IX Kebun Ngobo, Ungaran).Penelitian ini berujuan untuk mengetahui seberapa efektif metode ID3 untuk diimplementasikan pada penyakit tanaman karet . Hasil penelitian menunjukkan bahwa tingkat keakurasian tergolong cukup kecil yakni 66% akurat dan 34% error(Manggolo, 2012). Permasalahan yang dihadapi petani akibat dari penyakit ini, maka dibutuhkan suatu layanan yang bisa membantu para petani untuk mendiagnosis awal penyakit pada tanaman mangganya yaitu berupa suatu sistem pakar (expert system). Sistem pakar dengan metode Decision Tree ini. Dari uraian diatas, maka penulis tertarik untuk membangun sebuah aplikasi “Sistem Pakar Pendeteksi Hama dan Penyakit Tanaman Mangga Dengan Metode Iterative Dichotomiser Tree (ID3)” sebagai suatu alternatif solusi untuk mengatasi masalah.

Fakultas Ilmu Komputer, Universitas Brawijaya

2714

2. DATA PENELITIAN Pengumpulan data pada penelitian ini didapat dari hasil wawancara dengan staff Dinas Tanaman Pangan Hortikultura dan Perkebunan Pemkab Malang. Dengan cara tersebut diperoleh data pengetahuan tentang gejala – gejala hama dan penyakit tanaman mangga yang akan digunakan sebagai proses perhitungan dengan metode Ietrative Dichotomizer 3 (ID3). Parameter hama dan penyakit tanaman mangga yang digunakan berjumlah 29 yaitu berupa gejala – gejala dari setiap hama penyakit tanaman mangga. 3. TANAMAN MANGGA Tanaman mangga termasuk ke dalam tumbuhan berbiji (Spermatophyta) dengan biji tertutup (Angiospermae) dan berkeping dua (Dicotyledoneae). Tanaman mangga dalam sistematika (taksonomi) tumbuhan dapat diklasifikasikan sebagai berikut : 1. Devisi : Spermatophyta 2. Sub devisi : Angiospermae 3. Kelas : Dicotyledoneae 4. Ordo : Sapindales 5. Famili : Anacardiaceae 6. Genus : Mangifera 7. Spesies : Mangifera Indica L. Tanaman mangga merupakan kelompok tumbuhan biji yang berupa pohon yang batangnya keras dan berkayu. Tanaman mangga mempumyai toleransi tumbuh yang tinggi, baik pada daerah dataran rendah maupun pada daerah dataran tinggi, baik dengan curah hujan sedikit maupun banyak. Untuk membudidayakan tanaman mangga dengan optimal harus dilakukan pada daerah dengan temperatur, curah hujan, keadaan awan dan angin yang sesuai. 4. HAMA DAN PENYAKIT MANGGA Jenis- jenis hama dan penyakit yang menyerang tanaman mangga biasa disebabkan oleh hama serangga, hama ulat, penyakit buah, penyakit daun, dan pembusukan akar. 4.1. Kutu Putih Hama ini menghisap cairan sel. Daun yang terserang mengering dan gugur.Kutu mengeluarkan cairan madu yang menjadi makanan cendawan penyebab penyakit embun jelaga dan umumnya menyerang pada musim penghujan (Badan Litbang Pertanian Indonesia, 2009).


4.2. Wereng Mangga Niveosparsus)

(Idiocerus

Hama ini menghisap cairan pada daun mangga, pucuk-pucuk muda, tangkaimuda dan buah muda, sehingga mudah rontok. Hama ini muncul pada saat peralihan musim kemarau ke musim hujan dan umumnya menyerang tanaman mangga yang sudah berproduksi (Badan Litbang Pertanian Indonesia, 2009). 4.3. Lalat Buah (Dacus Dorsalis) Hama ini menyerang permukaan kulit buah. Sehingga pada permukaan kulit buah terdapat titik-titik hitam, titik hitam tersebut akibat tusukan lalat buah. Daging buah menjadi busuk, akibatnya buah tidak dapat dipanen karena rusak atau gugur (Badan Litbang Pertanian Indonesia, 2009). 4.4. Penyakit Layu Benih (Phythium Vexans) Penyakit ini menyerang tanaman pada saat dipembibitan (polybag). Penyakit diakibatkan serangan cendawan (Phythium Vexans.). Gejala yang terlihat daun menjadi lembek dan lemah, berwarna hijau terang. Pada gejala lanjut daun akan mengering dan adanya bercak coklat pada pangkal daun. Selanjutnya tanaman mati, Apabila diperiksa akar menjadi busuk (Badan Litbang Pertanian Indonesia,2009). 4.5. Busuk Akar (Rigidoporus Microporus) Penyakit ini menyerang permukaan akar. Permukaan akar akan berwarnahitam, pada permukaan akar terdapat benang-benang jamur berwarna putih kotor kemudian leher akar mengelupas kemudian akar busuk. Penyakit ini dapat menyebabkan kematian pada tanaman. Penyakit ini sering dijumpai pada saat musim hujan (Badan Litbang Pertanian Indonesia, 2009). 4.6. Antraknosa Gloeosporioides)

(Colletotrichum

Penyakit ini menyerang permukaan daun. Pada permukaan daun terdapat bercak bulat sehingga angular berwarna coklat dan kelabu ditengahnya, kadang-kadang kekunigan di tepi atau berlubang (shot hole). Pada malai bunga terdapat bercak kecil pada pucuk, panikle dan tangkai. Selanjutnya bunga menjadi kehitaman, pada buah terdapat bercak berwarna coklat hingga berwarna gelap, pada buah yang sudah Fakultas Ilmu Komputer, Universitas Brawijaya

2715

matang akan menjadi busuk. Kerusakan pada awalnya terjadi pada daun muda dna mengakibatkan terminal cabang tidak produktif, bunga mengering, gagalnya pembentukan pentil buah, buah gugur dan menjadi busuk, penyakit ini biasanya menyerang pada awal musim hujan (Badan Litbang Pertanian Indonesia, 2009). 4.7. Embun Jelaga (Capnodium Mangiferae) Penyakit ini menyerang permukaan dan dan ranting. Pada permukaan daundan ranting terdapat lapisan tipis berwarna hitam. Lapisan berwarna hitam merupakan cendawan yang memperoleh makanan karena cairan madu yang dikeluarkan oleh hama seperti : wereng mangga, kutu sisik, dan kutu putih. Embun jelaga biasanya menyerang pada musim hujan (Badan Litbang Pertanian Indonesia, 2009). 4.8. Kudis Buah (Elsinoe Mangiferae) Penyakit ini menyerang permukaan buah. Pada permukaan buah terdapat sruktur yang tidak beraturan berwarna coklat tua. Setelah buah di panen meninggalkan bercak coklat yang keras dan mengering sehingga mengurangi penampilan buah. Penyakit ini biasanya menyerang pada musim hujan, ketika buah sebesar kelereng (Badan Litbang Pertanian Indonesia, 2009). 4.9. Penyakit Diplodia (Diplodia Natalensis) Penyakit ini menyerang batang atau cabang. Tanaman yang terserang mengeluarkan blendok yang berwarna kuning emas dari batang atau cabang, pada kulit terjadi luka yang tidak teratur. Cendawan berkembang diantara kulit dan kayu serta merusak lapisan kambium tanaman. Kayu yang mati berwarna hijau sampai hitam. Serangan diplodia kering umumnya lebih berbahaya karena gejala permukaan sukar diketahui. Kulit batang atau cabang tanaman yang terserang mengering, terdapat celah-celah kecil pada permukaan kulit, pada bagian kulit dan batang yang ada dibawahnya berwarna hitam kehijauan. Pada bagian celah-celah kulit terlihat adanya masa spora cendawan berwarna putih atau hitam. Penyakit ini biasanya menyerang pada musim hujan. 5. ITERATIVE DICHOTOMIZER 3 (ID3) Iterative Dichotomiser Tree (ID3) adalah salah satu algoritme yang sering digunakan pada


pembelajaran dan data mining karena mudah digunakan dan cukup efektif. Algoritme ini dikembangkan oleh J.Rose Quinlan pada tahun 1986. Algoritme ini membangun pohon keputusan dari beberapa data untuk proses klasifikasi dan menentukan klasifikasi data yang baru (Liang, 2005). Algoritme ID3 membutuhkan data yang telah memiliki kelas untuk pembelajaran sebelum melakukan proses klasifikasi. Kurangnya data pembelajaran dapat berakibat kurang optimalnya klasifikasi yang dihasilkan dari algoritme ini. Algoritma ID3 dapat diimplementasikan menggunakan fungsi rekursif (fungsi yang memanggil dirinya sendiri). Algoritme ID3 berusaha membangun decision tree secara topdown. Awalnya memeriksa semua atribut yang sesuai untuk diletakkan pada root dengan mengevaluasi semua atribut yang ada dengan menggunakan ukuran statistic (yang umum digunakan adalah information gain) untuk mengukur efektivitas suatu atribut dalam mengklasifikasikan kumpulan sampel data. Pemilihan atribut dengan menggunakan information gain, yaitu: 1. Memilih atribut dengan information gain terbesar. 2. Buat Simpul yang berisi atribut tersebut. 3. Proses perhitungan information gain akan terus dilaksanakan sampai semua data telah termasuk dalam kelas yang sama. Atribut yang telah dipakai tidak disertakan lagi dalam perhitungan nilai information gain. Dalam perhitungan algoritme ID3 dibutuhkan 2 rumus utama yaitu entropy dan information gain. Fungsi dari entropy yaitu mengukur seberapa baiknya sebuah node dan digunakan sebagai suatu parameter untuk mengukur keberagaman dari kumpulan sampel data. Ketika entropy semakin besar, menunjukkan bahwa kumpulan data semakin heterogen. Fungsi gain yaitu mengukur seberapa baik suatu atribut memisahkan training example ke dalam kelas target. Entropy digunakan untuk mendefinisikan nilain information gain yang berguna untuk memilih atribut terbaik dari atribut-atribut yang tersedia. Berikut perhitungan algoritme ID3 dengan mencari nilai dari entropy dan information gain: 𝑛

E(S) = − ∑𝑗=1 fs (j) log 2 fs (j)

(2.1)

Keterangan: Fakultas Ilmu Komputer, Universitas Brawijaya

• • •

2716 E(S) adalah Entropy dari himpunan S. N adalah jumlah nilai yang berbeda dari atribut di S. fs(j) adalah frekuensi dari nilai j dalam himpunan s.

Entropy 0 menandakan satu set telah diklasifikasi dengan sempurna. Perhitungan Information gain kemudian dilakukan setelah nilai Entropy didapat dengan menggunakan persamaan: m

G(S, A) = 𝐸(𝑆) − ∑ 𝑖=1

fs (Ai )E(SAi )

(2.2)

Keterangan: • G(S,A) adalah nilai gain dari atribut A pada himpunan S • M adalah jumlah nilai-nilai yang berbeda dari atribut A di S • fs(Ai) frekuensi dari item yang memiliki Aisebagai nilai dari A di S • Ai adalah ith nilai yang mungkin dari A • 𝑆𝐴𝑖 adalah bagian dari S yang berisi semua item dimana nilai A adalah Ai Setelah menghitung information gain pada semua atribut kemudian dicari information gain tertinggi untuk dijadikan root dalam suatu pohon keputusan. Begitu seterusnya sampai parameter tiap atribut terklasifikasi dengan sempurna.

Gambar 1. Diagram Alir ID3

6. IMPLEMENTASI SISTEM Dalam implementasi sistem disini akan ditjelaskan bagaimana proses dari sistem yang telah dibuat bisa berjalan dengan apa yang diharapkan. Untuk proses berjalannya sistem yaitu : 1. User menginputkan gejala – gejala yang tampak di tanaman mangga.


2.

3.

4. 5.

Sistem akan memproses inputan gejala – gejala yang telah dipilih oleh user dengan dataset yang ada pada sistem. Sistem akan melakukan klasifikasi data menggunakan metode iterative dichotomizer tree (ID3). Sistem memproses hasil klasifikasi data dengan inputan dari user Sistem akan menampilkan hasil tree dan hasil diagnosis

Untuk diagram alir dapat dilihat di gambar 2

2717

pengujian ini sistem akan di uji dengan menggunakan data uji sebanyak 10 dan diambil secara terurut. 8.

ANALISIS

Pada tabel 1 berikut akan ditunjukkan skenario pengujian yang telah dibuat. Tabel 1. Hasil Pengujian Perbandingan (data training : data testing)

Pengu jian

Akurasi

Akurasi Rata- Rata

90 : 10

1

80%

80%

80:10

1

90%

88%

2

80%

3

90%

4

90%

70:10

60:10

Gambar 2. Diagram Alir Sistem

7. PENGUJIAN Pada tahap pengujian akan menggunakan 2 pengujian terhadap sistem yang telah dibuat untuk mengetahui kesesuaian dan akurasi sistem terhadap pengguna dan kasus - kasus yang asli. Pengujian yang pertama dengan dengan menggunakan jumlah banyaknya data training. Sistem ini akan diuji dengan menggunakan 100 data yang telah diketahui hasilnya dan akan dilihat berapa tingkat akurasinya. Dalam penelitian ini untuk menentukan tingkat akurasinya akan dibuat beberapa skenario pengujian dengan membedakan perbandingan banyak data training dan penggunaan 10 data uji dan diulang sebanyak lima kali. Pengujian kedua menggunakan k-fold cross validation. Pengujian ini bertujuan untuk mengetahui akurasi dan pengaruh data training untuk menentukan hasil akurasi, dalam Fakultas Ilmu Komputer, Universitas Brawijaya

5

90%

1

100%

2

80%

3

80%

4

80%

5

90%

1

90%

2

70%

3

80%

4

80%

5

90%

86%

82%

Dari hasil pengujian yang telah dilakukan, didapatkan hasil akurasi yang beragam. Pada gambar 3 akan ditunjukkan hasil perbandingan akurasi rata – rata dari empat pengujian yang telah dilakukan Pengujian Akurasi

90 88 86 84 Peng ujian Akur asi

82

80 78 76 90-10

80-10

70-10

60-10

Gambar 3. Grafik pengujian

Seperti yang ditunjukkan pada gambar 3 maka dapat dilihat bahwa rata – rata akurasi terendah yaitu 80% pada pengujian


menggunakan 90 data training. Akurasi rata – rata terbaik yaitu 88% pada pengujian menggunakan 80 data training. Dari hasil pengujian dapat dilihat bahwa akurasi terbaik yaitu pada pengujian 80:10. Sedangkan pada pengujian 90:10 terjadi penurunan akurasi sehingga untuk mengetahui anomali tersebut maka selanjutnya akan dilakukan pengujian kfold cross validation pada perbandingan data 80:10 dan 90:10 untuk mengetahui tingkat akurasi dan pengaruh data yang digunakan pada saat pengujian. Dari hasil pengujian akurasi terbaik yaitu pada pengujian 80:10. Sedangkan pada pengujian 90:10 terjadi penurunan akurasi sehingga untuk mengetahui anomali tersebut maka selanjutnya akan dilakukan pengujian kfold cross validation pada perbandingan data 80:10 dan 90:10 untuk mengetahui tingkat akurasi dan pengaruh data yang digunakan pada saat pengujian. Pengujian 80:10 ( K-fold cross Validation) Tabel 2. K-Fold Cross Validation 80:10 No

Data uji

Data Training

Akurasi

1

Data ke 110

Data ke 11-90

90%

2

Data ke 1120

Data ke 21-100

80%

3

Data ke 2130

Data ke 31-100 ditambah data ke 110

80%

4

Data ke 3140


70%

5

Data ke 4150


90%

2718

menggunakan 10 data testing pada data ke 91100 dengan data training pada data ke 1-80 yang kedua yaitu dengan menggunakan data uji Data ke 1-10 dengan data training pada data ke 1190, ketiga yaitu dengan menggunakan data uji Data ke 41-50 dengan data training pada data ke 51-100 ditambah data ke 1-30, keempat yaitu dengan menggunakan data uji data ke 71-80 dengan data training pada data ke 81-100 ditambah data ke 1-60, kelima yaitu dengan menggunakan data uji data ke 81-91 dengan data training pada data ke 91-100 ditambah data ke 170. Akurasi terendah yaitu 70% didapatkan pada pengujian menggunakan 10 data uji pada Data ke 31-40 dengan data training pada data ke 41-100 ditambah data ke 1-20. Akurasi rata – rata yang didapatkan pada pengujian k-fold cross validation menggunakan perbandingan 80:10 adalah 85%. Pengujian Akurasi 80:10 menggunakan K-Fold Cross Validation 120 100

Peng ujian Akur asi 80:10 meng guna kan KFold Cr…

80

60 40 20

1 – 80

91-100

81-100

71-100

61-100

51-100

41-100

31-100

11 – 90 21-100

0

Gambar 4. K-fold validation 80:10

Pengujian 90:10 ( K-Fold Cross Validation)

6

Data ke 5160


80%

7

Data ke 6170


80%

8

Data ke 7180


90%

9

Data ke 8190


90%

10

Data ke 91100

Data ke 1-80

100%

Pada gambar 4 ditunjukkan bahwa akurasi tertinggi yaitu 100% didapatkan pada pengujian Fakultas Ilmu Komputer, Universitas Brawijaya

Pengujian dilakukan dengan mengambil 10 data uji secara terurut dari 100 data dan sisanya digunakan sebagai data training . Pada tabel 3 akan ditunjukkan skenario pengujian 90:10 menggunakan k-fold cross validation. Tabel 3. K-Fold Cross Validation 90:10 No

Data uji

Data Training

Akurasi

1

Data ke 110

Data ke 11-100

90%

2

Data ke 1120

Data ke 21-100

80%

3

Data ke 2130


80%


2719

4

Data ke 3140


70%

pengujian k-fold cross validation menggunakan perbandingan 90:10 adalah 84%.

5

Data ke 4150


90%

9. KESIMPULAN

6

Data ke 5160

Data ke 61 – 100 ditambah data ke 1 – 40

80%

7

Data ke 6170

Data ke 71-100 ditambah data ke 1 – 50

80%

8

Data ke 7180


90%

9

Data ke 8190


90%

10

Data ke 91100

Data ke 1-90

90%

Pengujian Akurasi 90 -10 menggunakan K-Fold Cross Validation

1 – 90

91-100

81-100

71-100

61-100

51-100

41-100

31-100

21-100

Pengujian Akurasi 90 -10 menggun akan KFold Cross Validatio n

11-100

100 90 80 70 60 50 40 30 20 10 0

Gambar 5. Hasil Pengujian Kedua

Pada gambar ditunjukkan bahwa akurasi tertinggi yaitu 90% didapatkan pada pengujian menggunakan 10 data uji pada data ke 1-10 dengan data training pada data ke 11-100 yang kedua yaitu dengan menggunakan data ke 71- 80 dengan data training pada data ke 81-100 ditambah data ke 1-60, ketiga yaitu dengan menggunakan data uji Data ke 81-90 dengan data training pada data ke 91-100 ditambah data ke 1-70, keempat yaitu dengan menggunakan data uji data ke 91-100. Akurasi terendah yaitu 70% didapatkan pada pengujian menggunakan 10 data uji pada Data ke 31-40 dengan data training pada data ke 41-100 ditambah data ke 120. Akurasi rata – rata yang didapatkan pada


Berdasarkan pada hasil perancangan, implementasi dan pengujian sistem yang telah dilakukan maka kesimpulan yang didapat sebagai berikut : 1. Perancangan sistem diagnosis penyakit dan hama tanaman mangga dengan menggunakan metode ID3 dapat dilakukan implementasi untuk dapat digunakan oleh petani mangga untuk mendiagnosis awal penyakit serta hama yang menyerang tanaman mangga. 2. Pada penelitian ini terdapat dua pengujian yang dilakukan berdasarkan perancangan pengujian pada bab perancangan. a. Pengujian bedasarkan jumlah data training Pengujian akurasi dilakukan dengan menggunakan 100 data yang telah diketahui hasilnya dan akan dilihat berapa tingkat akurasinya. Dalam penelitian ini untuk menentukan tingkat akurasinya akan dibuat beberapa skenario pengujian dengan membedakan perbandingan banyak data training dan penggunaan 10 data uji dan diulang sebanyak 5 kali dan dari hasil pengujian tersebut didapatkan nilai rata - rata akurasi yang cukup baik yaitu 80%, 88%, 86%, dan 82%. b. Pengujian K-fold Cross Validation Pengujian K-Fold Cross Validation pada perbandingan data 80:10 dan 90:10 untuk mengetahui tingkat akurasi dan pengaruh data yang digunakan pada saat pengujian, pengujian dilakukan dengan mengambil 10 data uji secara terurut dari 100 data dan sisanya digunakan sebagai data training. dan hasil pengujian rata-rata akurasi menggunakan K-Fold Cross Validation yaitu 85%, 84%. DAFTAR PUSTAKA Han, Jiawe, Micheline Khamber 2001,Data Mining : Concepts and Technique,Morgan Kaufmann Publisher, San Francisco, USA. Kohavi, R, Quinlan 1999. Decision Tree Discovery, AAAI and The MIT, Pres, 1-16.


Liang, G 2005, A Comparative Study of Three Decision Tree Algorithms: ID3, Fuzzy ID3 and Probalistic Fuzzy ID3, Informatics & Economics Erasmus University Rotterdam, The Netherlands. Litbang Pertanian Indonesia 2009, Hama dan Penyakit Tanaman Mangga, Badan Litbang Pertanian Indonesia, Diakses 15 Juni 2017, . Litbang Pertanian Balitjestro 2009, Gejala Serangan Penyakit Diplodia dan Pengendaliannya, Badan Litbang Pertanian Balitjestro, diakses 15 Juni 2017,. Suknovic, M, et al 2011, Reusable Component in Decision Tree Induction Algorithms, Springer-Verlag. Tan P. N. 2006, Introduction to Data Mining, Addison Wesley.


2720

Sistem Pakar Pendeteksi Hama dan Penyakit Tanaman Mangga Menggunakan Metode Iterative Dichotomiser Tree (ID3)

Recommend Documents