SPETINDO, Sistem Pendukung Keputusan Pembudidayaan Tanaman Menggunakan Algoritma Quantum Swarm Evolutionary

JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print)

1

SPETINDO, Sistem Pendukung Keputusan Pembudidayaan Tanaman Menggunakan Algoritma Quantum Swarm Evolutionary Eka Ayu Puspitaningrum, Umi Laili Yuhana, dan Wijayanti Nurul Khotimah Teknik Informatika, Teknologi Informasi, Institut Teknologi Sepuluh Nopember (ITS) Jl. Arief Rahman Hakim, Surabaya 60111 Indonesia E-mail: [email protected]

Abstrak—Saat ini para ahli agronomi dan petani menghadapi tantangan minimnya lahan pertanian dan tidak mencukupinya hasil produksi untuk memenuhi kebutuhan pangan, utamanya bahan pokok dalam negeri. Salah satu solusinya adalah restrukturisasi lahan yakni dengan menanami lahan dengan tanaman alternatif. Oleh sebab itu pemilihan jenis tanaman budidaya alternatif yang cocok dengan karakterisitik lahan sangat penting untuk dilakukan petani. Melalui penelitian ini dibangun suatu perangkat lunak aplikasi berbasis web dengan Decision Support Systems (DSS) yang mampu memberikan solusi bagi petani untuk mendapat informasi pembudidayaan tanaman yang cocok. Data yang digunakan sebagai studi kasus untuk memberikan rekomendasi adalah data karakteristik lahan seperti jenis tanah, suhu, ketinggian tanah, dan jumlah panen yang dihasilkan dari Dinas Pertanian Ponorogo. Aplikasi ini diberi nama SPETINDO (Sistem Pendukung Petani Indonesia). SPETINDO dibangun dengan menggunakan teknik penggalian data association rule mining dengan menggunakan algoritma Quantum Swarm Evolutionary (QSE) untuk meminimalisir kompleksitas perhitungan. SPETINDO menggunakan metode Jaccard untuk memilih rule yang digunakan, serta menggunakan Mean Square Error (MSE) untuk menghitung akurasi rekomendasi yang dihasilkan. SPETINDO ini bermanfaat untuk pertanian di Indonesia. Hasil rekomendasi SPETINDO cocok untuk diterapkan karena memiliki nilai MSE yang rendah yaitu 10125,42 kuintal dari total hasil produksi 121505,1 kuintal.

sudah mengalami degradasi yang luar biasa, dari sisi kesuburannya akibat dari penggunaan lahan yang tidak bervariasi sehingga tanah menjadi jenuh. Sehingga pengoptimalan penggunaan lahan harus dilakukan dan petani sudah saatnya sepenuhnya menuruti tuntutan produk pertanian pasar bebas. Oleh sebab itu, alternatif pilihan dan usulan alternatif adalah hal yang vital untuk manajemen dan keberlanjutan lahan pertanian. Dengan demikian, aplikasi sistem pendukung keputusan pembudidayaan tanaman ini dibutuhkan untuk membantu petani Indonesia menentukan restrukturisasi lahan pertanian dan formasi yang seimbang, sesuai dengan permintaan baru pasar dan karakteristik lahan yang dimiliki. Aplikasi ini memerlukan dataset yang banyak dari berbagai karakteristik lahan. Data didapatkan dari catatan pola tanam dan hasil yang diperoleh dari suatu daerah. Oleh sebab itu aplikasi ini memakai algoritma QSE dalam menemukan model untuk menentukan faktor budidaya lahan beserta rekomendasi tanaman yang tepat untuk ditanam, dengan waktu yang singkat.

Kata kunci—Pembudidayaan Tanaman, Quantum Swarm Evolutionary, Sistem Pendukung Keputusan.

A. Sistem Pendukung Keputusan Konsep Sistem Pendukung Keputusan (SPK) ditandai dengan sistem interaktif berbasis komputer yang membantu pengambilan keputusan dengan memanfaatkan data dan model untuk menyelesaikan masalah yang semi terstruktur. Pada dasarnya SPK dirancang untuk mendukung seluruh tahap pengambilan keputusan mulai dari mengidentifikasi masalah, memilih data yang relevan, menentukan pendekatan yang digunakan dalam proses pengambilan keputusan, sampai mengevaluasi pemilihan alternatif [2]. Suatu SPK memiliki empat subsistem utama yaitu subsistem manajemen data, subsistem manajemen model, subsistem antarmuka pengguna, dan subsistem manajemen berbasis pengetahuan [2]. 1. Subsistem Manajemen Data Dikelola oleh perangkat lunak sistem manajemen basis data (DBMS/Data Base Management System). 2. Subsistem Manajemen Model Paket perangkat lunak (disebut sistem manajemen basis model/MBMS) yang memasukkan model

I. PENDAHULUAN

I

NDONESIA dikenal sebagai negara agraris karena sebagian besar penduduknya mempunyai mata pencaharian di bidang pertanian atau bercocok tanam. Data Badan Pusat Statistik (BPS) yang dikeluarkan pada 7 November 2011 yang lalu, jumlah penduduk Indonesia yang bekerja di sektor pertanian masih menduduki prosentase tertinggi, yaitu mencapai 39,3 persen dari 109,67 juta penduduk Indonesia yang bekerja [1]. Meskipun Indonesia negara agraris tetapi Indonesia masih membutuhkan beberapa bahan pangan yang diimpor dari luar negeri. Berdasarkan BPS beberapa bahan pangan yang masih perlu diimpor yaitu kentang, singkong, biji gandum, terigu, kedelai, jagung, dan beras [1]. Menurut Kabid Ketahanan Pangan dan Pembangunan Daerah Tertinggal (PDT) masalah pembangunan pertanian yaitu penurunan kualitas dan kuantitas sumber daya lahan pertanian. Dari segi kualitas, faktanya lahan pertanian kita

II. TINJAUAN PUSTAKA

JURNAL TEKNIK POMITS Vol. 2, No. 1, (2013) ISSN: 2337-3539 (2301-9271 Print) keuangan, statistik, ilmu manajemen atau model kuantitatif lain yang memberikan kapabilitas analitik dan menajemen perangkat lunak yang tepat. 3. Subsistem Antarmuka Pengguna Pengguna berkomunikasi dan memerintahkan sistem pendukung keputusan melalui subsitem ini. 4. Subsistem Manajemen Berbasis Pengetahuan Subsistem ini mendukung subsistem lain atau bertindak langsung sebagai suatu komponen independen dan bersifat opsional. Komponen ini menyediakan keahlian untuk memecahkan beberapa aspek masalah dan memberikan pengetahuan yang dapat meningkatkan operasi komponen SPK yang lainnya. B. Association Rule Mining dan Quatum Swarm Evolutionary Association Rule Mining adalah salah satu metode penggalian data, yaitu menemukan aturan yang akan memprediksi terjadinya item berdasarkan pada kejadian barang-barang lainnya dalam transaksi. Aturan asosiasi dilambangkan dengan if c then p, c untuk kondisi dan p untuk prediksi di mana c adalah gabungan dari satu atau lebih kondisi dan p juga merupakan gabungan dari satu atau lebih prediksi. Association rule mining bertujuan untuk mengekstrak korelasi atau struktur kausal yang ada antara item yang sering digunakan atau atribut dalam basis data. Kompleksitas terutama muncul dalam transaksi basis data dan item-item dalam jumlah besar. Association rule mining dalam basis data yang besar prosesnya sangat kompleks dan exact algorithm sangat mahal untuk digunakan. Evolutionary computing menyediakan banyak bantuan dalam hal ini. Masalah kompleksitas tersebut dapat diselesaikan salah satunya dengan menggunakan algoritma QSE untuk mining association rules [3]. QSE adalah hibridisasi dari quantum evolutionary algorithm (QEA) dan particle swarm optimization (PSO). Pendekatan QEA lebih baik daripada classical evolutionary algorithm seperti genetic algorithm. QEA bukan menggunakan biner, representasi numerik atau simbolik. QEA menggunakan Qbit sebagai representasi probabilistik, yang didefinisikan sebagai unit terkecil dari informasi. QSE menggunakan mekanisme novel quantumm bit expression yang disebut sudut kuantum dan mengadopsi PSO untuk meningkatkan Qbit dari QEA dengan otomatis. Komputasi kuantum dapat memecahkan banyak masalah yang sulit di bidang komputasi klasik yang didasarkan pada konsep dan prinsip-prinsip teori kuantum [3]. Pseudocode struktur dari QEA dijelaskan pada Gambar 1 [4]. Perubahannya pada QSE berada pada memutakhirkan nilai Q(t). Pada QSE untuk memutakhirkan nilai Q(t) menggunakan fungsi PSO seperti didefinisikan dalam (1) dan (2). 𝑣𝑣𝑗𝑗𝑗𝑗𝑡𝑡+1 = 𝛾𝛾 ∗ �𝜔𝜔 ∗ 𝑣𝑣𝑗𝑗𝑗𝑗𝑡𝑡 + 𝑐𝑐1 ∗ 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟() ∗ �𝜃𝜃𝑗𝑗𝑗𝑗𝑡𝑡 (𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝) −

𝜃𝜃𝑗𝑗𝑖𝑖𝑡𝑡+ 𝑐𝑐2∗𝑟𝑟𝑎𝑎𝑛𝑛𝑑𝑑()∗𝜃𝜃𝑖𝑖𝑡𝑡𝑔𝑔𝑏𝑏𝑒𝑒𝑠𝑠𝑡𝑡−𝜃𝜃𝑗𝑗𝑖𝑖𝑡𝑡 𝜃𝜃𝑗𝑗𝑗𝑗𝑡𝑡+1 = 𝜃𝜃𝑗𝑗𝑗𝑗𝑡𝑡 + 𝑣𝑣𝑗𝑗𝑗𝑗𝑡𝑡+1

(1)

(2)

2

Input : Dataset Pertanian dalam bentuk XML Output : rule={{1,0,1,0,1,0,1,0,0,0,1,0,0,0,0,0},{...}} Begin t0 i initialize Q(t) ii make P(t) by observing the states of Q(t) iii evaluate P(t) iv store the best solutions among P(t) into B(t) while (not termination-condition) do begin t t+1 v make P(t) by observing the states of Q(t-1) vi evaluate P(t) vii update Q(t) using Q-gates viii store the best solution among B(t-1) and P(t) into B(t) ix store the best solution b among B(t) x if (migration-condition) then migrate b or 𝑏𝑏𝑗𝑗𝑡𝑡 to B(t) globally or locally, respectively End End Gambar 1. Pseudocode QEA

Di mana: 𝛾𝛾 = konstanta positif, 𝜔𝜔=bobot yang menunjukkan akibat perpindahan sebelumnya, 𝑣𝑣𝑗𝑗𝑗𝑗𝑡𝑡 = v awal random antara 0-1, c1 = konstanta positif, 𝜃𝜃𝑗𝑗𝑗𝑗𝑡𝑡 (𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝) = posisi sudut tertinggi dalam 1 baris data, 𝜃𝜃𝑗𝑗𝑗𝑗𝑡𝑡 = posisi sudut ke ji, c2 = konstanta positif, 𝜃𝜃𝑖𝑖𝑡𝑡 (𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔) = posisi sudut tertinggi dalam semua data, 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟() = random antara 0-1. Pada algoritma yang digunakan di sini 𝛾𝛾 didefinisikan dengan 0,99, 𝜔𝜔 didefinisikan dengan 0,7298, c1 didefinisikan dengan 1,42, dan c2 didefinisikan dengan 1,57. C. Jaccard

Jaccard adalah metode statistik yang digunakan untuk membandingkan kesamaan seperti yang didefinisikan dalam (3). |A∩B|

J(A, B) = |A∪B|

(3)

Di mana A adalah rule yang dihasilkan dan B adalah input yang dimasukkan. 𝐽𝐽(𝐴𝐴, 𝐵𝐵) adalah tingkat persamaan, |𝐴𝐴 ∩ 𝐵𝐵| adalah jumlah atribut yang sama serta |𝐴𝐴 ∪ 𝐵𝐵| adalah jumlah semua atribut [5]. D. JavaScript Object Notation

JSON (dilafalkan ‘Jason’) merupakan format tukar data ringkas. JSON ditulis dengan teks yang memiliki format dan memiliki aturan-aturan penulisan. JSON digunakan untuk merepresentasikan struktur data sederhana dan objek. Sebuah objek direpresentasikan pada JSON dengan sebuah koleksi data yang terdiri atas pasangan nama indeks dan data [6].


3 System

Mengelola informasi hama Mengelola informasi pupuk Administrator Menambah Data Admin Melihat rekomendasi tanaman budidaya melihat informasi pencegahan hama <> Meminta data pencegahan hama Pengguna melihat informasi penggunaan pupuk melihat informasi harga pasar

Gambar 2. Arsitektur Sistem SPETINDO melihat informasi permintaan pasar

E. Active Server Page.NET Active Server Page .NET atau yang biasa disebut sebagai ASP.NET adalah kumpulan teknologi dalam Framework .NET untuk membangun aplikasi web dinamik dan XML Web Service. Halaman ASP.NET dijalankan di server kemudian akan dibuat halaman penanda seperti HTML (Hypertext Markup Language), WML (Wireless Markup Language), atau XML (Extensible Markup Language) yang dikirim ke mesin pencari di komputer atau di ponsel. III. ANALISIS DAN PERANCANGAN SISTEM A. Deskripsi Sistem Aplikasi yang dibangun pada artikel ini adalah aplikasi SPETINDO. SPETINDO, Sistem Pendukung Petani Indonesia adalah sebuah aplikasi SPK berbasis web yang membantu penyuluh pertanian dan masyarakat menentukan jenis tanaman yang paling sesuai untuk ditanam dilahan tertentu sesuai ciri– ciri atau karakteristik lahan. Pengembangan sistem ini bertujuan untuk memudahkan konsultan dalam mengambil keputusan dalam menentukan jenis tanaman bagi suatu lahan. B. Arsitektur Sistem Arsitektur perangkat lunak SPETINDO dijelaskan pada Gambar 2. Sistem memiliki dua aktor yang memiliki peran masing-masing yakni pengguna dan admin. Administrator disini adalah karyawan dari Dinas Pertanian. Administrator bertugas untuk memutakhirkan data pupuk dan hama. Pengguna adalah aktor yang menerima rekomendasi pembudidayaan tanaman dari data karakteristik lahan yang telah dimasukkan. Pengguna bisa ahli pertanian, ketua kelompok petani, petani, maupun masyarakat umum. Masukan yang dimasukkan pengguna adalah karakteristik tanah seperti jenis tanah, suhu, ketinggian tanah, serta luas tanah dan macam-macam pengeluaran. Keluaran yang akan keluar adalah rekomendasi tanaman apa yang cocok untuk ditanami dari hasil yang memiliki nilai laba tertinggi. Nilai laba didapatkan dari pemasukan dikurangi pengeluaran. Nilai pengeluaran didapatkan dari prediksi jumlah produksi panen

Gambar 3. Diagram Kasus Penggunaan

tanaman yang dihasilkan dari model yang telah dibentuk menggunakan algoritma QSE dikalikan dengan harga pasar. Nilai pengeluarannya dihitung dari biaya pupuk, biaya sewa tanah, dan biaya pekerja. Selain itu juga diinformasikan harga pasar tanaman tersebut saat ini, hama yang kemungkinan menyerang beserta cara penanganannya, dan informasi pupuk yang sebaiknya digunakan [10][11]. Aplikasi ini berjalan dengan urutan seperti bawah ini: 1) Pada lapisan presentasi terdapat subsistem manajemen antarmuka yang berbasis web. 2) Pada lapisan aplikasi menggunakan webserver IIS7. 3) Di luar sistem pembuat aplikasi melakukan pengambilan data yang digunakan sebagai dataset. Data-data tersebut kemudian dipraproses menjadi bentuk XML. Pada lapisan aplikasi dataset yang berbentuk XML tersebut kemudian diolah menggunakan algoritma pada subsitem manajemen berbasis model menggunakan algoritma quantum swarm evolutionary sehingga menghasilkan model. 4) Pada lapisan aplikasi terdapat modul nasihat yang merupakan subsistem manajemen berbasis pengetahuan yang memproses hasil akhir rekomendasi yang diberikan. 5) Pada lapisan penyimpanan yang merupakan subsistem manajemen data menggunakan DBMS Oracle 10g. Pada basis data ini menyimpan data hama, pupuk, dan harga jenis tanaman yang digunakan untuk mengolah hasil rekomendasi. C. Analisis Kasus Penggunaan Kasus penggunaan yang digunakan pada sistem perangkat lunak ini digambarkan secara garis besar pada Gambar 3. Hal tersebut merupakan kebutuhan fungsional yang berisi kumpulan proses bisnis dalam perangkat lunak yang harus dipenuhi. Penjelasan untuk tiap kasus penggunaan adalah sebagai berikut. 1. Mengelola Informasi Hama Aktor yang dapat melakukan tugas mengelola


2.

3.

4.

5.

6.

7.

8.

informasi hama adalah admin. Tugas mengelola yang dilakukan adalah dengan menambahkan jenis hama yang kemungkinan menyerang dan cara penangannnya. Selain itu admin juga bisa mengubah data cara penanganan hama. Mengelola Informasi Pupuk Aktor yang dapat melakukan tugas mengelola informasi pupuk adalah admin. Tugas mengelola yang dilakukan adalah dengan menambahkan jenis pupuk dan takaran pemupukan. Selain itu admin juga bisa mengubah data cara takaran pemupukan. Menambah Data Admin Aktor yang dapat melakukan tugas menambah informasi admin adalah admin. Tugas yang dilakukan adalah menambahkan data admin berupa username dan password. Melihat Rekomendasi Tanaman Budidaya Pengguna memasukkan karakteristik lahan yang dimiliki. Keluarannya adalah berupa perbandingan hasil panen diantara tiga jenis tanaman berdasarkan nilai rekomendasi, nilai tersebut didapatkan dari laba yang diperoleh. Melihat Informasi Pencegahan Hama Aktor yang dapat melakukan ini adalah semua pengguna tanpa perlu login terlebih dahulu. Pengguna bisa melihat cara menangani hama yang menyerang. Ketika melihat data hama yang ingin dicari ternyata tidak ada pengguna bisa meminta data cara pencegahan hama dengan cara menuliskan nama hama dan tanaman yang ingin diketahui. Melihat Informasi Penggunaan Pupuk Aktor yang dapat melakukan ini adalah semua pengguna tanpa perlu login terlebih dahulu. Pengguna bisa melihat pupuk yang cocok untuk digunakan sesuai dengan status hara tanah yang dimiliki. Kondisi status hara dapat diketahui dengan cara mengukur sendiri maupun lewat peta status hara yakni pembagian berdasarkan wilayah kota. Aktor memasukkan input berupa nama tanaman, luas lahan dan kondisi status hara lahannya saat ini. Melihat Informasi Harga Pasar Aktor yang dapat melakukan ini adalah semua pengguna tanpa perlu login terlebih dahulu. Pengguna bisa melihat informasi harga pasar tanaman saat ini pada masing-masing kabupaten. Melihat Informasi Permintaan Pasar Aktor yang dapat melakukan ini adalah semua pengguna tanpa perlu login terlebih dahulu. Pengguna bisa melihat informasi permintaan pasar tanaman saat ini pada masing-masing kabupaten.

D. Perancangan Proses Pada subbab ini dijelaskan mengenai rancangan proses aplikasi yang digunakan untuk pencapaian suatu fungsi pada program. 1. Praproses Dataset Dataset yang digunakan adalah dataset pertanian

4

kabupaten Ponorogo. Dataset tersebut perlu diolah terlebih dahulu sebelum siap untuk diolah aplikasi. Atribut pada dataset pertanian di Ponorogo ada 5 kategori atribut meliputi jenis tanaman, jenis tanah, suhu, ketinggian tanah, dan jumlah produksi perhektar. Jenis tanaman dikelompokkan menjadi tiga jenis yaitu padi, jagung, dan kedelai. Jenis tanah dikelompokkan menjadi 11 kelompok yaitu komplek litosol, aluvial kelabu, dll. Suhu dikelompokkan menjadi dua jenis yakni suhu rendah (180260 C), dan suhu tinggi (270-310 C). Ketinggian tanah dibedakan menjadi dua jenis yakni dataran rendah (<700 m dpl) dan dataran tinggi (>=700 m dpl). Asosiasi memiliki atribut sebanyak jumlah nilai atribut dataset sehingga dataset yang dimiliki perlu diubah menjadi multiset S seperti dalam (4). Setelah dataset terbentuk dilanjutkan dengan proses mengubah dataset ke dalam bentuk XML. 𝑆𝑆 = {〈𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡 = 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝, 𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗 𝑡𝑡𝑡𝑡𝑡𝑡𝑡𝑡ℎ =

𝑎𝑎𝑙𝑙𝑢𝑢𝑣𝑣𝑖𝑖𝑎𝑎𝑙𝑙, 𝑠𝑠𝑢𝑢ℎ𝑢𝑢=27 ˚𝐶𝐶 − 31 ˚𝐶𝐶 , 𝑘𝑘𝑒𝑒𝑡𝑡𝑖𝑖𝑛𝑛𝑔𝑔𝑔𝑔𝑖𝑖𝑎𝑎𝑛𝑛 𝑡𝑡𝑎𝑎𝑛𝑛𝑎𝑎ℎ=𝑟𝑟𝑒𝑒𝑛𝑛𝑑𝑑𝑎𝑎ℎ, 𝑝𝑝𝑟𝑟𝑜𝑜𝑑𝑑𝑢𝑢𝑘𝑘𝑠𝑠𝑖𝑖=𝑑𝑑, 𝑡𝑡𝑎𝑎𝑛𝑛𝑎𝑎𝑚𝑚𝑎𝑎𝑛𝑛=𝑗𝑗𝑎𝑎𝑔𝑔𝑢𝑢𝑛𝑛𝑔𝑔, 𝑗𝑗𝑒𝑒𝑛𝑛𝑖𝑖𝑠𝑠 𝑡𝑡𝑎𝑎𝑛𝑛𝑎𝑎ℎ=𝑙𝑙𝑖𝑖𝑡𝑡𝑜𝑜𝑠𝑠𝑜𝑜𝑙𝑙 , 𝑠𝑠𝑢𝑢ℎ𝑢𝑢=18 ˚𝐶𝐶 − 26 ˚𝐶𝐶 , 𝑘𝑘𝑒𝑒𝑡𝑡𝑖𝑖𝑛𝑛𝑔𝑔𝑔𝑔𝑖𝑖𝑎𝑎𝑛𝑛 𝑡𝑡𝑎𝑎𝑛𝑛𝑎𝑎ℎ=𝑡𝑡𝑖𝑖𝑛𝑛𝑔𝑔𝑔𝑔𝑖𝑖 , 𝑝𝑝𝑟𝑟𝑜𝑜𝑑𝑑𝑢𝑢𝑘𝑘𝑠𝑠𝑖𝑖=𝑏𝑏,…… (4)

2. Proses Pengambilan Keputusan Hasil Panen Menggunakan Algoritma Quantum Swarm Evolutionary Proses pengambilan keputusan hasil panen pada aplikasi ini dilakukan dengan mengolah dataset menggunakan algoritma quantum swarm evolutionary yang sudah dijelaskan pada Bab II.B dan metode Jaccard pada Bab II.C. Aplikasi terlebih dahulu melakukan proses training dengan mengolah dataset dalam bentuk XML untuk mendapatkan 10 model rule terbaik. Setelah rule ditemukan, aplikasi melakukan pengujian dengan cara mencocokkan rule dengan data input. Jika tidak mendapatkan rule yang cocok maka menggunakan metode Jaccard untuk mendapatkan nilai kemiripan antara input dan rule sehingga keputusannya didapatkan dari yang memiliki nilai kemiripan tertinggi. 3. Proses Pengambilan Data Harga Pasar dan Permintaan Pasar Menggunakan JSON Proses pengambilan data menggunakan metode JSON. Pertama harus diketahui dulu link dari website Kementerian Pertanian [7] untuk mendapatkan data harga pasar dan permintaan pasar kemudian dicari struktur datanya, setelah itu dibaca menggunakan deserialisasi JSON. Pengambilan data harga pasar menggunakan parameter tanggal yang diinginkan untuk diketahui harga pasarnya. Sedangkan data permintaan pasar menggunakan parameter jenis tanaman yang ingin diketahui. 4. Proses Rekomendasi Tanaman Proses pemberian rekomendasi tanaman memberikan hasil perhitungan laba yang kemungkinan didapatkan petani. Subsistem manajemen berbasis pengetahuan disini berupa pengetahuan dalam menghitung laba petani yang didapatkan dalam satu kali musim panen. Nilai laba tersebut didapatkan dari total pemasukan dikurangi


5

Gambar 5. Antarmuka Halaman Output Modul Nasihat

Implementasi kasus penggunaan lainnya adalah mendapatkan informasi harga pasar seperti tampilan pada Gambar 7. Pengguna dapat mengetahui informasi harga pasar sesuai dengan tanggal yang dipilih. Aplikasi secara otomatis menampilkan tabel informasi harga pasar tiga jenis tanaman dari berbagai kabupaten di Indonesia. V. PENGUJIAN DAN EVALUASI Gambar 4. Antarmuka Halaman Input Modul Nasihat

pengeluaran. Pemasukan didapatkan dari perkalian perkiraan hasil panen dan harga pasar saat ini. Pengeluaran dihitung dari biaya sewa tanah, biaya tenaga kerja, biaya pemupukan serta biaya pembelian bibit tanaman. Biaya sewa tanah dan biaya tenaga kerja ditentukan oleh pengguna. Sedangkan biaya pemupukan dan pembelian bibit diolah dari data yang dimiliki oleh aplikasi. Untuk mendapatkan biaya pembelian bibit didapatkan dari perkalian harga bibit di pasar yang disimpan dalam basis data, dikali dengan luas lahan, serta dikali dengan 25. Angka 25 didapatkan dari rekomendasi Kementerian Pertanian bahwa satu hektar lahan diperlukan bibit sejumlah 25 kg. IV. IMPLEMENTASI A. Implementasi Kasus Penggunaan Implementasi kasus penggunaan dilakukan untuk setiap kebutuhan yang sudah dirancang seperti pada bab sebelumnya. Salah satunya adalah implementasi kasus penggunaan melihat rekomendasi tanaman budidaya. Antarmuka halaman untuk memasukkan masukan data karakteristik lahan disajikan pada Gambar 4. Keluarannya adalah pemberian rekomendasi tanaman berupa perhitungan laba yang kemungkinan didapatkan petani. Pengguna direkomendasikan untuk memilih tanaman yang menghasilkan laba paling besar seperti pada Gambar 5. Implementasi kasus penggunaan lainnya adalah mendapatkan informasi pemilihan pupuk seperti tampilan pada Gambar 6. Pemupukan disini berdasarkan kondisi status hara suatu tanah dan jenis tanaman. Kondisi status hara suatu tanah dapat diukur dengan cara manual maupun berdasarkan wilayah menggunakan peta status hara. Setelah mengetahui kondisi status hara suatu tanah pengguna memasukkan jenis tanaman dan luas lahannya kemudian menghasilkan takaran pemupukan dan total harga yang harus dibayarkan.

Pengujian perangkat lunak ini menggunakan metode pengujian black box yang berfokus pada testing akurasi rule yang dihasilkan, pengujian kebutuhan fungsional, serta pengujian subjektif oleh ahli pertanian. Pengujian ini dilakukan untuk menguji apakah keputusan yang dihasilkan akurat dan fungsionalitas yang diidentifikasi pada tahap kebutuhan benar-benar diimplementasi dan bekerja seperti yang semestinya. Pengujian menggunakan metode K-Fold Cross Validation. Cross validation adalah teknik validasi model untuk memperkirakan seberapa akurat model prediktif. Pada pengujian ini menggunakan 5 putaran (k). Pada tahap testing ini dari dataset yang tersedia 80% dijadikan sebagai data training dan 20% dijadikan sebagai data testing. Dari hasil pengujian bisa dihitung Mean Square Error-nya. Mean Square Error (MSE) adalah metode lain untuk mengevaluasi metode peramalan. Masing-masing kesalahan atau sisa dikuadratkan. Kemudian dijumlahkan dan dibagi dengan jumlah observasi. Rumus MSE dituliskan dalam (5). 1

𝑛𝑛

𝑀𝑀𝑀𝑀𝑀𝑀 = 𝑛𝑛 �

𝑖𝑖=1

�Ŷ𝑖𝑖 − 𝑌𝑌𝑖𝑖 �

2

(5)

Di mana: Ŷ adalah nilai prediksi hasil panen, 𝒀𝒀 adalah nilai output asli hasil panen, n adalah jumlah data testing. Hasil perhitungan MSE dari hasil pengujian dapat dilihat pada Tabel 1. Nilai MSE adalah 10125,42 kuintal dari total produksi 121505,1 kuintal. Perbandingan nilai MSE dengan total produksi dikali 100% adalah 8,34%. Dari pengujian subjektifitas oleh ahli pertanian didapatkan kesimpulan bahwa aplikasi SPETINDO ini dibutuhkan dan bermanfaat untuk pertanian Indonesia. Hasil rekomendasinya akurat karena menggunakan data yang sesungguhnya. Namun perlu ditambahkan faktor budidaya lain seperti kebutuhan air, kondisi iklim, biaya peralatan budidaya, pupuk, pestisida, herbisida agar sesuai dengan kondisi lapangan.


Gambar 6. Implementasi Kasus Penggunaan Mendapatkan Informasi Pemilihan Pupuk

Gambar 7. Implementasi Kasus Penggunaan Mendapatkan Informasi Harga Pasar

Tabel 1. Tabel Hasil Uji Coba Perhitungan MSE

n

Total Prediksi Hasil Panen (kuintal)

Total Hasil Panen Asli (kuintal)

1 1126158 1125856 2 844532,3 844494 3 1009915 1010013 4 1000147 1000241 5 957472,5 956993 Rata-rata Perbandingan MSE dan total produksi

�

𝑛𝑛

𝑖𝑖=1

�Ŷ𝑖𝑖 −

𝑌𝑌𝑖𝑖 )2 (kuintal) 126967,5 72722,34 173631 94529,48 139675,1 121505,1

MSE (kuintal)

10580,63 6060,195 14469,25 7877,457 11639,59 10125,42 8,34%

UCAPAN TERIMA KASIH Penulis E.A.P. mengucapkan terima kasih kepada Tuhan Yang Maha Esa, kedua orangtua dan keluarga penulis, dosen pembimbing, seluruh dosen Teknik Informatika ITS, kerabat dekat, serta berbagai pihak yang telah membantu penulis dalam menyelesaikan penelitian ini. DAFTAR PUSTAKA [1]

[2]

VI. KESIMPULAN/RINGKASAN Dari proses perancangan, implementasi, serta pengujian sistem dapat ditarik kesimpulan sebagai berikut. 1. Data pertanian dari Dinas Pertanian Ponorogo yang digunakan sebagai dataset berupa data jenis tanaman, jenis tanah, suhu, ketinggian tanah, dan hasil panen memiliki nilai MSE rata-rata yaitu 10125,42 kuintal dari total produksi 121505,1 kuintal. Nilai MSE yang rendah tersebut disebabkan karena dataset yang digunakan diambil dari data lapangan yang sebenarnya. Namun masih perlu ditambahkan faktor budidaya lain seperti kebutuhan air, kondisi iklim, biaya peralatan budidaya, pupuk, pestisida, herbisida agar sesuai dengan kondisi lapangan. 2. Algoritma Quantum Swarm Evolutionary dapat digunakan untuk membuat model yang digunakan untuk subsistem manajemen model pada aplikasi sistem pendukung keputusan pembudidayaan tanaman. Metode untuk memilih model yang cocok digunakan metode Jaccard. 3. Hasil dari model yang ditemukan diolah dengan data harga pasar dan beberapa data pengeluaran seperti biaya sewa tanah, biaya sewa pekerja, biaya pembibitan dan biaya pemupukan untuk mendapatkan nilai laba yang digunakan sebagai nilai rekomendasi untuk tanaman yang akan dibudidayakan oleh petani. 4. Aplikasi SPETINDO dapat diakses di riset.ajk.if.its.ac.id/spetindo/, dan siap menjadi sistem pendukung keputusan pembudidayaan tanaman yang siap dipakai oleh stakeholder.

6

[3]

[4]

[5] [6] [7] [8]

[9] [10]

[11]

Detik Finance, 2012. Ini 7 Bahan Pangan Indonesia yang Masih Impor, . Kusrini, 2007. Konsep dan Aplikasi Sistem Pendukung Keputusan. Yogyakarta:Penerbit Andi. Ykhlef, M., 2010. A Quantum Swarm Evolutionary Algorithm for Mining Association Rules in Large Database. Journal of King Saud University. Hyun Han, K., 2002. Quantum Inspired Evolutionary Algorithm for a Class of Combinatorial Optimization. IEEE Transactions On Evolutionary Computation, Vol. 6, No. 6, December 2002. Wikipedia, 2013. Jaccard Index, . JSON, 2013. Introducing JSON, . Kementerian Pertanian, 2013. Pelayanan Informasi Pasar Kementerian Pertanian Republik Indonesia, . E. Antonopoulou, S., 2009. Web and Mobile Technologies in A Prototype DSS for Majord Field Crops. Computers and Electronics in Agriculture 70 (2010) 292–301. Y. Wang., 2006. A Novel Quantum Swarm Evolutionary Algorithm And Its Application. Neurocomputing 70 (2007) 633–640. E. Antonopoulou, S., 2009. Web and Mobile Technologies in A Prototype DSS for Majord Field Crops. Computers and Electronics in Agriculture 70 (2010) 292–301. Karetsos, S., 2009. Migration of A Decision Support System To The Mobile. EFITA Conference 2009.

SPETINDO, Sistem Pendukung Keputusan Pembudidayaan Tanaman Menggunakan Algoritma Quantum Swarm Evolutionary

Recommend Documents