Case Based Reasoning (CBR) Untuk Pendeteksi Penyakit Pada

Tanaman Kacang Kedelai Berbasis Web

Erni Sulastri, Eneng Tita Tosida, Fajar Delli
Program Studi Ilmu Komputer FMIPA Universitas Pakuan
Jl. Pakuan PO BOX 452, Bogor Jawa Barat
Telp/Fax (0251) 8312206
Email : erni065112173@gmail.com

ABSTRAK
Kedelai merupakan tanaman pangan berupa semak yang tumbuh tegak. Seiring waktu,
pertumbuhan kacang kedelai tidak lepas dari penyakit yang mengganggu
perkembangannya. Untuk mengetahui penyakit yang menyerang tanaman kacang kedelai,
maka perlu dilakukan suatu identifikasi untuk mengetahui penyakit kacang kedelai melalui
sebuah sistem pakar menggunakan metode Case Based Reasoning. Data dari UCI Learning
ada 100 data kasus dengan 15 penyakit dan 9 atribut dengan 28 gejala yang dimasukan
kedalam sistem. Pengujian dilakukan dengan perbandingan output sistem dengan
kesimpulan data menggunakan 10 data baru, 40 data, 50 data dan 100 data. Hasil
akurasinya berturut-turut sebesar 94%, 96,5%, 99,2%, dan 99,8%. Dengan akurasi 99,8%
dari pengujian 50 data baru menunjukan sistem lebih teruji, dan menunjukan bahwa sistem
yang dibangun dapat melakukan diagnosa penyakit dengan memberikan hasil diagnosa
yang sesuai walaupun menggunakan data baru. Sistem pendeteksi penyakit tanaman kacang
kedelai dengan metode Case Based Reasoning ini memiliki kinerja sistem yang baik untuk
memberikan solusi yang akurat baik ketika menyelesaikan permasalahan dengan kasus data
yang sudah terdapat di dalam basis pengetahuan, maupun menyelesaikan permasalahan
dengan kasus data yang belum ada di dalam basis pengetahuan.

Kata Kunci : UCI Learning, Case Based Reasoning, Penyakit Kacang Kedelai.

PENDAHULUAN Pertumbuhan kacang kedelai tidak lepas

Kedelai merupakan tanaman pangan
berupa semak yang tumbuh tegak. Jenis
kedelai liar Glycine ururiencis, merupakan
kedelai yang menurunkan berbagai kedelai
yang kita kenal sekarang (Glycine max (L.)
merril). Berasal dari daerah Manshukuo
(Cina Utara). Di Indonesia, kacang kedelai
dibudayakan mulai abad ke-17 sebagai
tanaman makanan dan pupuk hijau.
Penyebaran tanaman kedelai ke Indonesia
berasal dari daerah Manshukuo menyebar ke
daerah Mansyuria, Jepang (Asia Timur) dan
ke negara-negara lain di Amerika dan Afrika
dan ke negara-negara lain di Amerika dan
Afrika (Deptan, 2007).
dari penyakit yang menyerang atau
mengganggu perkembangannya. Untuk
mengidentifikasi penyakit kacang kedelai
maka harus diamati beberapa hal yang
menjadi karakteristik berbagai jenis
penyakit tersebut, diantaranya waktu tanam
tanaman, kondisi daun, temperatur
lingkungan, luas area tanaman yang diserang
penyakit, kondisi akar, kondisi buah dan
lain-lain.
Penelitian terdahulu dilakukan oleh
Noviyanti (2015), penelitian tersebut
membuat sebuah sistem pendeteksi penyakit
tanaman kacang kedelai menggunakan
Naive Bayes. Data yang diperoleh dari UCI
Learning, dengan menggunakan 264 data

1
penyakit dengan 10 dan 35 atribut gejala.
Nilai akurasi yang diperoleh dari pengujian,
didapat akurasi sebesar 76% untuk jumlah
10 atribut dan nilai akurasi sebesar 82%
untuk jumlah 35 atribut. Selain itu Farisi
M.A (2014), membuat sistem pakar dengan
menggunakan metode Cartainty Factor
dalam mengidentifikasi penyakit kedelai.
Sistem ini mendiagnosa 9 jenis penyakit
dengan 21 gejala. Destarianto Prawidya
(2012), sistem pakar pendiagnosa hama dan
penyakit kedelai menggunakan metode
Inference Tree dan Forward Chaining. Data
yang digunakan sebanyak 12 jenis hama dan
4 penyakit.
Pengembangan dari penelitian tersebut
akan membuat sebuah sistem diagnosa
penyakit kacang kedelai dengan
menggunakan metode yang berbeda yaitu
menggunakan metode penalaran Case Based
Reasoning dan perhitungan Similarity.
Manfaat dari penelitian ini, diharapkan
dapat digunakan sebagai alat bantu yang
mempermudah untuk seorang pakar atau
peneliti dalam mendeteksi penyakit pada
kacang kedelai dan bagi petani dalam
penyuluh pertanian yang menggunakan
sistem ini, sehingga dapat lebih mengetahui
dan mengerti akan penyakit yang menyerang
pada tanaman kacang kedelai.
METODE PENELITIAN
Dalam metode penelitian ini, akan
dijelaskan proses pembuatan sistem serta
langkah-langkah yang sesuai dengan
tahapan sistem pakar termasuk
pengumpulan data. Tahapan-tahapan
tersebut dijelaskan dalam skema seperti pada
gambar 1.
2
Gambar 1. Tahapan Penelitian
a. Tahap Penilaian
Kegiatan pada tahapan penilaian adalah
mendefinisikan masalah dan tujuan secara
umum pada sistem yang akan dibangun.
Kemudian dilakukan verifikasi antara sistem
pakar yang akan dibuat dengan masalah dan
tujuan yang telah didefinisikan.
b. Tahap Akuisisi Pengetahuan
Pada tahap akuisisi pengetahuan yang
dilakukan adalah menentukan sumber
pengetahuan. Dalam penyusunan sistem
pakar pendeteksi penyakit kacang kedelai
ini, yaitu melakukan proses pengumpulan
data dan pengorganisasian pengetahuan dari
UCI Learning Repository yang berua
dataset.
c. Tahap Desain
Tahap perancangan atau desain adalah
proses pembutaan desain dari sistem
identifikasi yang mencakup perancangan
sistem secara umum dan perancangan antar
muka.
d. Tahap Pengujian
Pada tahap pengujian sistem yang telah
dibuat akan diuji kembali.
e. Tahap Dokumentasi
Pada tahap dokumentasi dilakukan dengan
membuat diagram atau kamus user agar
dapat mempermudah user dalam memahami
sistem yang telah dibangun.
f. Tahap Pemeliharaan
Tahap pemeliharaan atau tahap maintenace
adalah tahap untuk melakukan 2 Plant- - Normal 0,10
stand/Tanam - Tidak Normal 0,20
pemeliharaan/maintenance terhadap sistem
an Berdiri (layu)
yang dibuat sesuai dengan kebutuhan user.
3 Precip/Curah - Dibawah 0,70
PERANCANGAN DAN Hujan Normal
IMPLEMENTASI (350-550 - Normal 0,10
mm) - Diatas 0,55
Normal
a. Penilaian 4 Temp/Suhu - Dibawah 0,60
Sudah banyak sistem yang dikembangkan Udara Normal
untuk mengidentifikasi penyakit kacang (250C - Normal 0,10
kedelai dengan berbagai metode. Namun 280C) - Diatas 0,55
masih banyak sistem yang belum maksimal Normal
5 Area- - Tersebar 0,60
melakukan identifikasi, salah satu solusi demaged/Da - Daerah 0,55
yaitu dengan dibuatnya sistem pakar erah Yang Rendah 0,60
mengenai identifikasi penyakit kacang Rusak - Daerah Tinggi
kedelai menggunakan metode case based
reasoning. 6 Germination/ - 90-100% 0,20
Perkecamba - 80-89% 0,55
b. Tahap Akuisisi Pengetahuan han - Dibawah 80% 0,60
Sumber data yang digunakan dalam
penelitian berasal dari UCI Learning 7 Leaves/Daun - Normal 0,10
(http://archive.ics.uci.edu/ml/datasets) yaitu - Tidak Normal 0,68
terdiri dari 15 (lima belas) penyakit seperti
8 Leafspots- - Tidak Ada 0,10
diaporthe-stem-canker, charcoal-rot,
halo/Lingkar - Hampir 0,75
rhizoctonia-root-rot, phytophthora-rot, dan an Bercak Kuning 0,60
lain-lain. Setiap penyakit terdiri dari 35 Daun - Hampir Tidak
atribut atau gejala serta faktor-faktor Kuning
penyebab adanya penyakit yang menyerang 9 Leafspot- - 1mm 0,50
tanaman kacang kedelai seperti Date, size/Ukuran - Diatas 1mm 0,75
Bercak Daun
Precip, Temp, Crop-hist, area-damaged,
dan lain-lain. Namun setelah dilakukan
seleksi atribut-atribut gejala dengan
c. Flowchart Sistem.
menghilangkan atribut yang banyak
Flowchart yaitu untuk representasi
memiliki nilai 0 dan diantaranya tidak
grafik dari langkah-langkah yang harus
adanya nilai bobot untuk atribut gejala,
diikuti dalam menyelesaikan suatu
atribut tersebut tidak dimasukan kedalam
permasalahan yang diawali dengan
sistem, maka dari itu atribut yang pada
penerimaan input, pemrosesan input, dan
awalnya berjumlah 35 atribut, setelah
diakhiri dengan penampilan output.
dilakukan seleksi menjadi 9 atribut dengan
28 gejala. Untuk data penyakit lebih
lengkapnya bisa dilihat pada lampiran 1.
Tabel 1. Deskripsi Data Atribut Gejala dan
Data Bobot Gejala
N Atribut Gejala Bobot
o Gejala
1 Date/Waktu - April 0,10
Tanam - Mei 0,10
- Juni 0,80
- Juli 1
- Agustus 1
- September 0,80
- Oktober 0,70

3
 Adapun rumus untuk melakukan
perhitungan kedekatan antara dua kasus
adalah sebagai berikut.
Similarity (problem, case) =

S = similarity (nilai kemiripan) yaitu 1

(sama) dan 0 (beda)
W = weight (bobot yang diberikan)

HASIL DAN PEMBAHASAN

Hasil yang didapat dari pembuatan

Sistem Identifikasi Penyakit Tanaman
Kacang Kedelai Menggunakan Metode Case
Based Reasoning akan dijelaskan seperti
berikut ini:
a. Implementasi pada tahap retrieve
Pada tahap retrieve merupakan
Gambar 2. Perancangan Flowchart Sistem.
proses pencarian kemiripan kasus baru
dengan kasus lama yang tersimpan dalam
basis pengetahuan. Misalkan diketahui data
yang diinputkan sebagai berikut :

Gambar 3. Alur Metode Case Based

Reasoning (CBR)
Similarity adalah pendekatan untuk
mencari kasus dengan menghitung
kedekatan antara kasus baru dengan kasus
lama, yaitu berdasarkan pada pencocokan Gambar 4. Halaman Diagnosa Input
bobot dari sejumlah fitur yang ada. Gejala
b. Implementasi pada tahap reuse

4
 Pada tahap reuse solusi diagnosa yang
diberikan adalah solusi yang memiliki nilai
similarity/kemiripan tertinggi antara kasus
lama dengan baru. Dalam kasus diatas
setelah semua gejala dimasukan lalu klik
simpan, kemudian akan muncul hasil nilai
similarity. Dari hasilnya nilai similarity yang
tertinggi terdapat pada penyakit Brown-spot
dengan nilai kemiripan 65% atau 0,650 di
perhitungan manual. Jadi penyakit yang di
alami oleh pengguna adalah penyakit
Brown-spot, kemudian sistem
menampilakan informasi hasil diagnosa
berupa hasil penyakit, definisi dan solusi
yang ditunjukan pada Gambar 5.
Gambar 5. Hasil Diagnosa Penyakit
c. Implementasi pada tahap revise
Meninjau kembali solusi yang
diusulkan kemudian mengetesnya pada
kasus nyata (simulasi) dan jika diperlukan
memperbaiki solusi tersebut agar cocok
dengan kasus yang baru.
d. Implementasi pada tahap retain
Tahap retain adalah tahap yang
berperan untuk mengatur manajemen
pengetahuan pada sistem. Tahap ini
menyimpan kasus kedalam basis
pengetahuan yang nantinya akan digunakan
untuk memecahkan kasus baru. Manajemen
basis pengetahuan diatur pada halaman
relasi. Admin memasukan gejala dan
penyakit kemudian menghubungkan gejala
dengan penyakit yang sesuai dengan data
penyakit yang didapatkan dari data UCI
Learning. Halaman relasi ditunjukan pada
Gambar 6.
5
Gambar 6. Tahap Relasi
Uji coba validasi dilakukan untuk
mengetahui apakah data pada sistem sudah
valid atau belum. Uji coba validasi
dilakukan dengan cara perbandingan output
sistem (CBR) 200 data kasus baru dengan
kesimpulan data (UCI Learning).
Perbandingan dilakukan dengan
empat kali percobaan, yaitu pertama dengan
10 data, kedua dengan 40 data, ketiga
dengan 50 data kasus baru dan keempat
dengan 100 data baru.
Perbandingan antara output sistem data
kasus baru dengan kesimpulan data UCI
Learning dilakukan dengan
membandingkan lima kasus penyakit
tertinggi yang dihasilkan oleh sistem dan
kemungkianan penyakit yang disimpulkan
oleh data UCI Learning.
Setelah dilakukan empat kali
percobaan tersebut, berikut secara
keseluruhan hasil akurasi dari perbandingan
output sistem data kasus baru dengan
kesimpulan data UCI Learning pada tabel 2.
Dan perbandingan dari keempat percobaan
secara grafis dapat dilihat pada gambar 7.
Tabel 2. Hasil akurasi dari empat percobaan
No Jumlah Data Baru Akurasi
1 10 94%
2 40 96,5%
3 50 99,2%
4 100 99,8%
 Kasus Baru KESIMPULAN DAN SARAN
102%
100%
98% Kesimpulan
Kasus Baru Jumlah keseluruhan data dari UCI
96%
94%
Learning adalah 307 data kasus dengan 15
penyakit dengan masing-masing penyakit
92%
memiliki 35 atribut gejala. Namun dilakukan
90%
10 40 50 100
seleksi atribut gejala yang tidak memiliki
Jumlah Data Baru nilai bobot gejala. Setelah dilakukan
Gambar 7. Grafik Hasil Akurasi penyeleksian, didapat 9 atribut dengan 28
Perbandingan Data Baru gejala yang dimasukan kedalam sistem dan
menggunakan 100 data kasus lama untuk
Dari hasil akurasi tersebut dapat sementara yang dapat ditambahkan lagi bila
disimpulkan bahwa pengujian dengan data diperlukan.
baru, pengujian dengan 100 data kasus baru Pengujian sistem dilakukan dengan
lebih teruji dengan mendapatkan nilai perbandingan output sistem (CBR) 100 data
akurasi sebesar 99,8%. Dengan akurasi kasus lama dengan kesimpulan data (UCI
tersebut menunjukan bahwa sistem semakin Learning) dan perbandingan output
teruji dengan menggunakan banyaknya data sistem(CBR) 100 data kasus baru dengan
uji coba. Dan sistem memberikan hasil yang kesimpulan data (UCI Learning). Hasil dari
sesuai dengan kesimpulan data dari UCI perbandingan output sistem (CBR) 100 data
Learning walaupun menggunakan data baru kasus lama didapat hasil akurasi sebesar
yang belum tersimpan pada sistem. 100%, menunjukan sistem memberikan
Proses sistem melakukan hasil kesimpulan diagnosa yang lebih baik
perhitungan diagnosa memerlukan beberapa jika data input menggunakan data yang
waktu tergantung dengan banyaknya data sudah ada. Sedangkan untuk perbandingan
yang ada. Percobaan pertama dengan 10 output sistem (CBR) 200 data kasus baru
data memerlukan waktu diagnosa 2 detik. dengan empat kali percobaan. Percobaan
Percobaan kedua dengan 40 data pertama dengan pengujian 10 data kasus
memerlukan waktu diagnosa sekitar 5 detik. baru menghasilkan nilai akurasi sebesar
Percobaan ketiga dengan 50 data 94%. Percobaan kedua pengujian 40 data
membutuhkan waktu 9 detik. Percobaan baru menghasilkan akurasi sebesar 96,5%.
keempat dengan 100 data memerlukan Percobaan ketiga dengan pengujian 50 data
waktu sekitar 15 detik. baru menghasilkan akurasi 99,2%.
Percobaan keempat dengan pengujian 100
data baru menghasilkan akurasi 99,8%.
Kinerja Sistem Dengan akurasi 99,8% dari
100
90 pengujian 100 data baru menunjukan sistem
80
70 lebih teruji, dan menunjukan bahwa sistem
60
50 yang dibangun dapat melakukan diagnosa
40 Kinerja penyakit dengan memberikan hasil diagnosa
30
20 Sistem
10
yang sesuai walaupun menggunakan data
0 baru.
2s 5s 9s 15s
Waktu
Saran
Gambar 8. Grafik Hasil Kinerja Sistem
Penelitian ini bisa dikembangkan
Diagnosa
dengan menggunakan data dalam jumlah
besar sehingga menambah nilai akurasi.
Selain itu juga sistem ini dapat

6
dikembangkan dengan menggunakan
seluruh atribut yang ada tanpa seleksi guna
menambah nilai akurasi.
Dalam tahap pengembangan
selanjutnya, sistem identifikasi ini dapat
dikembangkan menjadi lebih praktis dalam
bentuk mobile programming.
DAFTAR PUSTAKA
Aniba, M.R. et al. 2008. Knowladge-Based
Expert System and a Proof-of-
concept Case Study For Multiple
Sequence Alignment Construction
and Analysis. Oxford Journals. 10/1:
11-23
Chairani, 2014 Rancang Bangun Sistem
Pakar Pendiagnosa Penyakit Paru-
Paru Menggunakan Metode Case
Based Reasoning. Jurusan Teknik
Informatika, IBI Darmajaya, Bandar
Lampung.
Chusnul, I. 2013. Penerapan Case Based
Reasoning Dengan Algoritma
Nearest Neighbor untuk Analisis
Pemberian Kredit di Lembaga
Pembiayaan. Skripsi. Jurusan
Manajemen Informatika Fakultas
Teknik Universitas Negeri Surabaya,
Surabaya.
Destarianto Prawidya. 2012. Penerapan
Metode Inference Tree dan Forward
Chaining dalam Sistem Pakar
Diagnosis Hama dan Penyakit
Kedelai Edamame Berdasarkan
Gejala Kerusakannya. Skripsi.
Jurusan Ilmu Komputer, Fakultas
Matematika dan Ilmu Pengetahuan
Alam, Universitas Pakuan, Bogor
Farisi, M.A. 2014. Pengembangan Sistem
Diagnosis Penyakit Kedelai
Menggunakan Metode Certainty
Factor. Jurusan Teknik Elektro,
Fakultas Teknik, Universitas Negeri
Semarang. Semarang
Michalski, R.S & R.L Chilausky. 1980. An
Experimental Comparison of the
Two Methods of Knlowladge
Acquisition in the Context of
Developing an Expert System for
Soybean Disease Diagnosis.
www.ics.uci.edu/~mlearn/MLRReposit
ory.html 15 Maret 2016
Michalski, R. S. et al. 1983. A Computer-
Based Advisory System for Diagnosis
Soybean Diseases in Illinois.
American
Noviyanti, 2015. Sistem Identifikasi
Penyakit Tanaman Kacang Kedelai
Menggunakan Metode Naive Bayes.
Skripsi. Jurusan Ilmu Komputer,
Fakultas Matematika dan Ilmu
Pengetahuan Alam, Universitas
Pakuan, Bogor.
Prakoso Irlando Moggi et al. 2012.
Penerapan Case-Based Reasoning
Pada Sistem Cerdas untuk
Pendeteksian dan penanganan Dini
Penyakit Sapi. Fakultas Teknologi
Informasi, Institut Teknologi
Sepuluh November, Surabaya.
Pratama, W.R. et al. 2013. Rancang
Bangun Aplikasi Sistem Pakar untuk
Menentukan Penyakit Pada Tanaman
Kedelai. Jurnal Sistem Informasi.
2/2: 36-46