merancang dan mengimplementasikan algoritma id3...
TRANSCRIPT
2
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
3
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]
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.
Rumus 2 Rumus Perhitungan Information Gain
Keterangan :
A = Atribut
v = Menyatakan suatu nilai yang mungkin untuk atribut
|Sv| = Jumlah sampel untuk nilai v
Entropy(S) = – pa log2 pa – pb log2 pb
Gain(S,A)= Entropy(S) – Σ Entropy(Sv)
4
|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.
5
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
6
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).
7
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. Tabel 1 Tabel Sampel Data Jamur Upas
Data Berebenang
halus
Berkerak merah
jambu
Mengeluarkan
lateks
Hijau, segar dan
tidak mengeluarkan
lateks
hasil
JU1 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 5 No Yes No Yes No
JU 6 Yes No Yes No Yes
JU 7 Yes No No Yes No
JU 8 Yes No No No Yes
JU 9 No Yes No No Yes
JU 10 No No No Yes No
JU 11 No No Yes No Yes
JU 12 No Yes Yes No Yes
JU 13 Yes No Yes No Yes
JU 14 No Yes No Yes No
JU 15 Yes No No No Yes
JU 16 No No No Yes No
JU 17 No No Yes Yes No
JU 18 No Yes No Yes No
JU 19 Yes Yes No No Yes
JU 20 No Yes No Yes No
JU 21 No No No Yes No
JU 22 Yes No No Yes No
JU 23 No No Yes No Yes
JU 24 Yes Yes Yes No Yes
JU 25 No No No Yes No
JU 26 No Yes No Yes No
JU 27 No No Yes No Yes
JU 28 No Yes No No Yes
JU 29 No Yes Yes No Yes
JU 30 No No Yes Yes No
JU 31 No Yes No Yes No
JU 32 Yes Yes No No Yes
JU 33 No Yes Yes No Yes
JU 34 Yes No No Yes No
JU 35 Yes Yes No No Yes
JU 36 No Yes Yes No Yes
JU 37 No Yes No Yes No
JU 38 Yes No Yes No Yes
8
JU 39 Yes Yes No No Yes
JU 40 No No Yes No Yes
JU 41 Yes No No Yes No
JU 42 No No Yes No Yes
JU 43 Yes No No Yes No
JU 44 No No Yes Yes No
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 49 No Yes No Yes No
JU 50 Yes No No No Yes
JU 51 No Yes No No Yes
JU 52 No No Yes Yes No
JU 53 No Yes No Yes No
JU 54 Yes No No No Yes
JU 55 No No Yes Yes No
JU 56 No Yes Yes No Yes
JU 57 No Yes No Yes No
JU 58 Yes No Yes No Yes
JU 59 Yes No No Yes No
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 67 No No No Yes No
JU 68 Yes No Yes No Yes
JU 69 No Yes Yes No Yes
JU 70 No Yes No Yes No
JU 71 Yes Yes No No Yes
JU 72 No No Yes Yes No
JU 73 Yes Yes No No Yes
JU 74 Yes No No Yes No
JU 75 No Yes Yes No Yes
JU 76 No Yes No Yes No
JU 77 Yes No Yes No Yes
JU 78 No No Yes Yes No
JU 79 Yes No Yes No Yes
JU 80 No No Yes Yes No
JU 81 Yes No Yes No Yes
JU 82 Yes No No Yes No
JU 83 No No No Yes No
JU 84 Yes Yes No No Yes
JU 85 No No Yes No Yes
JU 86 Yes Yes Yes No Yes
JU 87 No Yes No Yes No
JU 88 Yes No No Yes No
JU 89 Yes No Yes No Yes
JU 90 No Yes Yes No Yes
JU 91 Yes No No Yes No
JU 92 Yes No Yes No Yes
JU 93 Yes No No Yes No
JU 94 No Yes No Yes No
JU 95 No Yes No No Yes
JU 96 No No Yes No Yes
JU 97 No No No Yes No
9
JU 98 Yes Yes No No Yes
JU 99 No Yes Yes No Yes
JU 100 Yes No No Yes No
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
10
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,
11
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
Data Berebenang
halus
Berkerak
merah jambu
Mengeluarkan
lateks
Hijau, segar dan tidak
mengeluarkan lateks hasil
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
12
JU 84 Yes Yes No No Yes
JU 85 No No Yes No Yes
JU 86 Yes Yes Yes No Yes
JU 89 Yes No Yes No Yes
JU 90 No Yes Yes No Yes
JU 92 Yes No Yes No Yes
JU 95 No Yes No No Yes
JU 96 No No Yes No Yes
JU 98 Yes Yes No No Yes
JU 99 No Yes Yes No Yes
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
Sno [28+, 0-] = - 28/28 log2 28/28 – 0/28 log2 0/28
=-(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
13
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] Tabel 3 Tabel Sampel Data Jamur Upas Kriteria Berbenang Halus Value No
Data Berebenang halus Berkerak merah jambu Mengeluarkan lateks hasil
JU 2 No Yes No Yes
JU 3 No No Yes Yes
JU 4 No Yes Yes Yes
JU 9 No Yes No Yes
JU 11 No No Yes Yes
JU 12 No Yes Yes Yes
JU 23 No No Yes Yes
JU 27 No No Yes Yes
JU 28 No Yes No Yes
14
JU 29 No Yes Yes Yes
JU 33 No Yes Yes Yes
JU 36 No Yes Yes Yes
JU 40 No No Yes Yes
JU 42 No No Yes Yes
JU 47 No Yes Yes Yes
JU 51 No Yes No Yes
JU 56 No Yes Yes Yes
JU 60 No Yes Yes Yes
JU 63 No Yes No Yes
JU 64 No No Yes Yes
JU 65 No Yes No Yes
JU 66 No No Yes Yes
JU 69 No Yes Yes Yes
JU 75 No Yes Yes Yes
JU 85 No No Yes Yes
JU 90 No Yes Yes Yes
JU 95 No Yes No Yes
JU 96 No No Yes Yes
JU 99 No Yes 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
15
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]
Tabel 4 Tabel Sampel Data Jamur Upas Kriteria Berkerak Merahjambu Value No Data Berkerak merah jambu Mengeluarkan lateks hasil
JU 3 No Yes Yes
JU 11 No Yes Yes
JU 23 No Yes Yes
JU 27 No Yes Yes
JU 40 No Yes Yes
JU 42 No Yes Yes
16
JU 64 No Yes Yes
JU 66 No Yes Yes
JU 85 No Yes Yes
JU 96 No 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
17
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
18
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.
19
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.
20
[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).