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).