KLIK - Kumpulan Jurnal Ilmu Komputer
Not a member yet
247 research outputs found
Sort by
EFESIENSI ENERGI PADA BANGUNAN MENGGUNAKAN MULTIVARIATE RANDOM FOREST
Full text linkEnergy is needed by humans. Energy utilization is often carried out in daily activities, such as helping with work, household activities to lighting both at home and on the road. Recently, there has been a lot of research on concerns about the waste of energy and its lasting adverse impact on the environment. Previous research conducted by Tsanas and Xifara in 2012 has carried out energy efficiency in buildings using Statistical Machine Learning. Their research focuses on calculating outcomes one by one, not directly on all outcomes. In this study using the Multivariate Random Forest method. Multivariate Random Forest has similarities compared to Random Forest, while the Multivariate Random Forest method is more used if more than one output is produced. Based on the tests that have been carried out, it can be concluded that the best parameter that gives maximum results is the number of trees as many as 200 with a data division of 60% training data and 40% testing data with RMSE results of 2.602036 and MSE result of 6.770589. Based on the tests that have been carried out, it proves that the more the number of trees does not prove that it can provide maximum results.Keywords: Energy, Efficiency, Prediction, Multivariate Random ForestEnergi sangat dibutuhkan oleh manusia. Pemanfaatan energi sering dilakukan dalam kegiatan sehari-hari, seperti membantu pekerjaan, kegiatan rumah tangga hingga penerangan baik dalam rumah maupun di jalan. Akhir-akhir ini banyak penelitian tentang kekhawatiran mengenai pemborosan energi dan dampak buruknya yang abadi terhadap lingkungan. Penelitian sebelumnya yang dilakukan oleh Tsanas dan Xifara pada tahun 2012 telah melakukan efesiensi energi pada bangunan menggunakan Statistical Machine Learning. Penelitian mereka berfokus pada perhitungan luaran secara satu persatu, tidak secara langsung semua luaran. Pada penelitian ini menggunakan metode Multivariate Random Forest. Multivariate Random Forest memiliki kesamaan dibandingkan dengan Random Forest, sedangkan metode Multivariate Random Forest lebih digunakan jika luaran yang dihasilkan lebih dari satu. Berdasarkan pengujian yang sudah dilakukan, dapat disimpulkan bahwa parameter terbaik yang memberikan hasil maksimal yaitu pada jumlah pohon sebanyak 200 dengan pembagian data sebanyak 60% data latih dan 40% data uji dengan hasil RMSE sebesar 2.602036 dan MSE sebesar 6.770589. Berdasarkan pengujian yang sudah dilakukan membuktikan semakin banyak jumlah pohon tidak membuktikan bisa memberikan hasil yang maksimal.Kata kunci: Energi, Efesiensi, Prediksi, Multivariate Random Fores
ALGORITMA SEQUENTIAL SEARCH DAN BINARY SEARCH PADA SISTEM PENCARIAN E-ARSIP BERBASIS WEB
Full text linkThe National University Biology Graduate School has been operating for a long time and has produced many graduates, from the implementation of activities many files and archives have been issued and accepted. Unfortunately, it is still traditionally recorded manually in a ledger, there is no computerized archive management. Based on the background of the problem, the researcher made a web-based letter search application in the administration of the National University Graduate School. The purpose of the application is to facilitate the filing and search of letters carried out by administrative staff to search for letters stored in the electronic archive system. The method we will use is the Sequential Search Algorithm and Binary Search. Sequential Search is used if the data is in a random state or not in order, while Binary Search is used for data that is already in sequence. where to display binary data the total time is 292.9ms to display data and for sequential search 317ms. From the results of research binary search is more efficient to search data.Keywords: Search application. Sequential Search and Binary Search Algorithms.Sekolah Pascasarjana Biologi Univeritas Nasional sudah lama beroperasi dan telah banyak meghasilkan lulusan, dari penyelenggaraan kegiatan banyak berkas dan arsip yang telah dikeluarkan dan diterima. sayangnya masih didata secara tradisional dengan cara manual dicatat didalam buku besar tidak adanya pengelolaan arsip dilakukan secara terkomputerisasi. Berdasarkan latar belakang masalah tersebut peneliti membuat aplikasi pencarian surat berbasis web di administrasi Sekolah Pascasarjana Universitas nasional. Tujuan dari aplikasi tersebut adalah untuk mempermudah pengarsipan dan pencarian surat yang dilakukan oleh staff administrasi untuk mencari surat yang tersimpan pada sistem arsip elektronik. Metode yang akan kami gunakan adalah Algoritma Sequential Search dan Binary Search. Sequential Search digunakan apabila data dalam keadaan acak atau tidak urut sedangkan Binary Search digunakan pada data yang sudah dalam keadaan urut. dimana untuk menampilkan data binary total waktu 292.9ms untuk menapilkan data dan untuk sequential search 317ms. Dari hasil penelitian binary search lebih efisien untuk melakukan pencariian data.Kata Kunci : Pencarian surat. Algoritma Sequential Search dan Binary Search
METODE FUZZY SAW DAN ALGORITMA SELECTION SORT UNTUK PEMILIHAN VENDOR PENGADAAN BARANG
Full text linkVendor selection in business processes is important. If you choose the wrong vendor, the company may get less profit and the quality is not as expected. In some cases finding vendors with appropriate criteria, conducting vendor selection and surveys of goods are still used manually. Based on this problem, the researcher intends to create a vendor selection support system using Fuzzy Multi Attribute Decision Making (FMADM), with Simple Additive Weighting (SAW) Algorithm as a solution to Fuzzy MADM and Selection Sort Algorithm for ordering the highest vendor value. The fuzzy saw method is one method that can be used in the decision-making process. The system that will be made later is expected to be able to provide recommendations in the vendor selection process based on predetermined criteria and get results that help decision makers determine which vendor is appropriate. Keywords: Simple Additive Weighting, Vendor Selection, Fuzzy, FMADM, Decision Support System.Pemilihan vendor dalam proses bisnis merupakan hal yang penting. Jika salah dalam pemilihan vendor, perusahaan bisa saja mendapatkan profit yang lebih sedikit dan kualitas tidak sesuai dengan apa yang diharapkan. Dalam beberapa kasus menemukan vendor dengan kriteria yang sesuai, melakukan seleksi vendor dan survei barang masih digunakan cara manual. Berdasarkan masalah tersebut peneliti bermaksud membuat sistem pendukung pemilihan vendor menggunakan Fuzzy Multi Attribute Decision Making (FMADM), dengan Algoritma Simple Additive Weighting (SAW) sebagai penyelesaian Fuzzy MADM dan Algoritma Selection Sort untuk pengurutan nilai vendor yang tertinggi. Metode fuzzy saw adalah salah satu metode yang dapat digunakan pada proses pengambilan keputusan. Sistem yang akan dibuat nanti diharapkan dapat memberi rekomendasi dalam proses pemilihan vendor berdasarkan kriteria-kriteria yang telah ditentukan dan mendapatkan hasil yang membantu para pengambil keputusan menentukan vendor mana yang sesuai.Kata kunci: Simple Additive Weighting, Pemilihan Vendor, Fuzzy, FMADM, Sistem Pendukung Keputusan.
EFEKTIVITAS PENCARIAN RUTE RUMAH KOS DAN KONTRAKAN BERBASIS ALGORITMA DIJKSTRA DAN ASTAR
Full text linkToday we live in a digital age, where all things in our life. Technological developments make the exchange of information so fast. How to get information is also very easy. The digital era that we are experiencing today actually goes hand in hand with the growth of the human population which is also increasing so fast. Technological sophistication has not been able to provide a significant solution regarding the need for a place to live. This has made the purchase price of a house more expensive, especially in the capital city and its surroundings. The higher the purchase price of a house makes many people prefer to live in a boarding house or rented house, this is because the rental price is relatively cheap instead of buying a house. For example, in the city of Jakarta, around the campus, there are many boarding houses and rented houses due to the large number of National University students from various regions throughout Indonesia. Therefore, in this study created a THE EFFECTIVENESS OF SEARCHING FOR KOS AND RENTAL HOUSE BASED ON THE ALGORITHM OF DIJKSTRA AND ASTAR ". This website development uses PHP language with Laravel framework and uses Atom as a text editor. This website requires an internet network to display data, view directions via google maps, and to contact the owner via whatsapp. Based on the results of testing and implementation, it can be concluded that this website was successfully created. This website can make it easier for new students of the National University of Jakarta to find boarding houses or rented houses around the campus. created. This website can make it easier for new students of the National University of Jakarta to find boarding houses or rented houses around the campus.Keywords: Dijkstra's Algorithm, Astar Algorithm, Boarding House, Website Saat ini kita hidup di era digital, di mana semua hal dalam kehidupan kita. Perkembangan teknologi membuat pertukaran informasi menjadi begitu cepat. Cara mendapatkan informasi pun sangat mudah. Era digital yang kita alami saat ini ternyata berjalan beriringan dengan pertumbuhan populasi manusia yang juga meningkat begitu cepat. Kecanggihan teknologi ternyata belum bisa memberikan solusi yang signifikan mengenai kebutuhan akan tempat tinggal. Hal tersebut membuat harga beli rumah semakin mahal terutama di kawasan Ibu kota dan sekitarnya. Harga beli rumah yang semakin tinggi membuat banyak orang lebih memilih tinggal di sebuah rumah kos ataupun rumah kontrakan hal ini dikarenakan harga sewa yang terbilang murah ketimbang membeli sebuah rumah. Sebagai contoh, di Kota Jakarta tepatnya di sekitar kampus terdapat banyak rumah kos dan rumah kontrakan dikarenakan banyaknya mahasiswa Universitas Nasional dari berbagai daerah di seluruh Indonesia. Oleh karena itu dalam penelitian ini dibuat “EFEKTIVITAS PENCARIAN RUMAH KOS DAN KONTRAKAN BERBASIS ALGORITMA DIJKSTRA DAN ASTAR”. Pembuatan website ini menggunakan bahasa PHP dengan framework Laravel dan menggunakan Atom sebagai text editor. Website ini membutuhkan jaringan internet untuk menampilkan data, melihat petunjuk arah melalui google maps, dan untuk menghubungi pemilik via whatsapp. Berdasarkan hasil uji coba dan implementasi, dapat disimpulkan bahwa website ini berhasil dibuat. Website ini dapat mempermudah mahasiswa baru Universitas Nasional Jakarta dalam mencari rumah kos atau kontrakan di sekitar kampus.Kata Kunci: Algoritma Dijkstra, Algoritma Astar, Rumah Kos, Websit
PERBANDINGAN K-NEAREST NEIGHBOR DAN BACKPROPAGATION NEURAL NETWORK DALAM PREDIKSI RESIKO DIABETES TAHAP AWAL
Full text linkDiabetes is one of the most dangerous and deadly diseases in Indonesia, after stroke and coronary heart disease. Early prediction of diabetes risk is needed for early treatment. In this study, a comparison of classification methods was carried out in predicting the risk of early-stage diabetes. The dataset used is an open database collected from a questionnaire to a sample of patients at Sylhet Hospital, Bangladesh. The classification methods compared are K-Nearest Neighbor (KNN) and Backpropagation Neural Network (BPNN), because both are often used in research for the classification of human diseases. Based on the results of the study, BPNN is a classification method that is better than KNN in predicting the risk of early stage diabetes. BPNN with learning rate = 0.3, = 0.4 or = 0.5 and the number of hidden nodes = 5 units, has an accuracy rate of 90%, precision is 90% and recall is 90%. Meanwhile, KNN with K = 5, K = 7 or K = 9 has an accuracy rate of 83.75%, precision of 85.5497% and recall of 83.75%.Keywords: Backpropagation Neural Network, K-Nearest Neighbor, diabetes predictionDiabetes adalah salah satu penyakit berbahaya dan mematikan di Indonesia, setelah stroke dan jantung koroner. Prediksi resiko diabetes sejak awal diperlukan untuk penanganan penyakit ini sejak dini. Pada penelitian ini dilakukan perbandingan metode klasifikasi dalam prediksi resiko diabetes tahap awal. Dataset yang digunakan merupakan open database yang dikumpulkan dari kuesioner terhadap sample pasien di rumah sakit Sylhet, Bangladesh. Metode klasifikasi yang dibandingkan adalah K-Nearest Neighbor (KNN) dan Backpropagation Neural Network (BPNN), karena keduanya sering digunakan dalam penelitian untuk klasifikasi penyakit manusia. Berdasarkan hasil penelitian, BPNN merupakan metode klasifikasi yang lebih baik dibandingkan dengan KNN dalam memprediksi resiko diabetes tahap awal. BPNN dengan learning rate ? = 0.3, ? = 0.4 atau ? = 0.5 dan jumlah node hidden = 5 unit, memiliki tingkat akurasi sebesar 90%, presisi sebesar 90% dan recall sebesar 90%. Sementara KNN dengan K = 5, K = 7 atau K = 9 memiliki tingkat akurasi sebesar 83.75%, presisi sebesar 85.5497% dan recall sebesar 83.75%. Kata kunci: Backpropagation Neural Network, K-Nearest Neighbor, prediksi diabete
PEMBUATAN VIRTUAL TOUR SEBAGAI SARANA PEMBELAJARAN PROGRAM STUDI MICE
Full text linkMedan State Polytechnic is a vocational education that has D4 and D3 study programs, one of which is the Meeting, Incentive, Converence and Exhibition (MICE) study program. This study program was founded in 2007 until now only has a computer laboratory, language and 6 classrooms and a lecturer room 1. The MICE study program in its learning provides theory and practice with theoretical credits of 58 = 41% and practice of 87 = 59% or 80: 143 hours. So far, students have practiced directly in the field (field study) such as convention halls in hotels andalso the field for the implementation of exhibitions. In current conditions, the event cannot be held, for that the mice study program must prepare a laboratory to support the MICE learning. This laboratory is equipped with equipment to create virtual tours such as the Insta 3600 One R Twin Edition camera and the Oculus Rift S as a Virtual Reality (VR) System, the development of virtual tours using the MDLC (Multimedia Development Life Cycle) method was chosen because MICE students are used to it. designing and implementing events so that students are expected to be able to build and practice learning meetings, conferences, exhibitions in a better and interesting way, meanwhile for incentives students can see virtual tours and create virtual tour incentives. From this research it can be concluded that to be able to build a Virtual Tour is not difficult, it only requires knowledge of how to use the 3600 camera properly and use the VR System so that MICE students who do not have programming knowledge can still build their own Virtual Tour.Keywords: Learning, Virtual Tour, Virtual Reality System, Oculus Rift S, MICEPoliteknik Negeri Medan merupakan pendidikan vokasional yang memiliki program studi D4 dan D3, satu diantaranya program studi Meeting, Insentive, Converence and Exhibition (MICE). Program studi ini berdiri sejak tahun 2007 sampai sekarang hanya memiliki laboratorium komputer, bahasa dan ruangan kelas 6 dan ruangan dosen 1. Program studi MICE dalam pembelajarannya memberikan secara teori dan praktik dengan SKS teori 58=41% dan praktik 87=59% atau jam 80:143. Selama ini mahasiswa melakukan praktik langsung ke lapangan (field study) seperti convention hall di hotel dan juga lapangan untuk pelaksanaan pameran. Dalam kondisi sekarang, event itu tidak bisa dilaksanakan, untuk itu program studi mice harus menyiapkan laboratorium untuk mendukung pembelajaran MICE tersebut. Pada laboratarium ini dilengkapi dengan peralatan untuk membuat virtual tour seperti kamera Insta 3600 One R Twin Edition dan Oculus Rift S sebagai Virtual Reality(VR) System, pengembangan virtual tour mengunakan metode MDLC (Multimedia Development Life Cycle) metode ini dipilih karena mahasiswa MICE sudah biasa merancang dan melaksanakan event sehingga diharapkan mahasiswa dapat membangun dan mempraktikkan pembelajaran Meeting, Conference, Exhibition secara lebih baik dan menarik sementara itu untuk Insentive mahasiswa dapat melihat virtual tour dan membuat virtual tour insentive. Dari penelitian ini dapat disimpulkan untuk dapat membangun Virtual Tour tidaklah sulit hanya diperlukan pengetahuan bagaimana menggunakan kamera 3600 dengan baik dan penggunaan VR System sehingga mahasiswa MICE yang tidak memiliki pengetahuan pemprograman tetap dapat membangun Virtual Tour sendiri.Kata kunci: Pembelajaran, Virtual Tour, Virtual Reality System, Oculus Ridft S, MIC
KLASIFIKASI KUALITAS KAYU KELAPA MENGGUNAKAN ARSITEKTUR CNN
Full text linkThe increase in the export volume of coconut logs, which are materials that can efficiently substitute for conventional wood, demands that the quality of coconut wood classified quickly. However, due to the limitations of a grader as a human being, it is necessary to have assistance from machines or technology that can classify coconut wood quickly. Techniques that used for rapid classification can use computer visualization. Convolutional Neural Network (CNN) with the right architecture makes this method able to recognize and detect objects well, which influenced by computerized factors, large datasets, and techniques to train deeper networks. This study uses five types of CNN architecture, AlexNet, GoogLeNet, ResNet101, ResNet18, and ResNet50. The research results obtained for the classification of the quality of coconut wood using images show that the GoogLeNet architecture has the best classification performance among other architectures. GoogLeNet gets result with an average accuracy of 84.89% in each layer, followed by RestNet101 architecture with an average accuracy of 78.41%, RestNet50 with an average accuracy of 77.18%, RestNet18 with an average accuracy of 72.94% and the lowest accuracy performance among other architectures obtained by AlexNet with an average accuracy of 65.84%.Keywords: Classification, Coconut Wood, Computer Visualization Techniques, CNN Meningkatnya volume ekspor kayu kelapa yang merupakan bahan pengganti kayu konvensional secara efisien menuntut klasifikasi kualitas kayu kelapa dengan cepat. Namun karena keterbatasan seorang grader sebagai manusia maka diperlukan bantuan mesin atau teknologi yang dapat mengklasifikasikan kayu kelapa dengan cepat. Teknik yang dapat digunakan untuk klasifikasi cepat dapat menggunakan teknik visualisasi komputer. Convolutional Neural Network (CNN) dengan arsitektur yang tepat menjadikan metode ini mampu mengenali dan mendeteksi objek dengan baik, yang sebagian besar dipengaruhi oleh faktor komputerisasi, dataset yang besar, dan teknik untuk melatih jaringan yang lebih dalam. Penelitian ini menggunakan lima jenis arsitektur CNN yaitu, AlexNet, GoogLeNet, ResNet101, ResNet18, dan ResNet50. Hasil penelitian yang diperoleh untuk klasifikasi kualitas kayu kelapa menggunakan citra menunjukkan bahwa arsitektur GoogLeNet memiliki performansi klasifikasi terbaik diantara arsitektur lainnya. GoogLeNet mendapatkan hasil dengan rata-rata akurasi 84,89% pada setiap lapisan, disusul arsitektur RestNet101 dengan akurasi rata-rata 78,41%, RestNet50 dengan akurasi rata-rata 77,18%, RestNet18 dengan akurasi rata-rata 72,94% dan kinerja akurasi terendah di antara arsitektur lainnya diperoleh AlexNet dengan akurasi rata-rata 65,84%.Kata kunci: Klasifikasi, Kayu Kelapa, Teknik Visualisasi Komputer, CN
PENDETEKSIAN WAJAH MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK DALAM MENGHITUNG JUMLAH MAHASISWA
Full text linkFace detection has become a technology in recognizing facial patterns. The presence of students in the learning process is essential to find out the number of student attendance they still have to count or call students one by one, where this can lead to errors in calculating the number of student attendance. This study was conducted to create a face detection system in counting the number of students, then capture and detect all student faces accurately and conduct testing on the system that has been created, where this is done to find out how far the system can work, in its application this study uses the Convolutional algorithm. Neural Network is a Deep Learning method that can be used to recognize and classify an object in a digital image. The accuracy rate of the training process is 99%, and the testing is 98%. Testing the system that has been made using the Raspberry Pi, the first true label for facial recognition with a distance of 1-5 meters has been identified, and the second true label at a distance of 4 meters has not been identified, while to detect the number of students obtained with a distance of 1-6 meters can detect the number with accurate.Keywords: Convolutional Neural Network, Face DetectionDeteksi wajah sudah menjadi sebuah teknologi dalam mengenali bentuk pola wajah. Kehadiran mahasiswa didalam proses pembelajaran sangat diperlukan untuk mengetahui jumlah kehadiran mahasiswa masih harus menghitung maupun memanggil mahasiswa satu persatu, dimana hal ini dapat terjadi kesalahan dalam menghitung jumlah kehadiran mahasiswa. Pada penelitian ini dilakukan untuk membuat sebuah sistem pendeteksian wajah dalam menghitung jumlah mahasiswa kemudian menangkap dan mendeteksi seluruh wajah mahasiswa secara akurat serta melakukan pengujian terhadap sistem yang telah dibuat, dimana ini dilakukan untuk mengetahui sejauh apa sistem dapat bekerja, dalam penerapannya penelitian ini menggunakan algoritma Convolutional Neural Network sebagai metode Deep Learning yang dapat digunakan untuk mengenali dan mengklasifikasi sebuah objek pada sebuah citra digital. Tingkat akurasi dari proses training sebesar 99%, dan testing 98%. Pengujian sistem yang telah dibuat menggunakan Raspberry Pi didapatlkan true label pertama untuk pengenalan wajah dengan jarak 1-5 meter berhasil diidentifikasi dan true label kedua jarak 4 meter tidak berhasil diidentifikasi, sedangkan untuk mendeteksi jumlah mahasiswa didapatkan dengan jarak 1-6 meter dapat mendeteksi jumlah dengan akuratKata kunci: Convolutional Neural Network, Deteksi Waja
IDENTIFIKASI OTOMATIS PESAN SAKSI MATA PADA MEDIA SOSIAL SAAT BENCANA GEMPA
Full text linkSocial media platforms such as Twitter make it easy for users to share and receive critical information on disasters and emergencies. Information from eyewitnesses can be useful for law enforcement agencies and humanitarian organizations. Identification disaster messages on Twitter can also be used as information that can be used to see the current situation. In several research studies, earthquake disasters are divided into three categories: eyewitnesses, non-eye witnesses, and do not know. Meanwhile, the feature extraction that used in this research is bag-of-words that produce high-dimensional data output. The purpose of this research is to utilize lexicon-based feature extraction to produce low-dimensional data. However, there has never been the use of Lexicon based on the multiclass classification in cases of natural disasters. The features built by the Lexicon-based are far less, namely 2-15 features. This research was divided into two steps, namely the first step was carried out without combining Lexicon and the second step was carried out by combining Lexicon. The highest accuracy produced by the combination of Barasa SentiwordNet, Bing Liu, NRC, AFINN, and Heeryon Cho’s Lexicon using the Support Vector Machine classification with an accuracy of 64.13% with a total of 15 features.Keywords: Lexicon Based, Support Vector Machine, Classification, Text Mining, Twitter, DisastersPlatform media sosial seperti Twitter memudahkan para pengguna untuk berbagi dan menerima informasi penting selama bencana dan keadaan darurat. Informasi dari saksi mata dapat berguna bagi lembaga penegak hukum dan organisasi kemanusiaan. Pesan bencana di Twitter juga dapat digunakan sebagai informasi yang digunakan untuk mengetahui situasi yang sedang berlangsung. Pada beberapa riset yang telah dilakukan oleh peneliti, tweet bencana gempa dibagi menjadi tiga kategori yaitu eyewitness, non-eyewitness, dan don’t know. Sedangkan ekstraksi fitur yang digunakan pada riset-riset tersebut adalah bag-of-words yang menghasilkan keluaran berupa data berdimensi tinggi. Tujuan penelitian ini adalah memanfaatkan ekstraksi fitur berbasis lexicon untuk menghasilkan data berdimensi rendah. Namun belum pernah ada pemanfaatan Lexicon Based untuk klasifikasi multiclass pada kasus klasifikasi pesan bencana alam. Fitur yang dihasilkan oleh Lexicon based jauh lebih sedikit yaitu 2-15 fitur. Penelitian ini dibagi menjadi dua tahap, yaitu tahap pertama dilakukan tanpa penggabungan kamus Lexicon dan tahap kedua dilakukan dengan menggabungkan kamus Lexicon. Akurasi tertinggi dihasilkan oleh kombinasi Barasa SentiwordNet, Bing Liu, NRC, AFINN, dan Lexicon Heeryon Cho menggunakan klasifikasi Support Vector Machine dengan akurasi sebesar 64,13% dengan jumlah fitur sebanyak 15 fitur. Kata kunci: Lexicon based, Support Vector Machine, Klasifikasi, Text Mining, Twitter, Bencana Ala
ANALISIS SISTEM PAKAR UNTUK MENGIDENTIFIKASI PENYAKIT PADA TANAMAN JERUK SIAM (CITRUS NOBILIS VAR. MICROCARPA) DARI PERKEBUNAN DESA SETAPOK, KOTA SINGKAWANG
Full text linkPontianak Oranges (alternatively called ‘Siam Oranges’), are cultivated by farmers in several areas in West Kalimantan, one of which is a plantation in Setapok Village, Singkawang City. According to information obtained from local farmers, citrus cultivation under threat, namely by bacteria. These bacteria turn leaves yellow with black spots, as well making them become wrinkled and shrink in size. Citrus farmers who still do not fully understand about citrus plant diseases take treatment in eradicating these diseases using pesticides. Citrus farmers if wrong in knowing the disease can result in wrong selection of pesticides so that they fail in eradicating citrus diseases. With these problems, it is appropriate to find a solution, namely by building an expert system to identify diseases in Siamese Citrus Plants (Citrus Nobilis Var. Microcarpa). With this application, it is hoped that farmers can help diagnose what diseases are attacking their citrus plants, so that they can also know how to handle them and prevent wider ones.The method used for expert system development in this research is the Expert System Development Life Cycle (ESDLC) method. The stages in ESLDC include: (1) Identification and Analysis of Problems. (2) Acquisition of Knowledge as well as its Representation. (3) Prototype Assembly; (4) Validation and Testing. (5) Implementation and Integration. The expert system application are made with PHP as its web-based programming language and MySQL as its database. This expert system can help farmers determine treatment options based on their on-field observations. Determining which disease is which is done by using the Bayes method, where every available solution will be ranked in order of effectiveness.The built system has a 90% success rate, which means that farmers are able to utilize the system as intended and combat the diseases afflicting their citrus trees.Key Words: Disease, Siam Oranges, Expert System, West Kalimantan Jeruk Pontianak atau jeruk siam dibudidayakan oleh petani di beberapa wilayah di Kalimantan Barat, salah satunya di perkebunan yang ada di Desa Setapok, Kota Singkawang. Menurut informasi yang diperoleh dari petani setempat bahwa budidaya tanaman jeruk mengalami kendala yaitu pohon tanaman jeruk mengalami kerusakan dengan gejala di antaranya daun menguning dan terdapat bercak hitam, serta daun menjadi keriput dan kerdil. Petani jeruk yang masih awam belum mengerti keseluruhan tentang penyakit tanaman jeruk melakukan pengobatan dalam membasmi penyakit tersebut menggunakan pestisida. Petani jeruk jika salah dalam mengetahui penyakit dapat mengakibatkan salah dalam pemilihan pestisida sehingga gagal dalam pembasmian penyakit jeruk. Dengan permasalahan tersebut maka sudah selayaknya dicarikan solusi penyelesaiannya, yaitu dengan membangun sebuah sistem pakar untuk mengidentifikasi penyakit pada Tanaman Jeruk Siam (Citrus Nobilis Var. Microcarpa). Dengan aplikasi ini diharapkan petani dapat terbantu dalam mendiagnosis penyakit apa yang sedang menyerang tanaman jeruknya, sehingga dapat pula mengetahui penanganannya dan mencegah serangan yang lebih luas. Metode pegembangan sistem pakar yang digunakan dalam penelitian ini adalah ESDLC (Expert System Development Life Cycle). Tahapan-tahapan dalam ESDLC ini meliputi, identifikasi dan analisa masalah, akuisisi dan representasi pengetahuan (knowledge representation), pembangunan prototype, verifikasi, validasi dan testing, implementasi dan integrasi. Aplikasi sistem pakar dibuat dengan Bahasa pemrograman berbasis web PHP dan My SQL sebagai database. Metode inferensi yang dipakai Forward Chaining. Sistem pakar berbasis komputer dapat membantu memecahkan masalah agar petani dapat menentukan pilihan pengobatan. Metode yang diterapkan untuk mengidentifikasi penyakit pada jeruk siam adalah Metode Bayes, dimana setiap alternatif yang disediakan akan dilakukan perangkingan untuk memperoleh hasil terbaik.Sistem yang dibangun menghasilkan nilai persentase 90%, artinya mampu membantu petani dalam memilih penganan yang tepat dan sesuai penyakit pada jeruk siam. Kata Kunci: penyakit, jeruk siam, sistem pakar, Kalimantan Bara