Konferensi Nasional Ilmu Komputer (KONIK) 2021 P-ISSN : 2338-2899

E-ISSN: 2807-1271

Identifikasi Hama Dan Penyakit Pada Tanaman Kacang Tanah

menggunakan Case Based Reasoning dan Algoritma K-Nearest
Neighbor
Agung Syaifullah Putra1, Arnita Irianti 2, dan Adi Heri3
123
Universitas Sulawesi Barat,
Email Coprespondent Author : Agunghunter9@[Link]

Abstract — Peanuts already in Indonesia is widely mencapai hasil yang maksimum diakibatkan oleh beberapa
cultivated but the production of commodities peanuts per faktor seperti faktor hama, faktor iklim, faktor
hectare has not reached the maximum results caused by some pemeliharaan, faktor penyakit tanaman. Maka dari itu
factors such as the factors of the pest, climatic factors, dibutuhkan suatu rancangan sistem untuk menangani faktor-
maintenance factor, the of plant diseases. Therefore needed a
system design to handle the factors damaging on peanut plants
faktor perusak pada tanaman kacang tanah khususnya untuk
especially for handling of plant diseases of peanut. This penanganan pada penyakit tanaman kacang tanah [1].
research establish a system of identifiable pests and diseases of Salah satu metode sistem pakar adalah Case Based
peanut plants, one of the methods is Case based reasoning Reasoning (CBR) berarti menggunakan pengalaman
means using previous experience in similar cases to understand sebelumnya dalam kasus yang mirip untuk memahami
new problems. CBR gives the solution of symptoms new cases dan memecahkan permasalahan baru. Case Based
will be identified into the system, then perform the process of Reasoning (CBR) mengumpulkan kasus sebelumnya yang
calculating the value of similarty between the base case and the hampir sama dengan masalah yang baru dan berusaha
new case using the algorithm K-Nearest Neighbor. The results untuk memodifikiasi solusi agar sesuai dengan kasus
of the research in the form of system that can help farmers '
group peanuts to do the quick handling and appropriate pests
yang baru (Aamodt dan Plaza,1994). Proses yang terdapat
and diseases. The results of the system Identification of pests dari metode ini dengan melakukan sebuah pemilihan yang
and diseases showed the system is able to identify the terdiri dari sebuah informasi yang didapat dari kasus yang
symptoms fit 100%, as well as testing with symptoms slightly telah disimpan sebelumnya. Disimpannya informasi tersebut
different 80%. dalam bentuk apa dan bagaimana cara dalam menyusun
Keywords: Case based reasoning, K-nearest neighbour, kasus tersebut agar mudah dalam menemukan masalah
Peanuts, system. kasus yang sama serta bagaimana dalam melakukan
peningkatan hubungan kasus baru pada struktur memori
yang telah ada. Banyak di antara kalangan decision maker
Abstrak- Kacang tanah sudah banyak dibudidayakan namun menggunakan sebuah pengalaman dari masalah terdahulu
produksi komoditi kacang tanah perhektar belum mencapai hasil
dalam menyelesaikan suatu masalah yang dihadapi.[2]
yang maksimum diakibatkan oleh beberapa faktor. Maka dari itu
dibutuhkan suatu rancangan sistem untuk menangani faktor Sangat jarang sekali diadakan penyuluhan baik dari
perusak pada tanaman kacang tanah khususnya untuk penanganan dinas pertanian ataupun dari balai pertanian setempat
pada penyakit tanaman kacang tanah . Penelitian ini membangun dikarenakan tidak adanya tim penyuluh khusus yang
sistem identifikasi hama dan penyakit tanaman kacang tanah, Salah melakukan penyuluhan ke tiap kampung atau desa sehingga
satu metode adalah Penalaran berbasis kasus, berarti menggunakan menyebabkan kurangnya informasi yang didapatkan para
pengalaman sebelumnya dalam kasus yang mirip untuk memahami petani. Minimnya pengetahuan petani akan hama dan
permasalahan baru. CBR memberikan solusi dari gejala kasus baru penyakit mengenai tanaman kacang tanah menyebabkan
yang akan diidentifikasi kedalam sistem, kemudian melakukan banyak kesalahan dan ketidaktepatan dalam pemberantasan
proses perhitungan nilai kemiripan menggunakan algoritma K-
tetangga terdekat. Hasil penelitian berupa sistem yang dapat
dan pengendaliannya. Disisi lain diagnosis hama dan
membantu kelompok tani kacang tanah untuk melakukan penyakit pada tanaman kacang tanah harus segera dilakukan
penanganan cepat dan tepat yang terserang hama dan penyakit. secepat dan seakurat mungkin dikarenakan hama dan
Hasil pengujian sistem Identifikasi hama dan penyakit menunjukan penyakit pada tanaman tersebut dapat dengan cepat
sistem mampu mengidentifikasi gejala yang sesuai sebesar 100%, menyebar serta menyerang pada seluruh lahan pertanian[3].
serta pengujian dengan gejala sedikit berbeda 80%. Berdasarkan uraian diatas sehingga dibutuhkan sistem
Kata kunci-Penalaran berbasis kasus, K-tetangga terdekat, pakar untuk menyelesaikan masalah hama dan penyakit
Kacang tanah, Sistem. sistem pakar berfungsi untuk menbantu petani dalam
perawatan kacang tanah . sehinggah penulis mengangkat
permasalahan tentang skripsi berjudul “ Identifikasi hama
dan penyakit pada tanaman kacang tanah menggunakan case
I. PENDAHULUAN based reasoning dan algoritma k-nearest neighbor (studi
kasus patang panuang pirang Sulawesi Selatan)”
Kacang tanah sudah di Indonesia banyak dibudidayakan
namun produksi komoditi kacang tanah perhektar belum

32
 Syaifullah 1 et al.
IJCCSISSN
II. PENELITIAN TERKAIT dengan metode Case base reasoning dan menghasilkan
output berupa hasil
Penelitian dilakukan oleh [3] melakukan penelitian
berjudul: “Sistem pakar diagnosis hama dan penyakit
penyakit pada tanaman kacang tanah berbasis desktop Start
dengan metode backward chaining” penelitian tersebut
membahas tentang sistem pakar dalam peroses menentukan
hama dan penyakit pada kacang tanah menggunakan metode
backward chaining. Pada penelitian tersebut penentuan Input Data
hama dan penyakit menggunakan metode backward
chaining.
Selanjutnya penelitian yang dilakukan oleh [4]berjudul:
“Case-Based Reasoning (CBR) pada sistem pakar
identifikasi hama dan penyakit tanaman singkong dalam Proses
usaha meningkatkan produktivitas tanaman pangan” CBR
penelitian tersebut membahas sistem pakar dalam proses
menentukan hama dan penyakit pada tanaman singkong
menggunakan metode case based reasoning.
Selan jutnya penelitian yang dilakukan oleh [2]
output
mengadakan penelitian berjudul: “ sistem pakar
mendiagnosis penyakit pada kacang tanah menggunakan
metode dempster shafer (DS)” penelitian tersebut
membahas sistem pakar dalam mendiagnosis penyakit pada
kacang tanah peneliti menggunakan metode dempster End
sharfer (DS) dalam programnya
Selanjutnya penelitian yang dilakukan oleh [5]
mengadakan penelitian berjudul: “penerapan metode Gambar [Link] Sistem
teorema bayes pada identifikasi penyakit kacang tanah”
penelitian tersebut membahas penerapan metode teorema
bayes dalam mengidentifikasi penyakit pada kacang tanah
Selajutnya penelitian yang dilakukan oleh [6] penelitian b. Tahapan Penelitian
berjudul: “sistem pakar identifikasi penyakit tanaman 1. Tahap pengumpulan data
kacang tanah menggunakan metode fuzzy madani berbasis
android” penelitian tersebut menggunakan metode fuzzy • Kuesioner
madani dalam megidentifikasi penyakit tanaman kacang Kuesioner merupakan teknik pengumpulan data yang
tanah . berisi pertanyaan untuk memperoleh data dari responden
untuk dijawabnya
III. METODE PENELITIAN • Participant Observation
a. Alur Rancagan Sistem
Participant observation itu sendiri adalah sebuah teknik
Penelitian yang dilakukan merupakan jenis penelitian pengumpulan data yang mana sang peneliti terlibat secara
terapan. Di mana penulis menerapkan metode case based langsung dengan kehidupan dari subjek penelitian. Peneliti
reasoning ke pada tanaman kacang tanah untuk menentukan akan ikut serta merasakan secara langsung keadaan dan
hama dan penyakit. Adapun hal yang dilakukan adalah situasi dari sebuah subjek penelitian.
membuat suatu sistem yang dapat digunakan masyarakat Jadi, peneliti tidak hanya mengamati dari jauh saja.
umun. Di mana dalam penelitian dilakukan pengumpulan Untuk teknik yang satu ini sangat tepat digunakan untuk
data yang di butuhkan, selanjutnya melakukan analisis data sebuah penelitian yang berkaitan dengan hubungan sosial
yang sesuai dengan yang di butuhkan dalam penelitian ini, antara masyarakat. Tidak sedikit dari para peneliti yang
selanjutnya adalah perancangan sistem atau pengodean menggunakan teknik satu ini untuk bisa mendapatkan
(Encoding) untuk membuat sistem dan beberapa data yang lebih valid.
mengimplementasikan metode untuk memecahkan
permasalahan dan pengujian pada sistem yang telah dibuat. • Studi pustaka
Pada penelitian kali ini menggunakna alur sistem
penyelesaian permasalahan hama dan penyakit pada Untuk teknik yang satu ini dilakukan agar bisa
tanaman kacang tanah dengan menggunakan metode Case melakukan analisis pada topik permasalahan yang ingin
Base Reasoning ( CBR) diteliti oleh peneliti. Untuk teknik pengumpulan yang satu
Adapun diagram alur yang di mana sistem ini dimulai ini tentu saja sangat cocok untuk penelitian studi pustaka.
dengan pengguna (user) memasukkan data yang ditetapkan Data-data yang ada dalam penelitian studi pustaka tersebut
pada sistem ini. Setelah itu data akan mengalami proses didapat dari arsip, buku-buku ataupun dokumen. Akan

33
 Syaifullah 1 et al.
IJCCSISSN
tetapi, hal ini tidak berarti bahwa jenis penelitian yang 3. Pengkodean
bukan studi pustaka tidak membutuhkan pustaka.
Pada tahan ini dilakukan pengkodean (Encoding) untuk
2. Kelengkapan Data mengimplementasikan desain atau rancangan sistem yang
a. Memeriksa kelengkapan data akan di buat. Proses ini juga disebut sebagai penerjemah
desain atau rancangan ke dalam bentuk yang dapat
Tahap ini dilakukan segera setelah data terkumpul. diterjemahkan oleh Bahasa PHP dan Mysql.
Peneliti bisa membuat tanda untuk memastikan apakah
semua data sudah terkumpul. Perlu diperhatikan bahwa a. Case base reasoning
tidak ada dataset atau catatan lapangan yang sempurna. Case Base Reasoning ( CBR ) adalah salah satu
Selalu ada kekurangan dan celah setelah data terkumpul. metode untuk membangun sistem pakar dengan
Namun demikian, penting bagi peneliti untuk melakukan pengambilan keputusan dari kasus yang baru dengan
justifikasi bahwa data yang terkumpul sudah layak untuk berdasarkan solusi dari kasus – kasus sebelumnya. Konsep
dianalisis. Justifikasi tersebut tentu didasarkan pada desain dari metode case based reasoning ditemukan dari ide untuk
riset awal tentang data apa saja yang dibutuhkan untuk menggunakan pengalaman – pengalaman yang
menjawab pertanyaan penelitian. Singkatnya, jika data terdokumentasi untuk menyelesaikan masalah yang baru.
dirasa cukup, maka bisa dianggap sudah lengkap. Secara umum terdapat empat langkah proses pada
metode Case Based Reasoning, yang pelaksanaannya
b. Memeriksa kualitas data berupa siklus, yaitu:
1. Retrieve (memperoleh kembali) kasus atau kasus-
Tahap ini dilakukan dengan cara mengamati atau kasus yang paling mirip (similar). Task ini dimulai
membaca berulang-ulang apakah jawaban dari informan dengan pendeskripsian satu/sebagian masalah dan
sesuai dengan yang diharapkan oleh peneliti, dalam arti berakhir apabila telah ditemukan kasus sebelumnya
semua kolom terisi atau semua pertanyaan terjawab secara yang paling cocok. Sub tasknya mengacu
memuaskan. Pemeriksaan kualitas data dilakukan untuk pada identifikasi fitur, pencocokan awal, pencarian,
menentukan berapa data yang missing dan perlukah dan pemilihan.
dilakukan pencarian data tambahan. 2. Reuse (menggunakan) informasi dan pengetahuan
dari kasus tersebut untuk memecahkan
c. Analisis data kuantitatif permasalahan. Proses reuse dari solusi kasus yang
telah diperoleh dalam konteks kasus baru
Ada beberapa tipe analisis data kuantitatif. Salah satu difokuskan pada dua aspek yaitu: · perbedaan
yang paling populer adalah analisis regresi. Analisis regresi antara kasus yang sebelumnya dan
mengukur hubungan antara variabel dependen dan variable yang sekarang, bagian apa dari kasus yang telah
independen. Ringkasnya, analisis regresi menunjukkan diperoleh yang dapat ditransfer menjadi kasus baru.
perubahan nilai variabel dependen ketika variabel 3. Revise (meninjau kembali / memperbaiki) usulan
independen berada pada nilai yang tetap. solusi. Fase ini terdiri dari dua tugas, yaitu :
Mengevaluasi solusi kasus yang dihasilkan oleh
d. Analisi data kualitatif proses reuse. Jika berhasil, maka dilanjutkan
dengan proses retain, Jika tidak maka memperbaiki
Urutan analisis data kualitatif dalam bentuknya yang solusi kasus menggunakan domain spesifik
paling sederhana adalah sebagai berikut: Dari data yang pengetahuan.
sudah ada, peneliti perlu melakukan: 4. Retain (menyimpan) bagian-bagian dari
pengalaman tersebut yang mungkin berguna untuk
Coding – menentukan konsep – merujuk konsep memecahkan masalah di masa yang akan datang
pada data – membuat kategori – merujuk kategori dengan [4].
data – membuat hipotesis – merujuk hipotesis dengan data
– mengembangkan teori/menemukan teori baru – hasil
penelitian.

Perlu diingat bahwa proses tersebut adalah bentuk

yang paling sederhana. Tak jarang, analisis kualitatif
menerapkan proses yang lebih rumit dari itu. Misalnya,
hipotesis yang ditemukan tidak diterima oleh keseluruhan
data, lalu peneliti mengeksekusi data tersebut sebagai kasus
spesial (dijelaskan dalam limitasi penelitian) atau peneliti ke
lapangan lagi untuk memberoleh data tambahan untuk
menguatkan atau melemahkan hipotesisnya.
Gambar 2. Case based reasiong

34
 Syaifullah 1 et al.
IJCCSISSN
b. K-Nearest Neighbor Kode gejala, Nama gejala dan bobot Bobot dibuat
K-Nearest Neighbor (K-NN) adalah sebuah berdasarkan jurnal Case-Based Reasoning (CBR) Pada
metode klasifikasi terhadap sekumpulan data berdasarkan sistem Pakar Identifikasi Hama dan Penyakit tanam
pembelajaran data yang sudah terklasifikasikan singkong dalam usaha meningkatkan produtivitas tana
sebelumnya. Termasuk dalam supervised learning, dimana pangan Ada beberapa informasi dari pakar tentang
hasil query instance yang baru diklasifikasikan berdasarkan pembobotan pada gejala yang ada di tabel II
mayoritas kedekatan jarak dari kategori yang ada dalam K-
NN. TABEL II
Penerapan algoritma K-NN dalam case based PEMBOBOTAN
reasoning menurut Wu K-nearest neighbour (KNN) KODE NAMA GEJALA BOBOT
termasuk kelompok instace-based learning. Algoritma KNN GEJALAH
untuk menghitung bobot kemiripan (similarity) dengan G001 Bercak-bercak coklat pada 0.9
nearest neighbour retrieval adalah. [7] daun
𝑠 𝑥 𝑤 +𝑠 𝑥 𝑤 +⋯+𝑠𝑛 𝑥 𝑤𝑛
𝑠𝑖𝑚𝑖𝑙𝑎𝑟𝑖𝑡𝑦(𝑝, 𝑞) = 1 1 2 2 (1) G002 Akar membusuk dan 0.2
𝑤1 +𝑤2 +⋯+𝑤𝑛
berwarna hitam
G003 Biji berkecabang 0.6
Keterangan :
G004 Batang berlubang 0.1
p : kasus baru
G005 Pembuluh batang 0.8
q : kasus yang ada dalam penyimpanan (case)
w : weight (bobot yang di berikan ) mengeluarkan lender
kuning
s :similarity (nilai kemiripan)
G006 Permukaan licin 0.7
G007 Timbul bercak-bercak 0.8
IV. HASIL DAN PEMBAHASAN keputih-putihan dan tidak
teratur pada daun
a. Hasil Analisis Data G008 Batang bercabang 0.8
G009 Daun menggulung 0.3
Data yang digunakan dalam pembuatan ini adalah data G010 Terdapat bengkokan pada 0.2
didapat dengan cara kuesioner, Participant Observasil .dan batang seperti lutut
Studi Pustaka. G011 Muncul belang-belang pada 1
Wawancara dilakukan dengan ketua tani desa Patang daun
Panuang. Hasil dari wawancara tersebut diperoleh data G012 Daun tidak bersekat 0.4
hama dan penyakit 15. G013 Daun menguning 0.5
G014 Pertumbuhan lambat 0.6
TABEL I G015 Garis putus-putus pada 0.5
HASL HAMA DAN PENYAKIT daun
NO Nama Hama dan Penyakit Jumlah Kasus G016 Daun berlubang 0.5
1 Bercak Daun 20 G017 Tanama layu 0.1
2 Layu Sklerotium 4 G018 Biji busuk 0.6
3 Karat 24 G019 Daun berwarna kemerahan 0.2
4 Layu Bakteri 7 G020 Akar rusak 0.1
5 Belang 8 G021 Daun tinggal tulang 0.6
6 Bilur 2 G022 Muncul cincin sepusat 0.5
7 Sapu Setan 17 berwarna gelap
8 Mosaik 3 G023 Muncul bulu-bulu putih 0.3
9 Kerupuk 3 pada batang
10 Gapong 6 G024 Batang rusak 0.5
11 Uret 20 G025 Bagian daun tengah hijau 0.7
tapi tepi pucat
12 Ulat Pemakan Daun 6
G026 Daun megering dan rontok 0.4
13 Ulat Grayak 2
G027 Kulit biji terdapat bercak- 0.7
14 Kumbang Daun 10
bercak berwarna hitam
15 Keriting 4
G028 Biji berlubang 1
TOTAL KEJADIAN 136
G029 Daun berwarna lebih tua 0.6
G030 Ujung daun meruncing 0.3
b. Pembobotan Algoritma K-Nearest Neighbor
G031 Bunga berwarna kuning 0.8
Pembobotan pada gejalah sebagai dasar dari algoritma k- pada daun
nearest neighbor. Tabel II merupakan bobot gejala berisi G032 Tulang-tulang daun agak 0.7

35
 Syaifullah 1 et al.
IJCCSISSN
melengkuk kemiripan berdasarkan bobot yang telah ada di
G033 Tulang-tulang daun 0.3 gejala .
mebengkak 2. Reuse dalam sistem ini .menampilkan hasil dari
G034 Biji menjadi tidak teratur 1 identifikasi proses Retrieve berdasarkan hasil
dan memiliki ukuran lebih pengolahan algoritma k-nearest neighbour yang
kecil hasil yang paling mendekati dengan kasus yang
G035 Tangkai buah membelok ke 0.3 telah ada dengan yang baru kasus baru yang dipilih
atas melalui gejala-gejala tanaman kacang tanah.
G036 Batang bengkok 0.8
G037 Permukaan daun tidak rata 0.3 3. Revise (meninjau kembali/memperbaiki) usulan
G038 Daun tebal dan kecil 0.8 solusi. Dalam tahan ini hasil dari reuse akan
ditampilkan hama atau penyakit yang terjadi pada
c. Metode Case Based Reasioning tanam kacang tanah dan menampilkan penyebab
dan solusi dan selanjutnya diterus ke tahap retain.
Menampilkan Kasus yang telah di input dalam aplikasi
yang telah di Buat sebagai dasar dari metode CBR. Dimana
dalam kasus ini kasus yang menjadi dasar / kasus terdahulu 4. Retain (menyimpan) bagian-bagian dari hasil
yang telah dapat di pasti kebenaranya. Serta dapat pengolahan gejala-gejala yang telah di pilih dan
menambahkan kasus untuk menjadi kasus dasar serta dapat kasus yang terjadi akan disimpan dan mungkin
mengubah dan menghapus kasus yang telah menjadi dasar. berguna untuk memecahkan masalah yang akan
Gambar 3 adalah kasus dasar datang didari kasus-kasus yang baru

e. Pengujian sesuai gejala

Pengujian dilakukan oles user dengan cara

langsung dengan sistem yang telah dibuat. Pengujian
dilakukan dengan masukan data sesuai gejala yang dimiliki
oleh masing-masing hama dan penyakit.

TABEL III
PEGUJIAN SEUSAI GEJALA
Gambar 3. Kasus dasar NAMA
NILAI
GEJALA PENYAKIT
SIMILARITAS
DAN HAMA
d. Hasil CBR dan K-NN Bercak-bercak coklat Bercak daun 100%
pada daun,
Permukaan licin,
batang tidak
bercabang, Terdapat
bengkokan pada
daun seperti lutut,
Daun tidak bersekat
Akar membusuk dan Sapu setan 100%
berwarna hitam,
Daun berwarna
kemerahan, Bunga
berwarna kuning
Gambar 4. Hasil Cbr dan K-nn pada daun, Tangkai
Buah membelok
1. Retrieve dalam sistem ini berfungsi untuk mencari tumbuh keatas
kasus baru yang memiliki kemiripan dengan semua Daun menguning, Gapong 100%
kasus terdahulu/dasar dalam sistem ini. biji busuk, Kulit biji
Berdasarkan gejala yang telah dipilih sebelumnya, terdapat bercak-
dalam menentukan kemiripan kasus yang baru bercak berwarna
dengan kasus terdahulu atau kasus dasar dengan hitam,
menggunakan algoritma K-NN. Algoritma k- Bercak-bercak coklat Layu 100%
nearest neighbour dengan menghitung nilai pada daun, Tanaman Sklerotium

36
 Syaifullah 1 et al.
IJCCSISSN
layu, Muncul Cincin pada daun, Daun
sepusat Berwarna menguning, Daun
gelap, Muncul Bulu- mongering dan
bulu putih pada rontok
batang
f. Pengujian sedikit berbeda
Daun menggulung, Bilur 100%
garis putus-putus Pengujian tahap ini dilakukan oleh user dengan
pada daun, Tulang- masukan gejala yang sedikit berbeda dengan gejala pasti
tulang daun agak yang dimiliki penyakit dan hama Tabel. IV.
melengkuk
Akar membusuk dan Layu bakteri 100% TABEL IV
berwarna hitam, PENGUJIAN SEDIKIT BERBEDA
Pembuluh batang Jumlah
mengeluarkan lendir Jenis penyakit dan Jumlah Indentifikasi
NO
kuning, Tanaman hama Data uji benar
layu
Biji berkecabang, Mosaik 100% 1 Bercak daun 10 10
Daun menguning,
Pertumbuhan lambat, 2 Sapu setan 10 9
Ujung Daun 3 Gapong 7
Meruncing 9
Daun menggulung, Kerupuk 100% 4 Layu Sklerotium 8
8
Pertumbuhan lambat,
daun berwarna lebih 5 Bilur 6 4
tua, Tulang-tulang
daun membengkak, 6 Layu bakteri 5 4
Batang bengkok
Bagian daun tengah Keriting 100% 7 Mosaik 5 5
hijauh tapi tepinya 8 Kerupuk 5
pucat, Ujung Daun 5
Meruncing, 9 Keriting 5
permukaan daun 5
tidak rata, Daun tebal 10 Belang 5 3
dan kecil
Daun menggulung, Belang 100% 11 Uret 5 5
Daun menguning,
Daun berwarna lebih 12 Ulat penggundul 3
4
tua, Tulang-tulang daun
agak melengkung, 13 Ulat grayak 3 3
Biji tidak teratur dan
ukurangnya lebih 14 Kumbang daun 7 5
kecil
15 Karat 13 10
Muncul belang- Uret 100%
belang pada daun, 100 86
Tanaman layu, Akar TOTAL
busuk, Batang rusak,
Biji berlubang
Daun menggulung, Ulat 100% V. KESIMPULAN DAN SARAN
Daun menguning, penggundul
Daun mengering dan daun a. Kesimpulan
rontok
Daun berlubang, Ulat grayak 100% Berdasarkan penelitian, perancangan, dan implementasi
Batang berlubang, yang penulis lakukan makan dapat kesimpulan sebagai
Daun berlubang, Kumbang 100% berikut:
Daun tinggal tulang daun 1. Aplikasi identifikasi hama dan penyakit pada
Timbul bercak- Karat 100% tanama kacang tanah menjadi solusi bagi
bercak keputihan kelompok tani desa patang panuang, dalam proses

37
 Syaifullah 1 et al.
IJCCSISSN
mengidentifikasi hama dan penyakit secara lebih UCAPAN TERIMAH KASIH
cepat di bandingkan secara manual yang harus
mendatangi pakar dan dinas pertanian. Penulis mengucapkan terimah kasih kepada semua pihak
2. Aplikasi ini juga memberikan informasi mengenai Program Studi Informatika ataupun pihak yang lain sudah
data detail gejala- gejala yang berjumlah 38, hama membantu penelitian ini.
dan penyakit yang berjumlah 15, Serta menapilkan
penyebab dan solusi masalah. DAFTAR ACUAN
3. Aplikasi ini juga dapat menyimpan kasus-kasus
baru yang telah di input. [1] Niaga Swadaya, H. 2006. Berkebun 21 Jenis Tanaman Dan
Buah. Jakarta: Penebar Swadaya.
b. Saran [2] HALIM, S., 2017. SIstem Pakar Mendiagnosa Penyakit
Bagi pengembang atau peneliti pada aplikasi sistem Tanaman Kacang Tanah Mengguanakan Metode Demphster
Shafer(DS),
pakar ini berikutnya adalah: [3] BELLA ANITA AGUSTIN MAULINA , H.., 2016. Sistem
1. Pada sistem identifikasi hama dan penyakit , data Pakar Diagnosis Hama Dan Penyakit Tanaman Kacang Tanah
hanya dapat dilihat langsung pada sistem, untuk Berbasis Desktop Dengan Metode Backward Chaining,
selanjutnya dapat di kembangkan agar hasil olah [4] Minarni, I. W. 2017. Case-Based Reasoning (Cbr) Pada Sistem
data dapat di Export kedalam format Word atau Pakar Identifikasi Hama Dan Penyakit Tanaman Singkong
pdf. Dalam Usaha Meningkatkan Produktivitas Tanaman Pangan,
2. Sistem ini juga perlu di kembang agar dapat [5] YUKI JANUARDI, L., 2018 penerapan metode teorema
menjadikan kasus baru sebagai kasus dasar sistem. bayes pada identifikasi tanaman kacang tanah
Sistem ini perlu untuk di tambah kasus-kasus untuk [6] ARIFANDI WAHYU WIDIANTO, N.2019 Sistem sistem
pakar idetifikasi hama dan penyakit tanaman kacang tanah
mempermudah agar sistem dapat dengan cepat dan meggunakan metode Fuzzy madani berbasis android
tepat. [7] TIARAEKA PUTRI, D. R. 2016. Implementasi Metode Cbr
(Case Based Reasoning Menggunakan Algoritma Knearest
Neighbor (Knn),
.

38