Di Indonesia, ikan diskus juga menjadi salah satu ikan hias yang

Sistem pakar untuk diagnosa penyakit pada ikan diskus dengan
pendekatan fuzzy logic
K. Sugiarto, Y. Ardy, R. Prathama, D. Suhartono
Computer Science Department, Bina Nusantara University, Jakarta 11480, Indonesia
INFO ARTIKEL
ABSTRAK
Kata Kunci:
Diskus
Sistem Pakar
Fuzzy Logic
Diagnosa
Penyakit
Ikan diskus merupakan ikan yang diminati karena keindahannya yang khas dan unik, mulai dari
beragam corak, warna, dan bentuk. Ikan ini menjadi salah satu peluang bisnis yang menguntungkan
bagi peternak terutama untuk ekspor ke luar negeri karena harganya yang tergolong mahal, namun
ikan ini sulit untuk dipelihara karena rentan dengan berbagai macam penyakit. Maka dari itu perlu
dibuatnya aplikasi sistem pakar berbasis fuzzy logic untuk mendiagnosa penyakit pada ikan diskus.
Dengan adanya aplikasi ini diharapkan dapat membantu peternak pemula untuk mendiagnosa
penyakit pada ikan diskus. Hasil yang dicapai adalah aplikasi berbasis dekstop yang dapat
digunakan oleh pengguna untuk mendiagnosa, mencegah, dan mengobati ikan diskus dari penyakit.
Simpulan yang dicapai dari penelitian ini adalah pengguna dapat melakukan proses diagnosa
penyakit ikan diskus dengan hasil yang memuaskan.
1. Pendahuluan
Ikan diskus (Symphysodon sp.) merupakan salah satu jenis
ikan hias yang hidup di air tawar. Ikan tersebut merupakan
ikan yang cukup terkenal, dijuluki “King of Aquarium Fishes”
karena memiliki corak yang cerah dan berwarna warni. Pasar
untuk ikan diskus sangat tergantung pada perkembangan
jenisnya yang baru. Salah satu cara untuk meningkatkan
penjualan dengan mengembangbiakkan jenis yang terkenal
dan menjualnya ke umum. Ikan tersebut termasuk ke dalam 10
besar terbaik dari jenis ikan hias yang diperdagangkan.
Beberapa jenis tertentu hanya dikembangbiakkan meliputi
Malaysia, Thailand, Singapore dan Indonesia [1].
Di Indonesia, ikan diskus juga menjadi salah satu ikan hias
yang paling banyak di kembangbiakan dan diekspor ke luar
negeri, salah satu negara tujuannya adalah Singapura. Pada
data statistik tahun 2007, Dinas perikanan Tangerang telah
menjual ikan diskus sebesar 22,912,050,000 rupiah [2].
Walaupun ikan diskus banyak diminati dan cukup ramai di
pasar ikan global, ikan diskus ini rentan akan penyakit dan
perawatannya yang sulit sehingga mengakibatkan angka
kematian yang tinggi terhadap peternak ikan yang belum
berpengalaman. Salah satu contoh kerugian karena penyakit
pada ikan diskus ini adalah infeksi dari parasit Cappilaria sp
yang menyebabkan angka kematian yang tinggi pada
peternakan ikan diskus [3].
Oleh karena itu perlu dibuat aplikasi sistem pakar untuk
mendiagnosa penyakit pada ikan diskus. Sistem pakar tersebut
diharapkan dapat membantu para peternak ikan untuk
memperoleh informasi yang menyangkut penyakit ikan diskus
serta memberikan solusi secara cepat, tepat, dan efisien untuk
proses penanggulangannya. Cara diagnosa penyakit ikan
didapat dari data yang diinput oleh pengguna, daftar
pertanyaan yang berisi gejala penyakit dari ikan diskus yang
dapat diamati oleh pengguna dan akan diberikan diagnosa
yang benar maupun salah tergantung oleh observasi pengguna.
Data dari pengguna tersebut diproses menggunakan aplikasi
desktop dan kemudian dianalisis. Sistem pakar akan
memberikan respon balik berupa hasil diagnosis penyakit ikan
diskus. Diharapkan dengan adanya aplikasi ini dapat
membantu peternak yang masih pemula dalam penanganan
penyakit pada ikan diskus.
2. Studi Literatur
Perkembangan teknologi saat ini memungkinkan untuk
menyimpan pengetahuan dari seorang pakar ahli ke dalam
mesin yang biasa disebut sistem pakar. Sistem pakar banyak
dikembangkan ke beberapa sektor, salah satunya adalah sektor
perikanan untuk membantu para peternak ikan. Sistem pakar
tersebut diperlukan karena kurangnya pengetahuan dari para
peternak dan terbatasnya jumlah pakar yang ahli sehingga
menyebabkan kematian terhadap komoditas peternakan dan
mengakibatkan kerugian yang cukup parah.
Di Malaysia, industri perikanan telah menjadi salah satu
peranan penting. Pada tahun 2003, konsumsi ikan di Malaysia
mencapai 103 juta. Karena banyak penyakit yang menyerang
ikan mengakibatkan kehilangan nilai investasi, biaya
pengobatan dan berkurangnya produktivitas peternakan, maka
dibutuhkan manajemen yang baik di bidang perikanan dengan
membuat aplikasi yang dapat memberikan pengetahuan dari
pakar kepada peternak.
Aplikasi yang bernama SDIK yang dibuat mampu
memberikan informasi dan pembelajaran kepada peternak
mengenai penyakit ikan dan cara penanggulangannya.
Aplikasi ini dibuat dengan metode Knowledge Engineering
dengan menggunakan IF-THEN rules sebagai Rule Base serta
forward dan backward chaining sebagai proses inferensinya
[4].
Konsumsi ikan yang sangat tinggi dikalangan masyarakat
menjadikan prospek yang baik untuk para pebisnis dalam
bidang peternakan ikan. Namun para peternak ikan sering
mengalami kerugian yang berarti karena penyakit ikan. Dalam
survey terdapat 1500 ikan mengalami kematian pada
peternakan ikan di Desa Baturetno Kec. Banguntapan
Yogyakarta. Selain itu itu juga karena kurangnya pengetahuan
mengenai cara mengatur kolam untuk ikan dan minimnya
pakar ikan untuk berkonsultasi. Mengetahui fakta tersebut,
maka dibuatlah aplikasi sistem pakar berbasis Web dengan
metode Theorema Certainty Bayes. Metode ini untuk mencari
nilai kepastian dari diagnosa yang dihasilkan. Dalam
pengembangannya, aplikasi ini menggunakan modified
waterfall dengan bahasa pemrograman PHP [5].
Di Indonesia, budidaya udang galah yang hidup di perairan
air tawar memiliki prospek yang sangat menguntukan dan
memiliki nilai ekonomis yang tinggi baik untuk komsumsi
domestik maupun mancanegara. Selain itu juga budidaya
udang galah terbilang cukup mudah dibanding jenis udang
lainnya. Walaupun mudah, tetapi pembududayaannya sering
mengalami banyak kendala yang membuat produksi udang
galah berfluktuasi seperti kualitas tambak, pakan, dan
penyakit. Penyakit salah satu hal yang membuat kerugian
besar. Salah satu penyakitnya adalah Black Spot yang
disebabkan oleh bakteri dan jamur. Oleh karena itu, maka
dibuatlah aplikasi sistem pakar untuk mengidentifikasi
penyakit pada udang galah. Sistem pakar ini menggunakan
metode Theorema Bayes untuk menghitung ketidakpastian
dan forward chaining sebagai metode inferensi serta
dikembangkan dengan bahasa pemrograman Visual Basic [6].
Beberapa penyakit pada ikan memiliki konpleksitas yang
cukup tinggi dan dapat menyebabkan kematian apabila tidak
ditangani oleh pakar yang handal. Kebanyakan penyakit pada
ikan disebabkan oleh bakteri dan protozoa. Pada dasarnya,
penyakit ikan karena bakteri dan protozoa sulit untuk
didiagnosa karena memiliki tanda-tanda klinis yang hampir
sama. Perbedaannya hanya muncul ketika penyakit tersebut
sudah menjadi lebih akut. Oleh karena itu, dibuatlah sistem
pakar menggunakan Artificial Neural Network dengan
pendekatan back propagation feed-forward. Pada ANN ini
menggunakan dua layer fungsi aktivasi sigmoid dan linear
serta algoritma Levenberg-Marquardat. Sistem pakar ini
menggunakan dua back propagation untuk dua penyebab
berbeda yaitu bakteri dan protozoa. Untuk penyakit karena
bakteri, ANN terdiri dari 43 input, 20 hidden layer dan 12
output. Sedangkan penyakit karena protozoa terdiri dari 28
input, 22 hidden layer dan 8 output [7].
Berdasarkan studi literatur diatas, semua sistem pakar yang
digunakan dalam penelitian tersebut menggunakan logika
Boolean sebagai inputnya. Sistem pakar yang hanya menerima
input 'ya' atau 'tidak' saja akan kurang manusiawi karena tidak
dapat menerima input sesuai dengan pengamatan manusia.
Oleh karena itu, perlu dibuat sebuah sistem pakar yang dapat
menerima bahasa manusia sebagai inputnya sehingga sesuai
dengan hasil observasi sesungguhnya.
2.1 Tentang Ikan Diskus
Diskus adalah ikan dari jenis Symphysodon yang dimiliki
oleh famili Cichlids. Ikan ini berasal dari perairan Brazil,
tepatnya dari sungai Amazon. Diskus merupakan ikan yang
mempunyai sifat paling dekat dengan famili Cichlids. Ikan ini
hidup secara berkelompok (social fish) . Karena sifatnya yang
tidak agresif, maka ikan ini tidak harus dipelihara di akuarium.
Ikan diskus tidak mengigit karena mereka bukan termasuk
predator, maka tidak akan menjadi masalah apabila ikan ini
dipelihara bersama-sama dengan ikan kecil lainnya di satu
akuarium. Seperti famili Cichlids dari jenis Pterophyllum,
semua spesies dari Symphysodon mempunyai bentuk tubuh
yang pipih. Tidak seperti spesies dari Pterophyllum yang
mempunyai bentuk tubuh yang cenderung memanjang, spesies
dari Symphysodon mempunyai bentuk yang lebih bulat.
Karena bentuk tubuh inilah ikan ini dinamakan ikan diskus.
Panjang dari tubuh ikan diskus yang sudah dewasa bisa
mendapai 8–10 inci (20-25 cm) [8].
Menurut data statistik Badan Karantina Ikan, Pengendalian
Mutu dan Keamanan Hasil Perikanan pada tahun 2011 tercatat
bahwa Indonesia mengekspor ikan diskus sebanyak 578.371
ekor. Sementara itu Indonesia mengimpor ikan diskus hanya
sebanyak 1.390 ekor atau hanya 8 kilogram [9].
Spesies ikan discus dibagi menjadi 4 yaitu: Symphsodon
discus atau disebut discus heckel, Symphysodon aequifasciata
aequifasciata atau disebut discus hijau, Symphysodon
aequifasciata axelrodi atau disebut discus cokelat,
Symphysodon aequifasciata haraldi atau disebut discus biru
[10].
Menurut Pakar dari Asosiasi Budaya Ikan Laut Indonesia,
ada beberapa penyakit yang biasa menyerang ikan diskus
seperti:
A. Whitespot
Penyakit whitespot yang nampak seperti pada Gbr. 1
disebabkan oleh protozoa yang bernama Icthyopthirius
multifilis. Ikan diskus yang terinfeksi akan terdapat bercak
putih seperti garam atau gula di permukaan tubuh, sirip, dan
insang. Ikan diskus juga akan menggesekkan tubuhnya
terhadap benda - benda sekitar aquarium, berdiam di sudut
akuarium, pada kasus yang cukup parah ikan diskus akan
kehilangan nafsu makannya.
Gambar 1. Whitespot
B. Velvet
Penyakit ini disebabkan karena parasit Piscinoodinium.
Ikan diskus yang terinfeksi oleh parasit tersebut akan terdapat
seperti debu berwarna emas di seluruh permukaan tubuhnya
seperti pada Gbr.2. Ikan diskus yang terinfeksi akan sering
menggesekkan tubuhnya terhadap benda - benda di sekitar
akuarium.
Gambar 2. Velvet
C. Saprolegniasis
Jamur Saprolegnia sp. dapat menginfeksi ikan diskus dan
telur ikan diskus. Ikan diskus yang terinfeksi permukaan
tubuhnya akan terdapat bercak seperti kapas pada kulit, sirip,
insang, mata ikan, atau pada telur ikan akan berwarna putih
abu - abu dan coklat seperti pada Gbr. 3. Pada sebagian kasus
yang parah akan terdapat luka pada tubuh ikan diskus.
E. Fins and Tail Rot
Fins and Tail Rot adalah penyakit yang disebabkan oleh
bakteri (Aeromonas, Pseudomonas, dan Flexibacter). Pada
awalnya sirip akan terlihat berawan atau transparan, dan lama
kelamaan mulai membusuk. Penyakit ini akan mengakibatkan
kerusakan pada semua sirip : dorsal, pectoral, anal, dan
caudal. Ikan diskus yang terserang penyakit ini akan tampak
seperti pada Gbr. 5.
Gambar 5. Fins and Tail Rot
F. Flukes
Ikan diskus yang terkena penyakit Flukes akan terdapat
luka terbuka pada tubuhnya maupun pada insang seperti pada
Gbr. 6. Flukes disebabkan oleh parasit Gyrodactylidea dan
Dactylogyridea. Pada kasus Flukes yang menyerang insang
akan terlihat seperti kesulitan bernapas dan berdiam disudut
akuarium dalam waktu cukup lama.
Gambar 3. Saprolegniasis
D. Hole In The Head
Hole In The Head atau yang biasa disingkat HITH adalah
penyakit kronis yang disebabkan oleh parasit Hexamita.
Diskus yang terinfeksi tubuhnya akan terdapat luka dan
beberapa potongan daging jatuh dari daerah dahi, sekitar
mata,dan opercullum, juga garis lateral seperti pada Gbr. 4.
Perilaku ikan diskus juga akan berubah, ikan diskus akan lebih
sering berdiam di pojok akuarium.
Gambar 6. Flukes
G. Discus Plaque
Diskus Plaque atau yang biasa disebut 'Penyakit Discus'
disebabkan oleh virus. Diskus yang terinfeksi seluruh
tubuhnya akan sangat menghitam dan berlendir seperti
ditunjukkan pada Gbr.7. Ikan diskus akan bersembunyi di
sudit akuarium dan sering mengepakan siripnya.
Gambar 7. Discus Plaque
Gambar 4. Hole In The Head
H. Tuberculosis
Penyakit kronis yang disebabkan oleh bakteri yang
bernama Tuberculosis mycobacteria. Gejala yang biasanya
tampak adalah tubuh yang menghitam, luka parah atau muncul
seperti 'potongan' daging yang mengelupas, dan adanya
pendarahan pada tubuh ikan diskus. Perilaku ikan diskus akan
brubah menjadi berenang tak beraturan dan berdiam di sudut
akuarium dalam waktu yang lama. Ikan diskus yang terinfeksi
tuberculosis akan tampak seperti pada Gbr. 8.
Gambar 8. Tuberculosis
I. Costiosis
Costiosis adalah infeksi parasit akut yang disebabkan oleh
parasit Costia dan berbahaya untuk ikan yang masih muda
atau telur ikan. Pada kasus kecil, tubuh ikan diskus akan
seperti tampak berawan seperti pada Gbr. 9. Pada kasus yang
parah, akan terdapat luka dan pendarahan pada tubuh ikan
diskus.
data yang mempunyai nilai kebenaran parsial, yaitu nilai
kebenaran antara yang sepenuhnya benar dan sepenuhnya
salah dapat dijelaskan.
Sistem pakar yang menggunakan inferensi forward
chaining maupun backward chaining akan menemukan
permasalahan ketika pengguna ingin mendefinisikan sesuatu
nilai yang rentang nilainya berada diantara ya dan tidak.
Misalkan pengguna ingin memasukkan hasil pengamatan
gejala berupa luka pada ikan yang banyak dan menyebar di
bagian tertentu dari ikan. Sistem pakar tersebut tidak bisa
mendefinisikan berapa banyaknya luka pada ikan tersebut,
hanya dapat mendefinisikan apakah ada luka atau tidak berupa
input jawaban ya dan tidak.
Sedangkan, pada sistem pakar yang menggunakan
inferensi fuzzy dapat mendefinisikan luka pada ikan, apakah
luka itu banyak, sedikit, sangat sedikit, dan sangat banyak
yang akan menentukan diagnosa pada penyakit ikan lebih
akurat sesuai dengan pengamatan secara manusiawi dari
pengguna. Sistem pakar yang menggunakan inferensi fuzzy
untuk mendeteksi penyakit pada ikan diskus belum pernah
dikembangkan. Namun ada masalah yang muncul dalam
menentukan linguistic variable. Dalam penelitian ini,
linguistic variable yang dimaksud adalah berupa intensitas
gejala gejala atau symptom yang ada pada pengamatan ikan
diskus. Untuk menghasilkan diagnosa yang akurat, diperlukan
linguistic variable dengan jarak variabel yang paling sesuai
dengan gejala yang muncul. Metode yang digunakan untuk
membuat nilai fuzzy untuk input dalam sistem pakar adalah
metode fuzzification yang merupakan sebuah proses untuk
membuat nilai yang memiliki derajat kepastian.
4. Metodologi
Gambar 9. Costiosis
3. Rumusan Masalah
Di Indonesia, sistem pakar biasanya digunakan untuk
memecahkan masalah masalah yang berkaitan dengan deteksi
penyakit manusia, hewan, maupun tumbuhan. Umumnya
aplikasi sistem pakar menggunakan metode inferensi forward
chaining atau backward chaining dan dilengkapi dengan
teorema Bayes untuk menentukan kepastian diagnosanya.
Dengan menggunakan forward chaining dan backward
chaining dapat diketahui diagnosa penyakit melalui input
gejala berupa data yang di-input. Data yang digunakan dalam
proses inferensi pada metode tersebut adalah data boolean atau
disebut crisp data, jika input data adalah ya, maka akan
bernilai 1, jika input data adalah tidak, maka akan bernilai 0.
Berbeda jika menggunakan inferensi fuzzy yang input-nya
menggunakan data yang memiliki derajat keanggotaan atau
derajat kebenaran, dalam hal ini kita dapat menggunakan
linguistic variable yang merupakan variabel yang digunakan
dalam bahasa sehari-hari. Dengan menggunakan sistem fuzzy,
Dalam penelitian ini, terdapat tiga langkah utama yang
digunakan untuk membangun sistem pakar yang berbasis fuzzy
untuk mendiagnosa penyakit pada ikan diskus. Dalam
pembuatan sistem pakar diperlukan knowledge base, working
memory, inference engine, dan user interface. Pada Gbr.9
dibawah ini merupakan struktur dasar sebuah sistem pakar.
Gambar 9. Struktur Dasar dari Sistem Pakar [11]
4.1 Knowledge Engineering
Knowledge engineering adalah proses yang paling penting
dan mendasar dalam membuat sistem pakar. Knowledge
engineering merupakan proses mengubah pengetahuan dari
seorang pakar maupun dari literatur menjadi representasi
pengetahuan atau knowledge base yang dapat dimengerti oleh
sebuah sistem komputer. Knowledge base sangat menentukan
tingkat akurasi dari sebuah sistem pakar. Dalam penelitian ini,
dilakukan beberapa metode untuk membuat knowledge base
sistem pakar seperti wawancara langsung kepada pakar yang
ahli dalam bidang penyakit ikan, observasi langsung pada ikan
diskus, melakukan studi literatur tentang ikan diskus dan
penyakitnya, dan melakukan analisis dengan memberi kuisoner
terhadap para peternak ikan diskus. Di dalam knowledge base
terdapat representasi pengetahuan dalam bentuk aturan IFTHEN [12]. Dalam penelitian ini gejala yang tampak pada ikan
diskus akan ditelusuri dan dicocokkan dengan aturan - aturan
IF-THEN yang bersesuaian dengan pendekatan forward
chaining.
Sebelum aturan-aturan pada sistem pakar dibuat, terdapat
representasi pengetahuan yang merupakan kombinasi dari
pengetahuan pakar dan studi literatur seperti pada Tabel 1
dibawah ini.
Tabel 1.
Representasi Pengetahuan Diagnosa Penyakit Ikan Diskus.
Tabel 3.
Tabel Atribut Diagnosa Penyakit Ikan Diskus
Nama Penyakit
Saprolegniasis
Discus Plaque
Tuberculosis
Hole In The Head
Costiosis
Fins and Tail Rot
Whitespot
Velvet
Flukes (Gills and Skin)
Tabel 1. merupakan representasi pengetahuan dalam bentuk
tabel keputusan diagnosa berdasarkan gejala yang nampak
dalam pengamatan meliputi gejala fisik dan gejala perilaku.
Representasi pengetahuan tersebut akan digunakan dalam
pembuatan aturan dalam sistem pakar yang menggunakan
inferensi fuzzy dalam pengambilan keputusan diagnosanya.
Tabel 2. merupakan tabel yang menunjukan gejala fisik yang
diberi alias P (physical) dan alias B untuk gejala kelakuan
(behavior). Sedangkan Tabel 3. merupakan tabel untuk
menunjukan nama penyakit yang menyerang ikan diskus.
Setelah representasi pengetahuan dalam bentuk tabel telah
dibuat, langkah selanjutnya adalah mendesain algoritma sebuah
sistem pakar berbasis fuzzy seperti pada Gbr. 10 dibawah ini.
Tanda Fisik
Tanda Perilaku
Menggesekkan
Luka Bercak
Berdiam
Tubuh
Tubuh ke
pada pada
di Pojok
Menghitam
Objek
Tubuh Tubuh
Akuarium
Akuarium
Diagnosa
Penyakit
Saprolegniasis
Discus Plaque
Tuberculosis
Hole In The
Head
Costiosis
Fins and Tail
Rot
Whitespot
Velvet
Flukes
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
x
Tabel 2.
Tabel Atribut Gejala Penyakit Ikan Diskus.
Alias
Nama Gejala Lengkap
P1
P2
P3
B1
Permukaan tubuh menghitam
Bagian tubuh mengelupas
Terdapat bercak di tubuh
Menggesekan badan ke objek
sekitar akuarium
Berdiam di pojok akuarium
B2
Gambar 10. Skema Fuzzy Rule-Based System
Gambar 10 merupakan skema fuzzy rule-based system
dimana sebuah sistem diberikan input berupa gejala penyakit.
Selanjutnya input tersebut akan diolah dengan fungsi
keanggotaan menjadi nilai fuzzy dengan proses fuzzification.
Kemudian nilai tersebut diolah di dalam Inference Engine
berdasarkan Rule Base yang sesuai. Setelah mendapatkan nilai
fuzzy dari proses inferensi, nilai fuzzy diubah menjadi output
yang merupakan nilai crisp yang menunjukkan hasil diagnosa
penyakit dengan proses defuzzification.
4.2 Fuzzy Logic
Fuzzy logic merupakan logika penalaran untuk
mendefinisikan suatu data yang memiliki derajat kebenaran
atau rentang kebenaran antara 0 dan 1 [13]. Fuzzy logic
digunakan untuk mendefinisikan input dari pengguna, seperti
pada penelitian ini menggunakan linguistic variable yang
tampak pada intensitas gejala penyakit di Tabel 4. Linguistic
variable akan digunakan untuk membuat fungsi keanggotaan
tiap intensitas gejala penyakit.
Tabel 4.
Tabel Parameter Fungsi Keanggotaan Gejala Penyakit
Intensitas Gejala
Rentang Nilai
Gejala
Pengukuran
Penyakit
Input
bagian sirip
dan
Slight (Sedikit)
0 - 20
keseluruhan
badan agak
hitam
bagian sirip,
P1
kepala, dan
Some (Lumayan)
18 - 50
keseluruhan
badan hitam
bagian sirip,
kepala, dan
Most (Seluruhnya)
48 - 80
keseluruhan
badan hitam
Slight (Sedikit)
0 - 16
bagian sirip
bagian kepala
Some (Lumayan)
15 - 40
dan insang
P2
seluruh badan
Severe (Parah)
35 - 60
dan
pendarahan
5-20% dari
seluruh tubuh
Grained (Berbintik)
5 - 20
dan terdapat
bercak putih
18-40% dari
seluruh tubuh
Wool-like
18 - 40
dan terdapat
P3
(Seperti kapas)
lapisan seperti
kapas
35-80% dari
seluruh tubuh
Cloudy (Berlendir
35 - 80
dan terdapat
seperti awan)
lapisan putih
seperti awan
0-3 kali dalam
Rarely (Jarang)
0-3
1 menit
2-4 kali dalam
B1 Frequently(Sering)
2-4
1 menit
Very Frequently
4-6 kali dalam
4-6
(Sangat Sering)
1 menit
B2
Short (Sebentar)
8 - 20
8-20 menit
Moderate (Sering)
20 - 40
20-40 menit
Long (Lama)
38 - 60
diatas 40
menit
Tabel 4 menunjukan rentang nilai untuk dibuat menjadi
himpunan fuzzy yang direpresentasikan dalam fungsi
keanggotaan triangular.
4.3 Himpunan Fuzzy
Himpunan fuzzy adalah sebuah himpunan dari setiap
elemen atau objek yang memiliki rentang derajat keanggotaan
yang didefiniskan dengan fungsi keanggotaan [14]. Dalam
sistem pakar ini himpunan fuzzy dibedakan menjadi kriteria
dan parameter. Kriteria merupakan gejala gejala yang tampak
dalam pengamatan. Masing - masing kriteria memiliki tiga
parameter intensitas gejala dari yang rendah hingga tinggi yang
masing masing memiliki rentang nilai. Kriteria tersebut
ditentukan berdasarkan pengukuran yang dilakukan oleh
pengamat.
4.4 Fungsi Keanggotaan
Setelah ditentukan parameter langkah selanjutnya adalah
membuat fungsi keanggotaan triangular. Membuat fungsi
keanggotaan adalah langkah awal dalam logika fuzzy karena
keseluruhan nilai himpunan fuzzy ditentukan oleh fungsi
keanggotaannya. Fungsi keanggotaan digambarkan sebagai
grafik dengan fungsi kontinyu [15].
Dalam sistem pakar ini menggunakan fungsi keanggotaan
triangular yang dibuat berdasarkan rentang nilai yang ada di
setiap parameter gejala penyakit. Representasi himpunan fuzzy
digambarkan dengan fungsi keanggotaan seperti pada Gbr. 11,
Gbr. 12, Gbr. 13, Gbr. 14 dan Gbr. 15.
Gambar 11. Fungsi Keanggotaan Triangular untuk Parameter
Gejala P1
Pada Gambar 11 merupakan fungsi keanggotaan triangular
untuk parameter gejala P1 yang terdiri dari slight, some, dan
most; dengan nilai parameter triangular slight (0,0; 15,1;
20,0), some (18,0; 40,1; 50,0), dan most (48,0; 70,1; 80,0).
Gambar 12. Fungsi Keanggotaan Triangular untuk Parameter
Gejala P2
Pada Gambar 12 merupakan fungsi keanggotaan triangular
untuk parameter gejala P2 yang terdiri dari slight, some, dan
severe; dengan nilai parameter triangular slight (0,0; 13,1;
16,0), some (15,0; 25,1; 40,0), dan severe (35,0; 50,1; 60,0).
4.5 Fuzzification
Setelah selesai menentukan fungsi keanggotaan,
selanjutnya adalah menentukan metode fuzzification.
Fuzzification adalah proses mengubah dari nilai crisp menjadi
nilai fuzzy [16]. Metode fuzzification yang digunakan dalam
sistem ini sesuai dengan fungsi keanggotaan triangular seperti
dalam Fungsi Persamaan 1 dibawah ini.
Gambar 13. Fungsi Keanggotaan Triangular untuk Parameter
Gejala P3
Gambar 13 merupakan fungsi keanggotaan triangular untuk
parameter gejala P3 yang terdiri dari grained, wool like, dan
cloudy; dengan nilai parameter triangular grained (5,0; 15,1;
20,0), wool-like (18,0; 25,1; 40,0), dan cloudy (35,0) (65,1)
(80,0).
Fungsi Persamaan 1. Fungsi Keanggotaan Triangular
Berikut ini adalah contoh perhitungan fuzzy ketika
pengguna memasukan input seperti dalam Tabel 5.
Gambar 14. Fungsi Keanggotaan Triangular untuk Parameter
Gejala B1
Gambar 14 merupakan fungsi keanggotaan triangular untuk
parameter gejala P3 yang terdiri dari rarely, frequently, dan
very frequently; dengan nilai parameter triangular rarely (0,0;
2,1; 3,0), frequently (2,0; 3,1; 4,0), dan very frequently (4,0;
5,1; 6,0).
Tabel 5.
Contoh Kasus Perhitungan Dalam Fuzzy
Parameter
Nilai Input
Gejala Penyakit (Crisp Value)
P1
11
P2
20
P3
45
B1
1
B2
15
Pada Tabel 5. yang merupakan contoh kasus pada proses
fuzzification ini, input nilai asli diubah menjadi nilai fuzzy
berdasarkan dengan fungsi keanggotaan-nya sesuai dengan
bentuk notasi berikut:
µA :(x) [0, 1], x X
Gambar 15. Fungsi Keanggotaan Triangular untuk Parameter
Gejala B2
Pada Gambar 15 merupakan fungsi keanggotaan triangular
untuk parameter gejala B2 yang terdiri dari short, moderate,
dan long; dengan nilai parameter triangular short (8,0; 15,1;
20,0), moderate (20,0; 35,1; 40,0), dan long (38,0; 40,1; 60,0).
Jika input gejala penyakit P1 adalah 11, maka
fuzzification-nya adalah:
µslight (11) = (11 - 0) / (15-0) = 0.73
Jika input gejala penyakit P2 adalah 20, maka
fuzzification-nya adalah:
µsome (20) = (20 - 15) / (25-15) = 0.5
Jika input gejala penyakit P3 adalah 45, maka
fuzzification -nya adalah:
µcloudy (45) = (45 - 35) / (65-35) = 0.33
Jika input gejala penyakit B1 adalah 1 kali, maka
fuzzification-nya adalah:
µrarely (1) = (1-0) / (2-0) = 0.5
Jika input gejala penyakit B2 adalah 15 menit, maka
fuzzification-nya adalah: µshort (15) = 1
hasil
hasil
hasil
hasil
hasil
Rarely AND B2 is Short
4.6 Sistem Inferensi Fuzzy
Proses inferensi adalah proses yang dilalui setelah proses
fuzzificatioin. Inferensi ini menggunakan inference engine
untuk mencocokan pola dan penentuan antara rules (aturan)
dengan fakta (data) yang di input [17]. Sistem pakar dalam
penelitian ini menggunakan teknik inferensi Mamdani dengan
bentuk Persamaan 2 dibawah ini [18].
Persamaan 2. Bentuk Persamaan Inferensi Mamdani
4.7 Aturan Fuzzy yang Digunakan untuk Diagnosa
Penyakit Pada Ikan Diskus
Teknik inferensi Mamdani diterapkan dalam pembuatan
aturan aturan yang akan disimpan di dalam sistem pakar
sebagai knowledge base. Berikut ini adalah beberapa contoh
dari 243 aturan yang digunakan dalam sistem pakar untuk
mendiagnosa penyakit ikan diskus seperti dalam Tabel 6.
Tabel 6.
Aturan Fuzzy yang Digunakan untuk Diagnosa Penyakit
Nama
Gejala
Diagnosa
Aturan
IF P1 is Slight AND P2 is Slight
Rule 1 AND P3 is Grained AND B1 is THEN WhiteSpot
Rarely AND B2 is Short
IF P1 is Slight AND P2 is Slight
THEN
Rule 10 AND P3 is Wool_Like AND B1
Saprolegniasis
is Rarely AND B2 is Short
IF P1 is Slight AND P2 is Slight
THEN
Rule 19 AND P3 is Cloudy AND B1 is
Fins and Tail Rot
Rarely AND B2 is Short
IF P1 is Slight AND P2 is Some
AND P3 is Grained AND B1 is
THEN
Rule 32
Frequently AND B2 is
WhiteSpot
Moderate
IF P1 is Slight AND P2 is Some
THEN
Rule 37 AND P3 is Wool_Like AND B1
Saprolegniasis
is Rarely AND B2 is Short
IF P1 is Slight AND P2 is Some
Rule 46 AND P3 is Cloudy AND B1 is
THEN Flukes
Rarely AND B2 is Short
IF P1 is Slight AND P2 is
Severe AND P3 is Grained
THEN
Rule 55
AND B1 is Rarely AND B2 is
Tuberculosis
Short
IF P1 is Slight AND P2 is
Severe AND P3 is Wool_Like
THEN
Rule 65
AND B1 is Rarely AND B2 is
Saprolegniasis
Moderate
IF P1 is Slight AND P2 is
THEN
Rule 75 Severe AND P3 is Cloudy AND
Costiosis
B1 is Rarely AND B2 is Long
IF P1 is Some AND P2 is Slight THEN Hole in The
Rule 82
AND P3 is Grained AND B1 is
Head
Pada tahap ini setelah semua rule selesai dibuat proses
selanjutnya adalah fuzzy matching yaitu mecocokan antara
input dengan rule yang sesuai kemudian diimplikasikan
dengan fungsi Min sesuai dengan persamaan dibawah ini:
µA B(x) = min (µA[x], µB[x], µC[x], µD[x], µE[x])
Berdasarkan contoh perhitungan pada Tabel V. Proses
inferensi akan menjadi seperti berikut:
IF Slight(0.73) AND Some(0.5) AND Cloudy(0.33) AND
Rarely(0.5) AND Short(1) THEN Flukes [min(0.73 ; 0.5 ;
0.33 ; 0.5 ; 1)]
Sehingga akan menghasilkan output µFlukes = 0.33
4.8 Defuzzification
Sesuai dengan skema fuzzy rule based system pada
Gambar 10, proses selanjutnya adalah deffuzification.
Defuzzification merupakan proses pengubahan dari nilai fuzzy
menjadi nilai atau angka yang pasti menggunakan fungsi
keanggotaan yang sesuai dengan proses fuzzification [19].
Dalam sistem pakar ini menggunakan metode defuzzification
center of gravity versi diskrit sesuai dengan persamaan
berikut:
Dimana ∑melambangkan penjumlahan aljabar dan z adalah
titik tengah dari fungsi keanggotaanya dan µA(X) merupakan
nilai output fuzzy yang dihasilkan dari proses aggregasi aturan
- aturannya.
Sesuai dengan contoh perhitungan pada Tabel V, hasil ouput
himpunan fuzzy setelah proses inferensi adalah:
µFlukes = 0.33
COG = (0.33*60)/(0.33) = 60
Jadi hasil defuzzification-nya adalah 60.
4.9 Hasil Output
Hasil diagnosa berupa nilai yang didapat dari proses
defuzzification diperoleh dengan cara membuat fungsi
keanggotaan dari rentang 0 sampai dengan 100. Nilai tersebut
berhubungan dengan tingkat keparahan yang dihasilkan
masing - masing penyakit. Nilai output dibagi menjadi 9
seperti pada Tabel 7.
Tabel 7.
Tabel Hasil Output
Output
Ikan anda terkena penyakit WhiteSpot.
Ikan anda terkena penyakit Velvet.
Ikan anda terkena penyakit Saprolegniasis.
Ikan anda terkena penyakit HITH.
Ikan anda terkena penyakit Rot.
Ikan anda terkena penyakit Flukes.
Rentang Nilai
0 < x ≤ 10
10 < x ≤ 20
20 < x ≤ 30
30 < x ≤ 40
40 < x ≤ 50
50 < x ≤ 60
Ikan anda terkena penyakit Discus Plaque.
Ikan anda terkena penyakit Costiosis.
Ikan anda terkena penyakit Tuberculosis.
60 < x ≤ 70
70 < x ≤ 80
80 < x ≤ 90
Blue Diamond
Discus
Discus Plaque
Discus Plaque
5. Hasil Pengujian Sistem Pakar
Pengujian sistem pakar dimaksudkan untuk mengetahui
akurasi atau ketepatan dalam mendiagnosa penyakit ikan
diskus dengan beberapa kasus yang diberikan. Data pengujian
berupa gambar ikan diskus yang terkena penyakit sebanyak 31
buah sampel. Pengujian aplikasi sistem pakar ini dilakukan
oleh seorang pakar. Sampel pengujian diambil secara acak
dari beberapa spesies ikan diskus seperti pada Tabel 8. (Red
Melon, Blue Diamond, Heckel Discus, Brown Discus, Leopard
Snake Skin Discus, Blue Turquoise, Red Turquoise Discus,
Blue Scorpion Discus, Red Marlboro Discus, dan Green
Discus).
1) Sistem pakar dapat mendeteksi penyakit dengan tepat 28
dari 31 kasus.
2) Dari 31 kasus terdapat 3 kasus yang salah dideteksi oleh
sistem pakar.
3) Sistem pakar dapat menguji penyakit sebagai berikut:
Flukes, Discus Plaque, HITH, Rot, Tuberculosis, White
Spot, Costiosis, dan Saprolegniasis.
4) Sistem pakar salah mendeteksi pada 3 kasus diatas karena
adanya gejala sekunder pada kasus tersebut.
Dari hasil pengujian, persentase akuasi dari sistem pakar
dapat dihitung dengan metode ratio penyakit yang dapat
terdeteksi sistem pakar dari seluruh sampel yang diambil
secara acak.
(28/31)*100% = 90.32%
Tabel 8.
Hasil Pengujian Sistem Pakar
Brown Discus
(Symphysodon
Aequifasciatus
Axelrodi)
HITH
Blue Diamond
Discus
Discus Plaque Discus Plaque
Blue Diamond
Discus
Saprolegniasis
Blue Turquoise
Discus
Discus Plaque
Red Turquoise
Discus
Costiosis
Pengujian I
(Sistem Pakar)
Pengujian II
(Pakar
Sebenarnya)
Blue Diamond
Discus
White Spot
White Spot
Blue Diamond
Discus
Discus Plaque
Blue Scorpion
Discus
Flukes
Flukes
Green Discus
(Symphysodon
Aequifasciatus)
Discus Plaque
Green Discus
(Symphysodon
Aequifasciatus)
Rot
Varietas
Red Marlboro
Discus
Sampel
pada Gambar
Hole In The
Hole In The
Head
Head
Flukes
Saprolegniasis
Discus Plaque
Costiosis
Discus Plaque
Discus Plaque
Rot
Red Mellon
Discus
Brown Discus
(Symphysodon
Aequifasciatus
Axelrodi)
Heckel Discus
(Symphysodon
Discus)
Leopard Snake
Skin
Blue Turquoise
Red Melon
Blue Diamond
Red Melon
Red Turquoise
Discus
Rot
White Spot
Tuberculosis
Rot
Discus Plaque
Flukes
Costiosis
Whitespot
Flukes
Rot
White Spot
Blue Discus
(Symphysodon
Aequifasciatus
Haraldi)
HITH
Green Discus
(Symphysodon
Aequifasciatus )
Saprolegniasis
Red Turquoise
Discus
Velvet
Green Discus
(Symphysodon
Aequifasciatus)
Costiosis
Leopard Skin
Discus
Saprolegniasis
Green Discus
(Symphysodon
Aequifasciatus)
Flukes
Heckel Discus
(Symphysodon
Discus)
Discus Plaque
Blue Diamond
Discus
Costiosis
Blue Turquoise
Discus
Discus Plaque
HITH
Flukes
Velvet
Tuberculosis
Costiosis
Rot
Saprolegniasis
Discus Plaque
Flukes
HITH
Costiosis
Whitespot
Flukes
Discus Plaque
Costiosis
Discus Plaque
Blue Turquoise
Discus
Discus Plaque
Discus Plaque
6. Kesimpulan
Berdasarkan penelitian dari hasil analisa dan evaluasi
dapat disimpulkan sebagai berikut:
1) Hasil pengujian sistem pakar ini mencapai 90.32% dalam
artian algoritma yang digunakan sudah cukup baik dan
layak untuk dikembangkan lagi untuk pengembangan
selanjutnya.
2) Sistem pakar ini memberikan kemudahan bagi pengguna,
karena bisa mendapatkan informasi tentang penyakit ikan
diskus, cara pengobatan dan pencegahannya sehingga tidak
membutuhkan bantuan dari pakar.
Referensi
[1] UNEP. (2013). Green Economy and Trade-Trends, Challenges
and
Opportunities
[Online].
Available:
http://www.unep.org/greeneconomy/Portals/88/GETReport/pdf
/Chapitre%203%20Fisheries.pdf
[2] Dinas Informasi dan Komunikasi Pemerintah Kota Tangerang.
2008.
Tingkat Produksi atau Ketersediaan Ikan.
Retrieved October 3, 2013, from Dinas Informasi dan
Komunikasi Pemerintah Kota
Tangerang
[Online].
Availabe:
http://www.tangerangkota.go.id/mobile/detailprofilkota/1/24/83
[3] Rahmati-holasso. H. et al. (2010). Journal of Aglicultural
Science. Capillariosis In Breeder Discus (Symphysodon
Aequifasciatus) In Iran. 55(3):253-259
[4] Airbaiy. N., Wen. C. C., and Suradi. Z. (2007). Freshwater
Fish Disease Diagnosis System Development [Online],
Retrieved 25 October, 2013 from Intermational Conference on
IT Research and Application 2007 (CITRA). Available:
http://www.academia.edu/2518075/Freshwater_Fish_Diagnosis
_System_Using_Expert_System
[5] Elfani., and Pujiyanta. A. (2013). Jurnal Sarjana Teknik
Informatika e-ISSN:2338-5297. Sistem Pakar Mendiagnosa
Penyakit Pada Ikan Konsumsi Air Tawar Berbasis Website. 1
(1):42-50
[6] Wahyudi. M. J., Fadlil. A. (2013). (2013). Jurnal Sarjana teknik
Informatika e-ISSN:2338-5197. Sistem Pakar Untuk
Mengidentifikasi Penyakit Udang Galah Dengan Metode
Theorema Bayes. 1. (1):11-20
[7] Lopes. J. N. S., Goncalves. A. N. A., Fujimoto. R.Y., and
Carvalho. J. C. C. (2011). IJCSI International Journal of
Computer Science Issues, Issue 6. Diagnosis of Fish Diseases
Using Artificial Neural Networks. 8 (3): 68-74
[8] Giovanetti. T. A. (1992). Discus Fish. A Complete Pet Owner's
Manual, 5
[9] BKIPM. Grafik Ekspor Produk Perikanan (Ekor) [Online].
Available: http://www.bkipm.kkp.go.id/statistik/g_ppe.php
[10] Giovanetti. T. A. (1992). Discus Fish. A Complete Pet Owner's
Manual, 5-7
[11] Hemmer. M. C. (2008). Expert System in Chemistry Research,
36
[12] Hemmer. M. C. (2008). Expert System in Chemistry Research,
12-13
[13] Hemmer. M. C. (2008). Expert System in Chemistry Research,
25-26
[14] Jang. J. R., Sun. C., & Mizutani. E. (1997). Neuro-Fuzzy and
Soft Computing: A Computational Approach to Learning and
Machine Intelligence, 14
[15] T. J. Ross, Fuzzy Logic with Engineering Applications,
3(2010), 90-91
[16] T. J. Ross, Fuzzy Logic with Engineering Applications,
3(2010), 94-95
[17] M.C. Hemmer, Expert Systems in Chemistry Research, (2008),
25-26
[18] T. J. Ross, Fuzzy Logic with Engineering Applications,
3(2010), 148-149
[19] Hemmer. M. C. (2008). Expert System in Chemistry Research,
26