Sistem ini menggunakan fuzzy type-2 dan IoT untuk mencocokkan lahan dan memprediksi waktu panen padi. Sistem ini dapat mengetahui suhu, kelembaban udara, tanah, dan cuaca untuk memberikan prediksi kondisi tanaman dan solusi masalah berdasarkan basis pengetahuan dan inferensi. Sistem ini belajar dari basis data untuk meningkatkan akurasi prediksinya.

1. MAKALAH
ARTIFICAL INTELIGENCE
(SISTEM PENCOCOKAN LAHAN DAN PREDIKSI WAKTU PANEN
TANAMAN PADI DENGAN FUZZY TYPE 2 DAN IOT)
Disusun Oleh :
AGUNG RAHMITA ILLAH (F1D016007)
ALVIN NAUFAL INDISA (F1D016009)
ARI PURNAMA AJI (F1D016011)
GILANG RAMDHANI PUTRA (F1D016031)
NANANG KASIM (F1D016063)
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS TEKNIK
UNIVERSITAS MATARAM
2018

2. BAB I
A. LATAR BELAKANG
Perkembangan IPTEK tidak dapat dipisahkan dari kehidupan manusia.
Hamper seluruh kegiatan manusia memanfaatkan teknologi karena dengan
teknologi maka semua kegiatan bisa dilakukan dengan mudah, efisien dan
efektif. Dewasa ini, penerapan ilmu teknologi juga telah merambah ke berbagai
bidang kehidupan. Mulai dari pendidikan hingga komunikasi telah membuka
peluang untuk masuk dan berkembangnya teknologi di dalamnya.
Kecerdasan buatan (Artificial Intelligence) merupakan suatu inovasi
baru dalam ilmu pengetahuan dan teknologi. Pada era globalisasi seperti saat
ini kita tidak bisa lepas dari mesin yang bernama komputer. Semua kegiatan
yang berhubungan dengan aktivitas belajar maupun pekerjaan sangat
membutuhkan komputer. Kecanggihan teknologi semakin memudahkan
manusia dalam menyelesaikan aktivitas dalam kehidupan sehari-hari.
Sementara, kita mengerti bahwa Indonesia adalah negara agraris
dengan mata pencaharian mayoritas adalah petani. Berbagai hasil pertanian
diunggulkan sebagai tulang punggung perekonomian Indonesia. Indonesia
kaya akan hasil pertaniannya, terutama padi (Oryza sativa L.). Namun sayang,
banyak penduduk lokal yang terkadang mengabaikan bahkan meragukan
kualitas dari hasil tanah negara sendiri. Untuk itulah, kami berdiskusi dan
menemukan sebuah gagasan berupa “Sistem Pencocokan Lahan dan Prediksi
Waktu Panen Tanaman Padi Dengan Fuzzy Type 2 dan Iot” untuk membantu
para petani Indonesia agar dapat meningkatkan kualitas hasil padi-nya.
B. JUDUL SISTEM
Judul dari sistem yang dibuat adalah : “Sistem Pencocokan Lahan dan Prediksi
Waktu Panen Tanaman Padi Dengan Fuzzy Type 2 dan IOT”
C. BIDANG AI
Internet Of Things (IoT)

3. D. FITUR SISTEM
Dalam sistem ini terdapat beberapa fitur yang dapat digunakan pengguna,
yaitu:
1. Fitur untuk mengetahui keadaan suhu tanaman padi
2. Fitur untuk mengetahui kelembaban udara disekitar tanaman padi
3. Fitur untuk mengetahui kelembaban pada tanah
4. Fitur untuk mengetahui keadaan cuaca
5. Fitur untuk memberi kesimpulan terhadap masalah terdapat pada tanaman
padi dan tindakan yang harus dilakukan
E. METODE YANG DIGUNAKAN
Metode yang digunakan disini yaitu Fuzzy Logic. Alasannya untuk
mengukur suhu, kelembaban udara, tanah dan cuaca membutuhkan perkiraan
seberapa akurat dari program yang dibuat. Dengan mendapatkan perkiraan
tersebut maka dapat disimpulkan keefektifan dan keakuratan pada program
tersebut dapat digunakan atau tidaknya.
F. PENELITIAN TERKAIT
No Judul Persamaan Perbedaan
1. Prediksi Produktivitas
Tanaman Padi di Kabupaten
Karawang Menggunakan
Bayesian Networks
Menggunakan
prakiraan cuaca,
kelembaban udara dan
tanah
Menggunakan
Metode
Bayesian
Networks
2. Implementasi Metode Fuzzy
Tsukamoto Untuk Prediksi
Hasil Panen Padi
Menggunakan Curah
Hujan 3 tahun terakhir
Implementasian
nya
menggunakan
sebuah aplikasi
3. Aplikasi Prediksi Produksi
Padi Menggunakan Regresi
Interval Dengan Neural
Fuzzy Di Kabupaten Kubu
Raya
Menggunakan Curah
hujan
data luas panen
tiap 3 periode,
data luas tanam
tiap 3 periode,
data
produktivitas
tiap 3 periode
dan data
produksi padi
tiap 3 periode.

4. BAB 2
A. KOMPONEN AI
1) Indexing
a. Menentukan variable input dan output, pada sistem kami variabel
inputnya adalah kelembapan udara, kelembapan tanah, PH air,
Keadaan cuaca dan suhu lingkungan padi, sedangkan outputnya
adalah prediksi waktu panenyang tepat untuk padi, kondisi padi
dan solusi dari permasalahan yang dialami.
b. Menentukan algoritma yang akan digunakan dalam melakuka
proses terhadap variable input
c. Melakukan proses terhadap variable input dengan algoritma yang
telah ditentukan
d. Melakukan pembatasan pembacaan data variable input untuk
meminimalisir error
e. Melakukan testing dari data output yang dihasilkan
f. Melakukan verifikasi dan validasi dari data output yang
dihasilkan
g. Menghasilkan ouput berupa kesimpulan yang didapatkan
berdasarkan variable input
2) Searching
Goal state : Memberikan prediksi waktu panen yang tepat, kondisi
padi, permasalahan padi serta solusi dari permasalahan yang sedang
dialami
Initial state : Padi yang akan menggunakan sistem adalah padi yang
sekitar berumur 1 bulan
Set of actions : Memeriksa kelembapan udara, kelembapan tanah,
PH air, kondisi cuaca, dan suhu lingkungan tanaman padi
Goal test criteria : Objek-objek yang ditemukan sesuai dengan
objek yang tanaman padi alami berdasarkan kondisi serta komponen
lainnya di dalam database.

5. Path cost : Waktu memeriksa setiap kondisi yang diperlukan
membutuhkan waktu yang signifikan untuk mendapatkan hasil
prediksi panen, keadaan padi dan penyelesaian dari setiap
permasalahan yang dialami
3) Learning
a. Basis Pengetahuan (Knowledge Base)
Basis pengetahuan merupakan inti dari suatu sistem pakar, yaitu
berupa representasi pengetahuan dari pakar. Basis pengetahuan
tersusun atas fakta dan kaidah. Fakta adalah informasi tentang
objek, peristiwa, atau situasi. Kaidah adalah cara untuk
membangkitkan suatu fakta baru dari fakta yang sudah diketahui.
b. Mesin Inferensi (Inference Engine)
Mesin inferensi berperan sebagai otak dari sistem pakar. Mesin
inferensi berfungsi untuk memandu proses penalaran terhadap
suatu kondisi, berdasarkan pada basis pengetahuan yang tersedia.
Di dalam mesin inferensi terjadi proses untuk memanipulasi dan
mengarahkan kaidah, model, dan fakta yang disimpan dalam basis
pengetahuan dalam rangka mencapai solusi atau kesimpulan.
Dalam prosesnya, 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. Terdapat tiga tehnik
pengendalian yang sering digunakan, yaitu forward chaining,
backward chaining, dan gabungan dari kedua teknik pengendalian
tersebut.

6. c. Basis Data (Data Base)
Basis data terdiri atas semua fakta yang diperlukan, dimana fakta
fakta tersebut digunakan untuk memenuhi kondisi dari kaidah-
kaidah dalam sistem. Basis data menyimpan semua fakta, baik
fakta awal pada saat sistem mulai beroperasi, maupun fakta-fakta
yang diperoleh pada saat proses penarikan kesimpulan sedang
dilaksanakan. Basis data digunakan untuk menyimpan data hasil
observasi dan data lain yang dibutuhkan selama pemrosesan.
d. Antarmuka Pemakai (User Interface)
Fasilitas ini digunakan sebagai perantara komunikasi antara
pemakai.dengan komputer.
4) Interferencing
Inference Engine adalah komponen dari sistem yang
menerapkan aturan logis ke basis pengetahuan untuk
menyimpulkan informasi baru.
a. Data dan Inferensi
Berikut yaitu data sistem bagaimana AI memutuskan:
1) Kelembapan Udara
2) Kelembapan Tanah
3) PH Air
4) Cuaca
5) Suhu Lingkungan
6) Kondisi Tanaman Padi
Berikut yaitu inferensi yang ada pada sistem:
1) Proses berdasarkan Kelembapan Udara, Tanah, PH Air, dan
Suhu Lingkungan
2) Proses berdasarkan cuaca
b. Kejadian yang memicu perubahan inferensi
Berikut yaitu kejadian yang memicu perubahan dari inferensi
yang sudah ditentukan:
1) Gangguan hama mempengaruhi kondisi tanaman padi

7. 2) Adanya perubahan suhu lingkungan dan cuaca yang tidak
stabil dan sulit diprediksikan
3) Keadaan cuaca tidak sesuai dengan prediksi waktu panen
yang diberikan sistem
c. Representasi Inference Engine
Representasi inference engine pada sistem yang kami buat yaitu
termasuk Forward Chaining, dimulai dengan fakta-fakta yang
diketahui dan menegaskan fakta-fakta baru.
1) Jika kelembapan udara, kelembapan air, PH air, keadaan
cuaca dan suhu lingkungan dalam keadaan baik dan stabil
maka hasil prediksi panen yang akan diberikan baik dan
sistem akan menampilkan kondisi padi baik
2) Jika kelembapan udara, kelembapan air, PH air, keadaan
cuaca dan suhu lingkungan dalam keadaan tidak baik dan
tidak stabil maka hasil prediksi panen akan tidak baik dan
sistem akan menampilkan kondisi padi dalam keadaan tidak
baik dan akan diberikan solusi dari permasalah yang sedang
dialami tanaman padi
d. Universal quantification dan Existential quantification
1) Universal quantification (∀)
Universal quantification berdasarkan permasalahan kami
yaitu berarti bahwa Untuk semua Tanaman Padi, beberapa
pernyataan benar.
→ Untuk semua Tanaman Padi, semua Tanaman Padi bisa
di panen tepat waktu, semua Tanaman Padi memiliki
peluang Panen tepat waktu
2) Existential quantification (∃)
Existential quantification berdasarkan permasalahan kami
yaitu berarti bahwa Terdapat beberapa Tanaman Padi
sehingga beberapa pernyataan benar.

8. → Untuk semua Tanaman Padi, beberapa Tanaman Padi
dalam kondisi baik dan beberapa Tanaman Padi tidak dalam
kondisi baik
5) Reasoning
Sistem akan menyimpulkan hasil setelah mengolah data dari fakta
(representasi variabel yang digunakan). Disini digunakan
representasi variabel tanah, ph, kelembaban, kadar air, beberapa
variabel akan di data dan akan di sesuaikan dengan data yang akan
dicapai, kemudian sistem akan menampilkan hasilnya.
6) Planning
Untuk perencanaan kedepan setelah semua langkah selesai, data
statistik dilihat untuk mengembangkan sistem dan sistem bisa belajar
agar bisa mendapat data dengan lebih akurat, dan juga akan ada
tambahan agar sistem menggunakan robot dengan kamera untuk
mengenali pola dari padi yang sudah matang dan yang belum.