SISTEM PAKAR PERTANIAN MANGGA: Implementasi Metode Naïve Bayes dan Certainty Factor

Penulis

Perani Rosyani, S.Kom, M.Kom.
Universitas Pamulang
Ines Heidiani Ikasari, S.Si., M.Kom.
Universitas Pamulang
Saprudin, S.Kom., M.Kom.
Universitas Pamulang

Kata Kunci:

PERTANIAN MANGGA, PEMROGRAMAN, METODE NAÏVE BAYES

Sinopsis

Buku “Sistem Pakar Pertanian Mangga: Implementasi Metode Naïve Bayes dan Certainty Factor” membahas penerapan teknologi kecerdasan buatan dalam membantu proses diagnosa penyakit pada tanaman mangga secara cepat dan akurat. Permasalahan penyakit tanaman yang sering menyerang perkebunan mangga menjadi salah satu faktor utama menurunnya produktivitas hasil pertanian. Oleh sebab itu, dibutuhkan solusi berbasis teknologi yang mampu membantu petani maupun pengguna dalam mengenali gejala penyakit secara dini.
Melalui buku ini, pembaca akan mempelajari konsep dasar sistem pakar, metode Naïve Bayes, serta pendekatan Certainty Factor yang digunakan untuk meningkatkan tingkat keyakinan dalam proses diagnosa. Materi disusun secara runtut mulai dari pengenalan transformasi digital di bidang pertanian, teori dasar sistem pakar, konsep probabilitas, hingga implementasi hybrid method pada sistem diagnosa penyakit tanaman mangga.
Selain membahas teori, buku ini juga menyajikan studi kasus perhitungan, tahapan implementasi sistem, jenis-jenis penyakit pada tanaman mangga, gejala yang muncul, serta solusi pencegahan dan pengendalian penyakit. Dengan pendekatan yang praktis dan sistematis, buku ini sangat cocok digunakan sebagai referensi pembelajaran bagi mahasiswa, dosen, peneliti, maupun praktisi yang tertarik pada bidang Artificial Intelligence, sistem pakar, dan teknologi pertanian cerdas (smart farming).
Buku ini diharapkan dapat menjadi kontribusi nyata dalam mendukung transformasi digital pertanian Indonesia melalui pemanfaatan teknologi kecerdasan buatan yang aplikatif dan inovatif.

Bab

  • KATA PENGANTAR
  • DAFTAR ISI
  • Bab 01 PENDAHULUAN
  • Bab 02 KONSEP DASAR SISTEM PAKAR
  • Bab 03 HYBRID NAÏVE BAYES DAN CERTAINTY FACTOR
  • Bab 04 PENYAKIT PADA TANAMAN BUAH MANGGA
  • Bab 05 IMPLEMENTASI DAN PENGUJIAN SISTEM
  • Bab 06 PENGEMBANGAN KECERDASAN BUATAN PADA PERTANIAN
  • Bab 07 IMPLEMENTASI SISTEM PAKAR DALAM MENDUKUNG SMART FARMING
  • PENUTUP
  • DAFTAR PUSTAKA
  • GLOSARIUM
  • LAMPIRAN
  • PROFIL PENULIS

Unduhan

Data unduhan belum tersedia.

Biografi Penulis

Perani Rosyani, S.Kom, M.Kom., Universitas Pamulang

Perani Rosyani, S.Kom, M.Kom., adalah seorang dosen dan peneliti di Universitas Pamulang (Unpam), khususnya di Program Studi Teknik Informatika. Beliau lahir di Jakarta dan saat ini berdomisili di Tangerang, Banten.

Beliau meraih gelar Sarjana Komputer (S.Kom) dari Universitas Pamulang pada tahun 2013 dan gelar Magister Komputer (M.Kom) dari STMIK Eresha pada tahun 2016.

Sejak tahun 2014, Perani aktif mengajar di Fakultas Teknik Informatika Unpam. Beliau juga terlibat dalam berbagai penelitian, terutama di bidang pengolahan citra (image processing), computer vision, kecerdasan buatan (artificial intelligence), dan machine learning.

Selain itu, Perani telah berkontribusi dalam kegiatan pengabdian masyarakat, seperti pelatihan Microsoft Office di Pondok Pesantren Rahmatuttoyyibah Al-Iflahah.

Ines Heidiani Ikasari, S.Si., M.Kom., Universitas Pamulang

Ines Heidiani Ikasari, S.Si., M.Kom., adalah seorang akademisi dan peneliti di bidang ilmu komputer yang saat ini menjabat sebagai dosen pada Program Studi Teknik Informatika di Universitas Pamulang (Unpam).

Beliau meraih gelar Sarjana Sains (S.Si.) dan Magister Komputer (M.Kom.), dengan spesialisasi dalam ilmu komputer.

Sebagai peneliti aktif, Ines memiliki h-index 10 dan telah mendapatkan lebih dari 500 sitasi atas karya-karya ilmiahnya.

Salah satu publikasi terbarunya adalah "Classification of Pneumonia Medical Images with Convolutional Neural Networks," yang berfokus pada penggunaan jaringan saraf konvolusional untuk klasifikasi citra medis pneumonia.

Melalui perannya sebagai pendidik dan peneliti, Ines Heidiani Ikasari berperan signifikan dalam pengembangan ilmu komputer, khususnya dalam penerapan teknologi terkini untuk memecahkan berbagai permasalahan di masyarakat.

Saprudin, S.Kom., M.Kom., Universitas Pamulang

Saprudin S.Kom., M.Kom., merupakan dosen di Universitas Pamulang, khususnya dalam bidang Teknik Informatika atau Ilmu Komputer, yang aktif melakukan penelitian dan publikasi ilmiah. Sebagai dosen di UNPAM, Bapak Saprudin bukan hanya mengajar tetapi juga membimbing mahasiswa, melakukan penelitian, dan mungkin pengabdian masyarakat sesuai dengan tridharma perguruan tinggi.

Universitas Pamulang sendiri adalah salah satu perguruan tinggi swasta besar di Banten, dengan banyak fakultas dan program studi di bidang teknik dan komputer.

 

Referensi

Ali Linkon, A., Rahman Noman, I., Rashedul Islam, M., Chakra Bortty, J., Kumar Bishnu, K., Islam, A., Hasan, R., & Abdullah, M. (2024). Evaluation of Feature Transformation and Machine Learning Models on Early Detection of Diabetes Mellitus. IEEE Access, 12(October), 165425–165440. https://doi.org/10.1109/ ACCESS.2024.3488743

Allifah, N. M., & Zualkernan, I. A. (2022). Ranking Security of IoT-Based Smart Home Consumer Devices. IEEE Access, 10, 18352–18369. https://doi.org/10.1109/ACCESS.2022.3148140

Ardiansyah, R., Jaya, R., & Rahmi, C. H. (2021). Prediksi Pasokan Bawang Merah Mendukung Desain Pengembangan Agroindustri Di Provinsi Aceh. Jurnal Teknologi Industri Pertanian, 31(1), 46–52. https://doi.org/10.24961/j.tek.ind. pert.2021.31.1.46

Ayaz, M., Ammad-Uddin, M., Sharif, Z., Mansour, A., & Aggoune, E. H. M. (2019). Internet-of-Things (IoT)-Based Smart Agriculture: Toward Making the Fields Talk. IEEE Access, 7, 129551–129583.

Barbati, C., Viviani, L., Vecchio, R., Arzilli, G., De Angelis, L., Baglivo, F., Sacchi, L., Bellazzi, R., Rizzo, C., & Odone, A. (2026). Artificial intelligence use and performance in detecting and predicting healthcare-associated infections: A systematic review. Artificial Intelligence in Medicine, 172. https://doi.org/10.1016/j.artmed. 2025.103321

Farooq, M. S., Riaz, S., Abid, A., Umer, T., & Zikria, Y. B. (2020). Role of IoT Technology in Agriculture: A Systematic Literature Review. Electronics, 9(2), 319.

Febrian, M. E., Ferdinan, F. X., Sendani, G. P., Suryanigrum, K. M., & Yunanda, R. (2022). Diabetes prediction using supervised machine learning. Procedia Computer Science, 216, 21–30. https://doi.org/10.1016/j.procs.2022.12.107

Ferentinos, K. P. (2018). Deep learning models for plant disease detection and diagnosis. Computers and Electronics in Agriculture, 145, 311–318.

Fuentes, A., Yoon, S., Kim, S. C., & Park, D. S. (2020). A robust deep-learning-based detector for real-time tomato plant diseases and pests recognition. Sensors, 20(7), 2022. Mohanty, S. P., Hughes, D. P., & Salathé, M. (2016). Using deep learning for image-based plant disease detection. Frontiers in Plant Science, 7, 1419.

Hossain, M. A., Sakib, S., Abdullah, H. M., & Arman, S. E. (2024). Deep learning for mango leaf disease identification: A vision transformer perspective. Heliyon, 10(17). https://doi.org/10.1016/j.heliyon.2024.e36361

Ishida, T., Kurihara, J., Viray, F. A., Namuco, S. B., Paringit, E. C., Perez, G. J., Takahashi, Y., & Marciano, J. J. (2018). A novel approach for vegetation classification using UAV-based hyperspectral imaging. Computers and Electronics in Agriculture, 144, 80–85. https://doi.org/10.1016/j.compag.2017.11.027

Katuwal, Y., Maesano, G., & Viaggi, D. (2026). Smart Farming Technology Adoption and Perceived Impacts: Evidence from Italian Farms. Smart Agricultural Technology, 102216. https://doi.org/10.1016/j.atech.2026.102216

Keshavarzi, M., Mesarich, C., Bailey, D., Johnson, M., & Gupta, G. Sen. (2025). A review of semantic segmentation methods and their application in apple disease detection. In Computers and Electronics in Agriculture (Vol. 237). Elsevier B.V. https://doi.org/10.1016/j.compag.2025.110531

Kusrini, K., Suputa, S., Setyanto, A., Agastya, I. M. A., Priantoro, H., Chandramouli, K., & Izquierdo, E. (2020). Data augmentation for automated pest classification in Mango farms. Computers and Electronics in Agriculture, 179. https://doi.org/10.1016/j.com pag.2020.105842

Ma, H., Wang, S., Gu, J., Xie, Q., Wang, W., Dong, S., Sun, C., Li, J., Ma, C., Dong, J., & Liu, H. (2026). IoT-based smart environmental control and air emission management in animal farming: A systematic review. In Information Processing in Agriculture. China Agricultural University. https://doi.org/10.1016 /j.inpa.2026.02.007

Meena, S. D., Susank, M., Guttula, T., Chandana, S. H., & Sheela, J. (2022). Crop Yield Improvement with Weeds, Pest and Disease Detection. Procedia Computer Science, 218, 2369–2382. https://doi.org/10.1016/j.procs.2023.01.212

Paul, K., Schweng, S., Kaul, H. P., Gansberger, F., & Holzinger, A. (2026). AI-powered Pheno-Farm Server: Making adaptive farming decisions. Agricultural Systems, 231. https://doi.org/10.1016/j.agsy.2025.104563

Paul, N., Sunil, G. C., Horvath, D., & Sun, X. (2025). Deep learning for plant stress detection: A comprehensive review of technologies, challenges, and future directions. In Computers and Electronics in Agriculture (Vol. 229). Elsevier B.V. https://doi.org/10.1016/j.compag.2024.109734

Picon, A., et al. (2019). Deep convolutional neural networks for mobile capture device-based crop disease classification. Computers and Electronics in Agriculture, 161, 280–290.

Rahman, M. T., Dipto, S. D., June, I. J., Momin, A., & Al Mamun, M. R. (2024). Machine Learning-based Disease Classification in Tomato (Solanum lycopersicum) Plants. Jurnal Keteknikan Pertanian Tropis Dan Biosistem, 12(3), 151–160. https://doi.org/10.21776/ub.jkptb.2024.012.03.01

Ritharson, P. I., Raimond, K., Mary, X. A., Robert, J. E., & J, A. (2024). DeepRice: A deep learning and deep feature based classification of Rice leaf disease subtypes. Artificial Intelligence in Agriculture, 11, 34–49. https://doi.org/10.1016/j.aiia. 2023.11.001

Rosyani, P., & Hariansyah, O. (2020). Pengenalan Citra Bunga Menggunakan Segmentasi Otsu Threshold dan Naïve Bayes. 1–7. https://doi.org/10.30864/jsi.v15i1.304

Saufi, A., & Suharjito. (2024). White rice stem borer pest detection system using image-based convolution neural network. Procedia Computer Science, 245, 518–527. https://doi.org/10.1016/j.procs.2024.10.278

Singh, A., Kumar, R., & Sharma, P. (2024). Artificial Intelligence and Computer Vision for Smart Agriculture: A Review. Computers and Electronics in Agriculture, 226, 109361.

Solikin. (2020). Deteksi Penyakit Pada Tanaman Mangga Dengan Citra Digital : Tinjauan Literatur Sistematis (SLR). Bina Insani ICT Journal, 7(1), 63–72.

Sui, M., Wang, X., Yang, S., Li, L., Li, W., Nie, C., & Huang, H. (2026). Diagnosis of pine wilt disease using unattended UAV hyperspectral imager: A comparison of discrete bands and continuous spectrum -based methods. Ecological Informatics, 93. https://doi.org/10.1016/j.ecoinf.2025.103589

Vera, E. (2020). Sistem Pakar Untuk Mendeteksi Kerusakan AC Menerapkan Metode Graf or Algorithm. Terapan Informatika Nusantara, 1(6), 317–321. https://ejurnal.seminar-id.com/index.php/tin

Wang, W., & Ghatrehsamani, S. (2026). Early detection of plant pathogens in the asymptomatic phase: A scoping review of hyperspectral imaging combined with machine learning. In Smart Agricultural Technology (Vol. 14). Elsevier B.V. https://doi.org/10.1016/j.atech.2026.102123

Wu, Q. S., Liu, W. J., Li, X. R., Su, Z., & Lei, J. (2025). A multi-topology quantum convolutional neural network with qubit-measurement attention for image classification. Engineering Applications of Artificial Intelligence, 160. https://doi.org/10.1016/j.engappai.2025.111705

Zahid, F., Chen, X., Sohail, S., Li, B., & Po-Leen Ooi, M. (2026). Systematic mapping study to assess security landscape for IoT-based smart farming systems. In Computers and Security (Vol. 162). Elsevier Ltd. https://doi.org/10.1016/j.cose.2025.104790

SISTEM PAKAR PERTANIAN MANGGA : Implementasi Metode Naïve Bayes dan Certainty Factor

Unduhan

PREVIEW
GOOGLE PLAYBOOK

Diterbitkan

21 Juni 2026
Hak Cipta (c) 2026 Perani Rosyani, S.Kom, M.Kom., Ines Heidiani Ikasari, S.Si., M.Kom., Saprudin, S.Kom., M.Kom. (Author)

Lisensi

Creative Commons License

Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.

Detail format terbitan yang tersedia: PREVIEW

PREVIEW

ISBN-13 (15)

978-634-278-460-0

Dimensi Fisik

Cara Mengutip

SISTEM PAKAR PERTANIAN MANGGA: Implementasi Metode Naïve Bayes dan Certainty Factor. (2026). PENERBIT KARYA BAKTI MAKMUR (KBM) INDONESIA. https://librarypenerbitkbm.science/index.php/buku/catalog/book/1408