ChiliCare: Prototype Aplikasi Diagnostik Penyakit Tanaman Cabai Berbasis Website Menggunakan Certainty Factor
Keywords:
Certainty Factor, Sistem Pakar, Penyakit Tanaman Cabai, JavaScript, Diagnosis Penyakit.Abstract
Indonesia merupakan salah satu penghasil cabai terbesar di Asia Tenggara, namun serangan penyakit dan hama serta keterbatasan akses terhadap tenaga ahli pertanian menyulitkan petani dalam melakukan diagnosis secara mandiri. Penelitian ini bertujuan mengembangkan ChiliCare, aplikasi diagnosis penyakit tanaman cabai berbasis website menggunakan metode Certainty Factor (CF). Penelitian menerapkan metode waterfall yang meliputi studi literatur, analisis kebutuhan, perancangan, implementasi, dan pengujian. Sistem dibangun menggunakan HTML5, CSS3, Bootstrap 4, dan vanilla JavaScript tanpa backend server, dengan basis pengetahuan yang mencakup 8 penyakit, 16 gejala, dan nilai CF pakar. Algoritma CF diimplementasikan pada sisi klien untuk menghasilkan tingkat keyakinan diagnosis secara real time. Pengujian menggunakan black-box testing terhadap 12 skenario menunjukkan seluruh fungsi sistem berjalan sesuai rancangan dengan tingkat keberhasilan 100%. Hasil penelitian menunjukkan bahwa ChiliCare berhasil diimplementasikan sebagai aplikasi diagnosis berbasis web yang ringan, mudah diakses, dan mampu membantu petani memperoleh diagnosis penyakit beserta tingkat keyakinannya secara mandiri.
References
[1] untuk mengkombinasikan ketidakpastian dalam proses inferensi medis, dan kemudian banyak diadaptasi pada sistem pakar diagnosis penyakit tanaman
[3] . Perhitungan CF dilakukan dalam dua tahap. Pertama, dihitung CF Evidence per gejala menggunakan persamaan (1): Pada persamaan (1), CF(E) menyatakan nilai keyakinan gabungan untuk satu gejala tunggal, CF(Pakar) adalah bobot keyakinan pakar terhadap keterkaitan gejala dengan suatu penyakit dan CF(User) adalah nilai keyakinan yang dipilih pengguna saat mengisi form diagnosis. Nilai CF(User) berasal dari lima pilihan tingkat keyakinan sebagaimana ditunjukkan pada Tabel 1, mengikuti skala keyakinan yang umum diterapkan pada sistem pakar berbasis CF
[4] . Tabel 1. Skala Nilai CF User Kedua, apabila lebih dari satu gejala relevan dengan penyakit yang sama, nilai CF(E) dari setiap gejala dikombinasikan menjadi satu nilai CF Gabungan menggunakan persamaan (2): Pada persamaan (2), CF1 adalah nilai CF Evidence dari gejala yang telah diproses sebelumnya (atau nilai CF(E) pertama jika baru satu gejala yang terpenuhi), dan CF2 adalah nilai CF(E) dari gejala berikutnya yang akan dikombinasikan. Rumus kombinasi ini diterapkan secara iteratif untuk setiap gejala yang relevan pada suatu rule penyakit
[6] , sehingga apabila terdapat tiga gejala atau lebih, hasil kombinasi dua gejala pertama akan menjadi CF1 baru untuk dikombinasikan kembali dengan gejala ketiga, dan seterusnya. Hasil akhir CF Gabungan dikalikan 100 untuk menghasilkan persentase keyakinan diagnosis yang ditampilkan kepada pengguna. Gambar 2 menunjukkan alur kerja algoritma Certainty Factor yang diimplementasikan pada sistem ChiliCare, mulai dari input gejala oleh pengguna hingga penampilan hasil diagnosis yang telah diurutkan berdasarkan persentase keyakinan tertinggi. Gambar 2. Flowchart Algoritma Certainty Factor pada Sistem ChiliCare Berdasarkan Gambar 2, alur CF dimulai dari input gejala pengguna. Sistem memvalidasi apakah terdapat minimal satu gejala yang dipilih (nilai CF User > 0). Jika tidak ada, sistem menampilkan peringatan agar pengguna memilih minimal satu gejala. Jika ada, sistem menginisialisasi cfGabungan = 0, lalu mengiterasi seluruh rule penyakit dari basis pengetahuan. Untuk setiap rule, CF(E) per gejala dihitung menggunakan persamaan (1) dan digabungkan secara iteratif menggunakan persamaan (2)
[7] . Penyakit dengan CF Gabungan > 0 disimpan ke dalam larik hasil diagnosis, dan setelah seluruh rule diproses, hasil diurutkan berdasarkan persentase CF tertinggi sebelum ditampilkan kepada pengguna. Analisis Kebutuhan Sistem Tahap ini bertujuan untuk mengidentifikasi kebutuhan sistem berdasarkan kebutuhan pengguna, mencakup kebutuhan fungsional dan non fungsional. Kebutuhan fungsional meliputi, halaman beranda, halaman informasi penyakit, itur konsultasi berbasis metode Certainty Factor, dan halaman hasil diagnosis yang menampilkan penyakit paling mungkin beserta nilai keyakinan dan rekomendasi penanganan. Kebutuhan non fungsional meliputi, kemudahan penggunaan (usability) agar mudah dipahami petani dengan berbagai latar belakang literasi digital, tampilan responsif agar dapat diakses melalui berbagai perangkat, dan kemudahan akses melalui web tanpa memerlukan instalasi tambahan. Perancangan Tahap perancangan dilakukan dengan menyusun beberapa komponen utama, meliputi arsitektur sistem, desain antarmuka (User Interface), struktur navigasi, perancangan basis data, dan pemodelan sistem menggunakan UML (Unified Modeling Language). Arsitektur sistem dirancang untuk menggambarkan hubungan antar komponen dalam ChiliCare, mulai dari sisi pengguna (front-end) hingga proses pengolahan data pada sisi server (back-end), sehingga alur kerja sistem dapat dipahami secara menyeluruh sejak tahap awal pengembangan. Selain itu, dirancang pula alur proses konsultasi mulai dari pemilihan gejala hingga diperolehnya hasil diagnosis, serta mekanisme penerapan metode Certainty Factor sebagai dasar perhitungan tingkat keyakinan terhadap jenis penyakit tanaman cabai yang teridentifikasi. Perancangan antarmuka disusun agar mudah digunakan oleh petani dengan berbagai tingkat pemahaman teknologi, sementara struktur navigasi dirancang agar pengguna dapat mengakses fitur diagnosis maupun informasi penyakit secara intuitif. Hasil perancangan pada tahap ini menjadi acuan utama pada tahap implementasi dan pengembangan sistem berikutnya. Implementasi Gambar 3. Flowchart Alur Sistem ChiliCare Berbeda dengan penelitian sejenis yang menggunakan arsitektur client-server dengan PHP dan basis data MySQL serta pemodelan UML dengan tiga aktor (admin, petani, dan pakar)
[8] , ChiliCare diimplementasikan sepenuhnya pada sisi klien tanpa backend server
[9] . Seluruh basis pengetahuan disimpan dalam berkas JavaScript (data.js) berbentuk objek yang memuat larik penyakit, gejala, dan rules, sehingga sistem dapat berjalan hanya dengan membuka berkas HTML pada peramban tanpa memerlukan instalasi server maupun basis data relasional. Gambar 3 menunjukkan alur sistem ChiliCare secara keseluruhan, mulai dari pengguna mengakses website hingga proses navigasi antar menu dan proses diagnosis. Pengujian Pengujian sistem menggunakan metode black-box testing yang mengikuti kerangka user acceptance testing untuk memvalidasi kesesuaian setiap halaman dengan kebutuhan pengguna
[10] . Pengujian dilakukan per halaman agar cakupan skenario fungsional pada setiap bagian sistem dapat ditelusuri secara rinci. Hasil dan Pembahasan Analisis Kebutuhan Analisis kebutuhan dilakukan untuk mengidentifikasi kebutuhan pengguna dalam proses diagnosis penyakit tanaman cabai. Berdasarkan analisis tersebut, ChiliCare dirancang dengan satu aktor utama, yaitu pengguna, yang dapat mengakses informasi penyakit, melakukan konsultasi berdasarkan gejala yang dipilih, serta melihat hasil diagnosis. Analisis juga menunjukkan bahwa sistem memerlukan beberapa fitur utama, yaitu halaman Home, Berita, Jenis Cabai, Informasi, Diagnosis, dan Hasil Diagnosis. Selain memenuhi kebutuhan fungsional, sistem dirancang berbasis website agar dapat diakses melalui berbagai perangkat menggunakan browser dengan antarmuka yang sederhana dan mudah digunakan. Hasil analisis ini menjadi dasar dalam proses perancangan dan implementasi prototype ChiliCare. Perancangan Sistem Perancangan sistem dilakukan berdasarkan hasil analisis kebutuhan yang telah diperoleh pada tahap sebelumnya. Tujuan dari tahap ini adalah menghasilkan rancangan aplikasi yang dapat memenuhi kebutuhan pengguna serta menjadi acuan dalam proses implementasi prototype berbasis website. Berdasarkan hasil analisis, aplikasi ChiliCare dirancang dengan satu aktor utama, yaitu pengguna, yang dapat mengakses fitur beranda, berita, jenis cabai, informasi penyakit, diagnosis, dan hasil diagnosis. Untuk menggambarkan alur kerja sistem, perancangan dilakukan menggunakan Unified Modeling Language (UML) yaitu menggunakan Use Case Diagram. Use Case Diagram digunakan untuk menggambarkan hubungan antara pengguna dengan fitur-fitur yang tersedia pada aplikasi ChiliCare. Berdasarkan hasil analisis kebutuhan, aplikasi memiliki satu aktor, yaitu pengguna, yang dapat mengakses seluruh fitur sistem. Pengguna dapat membuka halaman beranda, berita, jenis cabai, informasi penyakit, diagnosis, dan hasil diagnosis. Diagram ini memberikan gambaran fungsi utama aplikasi serta menjadi dasar dalam proses perancangan sistem dan pengembangan prototype. Gambar 4. Use Case Diagram ChiliCare Desain Interface Sistem Perancangan antarmuka dilakukan melalui penyusunan wireframe untuk menentukan struktur informasi dan tata letak setiap halaman sebelum proses implementasi. Wireframe mencakup lima halaman utama ChiliCare, yaitu Home, Berita, Jenis Cabai, Informasi, dan Diagnosis, yang selanjutnya diimplementasikan dengan identitas visual berupa logo, palet warna merah–putih, dan ilustrasi tanaman cabai Rancangan Halaman Home Gambar 5. Wireframe Halaman Home Gambar 5 merupakan wireframe home menempatkan navigasi utama (Home, Berita, Jenis Cabai, Informasi) beserta tombol aksi utama Diagnosis pada bagian kanan atas agar mudah ditemukan. Bagian hero menampilkan judul ChiliCare, deskripsi singkat, serta dua tombol Diagnosis Sekarang dan Cara Kerja, diikuti bagian Cara Kerja yang menjelaskan tiga langkah penggunaan sistem. Rancangan Halaman Berita Gambar 6. Wireframe Halaman Berita Gambar 6 adalah wireframe berita menampilkan rancangan hero artikel utama pada bagian atas berupa gambar besar dengan judul, penulis, dan tanggal publikasi, disusul strip berita berjalan (running text), kemudian dua kolom berisi daftar Berita Terbaru dan Trending di bagian bawah. Rancangan Halaman Jenis Cabai Gambar 7. Wireframe Halaman Jenis Cabai Wireframe Jenis Cabai pada Gambar 7 memuat hero berisi deskripsi singkat mengenai keragaman spesies Capsicum beserta tombol Lihat Jenis, dilanjutkan bagian Mengenal Jenis-Jenis Cabai yang menjelaskan klasifikasi lima spesies budidaya utama. Rancangan Halaman Informasi Gambar 8. Wireframe Halaman Informasi Wireframe Informasi pada Gambar 8 menampilkan rancangan informasi menggunakan tampilan tab (Informasi dan Penyakit Cabai) menyerupai folder arsip, dengan deskripsi singkat pada bagian atas dan tiga kartu ringkasan penyakit (nama penyakit serta tautan Lihat Detail) pada bagian bawah. Rancangan Halaman Diagnosis Gambar 9. Wireframe Halaman Diagnosis Wireframe Diagnosis pada gambar 9 1menampilkan rancangan halaman diagnosis yang berisi judul Form Diagnosis Penyakit Tanaman Cabai beserta legenda keterangan pilihan (1/2/3/4/5), dan daftar pertanyaan gejala yang masing-masing dilengkapi lima opsi tingkat keyakinan dalam bentuk tombol sejajar, yang pada implementasi akhir diubah menjadi komponen sliding pill radio. Implementasi Sistem Tahap implementasi sistem dilakukan untuk merealisasikan hasil perancangan menjadi sebuah aplikasi yang dapat digunakan oleh pengguna. Pada penelitian ini, sistem ChiliCare diimplementasikan sebagai platform digital yang menyediakan informasi budidaya cabai, identifikasi penyakit, serta fasilitas diagnosis berdasarkan gejala yang dipilih oleh pengguna. Implementasi meliputi pembangunan antarmuka pengguna, integrasi basis pengetahuan, serta penerapan mekanisme inferensi sehingga seluruh fitur yang telah dirancang dapat berjalan sesuai dengan kebutuhan fungsional sistem. Pada subbab ini dijelaskan implementasi setiap halaman utama aplikasi, meliputi halaman beranda (home), artikel, informasi penyakit, serta fitur diagnosis beserta hasil yang ditampilkan kepada pengguna. Adapun hasil implementasi prototype ChiliCare dapat dilihat pada Gambar 9-13. Halaman Home Halaman Home merupakan tampilan awal ChiliCare yang menyediakan akses ke seluruh fitur utama. Halaman ini menampilkan slogan "Solusi Cerdas Petani Cabai" serta tombol Diagnosis Sekarang dan Cara Kerja sebagai akses menuju fitur diagnosis. Implementasi halaman Home ditunjukkan pada Gambar 9. Gambar 10. Implementasi Halaman Home Halaman Artikel Halaman Artikel berfungsi sebagai media edukasi yang menyajikan informasi terkini mengenai budidaya cabai. Halaman ini menampilkan artikel unggulan, artikel terbaru, dan berita populer yang bersumber dari media terpercaya. Implementasi halaman artikel ditunjukkan pada Gambar 11. . Gambar 11. Implementasi Halaman Berita Berdasarkan Gambar 11, halaman artikel menampilkan artikel dalam bentuk featured post dan daftar artikel berbentuk grid yang dilengkapi gambar, judul, serta ringkasan isi. Pengguna dapat mengklik gambar atau judul artikel untuk melihat informasi secara lengkap. Halaman Jenis Cabai Halaman Jenis Cabai menyajikan informasi mengenai lima spesies cabai, yaitu Capsicum annuum, Capsicum frutescens, Capsicum chinense, Capsicum baccatum, dan Capsicum pubescens. Informasi disajikan dalam bentuk card yang memuat gambar, nama ilmiah, nama lokal, dan deskripsi singkat. Pengguna dapat memilih tombol Pelajari untuk melihat informasi lebih lengkap mengenai spesies yang dipilih. Implementasi halaman Jenis Cabai ditunjukkan pada Gambar 12. Gambar 12. Implementasi Halaman Jenis Cabai Halaman Informasi Halaman Informasi menyajikan daftar penyakit dan hama yang umum menyerang tanaman cabai dalam bentuk card yang dilengkapi gambar, nama penyakit atau hama, serta tombol Lihat Detail. Halaman ini menggunakan tab Informasi dan Penyakit Cabai dengan tampilan bergaya folder arsip berwarna merah gradasi yang memuat delapan kartu penyakit. Ketika pengguna memilih tombol Lihat Detail, sistem menampilkan informasi lengkap yang meliputi deskripsi, gejala, penyebab, bagian tanaman yang diserang, dan cara penanganan. Implementasi halaman Informasi ditunjukkan pada Gambar 13. Gambar 13. Implementasi Halaman Informasi Halaman Diagnosis Halaman Diagnosis digunakan untuk melakukan proses identifikasi penyakit tanaman cabai berdasarkan gejala yang dipilih oleh pengguna. Setiap gejala dinilai menggunakan skala tingkat keyakinan dari 1 (Tidak) , 2 (Ragu-ragu), 3 (Cukup Yakin), 4 (Yakin), 5 (Sangat Yakin). Setelah seluruh gejala diisi, pengguna dapat menekan tombol Analisis Diagnosis untuk memproses data menggunakan metode Certainty Factor (CF) sehingga sistem dapat menampilkan hasil diagnosis beserta tingkat keyakinannya. Implementasi tampilan halaman Diagnosis ditunjukkan pada Gambar 14. Gambar 14. Implementasi Halaman Diagnosis Sebagai ilustrasi mekanisme perhitungan, digunakan contoh diagnosis penyakit Antraknosa (P01). Pada contoh ini, pengguna memilih gejala G01 dengan tingkat keyakinan 4 (Yakin) (CF User = 0,8) dan gejala G02 dengan tingkat keyakinan 3 (Cukup Yakin) (CF User = 0,6). Berdasarkan basis pengetahuan sistem, nilai CF Pakar untuk gejala G01 adalah 0,8, sedangkan untuk gejala G02 adalah 0,7. Dengan demikian, variabel yang digunakan dalam perhitungan terdiri atas penyakit P01, gejala G01 dan G02, nilai CF Pakar, serta nilai CF User. Selanjutnya, nilai Certainty Factor dihitung menggunakan Persamaan (1)
[11] ,
[12] . Selanjutnya, kombinasi dari kedua nilai CF tersebut dihitung nilai CF Gabungan menggunakan persamaan (2) seperti yang ditunjukkan dibawah ini : Sistem menampilkan diagnosis Antraknosa dengan keyakinan 79,12% beserta deskripsi dan rekomendasi penanganan. Penyakit lain dengan CF > 0 ditampilkan sebagai kemungkinan alternatif, memberikan informasi yang lebih komprehensif dibandingkan sistem rule based murni yang hanya menghasilkan satu kesimpulan
[13] . Untuk memperlihatkan variasi hasil pada kedelapan penyakit/hama, Tabel 2 menyajikan ilustrasi perhitungan CF Gabungan dengan skenario setiap gejala pada rule masing-masing penyakit dipilih pada tingkat keyakinan yang sama, yaitu 4 (Yakin) (CF User = 0,8), sehingga perbedaan hasil akhir semata-mata mencerminkan perbedaan nilai CF Pakar pada basis pengetahuan. Karena setiap penyakit memiliki gejala kunci yang berbeda (lihat Tabel 1), gejala yang digunakan pada tiap baris disesuaikan dengan rule basis pengetahuan penyakit yang bersangkutan. Tabel 2. Ilustrasi Perhitungan CF Gabungan untuk Kedelapan Penyakit/Hama Berdasarkan Tabel 2, seluruh penyakit dan hama pada basis pengetahuan ChiliCare menghasilkan rentang tingkat keyakinan antara 80,96% hingga 94,76% pada skenario tingkat keyakinan pengguna yang seragam, yaitu Yakin (CF User = 0,8). Penyakit dengan nilai CF Pakar yang lebih tinggi dan konsisten pada setiap gejalanya, seperti Virus Kuning (P02) dan Hama Lalat Buah (P08), menghasilkan nilai CF Gabungan yang lebih tinggi dibandingkan penyakit lain yang memiliki kombinasi nilai CF Pakar lebih rendah, seperti Hama Kutu Daun (P07). Hasil tersebut menunjukkan bahwa metode Certainty Factor mampu menghasilkan tingkat keyakinan diagnosis yang berbeda sesuai dengan bobot keyakinan pakar pada setiap gejala. Dengan demikian, mekanisme CF Gabungan pada ChiliCare dapat memberikan hasil diagnosis yang proporsional berdasarkan kombinasi nilai CF Pakar dan tingkat keyakinan pengguna, sejalan dengan penerapan metode Certainty Factor pada penelitian sejenis
[14] . Pengujian Sistem Pengujian sistem menggunakan metode black-box testing yang mengikuti kerangka user acceptance testing untuk memvalidasi kesesuaian setiap halaman dengan kebutuhan pengguna
[15] . Pengujian dilakukan per halaman agar cakupan skenario fungsional pada setiap bagian sistem dapat ditelusuri secara rinci, sebagaimana disajikan pada Tabel 3. Tabel 3. Hasil Pengujian Fungsionalitas Sistem ChiliCare Berdasarkan Tabel 3, pengujian fungsional dilakukan terhadap 12 skenario pada lima halaman utama ChiliCare, yaitu Home, Berita, Jenis Cabai, Informasi, dan Diagnosis. Seluruh skenario menghasilkan status Valid, yang menunjukkan bahwa setiap fitur telah berjalan sesuai dengan rancangan dan menghasilkan keluaran yang diharapkan. Pengujian mencakup fungsi navigasi, penyajian informasi, proses pemilihan gejala, perhitungan Certainty Factor, hingga penanganan kondisi tanpa input, diagnosis tidak ditemukan, dan fitur reset. Hasil pengujian menunjukkan bahwa prototype ChiliCare telah berhasil diimplementasikan dan seluruh fungsi utama dapat dijalankan sebagaimana mestinya. Fitur diagnosis mampu memproses gejala yang dipilih pengguna dan menampilkan hasil diagnosis beserta tingkat keyakinannya sesuai mekanisme metode Certainty Factor. Meskipun demikian, pengujian pada penelitian ini masih terbatas pada aspek fungsional menggunakan black-box testing, sehingga pengujian usability oleh pengguna serta validasi akurasi hasil diagnosis terhadap pakar dapat dilakukan pada penelitian selanjutnya. Kesimpulan Berdasarkan hasil penelitian dan pembahasan, prototype ChiliCare berhasil dirancang dan diimplementasikan sebagai aplikasi front-end murni berbasis HTML5, CSS3, Bootstrap 4, dan vanilla JavaScript, tanpa ketergantungan pada server backend maupun basis data relasional. Prototype ini terdiri atas lima halaman utama, yaitu Home, Berita, Jenis Cabai, Informasi, dan Diagnosis, dengan antarmuka yang dirancang sederhana dan intuitif agar mudah digunakan oleh petani tanpa latar belakang teknis. Seluruh logika sistem, termasuk mekanisme diagnosis, berjalan sepenuhnya di sisi klien dengan memanfaatkan basis pengetahuan yang tertanam dalam berkas JavaScript. Pengujian black-box terhadap 12 skenario pada kelima halaman tersebut menunjukkan bahwa seluruh fitur berfungsi sesuai rancangan, dengan tingkat validitas mencapai 100%. Meskipun unggul dari segi arsitektur yang ringan dan dapat diakses langsung melalui peramban tanpa instalasi server maupun koneksi internet setelah aset dimuat, prototype ini masih memiliki sejumlah keterbatasan. Basis pengetahuan sistem tertanam secara statis dalam kode sumber, sehingga penambahan atau pembaruan data belum dapat dilakukan secara dinamis melalui antarmuka, melainkan harus melalui modifikasi kode secara manual. Riwayat konsultasi pengguna juga hanya tersimpan sementara di Session Storage dan hilang setelah sesi peramban berakhir. Selain itu, prototype ini baru diuji secara fungsional melalui pendekatan black-box dan belum melalui pengujian usability langsung bersama petani sebagai pengguna akhir, sehingga kemudahan penggunaan sistem di lapangan belum sepenuhnya terukur. Untuk penelitian selanjutnya, disarankan agar prototype ini dikembangkan menjadi aplikasi web yang lebih dinamis dengan mengintegrasikan layanan backend-as-a-service seperti Firebase atau Supabase, disertai panel administrasi agar pengelolaan data dapat dilakukan melalui antarmuka tanpa mengubah kode sumber. Selain itu, disarankan pula konversi sistem menjadi Progressive Web App (PWA) agar dapat diakses secara offline di lapangan, serta pelaksanaan usability testing bersama petani menggunakan metode System Usability Scale (SUS) sebelum sistem dirilis secara lebih luas. Referensi A. Srirahayu dan F. Suryani, “Prototype sistem informasi diagnosis cabai berbasis android,” Seminar Nasional AMIKOM Surakarta (SEMNASA), hlm. 219-225, 2023. V. Edo dan A. K. Wijayanto, “Sistem Pakar Diagnosis Hama & Penyakit Tanaman Pangan,” IPB, Bogor, 2015. R. Mujahiddin, Zaeniah, dan B. Imran, “Rancang bangun sistem pakar diagnosa penyakit pada tanaman cabai dengan metode certainty factor,” J. Kecerdasan Buatan dan Teknol. Inf., vol. 2, no. 1, hlm. 11-19, 2023. M. D. Ronaldo dan I. Maziidi, “Sistem pakar diagnosis penyakit tanaman cabai menggunakan metode certainty factor berbasis android,” JKBTI, vol. 3, no. 2, 2024.
[16] S. Holifah dkk., “Sistem pakar diagnosa penyakit tanaman cabai berbasis web menggunakan certainty factor,” J. Inf. dan Komput., vol. 11, no. 1, hlm. 58-64, 2023. N. A. Muslimah, R. Y. Bakti, dan T. Wahyuni, “Sistem pakar mendiagnosa penyakit pada tanaman menggunakan metode forward chaining,” Aurus J. Sains dan Teknol., vol. 2, no. 2, 2023. T. Winanto, Y. R. W. Utami, dan S. H. Fitriasih, “Sistem pakar diagnosa hama dan penyakit tanaman cabai besar menggunakan metode certainty factor,” J. Ilm. SINUS, vol. 15, no. 2, hlm. 13-24, 2017. Suradi dkk., “Sistem pakar diagnosa hama dan penyakit tanaman cabai berbasis android dengan metode forward chaining,” J. Teknol. dan Komputer (JTEK), vol. 3, no. 1, hlm. 259-264, 2023. M. A. Fitria dan D. C. Febrianto, “Penerapan sistem pakar untuk diagnosa penyakit dan hama tanaman cabai dengan metode forward chaining,” Sainteks, Lemb. Penelitian dan Pengabdian Masyarakat (LPPM) Universitas Muhammadiyah Purwokerto, vol. 16, no. 2, 2019. B. A. Nusantara dan F. A. Suciono, “Sistem pakar diagnosa hama dan penyakit pada jamur tiram menggunakan metode forward chaining,” Journal of Information Technology and Computer Science. Muliadi, I. Budiman, M. A. Pratama, dan A. Sofyan, “Fuzzy dan Dempster-Shafer pada sistem pakar diagnosa penyakit tanaman cabai,” Kumpulan J. Ilmu Komputer, vol. 4, no. 2, hlm. 209-222, 2017. E. H. Shortliffe dan B. G. Buchanan, “A model of inexact reasoning in medicine,” Math. Biosci., vol. 23, no. 3-4, hlm. 351-379, 1975. F. Ramadhan dkk., “Rancang bangun sistem informasi pertanian berbasis web menggunakan JavaScript dan JSON,” J. Teknol. dan Manajemen Inf., vol. 9, no. 2, hlm. 112-121, 2023. F. C. Hudi dan C. M. Karyanti, “Pengujian fungsionalitas sistem informasi berbasis web menggunakan metode user acceptance testing,” J. Ilm. Komputasi, vol. 22, no. 4, hlm. 553-560, 2024. S. Aisah, A. S. Yazid, D. P. Wijaya, dan D. Danianti, “Sistem Pakar Diagnosa Hama dan Penyakit Tanaman Cabai Menggunakan Metode Certainty Factor Berbasis Web,” Jurnal Informatika Teknologi dan Sains (Jinteks), vol. 8, no. 1, hlm. 1–9, Feb. 2026.
