ABSTRACT. Keywords : Shorea, k-nearest Neighbour. iii

Transkripsi

1

2 ABSTRACT BRYAN NURJAYANTI. Identification Using k-nearest Neighbour Based on Morphological Characteristics of Leaves. Supervised by AZIZ KUSTIYO. Dipterocarpaceae is a group of tropical plants that is used in a timber industry. One of Dipterocarpaceae clans is, that is the best timber-producing plant in the industrial world. is difficult to be identified because it has a lot of diversity. The inability to recognize in forest will enlarge the exploitation of that has a good timber quality, and silviculture work becomes less of the target because it is not known which species that will extinct. tree is usually identified by using the stems, leaves, fruits, and flowers. However, leave is used for the identification in this research because it tends to be available as a source of observation at anytime. The leaves in this reasearch are the collection from Bogor Botanical Gardens. Data are obtained by manual calculating to get the characteristics of the leaves. The obtained data will be processed using k-nearest Neighbor to get the closeness of new data and training data. The leaves that are included in this research are multiflora, palembanica, balangeran, lepida and assamica, each one has data. Each set of data has attributes that support the leaf characteristics. From the whole data, are divided into five subsets including data training and data testing for each subset. This research has two experiments the first experiment without normalization produces 84% accuracy and the second experiment with a normalization produces % accuracy. Keywords :, k-nearest Neighbour. iii

3 IDENTIFIKASI SHOREA MENGGUNAKAN k-nearest NEIGHBOUR BERDASARKAN KARAKTERISTIK MORFOLOGI DAUN BRYAN NURJAYANTI Skripsi Sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Program Studi Ilmu Komputer DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR ii

4 Judul Penelitian Nama NRP Identifikasi Menggunakan k-nearest Neighbour Berdasarkan Karakteristik Morfologi Daun Bryan Nurjayanti G6486 Menyetujui : Pembimbing Aziz Kustiyo, S.Si., M.Kom. NIP Mengetahui : Ketua Departemen Dr. Ir. Sri Nurdiati, M.Sc. NIP Tanggal Lulus : iv

5 RIWAYAT HIDUP Penulis dilahirkan di Jakarta pada tanggal 8 September 987. Anak pertama dari bersaudara, dari pasangan Bapak Abdi Iskandar dan Ibu Susilowati. Pada tahun 5 penulis lulus dari SMU Negeri 89 Jakarta, kemudian melanjutkan pendidikan Diploma III pada Program Studi Manajemen Informatika, Institut Pertanian Bogor melalui jalur Undangan Seleksi Masuk IPB. Lulus Diploma pada Tahun 8 penulis melanjutkan studi di Institut Pertanian Bogor Jurusan Ilmu Komputer (ekstensi) untuk memperoleh gelar sarjana. Selama menjalani perkuliahan penulis pernah menjadi asisten dosen di Direktorat Program Diploma Institut Pertanian Bogor pada tahun 9 sampai. v

6 PRAKATA Puji dan syukur penulis panjatkan kehadirat Allah SWT yang telah memberikan rahmat dan hidayah-nya sehingga penulis dapat menyelesaikan karya ilmiah ini. Terima kasih penulis ucapkan kepada Bapak Aziz Kustiyo, S.Si, M.Kom selaku pembimbing. Adapun penulis mengucapkan terima kasih kepada:. Kedua orang tua dan kakak yang telah memberikan dukungan, perhatian, dan doa sehingga penulis dapat menyelesaikan studi di Departemen Ilmu Komputer IPB.. Dosen penguji Bapak Toto Haryanto, S.Kom, M.Si dan Bapak Mushthofa, S.Kom, M.Sc atas saran dan bimbingannya. 3. Pihak Kebun Raya Bogor atas sample daun. 4. Pihak Biotrop atas literatur tentang. 5. Seluruh dosen pengajar dan civitas akademika Departemen Ilmu Komputer FMIPA IPB. 6. Asep yang telah banyak membantu dalam pembuatan penelitian ini. 7. Dewi Meong teman seperjuangan semasa kuliah. 8. Teman-teman satu bimbingan atas kerjasamanya. 9. Teman-teman Ekstensi ILKOM angkatan 3, atas kerjasamanya selama perkuliahan.. Semua pihak yang telah membantu yang belum disebutkan di atas. Semoga penelitian ini dapat bermanfaat bagi semua pihak yang membutuhkan. Bogor, Juni Bryan Nurjayanti vi

7 DAFTAR ISI Halaman DAFTAR ISI... vii DAFTAR GAMBAR... viii DAFTAR TABEL... viii DAFTAR LAMPIRAN... viii PENDAHULUAN... Latar Belakang... Tujuan... Ruang Lingkup... Manfaat... TINJAUAN PUSTAKA K-Fold Cross Validation... 3 Normalisasi... 3 Confusion Matrix... 3 KNN (K-Nearest Neighbour)... 3 METODOLOGI PENELITIAN... 4 Kerangka Penelitian... 4 Identifikasi Masalah... 4 Pengadaan Data... 5 Praproses Data... 6 Penentuan Data Latih dan Data Uji... 6 Klasifikasi... 6 Model Daun... 6 Hasil Prediksi... 6 Lingkungan Pengembangan... 6 HASIL DAN PEMBAHASAN... 7 Praproses... 7 Percobaan pertama (tanpa normalisasi)... 8 Percobaan kedua (dengan normalisasi)... 9 KESIMPULAN DAN SARAN... Kesimpulan... Saran... DAFTAR PUSTAKA... LAMPIRAN... vii

8 DAFTAR GAMBAR Halaman Pohon.... Daun multiflora Daun palembanica Daun balangeran Daun lepida Daun assamica Diagram alur pembuatan sistem Lebar dan panjang daun Ujung daun... 5 Pangkal daun Sudut daun... 6 Akurasi klasifikasi percobaan pertama Hasil iterasi tanpa normalisasi Akurasi klasifikasi percobaan kedua Perbandingan akurasi.... DAFTAR TABEL Halaman Confusion matrix dua kelas... 3 Data daun Selang nilai fitur daun Konversi fitur-fitur nominal Susunan data latih dan data uji Confusion matrix percobaan pertama Perhitungan jarak tanpa normalisasi Hasil perhitungan dengan normalisasi... DAFTAR LAMPIRAN Halaman Tabel data penelitian daun Contoh hasil perhitungan Euclidean sebelum normalisasi Contoh hasil perhitungan Euclidean sesudah normalisasi Contoh hasil perhitungan nominal Contoh hasil penggabungan kedua jarak sebelum normalisasi Contoh hasil penggabungan kedua jarak sesudah normalisasi Confusion matrix dengan nilai k= Confusion matrix dengan nilai k= Confusion matrix dengan nilai k= Confusion matrix dengan nilai k=6... Confusion matrix dengan nilai k=7... Confusion matrix dengan nilai k= Confusion matrix dengan nilai k=9... viii

9 Latar Belakang PENDAHULUAN Dipterocarpaceae adalah sekelompok tumbuhan hutan hujan tropis yang dimanfaatkan dalam bidang perkayuan. Kelompok famili Dipterocarpaceae yang digunakan dalam perkayuan adalah meranti merah, meranti putih, dan meranti kuning dari jenis, Anisoptera dan Parashorea. Dipterocarpaceae tumbuh dibagian barat Indonesia, Malaysia, Brunei, Filipina dan penyebarannya ke arah timur sampai dengan Nugini (Irian Jaya dan Papua Nugini). Dipterocarpaceae sulit untuk diidentifikasi terutama di Kalimantan yang memiliki jenis terbanyak. Ketidakmampuan untuk mengenal individu Dipterocarpaceae di hutan memperbesar terjadinya eksploitasi Dipterocarpaceae khususnya jenis yang memiliki kualitas kayu yang baik dan pekerjaan silvikultur kurang menjadi sasaran karena tidak diketahui jenis Dipterocarpaceae yang akan punah (Newman et al.999). adalah salah satu marga tumbuhan penghasil kayu terbaik dalam dunia perindustrian. Dengan nilai ekonomi yang tinggi mengakibatkan eksploitasi besar-besaran pohon. Hal ini dapat berdampak kepunahan terhadap pohon dan menyebabkan kerusakan hutan. Model identifikasi daun yang akan dikembangkan dapat digunakan untuk mengenal daun. Identifikasi ini dilakukan agar tidak menyebabkan kesalahan pemilihan kayu yang tidak tepat dan mengurangi pertumbuhan jenis kayu dengan sifat-sifat yang tidak diinginkan. Sifat-sifat itu misalnya kualitas kayu yang rendah, pertumbuhan lambat, tajuk lebar yang jarang mencapai ukuran kayu, atau jenis pilihan yang tidak cocok untuk kondisi tanah tertentu. Penentuan identifikasi pohon, biasanya menggunakan batang, daun, buah, dan bunga. Namun penelitian ini menggunakan daun sebagai bahan identifikasi dikarenakan daun cenderung tersedia sebagai sumber pengamatan sepanjang waktu. Bila menggunakan batang, batang pohon akan berubah warna atau kedalaman alur sejalan dengan bertambahnya umur pohon. Salah satu metode yang digunakan untuk membangun model klasifikasi dalam mengidentifikasi daun adalah k-nearest Neighbour. k-nearest Neighbour merupakan teknik yang lebih fleksibel karena mampu menglasifikasikan data uji ke dalam kelas label dengan cara mencari data latih yang relatif sama dengan data uji (Tan et al. 6). Tujuan Penelitian ini bertujuan untuk menerapkan k-nearest Neighbour dalam mengidentifikasi jenis. Ruang Lingkup Ruang lingkup penilitian ini meliputi : Daun yang diteliti hanya daun multiflora, palembanica, balangeran, lepida dan assamica. Difokuskan untuk mengidentifikasi daun dengan mengidentifikasi karakteristik morfologi daun. 3 Data yang digunakan adalah data hasil pengukuran manual terhadap daun. 4 Daun yang digunakan diambil dari beberapa koleksi Kebun Raya Bogor. Manfaat Model identifikasi daun diharapkan dapat membantu dalam mengidentifikasi jenis. TINJAUAN PUSTAKA adalah salah satu marga dari Dipterocarpaceae penghasil kayu terbaik dalam dunia perindustrian. Dengan nilai ekonomi yang tinggi mengakibatkan eksploitasi besar-besaran yang dapat berdampak kepunahan terhadap pohon dan menyebabkan kerusakan hutan. memiliki sekitar 94 jenis. Persebarannya meliputi jenis di Jawa, atau jenis di Sulawesi, 3 jenis di Maluku dan sisanya menyebar kearah timur sampai Maluku (Indonesia) dan tidak meluas ke Cina bagian selatan (Newman et al. 999). Pohon dapat tumbuh dari batas permukaan laut sampai ketinggian 75 m. Beberapa jenis yang berupa pohon

10 penjulang di hutan hujan dari kawasan Paparan Sunda, dapat tumbuh hingga ketinggian 5 m (Newman et al.999). mengering coklat merah (Newman et al. 999). Gambar 3 Daun palembanica. Gambar Pohon. Ciri-ciri diagnostik utama pohon sangat besar dengan pepagan dalam berlapislapis atau berwarna coklat merah gelap. Daun menjangat, tidak berlipatan, tidak bentuk perisai, tidak berlukup, 4-8 x -8 cm, pangkal daun biasanya simetris, permukaan bawah daun bila mengering pudar, pertulangan sekunder bersirip, 7-5 pasang, terpisah permanen, pada permukaan bawah daun bila mengering warnanya sama seperti helai daun, atau lebih gelap pada javanica (Newman et al. 999). Penelitian ini menggunakan lima jenis, yaitu: multiflora Ciri-ciri utama umumnya berupa pohon kecil sampai sedang dengan buah tanpa sayap. Daun dengan ujung lancip panjang (meruncing), pangkal membundar (membulat), pertulangan daun tembus cahaya bila segar (Newman et al. 999). 3 balangeran Ciri-ciri utama habitat hutan rawa gambut, ujung daun lancip (meruncing), pangkal daun membundar (membulat), permukaan atas daun bila mengering coklat agak lembayung, permukaan bawah bila mengering coklat kekuning-kuningan. balangeran merupakan salah satu yang terancam punah (Newman et al. 999). Gambar 4 Daun balangeran. 4 lepida Ciri-ciri utama pohon dewasa memiliki daun agak tipis, lonjong dan runcing. Permukaan atas daun bila mengering coklat agak lembayung, coklat kuning pada tulang daun, coklat pudar pada permukaan bawah daun (Newman et al. 999). Gambar Daun multiflora. palembanica Ciri-ciri utama habitat tepi sungai, perawakan berbonggol, daun besar, bila Gambar 5 Daun lepida.

11 5 assamica Ciri-ciri utama daun di bawah permukaan memunyai indumentums sisiksisik kecil. Daun jorong atau bundar telur, ujung daun lancip pendek (tumpul), pangkal daun membundar, permukaan daun bila mengering coklat dan bila diraba licin (Newman et al. 999). normalisasi terhadap nilai atribut (Larose 5 diacu dalam Faiza 9). Salah satu metode normalisasi adalah minmax normalization yang diterapkan untuk fitur numerik. Formula untuk normalisasi atribut X adalah: Dengan X* adalah nilai setelah dinormalisasi, X adalah nilai sebelum dinormalisasi, min(x) adalah nilai minimum dari fitur, dan max(x) adalah nilai maksimum dari suatu fitur. Confusion Matrix Gambar 6 Daun assamica. K-Fold Cross Validation Sebelum digunakan, sebuah sistem berbasis komputer harus dievaluasi dalam berbagai aspek. Di antara aspek-aspek ini, validasi kinerja bisa merupakan yang paling penting. (Fu 994). Metode k-fold cross validation membagi sebuah himpunan contoh secara acak menjadi k himpunan bagian lain (subset) yang paling bebas. Dilakukan ulangan sebanyak k kali untuk pelatihan dan pengujian. Pada setiap ulangan disisipkan setiap subset untuk pengujian dan subset lainnya untuk pelatihan (Stone 974 diacu dalam Fu 994). Tingkat akurasi dihitung dengan membagi jumlah keseluruhan klasifikasi yang benar dengan jumlah semua instance pada data awal (Han & Kamber ). Normalisasi Pada perhitungan jarak Euclidean, atribut berskala panjang dapat memunyai pengaruh lebih besar daripada atribut berskala pendek. Untuk mencegah hal tersebut perlu dilakukan Evaluasi model klasifikasi berdasar pada proporsi antara data uji yang diprediksi secara tepat dengan total seluruh prediksi (Tan et al. 6). Informasi mengenai klasifikasi sebenarnya (aktual) dengan klasifikasi hasil prediksi disajikan dalam bentuk tabel yang disebut confusion matrix seperti diperlihatkan pada Tabel. Tabel Confusion matrix dua kelas Kelas aktual Kelas Kelas Kelas hasil prediksi Kelas Kelas a b c d Jumlah baris dan kolom pada tabel bergantung pada banyaknya kelas target. Akurasi merupakan proporsi jumlah prediksi yang tepat. Contoh perhitungan akurasi untuk tabel tersebut adalah: KNN (K-Nearest Neighbour) K-Nearest Neighbour merepresentasikan setiap data sebagai titik dalam k-ruang dimensi. Jika ada sebuah data uji maka akan dihitung kedekatan titik data lainnya pada data latih untuk diklasifikasikan berdasarkan kedekatannya yang didefinisikan dengan ukuran jarak (Han & Kamber 6). Analisis data mendefinisikan ukuran kedekatan atau ukuran kesamaan menggunakan 3

12 fungsi jarak. Fungsi jarak yang umumnya digunakan adalah jarak Euclidean dengan menggunakan rumus sebagai berikut (Larose 5). ( ), dengan x = x,x,, xm menyatakan data uji, y = y,y,, ym menyatakan data latih dan xi-yi = selisih data uji dengan data latih. Penelitian ini, terdapat dua jenis data yang digunakan, yaitu data numerik dan data nominal. Data nominal atau sering disebut juga data kategori yaitu data yang diperoleh melalui pengelompokan objek berdasarkan kategori tertentu. Walaupun data nominal dapat dinyatakan dalam bentuk angka, namun angka tersebut tidak memiliki urutan atau makna matematis sehingga tidak dapat dibandingkan (Dharma, 8). Untuk data nominal atau yang disebut kategori, penggunaan jarak Euclidean tidak tepat, sebaliknya dapat didefinisikan dengan sebuah fungsi yang digunakan untuk membandingkan nilai data uji dan data latih. Untuk menghitung jarak nominal menggunakan rumus sebagai berikut (Larose 5). METODOLOGI PENELITIAN Kerangka Penelitian Penelitian ini memunyai beberapa tahapan untuk mengetahui tingkat akurasi yang diperoleh menggunakan algoritme k-nearest Neighbour dalam pengidentifikasian daun. Tahapan proses tersebut akan disajikan pada Gambar 7. Mulai Identifikasi Masalah Pengadaan Data Praproses Data Penentuan Data Latih dan Data Uji Data Latih Data Uji Klasifikasi KNN { Yang berarti bahwa jika data latih sama dengan data uji maka jaraknya, selainnya jaraknya. Untuk menggabungkan kedua jarak semua variabel, dilakukan aggregate ketidaksamaan berat rata-rata dari jarak masing-masing fitur dengan menggunakan rumus sebagai berikut (Teknomo, 6). Model Pengenalan Daun Hasil Prediksi Selesai Gambar 7 Diagram alur pembuatan sistem., dengan k merupakan variabel fitur, ij selisih data latih dan data uji, Sijk merupakan kesamaan dan ketidaksamaan antara objek dimana Wijk bernilai untuk nilai numerik dan.5 untuk nilai nominal. Nilai pembobotan ini diberikan agar jarak fitur nominal tidak terlalu mendominasi hasil perhitungan. Identifikasi Masalah Tahap identifikasi permasalahan yang meliputi tahap pemilihan masalah, identifikasi, tujuan, dan sumber pengetahuan. Masalah yang ada saat ini pihak rimbawan atau pekerja di hutan masih mengalami kesulitan dalam mengidentifikasi daun. Kesalahan dalam mengidentifikasi ini dapat menyebabkan kesalahan pemilihan kayu yang tidak tepat. Salah satu solusi dari permasalahan tersebut adalah dibuatnya suatu sistem mengenai identifikasi daun yang dibentuk dari 4

13 akuisisi pengetahuan pakar dan pustaka yang mendukung. Pengadaan Data Daun yang digunakan didapatkan dari Kebun Raya Bogor. Penelitian ini menggunakan beberapa atribut yang mencirikan bentuk morfologi daun. Data yang digunakan merupakan data dari perhitungan manual beberapa jenis daun. Data dalam penelitian ini memunyai beberapa fitur, yaitu: Panjang daun, yaitu panjang daun diukur dari pangkal daun hingga ujung daun. Lebar daun, yaitu lebar daun diukur berdasarkan permukaan daun paling lebar. Lebar Daun Gambar 8 Lebar dan panjang daun 3 Bentuk tulang daun, yaitu susunan tulang cabang pada daun. Bentuk tulang daun dapat dibedakan menjadi : a Menempel : ujung tulang cabang bagian dalam sebelah kanan bertemu dengan ujung tulang cabang bagian dalam sebelah kiri. b Tidak menempel : ujung tulang cabang bagian dalam sebelah kanan tidak bertemu dengan ujung tulang cabang bagian dalam sebelah kiri. Ujung tulang cabang bagian dalam sebelah kiri Panjang Daun Ujung tulang cabang bagian dalam sebelah kanan 5 Ujung daun, yaitu bentuk ujung daun. Beberapa bentuk ujung daun di antaranya: a Runcing, jika kedua tepi daun di kanan kiri ibu tulang sedikit demi sedikit menuju ke atas dan pertemuannya pada puncak daun melancip. b Meruncing, seperti pada ujung yang runcing, tetapi titik pertemuan kedua tepi daunnya jauh lebih tinggi dari dugaan, hingga ujung daun nampak sempit panjang dan runcing. c Tumpul, tepi daun yang semula masih agak jauh dari ibu tulang membentuk sudut yang tumpul. d Membulat, seperti pada ujung yang tumpul, tetapi tidak terbentuk sudut sama sekali, hingga ujung daun merupakan semacam suatu busur. Gambar 9 Ujung daun 6 Pangkal daun, yaitu bentuk pangkal daun. Beberapa bentuk pangkal daun di antaranya: a Runcing b Meruncing c Tumpul d Membulat Gambar Pangkal daun. 7 Keliling daun, yaitu keliling tepi daun yang diukur dengan menggunakan benang. 4 Permukaan daun, yaitu keadaan permukaan daun bagian atas dan bawah, seperti : a b c d Atas bawah halus Atas halus bawah kasar Atas bawah kasar Atas kasar bawah halus Keliling daun 8 Luas daun, yaitu luas permukaan daun yang diukur pada buku berpetak yang memunyai luas ½ cm perkotak dengan menjumlahkan kotak yang terisi penuh di dalam gambar 5

14 daun kemudian dibagi empat. Contoh pengukuran luas : tetangga (neighbour) terdekatnya dalam data pelatihan. Model Daun 9 Sudut antar tulang daun, yaitu sudut antara ibu tulang daun dengan tulang cabang daun sebelah kanan atau kiri yang diukur menggunakan busur. Sudut daun Gambar Sudut daun Jumlah tulang daun, yaitu jumlah tulang cabang daun sebelah kanan dan tulang cabang daun sebelah kiri. Praproses Data Tahapan yang dilakukan dalam praproses di antaranya pengolahan data dengan fitur nominal menggunakan nominal distance seperti bentuk ujung daun, permukaan daun, bentuk tulang daun dan bentuk pangkal daun. Praproses data juga dilakukan pada tahap awal normalisasi data numerik agar didapatkan range antara nol hingga satu. Hal ini dilakukan untuk menghindari perbedaan range yang terlalu besar antar fitur. Penentuan Data Latih dan Data Uji Pada penelitian ini pembagian data latih dan data uji akan dilakukan dengan menggunakan teknik k-fold cross validation dengan nilai k = 5. Klasifikasi Teknik klasifikasi yang akan digunakan menggunakan k Nearest Neighbour. Teknik k Nearest Neighbour mencari jarak terdekat antara data yang akan dievaluasi dengan k Tahapan ini merupakan tahapan yang paling penting karena pada tahap ini teknik klasifikasi diaplikasikan terhadap data yang sudah diperoleh. Teknik klasifikasi yang digunakan menggunakan k Nearest Neighbour. Langkahlangkah pada metode tersebut yaitu: Hitung jarak Euclidean: pada tahap ini setiap data uji akan dihitung jaraknya ke setiap data latih untuk mengetahui ukuran kedekatan atau ukuran kesamaan antara data uji dengan data latih. Hitung jarak nominal: pada tahap ini dilakukan proses pengubahan beberapa fitur yang bersifat nominal dilambangkan dengan nilai numerik sehingga mempermudah perbandingan data uji terhadap data latih. Aggregate (menggabungkan) data: pada tahap ini data pengolahan nominal dan pengolahan menggunakan Euclidean digabungkan. Penentuan nilai k: pada k Nearest Neighbour penentuan nilai k yang tepat sangat penting untuk menunjukkan jumlah tetangga terdekat. Setelah didapatkan hasil identifikasi, selanjutnya dilakukan evaluasi klasifikasi yang dihasilkan metode k-nearest Neighbour. Hasil Prediksi Pada tahap akhir ini diharapkan data testing yang dimasukan akan terklasifikasi pada kelas yang benar. Lingkungan Pengembangan Perangkat lunak yang digunakan dalam penelitian yaitu : Windows XP Home Edition Service Pack 3 XAMPP Version.7. Notepad v5.. Microsoft Office Excel 7 Perangkat keras yang digunakan dalam penelitian yaitu : Processor Intel Atom.66 GHz RAM. GB Harddisk kapasitas 5 GB 6

15 Praproses HASIL DAN PEMBAHASAN Data yang digunakan pada penelitian ini merupakan data hasil perhitungan manual fiturfitur morfologi daun yang diambil dari beberapa koleksi di Kebun Raya Bogor. Berikut disajikan contoh data hasil perhitungan manual dan fitur-fitur yang diperlihatkan pada Tabel. Tabel Data daun Jenis Daun multiflora Panjang 9. cm Lebar 5.7 cm Bentuk tulang daun tidak menempel tidak menonjol Permukaan Daun atas bawah halus Ujung Daun meruncing Pangkal Daun tumpul Keliling cm Luas 6.5 cm Sudut 6 Jumlah tulang daun 4 buah Proses pengambilan data ini dilakukan selama satu bulan. Data yang didapat sebanyak 5 data dari perhitungan manual berdasarkan fitur-fitur yang telah ditetapkan sesuai dengan morfologi daun. Data yang digunakan sebanyak 5 data meliputi data multiflora, data palembanica, data balangeran, data assamica, dan data lepida. Berdasarkan fitur-fitur yang digunakan terdapat 4 fitur yang bersifat nominal, yaitu fitur bentuk tulang daun, permukaan daun, ujung daun, dan pangkal daun. Fitur-fitur ini memiliki selang nilai yang berbeda. Pada Tabel 3 disajikan selang nilai yang terdapat di setiap fitur. Tabel 3 Selang nilai fitur daun No Nama Fitur Bentuk Tulang Daun a. tidak menempel tidak menonjol b. menempel, tidak menonjol c. tidak menempel, bagian bawah menonjol Permukaan Daun a. atas bawah halus b. atas halus bawah kasar No Nama Fitur 3 Ujung Daun a. tumpul b. runcing c. meruncing 4 Pangkal Daun a. membulat b. tumpul c. runcing Dari 5 data, fitur-fitur yang bernilai nominal dilambangkan dengan angka untuk memudahkan perhitungan algoritme. Pada Tabel 4 disajikan konversi fitur-fitur nominal. Tabel 4 Konversi fitur-fitur nominal No Nama Fitur Nilai Konversi Bentuk Tulang Daun - a. tidak menempel, tidak menonjol b. menempel, tidak menonjol c. tidak menempel, bagian 3 bawah menonjol Permukaan Daun - a. atas bawah halus b. atas halus bawah kasar 3 Ujung Daun - a. tumpul b. runcing c. meruncing 3 4 Pangkal Daun - a. membulat b. tumpul c. runcing 3 Setelah nilai nominal dikonversi maka nilai nominal itu diolah menggunkan nominal distance. Dalam pengolahan fitur atribut yang bernilai numerik menggunakan jarak Euclidean. Dikarenakan adanya perbedaan range antara fitur atribut maka perlu dilakukan normalisasi. Normalisasi yang dilakukan bergantung jenis datanya. Untuk mendapatkan range antara menggunakan normalisasi min-max normalization. Normalisasi dilakukan sebelum melakukan pengolahan data. Hal ini bertujuan untuk menyamakan range antara fitur. Nilai maksimum dan minimum menggunakan nilai maksimum dan minimum tiap subset. Misal pada fitur panjang daun, nilai maksimum subset satu 8.6, dan nilai minimum subset satu. 7

16 Contoh normalisasi untuk record pertama berdasarkan rumus normalisasi adalah: mencoba nilai k mulai dari sampai 9 dalam metode k-nearest Neighbour. Akurasi klasifikasi untuk nilai k= sampai k=9 diperlihatkan pada Gambar. Percobaan pertama (tanpa normalisasi) Dari banyaknya data yang diperoleh sebanyak 5 record, dibagi menjadi 5 subset yang setiap subset berisi record dari setiap jenis daun. Percobaan pertama menggunakan 4 record sebagai data latih yang berisi subset,, 3, dan 4. Subset 5 yang berisi record dijadikan data uji. Percobaan terus dilakukan hingga setiap subset pernah menjadi data uji. Susunan data latih dan data uji pada percobaan disajikan pada Tabel 5. Tabel 5 Susunan data latih dan data Uji Iterasi Pelatihan Pengujian Iterasi pertama Iterasi kedua Iterasi ketiga S,S3,S4,S5 S,S3,S4,S5 S,S,S4,S5 S S S3 Iterasi keempat Iterasi kelima S,S,S3,S5 S,S,S3,S4 S4 S5 Data tersebut kemudian diterapkan dalam metode k-nearest Neighbour melalui tahaptahap berikut ini: Setiap record data uji dihitung jaraknya ke setiap record data latih untuk mengetahui kedekatan antara data uji dengan data latih. Untuk data bertipe numerik, selisih antara data uji dengan data latih adalah pengurangan nilai data uji dengan nilai data latih. Untuk data bertipe nominal, data diolah menggunakan nominal distance. Bila data uji sama dengan data latih maka bernilai nol dan bila data uji berbeda dengan data latih maka bernilai. Digabungkan hasil perhitungan yang menggunakan jarak Euclidean dan nominal distance dengan menggunakan rumus aggregate. Memberikan bobot pada hasil perhitungan Euclidean dan bobot.5 pada hasil perhitungan nominal. Pemberian bobot.5 pada perhitungan nominal agar tidak mendominasi hasil perhitungan. 3 Penentuan nilai k tetangga terdekat pada percobaan pertama dilakukan dengan Gambar Akurasi klasifikasi percobaan pertama. Berdasarkan gambar tersebut (Gambar ) akurasi terbesar yang diperoleh adalah 84% dengan nilai k=4 dan k=5. Untuk mengetahui record yang salah diklasifikasikan digunakan confusion matrix yang diperlihatkan pada Tabel 6. Tabel 6 Confusion matrix percobaan pertama Kelas aktual kelas kelas kelas 3 kelas 4 kelas 5 kelas Kelas hasil prediksi kelas kelas kelas kelas 5 Berdasarkan tabel tersebut (Tabel 6) kelas ( multiflora) yang tepat diklasifikasikan sebagai kelas sebanyak record, dan tidak ada kelas yang salah diklasifikasi sebagai kelas, kelas 3, kelas 4 dan kelas 5. Kelas ( palembanica) yang tepat diklasifikasi sebagai kelas sebanyak 8 record, kelas yang salah diklasifikasi sebagai kelas 5 sebanyak record. Kelas 3 ( balangeran) yang tepat diklasifikasi sebagai kelas 3 sebanyak 7 record, kelas 3 yang salah diklasifikasi sebagai kelas sebanyak record dan kelas 3 yang salah diklasifikasi sebagai kelas sebanyak record. Kelas 4 ( lepida) yang tepat diklasifikasi sebagai kelas 4 sebanyak 7 record, kelas 4 yang salah dikalsifikasi sebagai kelas sebanyak record, kelas 4 yang salah diidentifikasi sebagai kelas sebanyak record, dan kelas 4 yang 8

17 salah diidentifikasi sebagai kelas 3 sebanyak record. Kelas 5 ( Assamica) yang tepat diklasifikasi sebagai kelas 5 sebanyak record, dan tidak ada kelas yang salah diklasifikasi sebagai kelas, kelas 3, kelas 4 dan kelas. Berdasarkan rumus confusion matrix, besarnya akurasi adalah: Hasil akurasi setiap iterasi pada Gambar 3. dapat dilihat % 8% Iterasi 6% Iterasi 4% Iterasi3 % Iterasi4 % Iterasi5 Nilai K Gambar 3 Hasil iterasi tanpa normalisasi. Berdasarkan percobaan pertama dapat disimpulkan iterasi ketiga dan keempat memiliki hasil akurasi paling kecil pada setiap nilai k nya. Kesalahan identifikasi terdapat ketika palembanica teridentifikasi sebagai assamica pada iterasi ketiga dan lepida sebagai palembanica pada iterasi keempat. Hal ini terjadi karena dipengaruhi kemiripan luas dan panjang data uji terhadap data latih. Hasil jarak kedekatan diperlihatkan pada Tabel 7 dengan menggunakn iterasi ketiga sebagai contoh. pertama dapat disimpulkan nilai k terbaik adalah 3 dengan akurasi tertinggi 84%. Percobaan kedua (dengan normalisasi) Percobaan kedua menggunakan 4 record sebagai data latih yang berisi subset,, 3, dan 4. Subset 5 yang berisi record dijadikan data uji. Percobaan terus dilakukan hingga setiap subset pernah menjadi data uji. Susunan data latih dan data uji pada percobaan disajikan pada Tabel 5. Data tersebut kemudian diterapkan dalam metode k-nearest Neighbour melalui tahaptahap berikut ini: Normalisasi dilakukan pada setiap fitur hingga didapatkan range antara sampai pada seluruh data. Hal ini dilakukan untuk mengcegah data uji yang nilainya lebih besar dari data latih. Setelah didapatkan hasil normalisasi, lakukan langkah satu seperti percobaan pertama. Digabungkan hasil perhitungan yang menggunakan euclid dan nominal dengan menggunakan rumus aggregate. Memberikan bobot pada hasil perhitungan Euclidean dan bobot.5 pada hasil perhitungan nominal. Pemberian bobot.5 pada perhitungan nominal agar tidak mendominasi hasil perhitungan. 3 Penentuan nilai k tetangga terdekat pada percobaan kedua dilakukan dengan mencoba nilai k mulai dari sampai 9 dalam metode k-nearest Neighbour. Akurasi klasifikasi untuk nilai k= sampai k=9 diperlihatkan Gambar 4. Tabel 7 Perhitungan jarak tanpa normalisasi Jarak Kelas assamica assamica assamica assamica assamica assamica palembanica assamica assamica Urutan Pada perhitungan di atas dapat disimpulkan bahwa palembanica diidentifikasi sebagai assamica. Dari percobaan Gambar 4 Akurasi klasifikasi percobaan kedua Berdasarkan gambar tersebut (Gambar 4) akurasi terbesar yang diperoleh adalah %. Hal ini disebabkan karena penggunaan 9

18 normalisasi yang menyamakan range setiap fitur. Hasil jarak kedekatan diperlihatkan pada Tabel 8 dengan menggunakan iterasi ketiga sebagai contoh. Tabel 8 Hasil perhitungan dengan normalisasi Jarak Kelas Urutan.49 palembanica.58 palembanica 3.3 lepida 9.6 palembanica 5.69 palembanica 8.58 palembanica 4.67 palembanica 7.63 palembanica 6.39 palembanica Berdasarkan percobaan kedua dihasilkan akurasi % pada setiap nilai k. Hal ini dikarenakan perbedaan bentuk morfologi daun yang memang berbeda dan fitur-fiturnya memang mewakili morfologi daun. Perbandingan akurasi sebelum dan sesudah normalisasi diperlihatkan pada Gambar 5. percobaan pertama tanpa melakukan normalisasi menghasilkan akurasi 84%.. Metode k-nearest Neighbour dapat diterapkan pada pengidentifikasian daun. Saran Penelitian ini masih memunyai beberapa kekurangan yang dapat diperbaiki pada penelitian selanjutnya. Beberapa saran itu di antaranya:. Menganalisis fitur-fitur untuk mengetahui fitur mana yang paling mempengaruhi proses identifikasi jenis.. Memperbanyak jenis daun agar lebih bervariasi. 3. Memperbanyak fitur-fitur yang digunakan seperti jarak antara daun, arah tulang daun pertama ke kanan atau ke kiri, perbandingan luas daun kanan dan kiri, jumlah tulang daun kanan dan kiri, memperbaiki perhitungan sudut, perhitungan luas dan keliling menggunakan regresi linear. 4. Menyempurnakan perhitungan pada data nominal. DAFTAR PUSTAKA Gambar 5 Perbandingan akurasi. Pada Gambar 6 dapat dilihat bahwa setelah data dinormalisasi memberikan pengaruh yang cukup besar hingga mencapai akurasi %. Kesimpulan KESIMPULAN DAN SARAN Dari beberapa percobaan yang dilakukan terhadap data daun dengan metode k- Nearest Neighbour, diperoleh kesimpulan sebagai berikut:. Akurasi terbesar adalah % pada percobaan kedua dengan melakukan normalisasi data, sedangkan pada Dharma Surya. 8. Pengolahan dan Analisis Data Penelitian. Jakarta: Direktorat Tenaga Kependidikan, Departemen Pendidikan Nasional. Faiza Ninon N. 9. Prediksi Tingkat Keberhasilan Mahasiswa Tingkat I IPB Dengan Metode k-nearest Neighbour [Skripsi]. Bogor : Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Freivalds R, Ozols M, Mancinska L. 9. Theoritical Computer Science. Latvia : University of Latvia. Fu L Neural Networks in Computers Intelligence. Singapura: McGraw-Hill. Han J, Kamber M.. Data Mining Concepts & techniques. USA: Academic Press.

19 Kahramanli Humar.. A Novel Distance Measure For Data Vectors with nominal feature values. USA: World Scientific and Engineering Academy and Society. Larose Daniel T. 5. Discovering Knowledge in Data: An Introduction to Data Mining. John Wiley & Sons, Inc. li Cen, Biswas G.. Unsupervised Learning with Mixed Numeric and Nominal Data. Vol 4. no.4. IEEE Transaction on knowledge and data engineering. Newman et al Pedoman Identifikasi Pohon-Pohon Dipterocarpaceae Jawa sampai Niugini. Bogor : PROSEA INDONESIA. Tan Pang-Ning, et al. 6. Introduction to Data Mining. Boston: Pearson Education, Inc. Teknomo Kardi. Similarity Measurement. tutorial\similarity\ [ Februari ] Tjitrosoepomo Gembong. 5. Morfologi Tumbuhan. Jogjakarta : Fakultas Biologi, Gajah Mada University.

20 LAMPIRAN

21 Lampiran Tabel data penelitian daun. Panjang Lebar Keliling Luas Sudut Jumlah Tulang Daun Bentuk Tulang Daun Tidak menempel tidak menonjol Tidak menempel tidak menonjol Tidak menempel bagian bawah menonjol Tidak menempel bagian bawah menonjol Tidak menempel tidak menonjol Tidak menempel tidak menonjol Tidak menempel bagian bawah menonjol Tidak menempel bagian bawah menonjol Tidak menempel tidak menonjol Tidak menempel tidak menonjol Permukaan Daun Atas bawah halus Atas bawah halus Atas bawah halus Atas bawah halus Atas halus bawah kasar Atas halus bawah kasar Atas bawah halus Atas bawah halus Atas bawah halus Atas bawah halus Ujung Daun Pangkal Daun Kelas Meruncing Tumpul multiflora Meruncing Tumpul multiflora Meruncing Meruncing Tumpul Tumpul palembanica palembanica Meruncing Membulat balangeran Meruncing Membulat balangeran Runcing Runcing lepida Runcing Runcing lepida Tumpul Membulat assamica Tumpul Membulat assamica 3

22 Lampiran Contoh hasil perhitungan Euclidean sebelum normalisasi. Panjang Lebar Keliling Luas Sudut Jumlah Tulang Daun Total Euclid

23 Lampiran 3 Contoh hasil perhitungan Euclidean sesudah normalisasi. Panjang Lebar Keliling Luas Sudut Jumlah Tulang Daun Total Euclid

24 Lampiran 4 Contoh hasil perhitungan nominal. Bentuk Tulang Daun Permukaan Daun Ujung Daun Pangkal Daun Total Nominal 6

25 Lampiran 5 Contoh hasil penggabungan kedua jarak sebelum normalisasi. Total Total Euclid Nominal Penjumlahan k-terdekat multiflora.6.74 multiflora balangeran balangeran multiflora multiflora multiflora multiflora lepida

26 Lampiran 6 Contoh hasil penggabungan kedua jarak sesudah normalisasi. Total Total Euclid Nominal Penjumlahan k-terdekat.3.49 multiflora.5. multiflora multiflora..48 multiflora multiflora.7.45 multiflora palembanica multiflora.9.3 multiflora

27 Lampiran 7 Confusion matrix dengan nilai k=. Kelas hasil prediksi palembanica balangeran Kelas aktual multiflora lepida assamica multiflora palembanica 5 3 balangeran 7 lepida 9 assamica lepida assamica Lampiran 8 Confusion matrix dengan nilai k=3 Kelas hasil prediksi palembanica balangeran Kelas aktual multiflora multiflora palembanica 7 balangeran 3 7 lepida 7 assamica Lampiran 9 Confusion matrix dengan nilai k=5 Kelas hasil prediksi palembanica balangeran lepida Kelas aktual multiflora assamica multiflora palembanica 8 balangeran 8 lepida 6 assamica 9

28 Lampiran Confusion matrix dengan nilai k=6 Kelas hasil prediksi palembanica balangeran lepida Kelas aktual multiflora assamica multiflora palembanica 8 balangeran 8 lepida 3 5 assamica Lampiran Confusion matrix dengan nilai k=7 Kelas hasil prediksi palembanica balangeran lepida Kelas aktual multiflora assamica multiflora palembanica 8 balangeran 7 lepida 5 assamica Lampiran Confusion matrix dengan nilai k=8 Kelas hasil prediksi palembanica balangeran lepida Kelas aktual multiflora assamica multiflora palembanica 7 balangeran 3 7 lepida 4 3 assamica

29 Lampiran 3 Confusion matrix dengan nilai k=9 Kelas hasil prediksi palembanica balangeran lepida Kelas aktual multiflora assamica multiflora palembanica 7 balangeran 3 7 lepida 4 3 assamica

30 Penguji :. Toto Haryanto, S.Kom, M.Si.. Mushthofa, S.Kom, M.Sc.