SISTEM KLASIFIKASI KHASIAT FORMULA JAMU DENGAN METODE VOTING FEATURE INTERVAL 5 YUDA RISTYAWAN

Transkripsi

1 SISTEM KLASIFIKASI KHASIAT FORMULA JAMU DENGAN METODE VOTING FEATURE INTERVAL 5 YUDA RISTYAWAN DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014

2

3 PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Sistem Klasifikasi Khasiat Formula Jamu dengan Metode Voting Feature Interval 5 adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor Bogor, Juni 2014 Yuda Ristyawan NIM G

4 ABSTRAK YUDA RISTYAWAN Sistem Klasifikasi Khasiat Formula Jamu dengan Metode Voting Feature Interval 5 Dibimbing oleh WISNU ANANTA KUSUMA dan AZIZ KUSTIYO Jamu adalah obat tradisional Indonesia yang terdiri atas dedaunan, buahbuahan, akaran dan bahan-bahan alami lainnya Jamu memiliki banyak variasi formula yang tersusun dari kombinasi ratusan tanaman obat sehingga proses klasifikasi formula jamu menjadi permasalahan yang menarik untuk diteliti Tujuan penelitian ini adalah membuat sistem klasifikasi khasiat jamu berdasarkan komposisi tanaman menggunakan metode Voting Feature Intervals 5 (VFI5) Penelitian ini juga mencoba memberikan pembobotan pada tanaman penyusun formula jamu berdasarkan intensitas kemunculan tanaman pada bahan penyusun formula jamu tersebut Hasil penelitian ini akan dibandingkan dengan penelitian sebelumnya yang menggunakan metode Partial Least Square Discriminant Anaysis (PLS DA) dan metode Support Vector Machine (SVM) Metode VFI5 memiliki nilai akurasi yang sebanding dengan penelitian sebelumnya, yaitu sebesar 94% Namun metode ini memiliki keunggulan dibandingkan dengan PLS-DA dan SVM, yaitu memiliki waktu komputasi yang lebih cepat Selain itu penelitian ini dapat digunakan untuk menemukan tanaman yang menyebabkan terjadinya kesalahan klasifikasi Kata kunci: Jamu, obat herbal, obat tradisional, klasifikasi, VFI5 ABSTRACT YUDA RISTYAWAN A Classification System for Jamu Efficacy Using Vector Feature Intervals 5 Supervised by WISNU ANANTA KUSUMA and AZIZ KUSTIYO Jamu is Indonesian traditional medicine consisting of foliage, fruits, roots and other ingredients natural materials Herbal medicine has variations of formula comprising a combination of hundreds of medicinal plants herbal formula so that the classification process is an interesting issue to be investigated The purpose of this research is to create a classification system based on the composition of medicinal properties of plants using Voting Feature Intervals 5 (VFI5) method This study also tried to generate the weights of each plant as the important information in the formula of Jamu The weights are yielded based on the intensity of the occurencies of plant in Jamu ingredients The results of this study will be compared to the previous studies using Partial Least Square Discriminant Analysis ( PLS- DA ) and Support Vector Machine (SVM) The accuracy of the proposed method is 94% comparable to those of the previous studies using PLS-DA and SVM However, the proposed method perform faster than those of using PLS-DA and SVM in term of computation time In addition, this research can be used to find existing plants that cause incorect results in the classification process Keywords: Jamu, herbal medicine, tradicional medicine, classification, VFI5

5 SISTEM KLASIFIKASI KHASIAT FORMULA JAMU DENGAN METODE VOTING FEATURE INTERVAL 5 YUDA RISTYAWAN Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2014

6 Penguji: Rudi Heryanto, Ssi MSi

7 Judul Skripsi : Sistem Klasifikasi Khasiat Formula Jamu Dengan Metode Voting Feature Interval 5 Nama : Yuda Ristyawan NIM : G Disetujui oleh Dr Wisnu Ananta Kusuma, ST MT Pembimbing I Aziz Kustiyo, SSi MKom Pembimbing II Diketahui oleh Dr Ir Agus Buono, MSi MKom Ketua Departemen Tanggal Lulus:

8 PRAKATA Puji dan syukur penulis panjatkan kepada Tuhan Yesus Kristus atas berkat dan karunia-nya sehingga skripsi ini berhasil diselesaikan Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan November 2013 sampai Juni 2014 ini adalah klasifikasi khasiat formula jamu, dengan judul Sistem Klasifikasi Khasiat Formula Jamu dengan Metode Voting Feature Interval 5 Terima kasih penulis ucapkan kepada Bapak Dr Wisnu Ananta Kusuma, ST MT dan Bapak Aziz Kustiyo, SSi MKom atas bimbingannya, Bapak Dr Farit Mochamad Afendi, SSi MSi dan Bapak Sony Hartono Wijaya, SKom MKom yang telah memberikan data dan masukan ide untuk penelitian ini, serta Bapak Ahmad Ridha, SKom MSc yang telah memberi saran Penulis juga mengucapkan terima kasih kepada Aries Fitriawan yang telah memberikan saran dan bimbingan secara online sehingga membantu terselesaikannya penelitian ini Ungkapan terima kasih juga disampaikan kepada kedua orang tua penulis Krismulyono dan Sulastri serta kakak penulis, Ardyan Ristanto atas doa, dukungan dan kasih sayangnya Penulis juga mengucapkan terima kasih kepada Delly, Huda, Alfat, Gerry serta seluruh keluarga besar Ilkomerz 47 dan kakak angkatan Ilkomerz 46 yang tidak dapat penulis tuliskan satu demi satu yang secara langsung dan tidak langsung telah membantu penulis dalam melakukan penelitian ini Besar harapan penulis agar laporan penelitian ini dapat dimanfaatkan dan dikembangkan dengan lebih baik lagi Bogor, Juni 2014 Yuda Ristyawan NIM G

9 DAFTAR ISI DAFTAR TABEL vi DAFTAR GAMBAR vi DAFTAR LAMPIRAN vi PENDAHULUAN 1 Latar Belakang 1 Perumusan Masalah 2 Tujuan Penelitian 2 Manfaat Penelitian 2 Ruang Lingkup Penelitian 3 METODE 3 Analisis Data 4 K-Fold Cross Validation 5 Algoritme Voting Feature Interval 5 5 Pelatihan Data Menggunakan VFI5 5 Klasifikasi Voting Feature Interval 5 6 Evaluasi dan Perbandingan Hasil 7 Percobaan I Evaluasi Algoritme VFI5 7 Percobaan II Evaluasi Algoritme VFI5 8 Percobaan I Pembobotan 8 Percobaan II Pembobotan 9 Implementasi 9 HASIL DAN PEMBAHASAN 9 Pembahasan 11 SIMPULAN DAN SARAN 15 Simpulan 15 Saran 16 DAFTAR PUSTAKA 16 LAMPIRAN 17 RIWAYAT HIDUP 27

10 DAFTAR TABEL 1 Contoh data formula jamu 8 2 Contoh data formula jamu yang sudah merujuk pada vote VFI5 8 3 Perbandingan hasil akurasi algoritme VFI5 pada Data I dan Data II 10 4 Perbandingan hasil akurasi pembobotan pada Data I dan Data II 10 DAFTAR GAMBAR 1 Skema metode penelitian 3 2 Hubungan antara data jamu, komposisi tanaman, dan khasiat 4 3 Pseudocode algoritme pelatihan VFI5 6 4 Pseudocode algoritme klasifikasi VFI5 7 5 Perbandingan akurasi Percobaan I dan Percobaan II Evaluasi Algoritme VFI5 pada Data I 11 6 Perbandingan akurasi Percobaan I dan Percobaan II Evaluasi Algoritme VFI5 pada Data II 12 7 Perbandingan akurasi Percobaan I dan Percobaan II Pembobotan VFI5 pada Data I 12 8 Perbandingan akurasi Percobaan I dan Percobaan II Pembobotan VFI5 pada Data II 13 9 Perbandingan akurasi Percobaan Evaluasi Algoritme VFI5 dan Percobaan Pembobotan pada Data I Perbandingan akurasi Percobaan Evaluasi Algoritme VFI5 dan Percobaan Pembobotan pada Data II Perbandingan akurasi antara metode PLS-DA, SVM dan VFI5 15 DAFTAR LAMPIRAN 1 Contoh vote VFI5 yang dapat menentukan tanaman yang sesuai dengan suatu khasiat 17 2 Daftar tanaman berdasarkan khasiatnya yang merupakan hasil pengklasifikasian menggunakan VFI Visualisasi hubungan antara tanaman dengan khasiatnya 22 4 Daftar formula jamu yang digunakan untuk mencoba sistem 23 5 Screenshot tampilan aplikasi 25

11 PENDAHULUAN Latar Belakang Jamu adalah obat tradisional Indonesia yang dibuat dari bahan-bahan alami, berupa bagian dari tumbuhan seperti rimpang (akar-akaran), daun-daunan, kulit batang, dan buah Jamu sebagai salah satu bentuk pengobatan tradisional, memegang peranan penting dalam pengobatan penduduk di negara berkembang Diperkirakan sekitar 70% 80% populasi di negara berkembang memiliki ketergantungan pada obat tradisional (Wijisekera 1991; Mahady 2001) Khasiat jamu telah teruji oleh waktu, zaman dan sejarah, serta bukti empiris langsung pada manusia selama ratusan tahun (Winarno 1997) Secara umum jamu dianggap tidak beracun dan tidak menimbulkan efek samping Namun belum ada bukti ilmiah yang menjelaskan keterkaitan antar formula dan komposisi bahan bahan alami dengan khasiatnya Berbeda dengan jamu, saat ini TCM (Traditional Chinese Medicine) memiliki dua fitur yang potensial dan berbeda yaitu dapat diprediksi dan sistematis Pendekatan ini berbeda dengan metode tradisional trial and error Pendekatan statistika ini dapat membuat proses penemuan obat diprediksi karena kemampuan komputasi pendekatan ini dan kapasitas untuk mengelola data yang besar Selain itu pendekatan ini juga berbeda dari metode reduksionis dan dapat membuat penelitian sistematis formula herbal tercapai (Li dan Zhang 2013) Jamu sebagai jenis pengobatan yang sama dengan TCM akan diubah menuju arah baru moderinisasi obat herbal yang lebih sistematis dan ilmiah Pendekatan sistematis sudah dilakukan oleh Afendi et al (2010) melalui penelitian menggunakan pendekatan statistika sehingga ditemukan suatu hubungan antara komposisi tanaman dan khasiatnya Penelitian tersebut menghasilkan sebuah hipotesis bahwa sebuah formula jamu harus terdiri atas 4 tanaman, yaitu 3 tanaman pendukung (tanaman yang masing masing memiliki karakteristik analgesik, antimikroba, dan anti-peradangan) dan tanaman utama yang memiliki efek langsung dengan penyakit sehingga harus memiliki khasiat tertentu Selanjutnya Afendi et al (2012) melakukan penelitian lebih lanjut pada 3138 sampel jamu dan mengandung 1 sampai 16 sampel tanaman yang diambil dari 465 tanaman menggunakan metode Partial Least Squares Discriminant Analysis (PLS-DA) yang diklasifikasikan ke dalam 9 jenis efficacy atau khasiat Klasifikasi menggunakan metode ini menunjukan variasi formula jamu dengan akurasi 5-fold cross validation sebesar 716% Akurasi meningkat secara signifikan setelah dilakukan data cleaning (9421%) (Afendi et al 2012) Selanjutnya Fitriawan (2013) juga melakukan penelitian terhadap hubungan komposisi dan khasiat jamu menggunakan metode Support Vector Machine (SVM) Klasifikasi menggunakan metode ini menunjukkan bahwa akurasi metode SVM lebih rendah dibandingkan dengan metode PLS-DA pada data yang belum direduksi, yaitu sebesar 71%, tetapi memiliki akurasi yang lebih tinggi pada data yang telah direduksi, yaitu sebesar 9534% Dari hasil pengujian, diperoleh bahwa bebrapa hasil prediksi khasiat dari kedua metode masih memberikan kesimpulan yang berbeda, sehingga irisan terhadap hasil dari kedua metode tersebut yang diimplementasikan pada aplikasi berbasis web Sistem Informasi Indonesia Jamu Herbs (SIIJAH), hanya

12 2 menginformasikan kandidat formula jamu dalam jumlah yang sedikit Oleh karena itu dibutuhkan sebuah metode yang dapat memperkuat hasil prediksi khasiat sebuah formula jamu Irisan yang terbentuk dari hasil prediksi ketiga metode tersebut dapat menginformasikan kandidat formula jamu yang lebih banyak Dengan tiga metode, diperoleh empat kemungkinan irisan hasil prediksi, yaitu tiga irisan dari dua metode, dan satu irisan dari ketiga metode Dengan demikian, diperoleh kandidat formula jamu untuk khasiat jamu yang lebih bervariasi Metode klasifikasi sangat beragam, salah satunya adalah Voting Feature Interval 5 Algoritme VFI5 dipilih karena algoritme ini merupakan algoritme klasifikasi dan kokoh terhadap fitur yang tidak relevan sehingga mampu memberikan hasil yang baik Algoritme klasifikasi VFI5 merepresentasikan sebuah konsep yang mendeskripsikan konsep selang antar fitur Hasil pengklasifikasian dengan menggunakan VFI5 pada penelitian ini akan dibandingkan dengan hasil dari metode PLS-DA yang diperoleh Afendi et al (2012) dan hasil dari medote SVM yang diperoleh Fitriawan (2013) Oleh sebab itu, untuk melakukan perbandingan yang adil digunakan dataset yang sama seperti yang digunakan dalam penelitian Afendi et al (2012) dan data pada penelitian Fitriawan (2013) Perumusan Masalah Perumusan masalah pada penelitian ini adalah: 1 Apakah VFI5 mampu melakukan klasifikasi formula jamu? 2 Apakah metode VFI5 dapat menjadi metode alternatif dalam memberikan kepastian khasiat dari sebuah formula jamu? 3 Bagaimana akurasi VFI5 terhadap metode PLS-DA dan SVM? Tujuan Penelitian Tujuan dari penelitian ini adalah: 1 Menganalisis dan membuat sistem klasifikasi khasiat formula jamu berdasarkan komposisinya dengan metode Voting Feature Interval 5 (VFI5) 2 Membandingkan nilai akurasi antara metode SVM, metode PLS-DA serta metode VFI5 3 Menjadi metode alternatif bagi sistem klasifikasi khasiat formula jamu yang berbeda dari metode yang sudah ada (PLS-DA, SVM) Manfaat Penelitian Hasil dari penelitian ini diharapkan dapat memperbaiki sistem klasisfikasi dan penentuan khasiat formula jamu yang sudah ada yaitu Sistem Informasi Indonesia Jamu Herbs (SIIJAH) Selain itu hasil penelitian ini dapat menjadi suatu pemacu perkembangan pengobatan tradisional menjadi lebih baik lagi atau di kemas lebih modern

13 3 Ruang Lingkup Penelitian Ruang lingkup dalam penelitian ini adalah: 1 Tanaman yang dikenali terbatas pada 465 jenis tanaman dari 3138 jamu hasil praproses dari penelitian sebelumnya (Afendi et al 2010) 2 Data reduksi menggunakan data yang sama dengan penelitian sebelumnya, data ini terdiri atas 231 jenis tanaman dari 2748 jamu (Afendi et al 2010) 3 Perhitungan peluang setiap tanaman terhadap setiap efikasi, dan akurasinya dilakukan menggunakan pemograman PHP METODE Sebuah metode dan rancangan penelitian sangat dibutuhkan pada penelitian ini agar penelitian ini menjadi penelitian yang baik Alur kerja penelitian ini dapat dilihat pada Gambar 1 Analisis Data K-Fold Cross Validation Voting Feature Interval 5 Pelatihan Data menggunakan VFI5 Klasifikasi Voting Feature Interval 5 Evaluasi Percobaan I Evaluasi algoritme VFI5 Percobaan II Evaluasi algoritme VFI5 Percobaan I Pembobotan Percobaan II Pembobotan Implementasi Gambar 1 Skema metode penelitian

14 4 Analisis Data Penelitian ini menggunakan data yang sama seperti yang digunakan pada penelitian Afendi et al (2010) dan Fitriawan (2013) yaitu 3138 buah jamu yang terdaftar di Badan Pengawas obat dan Makanan (Badan POM) dan 465 jenis tanaman yang menyusun data formula jamu Pada mulanya terdapat 6533 data jamu Setelah melalui tahap praproses berupa penghapusan redudansi data sebanyak 1223 buah jamu maka diperoleh 5310 buah jamu Namun sama dengan penelitian Afendi et al (2010) dan Fitriawan (2013), penelitian ini mengambil 3138 data jamu yang dianggap mewakil data yang dibutuhkan untuk dianalisis, selanjutnya data ini disebut Data I Penelitian ini juga menggunakan data yang sama dengan Fitriawan (2013) yang merupakan data yang telah direduksi melalui proses data cleaning yang didapatkan dari hasil penelitian sebelumnya Data ini terdiri atas 231 jenis tanaman dari 2748 jamu (Data II) Kedua data ini masing masing tersebar ke dalam 9 jenis khasiat, yaitu urinary related problems (URI), disorder of apetite (DOA), disorder of mood and behavior (DMB), gastrointestinal disorders (GST), female reproductive organ problems (FML), muskuloskeletal and connective tissue disorders (MSC), pain and inflammation (PIN), respiratory disease (RSP), dan wounds and skin infections (WND) Representasi data jamu yang digunakan pada penelitian ini dapat dijelaskan sebagai berikut Sebuah formula akan memiliki kombinasi dari beberapa tanaman Komposisi tanaman penyusun sebuah tanaman ditandai dengan nilai biner Jika sebuah tanaman menyusun suatu formula maka akan diberi nilai 1, sebaliknya jika tanaman tersebut tidak menjadi penyusun sebuah formula, maka nilai tanaman tersebut ditetapkan sebagai 0 Tabel 1 menunjukan contoh fitur data jamu, J1 sampai JN mewakili sampel jamu dan P1 sampai Pk mewakili komposisi tanaman yang digunakan Sebagai contoh, jamu J3 disusun oleh P1 dan P3 memiliki khasiat yang diwakili dengan khasiat ke-3 (disorder of mood and behavior) Gambar 2 Hubungan antara data jamu, komposisi tanaman, dan khasiat

15 5 K-Fold Cross Validation Pelatihan data dilakukan menggunakan metode VFI5 Untuk mencari akurasi dari data latih digunakan metode K-Fold Cross Validation dengan nilai K sebesar 5 Pada seluruh data set yang ada dibagi menjadi 5 subset yaitu fold 1, fold 2, fold 3, fold 4, dan fold 5 Pembagian subset dilakukan secara merata dan diambil secara acak Setelah pembagian subset, data akan dilatih secara berulang dan pada setiap pengulangan empat fold akan menjadi data latih, sedangkan satu fold akan menjadi data uji Hal ini akan dilakukan terus menerus sampai semua subset atau fold berperan sebagai data uji dan data latih Dalam setiap pengulangan akan dihitung nilai akurasi dan akurasi terakhir diperoleh dari nilai rata rata akurasi setiap perulangan Hal ini dilakukan untuk mencari nilai akurasi yang terbaik Proses ini diterapkan pada kedua jenis data Algoritme Voting Feature Interval 5 Voting Feature Interval generasi 5 adalah algoritme klasifikasi nonincremental dan supervised yang merepresentasikan deskripsi sebuah konsep oleh sekumpulan interval nilai-nilai fitur atau atribut Klasifikasi instance baru dilakukan berdasarkan voting pada klasifikasi yang dibuat oleh nilai tiap-tiap fitur secara terpisah (Demiroz dan Guvenir 1997) Algortima VFI5 membuat interval yang berupa range atau point interval yang terdiri atas seluruh end point secara berturut-turut untuk setiap feature Range interval terdiri atas nilai-nilai antara 2 end point yang berdekatan namun tidak termasuk kedua end point tersebut Keunggulan algoritme VFI5 adalah algoritme ini cukup kokoh (robust) terhadap fitur yang tidak relevan namun mampu memberikan hasil yang baik pada real-world datasets yang ada VFI5 mampu menghilangkan pengaruh yang kurang menguntungkan dari fitur yang tidak relevan dengan mekanisme voting-nya (Guvenir 1998) Pelatihan Data Menggunakan VFI5 Proses pelatihan ini bertujuan mencari model yang akan digunakan untuk proses klasifikasi sehingga dihasilkan selang pada setiap fitur Nilai-nilai dari fitur yang diberikan diwakili oleh sebuah selang Sebuah selang fitur dapat dihasilkan jika end point pada selang diketahui terlebih dahulu Fitur liniear dan fitur nominal memiliki cara yang berbeda dalam menemukan end point End point pada fitur liniear dapat diketahui dengan cara mencari nilai maksimum dan minimum pada fitur tersebut untuk setiap kelas Nilai nilai fitur liniear memiliki urutan dan dapat dibandingkan tingkatannya Sebaliknya, fitur nominal memiliki nilai-nilai yang tidak memiliki urutan dan tidak dapat dibandingkan tingkatannya Untuk menentukan end point pada fitur nominal dengan cara mencatat semua nilai yang berada pada fitur tersebut Fitur nominal hanya menghasilkan point interval saja, sedangkan fitur linear, selangnya menghasilkan point interval dan range interval serta jumlah maksimal end point Setiap selang i dari sebuah fitur f dihitung jumlah instance pelatihan setiap kelas c yang jatuh pada selang i dan hasilnya disimpan sebagai interval_class_count [f,i,c] Hasil dari proses ini merupakan vote kelas c pada selang i jumlah instance

16 6 untuk setiap kelas c dapat berbeda-beda, sehingga dilakukan normalisasi pada vote kelas c untuk fitur f dan selang i, untuk menghilangkan efek perbedaan distribusi setiap kelas Normalisasi dilakukan dengan cara membagi jumlah instance pelatihan setiap kelas c yang ada pada selang i sebuah fitur f dengan jumlah instance pada setiap kelas c, kemudian hasilnya disimpan sebagai interval_class_vote [f,i,c] Nilai yang ada pada interval_class_vote[f,i,c] dinormalisasi kembali sehingga jumlah vote setiap kelas c pada selang i untuk fitur f sama dengan pseudocode Algoritme pelatihan VFI5 pada Gambar 3 train(trainingset): begin for each feature f if f is linear for each class c EndPoints[f] = EndPoints[f] U find_end_points(trainingset,f,c); sort(endpoints[f]); for each end point p in EndPoints[f] form a point interval from end point p form a range interval between p and next EndPoints p else /* f is nominal */ form a point interval for each value of ffor each interval i on feature dimension f for each class c interval_class_count[f,i,c] = count_instances(f, i, c); for each interval i on feature dimension f for each class c interval_class_vote[f,i,c] = interval_class_count[f,i,c] / class_count[c] normalize interval_class_vote[f,i,c]; /*such that Σc interval_class_count[f,i,c]=1*/ end Gambar 3 Pseudocode algoritme pelatihan VFI5 Klasifikasi Voting Feature Interval 5 Setiap kelas c diberi nilai awal nol karena pada awalnya semua fitur belum memberikan vote Jika instance pengujian jatuh pada selang tertentu untuk setiap fitur f, selang i dicari Sebuah fitur akan bernilai 0 apabila diasumsikan tidak memberikan vote Hal tersebut dapat terjadi jika nilai suatu fitur dari instance pengujian hilang atau tidak diketahui Setelah instance pengujian jatuh pada selang i, maka semua vote setiap kelas c pada selang tersebut disimpan dalam sebuah vektor <feature_vote[f,ci],, feature_vote[f,cj],, feature_vote[f,ck]>, feature_vote[f,cj] merupakan fitur untuk kelas Cj dan k adalah jumlah kelas Nilainilai vote dari setiap fitur pada selang i dijumlahkan dalam vektor vote <vote[ci],,vote[ck]> ketika instance pengujian mendapat gilirannya Kelas

17 prediksi akan diperoleh atau diramalkan dari kelas dengan jumlah vote terbesar Gambar 4 merupakan pseudocode Algoritme klasifikasi VFI5 7 classify(e): /*e is example to be classified*/ begin for each class c vote[c]=0 */sum of vote of class c*/ for each feature f for each class c feature_vote[f,c]=0 /*vote of feature f for class c*/ if f value is known i= find_interval(f, ef) feature_vote[f, c]=interval_class_vote[f,i,c] for each class c vote[c]= vote[c] + (feature_vote[f, c] * w(f)); return class c with highest vote[c]; end Gambar 4 Pseudocode algoritme klasifikasi VFI5 Evaluasi dan Perbandingan Hasil Percobaan Voting Feature Interval 5 dilakukan dengan beberapa cara atau perlakuan terhadap data uji setiap fold Hal ini dilakukan karena ada beberapa perbedaan konsep antara algoritme pelatihan Voting Feature Iterval 5 dan logika peracikan formula jamu Penelitian ini melakukan 2 jenis percobaan yaitu percobaan untuk mengevaluasi algoritme VFI5 dan percobaan pembobotan berdasarkan intensitas kemunculan tanaman pada data Percobaan I Evaluasi Algoritme VFI5 Percobaan Evaluasi Algoritme VFI5 dilakukan untuk melihat kinerja algoritme VFI5 terhadap data jamu yang hanya terdiri atas nilai 0 dan 1 Percobaan ini terdiri atas 2 percobaan, yaitu percobaan I dan percobaan II Percobaan I dilakukan untuk melihat kinerja algoritme VFI5 Artinya percobaan I menggunakan aturan algoritme VFI5 secara penuh Pada percobaan I semua data akan merujuk pada tabel vote VFI5, baik itu tanaman yang bernilai 0 ataupun 1 Sebagai contoh dapat dilihat pada Gambar 3 Jamu J3 terdiri atas tanaman P1 yang bernilai 1, tanaman P2 dan P3 yang bernilai 0, dan seterusnya sampai Pk Jika suatu tanaman bernilai 1 maka tanaman tersebut akan merujuk ke tabel vote VFI5 yang merupakan hasil voting interval 1 pada semua khasiat, sedangkan jika suatu tanaman bernilai 0, tanaman tersebut akan merujuk ke tabel vote VFI5 yang merupakan hasil voting interval 0 pada semua khasiat

18 8 Tabel 1 Contoh data formula jamu Jamu P1 P2 P3 Pk J Dari Tabel 1 yang merupakan data uji akan merujuk ke tabel vote VFI5 sehingga diperoleh hasil seperti pada Tabel 2 Tabel 2 Contoh data formula jamu yang sudah merujuk pada vote VFI5 Khasiat P1 P2 P3 Pk Total E E E Setelah semua nilai di Tabel 1 telah merujuk pada tabel vote VFI5, semua nilai tanaman dijumlahkan sehingga diperoleh nilai total formula jamu pada setiap khasiat Kemudian kita pilih nilai terbesar dari semua khasiat sehingga nilai terbesar itu menunjukkan khasiat dari formula jamu tersebut, dalam kasus ini nilai total E1 adalah yang terbesar sehingga formula jamu J1 memiliki khasiat khasiat 1 Pada tanaman P1 bernilai 0, hal tersebut bukan berarti bahwa tanaman P1 tidak dipilih, melainkan nilai pada tabel vote yang merupakan hasil voting nilai 1 ada yang bernilai 0 Percobaan II Evaluasi Algoritme VFI5 Percobaan II menggunakan perlakuan yang sedikit berbeda dengan pelatihan I yaitu tidak merujuk pada tabel vote VFI5 yang bernilai 0 atau dapat dikatakan formula jamu hanya merujuk pada tabel vote VFI5 yang bernilai 1 Untuk pengambilan keputusan prediksi pada suatu formula, dilakukan menggunakan cara yang sama dengan percobaan I evaluasi algoritme VFI5 Percobaan I Pembobotan Percobaan ini menggunakan metode pembobotan Bobot yang diperoleh merupakan nilai yang menunjukan intensitas kemunculan setiap tanaman pada semua formula jamu Bobot diperoleh dengan menggunakan rumus 1: Wk Wk = 9 i=1pki 231 k=1 9 i=1pki (1)

19 Dimana Wk adalah bobot tanaman k, Pki adalah jumlah voting 1 pada tanaman ke-k pada khasiat ke-i Pada percobaan I pembobotan ini memiliki perhitungan yang hampir sama dengan percobaan evaluasi algoritme VFI5 Setelah semua tanaman merujuk ke tabel vote VFI5 yang merupakan hasil voting interval 1, kemudian dikalikan dengan bobot setiap tanaman Setelah itu semua nilai tanaman dijumlahkan sehingga diperoleh nilai total formula jamu pada setiap khasiat dan kemudian cari nilai terbesarnya 9 Percobaan II Pembobotan Percobaan ini dilakukan dengan mengalikan hasil rujukan setiap tanaman pada tabel Normalisasi hasil voting interval 1 dengan bobot dan kemudian menjumlahkannya dengan nilai rujukan tabel Normalisasi hasil voting interval 0 Pelatihan ini dapat juga dituliskan mengggunakan rumus 2: NR k=(r 1k*W k)+r 0k (2) dimana nilai NRk adalah nilai rujukan tanaman ke-k, R1k adalah rujukan tabel vote VFI5 pada interval voting 1 terhadap tanaman ke-k, dan R0k adalah rujukan tabel vote VFI5 pada interval voting 0 terhadap tanaman ke-k Implementasi Implementasi sistem dilakukan dalam lingkungan pengembangan aplikasi perhitungan VFI5 terhadap jamu menggunakan bahasa pemograman PHP dan MySQL sebagai sistem manajemen basis data Sistem yang dikembangkan memiliki fungsi untuk melakukan perhitungan klasifikasi VFI5 untuk memperoleh vote setiap tanaman terhadap kelas khasiat, bobot setiap tanaman, dan akurasi HASIL DAN PEMBAHASAN Hasil Pembuatan Sistem Perhitungan VFI5 Menggunakan PHP Langkah awal dari penelitian ini adalah membuat program sederhana menggunakan PHP dan MYSQL untuk mengolah data yang digunakan Data yang digunakan harus diolah sedemikian rupa menjadi format CSV untuk dapat dimasukan ke dalam database MySQL dan kemudian diolah menggunakan program sederhana pengolahan data menggunakan VFI5 berbasis PHP

20 10 Percobaan Evaluasi Algoritme VFI5 Percobaan evaluasi algoritme VFI5 dilakukan untuk menguji penerapan algoritme VFI5 terhadap konsep peracikan formula jamu Hasil dari percobaan evaluasi algoritme VFI5 dapat dilihat pada Tabel 3 Tabel 3 Perbandingan hasil akurasi algoritme VFI5 pada Data I dan Data II Fold ke- Data I Akurasi(%) Data II Akurasi(%) Percobaan I Percobaan II Percobaan I Percobaan II Fold Fold Fold Fold Fold Rata Rata Dari Tabel 3 dapat dilihat bahwa percobaan I evaluasi algoritme VFI5 yang sepenuhnya menggunakan aturan algoritme VFI5 mempunyai hasil akurasi lebih baik dibandingkan percobaan II evaluasi algoritme VFI5 yang hanya menggunakan tabel vote VFI5 pada interval 1 saja Percobaan Pembobotan Percobaan pembobotan ini dilakukan untuk membuktikan hipotesis bahwa intensitas kemunculan suatu tanaman pada dataset dapat digunakan sebagai pembobotan awal Pembobotan awal ini dilakukan karena data yang digunakan hanya berupa data 0 dan 1 sehingga penelitian ini mencoba menambahkan bobot pada setiap tanaman dengan harapan terjadi perubahan akurasi Hasil dari percobaan pembobotan dapat dilihat pada Tabel 4 Tabel 4 Perbandingan hasil akurasi pembobotan pada Data I dan Data II Data I Data II Fold ke- Akurasi(%) Akurasi(%) Percobaan I Percobaan II Percobaan I Percobaan II Fold Fold Fold Fold Fold Rata Rata Dari Tabel 4 dapat terlihat bahwa Percobaan I pembobotan yang melakukan pembobotan pada semua vote VFI5 lebih baik dibandingan percobaan II pembobotan yang hanya melakukan pembobotan pada vote interval 1 saja

21 Klasifikasi VFI5 Penelitian ini menghasilkan vote VFI5 yang nantinya digunakan untuk melakukan prediksi pada sistem Vote VFI5 pada interval 1 dapat digunakan sebagai acuan untuk mengelompokan tanaman yang sesuai dengan suatu khasiat Nilai vote VFI5 yang memiliki akurasi 94% dapat dilihat di Lampiran 1 Daftar tanaman yang telah diklasifikasikan berdasarkan khasiatnya menggunakan VFI5 dapat dilihat di Lampiran 2 11 Pembahasan Percobaan Evaluasi Algoritme VFI5 Pada percobaan evaluasi algoritme VFI5 dapat terlihat bahwa pada hampir setiap fold percobaan I memiliki akurasi lebih baik daripada percobaan II untuk kedua jenis data (Data I dan Data II) Hal ini membuktikan bahwa hipotesis awal mengenai perbedaan antara konsep algoritme VFI5 dengan konsep peracikan jamu adalah salah Pada algoritme VFI5 memiliki konsep melakukan voting pada setiap interval nilai (0 dan 1) kemudian melakukan perhitungan dengan merujuk pada vote setiap fitur pada setiap interval nilai Sedangkan pada logika peracikan, sebuah tanaman akan memiliki nilai 1 pada data jikatanaman tersebut menyusun suatu formula jamu, sehingga secara logika jika menggunakan VFI5, kita hanya merujuk pada tabel vote VFI5 dengan interval 1 saja Akan tetapi, pada penelitian ini telah dibuktikan bahwa konsep peracikan formula jamu tidak berlaku pada algoritme VFI5 AKURASI 1000% 900% 800% 700% 600% 500% 400% 300% 200% 100% 00% 500% 535% 521% 511% 562% 524% 584% 525% 579% 558% F O LD 1 F O LD 2 F O LD 3 F O LD 4 F O LD 5 FOLD Data I Percobaan I Evaluasi Algoritme Agloritma VFI5 Data I Percobaan II Evaluasi Algoritme Agloritma VFI5 P P Gambar 5 Perbandingan akurasi Percobaan I dan Percobaan II Evaluasi Algoritme VFI5 pada Data I

22 12 AKURASI 1000% 900% 800% 700% 600% 500% 400% 300% 200% 100% 00% 940% 867% 916% 891% 895% 869% 924% 893% 922% 882% F O LD 1 F O LD 2 F O LD 3 F O LD 4 F O LD 5 Algoritme FOLD Data II Percobaan I Evaluasi Agloritma Algoritme VFI5 P Data II Percobaan II Evaluasi Agloritma Algoritme VFI5 Gambar 6 Perbandingan akurasi Percobaan I dan Percobaan II Evaluasi Algoritme VFI5 pada Data II Percobaan Pembobotan Percobaan pembobotan ini dapat terlihat bahwa percobaan I pembobotan memiliki akurasi lebih baik dibandingkan percobaan II pembobotan Hal ini dikarenakan pembobotan pada percobaan I dilakukan di semua tabel vote baik pada interval 0 maupun interval 1 Ini berarti bahwa percobaan I pembobotan memiliki konsep yang sama dengan percobaan I evaluasi algoritme VFI5, namun yang membedakan pada percobaan I pembobotan semua vote dikalikan dengan bobot masing masing tanaman sedangkan pada percobaan II pembobotan, bobot hanya dikalikan dengan vote VFI5 yang berinterval 1 saja sedangkan vote VFI5 yang berinterval 0 tidak dikalikan dengan bobot namun pada proses perhitungan VFI5, vote interval 0 tetap digunakan AKURASI 1000% 900% 800% 700% 600% 500% 400% 300% 200% 100% 00% 470% 319% 478% 326% 502% 328% 515% 325% 504% 324% F O LD 1 F O LD 2 F O LD 3 F O LD 4 F O LD 5 FOLD Data I Percobaan I Pembobotan Data I Percobaan II pembobotan Gambar 7 Perbandingan akurasi Percobaan I dan Percobaan II Pembobotan VFI5 pada Data I

23 13 AKURASI 1000% 900% 800% 700% 600% 500% 400% 300% 200% 100% 00% 829% 867% 820% 889% 867% 487% 509% 533% 461% 493% F O LD 1 F O LD 2 F O LD 3 F O LD 4 F O LD 5 FOLD Data II Percobaan I Pembobotan Data II Percobaan II Pembobotan Gambar 8 Perbandingan akurasi Percobaan I dan Percobaan II Pembobotan VFI5 pada Data II Perbandingan Hasil Percobaan Evaluasi AlgoritmeVFI5 Dengan Percobaan Pembobotan Total percobaan yang dilakukan adalah 4 percobaan dengan rincian 2 percobaan untuk mengevaluasi algoritme VFI5 dan 2 percobaan yang lain pada percobaan pembobotan Dari keempat percobaan tersebut percobaan I Evaluasi Agoritma VFI5 memiliki akurasi lebih baik dibandingkan 3 percobaan yang lain Hal ini membuktikan bahwa algoritme VFI5 pada penelitian jamu ini tidak dipengaruhi oleh konsep awal peracikan formula jamu Selain itu percobaan Pembobotan memiliki hasil akurasi lebih rendah dibandingkan dengan hasil akurasi percobaan evaluasi algoritme VFI5 Hal ini AKURASI 1000% 900% 800% 700% 600% 500% 400% 300% 200% 100% 00% 500% 535% 470% 319% 521% 511% 478% 326% 562% 524% 502% 328% 584% 525% 515% 325% 579% 558% 504% 324% F O LD 1 F O LD 2 F O LD 3 F O LD 4 F O LD 5 FOLD Data I Percobaan I Evaluasi Algoritme Algoritma VFI5 Data I Percobaan I Pembobotan P Data I Percobaan II Evaluasi Algoritme Algoritma VFI5 Data I Percobaan II Pembobotan Gambar 9 Perbandingan akurasi Percobaan Evaluasi Algoritme VFI5 dan Percobaan Pembobotan pada Data I membuktikan bahwa pada penelitian ini intensitas kemunculan tanaman pada dataset tidak dapat digunakan sebagai acuan untuk melakukan pembobotan Selain P

24 14 itu pembobotan menggunakan intensitas kemunculan tanaman pada data set tidak bisa digunakan sebagai pengganti persentase komposisi tanaman pada setiap formula AKURASI 1000% 900% 800% 700% 600% 500% 400% 300% 200% 100% 00% 940% 867% 829% 916% 891% 867% 895% 869% 820% 924% 893% 889% 922% 882% 867% 487% 509% 533% 461% 493% F O LD 1 F O LD 2 F O LD 3 F O LD 4 F O LD 5 FOLD Data II Percobaan I Evaluasi Algoritma Algoritme VFI5 Data II Percobaan I Pembobotan Data II Percobaan II Evaluasi Algoritma Algoritme VFI5 Data II Percobaan II Pembobotan Gambar 10 Perbandingan akurasi Percobaan Evaluasi Algoritme VFI5 dan Percobaan Pembobotan pada Data II Klasifikasi VFI5 Klasifikasi tanaman yang dihasilkan oleh vote VFI5 dapat digunakan untuk digunakan sebagai acuan bagi para peneliti untuk menentukan tanaman yang cocok untuk setiap activity penyusun formula jamu (antiinflamantory, antibacterial, analgesic, dan activity utama) Untuk mempermudah pengguna dalam melihat tanaman sesuai khasiatnya, pada penelitian ini mencoba mengvisualisasikan tanaman yang sudah diklasifikasikan menggunakan perangkat lunak Gephi 082 beta sehingga diperoleh tampilan seperti Lampiran 3 Dengan visualisasi ini, pengguna dengan mudah melihat khasiat yang terkait pada suatu tanaman Dalam visualisasi ini terlihat setiap tanaman memiliki pola warna yang sesuai dengan khasiatnya masing-masing, serta apabila suatu tanaman memiliki beberapa khasiat, maka tanaman tersebut akan memiliki warna yang merupakan campuran dari warna khasiat-khasiatnya Dilihat dari perbandingan hasil akurasi metode penelitian yang dilakukan Afendi et al (2012) menggunakan PLS DA dan metode SVM yang dilakukan Fitriawan (2013) pada Data I, metode VFI5 lebih rendah dibandingkan dengan metode lain Pada Data I, metode PLS DA memiliki akurasi 7160% dan SVM memiliki akurasi 71% sedangkan metode VFI5 memiliki akurasi 5491% Akan tetapi pada Data II metode VFI5 memiliki akurasi yang tidak berbeda nyata yaitu sebesar 94% sedangkan metode PLS-DA 9421 % dan metode SVM 9534 % Meskipun demikian, penelitian ini memiliki keunggulan tersendiri Sistem pengolahan data yang digunakan (SIIJAH) dibuat sedemikian rupa sehingga pengguna dengan mudah dapat melakukan pelatihan data secara langsung untuk mendapatkan vote VFI5 yang baru Tampilan antar muka pengolahan data lebih userfriendly sehingga pengguna tidak mudah menjadi bosan Pada penelitian Afendi et al (2012) menggunakan perangkat lunak R untuk

25 mengolah data sehingga pengembang selanjutnya tidak bisa mengintegrasikan R dengan sistem SIIJAH sehingga membutuhkan hasil pengolahan dari perangkat lunak R Sedangkan pada penelitian Fitriawan (2013) menggunakan libsvm yang bisa dikatakan sebagai metode blackbox karena pengembang selanjutnya tidak dapat melihat proses pembentukan model yang terjadi pada LibSVM 15 Akurasi 1000% 900% 800% 700% 600% 500% 400% 300% 200% 100% 00% 942% 953% 940% 716% 710% 549% PLS-DA SVM VFI5 Metode Data I Data II Gambar 11 Perbandingan akurasi antara metode PLS-DA, SVM dan VFI5 Pengujian Prediksi Sistem Untuk mengetahui hasil prediksi menggunakan metode VFI5, sistem yang dibuat telah dicoba untuk memprediksi 50 jenis formula jamu yang sama digunakan pada penelitian Fitriawan (2013) Formula jamu yang digunakan untuk mencoba sistem dapat dilihat pada Lampiran 3 Formula jamu tersebut diuji menggunakan vote VFI5 yang dihasilkan dari pengolahan Data I dan Data II Hasil prediksi masih menampilkan hasil yang beragam untuk setiap jenis data Hal ini dikarenakan jumlah data pada Data I dan Data II berbeda karena tanaman yang digunakan pada Data I tidak semuanya digunakan pada tanaman II SIMPULAN DAN SARAN Simpulan Penelitian ini telah berhasil mengembangkan sistem klasifikasi khasiat jamu dengan menggunakan metode VFI5 Akurasi sistem yang dikembangkan ini adalah 94%, dapat disejajarkan dengan akurasi sistem klasifikasi formula jamu yang sudah dikembangkan sebelumnya, yaitu sistem yang menggunakan SVM (Fitriawan 2013) dan PLS-DA (Afendi et al 2012) Selain itu, sistem formulasi jamu menggunakan metode VFI5 ini memberikan kemudahan dalam melakukan pelatihan data, sehingga pengguna dapat dengan mudah mengubah data latih Penelitian ini juga berhasil mengelompokkan tanaman sesuai khasiat yang dimiliki oleh tanaman tersebut serta mengvisualisasikan klasifikasi tanaman tersebut Pengelompokan tanaman ini dapat membantu peneliti untuk memilih kandidat formula jamu yang akan diuji dalam tahap selanjutnya, yaitu uji in vivo dan in vitro

26 16 Saran Saran untuk penelitian selanjutnya: 1 Mencoba penelitian jamu menggunakan data yang lebih representatif yaitu data yang memiliki informasi komposisi setiap tanaman pada suatu formula sehingga apabila penelitian selanjutnya akan mencoba menggunakan VFI5 lagi, maka interval yang dimiliki akan lebih bervariasi 2 Lebih menitikberatkan pada bagian penelitian praproses data jamu bagi penelitian selanjutnya serta mencoba melakukan optimasi pada hasil klasifikasinya menggunakan Ant colony algorithm 3 Melakukan pengujian in vivo dan in vitro pada hasil prediksi formula jamu yang dihasilkan pada metode VFI5 sehingga dapat dilihat akurasi prediksi dari metode VFI5 DAFTAR PUSTAKA Afendi FM, Darusman LK, Hirai A, Amin MA, Takahashi H, Nakamura K, Kanaya S 2010 System biology approach for elucidating the relationship between Indonesia herbal plants and the efficacy of jamu Di dalam: Fan W, Hsu W, Webb GI, Liu B, Zhang C, Gunopulos D, Wu X, editor 2010 IEEE International Conference on Data Mining Workshops; 2010 Des 14; Sydney, Australia Sydney (AU): Conference Publishing Services Afendi FM, Darusman LK, Morita AH, Altaf-Ul-Amin M, Takahashi H, Nakamura K, Tanaka K, Kanaya S 2012 Efficacy prediction of jamu formulations by PLS modeling Curr Comput Aided Drug Des 9(1):46-59 PubMed PMID: Demiröz G dan Güvenir HA 1997 Classification by Voting Feature Intervals [Mei 2014] Guvenir HA 1998 A Classification Learning Algorithm Robust to Irrelevant Features /techreports/1998/bu-ceis- 9810psgz [Mei 2014] Fitriawan A 2013 Sistem Klasifikasi Khasiat Formula Jamu Dengan Metode Support Vector Machine [skripsi] Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor Li S, Zhang BTraditional Chinese medicine network pharmacology:theory, methodology and application Chinese Journal of Natural Medicines 2013, 11(2): doi: /SPJ Mahady GB 2001 Global harmonization of health claim JNutr 131:1120S 1123S Wijisekera ROB 1991 Plant derived medicines and their role in global health Di dalam: Wijisekera ROB, editor The Medicinal Plant Industry Florida(USA):CRC Press Hlm 1 18 Winarno FG 1997 Naskah Akademis Keamanan Pangan Bogor(ID), Institut Pertanian Bogor

27 17 LAMPIRAN Lampiran 1 Contoh vote VFI5 yang dapat menentukan tanaman yang sesuai dengan suatu khasiat Efficacy E1 E2 E3 E4 E5 E6 E7 E8 E9 P P P P P P P P P P P P P P P P P P P P P P P P P P P P P

28 18 Lampiran 2 Daftar tanaman berdasarkan khasiatnya yang merupakan hasil pengklasifikasian menggunakan VFI5 Khasiat 1 : Urinary Related Problems Orthosiphon stamineus Strobilanthes crispus Sonchus arvensis Imperata cylindrica Phyllanthus urinaria Serenoa repens Plantago major Soya max Cucurbita pepo Merremia mammosa Zea mays Smilax zeylanica Pygeum africanum Solanum lycopersicum Paeonia suffruticosa Wolfiporia extensa Prunus cerasus Alisma orientalis Khasiat 3 : Disorder Of Mood And Behavior Valeriana javanica Zingiber purpureum Myristica fragrans Baeckea frutescens Carica papaya Eleutherococcus senticosus Polygala glomerata Ipomoea reptana Leucas lavandulifolia Brassica nigrae Khasiat 2 : Disorder of Apetite Guazuma ulmifolia Parameria laevigata Murraya paniculata Zingiber purpureum Curcuma heyneana Punica granatum Rheum tanguticum Kaempferia pandurata Galla lusitania Theae sinensis Curcuma aeruginosa Cassia angustifolia Caesalpinia sappan Garcinia cambogia Laminaria japonica Polygonum multiflorum Crataegus pinnatifida Cassia fistula Terminalia catappa Litsea chinensis Phyllanthus acidus Khasiat 4 : Gastrointestinal Disorders Melaleuca leucadendra Foeniculum vulgare Cocos nucifera Andrographis paniculata Morinda citrifolia Nigella sativa Clausena anisum-olens Curcuma aeruginosa Allium sativum Phaleria papuana Psidium guajava Momordica charantia Apium graveolens Olea europaea Symplocos odoratissima Pandanus conoideus Daucus carota Spirulina Magnolia officinalis Schisandra chinensis

29 19 Silybum marianum Syzygium cumini Pandanus amaryllifolius Citrus amblycarpa Grewia salutaris Euphorbia thymifolia Khasiat 5 : Female Reproductive Organ Problems Curcuma longa Parameria laevigata Piper betle Lepiniopsis ternatensis Punica granatum Coriandrum sativum Galla lusitania Kaempferia pandurata Quercus lusitanica Tamarindus indica Areca catechu Baeckea frutescens Nigella sativa Kaempferia angustifolia Pluchea indica Elephantopus scaber Terminalia bellirica Sauropus androgynus Nyctanthes arbor-tritis Curcuma zedoaria Ocimum sanctum Solanum verbacifolium Ligusticum acutilobum Phaseolus radiatus Psophocarpus tetragonolobus Elaeocarpus grandiflora Ficus deltoidea Tetranthera brawas Sesbania grandiflora Canangium odoratum Prunus persica Sparganium stoloniferum Garcinia atroviridis Cimicifuga racemosa Achillea santolina Artemisia cina Trifolium pratense Hemigraphis colorata Lantana camara Khasiat 6 : Muskuloskeletal And Connetive Tissue Disorders Zingiber officinale Curcuma xanthorrhiza Piper retrofractum Kaempferia galanga Piper nigrum Zingiber aromaticum Languas galanga Myristica fragrans Eurycoma longifolia Panax ginseng Orthosiphon stamineus Syzygium polyanthum Zingiber zerumbet Oryza sativa Alpinia galanga Plantago major Cinnamomum sintok Massoia aromatica Cyperus rotundus Sonchus arvensis Equisetum debile Talinum paniculatum Dioscorea opposite Pimpinella pruatjan Sida rhombifolia Cola acuminata Panax pseudoginseng Pausinystalia yohimbe Cola nitida Justicia gendarussa Angelica sinensis Tribulus terrestris Atractylodis Macrocephala Euchresta horsfieldii Cordyceps sinensis Epimedium brevicornum Clematis chinensis Cibotium barometz Cistanches salsa

30 20 Spatholobus suberectus Khasiat 7 : Pain And Inflammotion Zingiber officinale Foeniculum vulgare Syzygium aromaticum Mentha arvensis Parkia roxburghii Cymbopogon nardus Cocos nucifera Blumea balsamifera Mentha piperita Graptophyllum pictum Helicteres isora Usnea misaminensis Alstonia scholaris Gaultheria punctata Curcuma zedoaria Gynura segetum Echinacea purpurea Carthamus tinctorius Panax pseudoginseng Moschosma polystachium Coleus scutellarioides Cinnamomum camphora Cinnamomum cassia Angelica sinensis Allium cepae Cinnamomum cullilawan Sanguisorba officinalis Commiphora myrrha Asarum sieboldii Zingiber officinale Typhonium flagelliforme Cinchona succirubra Pistacia lentiscus Sophora japonica Pinus merkusii Notopterygium incisum Rubia cordifolia Hedyotis corymbosa Khasiat 9 : Wounds And Skin Infections Cocos nucifera Oryza sativa Andrographis paniculata Citrus aurantium Aloe vera Khasiat 8 : Respiratory Disease Zingiber officinale Glycyrrhiza uralensis Foeniculum vulgare Strobilanthes crispus Piper betle Syzygium aromaticum Mentha arvensis Clerodendron squamatum Kaempferia galanga Harpagophytum procumbens Blumea balsamifera Forsythia suspensa Clausena anisum-olens Citrus aurantium Plantago major Amomum compactum Echinacea purpurea Elephantopus scaber Merremia mammosa Piper cubeba Vitex trifolia Eriobotrya japonica Messua ferrea Costus speciosus Euphorbia hirta Illicium verum Prunus armeniaca Ceiba pentandra Abrus precatorius Nasturtium indicum Thymus vulgaris Fritillaria cirrhosa Borreria hispida Salix alba

31 Hydrocotyle asiatica Santalum album Tinospora tuberculata Curcuma heyneana Citrus hystrix Strychnos ligustrina Cymbopogon nardus Rosa chinensis Pogostemon cablin Mentha piperita Vetiveria zizanioides Lavandula angustifolia Carica papaya Jasminum sambac Olea europaea Pluchea indica Trigonella foenum-graecum Cassia siamea Dioscorea opposite Aleurites moluccana Theobroma cacao Citrus sinensis Eclipta prostrata Canangium odoratum Melaleuca alternifolia Zanthoxylum acanthopodium Pachyrrhizus erosus Anacardium occidentale Aquilaria sinensis Elettaria speciosa Tagetes erecta Cassia alata Cucumis sativus Hibiscus sabdariffa Phyllanthus emblica Portulaca oleracea Vanilla planifolia Salvia coccinea 21

32 22 Lampiran 3 Visualisasi hubungan antara tanaman dengan khasiatnya

33 23 Lampiran 4 Daftar formula jamu yang digunakan untuk mencoba sistem No Jamu 1 Jb Jb0002 Tamarindus indica Piper retrofractum 3 Jb0003 Mentha piperita 4 Jb Jb0005 Gaultheria punctata Zanthoxylum acanthopodium 6 Jb0006 Borreria hispida 7 Jb0007 Hydrocotyle asiatica Tanaman Curcuma longa Terminalia bellirica Melaleuca alternifolia Panax ginseng Commiphora myrrha Terminalia bellirica Syzygium cumini 8 Jb0008 Illicium verum Helicteres isora 9 Jb0009 Eriobotrya japonica 10 Jb0010 Sida rhombifolia 11 Jb0011 Schisandra chinensis Pistacia lentiscus Spatholobus suberectus Crataegus pinnatifida Languas galanga Helicteres isora Syzygium cumini Eclipta prostrata Cola acuminata Cinchona succirubra Quercus lusitanica Notopterygium incisum Mentha arvensis Canangium odoratum Phellodendron chinense 12 Jb0012 Curcuma longa Piper nigrum Aloe vera 13 Jb0013 Apium graveolens Santalum album 14 Jb0014 Aloe vera Oryza sativa 15 Jb0015 Nigella sativa 16 Jb0016 Thymus vulgaris 17 Jb0017 Typhonium flagelliforme Lavandula angustifolia Punica granatum Piper nigrum 18 Jb0018 Psidium guajava Curcuma longa 19 Jb Jb0020 Melaleuca leucadendra Kaempferia pandurata 21 Jb0021 Theae sinensis 22 Jb0022 Mentha piperita 23 Jb Jb0024 Zingiber officinale Dioscorea opposite Myristica fragrans Syzygium aromaticum Curcuma xanthorrhiza Garcinia atroviridis Coriandrum sativum Anacardium occidentale 25 Jb0025 Curcuma longa Piper nigrum Zingiber officinale Trifolium pratense Foeniculum vulgare Panax ginseng Foeniculum vulgare Alpinia galanga Hydrocotyle asiatica Phaleria papuana Melaleuca leucadendra Psidium guajava Phaleria papuana Orthosiphon stamineus Tamarindus indica 26 Jb0026 Psidium guajava Curcuma longa Carica papaya 27 Jb0027 Tamarindus indica 28 Jb0028 Psidium guajava 29 Jb Jb Jb Jb0032 Coriandrum sativum Guazuma ulmifolia Amomum compactum Syzygium aromaticum Cassia alata Caesalpinia sappan Morinda citrifolia Melaleuca leucadendra Aloe vera Guazuma ulmifolia No Jamu Tanaman Phaleria papuana Orthosiphon stamineus Syzygium aromaticum Orthosiphon stamineus Morinda citrifolia Melaleuca leucadendra Piper betle Notopterygium incisum Zingiber officinale Commiphora myrrha Panax pseudoginseng Solanum verbacifolium Messua ferrea Echinacea purpurea Wolfiporia extensa Ocimum sanctum Parameria laevigata Tamarindus indica Canangium odoratum Theobroma cacao Glycyrrhiza uralensis Coriandrum sativum Plantago major Languas galanga Curcuma xanthorrhiza Hibiscus sabdariffa Curcuma longa Anacardium occidentale Garcinia atroviridis Morinda citrifolia Melaleuca leucadendra Garcinia atroviridis Cymbopogon nardus Languas galanga Aquilaria sinensis Merremia mammosa Tamarindus indica Cassia alata

34 24 33 Jb Jb Jb Jb Jb0037 Amomum compactum Amomum compactum Orthosiphon stamineus Guazuma ulmifolia Canangium odoratum Orthosiphon stamineus Melaleuca leucadendra Curcuma longa Cinchona succirubra Piper betle Phaleria papuana Languas galanga Morinda citrifolia Aloe vera Curcuma xanthorrhiza Zanthoxylum acanthopodium Andrographis paniculata Syzygium aromaticum Phaleria papuana Melaleuca leucadendra 38 Jb0038 Mentha piperita Theae sinensis Daucus carota Psidium guajava 39 Jb Jb0040 Orthosiphon stamineus Curcuma xanthorrhiza 41 Jb0041 Aloe vera 42 Jb0042 Psidium guajava 43 Jb0043 Kaempferia pandurata Hydrocotyle asiatica Syzygium aromaticum Phaleria papuana Canangium odoratum Curcuma xanthorrhiza 44 Jb0044 Phaleria papuana Piper betle 45 Jb0045 Tamarindus indica Phaleria papuana Melaleuca leucadendra Zingiber officinale Mentha piperita Mentha piperita Melaleuca leucadendra Curcuma xanthorrhiza Mentha piperita Cassia alata Psidium guajava Merremia mammosa Hibiscus sabdariffa Curcuma longa Zanthoxylum acanthopodium Theae sinensis 46 Jb0046 Piper betle Psidium guajava Piper nigrum Mentha piperita 47 Jb0047 Phaleria papuana Mentha piperita Theae sinensis Daucus carota 48 Jb0048 Curcuma xanthorrhiza Syzygium aromaticum 49 Jb0049 Aloe vera Mentha piperita Zingiber officinale Merremia mammosa 50 Jb0050 Psidium guajava Mentha piperita Theae sinensis Morinda citrifolia Psidium guajava Tamarindus indica keterangan indeks prediksi 1 = urinary related problems (URI) 2 = disorder of apetite (DOA) 3 = disorder of mood and behavior (DMB) 4 = gastrointestinal disorders (GST) 5 = female reproductive organ problems (FML) 6 = muskuloskeletal and connective tissue disorders (MSC) 7 = pain and inflammation (PIN) 8 = respiratory disease (RSP) 9 = wounds and skin infections (WND)

35 Lampiran 5 Screenshot tampilan aplikasi 25 Tampilan pemilihan efikasi dan jumlah formula Tampilan pemilihan tanaman Tampilan pengungahan file data uji dan data latih

36 26 Tampilan nilai vote dari setiap tanaman pada semua efikasi dan intervalnya Tampilan hasil akurasi dan confusion matrix