Simpulan Saran SIMPULAN DAN SARAN

Lampiran 1. Lanjutan Pteridophyta Aspidiaceae Kelas 4 19.jpg 20.jpg 21.jpg 43.jpg 44.jpg 45.jpg 67.jpg 68.jpg 69.jpg Lampiran 2 Confusion Matrix Kernel RBF Ekstraksi Ciri 50 Parameter 1 Parameter 30 Kelas Kelas Kelas Kelas Kelas Kelas Kelas Kelas 1 2 3 4 1 2 3 4 Kelas 1 19 2 3 Kelas 1 4 2 12 6 Kelas 2 22 2 Kelas 2 15 9 Kelas 3 24 Kelas 3 24 Kelas 4 24 Kelas 4 24 Parameter 5 Parameter 35 Kelas Kelas Kelas Kelas Kelas Kelas Kelas Kelas 1 2 3 4 1 2 3 4 Kelas 1 20 4 Kelas 1 2 1 15 6 Kelas 2 24 Kelas 2 13 11 Kelas 3 24 Kelas 3 24 Kelas 4 1 23 Kelas 4 24 Parameter 10 Parameter 40 Kelas Kelas Kelas Kelas Kelas Kelas Kelas Kelas 1 2 3 4 1 2 3 4 Kelas 1 20 4 Kelas 1 2 16 6 Kelas 2 2 20 2 Kelas 2 12 1 11 Kelas 3 1 23 Kelas 3 24 Kelas 4 24 Kelas 4 24 Parameter 15 Parameter 45 Kelas Kelas Kelas Kelas Kelas Kelas Kelas Kelas 1 2 3 4 1 2 3 4 Kelas 1 18 4 2 Kelas 1 1 18 5 Kelas 2 18 6 Kelas 2 12 1 11 Kelas 3 24 Kelas 3 24 Kelas 4 24 Kelas 4 24 Parameter 20 Parameter 50 Kelas Kelas Kelas Kelas Kelas Kelas Kelas Kelas 1 2 3 4 1 2 3 4 Kelas 1 11 2 6 5 Kelas 1 19 5 Kelas 2 15 9 Kelas 2 12 1 11 Kelas 3 24 Kelas 3 24 Kelas 4 24 Kelas 4 24 Parameter 25 Kelas Kelas Kelas Kelas 1 2 3 4 Kelas 1 7 2 9 6 Kelas 2 15 9 Kelas 3 24 Kelas 4 24 AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI Lampiran 2 Lanjutan Confusion Matrix Kernel RBF Ekstraksi Ciri 60 Parameter 1 Parameter 30 Kelas Kelas Kelas Kelas Kelas Kelas Kelas Kelas 1 2 3 4 1 2 3 4 Kelas 1 16 2 6 Kelas 1 7 3 8 6 Kelas 2 21 3 Kelas 2 17 7 Kelas 3 24 Kelas 3 24 Kelas 4 1 23 Kelas 4 24 Parameter 5 Parameter 35 Kelas Kelas Kelas Kelas Kelas Kelas Kelas Kelas 1 2 3 4 1 2 3 4 Kelas 1 22 2 Kelas 1 3 4 11 6 Kelas 2 24 Kelas 2 15 9 Kelas 3 24 Kelas 3 24 Kelas 4 1 23 Kelas 4 24 Parameter 10 Parameter 40 Kelas Kelas Kelas Kelas Kelas Kelas Kelas Kelas 1 2 3 4 1 2 3 4 Kelas 1 20 4 Kelas 1 3 2 13 6 Kelas 2 2 20 2 Kelas 2 14 1 9 Kelas 3 1 23 Kelas 3 24 Kelas 4 24 Kelas 4 24 Parameter 15 Parameter 45 Kelas Kelas Kelas Kelas Kelas Kelas Kelas Kelas 1 2 3 4 1 2 3 4 Kelas 1 18 4 2 Kelas 1 1 1 17 5 Kelas 2 18 6 Kelas 2 14 1 9 Kelas 3 24 Kelas 3 24 Kelas 4 24 Kelas 4 24 Parameter 20 Parameter 50 Kelas Kelas Kelas Kelas Kelas Kelas Kelas Kelas 1 2 3 4 1 2 3 4 Kelas 1 13 3 3 5 Kelas 1 19 5 Kelas 2 17 7 Kelas 2 14 1 9 Kelas 3 24 Kelas 3 24 Kelas 4 24 Kelas 4 24 Parameter 25 Kelas Kelas Kelas Kelas 1 2 3 4 Kelas 1 11 3 4 6 Kelas 2 17 7 Kelas 3 24 Kelas 4 24 AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI Lampiran 2 Lanjutan Confusion Matrix Kernel RBF Ekstraksi Ciri 70 Parameter 1 Parameter 30 Kelas Kelas Kelas Kelas Kelas Kelas Kelas Kelas 1 2 3 4 1 2 3 4 Kelas 1 12 6 6 Kelas 1 12 5 1 6 Kelas 2 8 8 3 5 Kelas 2 23 1 Kelas 3 12 6 6 Kelas 3 24 Kelas 4 12 5 7 Kelas 4 24 Parameter 5 Parameter 35 Kelas Kelas Kelas Kelas Kelas Kelas Kelas Kelas 1 2 3 4 1 2 3 4 Kelas 1 21 3 Kelas 1 9 5 4 6 Kelas 2 1 23 Kelas 2 23 1 Kelas 3 24 Kelas 3 24 Kelas 4 24 Kelas 4 24 Parameter 10 Parameter 40 Kelas Kelas Kelas Kelas Kelas Kelas Kelas Kelas 1 2 3 4 1 2 3 4 Kelas 1 23 1 Kelas 1 4 5 9 6 Kelas 2 24 Kelas 2 23 1 Kelas 3 24 Kelas 3 24 Kelas 4 24 Kelas 4 24 Parameter 15 Parameter 45 Kelas Kelas Kelas Kelas Kelas Kelas Kelas Kelas 1 2 3 4 1 2 3 4 Kelas 1 22 2 Kelas 1 2 5 11 6 Kelas 2 24 Kelas 2 23 1 Kelas 3 24 Kelas 3 24 Kelas 4 24 Kelas 4 24 Parameter 20 Parameter 50 Kelas Kelas Kelas Kelas Kelas Kelas Kelas Kelas 1 2 3 4 1 2 3 4 Kelas 1 19 5 Kelas 1 1 5 14 4 Kelas 2 24 Kelas 2 23 1 Kelas 3 24 Kelas 3 24 Kelas 4 24 Kelas 4 24 Parameter 25 Kelas Kelas Kelas Kelas 1 2 3 4 Kelas 1 16 6 2 Kelas 2 23 1 Kelas 3 24 Kelas 4 24 AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI Lampiran 2 Lanjutan Confusion Matrix Kernel RBF Ekstraksi Ciri 75 Parameter 1 Parameter 30 Kelas Kelas Kelas Kelas Kelas Kelas Kelas Kelas 1 2 3 4 1 2 3 4 Kelas 1 6 18 Kelas 1 12 4 3 5 Kelas 2 2 7 15 Kelas 2 24 Kelas 3 6 18 Kelas 3 24 Kelas 4 6 18 Kelas 4 24 Parameter 5 Parameter 35 Kelas Kelas Kelas Kelas Kelas Kelas Kelas Kelas 1 2 3 4 1 2 3 4 Kelas 1 16 1 5 2 Kelas 1 9 4 4 7 Kelas 2 23 1 Kelas 2 24 Kelas 3 24 Kelas 3 24 Kelas 4 24 Kelas 4 24 Parameter 10 Parameter 40 Kelas Kelas Kelas Kelas Kelas Kelas Kelas Kelas 1 2 3 4 1 2 3 4 Kelas 1 22 2 Kelas 1 6 5 6 7 Kelas 2 24 Kelas 2 24 Kelas 3 24 Kelas 3 24 Kelas 4 24 Kelas 4 24 Parameter 15 Parameter 45 Kelas Kelas Kelas Kelas Kelas Kelas Kelas Kelas 1 2 3 4 1 2 3 4 Kelas 1 20 1 1 2 Kelas 1 5 5 7 7 Kelas 2 24 Kelas 2 24 Kelas 3 24 Kelas 3 24 Kelas 4 1 23 Kelas 4 24 Parameter 20 Parameter 50 Kelas Kelas Kelas Kelas Kelas Kelas Kelas Kelas 1 2 3 4 1 2 3 4 Kelas 1 20 1 1 2 Kelas 1 5 5 7 7 Kelas 2 24 Kelas 2 24 Kelas 3 24 Kelas 3 24 Kelas 4 24 Kelas 4 24 Parameter 25 Kelas Kelas Kelas Kelas 1 2 3 4 Kelas 1 15 3 1 5 Kelas 2 24 Kelas 3 24 Kelas 4 24 AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI Lampiran 2 Lanjutan Confusion Matrix Kernel RBF Ekstraksi Ciri 80 Parameter 1 Parameter 30 Kelas Kelas Kelas Kelas Kelas Kelas Kelas Kelas 1 2 3 4 1 2 3 4 Kelas 1 12 12 Kelas 1 11 3 2 8 Kelas 2 12 12 Kelas 2 24 Kelas 3 12 12 Kelas 3 24 Kelas 4 12 12 Kelas 4 24 Parameter 5 Parameter 35 Kelas Kelas Kelas Kelas Kelas Kelas Kelas Kelas 1 2 3 4 1 2 3 4 Kelas 1 19 1 3 1 Kelas 1 8 5 2 9 Kelas 2 1 23 Kelas 2 24 Kelas 3 18 6 Kelas 3 24 Kelas 4 1 23 Kelas 4 24 Parameter 10 Parameter 40 Kelas Kelas Kelas Kelas Kelas Kelas Kelas Kelas 1 2 3 4 1 2 3 4 Kelas 1 18 5 1 Kelas 1 7 5 3 9 Kelas 2 24 Kelas 2 24 Kelas 3 24 Kelas 3 24 Kelas 4 1 23 Kelas 4 24 Parameter 15 Parameter 45 Kelas Kelas Kelas Kelas Kelas Kelas Kelas Kelas 1 2 3 4 1 2 3 4 Kelas 1 21 1 2 Kelas 1 6 4 5 9 Kelas 2 24 Kelas 2 24 Kelas 3 24 Kelas 3 24 Kelas 4 1 23 Kelas 4 24 Parameter 20 Parameter 50 Kelas Kelas Kelas Kelas Kelas Kelas Kelas Kelas 1 2 3 4 1 2 3 4 Kelas 1 20 1 1 2 Kelas 1 6 4 5 9 Kelas 2 24 Kelas 2 24 Kelas 3 24 Kelas 3 24 Kelas 4 24 Kelas 4 24 Parameter 25 Kelas Kelas Kelas Kelas 1 2 3 4 Kelas 1 15 3 2 4 Kelas 2 24 Kelas 3 24 Kelas 4 24 AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI Lampiran 2 Lanjutan Confusion Matrix Kernel RBF Ekstraksi Ciri 85 Parameter 1 Parameter 30 Kelas Kelas Kelas Kelas Kelas Kelas Kelas Kelas 1 2 3 4 1 2 3 4 Kelas 1 6 18 Kelas 1 12 2 4 6 Kelas 2 6 18 Kelas 2 24 Kelas 3 6 18 Kelas 3 24 Kelas 4 6 18 Kelas 4 24 Parameter 5 Parameter 35 Kelas Kelas Kelas Kelas Kelas Kelas Kelas Kelas 1 2 3 4 1 2 3 4 Kelas 1 17 1 5 1 Kelas 1 8 2 4 10 Kelas 2 1 22 1 Kelas 2 24 Kelas 3 18 6 Kelas 3 24 Kelas 4 2 22 Kelas 4 24 Parameter 10 Parameter 40 Kelas Kelas Kelas Kelas Kelas Kelas Kelas Kelas 1 2 3 4 1 2 3 4 Kelas 1 12 11 1 Kelas 1 6 6 4 8 Kelas 2 23 1 Kelas 2 24 Kelas 3 24 Kelas 3 24 Kelas 4 1 23 Kelas 4 24 Parameter 15 Parameter 45 Kelas Kelas Kelas Kelas Kelas Kelas Kelas Kelas 1 2 3 4 1 2 3 4 Kelas 1 15 1 7 1 Kelas 1 5 6 5 8 Kelas 2 24 Kelas 2 24 Kelas 3 24 Kelas 3 24 Kelas 4 24 Kelas 4 24 Parameter 20 Parameter 50 Kelas Kelas Kelas Kelas Kelas Kelas Kelas Kelas 1 2 3 4 1 2 3 4 Kelas 1 16 1 4 3 Kelas 1 6 5 5 8 Kelas 2 24 Kelas 2 24 Kelas 3 24 Kelas 3 24 Kelas 4 24 Kelas 4 24 Parameter 25 Kelas Kelas Kelas Kelas 1 2 3 4 Kelas 1 15 2 4 3 Kelas 2 24 Kelas 3 24 Kelas 4 24 AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI Lampiran 2 Lanjutan Confusion Matrix Kernel RBF Ekstraksi Ciri 90 Parameter 1 Parameter 30 Kelas Kelas Kelas Kelas Kelas Kelas Kelas Kelas 1 2 3 4 1 2 3 4 Kelas 1 6 6 6 6 Kelas 1 11 2 4 7 Kelas 2 6 6 6 6 Kelas 2 24 Kelas 3 6 6 6 6 Kelas 3 24 Kelas 4 6 6 6 6 Kelas 4 24 Parameter 5 Parameter 35 Kelas Kelas Kelas Kelas Kelas Kelas Kelas Kelas 1 2 3 4 1 2 3 4 Kelas 1 6 18 Kelas 1 10 2 4 8 Kelas 2 21 1 2 Kelas 2 24 Kelas 3 6 18 Kelas 3 24 Kelas 4 6 18 Kelas 4 24 Parameter 10 Parameter 40 Kelas Kelas Kelas Kelas Kelas Kelas Kelas Kelas 1 2 3 4 1 2 3 4 Kelas 1 8 1 12 3 Kelas 1 7 3 4 10 Kelas 2 23 1 Kelas 2 24 Kelas 3 24 Kelas 3 24 Kelas 4 1 23 Kelas 4 24 Parameter 15 Parameter 45 Kelas Kelas Kelas Kelas Kelas Kelas Kelas Kelas 1 2 3 4 1 2 3 4 Kelas 1 14 10 Kelas 1 6 3 4 11 Kelas 2 24 Kelas 2 24 Kelas 3 24 Kelas 3 24 Kelas 4 1 23 Kelas 4 24 Parameter 20 Parameter 50 Kelas Kelas Kelas Kelas Kelas Kelas Kelas Kelas 1 2 3 4 1 2 3 4 Kelas 1 16 5 3 Kelas 1 6 3 6 9 Kelas 2 24 Kelas 2 24 Kelas 3 24 Kelas 3 24 Kelas 4 24 Kelas 4 24 Parameter 25 Kelas Kelas Kelas Kelas 1 2 3 4 Kelas 1 14 1 5 4 Kelas 2 24 Kelas 3 24 Kelas 4 24 AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI Lampiran 2 Lanjutan Confusion Matrix Kernel RBF Ekstraksi Ciri 95 Kernel Polynomial Ekstraksi Ciri 95 Parameter 30 Kelas Kelas Kelas Kelas Kelas Kelas Kelas Kelas 1 2 3 4 1 2 3 4 Kelas 1 6 6 6 6 Kelas 1 9 3 4 8 Kelas 2 6 6 6 6 Kelas 2 24 Kelas 3 6 6 6 6 Kelas 3 24 Kelas 4 6 6 6 6 Kelas 4 24 Parameter 5 Parameter 35 Kelas Kelas Kelas Kelas Kelas Kelas Kelas Kelas 1 2 3 4 1 2 3 4 Kelas 1 12 12 Kelas 1 8 5 2 9 Kelas 2 4 17 3 Kelas 2 24 Kelas 3 12 12 Kelas 3 24 Kelas 4 12 12 Kelas 4 24 Parameter 10 Parameter 40 Kelas Kelas Kelas Kelas Kelas Kelas Kelas Kelas 1 2 3 4 1 2 3 4 Kelas 1 18 5 1 Kelas 1 7 5 3 9 Kelas 2 1 22 1 Kelas 2 24 Kelas 3 18 6 Kelas 3 24 Kelas 4 2 22 Kelas 4 24 Parameter 15 Parameter 45 Kelas Kelas Kelas Kelas Kelas Kelas Kelas Kelas 1 2 3 4 1 2 3 4 Kelas 1 5 15 4 Kelas 1 6 5 4 9 Kelas 2 23 1 Kelas 2 24 Kelas 3 24 Kelas 3 24 Kelas 4 1 23 Kelas 4 24 Parameter 20 Parameter 50 Kelas Kelas Kelas Kelas Kelas Kelas Kelas Kelas 1 2 3 4 1 2 3 4 Kelas 1 10 11 3 Kelas 1 5 5 5 9 Kelas 2 24 Kelas 2 24 Kelas 3 24 Kelas 3 24 Kelas 4 24 Kelas 4 24 Parameter 25 Kelas Kelas Kelas Kelas 1 2 3 4 Kelas 1 10 1 7 6 Kelas 2 24 Kelas 3 24 Kelas 4 24 AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI AKTUAL PREDIKSI Lampiran 3 Confusion Matrix Kernel Polynomial Ekstraksi Ciri 50 Parameter 1 AKTUAL PREDIKSI Kelas Kelas Kelas Kelas 1 2 3 4 Kelas 1 13 7 1 3 Kelas 2 24 Kelas 3 2 22 Kelas 4 24 Parameter 2 AKTUAL PREDIKSI Kelas Kelas Kelas Kelas 1 2 3 4 Kelas 1 24 Kelas 2 24 Kelas 3 4 20 Kelas 4 1 23 Parameter 3 AKTUAL PREDIKSI Kelas Kelas Kelas Kelas 1 2 3 4 Kelas 1 24 Kelas 2 24 Kelas 3 4 2 18 Kelas 4 1 23 Parameter 4 AKTUAL PREDIKSI Kelas Kelas Kelas Kelas 1 2 3 4 Kelas 1 24 Kelas 2 1 23 Kelas 3 19 1 4 Kelas 4 2 22 Lampiran 3 Lanjutan Confusion Matrix Kernel Polynomial Ekstraksi Ciri 60 Parameter 1 AKTUAL PREDIKSI Kelas Kelas Kelas Kelas 1 2 3 4 Kelas 1 14 6 1 3 Kelas 2 24 Kelas 3 2 22 Kelas 4 24 Parameter 2 AKTUAL PREDIKSI Kelas Kelas Kelas Kelas 1 2 3 4 Kelas 1 24 Kelas 2 24 Kelas 3 4 20 Kelas 4 1 23 Parameter 3 AKTUAL PREDIKSI Kelas Kelas Kelas Kelas 1 2 3 4 Kelas 1 24 Kelas 2 24 Kelas 3 8 4 12 Kelas 4 1 23 Parameter 4 AKTUAL PREDIKSI Kelas Kelas Kelas Kelas 1 2 3 4 Kelas 1 15 7 2 Kelas 2 24 Kelas 3 6 4 1 13 Kelas 4 24 Lampiran 3 Lanjutan Confusion Matrix Kernel Polynomial Ekstraksi Ciri 70 Parameter 1 AKTUAL PREDIKSI Kelas Kelas Kelas Kelas 1 2 3 4 Kelas 1 18 4 2 Kelas 2 1 23 Kelas 3 6 18 Kelas 4 1 23 Parameter 2 AKTUAL PREDIKSI Kelas Kelas Kelas Kelas 1 2 3 4 Kelas 1 24 Kelas 2 1 23 Kelas 3 2 17 5 Kelas 4 24 Parameter 3 AKTUAL PREDIKSI Kelas Kelas Kelas Kelas 1 2 3 4 Kelas 1 24 Kelas 2 1 23 Kelas 3 19 1 4 Kelas 4 2 22 Parameter 4 AKTUAL PREDIKSI Kelas Kelas Kelas Kelas 1 2 3 4 Kelas 1 18 6 Kelas 2 12 12 Kelas 3 11 13 Kelas 4 13 11 Lampiran 3 Lanjutan Confusion Matrix Kernel Polynomial Ekstraksi Ciri 75 Parameter 1 AKTUAL PREDIKSI Kelas Kelas Kelas Kelas 1 2 3 4 Kelas 1 17 3 4 Kelas 2 24 Kelas 3 8 16 Kelas 4 24 Parameter 2 AKTUAL PREDIKSI Kelas Kelas Kelas Kelas 1 2 3 4 Kelas 1 24 Kelas 2 1 23 Kelas 3 5 11 8 Kelas 4 1 23 Parameter 3 AKTUAL PREDIKSI Kelas Kelas Kelas Kelas 1 2 3 4 Kelas 1 20 4 Kelas 2 2 22 Kelas 3 21 2 1 Kelas 4 1 23 Parameter 4 AKTUAL PREDIKSI Kelas Kelas Kelas Kelas 1 2 3 4 Kelas 1 18 6 Kelas 2 12 12 Kelas 3 11 13 Kelas 4 13 11 Lampiran 3 Lanjutan Confusion Matrix Kernel Polynomial Ekstraksi Ciri 80 Parameter 1 AKTUAL PREDIKSI Kelas Kelas Kelas Kelas 1 2 3 4 Kelas 1 16 2 6 Kelas 2 24 Kelas 3 11 13 Kelas 4 1 23 Parameter 2 AKTUAL PREDIKSI Kelas Kelas Kelas Kelas 1 2 3 4 Kelas 1 23 1 Kelas 2 1 23 Kelas 3 2 6 7 9 Kelas 4 24 Parameter 3 AKTUAL PREDIKSI Kelas Kelas Kelas Kelas 1 2 3 4 Kelas 1 17 7 Kelas 2 24 Kelas 3 18 6 Kelas 4 1 23 Parameter 4 AKTUAL PREDIKSI Kelas Kelas Kelas Kelas 1 2 3 4 Kelas 1 18 6 Kelas 2 18 6 Kelas 3 18 6 Kelas 4 18 6 Lampiran 3 Lanjutan Confusion Matrix Kernel Polynomial Ekstraksi Ciri 85 Parameter 1 AKTUAL PREDIKSI Kelas Kelas Kelas Kelas 1 2 3 4 Kelas 1 15 2 2 5 Kelas 2 24 Kelas 3 8 16 Kelas 4 2 22 Parameter 2 AKTUAL PREDIKSI Kelas Kelas Kelas Kelas 1 2 3 4 Kelas 1 22 2 Kelas 2 1 23 Kelas 3 5 3 4 12 Kelas 4 24 Parameter 3 AKTUAL PREDIKSI Kelas Kelas Kelas Kelas 1 2 3 4 Kelas 1 1 23 Kelas 2 24 Kelas 3 6 18 Kelas 4 1 16 7 Parameter 4 AKTUAL PREDIKSI Kelas Kelas Kelas Kelas 1 2 3 4 Kelas 1 24 Kelas 2 24 Kelas 3 24 Kelas 4 24 Lampiran 3 Lanjutan Confusion Matrix Kernel Polynomial Ekstraksi Ciri 90 Parameter 1 AKTUAL PREDIKSI Kelas Kelas Kelas Kelas 1 2 3 4 Kelas 1 14 2 2 6 Kelas 2 24 Kelas 3 8 16 Kelas 4 2 22 Parameter 2 AKTUAL PREDIKSI Kelas Kelas Kelas Kelas 1 2 3 4 Kelas 1 15 7 2 Kelas 2 24 Kelas 3 6 4 1 13 Kelas 4 24 Parameter 3 AKTUAL PREDIKSI Kelas Kelas Kelas Kelas 1 2 3 4 Kelas 1 24 Kelas 2 24 Kelas 3 24 Kelas 4 24 Parameter 4 AKTUAL PREDIKSI Kelas Kelas Kelas Kelas 1 2 3 4 Kelas 1 24 Kelas 2 24 Kelas 3 24 Kelas 4 24 Lampiran 3 Lanjutan Confusion Matrix Kernel Polynomial Ekstraksi Ciri 95 Parameter 1 AKTUAL PREDIKSI Kelas Kelas Kelas Kelas 1 2 3 4 Kelas 1 11 4 1 8 Kelas 2 24 Kelas 3 11 13 Kelas 4 24 Parameter 2 AKTUAL PREDIKSI Kelas Kelas Kelas Kelas 1 2 3 4 Kelas 1 5 17 2 Kelas 2 24 Kelas 3 3 4 17 Kelas 4 1 23 Parameter 3 AKTUAL PREDIKSI Kelas Kelas Kelas Kelas 1 2 3 4 Kelas 1 24 Kelas 2 24 Kelas 3 24 Kelas 4 24 Parameter 4 AKTUAL PREDIKSI Kelas Kelas Kelas Kelas 1 2 3 4 Kelas 1 24 Kelas 2 24 Kelas 3 24 Kelas 4 24 ii ABSTRACT SEPTI EKA WARDHANI. Trades, Habitat Charactesictics and Demographyc Parameters of Harvested Reticulated Pythons Python Reticulatus Scheider 1801 in Central Kalimantan Province. Under direction of Yanto Santosa and Nandang Prihadi. Reticulated python Python reticulatus has 180.000 heads annual quota. Despite of the commercial use of this species, a good management of the habitat and population is needed for its sustainability. This research was aimed to identify trades, the habitat charactesictics, harvestings, demographyc parameters and morphometry of harvested reticulated python. The research area was within harvesting areas, management authority, snakes collectors and traders in six regency in Central Kalimantan Province. The research method for trades was done by interviewing several actors of management authority, snakes collectors and traders. The habitat was performed by measuring the environment variables at every plot of capturing and nesting habitat, neither the snakes were captured or not. Harvestings, demographyc parameters morphometry variables of harvested snakes at every plot of habitats, catchers and collector were calculated and measured. Descriptive statistical analyzes showed that traders structure were consisted of collectors, middle man and legal permit owner. Kruskal Wallis and Kolmogorov-Smirnov test showed that there was no habitat preference by the reticulated python. Harvesting estimation derived from location of survey was 26.73 at collector stage and about 31.95 at middle man stage comparing to annual quota of Central Kalimantan Province. Capturing criteria was based on the size of body length, rather than the sex. The sex ratio of captured snakes in collectors was 1:0.72 and middle man was 1:1.07. The age class most captured both in collectors and middle men was the adult male 99 and 89 from all male. This trend occurred because the adult male has a similar size with the young female. Keywords: reticulated python, Python reticulatus, trade, habitat, harvesting, demographyc parameter, morphometry. iii RINGKASAN SEPTI EKA WARDHANI. Tata Niaga, Karakteristik Habitat dan Parameter Demografi Sanca Batik Python reticulatus Scheider 1801 yang Dipanen di Propinsi Kalimantan Tengah. Dibimbing oleh Yanto Santosa dan Nandang Prihadi. Sanca batik Python reticulatus Scheider 1801 adalah salah satu jenis ular yang banyak dieksploitasi. Pemanenan dari alam diperbolehkan namun pemanenan tersebut harus menjamin adanya kelestarian. Populasi akan lestari bila jumlah kematian sama dengan jumlah kelahiran. Penangkapan yang kurang dari batas maksimum perolehan secara lestari adalah lestari secara teoritis, sedangkan penangkapan pada atau dekat dengan batas maksimum perolehan secara lestari akan bersifat lebih riskan. Otoritas Pengelola di Indonesia telah menerapkan sistem kuota untuk menjamin kelestarian populasi di alam. Namun selama ini, kuota tahunan hanya ditetapkan berdasarkan jumlah realisasi tahun sebelumnya tanpa memperhatikan data yang lain. Kelemahan dalam penetapan kuota tangkap tersebut menjadi dasar perlunya dilakukan penelitian untuk menjadi bahan pertimbangan dalam penetapan kuota tangkap. Penelitian ini ditujukan untuk memberikan gambaran mengenai tata niaga, karakteristik habitat, panenan, parameter demografi dan morfometri Python reticulatus yang dipanen di Kalimantan Tengah agar bisa dijadikan sebagai salah satu informasi ilmiah untuk penentuan kuota panenan yang lestari. Data tata niaga diambil dengan metode wawancara dengan narasumber dari Balai KSDA Kalimantan Tengah, pengumpul perantara, penangkap dan pemilik ijin. Jenis data yang dipergunakan untuk analisis tata niaga adalah pelaku, jalur, teknik penangkapan dan pengulitan, harga dan ukuran Python reticulatus yang diperdagangkan. Analisis data menggunakan analisis deskriptif. Data karakteristik habitat diambil pada lokasi ular ditangkap. Data habitat tangkap adalah adatidak ular, ketinggian lokasi m dpl, suhu air C, suhu udara C, kelembaban udara dan ph air. Data habitat bersarang adalah adatidak ular pada suatu sarang, suhu udara C, kelembaban udara , pH tanah, kedalaman sarang cm dan lebar mulut sarang cm. Analisis yang digunakan adalah uji Kruskal-Wallis, Kolmogorov-Smirnov, t-test dua sampel independen dan deskriptif. Data panenan, parameter demografi dan morfometri diambil di tingkat penangkap dan pengumpul perantara dengan jenis data berupa jumlah, jenis kelamin. Analisis yang digunakan adalah analisis deskriptif. Hasil penelitian menunjukkan bahwa pelaku tata niaga Python reticulatus di Kalimantan Tengah adalah penangkap, pengumpul perantara dan pemilik ijin resmi penangkap berijin dan pengedar dalam negeri. Harga kulit Python reticulatus ditentukan oleh ukuran, yaitu ukuran dengan harga paling tinggi adalah panjang ≥ 350 cm, lebar perut ≥ 32 cm dan lebar ekor ≥ 12 cm dengan harga Rp 80 000,00 pada tingkat pemilik ijin. Habitat tangkap Python reticulatus di Kalimantan Tengah adalah lahan dengan penggunaan intensif oleh manusia, yaitu kebun kelapa sawit, kebun karet dan rawa-rawa. Habitat bersarang Python reticulatus di Kalimantan Tengah adalah lubang antara kayu di bawah jembatan di kebun kelapa sawit. Hasil analisis pada habitat tangkap maupun habitat bersarang, tidak ada satupun peubah iv yang berpengaruh secara signifikan terhadap perjumpaan Python reticulatus. Hal ini diduga menunjukkan bahwa Python reticulatus tidak memiliki habitat preferensial. Kelimpahan panenan pada penangkap pada saat penelitian adalah 117 ekor dan estimasi kelimpahan panenan berdasarkan kinerja penangkap pada akhir tahun 2012 adalah 2 940 ekor atau 26.73 dari kuota tangkap Kalimantan Tengah tahun 2012. Kelimpahan panenan pada pengumpul perantara pada saat penelitian adalah 56 ekor dan estimasi kelimpahan panenan berdasarkan kinerja pengumpul perantara pada akhir tahun 2012 adalah 3 515 ekor atau 31.95 dari kuota tangkap Kalimantan Tengah tahun 2012. Sex rasio Python reticulatus yang tertangkap pada tingkat penangkap adalah 1:0.72 dan pada tingkat pengumpul perantara adalah 1:1.07. Pada tingkat penangkap, Python reticulatus yang tertangkap 57.26 pada kelas umur jantan dewasa, 40.17 pada kelas umur betina dewasa, 1.71 betina muda dan 0.85 jantan muda dan tidak ada bayi yang tertangkap. Pada pengumpul perantara, prosentase Python reticulatus jantan dewasa dan betina dewasa yang dikumpulkan sama, yaitu masing-masing 42.86, sedangkan betina muda yang dikumpulkan sebanyak 8.93 dan jantan muda 5.36. Berdasarkan hasil analisis, tidak ada perbedaan yang signifikan antara ukuran Python reticulatus jantan dan betina yang tertangkap, baik pada penangkap maupun pada pengumpul perantara. Hal ini menunjukkan bahwa jenis kelamin bukan merupakan kriteria penangkapan. Penangkapan cenderung mengikuti permintaan pasar dengan ukuran tertentu. Kata kunci: sanca batik, Python reticulatus, tata niaga, habitat, panenan, parameter demografi, morfometri.

I. PENDAHULUAN

1.1. Latar Belakang

Konservasi satwaliar meliputi kegiatan perlindungan, pengawetan dan pemanfaatan Sekditjen PHKA 2007a. Pemanfaatan satwaliar menjadi kegiatan yang dilakukan manusia untuk memenuhi kebutuhannya Indrawan et al. 2007. Satwaliar merupakan salah satu produk yang mempunyai nilai kegunaan produktif. Salah satu bentuk pemanfaatan satwaliar di Indonesia adalah untuk perdagangan, baik perdagangan di dalam negeri maupun luar negeri ekspor. Ekspor reptil Indonesia sebagian besar dilakukan dalam bentuk kulit dan sebagian kecil satwaliar hidup untuk peliharaan Arifin 1998; Yuwono 1998; Mardiastuti Soehartono 2003; Semiadi Sidik 2011. Kegiatan ini sudah dimulai sejak tahun 1980-an. Pada kurun waktu tahun 1983-1999, Indonesia telah mengekspor 30 juta lembar kulit dengan negara tujuan utama adalah Amerika Serikat, Jepang, Singapura, Mexico dan Italia Mardiastuti Soehartono 2003.

1.2. Perumusan Masalah

Salah satu jenis ular yang banyak dipanen adalah Python reticulatus atau sanca batik Abel 1998; Requier 1998; Shine et al. 1998a; Yuwono 1998; Auliya et al. 2002; Mardiastuti Soehartono 2003. Menurut Mardiastusti dan Soehartono 2003, pada tahun 1983-1999 Python reticulatus, diekpor dengan jumlah lebih dari 200 000 lembartahun. Kuota tangkap Python reticulatus pada tahun 2010, 2011 dan 2012 sebanyak 180 000 ekor, dari jumlah itu, 175 000 ekor untuk kulit dan 5 000 ekor dalam bentuk hidup untuk binatang peliharaan pet PHKA 2010a, 2010b, 2011. Daerah pengambilan Python reticulatus tahun 2010, 2011 dan 2012 meliputi 16 propinsi untuk kulit dan 7 propinsi untuk pet. Kuota Python reticulatus selalu paling banyak dibanding ular lain yang termasuk dalam kategori Appendix II CITES karena sebarannya yang dianggap luas dan populasinya masih besar. Menurut Keogh et al. 2001, sebaran Python breitensteini ada di Kalimantan, Python curtus dan Python brongersmai di Sumatera, sedangkan menurut Shea 2007, sebaran Python reticulatus di Indonesia cukup luas meliputi Mentawai, Sumatera, Lesser Sunda, Tanimbar sampai ke Maluku. Kulit yang cukup lebar dengan corak yang bagus memudahkan untuk dibentuk menjadi berbagai barang kerajinan seperti tas, dompet, ikat pinggang, gelang, sepatu bahkan baju dan jaket. Kuota panenan kuota tangkap seharusnya ditetapkan berdasarkan jumlah panenan yang lestari. Masalahnya adalah otoritas pengelola seringkali tidak mempunyai data yang up to date mengenai populasi yang ada pada saat tersebut, padahal mereka harus menentukan kuota panenan justru sebelum jumlah panenan tahunan diketahui dengan pasti Sinclair et al. 2006. Pada umumnya, pengelola hanya mengetahui sedikit mengenai populasi dari informasi yang diperoleh dari panenan yang berhasil pada tahun sebelumnya. Informasi tersebut akan menjadi dasar ijin jumlah perkiraan panenan yang diperbolehkan, berdasarkan kelimpahan populasi pada akhir pemanenan. Dengan kata lain, pengelola harus mengetahui kondisi populasi pada saat akhir panenan untuk menentukan kuota panen pada tahun berikutnya agar populasi tetap konstan. Ketidakpastian akan menyebabkan peningkatan resiko panenan yang berlebih overharvesting. Menurut Sinclair et al. 2006, strategi pemanenan yang lestari sebenarnya sangat sederhana, yaitu melakukan panenan pada populasi dengan jumlah yang sama dengan pertumbuhannya. Penangkapan yang kurang dari batas maksimum perolehan secara lestari adalah lestari secara teoritis, sedangkan penangkapan pada atau dekat dengan batas maksimum perolehan secara lestari akan bersifat lebih riskan Webb Vardon 1998. Keberlanjutan populasi yang dipanen tergantung pada strategi regulasi batasan secara legal yang digunakan untuk mengatur panenan tersebut dan strategi yang paling mudah adalah penerapan kuota panenan yang tetap dari tahun ke tahun Sinclair et al. 2006. Pada kenyataannya, penetapan kuota lebih banyak berdasarkan pada realisasi tahun sebelumnya tanpa memperhatikan kondisi aktual mengenai populasi dan habitat, terutama pada saat setelah dilakukan pemanenan yang terakhir. Hal ini terjadi karena masih sangat minimnya data tersebut. Tidak pada semua satwaliar dilakukan penelitian untuk menetapkan kuotanya. Apabila penentuan kuota hanya berdasarkan kuota tahun sebelumnya, maka bisa terjadi kemungkinan pemanenan yang berlebih karena kondisi populasi yang terakhir tidak diketahui. Padahal menurut Pearce dan Turner 1990 pemanenan yang tidak memperhatikan kelestarian akan mengancam populasi dan menyebabkan kepunahan spesies yang dipanen tersebut. Populasi akan lestari bila jumlah kematian pemanenan sama dengan jumlah kelahiran laju pertumbuhan. Untuk mengetahui laju pertumbuhan populasi, diperlukan data parameter demografi. Selain itu, faktor habitat juga sangat menentukan pertumbuhan populasi. Oleh karena itu, penelitian mengenai parameter demografi dan kondisi habitat harus dilakukan. Faktor lain yang juga perlu dikaji adalah tata niaga karena tata niaga berperan dalam tinggi rendahnya pemanenan. Gambaran tata niaga bisa menunjukkan nilai ekonomi satwaliar tersebut. Semakin tinggi nilai ekonominya maka akan semakin banyak pelaku tata niaga dan akan semakin besar pula panenan yang dilakukan. Mekanisme penangkapan dan peredaran satwaliar sudah diatur dalam SK Menteri Kehutanan No. 443Kpts-II2003, namun perlu dilihat apakah mekanisme penangkapan dan peredarannya sudah sesuai dengan aturan tersebut. Jumlah penangkapan sudah ditentukan dengan kuota, namun perlu diketahui pula benarkah jumlah yang ditangkap tersebut benar-benar sesuai kuota. Informasi mengenai tata niaga, habitat dan populasi akan memberikan gambaran kelestarian satwaliar tersebut di alam. Tata niaga yang menyimpang dari aturan bisa jadi menyebabkan terjadinya gangguan pada kelestarian. Data habitat bisa menggambarkan kondisi aktual lokasi panenan dilakukan. Data populasi yang meliputi parameter demografi, morfometri dan populasi panenan akan memberikan gambaran keadaan populasi satwa di alam, apakah jumlah panenan masih melimpah yang berarti keberadaannya di alam masih banyak dan mudah ditemukan, sex rasio masih seimbang, kelas umur yang dipanen dan ukuran yang dipanen. Daerah pengambilan Python reticulatus untuk kulit yaitu Nanggro Aceh Darussalam NAD, Sumatera Utara, Sumatera Barat, Riau, Bengkulu, Jambi, Sumatera Selatan, Lampung, Nusa Tenggara Barat NTB, Kalimantan Barat, Kalimantan Tengah, Kalimantan Timur, Sulawesi Selatan, Sulawesi Tengah, dan Maluku . Daerah pengambilan Python reticulatus untuk pet yaitu Sumatera Utara, Bengkulu, Sumatera Selatan, Lampung, Kalimantan Barat, Kalimantan Tengah dan Sulawesi Selatan. Daerah pengambilan terbanyak adalah Sulawesi Selatan. Sedangkan propinsi terluas untuk daerah pengambilan ini adalah Kalimantan Barat dan Kalimantan Tengah. Kalimantan Tengah dipilih sebagai lokasi penelitian karena beberapa alasan. Sebagai lokasi pengambilan terluas nomor dua, Kalimantan Tengah hanya mempunyai kuota tangkap nomor tujuh. Dengan luasnya wilayah Kalimantan Tengah, kemungkinan populasi Python reticulatus lebih besar dibanding lokasi lain yang lebih sempit namun memiliki kuota yang lebih banyak. Selama ini, penelitian mengenai Python reticulatus di Kalimantan Tengah juga masih sangat sedikit. Shine et al. 1998a, 1998b, 1998c, Abel 1998, Semiadi dan Sidik 2011 dan Siregar 2012 melakukan penelitian di Sumatera. Sedangkan Riquier 1998 telah melakukan penelitian di Kalimantan, namun lebih banyak dilakukan di Kalimantan Barat dan Kalimantan Timur. Dalam penelitiannya itu, Riquier menyatakan bahwa hasil penelitiannya belum bisa menggambarkan kepadatan populasi di Kalimantan karena wilayah studi yang tidak lengkap. Wilayah studi harusnya difokuskan dengan memilih satu tapak tertentu. Dengan demikian, cukup tepat alasan memilih Kalimantan Tengah sebagai lokasi penelitian.

1.3. Tujuan

Berdasarkan perumusan masalah di atas, maka tujuan penelitian ini adalah: a. Mendeskripsikan tata niaga Python reticulatus dari penangkap sampai eksportir di Kalimantan Tengah. b. Mendeskripsikan karakteristik habitat Python reticulatus di Kalimantan Tengah. c. Mengidentifikasi parameter demografi Python reticulatus yang tertangkap di Kalimantan Tengah. d. Mengidentifikasi morfometri Python reticulatus yang tertangkap di Kalimantan Tengah.

1.3. Manfaat Penelitian

a. Memberikan informasi ilmiah mengenai habitat, populasi dan pemanenan Python reticulatus di Kalimantan Tengah yang bisa digunakan sebagai dasar ilmiah dalam melakukan tindakan pengelolaan. b. Memberikan data ilmiah mengenai tata niaga dan tipe penangkapan Python reticulatus di Kalimantan Tengah untuk menentukan penangkapan dengan memperhatikan prinsip kehati-hatian precautionary principle dan penangkapan yang tidak menimbulkan kerusakan di alam non-detriment findings.

II. TINJAUAN PUSTAKA

2.1. Bioekologi

Python reticulatus Scheider 1801 Python reticulatus dimasukkan dalam kelompok ular pembelit raksasa oleh Hoesel 1959 dan diklasifikasikan dalam: Kingdom : Animal Filum : Chordata Kelas : Reptilia Ordo : Squamata Famili : Pythonidae Genus : Python Spesies : Python reticulatus Scheider 1801 Python reticulatus biasa disebut dengan nama reticulated python Tweedie 1983, sanca batik dan puspo kajang Indonesia Hoesel 1959. Penangkap di Kalimantan Tengah menyebutnya ular sawa. Python reticulatus merupakan saudara satu genus dengan ular raksasa lain yaitu Python morulus yang biasa disebut sebagai ular sawah Hoesel 1959, sanca bodo Indonesia, Indian python atau rock python Tweedie 1983. Corak pada kulit Python reticulatus menyerupai jala dengan bentuk mata jala agak bulat dan warna utamanya coklat muda dan kuning Hoesel 1959. Menurut Tweedie 1983, Python reticulatus mempunyai kulit bermotif coklat kekuningan dengan garis hitam membujur dari moncong hingga ke belakang kepala. Python reticulatus mempunyai warna dasar coklat terang yang akan menjadi lebih gelap pada Python reticulatus yang tua dan besar dengan pola garis batik yang berwarna hitam tebal dan rumit, dibatasi oleh warna kuning dibagian dalamnya hingga menjadi sebuah pola yang tersusun secara reguler. Python reticulatus mempunyai sisa-sisa kaki belakang yang terlihat seperti sepasang cakar pendek pada kiri dan kanan lubang pelepasan Hoesel 1959. Anak matanya pipih tegak, ini merupakan ciri-ciri satwa ini berburu makanan pada malam hari. Menurut Hoesel 1959, cara perkembangbiakkan Python reticulatus adalah dengan bertelur. Tweedie 1983 menyebutkan bahwa Python reticulatus bertelur antara 10 sampai 100 butir tergantung pada ukuran tubuhnya. Python reticulatus dapat bereproduksi setiap tahun pada iklim tropis Stuebing Inger 1999. Semakin besar ukuran tubuh, semakin banyak telurnya. Betina mengerami telurnya dengan cara melingkarkan tubuhnya disekeliling telur. Masa pengeraman berlangsung selama 94 sampai 101 hari.

2.2. Pengelolaan Satwaliar Secara Lestari

Hilangnya habitat dan penangkapan satwaliar secara besar-besaran akan menyebabkan menurunnya jumlah tangkapan setiap tahunnya, mengurangi keuntungan bagi manusia dan dalam beberapa kasus akan mempercepat terjadinya kepunahan Webb Vardon 1998. Menurut Webb dan Vardon 1998, satwaliar seringkali tidak memiliki nilai ekonomi yang melebihi nilai ekonomi habitatnya, sehingga habitatnya diluar hutan yang dilindungi akan diubah untuk penggunaan lain. Sedangkan satwaliar yang diketahui mempunyai nilai ekonomi tinggi, akan semakin banyak dieksploitasi. Kepunahan adalah sesuatu yang tidak bisa dihindari. Kepunahan masal pernah terjadi di dunia pada masa geologi lalu Indrawan et al. 2007. Bumi telah mengalami lima kali periode kepunahan. Namun hal ini disebabkan oleh perubahan ekstrim yang terjadi pada bumi itu sendiri. Sedangkan kepunahan yang terjadi saat ini lebih banyak disebabkan karena aktivitas manusia. Indrawan et al. 2007 menyebut ini sebagai kepunahan yang terhutang extinction debt. Kepunahan akibat kegiatan manusia berlangsung 100 kali lebih cepat dibanding kepunahan secara alami Indrawan et al. 2007. Salah satu ancaman utama pada keanekaragaman hayati yang menyebabkan kepunahan adalah pemanfaatan spesies yang berlebihan untuk kepentingan manusia Indrawan et al. 2007. Aktifitas manusia sudah berkontribusi pada 45 penyebab terjadinya penurunan populasi Wheather 1994. Introduksi dan perusakan habitat menyebabkan kepunahan sebesar 39 dan 36 dari penyebab kepunahan yang diketahui, diikuti dengan perburuan yang menyebabkan kepunahan sebesar 23. Dalam suatu skenario yang optimistik, spesies yang dieksploitasi biasanya akan menjadi sangat langka, sehingga perburuan akhirnya di stop dan diharapkan populasi akan kembali melimpah Indrawan et al. 2007.