Seleksi ciri morfologi untuk membangun kunci identifikasi Asterinaceae berdasarkan Principal Component Analysis

SELEKSI CIRI MORFOLOGI UNTUK MEMBANGUN KUNCI
IDENTIFIKASI ASTERINACEAE BERDASARKAN
PRINCIPAL COMPONENT ANALYSIS

KURNIA NURAENI

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2012

SELEKSI CIRI MORFOLOGI UNTUK MEMBANGUN KUNCI
IDENTIFIKASI ASTERINACEAE BERDASARKAN
PRINCIPAL COMPONENT ANALYSIS

KURNIA NURAENI

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
2012

ABSTRACT
KURNIA NURAENI. Selection of Morphological Characters for Setting Up Asterinaceae
Identification Key Using Principal Component Analysis. Supervised by SRI NURDIATI and GAYUH
RAHAYU.
Characters of each fungal species may show similarities to others, such that they are related to
each other. In this case, the characters of 90 species of Asterina, 2 species of Asterolibertia, 7 species
of Lembosia, and 2 species of Parasterinella (Asterinaceae) were studied. These species are delimited
based on 116 morphological characters with three different character states (71 nominal, 33 ordinal,
and 12 numerical). Recognizing each species using all those characters is rather difficult. Therefore,
selection of representative characters is needed. Selection was done by reducing the number of
features to the minimum without losing the essential information using Principal Component Analysis
(PCA) approach. Eventhough PCA is usually applied for one type of data, in this research PCA was

experimented for mixed data types. The purpose was to select the most representative morphological
traits. Selected traits were then used as parameters in the construction of interactive Asterinaceae
identification system using the principal component scores. The result of this research shows that PCA
can be used to reduce the traits with different data types. Its 23 characters out of 116 characters were
selected. The accuracy of the identification system based on those 23 traits was 100%, as all
Asterinaceae species can be identified.
Keywords: Asterinaceae, Character Selection, Identification Key, Important Characters, Principal
Component Analysis.

Judul Skripsi
Nama
NRP

: Seleksi ciri morfologi untuk membangun kunci identifikasi Asterinaceae
berdasarkan Principal Component Analysis
: Kurnia Nuraeni
: G64080065

Menyetujui:
Pembimbing I

Pembimbing II

Dr. Ir. Sri Nurdiati, M. Sc.
NIP. 19601126 198601 2 001

Dr. Ir. Gayuh Rahayu
NIP. 19580105 198303 2 002

Mengetahui:
Ketua Departemen Ilmu Komputer

Dr. Ir. Agus Buono, M.Si, M.Kom
NIP. 19660702 199302 1 001

Tanggal Lulus :

KATA PENGANTAR
Segala puji bagi Allah subhanahu wata’ala atas segala limpahan rahmat serta karunia-Nya
sehingga penulis mampu menyelesaikan penelitian ini dengan baik. Shalawat dan salam penulis

sampaikan kepada Nabi Muhammad shallallahu ‘alaihi wasallam serta kepada keluarganya,
sahabatnya, serta para pengikutnya hingga akhir zaman. Penulis juga menyampaikan terima kasih
kepada seluruh pihak yang telah berperan dalam penelitian ini, yaitu:
1

Almarhum Ayahanda Kinang, Ibunda Eri, serta Adik Muhammad Isya Ramadhan dan
Muhammad Ali Abdurrahman atas doa, kasih sayang, dukungan, serta motivasi kepada penulis
untuk penyelesaian penelitian ini.

2

Ibu Dr. Ir. Sri Nurdiati, M. Sc dan Dr. Ir. Gayuh Rahayu selaku dosen pembimbing yang telah
memberi banyak ide, saran, bantuan, serta dukungan sampai selesainya penelitian ini.

3

Bapak Mushthofa, S. Kom, M.Sc selaku dosen penguji yang telah memberi masukan dan saran
pada penelitian ini.

4

Bapak Hendra Rahmawan, S. Kom, M.T selaku pembimbing akademik yang telah memberikan
bimbingan kepada penulis selama penulis menyelesaikan masa belajar di jurusan Ilmu
Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.

5

Seluruh staf pengajar dan karyawan Departemen Ilmu Komputer, FMIPA IPB yang telah
membantu memfasilitasi segala keperluan kuliah dan birokrasi yang harus diselesaikan penulis.

6

Darina Putri Siswantoro, Linda Dwi Roswitasari, Zola Mukhda, Lizza Amini Gumilar, Latifah
Hanum P., Miftahurrohman, Girisa Hartiwi dan semua teman-teman Pondok Nuansa Sakinah
atas segala kebersamaan suka duka selama hampir 3 tahun tinggal bersama dengan penulis.

7

Alif Kurniawan atas dukungan, motivasi, dan segala bentuk bantuannya dalam penyelesaian
penelitian ini.

8

Vininta Ayudiana Fitriani dan rekan-rekan seperjuangan di Ilmu Komputer IPB angkatan 45
atas segala kebersamaan, bantuan, dukungan, serta kenangan bagi penulis selama menjalani
masa studi. Semoga kita bisa berjumpa kembali kelak sebagai orang-orang sukses.

9

Rekan-rekan satu bimbingan, Muhammad Rifkiaansyah, Indra Lesmana, Cipta Wiraswasta,
Neri Petri Anti, Yuli Susanti, dan Rizka Paramitha semoga lancar dalam melanjutkan
penelitiannya.

10

Adik-adik panti asuhan Raksa Putra dan para anak jalanan yang selalu meringankan beban
pikiran, memberikan motivasi dan pelajaran hidup bagi penulis dengan keceriaan, cerita, dan
kisah hidup kalian sehingga penulis tetap semangat dalam menyelesaikan penelitian.

Penulis berharap penelitian ini dapat memberikan manfaat, khususnya bagi peneliti Ilmu

Komputer dan Institut Pertanian Bogor serta Departemen Pertanian pada umumnya.

Bogor, Juli 2012

Kurnia Nuraeni

RIWAYAT HIDUP
Penulis dilahirkan di Bekasi pada tanggal 22 Mei 1990. Penulis merupakan anak pertama dari
pasangan almarhum Kinang dan Eri. Pada tahun 2008, penulis menamatkan pendidikan di SMA
Negeri 2 Cikarang Utara, Kota Bekasi. Penulis lulus seleksi masuk Institut Pertanian Bogor (IPB)
pada tahun yang sama melalui jalur Undangan Seleksi Masuk IPB dan diterima sebagai mahasiswa di
Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam.
Selama aktif menjadi mahasiswa, penulis menjadi salah satu pengurus Himpunan Mahasiswa
Ilmu Komputer (Himalkom) pada tahun 2010. Penulis juga menjadi asisten praktikum pada mata
kuliah Rekayasa Perangkat Lunak (2010 - 2011). Selain itu, penulis melaksanakan kegiatan Praktik
Kerja Lapangan di Balai Mesin Produksi Perkakas dan Otomasi Badan Penerapan dan Pengkajian
Teknologi Serpong pada tahun 2011.

DAFTAR ISI
Halaman

DAFTAR TABEL ...................................................................................................................... vi
DAFTAR GAMBAR .................................................................................................................. vi
DAFTAR LAMPIRAN ............................................................................................................... vi
PENDAHULUAN
Latar Belakang ....................................................................................................................... 1
Tujuan ................................................................................................................................... 1
Ruang Lingkup ...................................................................................................................... 1
METODE PENELITIAN
Gambaran Umum Penelitian ................................................................................................... 1
Studi Literatur ........................................................................................................................ 1
Analisis Jenis Data ................................................................................................................. 2
Analisis Faktor ....................................................................................................................... 2
Uji Matriks Korelasi ............................................................................................................... 2
Principal Component Analysis................................................................................................ 3
Pembuatan Sistem Identifikasi ................................................................................................ 5
Pengujian dan Analisis ........................................................................................................... 5
HASIL DAN PEMBAHASAN
Analisis Jenis Data ................................................................................................................. 6
Analisis Faktor ....................................................................................................................... 6
Uji Matriks Korelasi ............................................................................................................... 6

Uji Kaiser Meyer Olkin (KMO), Uji Barlett, dan Uji Measures of Sampling
Adequacy (MSA).................................................................................................................... 6
Principal Component Analysis................................................................................................ 6
Uji Communalities ................................................................................................................. 6
Total Variance Explained ....................................................................................................... 6
Component Matrix dan Rotated Component Matrix ................................................................ 7
Component Score Coefficient Matrix ...................................................................................... 8
Pembuatan Sistem Identifikasi ................................................................................................ 8
Pengujian dan Analisis ........................................................................................................... 9
SIMPULAN DAN SARAN
Simpulan.............................................................................................................................. 10
Saran ................................................................................................................................... 10
DAFTAR PUSTAKA ................................................................................................................ 10
LAMPIRAN .............................................................................................................................. 11

v

DAFTAR TABEL
Halaman
1 Ciri-ciri terpilih, nilai loading factor, dan nilai summated scales ................................................... 7

2 Penamaan ciri, nilai factor loading, dan component score coefficient matrix ................................... 7

DAFTAR GAMBAR
Halaman
1
2
3
4
5
6
7
8

Gambaran umum proses penelitian. ............................................................................................... 2
Uji matriks korelasi dan proses Principal Component Analysis. ...................................................... 4
Antarmuka awal sistem identifikasi. .............................................................................................. 9
Antarmuka tentang sistem. ............................................................................................................ 9
Antarmuka identifikasi. ................................................................................................................. 9
Antarmuka peringatan. .................................................................................................................. 9
Antarmuka hasil identifikasi (1)..................................................................................................... 9

Antarmuka hasil identifikasi (2)..................................................................................................... 9

DAFTAR LAMPIRAN
Halaman
1
2
3
4
5
6
7
8

Data asli ...................................................................................................................................... 12
Matriks korelasi .......................................................................................................................... 19
Uji KMO dan uji Barlett.............................................................................................................. 24
Anti-image correlation ................................................................................................................ 25
Communalities ............................................................................................................................ 30
Total variance explained ............................................................................................................. 31
Component matrix dan rotated component matrix ........................................................................ 32
Component score coefficient matrix ............................................................................................. 34

vi

1

PENDAHULUAN
Latar Belakang
Cendawan merupakan suatu kelompok
mikroorganisme yang sangat besar dan dapat
ditemukan pada semua relung ekologi. Menurut
Hawksworth (1991), diperkirakan 1.500.000
spesies cendawan terdapat di dunia dan 69.000
spesies telah dideskripsikan. Pengelompokan
spesies
cendawan
tersebut
dilakukan
berdasarkan morfologi.
Menurut Gandjar et al. (2006), satu jenis
cendawan dapat dibedakan dengan jenis
cendawan
lain
berdasarkan
bentuk
morfologinya. Asterinaceae merupakan salah
satu cendawan yang hidup di permukaan daun.
Di seluruh dunia telah dikenal sebanyak 336
spesies Asterina (Kirk et al. 2008). Rahayu
(1992) telah mendeskripsikan 90 spesies
Asterina asal Australia. Spesies-spesies ini
dibangun berdasarkan 116 ciri morfologi.
Berdasarkan ciri-ciri ini, Rahayu (1992) juga
telah mengenal 2 spesies Asterolibertia, 7
spesies Lembosia, dan 2 spesies Parasterinella.
Ciri-ciri yang terdapat pada setiap spesies
tersebut terkadang memiliki kemiripan yang
menyebabkan beberapa spesies tersebut saling
terkait satu sama lain.
Pada saat ini, pengenalan spesies-spesies
berdasarkan 116 ciri tersebut masih sulit. Oleh
karena itu, seleksi ciri pembeda perlu dilakukan
dengan mereduksi jumlah ciri sampai tingkat
minimum tanpa kehilangan informasi awalnya.
Cara tersebut diharapkan dapat mempermudah
pengenalan spesies-spesies cendawan. Metode
Principal
Component
Analysis
(PCA)
merupakan salah satu analisis statistik yang
dapat diterapkan untuk mereduksi jumlah ciri
(Jolliffe 2002).
Pada umumnya, PCA digunakan untuk
mereduksi satu jenis data. Penelitian yang
dilakukan oleh Triyoga (2011) dan Kurniawati
(2008) menggunakan metode PCA pada jenis
data numerik. Ahamad (1967) menggunakan
data numerik untuk menganalisis faktor-faktor
yang
memengaruhi
tingginya
tingkat
kriminalitas. Roswitasari (2012) menggunakan
data ordinal untuk menganalisis faktor-faktor
yang memengaruhi perilaku konsumen dalam
keputusan pembelian susu cair Ultra Milk.
Dalam penelitian ini PCA diujicobakan
untuk jenis data campuran. Data tersebut
merupakan data hasil pengelompokan spesies
Asterinaceae yang telah dispesifikasikan
menurut morfologi. Melalui data tersebut,
penelitian ini berusaha menyeleksi 116 ciri

morfologi menggunakan metode PCA dengan
cara mereduksi dan mencari variabel ciri
penting yang dapat mewakili 116 ciri tersebut.
Ciri terpilih hasil seleksi digunakan sebagai
parameter dalam pembuatan sistem identifikasi
Asterinaceae sederhana dengan memanfaatkan
nilai principal component-nya.
Tujuan
Tujuan dari penelitian ini yaitu:
 mereduksi ciri dan mencari ciri penting yang
dapat mewakili 116 ciri lain dengan
menggunakan metode Principal Component
Analysis (PCA) pada jenis data ciri
Asterinaceae yang berbeda, dan
 membuat sistem identifikasi Asterinaceae
sederhana dengan memanfaatkan nilai
principal component.
Ruang Lingkup
Data yang digunakan untuk penelitian ini
berasal dari hasil penelitian Departemen
Biologi, Fakultas Matematika dan Ilmu
Pengetahuan Alam, Institut Pertanian Bogor
yang berjudul Australian hyphopodiate
Asterinaceae: a taxonomic revision. Data yang
digunakan ialah nama-nama jenis spesies
Asterinaceae beserta ciri-cirinya yang telah
diklasifikasikan berdasarkan morfologi. Data
tersebut berjumlah 101 spesies Asterinaceae
beserta 116 ciri.
Sistem identifikasi Asterinaceae hanya
mampu mendeteksi spesies berdasarkan
masukan yang sesuai dengan sumber data yang
telah ditentukan.

METODE PENELITIAN
Gambaran Umum Penelitian
Gambaran umum tahapan proses pada
penelitian ini dapat dilihat pada Gambar 1.
Selanjutnya, analisis faktor terbagi menjadi 2
proses, yaitu pengujian matriks korelasi dan
proses perhitungan PCA yang dapat dilihat pada
Gambar 2.
Studi Literatur
Pada tahap ini dilakukan pengumpulan dan
penelaahan jurnal dan buku-buku terkait dengan
permasalahan yang dihadapi dalam penelitian.

2

Analisis Faktor
Menurut Santoso dan Tjiptono (2001),
analisis faktor pada prinsipnya digunakan untuk
mereduksi data, yaitu proses untuk meringkas
sejumlah variabel menjadi jumlah yang lebih
sedikit dan menamakannya sebagai faktor. Jadi,
10 atribut tersebut dapat diringkas menjadi
hanya 3 faktor utama. Proses analisis faktor
mencoba menemukan hubungan antarsejumlah
variabel yang saling independen satu dengan
yang lain sehingga dapat dibuat satu atau
beberapa kumpulan variabel yang lebih sedikit
dari jumlah variabel awal (Santoso 2002).
Dalam analisis faktor, ada beberapa tahapan
yang harus dilakukan, yaitu pengujian matriks
korelasi dan pencarian faktor dengan Principal
Component Analysis (PCA). Proses analisis ini
dilakukan
dengan
bantuan
software
PASWStatistics18.
Uji Matriks Korelasi
Menurut
Simamora
(2005),
multikolinearitas adalah korelasi antarvariabel.
Multikolinearitas cenderung dihindari dalam
regresi linear berganda, namun diinginkan
dalam analisis faktor. Bahkan, analisis faktor
tidak dapat dilakukan jika tidak terdapat
multikolinearitas. Pada tahap ini, 116 ciri yang
telah dianalisis jenis data tersebut akan
dilakukan uji matriks korelasi dengan 3 macam
pengujian, yaitu:
1 Uji Measures of Sampling Adequacy (MSA)

Gambar 1 Gambaran umum proses penelitian.
Analisis Jenis Data
Data yang digunakan terdiri atas 101 spesies
Asterinaceae beserta 116 ciri. Data tersebut
dapat dilihat pada Lampiran 1. Banyaknya ciri
menyebabkan perlunya analisis jenis data pada
setiap ciri tersebut.
Analisis dilakukan dengan melihat jenis data
di setiap ciri. Tujuannya ialah menentukan jenis
atau tingkatan data di setiap ciri tersebut. Jenis
atau tingkatan data terdiri atas data numerik,
data nominal, data ordinal, data interval, dan
data rasio.

Pengujian ini bertujuan
mengetahui
koefisien korelasi parsial antarvariabel. Korelasi
parsial merupakan korelasi yang tidak
dipengaruhi oleh variabel lain. Menurut
Walpole (1983), perhitungan matematis untuk
mendapatkan koefisien korelasi parsial ialah:
ry2 - ry1 r12
ry2.1 =
(1- r2y1 ) (1- r212 )

dengan

ry2.1 = koefisien korelasi parsial antara Y dan X2
sementara X1 dibuat tetap
ry1 = koefisien korelasi biasa antara Y dan X1
ry2 = koefisien korelasi biasa antara Y dan X2
r12 = koefisien korelasi biasa antara X1 dan X2
r2y1 = kuadrat koefisien korelasi biasa antara Y
dan X1
r212 = kuadrat koefisien korelasi biasa antara X1
dan X2.

3

Angka MSA berkisar dari 0 sampai 1
dengan kriteria:
 MSA = 1, variabel tersebut dapat diprediksi
tanpa kesalahan oleh variabel lain.
 MSA ≥ 0.5, variabel masih bisa diprediksi
dan bisa dianalisis lebih lanjut.
 MSA < 0.5, variabel tidak bisa diprediksi
dan tidak bisa dianalisis lebih lanjut, atau
dikeluarkan dari variabel lainnya.

 Hipotesis
H0: matriks korelasi merupakan matriks
identitas.
H1: matriks korelasi bukan merupakan
matriks identitas.
 Statistik Uji
x2obs = ( N-1) -

( 2P +5)

6

ln| R|

2 Uji Kaiser Meyer Olkin (KMO)

dengan

Pengujian ini bertujuan
mengetahui
kelayakan analisis faktor sebuah data. Formula
untuk menghitung KMO sebagai berikut:

N = jumlah observasi
p = jumlah variabel
| R| = determinan matriks korelasi.

dengan

KMO= ∑ ∑

∑ ∑ r2ij

r 2ij + ∑ ∑ a2ij

untuk i ≠ j

rij = koefisien korelasi sederhana antara variabel
i dan variabel j
aij = koefisien korelasi parsial antara variabel i
dan variabel j.
Nilai KMO yang kecil mengindikasikan
bahwa penggunaan analisis faktor harus
dipertimbangkan kembali. Hal ini disebabkan
korelasi antarvariabel tidak dapat diterangkan
oleh variabel lain.
Kaiser (1974) menetapkan karakteristik nilai
KMO yang terdiri atas:
 jika 0.90 < nilai KMO ≤ 1.00 berarti data
sangat baik untuk analisis faktor,
 jika 0.80 < nilai KMO ≤ 0.90 berarti data
baik untuk analisis faktor,
 jika 0.70 < nilai KMO ≤ 0.80 berarti data
agak baik untuk analisis faktor,
 jika 0.60 < nilai KMO ≤ 0.70 berarti data
lebih dari cukup untuk analisis faktor,
 jika 0.50 ≤ nilai KMO ≤ 0.60 berarti data
cukup untuk analisis faktor, dan
 jika nilai KMO < 0.50 berarti data tidak
layak untuk analisis faktor.
3 Uji Barlett
Menurut Widarjono (2010), jika sebagian
besar nilai koefisien korelasi kurang dari 0.5,
dilakukan uji Barlett. Uji Barlett bertujuan
mengetahui
matriks
korelasi
tersebut
merupakan matriks identitas atau bukan.
Menurut Morrison (2005), variabel X1,
X2,…, XP dikatakan bersifat saling bebas
(independent)
jika
matriks
korelasi
antarvariabel membentuk matriks identitas.
Urutan pengujiannya yaitu:

 Keputusan
Pengujian Barlett akan menolak H0 jika nilai
x2obs > xtabel .
Selain itu, melalui output dari software
PASWStatistics18, kriteria uji Barlett juga
dapat dilakukan dengan melihat nilai p-value
(signifikansi), yaitu terima H0 jika Sig. > 0.05
atau tolak H0 jika Sig. < 0.05.
Jika H0 diterima, analisis faktor tidak layak
dilakukan. Sebaliknya, jika tolak H0, berarti
analisis faktor layak dilakukan. Hal ini
disebabkan oleh adanya hubungan antarvariabel
karena matriks korelasi tersebut berbeda secara
signifikan dengan matriks identitas atau bukan
merupakan matriks identitas.
Principal Component Analysis
Principal Component Analysis (PCA)
merupakan salah satu metode dasar analisis
faktor. Menurut Jolliffe (2002), salah satu
pendekatan untuk mengurangi peubah-peubah
yang mungkin tidak memiliki kaitan dengan
peubah yang ingin diteliti ialah dengan
mengurangi peubah-peubah yang memberikan
kontribusi informasi yang sedikit pada variasi
data. PCA merupakan salah satu metode untuk
menentukan peubah-peubah yang dapat
dikeluarkan dari variasi data tanpa kehilangan
informasi awal. Dalam analisis faktor, total
varian terdiri atas tiga elemen, yaitu common
variance, specific variance, dan error variance.

4

Menurut Hair et al. (2010), PCA
menggunakan total varian dalam analisisnya.
PCA dapat dilakukan jika nilai common
variance lebih besar dari specific dan error
variance. Hal ini dilakukan karena PCA
bertujuan mengetahui jumlah faktor minimal
yang dapat diekstrak.
Common variance adalah variance suatu
variabel yang juga dimiliki variabel-variabel
lain. Specific variance adalah variance yang
dimiliki hanya oleh sebuah variabel. Error
variance adalah variance yang disebabkan oleh
kesalahan pengukuran, kesalahan alat ukur, atau
kesalahan pemilihan sampel.
Menurut
Widarjono
(2010),
PCA
merupakan teknik analisis statistik untuk
mentransformasi variabel-variabel asli yang
masih saling berkorelasi menjadi satu set
variabel baru yang tidak berkorelasi lagi.
Variabel-variabel baru tersebut disebut sebagai
komponen utama yang merupakan kombinasi
linear dari variabel-variabel asli.
Keragaman total dapat didefinisikan sebagai
Var = λ1 +λ2 +…+λp dengan λ1 +λ2 +…+λp adalah
akar ciri komponen utama. Besarnya proporsi
dari varian total populasi yang dapat dijelaskan
oleh komponen utama ke-j yaitu:
Proporsii =

λj
×100%
λ1 +λ2 +…+λp

dengan j = 1, 2, …, p.
Pada tahap ini, data 116 ciri yang telah diuji
matriks korelasi akan dilakukan proses
Principal Component Analysis (PCA) dengan
beberapa tahapan. Tahapan tersebut terdiri atas:
1 Uji Communalities
Communalities
bertujuan
menunjukan
banyaknya varian yang dapat dijelaskan oleh
faktor yang diekstrak.
2 Total Variance Explained
Setelah dilakukan uji communalities, akan
dihasilkan total variance explained. Melalui
total variance explained ini dapat dilakukan
pengambilan komponen faktor.
3 Pengambilan Komponen Faktor
Menurut Widarjono (2010), pemilihan
komponen utama yang digunakan ialah jika
nilai akar cirinya lebih dari 1 (λ1 >1).
Gambar 2 Uji matriks korelasi dan proses
Principal Component Analysis.

5

4 Perhitungan Component Matrix dan Rotated
Component Matrix
Pada komponen faktor utama yang
dihasilkan pada total variance explained, akan
dilakukan perhitungan component matrix. Hal
ini bertujuan mengetahui ada tidaknya korelasi
antara setiap faktor dan variabel-variabel
analisis yang telah diekstrak. Setelah dihasilkan
component matrix, matriks tersebut dirotasi
yang akan menghasilkan rotated component
matrix. Rotasi ini dilakukan dengan tujuan
meyakinkan bahwa di antara faktor-faktor yang
diekstrak tidak terdapat korelasi.
5 Ciri Terpilih dan Penamaan Ciri Terpilih
Melalui nilai rotated component matrix
dapat ditentukan ciri terpilih yang terdapat pada
setiap komponen faktor. Hal tersebut dilakukan
dengan
membandingkan
nilai
rotated
component matrix masing-masing ciri di setiap
komponen faktor berbeda, dan diambil nilai
rotated component matrix yang besar. Menurut
Gorsuch (1983), nilai rotasi variabel yang
paling besar pada salah satu faktor menandakan
bahwa variabel tersebut berada pada faktor
tersebut.
Dari beberapa ciri terpilih tersebut akan
ditentukan beberapa ciri yang akan mewakili
setiap komponen faktor. Menurut Santoso
(2002), terdapat 3 metode yang dapat
digunakan, yaitu:
 menggunakan satu variabel awal yang
memiliki faktor loading terbesar (disebut
surrogate variable) untuk mewakili setiap
faktor,
 menggunakan factor scores untuk membuat
satu atau beberapa variabel yang lebih
sedikit dan berfungsi untuk menggantikan
variabel asli yang sudah ada, atau
 menggunakan summated scales yaitu nilai
setiap faktor adalah rata-rata nilai semua
variabel yang tergabung dalam faktor
tersebut.
Penelitian ini menggunakan summated scale
untuk mendapatkan ciri terpilih. Alasan
pemilihan summated scale dibandingkan
metode lain karena beberapa kelebihan yang
dimiliki summated scale dibandingkan dengan
metode lain (factor scores dan surrogate
variable).
Hair et al. (2010) mengemukakan
kelebihan-kelebihan yang dimiliki summated
scale, antara lain summated scale merupakan
kompromi antara surrogate variable dan factor
scores sehingga mengurangi meassurement

error. Cara ini dulu hanya bisa dilakukan
dengan
pengolahan structural equation
modeling (SEM). Namun, dengan menggunakan
summated scale, error dapat juga dikurangi
pada metode pengolahan yang lebih sederhana
dibandingkan SEM (misalkan regresi linear
berganda). Kelebihan lain dari summated scale
ialah mewakili aspek dari beberapa konsep yang
ada dan mudah untuk direplikasi pada penelitian
lainnya.
6 Component Score Coefficient Matrix
Selain digunakan untuk pemilihan ciri dan
penamaan ciri terpilih, nilai rotated component
matrix juga digunakan untuk mencari
component
scrore
coefficient
matrix.
Component score coefficient matrix bertujuan
memberikan nilai pada ciri terpilih.
Pembuatan Sistem Identifikasi
Sistem identifikasi ini dibuat dengan
menggunakan bahasa pemrograman Java.
Sistem ini memanfaatkan nilai component score
coefficient matrix dalam mendeteksi 101 spesies
Asterinaceae. Antarmuka sistem berupa aplikasi
berbasis desktop. Masukan yang digunakan
pada sistem ini ialah kumpulan komponen
faktor yang telah diekstrak dan telah dilakukan
penamaan ciri terpilih. Keluaran dari sistem ini
ialah salah satu nama dari 101 spesies
Asterinaceae yang sesuai dengan data.
Spesifikasi perangkat keras dan perangkat
lunak yang digunakan dalam pembuatan sistem
sebagai berikut:







prosesor Intel Core Duo 2.0 GHz,
memori 2 GB,
hard disk 500 GB,
sistem operasi Windows 7 Ultimate
bahasa pemrograman Java, dan
lingkungan pengembangan (IDE) NetBeans
versi 7.1.1.

Pengujian dan Analisis
Pada tahap ini, pengujian akan dilakukan
pada sistem yang telah dibuat dengan
memasukkan beberapa ciri (komponen faktor
yang telah dilakukan penamaan ciri terpilih).
Setelah itu, dilihat keluaran dari sistem.
Pengujian ini dilakukan sebanyak 101 kali.
Tahap analisis dilakukan untuk melihat
tingkat akurasi dari masing-masing pengujian.
Parameter yang akan digunakan pada tahap
analisis ialah kesesuaian keluaran sistem
dengan 101 spesies Asterinaceae yang ada pada
sumber data.

6

HASIL DAN PEMBAHASAN
Analisis Jenis Data
Melalui analisis ini dapat diketahui bahwa
116 ciri tersebut menghasilkan 3 jenis data ciri
yang berbeda. Tiga jenis data tersebut terdiri
atas 71 ciri dengan jenis data nominal, 33 ciri
dengan jenis data ordinal, dan 12 ciri dengan
jenis data numerik. Selain itu, setelah dilakukan
analisis secara manual terhadap 116 ciri, ada
beberapa variabel yang perlu dihapuskan, di
antaranya ciri ke-36 dan ke-102 karena kedua
ciri tersebut memiliki nilai yang seragam.
Analisis Faktor
Analisis faktor tidak dapat dilakukan jika
ketiga jenis data yang berbeda pada setiap ciri
tersebut digabung sehingga perlu dilakukan uji
matriks korelasi terlebih dahulu pada 3 jenis
data tersebut secara terpisah. Hal ini dilakukan
untuk memastikan nilai signifikansi Barlett ≤
0.05 dan nilai Measures of Sampling Adequacy
dan KMO pada masing-masing jenis data
tersebut ≥ 0.5. Tujuannya untuk mengetahui
ketiga jenis data tersebut dapat dilakukan
analisis faktor atau tidak. Setelah dilakukan uji
matriks korelasi, maka ketiga jenis data tersebut
dapat digabung untuk dianalisis faktor. Tujuan
akhirnya ialah mendapatkan komponen faktor
utama hasil penggabungan ketiga jenis data
tersebut.
Uji Matriks Korelasi

Adanya penghapusan beberapa ciri tersebut
dilakukan karena saat pengujian Measures of
Sampling Adequacy (MSA) pada masingmasing ciri, ada beberapa ciri yang nilai
Measures of Sampling Adequacy (MSA) kurang
dari 0.5. Menurut Hair et al. (2010),
penghapusan dilakukan dengan tujuan agar pada
variabel-variabel tersebut dapat dilakukan
analisis faktor. Setelah dilakukan penghapusan
ciri, pada masing-masing ciri tersebut diperoleh
nilai Barlett dengan Sig. sebesar 0.000, KMO
dan Measures of Sampling Adequacy (MSA) ≥
0.05.
Dengan demikian, total ciri yang digunakan
setelah penghapusan berjumlah 44 ciri dari 116.
Data-data tersebut terdiri atas 25 ciri dari 71 ciri
nominal, 11 ciri dari 33 ciri ordinal, dan 8 ciri
dari 12 ciri numerik.
Selanjutnya, dilakukan uji KMO kembali
terhadap 44 ciri tersebut. Penggabungan ketiga
jenis data ciri menghasilkan nilai KMO sebesar
0.707 dan nilai Barlett dengan Sig. sebesar
0.000. Nilai ini didapatkan setelah penghapusan
ciri sebanyak 3 ciri. Dengan demikian, total data
yang akan digunakan untuk tahap selanjutnya
ialah 41 ciri.
Nilai pengujian KMO dan Barlett dapat
dilihat pada Lampiran 3, sedangkan nilai
Measures of Sampling Adequacy (MSA) yang
didapat dari Anti-image correlation dapat
dilihat pada pada Lampiran 4.

Matriks korelasi tiap jenis data setelah
dilakukan penghapusan data dan penggabungan
jenis data dapat dilihat pada Lampiran 2. Pada
setiap matriks korelasi tersebut dapat dilihat
bahwa koefisien korelasi banyak sekali yang
nilainya kurang dari 0.5 sehingga dapat
dilakukan pengujian lebih lanjut.

Principal Component Analysis

Uji Kaiser Meyer Olkin (KMO), Uji Barlett,
dan Uji Measures of Sampling Adequacy
(MSA)

Pada tahap ini, dapat diketahui bahwa ciri
X1 mempunyai nilai communalities sebesar
0.646. Hal ini berarti sekitar 64.6% ciri X1 dapat
dijelaskan oleh faktor yang terbentuk.
Sementara itu, pada ciri X2, nilai communalities
yang didapatkan sebesar 0.657. Hal ini berarti
sekitar 65.7% ciri X2 dapat dijelaskan oleh
faktor yang terbentuk. Selanjutnya, hasil untuk
beberapa ciri lainnya dapat dilihat pada
Lampiran 5.

Matriks
korelasi
71
ciri
nominal
menghasilkan nilai KMO sebesar 0.746 dan
nilai Barlett dengan Sig. sebesar 0.000. Nilai ini
didapatkan setelah penghapusan ciri nominal
sebanyak 46 ciri. Selanjutnya, matriks korelasi
33 ciri ordinal menghasilkan nilai KMO sebesar
0.668 dan nilai Barlett dengan Sig. sebesar
0.000. Nilai ini didapatkan setelah penghapusan
ciri ordinal sebanyak 22 ciri, sedangkan 12 ciri
numerik menghasilkan nilai KMO sebesar
0.722 dan nilai Barlett dengan Sig. sebesar
0.000. Nilai ini didapatkan setelah penghapusan
ciri numerik sebanyak 4 ciri.

Ada beberapa tahapan proses PCA yang
dilakukan pada 41 ciri yang telah diuji matriks
korelasi. Tahapan-tahapan tersebut dijelaskan
sebagai berikut.
Uji Communalities

Total Variance Explained
Pada 41 ciri tersebut, terdapat 11 komponen
faktor yang terbentuk. Nilai total variance
explained dapat dilihat pada Lampiran 6.

7

Tabel 1 Ciri-ciri terpilih, nilai loading factor,
dan nilai summated scales
Komponen
Faktor

F1

F2

F3

F4

F5

Ciri
Terpilih

Nilai
Loading
Factor

Nilai
Sumated
Scales

F6

X1
X53

0.544

X103

0.711

X2

0.608

X18

0.352

X20

0.508

X60

0.730

X74

0.429

X76

0.522

X3

0.803

X4

0.835

X27

0.499

X5

0.751

X59

0.555

X62

0.532

0.689

X6

0.408

X13

0.530

X19

0.435

X24

0.887

X25

0.856

X28

0.707

X43

0.386

X54

0.545

X33

0.377

X52

0.566

X71

0.841

X105

0.878

X106

0.815

X72

0.569

X111

0.787

X84

0.441

X112

0.763

X7

0.643

X113

0.792

X116

0.796

X85

0.799

X86

0.820

X87

0.767

X92

0.876

X16

0.885

X17

0.898

F7
0.594

F8

F9
0.695
F10

F11
0.785

F1

F2

0.712

0.751

0.524

0.643

0.816

0.892

Melalui nilai rotated component matrix
(loading factor) yang seluruhnya dapat dilihat
pada Lampiran 7, terdapat ciri-ciri terpilih yang
dapat mewakili 11 komponen faktor yang
terbentuk. Ciri-ciri beserta nilai loading factor
dan summated scales tersebut dapat dilihat pada
Tabel 1.

Nilai
Factor
Loading

Nilai Component
Score Coefficient
Matrix

X24

0.887

0.266

Hyphopodia_Density

X25

0.856

0.256

Hyphopodia_Distribution

X28

0.707

0.144

Hyphopodia_Intercalary

X71

0.841

0.263

Thyriothecia_Size_Width

X105

0.878

0.251

Ascospores_Size_Length

Ciri yang
Dapat
Mewakili

0.525

Component Matrix dan Rotated Component
Matrix

Tabel 2 Penamaan ciri, nilai factor loading, dan component score coefficient matrix
Komponen
Faktor

0.648

Nama Ciri
Hasil
Summated Scales

8

F3

F4
F5
F6

F7

F8
F9

F10

F11

X106

0.815

0.232

Ascospores_Size_Width

X111

0.787

0.288

Loc. of_Germ._Close to the apices

X113

0.792

0.302

Loc. Of_Germ._Close to the septum

X116

0.796

0.304

Loc. Of_Germ Form_Primary hyphae

X86

0.820

0.261

Asci_Shape_Ovate

X92

0.876

0.310

Ascospores_Arrangement_ Conglobate

X17

0.898

0.318

Hyphae_Arrangement_ Alternate

X53

0.689

0.345

Stigmatocysts_Size_Width

X103

0.711

0.365

Ascospores_Cell Collapsed

X2

0.608

0.322

Colonies_Occurances_ Hyphogenous

X60

0.730

0.397

Thyriothecia_Initial_Lateral on 2 sides

X3

0.803

0.418

Colonies_Distribution_ Singular

X4

0.835

0.454

Colonies_Distribution_ Confluent

X5

0.751

0.497

Colonies_Outline_Orbicular

X59

0.555

0.353

Thyriothecia_Initial_Lateral on 1 side

X62

0.532

0.375

Thyriothecia_Thickness_Flat

X72

0.569

0.359

Thyriothecia_Margins_Crenate

X7

0.643

0.469

Colonies_Size_Diameter

Setelah ciri terpilih didapat, dicari ciri-ciri
yang mewakili 11 komponen faktor dari
kumpulan ciri terpilih. Hal ini dilakukan dengan
membandingkan nilai rotated component matrix
dengan nilai summated scales pada setiap
faktor. Ciri yang diambil adalah ciri yang nilai
rotated component matrix lebih besar atau sama
dengan nilai summated scales pada setiap
faktornya. Penamaan ciri, nilai factor loading,
dan component score coefficient matrix dapat
dilihat pada Tabel 2.
Dengan demikian, faktor ke-1 dapat
diwakilkan dengan ciri X24, X25, dan X28, faktor
ke-2 dapat diwakilkan dengan ciri X71, X105, dan
X106, sedangkan faktor ke-3 oleh ciri X111, X113,
dan X116, selanjutnya untuk faktor ke-4 sampai
dengan ke-11 dapat dilihat pada Tabel 2.

Component Score Coefficient Matrix
Komponen faktor yang telah dilakukan
penamaan ciri akan diberi nilai. Nilai ini
digunakan sebagai parameter untuk pembuatan
sistem. Nilai-nilai tersebut dapat dilihat pada
Tabel 2, sedangkan nilai keseluruhan
component score coefficient matrix dapat dilihat
pada Lampiran 8.
Pembuatan Sistem Identifikasi
Antarmuka halaman awal sistem dibuat
sederhana dengan 3 tombol seperti yang dapat
dilihat pada Gambar 3. Tombol-tombol tersebut
terdiri atas tombol Identifikasi untuk memulai
proses identifikasi, tombol Tentang Sistem
untuk mengetahui berbagai hal tentang sistem,
dan tombol Keluar untuk keluar dari sistem.

9

Jika pengguna tidak memasukkan semua
atau salah satu informasi dari 23 ciri, akan
muncul peringatan seperti yang dapat dilihat
pada Gambar 6.

Gambar 6 Antarmuka peringatan.
Gambar 3 Antarmuka awal sistem identifikasi.
Jika pengguna memilih tombol Tentang
Sistem, akan muncul antarmuka seperti yang
dapat dilihat pada Gambar 4.

Selanjutnya, setelah pengguna mengisi
secara lengkap 23 ciri dan memilih tombol
Identifikasi, akan muncul hasil pencarian
spesies Asterinaceae. Jika data masukan sesuai
dengan sumber data, nama salah satu spesies
Asterinaceae dari berbagai varian spesies
Asterinaceae akan muncul seperti yang dapat
dilihat pada Gambar 7.

Gambar 7 Antarmuka hasil identifikasi (1).
Gambar 4 Antarmuka tentang sistem.
Antarmuka Tentang Sistem memiliki 1
tombol Keluar. Tombol ini digunakan pengguna
jika ingin keluar dari antarmuka Tentang Sistem
dan kembali ke antarmuka awal sistem
identifikasi.
Ketika
pengguna
memilih
tombol
Identifikasi, pengguna akan diberikan beberapa
pertanyaan berupa 23 ciri seperti yang dapat
dilihat pada Gambar 5. Pengguna juga dapat
memilih tombol back jika ingin kembali ke
antarmuka awal sistem atau tombol Identifikasi
untuk melanjutkan proses pencarian.

Namun, jika masukan pengguna tidak sesuai
dengan sumber data, sistem tidak dapat
menemukan jenis spesies Asterinaceae yang
dicari, seperti yang dapat dilihat pada Gambar
8.

Gambar 8 Antarmuka hasil identifikasi (2).
Pengujian dan Analisis
Pengujian dilakukan sebanyak 101 kali
dengan memasukkan 23 ciri yang sesuai dengan
sumber data. Setelah dianalisis dengan
membandingkan keluaran sistem dengan
sumber data, didapatkan bahwa sistem dapat
mengenali 101 spesies Asterinaceae.

Gambar 5 Antarmuka identifikasi.

10

SIMPULAN DAN SARAN
Simpulan
Simpulan dari penelitian ini antara lain:
 melalui jenis data Asterinaceae yang
berbeda-beda, reduksi menggunakan metode
Principal Component Analysis (PCA) dapat
dilakukan dan telah menghasilkan 23 ciri
penting yang dapat mewakili 116 ciri yang
lain, dan
 dengan memanfaatkan nilai principal
component,
telah
dihasilkan
sistem
identifikasi Asterinaceae sederhana yang
mampu mengenali 101 spesies Asterinaceae.
Saran
Saran untuk penelitian selanjutnya yaitu:
1 Memerhatikan kelemahan dari penggunaan
floating point yang memengaruhi presisi
proses identifikasi yang menyebabkan hasil
identifikasi tidak tepat.
2 Membuat sistem identifikasi Asterinaceae
yang lebih kompleks dengan memanfaatkan
hasil PCA yang ada.
3 Menguji metode untuk kasus data lain,
meskipun
metode
yang
digunakan
memperoleh hasil dengan akurasi yang
sangat tinggi.

DAFTAR PUSTAKA
Ahamad B. 1967. An analysis of crimes by the
method of principal components. The Royal
Statistical Society 16: 17-35.
Gandjar, Indrawati, Sjamsuridzal W, Oetari A.
2006. Mikologi: Dasar dan Terapan.
Jakarta: Yayasan Obor Indonesia.
Gorsuch RL. 1983. Factor Analysis. Ed ke-2.
Hillsdale: Lawrence Erlbaum.
Hair JR, Black WC, Babin BJ, Anderson RE.
2010. Multivariate Data Analysis. Ed ke-7.
New Jersey: Prentice-Hall.
Hawksworth DL. 1991. The fungal dimension
biodiversity: magnitude, significance, and
conservation. Mycological Research 95(6):
641-655.
Jolliffe IT. 2002. Principal Component
Analysis. Ed ke-2. New York: SpringerVerlag.

Kaiser HF. 1974. An index of factorial
simplicity. Psyscho 39: 31-36.
Kirk PM, Cannon PF, Minter DW, Stalpers JA.
2008. Dictionary of The Fungi. Ed ke-10.
United Kingdom: CABI Europe.
Kurniawati A. 2008. Ukuran dan bentuk tubuh
ayam arab, ayam kampung, dan ayam
pelung berdasarkan analisis komponen
utama
[skripsi].
Bogor:
Fakultas
Peternakan, Institut Pertanian Bogor.
Morrison DF. 2005. Multivariate Statistical
Methods. Ed ke-4. Belmont: Brooks/Cole
Thomson Learning.
Rahayu G. 1992. Australian hyphopodiate
Asterinaceae: a taxonomic revision
[disertasi]. Armidale: Departement of
Botany, The University of New England.
Roswitasari LD. 2012. Analisis faktor-faktor
yang mempengaruhi perilaku konsumen
dalam keputusan pembelian susu cair Ultra
Milk (studi kasus mahasiswa S1 Institut
Pertanian Bogor) [skripsi]. Bogor: Fakultas
Ekonomi
dan
Manajemen,
Institut
Pertanian Bogor.
Santoso S, Tjiptono F. 2001. Riset Pemasaran:
Konsep dan Aplikasi dengan SPSS. Jakarta:
Elex Media Komputindo.
Santoso S. 2002. Buku Latihan SPSS Statistik
Multivariate.
Jakarta:
Elex
Media
Komputindo.
Simamora B. 2005. Analisis Multivariate
Pemasaran. Jakarta: Gramedia.
Triyoga E. 2011. Analisis faktor-faktor
dominan yang memengaruhi pendapatan
pelabuhan sunda kelapa tahun 2004-2011
[skripsi]. Bogor: Fakultas Ekonomi dan
Manajemen, Institut Pertanian Bogor.
Walpole ER. 1982. Pengantar Statistika. Ed
ke-3. Sumantri B, penerjemah; Jakarta:
Gramedia. Terjemahan dari: Introduction to
Statistics.
Widarjono A. 2010. Analisis Statistika
Multivariat Terapan. Yogyakarta: STIM
YKPN.

11

LAMPIRAN

12

Lampiran 1 Data asli
a) Australian taxa studied
No.
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60

Fungi Name
A. cordyline
A. libertiae
A. tuberculata
A. capparidicola
A. bottomleyae
A. formosana
A. hypsophilae
A. perrottetiae var. perrottetiae
A. perrottetiae var. ampulliformia
A. malandaensis
A. stipitipodia var. stipitipodia
A. stipitipodia var. dilleniae
A. carbonacea var. acanthopoda
A. carbonacea var. oppositipodia
A. styracina
A. alchorneae-javensis var. alchorneae-javensis
A. alchorneae-javensis var. raripoda
A. excoecariae
A. fraseriana
A. radio-fissilis
A. hoveifolia
A. nova-anglica
A. oxylobii
A. platystoma
A. nothofagi
A. puellaris
A. peraffinis
A. loganicearum
A. randiae-benthamianae
Asterina sp. aff. pusilla
A. aemula var. endiandrae
A. cinnamomi-virentis
A. litseae
A. xanthogloea
A. daphnandrae
A. doryphoricola
A. palmeriae
Asterina sp. aff. artabotrydis
Asterina sp. A
A. melanomera
A. uvariicola var. australiensis
A. eupomatiae
A. pycnanthi
A. australiensis
A. drimidicola
A. oppositipodia
A. queenslandica
A. alpine
A. elaeocarpi var. elaeocarpi
A. elaeocarpi var. longipodia
A. elaeocarpicola var. elaeocarpicola
A. elaeocarpicola var. brevipodia
A. elaeocarpicola var. parvuli
A. sloaneae
A. triumfetticola
A. decumana
A. pemphidioides
A. quarta
A. syzygiicola
A. doidgea

No.
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101

Fungi Name
A. piperina
A. orites
A. clematidis
A. trichilliae
A. correicola var. correicola
A. correicola var. euodiae
A. correicola var. queenslandica
A. decora
A. eudiae
A. loranthi-rhododendricoli
A. decipiens
A. knysnae var. gracilipodia
A. argophylli
A. cuttsiae
A. xumenensis
A. citriobati
A. recisa
A. polyloba
A. fieldiae
A. diplopoda
A. reclinata
A. phaleriae
A. strebli
A. celtidicola
A. sponiae
A. pouzolziae
A. homaliicola
A. scolopiarum
A. adeniae
A. undulate
Asterolibertia diplosporae
Asterolibertia schroteri var. licaniae
L. pothoricola
L. lobatipodia
L. bramstonensis
L. endriandrae
Lembosia sp. A
L. capnoides
L. graphioides
Parasterinella compacta
Parasterinella drymidis

13

Lanjutan
b) List of characters, character states and coding
List of Characters (X)
Colonies

Occurances
Distribution
Outline

Hyphae

Size
Colour

Flowing
Width
Septation Branching
Density
Arrangement

Angles
Network
Hyphopodia

Density
Distribution
Location

Colour
Arrangement

Septation

Stigmatopodia

Shape
Size

Stigmatocysts

Gross Shape

Outlines

Size
Tip Direction

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58

epigenous
hyphogenous
singular
confluent
orbicular
irregular
diameter
light brown
brown
dark brown
straight
flexuous
quantitative continuous (µm)
distinct, indistinct
density
unilateral
alternate
opposite to another branch
opposite to hyphopodia
wide
acute
loose
close
density
distribution
middle
distal
intercalary
colour
cluster
unilateral
alternate
opposite
no septate
1-septate
2-septate
shape
length
width
uniform, versiform
hemispherical
ovate
cylindrical
vermiform
ampulliform
conical
bifid or trifid
entire
sinuous
lobate
deeply lobate
length
width
straight
reflex
antrorse
subantrorse
curved

Character States and Coding
present (1), absent (0), miss. val. (-1)
present (1), absent (0), miss. val. (-1)
present (1), absent (0), miss. val. (-1)
present (1), absent (0), miss. val. (-1)
present (1), absent (0), miss. val. (-1)
present (1), absent (0), miss. val. (-1)
quantitative continuous (mm), miss. val. (-1)
present (1), absent (0), miss. val. (-1)
present (1), absent (0), miss. val. (-1)
present (1), absent (0), miss. val. (-1)
present (1), absent (0), miss. val. (-1)
present (1), absent (0), miss. val. (-1)
quantitative continuous (µm), miss. val. (-1)
distinct (0), indistinct (1), miss. val. (-1)
numerous (2), rare (1), miss. val. (-1)
more (4), moderate (3), less (2), no (1), miss. val. (-1)
more (4), moderate (3), less (2), no (1), miss. val. (-1)
more (4), moderate (3), less (2), no (1), miss. val. (-1)
more (4), moderate (3), less (2), no (1), miss. val. (-1)
present (1), absent (0), miss. val. (-1)
present (1), absent (0), miss. val. (-1)
present (1), absent (0), miss. val. (-1)
present (1), absent (0), miss. val. (-1)
numerous (4), moderate (3), few (2), no (1), miss. val. (-1)
regular (1), irregular (0), miss. val. (-1)
present (1), absent (0), miss. val. (-1)
present (1), absent (0), miss. val. (-1)
present (1), absent (0), miss. val. (-1)
darker than hyphae (1), similar to hyphae (0), miss. val. (-1)
more (4), moderate (3), less (2), no (1), miss. val. (-1)
more (4), moderate (3), less (2), no (1), miss. val. (-1)
more (4), moderate (3), less (2), no (1), miss. val. (-1)
more (4), moderate (3), less (2), no (1), miss. val. (-1)
more (4), moderate (3), less (2), no (1), miss. val. (-1)
more (4), moderate (3), less (2), no (1), miss. val. (-1)
more (4), moderate (3), less (2), no (1), miss. val. (-1)
cylindrical (1), not cylindrical (0), miss. val. (-1)
quantitative continuous (µm), miss. val. (-1)
quantitative continuous (µm), miss. val. (-1)
uniform (1), versiform (0), miss. val. (-1)
more (4), moderate (3), less (2), no (1), miss. val. (-1)
more (4), moderate (3), less (2), no (1), miss. val. (-1)
more (4), moderate (3), less (2), no (1), miss. val. (-1)
more (4), moderate (3), less (2), no (1), miss. val. (-1)
more (4), moderate (3), less (2), no (1), miss. val. (-1)
more (4), moderate (3), less (2), no (1), miss. val. (-1)
more (4), moderate (3), less (2), no (1), miss. val. (-1)
more (4), moderate (3), less (2), no (1), miss. val. (-1)
more (4), moderate (3), less (2), no (1), miss. val. (-1)
more (4), moderate (3), less (2), no (1), miss. val. (-1)
more (4), moderate (3), less (2), no (1), miss. val. (-1)
quantitative continuous (µm), miss. val. (-1)
quantitative continuous (µm), miss. val. (-1)
more (4), moderate (3), less (2), no (1), miss. val. (-1)
more (4), moderate (3), less (2), no (1), miss. val. (-1)
more (4), moderate (3), less (2), no (1), miss. val. (-1)
more (4), moderate (3), less (2), no (1), miss. val. (-1)
more (4), moderate (3), less (2), no (1), miss. val. (-1)

14

Lanjutan
List of Characters
Thyriothecia

Initial

Thickness

Outlines

Size
Margins

Cover Wall
Cell Wall
Opening

Asci

Basal Wall
Number
Shape
Size

Number of
Ascospores

Ascospores
Hamathecia
Arrangement
Colour

Constriction

Cell Apices

Cell Collapsed
Cell Equality
Size
Surfaces

Location of

Germination

Germ Form

59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116

lateral on 1 side
lateral on 2 sides
terminal on stalk
flat
slightly convex
moderately convex
strongly convex
orbicular
Ellipsoid
Linear
X or Y
Length
Width
Crenate
fimbriate, short, loose
fimbriate, short, close
fimbriate, long, loose
fimbriate, long, close
straight
flexuous
isodiametrirc
rectangular
stellate cracks
longitudinal slit
cell disintegration
radiate
number
ovate
clavate
length
width
ascospores
hamathecia
conglobate
seriate
pale brown
brown
dark brown
slightly
moderately
strongly
round
gradually attenuated
bent
cell collapsed
cell equality
length
width
smooth
granulose
verrucose
spinulose
close to the apices
middle
close to the septum
stigmatocysts
stigmatocysts with a supporting cell
primary hyphae

Character States and Coding
present (1), absent (0), miss. val. (-1)
present (1), absent (0), miss. val. (-1)
present (1), absent (0), miss. val. (-1)
present (1), absent (0), miss. val. (-1)
present (1), absent (0), miss. val. (-1)
present (1), absent (0), miss. val. (-1)
present (1), absent (0), miss. val. (-1)
present (1), absent (0), miss. val. (-1)
present (1), absent (0), miss. val. (-1)
present (1), absent (0), miss. val. (-1)
present (1), absent (0), miss. val. (-1)
quantitative continuous (µm), miss. val. (-1)
quantitative continuous (µ,m), miss. val. (-1)
present (1), absent (0). miss. val. (-1)
present (1), absent (0), miss. val. (-1)
present (1), absent (0), miss. val. (-1)
present (1), absent (0), miss. val. (-1)
present (1), absent (0), miss. val. (-1)
present (1), absent (0), miss. val. (-1)
present (1), absent (0), miss. val. (-1)
present (1), absent (0), miss. val. (-1)
present (1), absent (0), miss. val. (-1)
present (1), absent (0), miss. val. (-1)
present (1), absent (0), miss. val. (-1)
present (1), absent (0), miss. val. (-1)
present (1), absent (0), miss. val. (-1)
numerous