Sistem Klasifikasi Khasiat Formula Jamu Dengan Metode Voting Feature Interval 5
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
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 G64100082
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 ( PLSDA ) 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
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
Penguji:
Rudi Heryanto, Ssi MSi
Judul Skripsi : Sistem Klasifikasi Khasiat Formula Jamu Dengan Metode Voting
Feature Interval 5
Nama
: Yuda Ristyawan
NIM
: G64100082
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:
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 G64100082
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
Pembahasan
SIMPULAN DAN SARAN
9
11
15
Simpulan
15
Saran
16
DAFTAR PUSTAKA
16
LAMPIRAN
17
RIWAYAT HIDUP
27
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
2
3
4
5
6
7
8
9
10
11
Skema metode penelitian
3
Hubungan antara data jamu, komposisi tanaman, dan khasiat
4
Pseudocode algoritme pelatihan VFI5
6
Pseudocode algoritme klasifikasi VFI5
7
Perbandingan akurasi Percobaan I dan Percobaan II Evaluasi
Algoritme VFI5 pada Data I
11
Perbandingan akurasi Percobaan I dan Percobaan II Evaluasi
Algoritme VFI5 pada Data II
12
Perbandingan akurasi Percobaan I dan Percobaan II Pembobotan VFI5
pada Data I
12
Perbandingan akurasi Percobaan I dan Percobaan II Pembobotan VFI5
pada Data II
13
Perbandingan akurasi Percobaan Evaluasi Algoritme VFI5 dan
Percobaan Pembobotan pada Data I
13
Perbandingan akurasi Percobaan Evaluasi Algoritme VFI5 dan
Percobaan Pembobotan pada Data II
14
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 VFI5
18
3 Visualisasi hubungan antara tanaman dengan khasiatnya
22
4 Daftar formula jamu yang digunakan untuk mencoba sistem
23
5 Screenshot tampilan aplikasi
25
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 71.6%. Akurasi meningkat secara signifikan setelah dilakukan data
cleaning (94.21%) (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
95.34%.
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
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.
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
Implementasi
Gambar 1 Skema metode penelitian
Percobaan II
Pembobotan
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
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
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,Cj] merupakan fitur untuk kelas Cj dan k adalah jumlah kelas. Nilainilai vote dari setiap fitur pada selang i dijumlahkan dalam vektor vote
ketika instance pengujian mendapat gilirannya. Kelas
7
prediksi akan diperoleh atau diramalkan dari kelas dengan jumlah vote terbesar.
Gambar 4 merupakan pseudocode Algoritme klasifikasi VFI5.
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.
8
Tabel 1 Contoh data formula jamu
Jamu
J1
P1
1
P2
0
P3
0
...
...
Pk
1
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
E1
E2
.
.
.
E9
P1
0
0
.
.
.
0
P2
0.1
0.1
.
.
.
0.1
P3
0.1
0.2
.
.
.
0.1
...
...
...
.
.
.
...
Pk
1
0
.
.
.
0
Total
28.3
25.3
.
.
.
25.3
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:
∑9�= Pki
Wk =
��
∑�= ∑9�= Pki
(1)
9
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.
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:
NRk=(R1k*Wk)+R0k
(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.
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
Data I
Akurasi(%)
Percobaan I Percobaan II
Fold 1
50.0
53.5
Fold 2
52.1
51.1
Fold 3
56.2
52.4
Fold 4
58.4
52.5
Fold 5
57.9
55.8
Rata – Rata 54.9
53.1
Fold ke-
Data II
Akurasi(%)
Percobaan I Percobaan II
94.0
86.7
91.6
89.1
89.5
86.9
92.4
89.3
92.2
88.2
91.9
88.0
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
Akurasi(%)
Akurasi(%)
Fold kePercobaan I Percobaan II Percobaan I Percobaan II
Fold 1
47.0
31.9
82.9
48.7
Fold 2
47.8
32.6
86.7
50.9
Fold 3
50.2
32.8
82.0
53.3
Fold 4
51.5
32.5
88.9
46.1
Fold 5
50.4
32.4
86.7
49.3
Rata – Rata 49.6
32.4
85.4
49.7
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.
11
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.
Pembahasan
FOLD 1
FOLD 2
FOLD 3
FOLD 4
55.8%
57.9%
52.5%
58.4%
52.4%
56.2%
51.1%
52.1%
53.5%
100.0%
90.0%
80.0%
70.0%
60.0%
50.0%
40.0%
30.0%
20.0%
10.0%
0.0%
50.0%
AKURASI
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.
FOLD 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
AKURASI
FOLD 1
FOLD 2
Algoritme
Data II Percobaan I Evaluasi Agloritma
Algoritme VFI5
P
FOLD 3
FOLD 4
88.2%
92.2%
89.3%
92.4%
86.9%
89.5%
89.1%
91.6%
86.7%
100.0%
90.0%
80.0%
70.0%
60.0%
50.0%
40.0%
30.0%
20.0%
10.0%
0.0%
94.0%
12
FOLD 5
FOLD
Algoritme VFI5
Data II Percobaan II Evaluasi Agloritma
Gambar 6 Perbandingan akurasi Percobaan I dan Percobaan II Evaluasi Algoritme
VFI5 pada Data II
FOLD 1
FOLD 2
FOLD 3
FOLD 4
32.4%
32.5%
50.4%
51.5%
32.8%
50.2%
32.6%
47.8%
31.9%
100.0%
90.0%
80.0%
70.0%
60.0%
50.0%
40.0%
30.0%
20.0%
10.0%
0.0%
47.0%
AKURASI
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.
FOLD 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
FOLD 1
FOLD 2
49.3%
86.7%
88.9%
FOLD 3
46.1%
50.9%
53.3%
82.0%
86.7%
82.9%
100.0%
90.0%
80.0%
70.0%
60.0%
50.0%
40.0%
30.0%
20.0%
10.0%
0.0%
48.7%
AKURASI
13
FOLD 4
FOLD 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
56.2%
52.4%
50.2%
32.8%
58.4%
52.5%
51.5%
FOLD 1
FOLD 2
FOLD 3
FOLD 4
32.4%
32.5%
57.9%
55.8%
50.4%
52.1%
51.1%
47.8%
32.6%
100.0%
90.0%
80.0%
70.0%
60.0%
50.0%
40.0%
30.0%
20.0%
10.0%
0.0%
50.0%
53.5%
47.0%
31.9%
AKURASI
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
FOLD 5
FOLD
Data I Percobaan I Evaluasi Algoritme
Algoritma VFI5
Data I Percobaan II Evaluasi Algoritme
Algoritma VFI5
Data I Percobaan I Pembobotan
Data I Percobaan II Pembobotan
P
P
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
14
FOLD 1
FOLD 2
FOLD 3
49.3%
92.2%
88.2%
86.7%
46.1%
92.4%
89.3%
88.9%
53.3%
89.5%
86.9%
82.0%
50.9%
91.6%
89.1%
86.7%
94.0%
86.7%
82.9%
100.0%
90.0%
80.0%
70.0%
60.0%
50.0%
40.0%
30.0%
20.0%
10.0%
0.0%
48.7%
AKURASI
itu pembobotan menggunakan intensitas kemunculan tanaman pada data set tidak
bisa digunakan sebagai pengganti persentase komposisi tanaman pada setiap
formula.
FOLD 4
FOLD 5
FOLD
Data II Percobaan I Evaluasi Algoritma
Algoritme VFI5
Data II Percobaan II Evaluasi Algoritma
Algoritme VFI5
Data II Percobaan I Pembobotan
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 0.8.2
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 71.60% dan SVM memiliki akurasi 71% sedangkan metode
VFI5 memiliki akurasi 54.91%. Akan tetapi pada Data II metode VFI5 memiliki
akurasi yang tidak berbeda nyata yaitu sebesar 94% sedangkan metode PLS-DA
94.21 % dan metode SVM 95.34 %. 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
15
Akurasi
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.
100.0%
90.0%
80.0%
70.0%
60.0%
50.0%
40.0%
30.0%
20.0%
10.0%
0.0%
95.3%
94.2%
71.6%
94.0%
71.0%
54.9%
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.
16
Saran
Saran untuk penelitian selanjutnya:
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
1
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:
23106776.
Demiröz G dan Güvenir HA. 1997. Classification by Voting Feature Intervals.
http://www.cs.ucf.edu/~ecl/papers/demiros97classification.pdf. [Mei 2014].
Guvenir HA. 1998. A Classification Learning Algorithm Robust to Irrelevant
Features.
http://www.cs.bilkent.edu.tr
/techreports/1998/BU-CEIS9810.ps.gz [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 B.Traditional Chinese medicine network pharmacology:theory,
methodology and application. Chinese Journal of Natural Medicines 2013,
11(2): 0110-0120 doi: 10.3724/SP.J.1009.2013.00110
Mahady GB. 2001. Global harmonization of health claim. J.Nutr. 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.
17
LAMPIRAN
Lampiran 1 Contoh vote VFI5 yang dapat menentukan tanaman yang sesuai
dengan suatu khasiat
Efficacy
P0001
P0002
P0003
P0004
P0006
P0007
P0008
P0013
P0020
P0021
P0026
P0029
P0031
P0033
P0034
P0040
P0042
P0044
P0045
P0048
P0053
P0055
P0059
P0061
P0066
P0067
P0068
P0072
P0073
E1
0.000
0.000
0.000
0.000
0.154
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.038
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.019
0.000
E2
0.000
0.000
0.005
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.224
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.005
E3
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.400
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
E4
0.200
0.080
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.061
0.000
0.000
0.000
0.000
0.000
0.000
0.024
0.000
0.000
0.000
0.000
0.000
0.000
0.000
E5
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.013
0.007
0.129
0.000
0.000
0.000
0.000
0.000
0.070
0.000
0.000
0.000
0.007
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
E6
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.014
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.431
0.000
0.008
0.000
0.000
0.000
E7
0.252
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.009
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.226
0.000
0.000
E8
0.393
0.107
0.000
0.214
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.060
0.000
0.000
0.000
0.012
0.000
0.000
0.000
0.298
0.000
0.000
E9
0.000
0.000
0.000
0.000
0.000
0.000
0.018
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.018
0.018
0.070
0.000
0.000
0.061
0.000
0.000
0.000
0.123
0.000
0.000
0.000
0.000
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 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 3 : Disorder Of Mood And Khasiat 4 : Gastrointestinal Disorders
Behavior
Valeriana javanica
Melaleuca leucadendra
Foeniculum vulgare
Zingiber purpureum
Cocos nucifera
Myristica fragrans
Andrographis paniculata
Baeckea frutescens
Carica papaya
Morinda citrifolia
Nigella sativa
Eleutherococcus senticosus
Polygala glomerata
Clausena anisum-olens
Ipomoea reptana
Curcuma aeruginosa
Leucas lavandulifolia
Allium sativum
Phaleria papuana
Brassica nigrae
Psidium guajava
Momordica charantia
Apium graveolens
Olea europaea
Symplocos odoratissima
Pandanus conoideus
Daucus carota
Spirulina
Magnolia officinalis
Schisandra chinensis
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
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
21
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
22
Lampiran 3 Visualisasi hubungan antara tanaman dengan khasiatnya
23
Lampiran 4 Daftar formula jamu yang digunakan untuk mencoba sistem
No.
Tanaman
Jamu
1
Tamarindus
indica
Piper
retrofractum
1
Jb0001
2
Jb0002
3
Jb0003
4
Jb0004
5
Jb0005
6
Jb0006
Borreria hispida
7
Jb0007
Hydrocotyle
asiatica
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
3
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
Piper nigrum
18
Jb0018
Psidium guajava
Curcuma longa
19
Jb0019
20
Jb0020
Melaleuca
leucadendra
Kaempferia
pandurata
21
Jb0021
Theae sinensis
22
Jb0022
Mentha piperita
23
Jb0023
24
Jb0024
Zingiber
officinale
Dioscorea
opposite
Myristica
fragrans
Syzygium
aromaticum
Curcuma
xanthorrhiza
Garcinia
atroviridis
Coriandrum
sativum
Anacardium
occidentale
25
Jb0025
Curcuma longa
Piper nigrum
26
Jb0026
Psidium guajava
Curcuma longa
27
Jb0027
Tamarindus
indica
Cassia alata
28
Jb0028
Psidium guajava
Caesalpinia
sappan
Phaleria
papuana
Orthosiphon
stamineus
29
Jb0029
Coriandrum
sativum
Morinda
citrifolia
Syzygium
aromaticum
Aquilaria
sinensis
30
Jb0030
Melaleuca
DENGAN METODE VOTING FEATURE
INTERVAL 5
YUDA RISTYAWAN
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2014
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 G64100082
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 ( PLSDA ) 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
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
Penguji:
Rudi Heryanto, Ssi MSi
Judul Skripsi : Sistem Klasifikasi Khasiat Formula Jamu Dengan Metode Voting
Feature Interval 5
Nama
: Yuda Ristyawan
NIM
: G64100082
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:
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 G64100082
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
Pembahasan
SIMPULAN DAN SARAN
9
11
15
Simpulan
15
Saran
16
DAFTAR PUSTAKA
16
LAMPIRAN
17
RIWAYAT HIDUP
27
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
2
3
4
5
6
7
8
9
10
11
Skema metode penelitian
3
Hubungan antara data jamu, komposisi tanaman, dan khasiat
4
Pseudocode algoritme pelatihan VFI5
6
Pseudocode algoritme klasifikasi VFI5
7
Perbandingan akurasi Percobaan I dan Percobaan II Evaluasi
Algoritme VFI5 pada Data I
11
Perbandingan akurasi Percobaan I dan Percobaan II Evaluasi
Algoritme VFI5 pada Data II
12
Perbandingan akurasi Percobaan I dan Percobaan II Pembobotan VFI5
pada Data I
12
Perbandingan akurasi Percobaan I dan Percobaan II Pembobotan VFI5
pada Data II
13
Perbandingan akurasi Percobaan Evaluasi Algoritme VFI5 dan
Percobaan Pembobotan pada Data I
13
Perbandingan akurasi Percobaan Evaluasi Algoritme VFI5 dan
Percobaan Pembobotan pada Data II
14
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 VFI5
18
3 Visualisasi hubungan antara tanaman dengan khasiatnya
22
4 Daftar formula jamu yang digunakan untuk mencoba sistem
23
5 Screenshot tampilan aplikasi
25
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 71.6%. Akurasi meningkat secara signifikan setelah dilakukan data
cleaning (94.21%) (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
95.34%.
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
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.
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
Implementasi
Gambar 1 Skema metode penelitian
Percobaan II
Pembobotan
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
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
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,Cj] merupakan fitur untuk kelas Cj dan k adalah jumlah kelas. Nilainilai vote dari setiap fitur pada selang i dijumlahkan dalam vektor vote
ketika instance pengujian mendapat gilirannya. Kelas
7
prediksi akan diperoleh atau diramalkan dari kelas dengan jumlah vote terbesar.
Gambar 4 merupakan pseudocode Algoritme klasifikasi VFI5.
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.
8
Tabel 1 Contoh data formula jamu
Jamu
J1
P1
1
P2
0
P3
0
...
...
Pk
1
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
E1
E2
.
.
.
E9
P1
0
0
.
.
.
0
P2
0.1
0.1
.
.
.
0.1
P3
0.1
0.2
.
.
.
0.1
...
...
...
.
.
.
...
Pk
1
0
.
.
.
0
Total
28.3
25.3
.
.
.
25.3
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:
∑9�= Pki
Wk =
��
∑�= ∑9�= Pki
(1)
9
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.
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:
NRk=(R1k*Wk)+R0k
(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.
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
Data I
Akurasi(%)
Percobaan I Percobaan II
Fold 1
50.0
53.5
Fold 2
52.1
51.1
Fold 3
56.2
52.4
Fold 4
58.4
52.5
Fold 5
57.9
55.8
Rata – Rata 54.9
53.1
Fold ke-
Data II
Akurasi(%)
Percobaan I Percobaan II
94.0
86.7
91.6
89.1
89.5
86.9
92.4
89.3
92.2
88.2
91.9
88.0
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
Akurasi(%)
Akurasi(%)
Fold kePercobaan I Percobaan II Percobaan I Percobaan II
Fold 1
47.0
31.9
82.9
48.7
Fold 2
47.8
32.6
86.7
50.9
Fold 3
50.2
32.8
82.0
53.3
Fold 4
51.5
32.5
88.9
46.1
Fold 5
50.4
32.4
86.7
49.3
Rata – Rata 49.6
32.4
85.4
49.7
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.
11
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.
Pembahasan
FOLD 1
FOLD 2
FOLD 3
FOLD 4
55.8%
57.9%
52.5%
58.4%
52.4%
56.2%
51.1%
52.1%
53.5%
100.0%
90.0%
80.0%
70.0%
60.0%
50.0%
40.0%
30.0%
20.0%
10.0%
0.0%
50.0%
AKURASI
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.
FOLD 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
AKURASI
FOLD 1
FOLD 2
Algoritme
Data II Percobaan I Evaluasi Agloritma
Algoritme VFI5
P
FOLD 3
FOLD 4
88.2%
92.2%
89.3%
92.4%
86.9%
89.5%
89.1%
91.6%
86.7%
100.0%
90.0%
80.0%
70.0%
60.0%
50.0%
40.0%
30.0%
20.0%
10.0%
0.0%
94.0%
12
FOLD 5
FOLD
Algoritme VFI5
Data II Percobaan II Evaluasi Agloritma
Gambar 6 Perbandingan akurasi Percobaan I dan Percobaan II Evaluasi Algoritme
VFI5 pada Data II
FOLD 1
FOLD 2
FOLD 3
FOLD 4
32.4%
32.5%
50.4%
51.5%
32.8%
50.2%
32.6%
47.8%
31.9%
100.0%
90.0%
80.0%
70.0%
60.0%
50.0%
40.0%
30.0%
20.0%
10.0%
0.0%
47.0%
AKURASI
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.
FOLD 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
FOLD 1
FOLD 2
49.3%
86.7%
88.9%
FOLD 3
46.1%
50.9%
53.3%
82.0%
86.7%
82.9%
100.0%
90.0%
80.0%
70.0%
60.0%
50.0%
40.0%
30.0%
20.0%
10.0%
0.0%
48.7%
AKURASI
13
FOLD 4
FOLD 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
56.2%
52.4%
50.2%
32.8%
58.4%
52.5%
51.5%
FOLD 1
FOLD 2
FOLD 3
FOLD 4
32.4%
32.5%
57.9%
55.8%
50.4%
52.1%
51.1%
47.8%
32.6%
100.0%
90.0%
80.0%
70.0%
60.0%
50.0%
40.0%
30.0%
20.0%
10.0%
0.0%
50.0%
53.5%
47.0%
31.9%
AKURASI
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
FOLD 5
FOLD
Data I Percobaan I Evaluasi Algoritme
Algoritma VFI5
Data I Percobaan II Evaluasi Algoritme
Algoritma VFI5
Data I Percobaan I Pembobotan
Data I Percobaan II Pembobotan
P
P
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
14
FOLD 1
FOLD 2
FOLD 3
49.3%
92.2%
88.2%
86.7%
46.1%
92.4%
89.3%
88.9%
53.3%
89.5%
86.9%
82.0%
50.9%
91.6%
89.1%
86.7%
94.0%
86.7%
82.9%
100.0%
90.0%
80.0%
70.0%
60.0%
50.0%
40.0%
30.0%
20.0%
10.0%
0.0%
48.7%
AKURASI
itu pembobotan menggunakan intensitas kemunculan tanaman pada data set tidak
bisa digunakan sebagai pengganti persentase komposisi tanaman pada setiap
formula.
FOLD 4
FOLD 5
FOLD
Data II Percobaan I Evaluasi Algoritma
Algoritme VFI5
Data II Percobaan II Evaluasi Algoritma
Algoritme VFI5
Data II Percobaan I Pembobotan
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 0.8.2
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 71.60% dan SVM memiliki akurasi 71% sedangkan metode
VFI5 memiliki akurasi 54.91%. Akan tetapi pada Data II metode VFI5 memiliki
akurasi yang tidak berbeda nyata yaitu sebesar 94% sedangkan metode PLS-DA
94.21 % dan metode SVM 95.34 %. 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
15
Akurasi
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.
100.0%
90.0%
80.0%
70.0%
60.0%
50.0%
40.0%
30.0%
20.0%
10.0%
0.0%
95.3%
94.2%
71.6%
94.0%
71.0%
54.9%
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.
16
Saran
Saran untuk penelitian selanjutnya:
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
1
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:
23106776.
Demiröz G dan Güvenir HA. 1997. Classification by Voting Feature Intervals.
http://www.cs.ucf.edu/~ecl/papers/demiros97classification.pdf. [Mei 2014].
Guvenir HA. 1998. A Classification Learning Algorithm Robust to Irrelevant
Features.
http://www.cs.bilkent.edu.tr
/techreports/1998/BU-CEIS9810.ps.gz [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 B.Traditional Chinese medicine network pharmacology:theory,
methodology and application. Chinese Journal of Natural Medicines 2013,
11(2): 0110-0120 doi: 10.3724/SP.J.1009.2013.00110
Mahady GB. 2001. Global harmonization of health claim. J.Nutr. 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.
17
LAMPIRAN
Lampiran 1 Contoh vote VFI5 yang dapat menentukan tanaman yang sesuai
dengan suatu khasiat
Efficacy
P0001
P0002
P0003
P0004
P0006
P0007
P0008
P0013
P0020
P0021
P0026
P0029
P0031
P0033
P0034
P0040
P0042
P0044
P0045
P0048
P0053
P0055
P0059
P0061
P0066
P0067
P0068
P0072
P0073
E1
0.000
0.000
0.000
0.000
0.154
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.038
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.019
0.000
E2
0.000
0.000
0.005
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.224
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.005
E3
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.400
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
E4
0.200
0.080
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.061
0.000
0.000
0.000
0.000
0.000
0.000
0.024
0.000
0.000
0.000
0.000
0.000
0.000
0.000
E5
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.013
0.007
0.129
0.000
0.000
0.000
0.000
0.000
0.070
0.000
0.000
0.000
0.007
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
E6
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.014
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.431
0.000
0.008
0.000
0.000
0.000
E7
0.252
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.009
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.226
0.000
0.000
E8
0.393
0.107
0.000
0.214
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.060
0.000
0.000
0.000
0.012
0.000
0.000
0.000
0.298
0.000
0.000
E9
0.000
0.000
0.000
0.000
0.000
0.000
0.018
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.000
0.018
0.018
0.070
0.000
0.000
0.061
0.000
0.000
0.000
0.123
0.000
0.000
0.000
0.000
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 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 3 : Disorder Of Mood And Khasiat 4 : Gastrointestinal Disorders
Behavior
Valeriana javanica
Melaleuca leucadendra
Foeniculum vulgare
Zingiber purpureum
Cocos nucifera
Myristica fragrans
Andrographis paniculata
Baeckea frutescens
Carica papaya
Morinda citrifolia
Nigella sativa
Eleutherococcus senticosus
Polygala glomerata
Clausena anisum-olens
Ipomoea reptana
Curcuma aeruginosa
Leucas lavandulifolia
Allium sativum
Phaleria papuana
Brassica nigrae
Psidium guajava
Momordica charantia
Apium graveolens
Olea europaea
Symplocos odoratissima
Pandanus conoideus
Daucus carota
Spirulina
Magnolia officinalis
Schisandra chinensis
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
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
21
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
22
Lampiran 3 Visualisasi hubungan antara tanaman dengan khasiatnya
23
Lampiran 4 Daftar formula jamu yang digunakan untuk mencoba sistem
No.
Tanaman
Jamu
1
Tamarindus
indica
Piper
retrofractum
1
Jb0001
2
Jb0002
3
Jb0003
4
Jb0004
5
Jb0005
6
Jb0006
Borreria hispida
7
Jb0007
Hydrocotyle
asiatica
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
3
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
Piper nigrum
18
Jb0018
Psidium guajava
Curcuma longa
19
Jb0019
20
Jb0020
Melaleuca
leucadendra
Kaempferia
pandurata
21
Jb0021
Theae sinensis
22
Jb0022
Mentha piperita
23
Jb0023
24
Jb0024
Zingiber
officinale
Dioscorea
opposite
Myristica
fragrans
Syzygium
aromaticum
Curcuma
xanthorrhiza
Garcinia
atroviridis
Coriandrum
sativum
Anacardium
occidentale
25
Jb0025
Curcuma longa
Piper nigrum
26
Jb0026
Psidium guajava
Curcuma longa
27
Jb0027
Tamarindus
indica
Cassia alata
28
Jb0028
Psidium guajava
Caesalpinia
sappan
Phaleria
papuana
Orthosiphon
stamineus
29
Jb0029
Coriandrum
sativum
Morinda
citrifolia
Syzygium
aromaticum
Aquilaria
sinensis
30
Jb0030
Melaleuca