Identifikasi shorea menggunakan k-nearest neighbour berdasarkan karakteristik morfologi daun
ABSTRACT
BRYAN NURJAYANTI. Shorea Identification Using k-Nearest Neighbour Based on
Morphological Characteristics of Leaves. Supervised by AZIZ KUSTIYO.
Dipterocarpaceae is a group of tropical plants that is used in a timber industry. One of
Dipterocarpaceae clans is Shorea, that is the best timber-producing plant in the industrial world.
Shorea is difficult to be identified because it has a lot of diversity. The inability to recognize Shorea in
forest will enlarge the exploitation of Shorea that has a good timber quality, and silviculture work
becomes less of the target because it is not known which Shorea species that will extinct.
Shorea tree is usually identified by using the stems, leaves, fruits, and flowers. However, leave is
used for the identification in this research because it tends to be available as a source of observation at
anytime. The leaves in this reasearch are the collection from Bogor Botanical Gardens. Data are
obtained by manual calculating to get the characteristics of the leaves. The obtained data will be
processed using k-Nearest Neighbor to get the closeness of new data and training data.
The leaves that are included in this research are Shorea multiflora, palembanica, balangeran,
lepida and assamica, each one has 10 data. Each set of data has 10 attributes that support the leaf
characteristics. From the whole data, Shorea are divided into five subsets including data training and
data testing for each subset. This research has two experiments the first experiment without
normalization produces 84% accuracy and the second experiment with a normalization produces
100% accuracy.
Keywords : Shorea, k-Nearest Neighbour.
iii
PENDAHULUAN
Latar Belakang
Dipterocarpaceae
adalah
sekelompok
tumbuhan hutan hujan tropis yang dimanfaatkan
dalam bidang perkayuan. Kelompok famili
Dipterocarpaceae yang digunakan dalam
perkayuan adalah
meranti merah, meranti
putih, dan meranti kuning dari jenis Shorea,
Anisoptera dan Parashorea. Dipterocarpaceae
tumbuh dibagian barat Indonesia, Malaysia,
Brunei, Filipina dan penyebarannya ke arah
timur sampai dengan Nugini (Irian Jaya dan
Papua Nugini).
Dipterocarpaceae sulit untuk diidentifikasi
terutama di Kalimantan yang memiliki jenis
terbanyak. Ketidakmampuan untuk mengenal
individu Dipterocarpaceae di hutan memperbesar terjadinya eksploitasi Dipterocarpaceae khususnya jenis Shorea yang memiliki
kualitas kayu yang baik dan pekerjaan
silvikultur kurang menjadi sasaran karena tidak
diketahui jenis Dipterocarpaceae yang akan
punah (Newman et al.1999).
Shorea adalah salah satu marga tumbuhan
penghasil
kayu
terbaik
dalam
dunia
perindustrian. Dengan nilai ekonomi yang
tinggi mengakibatkan eksploitasi besar-besaran
pohon Shorea. Hal ini dapat berdampak
kepunahan terhadap pohon Shorea dan
menyebabkan kerusakan hutan.
Model identifikasi daun Shorea yang akan
dikembangkan dapat digunakan untuk mengenal
daun Shorea. Identifikasi ini dilakukan agar
tidak menyebabkan kesalahan pemilihan kayu
yang tidak tepat dan mengurangi pertumbuhan
jenis kayu dengan sifat-sifat yang tidak
diinginkan. Sifat-sifat itu misalnya kualitas
kayu yang rendah, pertumbuhan lambat, tajuk
lebar yang jarang mencapai ukuran kayu, atau
jenis pilihan yang tidak cocok untuk kondisi
tanah tertentu.
Penentuan identifikasi pohon Shorea,
biasanya menggunakan batang, daun, buah, dan
bunga. Namun penelitian ini menggunakan
daun sebagai bahan identifikasi dikarenakan
daun cenderung tersedia sebagai sumber
pengamatan sepanjang waktu. Bila menggunakan batang, batang pohon akan berubah
warna atau kedalaman alur sejalan dengan
bertambahnya umur pohon.
Salah satu metode yang digunakan untuk
membangun
model
klasifikasi
dalam
mengidentifikasi daun Shorea adalah k-Nearest
Neighbour. k-Nearest Neighbour merupakan
teknik yang lebih fleksibel karena mampu
menglasifikasikan data uji ke dalam kelas label
dengan cara mencari data latih yang relatif sama
dengan data uji (Tan et al. 2006).
Tujuan
Penelitian ini bertujuan untuk menerapkan
k-nearest Neighbour dalam mengidentifikasi
jenis Shorea.
Ruang Lingkup
Ruang lingkup penilitian ini meliputi :
1 Daun yang diteliti hanya daun Shorea
multiflora, palembanica, balangeran, lepida
dan assamica.
2 Difokuskan untuk mengidentifikasi daun
Shorea
dengan
mengidentifikasi
karakteristik morfologi daun.
3 Data yang digunakan adalah data hasil
pengukuran manual terhadap daun Shorea.
4 Daun Shorea yang digunakan diambil dari
beberapa koleksi Kebun Raya Bogor.
Manfaat
Model identifikasi daun Shorea diharapkan
dapat membantu dalam mengidentifikasi jenis
Shorea.
TINJAUAN PUSTAKA
Shorea
Shorea adalah salah satu marga dari
Dipterocarpaceae penghasil kayu terbaik dalam
dunia perindustrian. Dengan nilai ekonomi yang
tinggi mengakibatkan eksploitasi besar-besaran
yang dapat berdampak kepunahan terhadap
pohon Shorea dan menyebabkan kerusakan
hutan.
Shorea memiliki sekitar 194 jenis.
Persebarannya meliputi 1 jenis di Jawa, 1 atau 2
jenis di Sulawesi, 3 jenis di Maluku dan sisanya
menyebar kearah timur sampai Maluku
(Indonesia) dan tidak meluas ke Cina bagian
selatan (Newman et al. 1999).
Pohon Shorea dapat tumbuh dari batas
permukaan laut sampai ketinggian 1750 m.
Beberapa jenis Shorea yang berupa pohon
1
PENDAHULUAN
Latar Belakang
Dipterocarpaceae
adalah
sekelompok
tumbuhan hutan hujan tropis yang dimanfaatkan
dalam bidang perkayuan. Kelompok famili
Dipterocarpaceae yang digunakan dalam
perkayuan adalah
meranti merah, meranti
putih, dan meranti kuning dari jenis Shorea,
Anisoptera dan Parashorea. Dipterocarpaceae
tumbuh dibagian barat Indonesia, Malaysia,
Brunei, Filipina dan penyebarannya ke arah
timur sampai dengan Nugini (Irian Jaya dan
Papua Nugini).
Dipterocarpaceae sulit untuk diidentifikasi
terutama di Kalimantan yang memiliki jenis
terbanyak. Ketidakmampuan untuk mengenal
individu Dipterocarpaceae di hutan memperbesar terjadinya eksploitasi Dipterocarpaceae khususnya jenis Shorea yang memiliki
kualitas kayu yang baik dan pekerjaan
silvikultur kurang menjadi sasaran karena tidak
diketahui jenis Dipterocarpaceae yang akan
punah (Newman et al.1999).
Shorea adalah salah satu marga tumbuhan
penghasil
kayu
terbaik
dalam
dunia
perindustrian. Dengan nilai ekonomi yang
tinggi mengakibatkan eksploitasi besar-besaran
pohon Shorea. Hal ini dapat berdampak
kepunahan terhadap pohon Shorea dan
menyebabkan kerusakan hutan.
Model identifikasi daun Shorea yang akan
dikembangkan dapat digunakan untuk mengenal
daun Shorea. Identifikasi ini dilakukan agar
tidak menyebabkan kesalahan pemilihan kayu
yang tidak tepat dan mengurangi pertumbuhan
jenis kayu dengan sifat-sifat yang tidak
diinginkan. Sifat-sifat itu misalnya kualitas
kayu yang rendah, pertumbuhan lambat, tajuk
lebar yang jarang mencapai ukuran kayu, atau
jenis pilihan yang tidak cocok untuk kondisi
tanah tertentu.
Penentuan identifikasi pohon Shorea,
biasanya menggunakan batang, daun, buah, dan
bunga. Namun penelitian ini menggunakan
daun sebagai bahan identifikasi dikarenakan
daun cenderung tersedia sebagai sumber
pengamatan sepanjang waktu. Bila menggunakan batang, batang pohon akan berubah
warna atau kedalaman alur sejalan dengan
bertambahnya umur pohon.
Salah satu metode yang digunakan untuk
membangun
model
klasifikasi
dalam
mengidentifikasi daun Shorea adalah k-Nearest
Neighbour. k-Nearest Neighbour merupakan
teknik yang lebih fleksibel karena mampu
menglasifikasikan data uji ke dalam kelas label
dengan cara mencari data latih yang relatif sama
dengan data uji (Tan et al. 2006).
Tujuan
Penelitian ini bertujuan untuk menerapkan
k-nearest Neighbour dalam mengidentifikasi
jenis Shorea.
Ruang Lingkup
Ruang lingkup penilitian ini meliputi :
1 Daun yang diteliti hanya daun Shorea
multiflora, palembanica, balangeran, lepida
dan assamica.
2 Difokuskan untuk mengidentifikasi daun
Shorea
dengan
mengidentifikasi
karakteristik morfologi daun.
3 Data yang digunakan adalah data hasil
pengukuran manual terhadap daun Shorea.
4 Daun Shorea yang digunakan diambil dari
beberapa koleksi Kebun Raya Bogor.
Manfaat
Model identifikasi daun Shorea diharapkan
dapat membantu dalam mengidentifikasi jenis
Shorea.
TINJAUAN PUSTAKA
Shorea
Shorea adalah salah satu marga dari
Dipterocarpaceae penghasil kayu terbaik dalam
dunia perindustrian. Dengan nilai ekonomi yang
tinggi mengakibatkan eksploitasi besar-besaran
yang dapat berdampak kepunahan terhadap
pohon Shorea dan menyebabkan kerusakan
hutan.
Shorea memiliki sekitar 194 jenis.
Persebarannya meliputi 1 jenis di Jawa, 1 atau 2
jenis di Sulawesi, 3 jenis di Maluku dan sisanya
menyebar kearah timur sampai Maluku
(Indonesia) dan tidak meluas ke Cina bagian
selatan (Newman et al. 1999).
Pohon Shorea dapat tumbuh dari batas
permukaan laut sampai ketinggian 1750 m.
Beberapa jenis Shorea yang berupa pohon
1
mengering coklat merah (Newman et al.
1999).
penjulang di hutan hujan dari kawasan Paparan
Sunda, dapat tumbuh hingga ketinggian 500 m
(Newman et al.1999).
Gambar 3 Daun Shorea palembanica.
3
Gambar 1 Pohon Shorea.
Ciri-ciri diagnostik utama pohon Shorea
sangat besar dengan pepagan dalam berlapislapis atau berwarna coklat merah gelap. Daun
menjangat, tidak berlipatan, tidak bentuk
perisai, tidak berlukup, 4-18 x 2-8 cm, pangkal
daun biasanya simetris, permukaan bawah daun
bila mengering pudar, pertulangan sekunder
bersirip, 7-25 pasang, terpisah permanen, pada
permukaan bawah daun bila mengering
warnanya sama seperti helai daun, atau lebih
gelap pada Shorea javanica (Newman et al.
1999).
Penelitian ini menggunakan lima jenis
Shorea, yaitu:
1 Shorea multiflora
Ciri-ciri utama umumnya berupa pohon
kecil sampai sedang dengan buah tanpa
sayap. Daun dengan ujung lancip panjang
(meruncing),
pangkal
membundar
(membulat), pertulangan daun tembus
cahaya bila segar (Newman et al. 1999).
Shorea balangeran
Ciri-ciri utama habitat hutan rawa
gambut, ujung daun lancip (meruncing),
pangkal daun membundar (membulat),
permukaan atas daun bila mengering coklat
agak lembayung, permukaan bawah bila
mengering coklat kekuning-kuningan.
Shorea balangeran merupakan salah satu
Shorea yang terancam punah (Newman et
al. 1999).
Gambar 4 Daun Shorea balangeran.
4
Shorea lepida
Ciri-ciri utama pohon dewasa memiliki
daun agak tipis, lonjong dan runcing.
Permukaan atas daun bila mengering coklat
agak lembayung, coklat kuning pada tulang
daun, coklat pudar pada permukaan bawah
daun (Newman et al. 1999).
Gambar 2 Daun Shorea multiflora.
2
Shorea palembanica
Ciri-ciri utama habitat tepi sungai,
perawakan berbonggol, daun besar, bila
Gambar 5 Daun Shorea lepida.
2
5
Shorea assamica
Ciri-ciri utama daun di bawah
permukaan memunyai indumentums sisiksisik kecil. Daun jorong atau bundar telur,
ujung daun lancip pendek (tumpul),
pangkal daun membundar, permukaan daun
bila mengering coklat dan bila diraba licin
(Newman et al. 1999).
normalisasi terhadap nilai atribut (Larose 2005
diacu dalam Faiza 2009).
Salah satu metode normalisasi adalah minmax normalization yang diterapkan untuk fitur
numerik. Formula untuk normalisasi atribut X
adalah:
Dengan X* adalah nilai setelah dinormalisasi, X
adalah nilai sebelum dinormalisasi, min(X)
adalah nilai minimum dari fitur, dan max(X)
adalah nilai maksimum dari suatu fitur.
Confusion Matrix
Gambar 6 Daun Shorea assamica.
K-Fold Cross Validation
Sebelum digunakan, sebuah sistem berbasis
komputer harus dievaluasi dalam berbagai
aspek. Di antara aspek-aspek ini, validasi
kinerja bisa merupakan yang paling penting.
(Fu 1994).
Metode k-fold cross validation membagi
sebuah himpunan contoh secara acak menjadi k
himpunan bagian lain (subset) yang paling
bebas. Dilakukan ulangan sebanyak k kali untuk
pelatihan dan pengujian. Pada setiap ulangan
disisipkan setiap subset untuk pengujian dan
subset lainnya untuk pelatihan (Stone 1974
diacu dalam Fu 1994).
Tingkat akurasi dihitung dengan membagi
jumlah keseluruhan klasifikasi yang benar
dengan jumlah semua instance pada data awal
(Han & Kamber 2001).
∑
Normalisasi
∑
Pada perhitungan jarak Euclidean, atribut
berskala panjang dapat memunyai pengaruh
lebih besar daripada atribut berskala pendek.
Untuk mencegah hal tersebut perlu dilakukan
Evaluasi model klasifikasi berdasar pada
proporsi antara data uji yang diprediksi secara
tepat dengan total seluruh prediksi (Tan et al.
2006).
Informasi
mengenai
klasifikasi
sebenarnya (aktual) dengan klasifikasi hasil
prediksi disajikan dalam bentuk tabel yang
disebut confusion matrix seperti diperlihatkan
pada Tabel 1.
Tabel 1 Confusion matrix dua kelas
Kelas aktual
Kelas 1
Kelas 2
Kelas hasil prediksi
Kelas 1
Kelas 2
a
b
c
d
Jumlah baris dan kolom pada tabel bergantung
pada banyaknya kelas target. Akurasi
merupakan proporsi jumlah prediksi yang tepat.
Contoh perhitungan akurasi untuk tabel tersebut
adalah:
KNN (K-Nearest Neighbour)
K-Nearest Neighbour merepresentasikan
setiap data sebagai titik dalam k-ruang dimensi.
Jika ada sebuah data uji maka akan dihitung
kedekatan titik data lainnya pada data latih
untuk diklasifikasikan berdasarkan kedekatannya yang didefinisikan dengan ukuran jarak
(Han & Kamber 2006).
Analisis data mendefinisikan ukuran
kedekatan atau ukuran kesamaan menggunakan
3
fungsi jarak. Fungsi jarak yang umumnya
digunakan adalah jarak Euclidean dengan
menggunakan rumus sebagai berikut (Larose
2005).
√∑
(
) ,
dengan x = x1,x2, … , xm menyatakan data uji,
y = y1,y2, … , ym menyatakan data latih dan
xi-yi = selisih data uji dengan data latih.
Penelitian ini, terdapat dua jenis data yang
digunakan, yaitu data numerik dan data
nominal. Data nominal atau sering disebut juga
data kategori yaitu data yang diperoleh melalui
pengelompokan objek berdasarkan kategori
tertentu. Walaupun data nominal dapat
dinyatakan dalam bentuk angka, namun angka
tersebut tidak memiliki urutan atau makna
matematis sehingga tidak dapat dibandingkan
(Dharma, 2008).
Untuk data nominal atau yang disebut
kategori, penggunaan jarak Euclidean tidak
tepat, sebaliknya dapat didefinisikan dengan
sebuah fungsi yang digunakan untuk
membandingkan nilai data uji dan data latih.
Untuk menghitung jarak nominal menggunakan
rumus sebagai berikut (Larose 2005) .
{
Yang berarti bahwa jika data latih sama dengan
data uji maka jaraknya 0, selainnya jaraknya 1.
Untuk menggabungkan kedua jarak semua
variabel, dilakukan aggregate ketidaksamaan
berat rata-rata dari jarak masing-masing fitur
dengan menggunakan rumus sebagai berikut
(Teknomo, 2006).
∑
METODOLOGI PENELITIAN
Kerangka Penelitian
Penelitian ini memunyai beberapa tahapan
untuk mengetahui tingkat akurasi yang
diperoleh menggunakan algoritme k-Nearest
Neighbour dalam pengidentifikasian daun
Shorea. Tahapan proses tersebut akan disajikan
pada Gambar 7.
Mulai
Identifikasi
Masalah
Pengadaan
Data
Praproses
Data
Penentuan
Data Latih dan
Data Uji
Data
Latih
Data
Uji
Klasifikasi
KNN
Model
Pengenalan
Daun Shorea
Hasil Prediksi
Selesai
Gambar 7 Diagram alur pembuatan sistem.
∑
,
dengan k merupakan variabel fitur, ij selisih
data latih dan data uji, Sijk merupakan kesamaan
dan ketidaksamaan antara objek dimana Wijk
bernilai 1 untuk nilai numerik dan 0.5 untuk
nilai nominal. Nilai pembobotan ini diberikan
agar jarak fitur nominal tidak terlalu
mendominasi hasil perhitungan.
Identifikasi Masalah
Tahap identifikasi permasalahan yang
meliputi tahap pemilihan masalah, identifikasi,
tujuan, dan sumber pengetahuan. Masalah yang
ada saat ini pihak rimbawan atau pekerja di
hutan masih mengalami kesulitan dalam
mengidentifikasi daun Shorea. Kesalahan dalam
mengidentifikasi ini dapat menyebabkan
kesalahan pemilihan kayu yang tidak tepat.
Salah satu solusi dari permasalahan tersebut
adalah dibuatnya suatu sistem mengenai
identifikasi daun Shorea yang dibentuk dari
4
fungsi jarak. Fungsi jarak yang umumnya
digunakan adalah jarak Euclidean dengan
menggunakan rumus sebagai berikut (Larose
2005).
√∑
(
) ,
dengan x = x1,x2, … , xm menyatakan data uji,
y = y1,y2, … , ym menyatakan data latih dan
xi-yi = selisih data uji dengan data latih.
Penelitian ini, terdapat dua jenis data yang
digunakan, yaitu data numerik dan data
nominal. Data nominal atau sering disebut juga
data kategori yaitu data yang diperoleh melalui
pengelompokan objek berdasarkan kategori
tertentu. Walaupun data nominal dapat
dinyatakan dalam bentuk angka, namun angka
tersebut tidak memiliki urutan atau makna
matematis sehingga tidak dapat dibandingkan
(Dharma, 2008).
Untuk data nominal atau yang disebut
kategori, penggunaan jarak Euclidean tidak
tepat, sebaliknya dapat didefinisikan dengan
sebuah fungsi yang digunakan untuk
membandingkan nilai data uji dan data latih.
Untuk menghitung jarak nominal menggunakan
rumus sebagai berikut (Larose 2005) .
{
Yang berarti bahwa jika data latih sama dengan
data uji maka jaraknya 0, selainnya jaraknya 1.
Untuk menggabungkan kedua jarak semua
variabel, dilakukan aggregate ketidaksamaan
berat rata-rata dari jarak masing-masing fitur
dengan menggunakan rumus sebagai berikut
(Teknomo, 2006).
∑
METODOLOGI PENELITIAN
Kerangka Penelitian
Penelitian ini memunyai beberapa tahapan
untuk mengetahui tingkat akurasi yang
diperoleh menggunakan algoritme k-Nearest
Neighbour dalam pengidentifikasian daun
Shorea. Tahapan proses tersebut akan disajikan
pada Gambar 7.
Mulai
Identifikasi
Masalah
Pengadaan
Data
Praproses
Data
Penentuan
Data Latih dan
Data Uji
Data
Latih
Data
Uji
Klasifikasi
KNN
Model
Pengenalan
Daun Shorea
Hasil Prediksi
Selesai
Gambar 7 Diagram alur pembuatan sistem.
∑
,
dengan k merupakan variabel fitur, ij selisih
data latih dan data uji, Sijk merupakan kesamaan
dan ketidaksamaan antara objek dimana Wijk
bernilai 1 untuk nilai numerik dan 0.5 untuk
nilai nominal. Nilai pembobotan ini diberikan
agar jarak fitur nominal tidak terlalu
mendominasi hasil perhitungan.
Identifikasi Masalah
Tahap identifikasi permasalahan yang
meliputi tahap pemilihan masalah, identifikasi,
tujuan, dan sumber pengetahuan. Masalah yang
ada saat ini pihak rimbawan atau pekerja di
hutan masih mengalami kesulitan dalam
mengidentifikasi daun Shorea. Kesalahan dalam
mengidentifikasi ini dapat menyebabkan
kesalahan pemilihan kayu yang tidak tepat.
Salah satu solusi dari permasalahan tersebut
adalah dibuatnya suatu sistem mengenai
identifikasi daun Shorea yang dibentuk dari
4
akuisisi pengetahuan pakar dan pustaka yang
mendukung.
5
Pengadaan Data
Daun Shorea yang digunakan didapatkan
dari Kebun Raya Bogor. Penelitian ini
menggunakan beberapa atribut yang mencirikan
bentuk morfologi daun Shorea. Data yang
digunakan merupakan data dari perhitungan
manual beberapa jenis daun Shorea.
Data dalam penelitian ini memunyai
beberapa fitur, yaitu:
1 Panjang daun, yaitu panjang daun diukur
dari pangkal daun hingga ujung daun.
2 Lebar daun, yaitu lebar daun diukur
berdasarkan permukaan daun paling lebar.
Ujung daun, yaitu bentuk ujung daun.
Beberapa bentuk ujung daun di antaranya:
a Runcing, jika kedua tepi daun di kanan
kiri ibu tulang sedikit demi sedikit
menuju ke atas dan pertemuannya pada
puncak daun melancip.
b Meruncing, seperti pada ujung yang
runcing, tetapi titik pertemuan kedua
tepi daunnya jauh lebih tinggi dari
dugaan, hingga ujung daun nampak
sempit panjang dan runcing.
c Tumpul, tepi daun yang semula masih
agak jauh dari ibu tulang membentuk
sudut yang tumpul.
d Membulat, seperti pada ujung yang
tumpul, tetapi tidak terbentuk sudut
sama sekali, hingga ujung daun
merupakan semacam suatu busur.
Lebar
Daun
Panjang
3
Gambar 8 Lebar dan panjang daun
Bentuk tulang daun, yaitu susunan tulang
cabang pada daun. Bentuk tulang daun
dapat dibedakan menjadi :
a Menempel : ujung tulang cabang
bagian dalam sebelah kanan bertemu
dengan ujung tulang cabang bagian
dalam sebelah kiri.
b Tidak menempel : ujung tulang cabang
bagian dalam sebelah kanan tidak
bertemu dengan ujung tulang cabang
bagian dalam sebelah kiri.
Ujung
tulang cabang
bagian dalam
sebelah kiri
4
Gambar 9 Ujung daun
6
Ujung
tulang cabang
bagian dalam
sebelah
kanan
Pangkal daun, yaitu bentuk pangkal daun.
Beberapa bentuk pangkal daun di
antaranya:
a Runcing
b Meruncing
c Tumpul
d Membulat
Gambar 10 Pangkal daun.
7
Keliling daun, yaitu keliling tepi daun yang
diukur dengan menggunakan benang.
Permukaan daun, yaitu keadaan permukaan
daun bagian atas dan bawah, seperti :
a
b
c
d
Atas bawah halus
Atas halus bawah kasar
Atas bawah kasar
Atas kasar bawah halus
Keliling daun
8
Luas daun, yaitu luas permukaan daun yang
diukur pada buku berpetak yang memunyai
luas ½ cm2 perkotak dengan menjumlahkan
kotak yang terisi penuh di dalam gambar
5
daun kemudian dibagi empat. Contoh
pengukuran luas :
tetangga (neighbour) terdekatnya dalam data
pelatihan.
Model Daun Shorea
9
Sudut antar tulang daun, yaitu sudut antara
ibu tulang daun dengan tulang cabang daun
sebelah kanan atau kiri yang diukur
menggunakan busur.
Sudut
Gambar 11 Sudut daun
10 Jumlah tulang daun, yaitu jumlah tulang
cabang daun sebelah kanan dan tulang
cabang daun sebelah kiri.
Praproses Data
Tahapan yang dilakukan dalam praproses di
antaranya pengolahan data dengan fitur nominal
menggunakan nominal distance seperti bentuk
ujung daun, permukaan daun, bentuk tulang
daun dan bentuk pangkal daun. Praproses data
juga dilakukan pada tahap awal normalisasi
data numerik agar didapatkan range antara nol
hingga satu. Hal ini dilakukan untuk
menghindari perbedaan range yang terlalu besar
antar fitur.
Penentuan Data Latih dan Data Uji
Pada penelitian ini pembagian data latih dan
data uji akan dilakukan dengan menggunakan
teknik k-fold cross validation dengan nilai k =
5.
Klasifikasi
Teknik klasifikasi yang akan digunakan
menggunakan k–Nearest Neighbour. Teknik k–
Nearest Neighbour mencari jarak terdekat
antara data yang akan dievaluasi dengan k
Tahapan ini merupakan tahapan yang paling
penting karena pada tahap ini teknik klasifikasi
diaplikasikan terhadap data yang sudah
diperoleh. Teknik klasifikasi yang digunakan
menggunakan k–Nearest Neighbour. Langkahlangkah pada metode tersebut yaitu:
Hitung jarak Euclidean: pada tahap ini setiap
data uji akan dihitung jaraknya ke setiap data
latih untuk mengetahui ukuran kedekatan atau
ukuran kesamaan antara data uji dengan data
latih.
Hitung jarak nominal: pada tahap ini
dilakukan proses pengubahan beberapa fitur
yang bersifat nominal dilambangkan dengan
nilai numerik sehingga mempermudah
perbandingan data uji terhadap data latih.
Aggregate (menggabungkan) data: pada tahap
ini data pengolahan nominal dan pengolahan
menggunakan Euclidean digabungkan.
Penentuan nilai k: pada k–Nearest Neighbour
penentuan nilai k yang tepat sangat penting
untuk menunjukkan jumlah tetangga terdekat.
Setelah didapatkan hasil identifikasi,
selanjutnya dilakukan evaluasi klasifikasi yang
dihasilkan metode k-Nearest Neighbour.
Hasil Prediksi
Pada tahap akhir ini diharapkan data testing
yang dimasukan akan terklasifikasi pada kelas
yang benar.
Lingkungan Pengembangan
Perangkat lunak yang digunakan dalam
penelitian yaitu :
Windows XP Home Edition Service Pack 3
XAMPP Version 1.7.1
Notepad v5.1.1
Microsoft Office Excel 2007
Perangkat keras yang digunakan dalam
penelitian yaitu :
Processor Intel Atom 1.66 GHz
RAM 1.00 GB
Harddisk kapasitas 150 GB
6
HASIL DAN PEMBAHASAN
No
3
Praproses
Data yang digunakan pada penelitian ini
merupakan data hasil perhitungan manual fiturfitur morfologi daun Shorea yang diambil dari
beberapa koleksi di Kebun Raya Bogor. Berikut
disajikan contoh data hasil perhitungan manual
dan fitur-fitur yang diperlihatkan pada Tabel 2.
Tabel 2 Data daun
Jenis Daun
Panjang
Lebar
Bentuk tulang daun
Permukaan Daun
Ujung Daun
Pangkal Daun
Keliling
Luas
Sudut
Jumlah tulang daun
Shorea multiflora
9.1 cm
5.7 cm
tidak menempel tidak
menonjol
atas bawah halus
meruncing
tumpul
22 cm
61.5 cm2
60°
14 buah
Proses pengambilan data ini dilakukan
selama satu bulan. Data yang didapat sebanyak
50 data dari perhitungan manual berdasarkan
fitur-fitur yang telah ditetapkan sesuai dengan
morfologi daun. Data yang digunakan sebanyak
50 data meliputi 10 data Shorea multiflora, 10
data Shorea palembanica, 10 data Shorea
balangeran, 10 data Shorea assamica, dan 10
data Shorea lepida.
Berdasarkan fitur-fitur yang digunakan
terdapat 4 fitur yang bersifat nominal, yaitu fitur
bentuk tulang daun, permukaan daun, ujung
daun, dan pangkal daun. Fitur-fitur ini memiliki
selang nilai yang berbeda. Pada Tabel 3
disajikan selang nilai yang terdapat di setiap
fitur.
Tabel 3 Selang nilai fitur daun
No
1
2
Nama Fitur
Bentuk Tulang Daun
a. tidak menempel tidak menonjol
b. menempel, tidak menonjol
c. tidak menempel, bagian bawah
menonjol
Permukaan Daun
a. atas bawah halus
b. atas halus bawah kasar
4
Nama Fitur
Ujung Daun
a. tumpul
b. runcing
c. meruncing
Pangkal Daun
a. membulat
b. tumpul
c. runcing
Dari 50 data Shorea, fitur-fitur yang
bernilai nominal dilambangkan dengan angka
untuk memudahkan perhitungan algoritme.
Pada Tabel 4 disajikan konversi fitur-fitur
nominal.
Tabel 4 Konversi fitur-fitur nominal
No
1
2
3
4
Nama Fitur
Bentuk Tulang Daun
a. tidak menempel, tidak
menonjol
b. menempel, tidak
menonjol
c. tidak menempel, bagian
bawah menonjol
Permukaan Daun
a. atas bawah halus
b. atas halus bawah kasar
Ujung Daun
a. tumpul
b. runcing
c. meruncing
Pangkal Daun
a. membulat
b. tumpul
c. runcing
Nilai
Konversi
1
2
3
1
2
1
2
3
1
2
3
Setelah nilai nominal dikonversi maka nilai
nominal itu diolah menggunkan nominal
distance. Dalam pengolahan fitur atribut yang
bernilai numerik menggunakan jarak Euclidean.
Dikarenakan adanya perbedaan range antara
fitur atribut maka perlu dilakukan normalisasi.
Normalisasi yang dilakukan bergantung jenis
datanya. Untuk mendapatkan range antara 0 – 1
menggunakan
normalisasi
min-max
normalization. Normalisasi dilakukan sebelum
melakukan pengolahan data. Hal ini bertujuan
untuk menyamakan range antara fitur. Nilai
maksimum dan minimum menggunakan nilai
maksimum dan minimum tiap subset. Misal
pada fitur panjang daun, nilai maksimum subset
satu 108.16, dan nilai minimum subset satu 0.
7
Contoh normalisasi untuk record pertama
berdasarkan rumus normalisasi adalah:
mencoba nilai k mulai dari 2 sampai 9
dalam metode k-Nearest Neighbour.
Akurasi klasifikasi untuk nilai k=2 sampai
k=9 diperlihatkan pada Gambar 12.
Percobaan pertama (tanpa normalisasi)
Dari banyaknya data yang diperoleh
sebanyak 50 record, dibagi menjadi 5 subset
yang setiap subset berisi 2 record dari setiap
jenis daun.
Percobaan pertama menggunakan 40 record
sebagai data latih yang berisi subset 1, 2, 3, dan
4. Subset 5 yang berisi 10 record dijadikan data
uji. Percobaan terus dilakukan hingga setiap
subset pernah menjadi data uji. Susunan data
latih dan data uji pada percobaan disajikan pada
Tabel 5.
Tabel 5 Susunan data latih dan data Uji
Iterasi
Pelatihan
Pengujian
Iterasi pertama
Iterasi kedua
Iterasi ketiga
S2,S3,S4,S5
S1,S3,S4,S5
S1,S2,S4,S5
S1
S2
S3
Iterasi keempat
Iterasi kelima
S1,S2,S3,S5
S1,S2,S3,S4
S4
S5
Data tersebut kemudian diterapkan dalam
metode k-Nearest Neighbour melalui tahaptahap berikut ini:
1 Setiap record data uji dihitung jaraknya ke
setiap record data latih untuk mengetahui
kedekatan antara data uji dengan data latih.
Untuk data bertipe numerik, selisih antara
data uji dengan data latih adalah
pengurangan nilai data uji dengan nilai data
latih. Untuk data bertipe nominal, data
diolah menggunakan nominal distance.
Bila data uji sama dengan data latih maka
bernilai nol dan bila data uji berbeda
dengan data latih maka bernilai 1.
2 Digabungkan hasil perhitungan yang
menggunakan jarak Euclidean dan nominal
distance dengan menggunakan rumus
aggregate. Memberikan bobot 1 pada hasil
perhitungan Euclidean dan bobot 0.5 pada
hasil perhitungan nominal. Pemberian
bobot 0.5 pada perhitungan nominal agar
tidak mendominasi hasil perhitungan.
3 Penentuan nilai k tetangga terdekat pada
percobaan pertama dilakukan dengan
Gambar 12 Akurasi klasifikasi percobaan
pertama.
Berdasarkan gambar tersebut (Gambar 12)
akurasi terbesar yang diperoleh adalah 84%
dengan nilai k=4 dan k=5. Untuk mengetahui
record yang salah diklasifikasikan digunakan
confusion matrix yang diperlihatkan pada Tabel
6.
Tabel 6 Confusion matrix percobaan pertama
Kelas
aktual
kelas 1
kelas 2
kelas 3
kelas 4
kelas 5
kelas
1
10
0
1
1
0
Kelas hasil prediksi
kelas kelas kelas
2
3
4
0
0
0
8
0
0
2
7
0
1
1
7
0
0
0
kelas
5
0
2
0
0
10
Berdasarkan tabel tersebut (Tabel 6) kelas 1
(Shorea multiflora) yang tepat diklasifikasikan
sebagai kelas 1 sebanyak 10 record, dan tidak
ada kelas 1 yang salah diklasifikasi sebagai
kelas 2, kelas 3, kelas 4 dan kelas 5. Kelas 2
(Shorea palembanica) yang tepat diklasifikasi
sebagai kelas 2 sebanyak 8 record, kelas 2 yang
salah diklasifikasi sebagai kelas 5 sebanyak 2
record. Kelas 3 (Shorea balangeran) yang tepat
diklasifikasi sebagai kelas 3 sebanyak 7 record,
kelas 3 yang salah diklasifikasi sebagai kelas 1
sebanyak 1 record dan kelas 3 yang salah
diklasifikasi sebagai kelas 2 sebanyak 2 record.
Kelas 4 (Shorea lepida) yang tepat diklasifikasi
sebagai kelas 4 sebanyak 7 record, kelas 4 yang
salah dikalsifikasi sebagai kelas 1 sebanyak 1
record, kelas 4 yang salah diidentifikasi sebagai
kelas 2 sebanyak 1 record, dan kelas 4 yang
8
salah diidentifikasi sebagai kelas 3 sebanyak 1
record. Kelas 5 (Shorea Assamica) yang tepat
diklasifikasi sebagai kelas 5 sebanyak 10
record, dan tidak ada kelas 1 yang salah
diklasifikasi sebagai kelas 2, kelas 3, kelas 4
dan kelas 1. Berdasarkan rumus confusion
matrix, besarnya akurasi adalah:
Hasil akurasi setiap iterasi
pada Gambar 13.
dapat dilihat
100%
80%
Iterasi1
60%
Iterasi2
40%
Iterasi3
20%
Iterasi4
0%
Iterasi5
Nilai K2 3 4 5 6 7 8 9
Gambar 13 Hasil iterasi tanpa normalisasi.
Berdasarkan
percobaan
pertama
dapat
disimpulkan iterasi ketiga dan keempat
memiliki hasil akurasi paling kecil pada setiap
nilai k nya. Kesalahan identifikasi terdapat
ketika Shorea palembanica teridentifikasi
sebagai Shorea assamica pada iterasi ketiga dan
Shorea lepida sebagai Shorea palembanica
pada iterasi keempat. Hal ini terjadi karena
dipengaruhi kemiripan luas dan panjang data uji
terhadap data latih.
Hasil jarak kedekatan diperlihatkan pada
Tabel 7 dengan menggunakn iterasi ketiga
sebagai contoh.
pertama dapat disimpulkan nilai k terbaik
adalah 3 dengan akurasi tertinggi 84%.
Percobaan kedua (dengan normalisasi)
Percobaan kedua menggunakan 40 record
sebagai data latih yang berisi subset 1, 2, 3, dan
4. Subset 5 yang berisi 10 record dijadikan data
uji. Percobaan terus dilakukan hingga setiap
subset pernah menjadi data uji. Susunan data
latih dan data uji pada percobaan disajikan pada
Tabel 5.
Data tersebut kemudian diterapkan dalam
metode k-Nearest Neighbour melalui tahaptahap berikut ini:
1 Normalisasi dilakukan pada setiap fitur
hingga didapatkan range antara 0 sampai 1
pada seluruh data. Hal ini dilakukan untuk
mengcegah data uji yang nilainya lebih
besar dari data latih. Setelah didapatkan
hasil normalisasi, lakukan langkah satu
seperti percobaan pertama.
2 Digabungkan hasil perhitungan yang
menggunakan euclid dan nominal dengan
menggunakan
rumus
aggregate.
Memberikan bobot 1 pada hasil
perhitungan Euclidean dan bobot 0.5 pada
hasil perhitungan nominal. Pemberian
bobot 0.5 pada perhitungan nominal agar
tidak mendominasi hasil perhitungan.
3 Penentuan nilai k tetangga terdekat pada
percobaan kedua dilakukan dengan
mencoba nilai k mulai dari 2 sampai 9
dalam metode k-Nearest Neighbour.
Akurasi klasifikasi untuk nilai k=2 sampai
k=9 diperlihatkan Gambar 14.
Tabel 7 Perhitungan jarak tanpa normalisasi
Jarak
12.46
13.68
12.32
14.75
14.52
19.59
24.13
17.90
18.12
Kelas
Shorea assamica
Shorea assamica
Shorea assamica
Shorea assamica
Shorea assamica
Shorea assamica
Shorea palembanica
Shorea assamica
Shorea assamica
Urutan
2
3
1
5
4
8
9
6
7
Pada perhitungan di atas dapat disimpulkan
bahwa Shorea palembanica diidentifikasi
sebagai Shorea assamica. Dari percobaan
Gambar 14 Akurasi klasifikasi percobaan kedua
Berdasarkan gambar tersebut (Gambar 14)
akurasi terbesar yang diperoleh adalah 100%.
Hal ini disebabkan karena penggunaan
9
normalisasi yang menyamakan range setiap
fitur.
Hasil jarak kedekatan diperlihatkan pada
Tabel 8 dengan menggunakan iterasi ketiga
sebagai contoh.
Tabel 8 Hasil perhitungan dengan normalisasi
Jarak
0.49
0.58
1.23
0.62
0.69
0.58
0.67
0.63
0.39
Kelas
Shorea palembanica
Shorea palembanica
Shorea lepida
Shorea palembanica
Shorea palembanica
Shorea palembanica
Shorea palembanica
Shorea palembanica
Shorea palembanica
Urutan
2
3
9
5
8
4
7
6
1
Berdasarkan percobaan kedua dihasilkan
akurasi 100% pada setiap nilai k. Hal ini
dikarenakan perbedaan bentuk morfologi daun
yang memang berbeda dan fitur-fiturnya
memang mewakili morfologi daun.
Perbandingan akurasi sebelum dan sesudah
normalisasi diperlihatkan pada Gambar 15.
2.
percobaan pertama tanpa melakukan
normalisasi menghasilkan akurasi 84%.
Metode k-Nearest Neighbour dapat
diterapkan pada pengidentifikasian daun
Shorea.
Saran
Penelitian ini masih memunyai beberapa
kekurangan yang dapat diperbaiki pada
penelitian selanjutnya. Beberapa saran itu di
antaranya:
1. Menganalisis fitur-fitur untuk mengetahui
fitur mana yang paling mempengaruhi
proses identifikasi jenis Shorea.
2. Memperbanyak jenis daun Shorea agar
lebih bervariasi.
3. Memperbanyak fitur-fitur yang digunakan
seperti jarak antara daun, arah tulang daun
pertama ke kanan atau ke kiri,
perbandingan luas daun kanan dan kiri,
jumlah tulang daun kanan dan kiri,
memperbaiki
perhitungan
sudut,
perhitungan luas dan keliling menggunakan
regresi linear.
4. Menyempurnakan perhitungan pada data
nominal.
DAFTAR PUSTAKA
Dharma Surya. 2008. Pengolahan dan Analisis
Data Penelitian. Jakarta: Direktorat Tenaga
Kependidikan, Departemen Pendidikan
Nasional.
Gambar 15 Perbandingan akurasi.
Pada Gambar 16 dapat dilihat bahwa setelah
data dinormalisasi memberikan pengaruh yang
cukup besar hingga mencapai akurasi 100%.
KESIMPULAN DAN SARAN
Kesimpulan
Dari beberapa percobaan yang dilakukan
terhadap data daun Shorea dengan metode kNearest Neighbour, diperoleh kesimpulan
sebagai berikut:
1. Akurasi terbesar adalah 100% pada
percobaan kedua dengan melakukan
normalisasi
data,
sedangkan
pada
Faiza Ninon N. 2009. Prediksi Tingkat
Keberhasilan Mahasiswa Tingkat I IPB
Dengan Metode k-Nearest Neighbour
[Skripsi]. Bogor : Fakultas Matematika dan
Ilmu Pengetahuan Alam, Institut Pertanian
Bogor.
Freivalds R, Ozols M, Mancinska L. 2009.
Theoritical Computer Science. Latvia :
University of Latvia.
Fu L. 1994. Neural Networks in Computers
Intelligence. Singapura: McGraw-Hill.
Han J, Kamber M. 2001. Data Mining Concepts
& techniques. USA: Academic Press.
10
normalisasi yang menyamakan range setiap
fitur.
Hasil jarak kedekatan diperlihatkan pada
Tabel 8 dengan menggunakan iterasi ketiga
sebagai contoh.
Tabel 8 Hasil perhitungan dengan normalisasi
Jarak
0.49
0.58
1.23
0.62
0.69
0.58
0.67
0.63
0.39
Kelas
Shorea palembanica
Shorea palembanica
Shorea lepida
Shorea palembanica
Shorea palembanica
Shorea palembanica
Shorea palembanica
Shorea palembanica
Shorea palembanica
Urutan
2
3
9
5
8
4
7
6
1
Berdasarkan percobaan kedua dihasilkan
akurasi 100% pada setiap nilai k. Hal ini
dikarenakan perbedaan bentuk morfologi daun
yang memang berbeda dan fitur-fiturnya
memang mewakili morfologi daun.
Perbandingan akurasi sebelum dan sesudah
normalisasi diperlihatkan pada Gambar 15.
2.
percobaan pertama tanpa melakukan
normalisasi menghasilkan akurasi 84%.
Metode k-Nearest Neighbour dapat
diterapkan pada pengidentifikasian daun
Shorea.
Saran
Penelitian ini masih memunyai beberapa
kekurangan yang dapat diperbaiki pada
penelitian selanjutnya. Beberapa saran itu di
antaranya:
1. Menganalisis fitur-fitur untuk mengetahui
fitur mana yang paling mempengaruhi
proses identifikasi jenis Shorea.
2. Memperbanyak jenis daun Shorea agar
lebih bervariasi.
3. Memperbanyak fitur-fitur yang digunakan
seperti jarak antara daun, arah tulang daun
pertama ke kanan atau ke kiri,
perbandingan luas daun kanan dan kiri,
jumlah tulang daun kanan dan kiri,
memperbaiki
perhitungan
sudut,
perhitungan luas dan keliling menggunakan
regresi linear.
4. Menyempurnakan perhitungan pada data
nominal.
DAFTAR PUSTAKA
Dharma Surya. 2008. Pengolahan dan Analisis
Data Penelitian. Jakarta: Direktorat Tenaga
Kependidikan, Departemen Pendidikan
Nasional.
Gambar 15 Perbandingan akurasi.
Pada Gambar 16 dapat dilihat bahwa setelah
data dinormalisasi memberikan pengaruh yang
cukup besar hingga mencapai akurasi 100%.
KESIMPULAN DAN SARAN
Kesimpulan
Dari beberapa percobaan yang dilakukan
terhadap data daun Shorea dengan metode kNearest Neighbour, diperoleh kesimpulan
sebagai berikut:
1. Akurasi terbesar adalah 100% pada
percobaan kedua dengan melakukan
normalisasi
data,
sedangkan
pada
Faiza Ninon N. 2009. Prediksi Tingkat
Keberhasilan Mahasiswa Tingkat I IPB
Dengan Metode k-Nearest Neighbour
[Skripsi]. Bogor : Fakultas Matematika dan
Ilmu Pengetahuan Alam, Institut Pertanian
Bogor.
Freivalds R, Ozols M, Mancinska L. 2009.
Theoritical Computer Science. Latvia :
University of Latvia.
Fu L. 1994. Neural Networks in Computers
Intelligence. Singapura: McGraw-Hill.
Han J, Kamber M. 2001. Data Mining Concepts
& techniques. USA: Academic Press.
10
IDENTIFIKASI SHOREA MENGGUNAKAN k-NEAREST NEIGHBOUR
BERDASARKAN KARAKTERISTIK MORFOLOGI DAUN
BRYAN NURJAYANTI
Skripsi
Sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer pada
Program Studi Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2011
ii
normalisasi yang menyamakan range setiap
fitur.
Hasil jarak kedekatan diperlihatkan pada
Tabel 8 dengan menggunakan iterasi ketiga
sebagai contoh.
Tabel 8 Hasil perhitungan dengan normalisasi
Jarak
0.49
0.58
1.23
0.62
0.69
0.58
0.67
0.63
0.39
Kelas
Shorea palembanica
Shorea palembanica
Shorea lepida
Shorea palembanica
Shorea palembanica
Shorea palembanica
Shorea palembanica
Shorea palembanica
Shorea palembanica
Urutan
2
3
9
5
8
4
7
6
1
Berdasarkan percobaan kedua dihasilkan
akurasi 100% pada setiap nilai k. Hal ini
dikarenakan perbedaan bentuk morfologi daun
yang memang berbeda dan fitur-fiturnya
memang mewakili morfologi daun.
Perbandingan akurasi sebelum dan sesudah
normalisasi diperlihatkan pada Gambar 15.
2.
percobaan pertama tanpa melakukan
normalisasi menghasilkan akurasi 84%.
Metode k-Nearest Neighbour dapat
diterapkan pada pengidentifikasian daun
Shorea.
Saran
Penelitian ini masih memunyai beberapa
kekurangan yang dapat diperbaiki pada
penelitian selanjutnya. Beberapa saran itu di
antaranya:
1. Menganalisis fitur-fitur untuk mengetahui
fitur mana yang paling mempengaruhi
proses identifikasi jenis Shorea.
2. Memperbanyak jenis daun Shorea agar
lebih bervariasi.
3. Memperbanyak fitur-fitur yang digunakan
seperti jarak antara daun, arah tulang daun
pertama ke kanan atau ke kiri,
perbandingan luas daun kanan dan kiri,
jumlah tulang daun kanan dan kiri,
memperbaiki
perhitungan
sudut,
perhitungan luas dan keliling menggunakan
regresi linear.
4. Menyempurnakan perhitungan pada data
nominal.
DAFTAR PUSTAKA
Dharma Surya. 2008. Pengolahan dan Analisis
Data Penelitian. Jakarta: Direktorat Tenaga
Kependidikan, Departemen Pendidikan
Nasional.
Gambar 15 Perbandingan akurasi.
Pada Gambar 16 dapat dilihat bahwa setelah
data dinormalisasi memberikan pengaruh yang
cukup besar hingga mencapai akurasi 100%.
KESIMPULAN DAN SARAN
Kesimpulan
Dari beberapa percobaan yang dilakukan
terhadap data daun Shorea dengan metode kNearest Neighbour, diperoleh kesimpulan
sebagai berikut:
1. Akurasi terbesar adalah 100% pada
percobaan kedua dengan melakukan
normalisasi
data,
sedangkan
pada
Faiza Ninon N. 2009. Prediksi Tingkat
Keberhasilan Mahasiswa Tingkat I IPB
Dengan Metode k-Nearest Neighbour
[Skripsi]. Bogor : Fakultas Matematika dan
Ilmu Pengetahuan Alam, Institut Pertanian
Bogor.
Freivalds R, Ozols M, Mancinska L. 2009.
Theoritical Computer Science. Latvia :
University of Latvia.
Fu L. 1994. Neural Networks in Computers
Intelligence. Singapura: McGraw-Hill.
Han J, Kamber M. 2001. Data Mining Concepts
& techniques. USA: Academic Press.
10
Kahramanli Humar. 2010. A Novel Distance
Measure For Data Vectors with nominal
feature values. USA: World Scientific and
Engineering Academy and Society.
Larose Daniel T. 2005. Discovering Knowledge
in Data: An Introduction to Data Mining.
John Wiley & Sons, Inc.
li Cen, Biswas G. 2002. Unsupervised Learning
with Mixed Numeric and Nominal Data. Vol
14. no.4. IEEE Transaction on knowledge
and data engineering.
Newman et al. 1999. Pedoman Identifikasi
Pohon-Pohon
Dipterocarpaceae
Jawa
sampai Niugini. Bogor : PROSEA
INDONESIA.
Tan Pang-Ning, et al. 2006. Introduction to
Data Mining. Boston: Pearson Education,
Inc.
Teknomo Kardi. Similarity Measurement.
http:\\people.revoledu.com\kardi\
tutorial\Similarity\ [22 Februari 2011]
Tjitrosoepomo Gembong. 2005. Morfologi
Tumbuhan. Jogjakarta : Fakultas Biologi,
Gajah Mada University.
11
ABSTRACT
BRYAN NURJAYANTI. Shorea Identification Using k-Nearest Neighbour Based on
Morphological Characteristics of Leaves. Supervised by AZIZ KUSTIYO.
Dipterocarpaceae is a group of tropical plants that is used in a timber industry. One of
Dipterocarpaceae clans is Shorea, that is the best timber-producing plant in the industrial world.
Shorea is difficult to be identified because it has a lot of diversity. The inability to recognize Shorea in
forest will enlarge the exploitation of Shorea that has a good timber quality, and silviculture work
becomes less of the target because it is not known which Shorea species that will extinct.
Shorea tree is usually identified by using the stems, leaves, fruits, and flowers. However, leave is
used for the identification in this research because it tends to be available as a source of observation at
anytime. The leaves in this reasearch are the collection from Bogor Botanical Gardens. Data are
obtained by manual calculating to get the characteristics of the leaves. The obtained data will be
processed using k-Nearest Neighbor to get the closeness of new data and training data.
The leaves that are included in this research are Shorea multiflora, palembanica, balangeran,
lepida and assamica, each one has 10 data. Each set of data has 10 attributes that support the leaf
characteristics. From the whole data, Shorea are divided into five subsets including data training and
data testing for each subset. This research has two experiments the first experiment without
normalization produces 84% accuracy and the second experiment with a normalization produces
100% accuracy.
Keywords : Shorea, k-Nearest Neighbour.
iii
IDENTIFIKASI SHOREA MENGGUNAKAN k-NEAREST NEIGHBOUR
BERDASARKAN KARAKTERISTIK MORFOLOGI DAUN
BRYAN NURJAYANTI
Skripsi
Sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer pada
Program Studi Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2011
ii
Judul Penelitian
Nama
NRP
Identifikasi Shorea Menggunakan k-Nearest Neighbour Berdasarkan
Karakteristik Morfologi Daun
Bryan Nurjayanti
G64086022
Menyetujui :
Pembimbing
Aziz Kustiyo, S.Si., M.Kom.
NIP 19700719 199802 1 001
Mengetahui :
Ketua Departemen
Dr. Ir. Sri Nurdiati, M.Sc.
NIP. 19601126 198601 2 001
Tanggal Lulus :
iv
RIWAYAT HIDUP
Penulis dilahirkan di Jakarta pada tanggal 8 September 1987. Anak pertama dari 2 bersaudara, dari
pasangan Bapak Abdi Iskandar dan Ibu Susilowati.
Pada tahun 2005 penulis lulus dari SMU Negeri 89 Jakarta, kemudian melanjutkan pendidikan
Diploma III pada Program Studi Manajemen Informatika, Institut Pertanian Bogor melalui jalur
Undangan Seleksi Masuk IPB. Lulus Diploma pada Tahun 2008 penulis melanjutkan studi di Institut
Pertanian Bogor Jurusan Ilmu Komputer (ekstensi) untuk memperoleh gelar sarjana.
Selama menjalani perkuliahan penulis pernah menjadi asisten dosen di Direktorat Program
Diploma Institut Pertanian Bogor pada tahun 2009 sampai 2011.
v
PRAKATA
Puji dan syukur penulis panjatkan kehadirat Allah SWT yang telah memberikan rahmat dan
hidayah-Nya sehingga penulis dapat menyelesaikan karya ilmiah ini. Terima kasih penulis ucapkan
kepada Bapak Aziz Kustiyo, S.Si, M.Kom selaku pembimbing. Adapun penulis mengucapkan terima
kasih kepada:
1. Kedua orang tua dan kakak yang telah memberikan dukungan, perhatian, dan doa sehingga
penulis dapat menyelesaikan studi di Departemen Ilmu Komputer IPB.
2. Dosen penguji Bapak Toto Haryanto, S.Kom, M.Si dan Bapak Mushthofa, S.Kom, M.Sc atas
saran dan bimbingannya.
3. Pihak Kebun Raya Bogor atas sample daun Shorea.
4. Pihak Biotrop atas literatur tentang Shorea.
5. Seluruh dosen pengajar dan civitas akademika Departemen Ilmu Komputer FMIPA IPB.
6. Asep yang telah banyak membantu dalam pembuatan penelitian ini.
7. Dewi ”Meong” teman seperjuangan semasa kuliah.
8. Teman-teman satu bimbingan atas kerjasamanya.
9. Teman-teman Ekstensi ILKOM angkatan 3, atas kerjasamanya selama perkuliahan.
10. Semua pihak yang telah membantu yang belum disebutkan di atas.
Semoga penelitian ini dapat bermanfaat bagi semua pihak yang membutuhkan.
Bogor, Juni 2011
Bryan Nurjayanti
vi
DAFTAR ISI
Halaman
DAFTAR ISI ......................................................................................................................................... vii
DAFTAR GAMBAR ............................................................................................................................viii
DAFTAR TABEL ................................................................................................................................viii
DAFTAR LAMPIRAN.........................................................................................................................viii
PENDAHULUAN ................................................................................................................................... 1
Latar Belakang ..................................................................................................................................... 1
Tujuan .................................................................................................................................................. 1
Ruang Lingkup ..................................................................................................................................... 1
Manfaat ................................................................................................................................................ 1
TINJAUAN PUSTAKA .......................................................................................................................... 1
Shorea .................................................................................................................................................. 1
K-Fold Cross Validation ...................................................................................................................... 3
Normalisasi .......................................................................................................................................... 3
Confusion Matrix ................................................................................................................................. 3
KNN (K-Nearest Neighbour) ............................................................................................................... 3
METODOLOGI PENELITIAN............................................................................................................... 4
Kerangka Penelitian ............................................................................................................................. 4
Identifikasi Masalah ............................................................................................................................. 4
Pengadaan Data ................................................................................................................................... 5
Praproses Data ...................................................................................................................................... 6
Penentuan Data Latih dan Data Uji ...................................................................................................... 6
Klasifikasi ............................................................................................................................................ 6
Model Daun Shorea ............................................................................................................................. 6
Hasil Prediksi ....................................................................................................................................... 6
Lingkungan Pengembangan ................................................................................................................. 6
HASIL DAN PEMBAHASAN ............................................................................................................... 7
Praproses .............................................................................................................................................. 7
Percobaan pertama (tanpa normalisasi) ................................................................................................ 8
Percobaan kedua (dengan normalisasi) ................................................................................................ 9
KESIMPULAN DAN SARAN ............................................................................................................. 10
Kesimpulan ........................................................................................................................................ 10
Saran .................................................................................................................................................. 10
DAFTAR PUSTAKA .......................................................................................
BRYAN NURJAYANTI. Shorea Identification Using k-Nearest Neighbour Based on
Morphological Characteristics of Leaves. Supervised by AZIZ KUSTIYO.
Dipterocarpaceae is a group of tropical plants that is used in a timber industry. One of
Dipterocarpaceae clans is Shorea, that is the best timber-producing plant in the industrial world.
Shorea is difficult to be identified because it has a lot of diversity. The inability to recognize Shorea in
forest will enlarge the exploitation of Shorea that has a good timber quality, and silviculture work
becomes less of the target because it is not known which Shorea species that will extinct.
Shorea tree is usually identified by using the stems, leaves, fruits, and flowers. However, leave is
used for the identification in this research because it tends to be available as a source of observation at
anytime. The leaves in this reasearch are the collection from Bogor Botanical Gardens. Data are
obtained by manual calculating to get the characteristics of the leaves. The obtained data will be
processed using k-Nearest Neighbor to get the closeness of new data and training data.
The leaves that are included in this research are Shorea multiflora, palembanica, balangeran,
lepida and assamica, each one has 10 data. Each set of data has 10 attributes that support the leaf
characteristics. From the whole data, Shorea are divided into five subsets including data training and
data testing for each subset. This research has two experiments the first experiment without
normalization produces 84% accuracy and the second experiment with a normalization produces
100% accuracy.
Keywords : Shorea, k-Nearest Neighbour.
iii
PENDAHULUAN
Latar Belakang
Dipterocarpaceae
adalah
sekelompok
tumbuhan hutan hujan tropis yang dimanfaatkan
dalam bidang perkayuan. Kelompok famili
Dipterocarpaceae yang digunakan dalam
perkayuan adalah
meranti merah, meranti
putih, dan meranti kuning dari jenis Shorea,
Anisoptera dan Parashorea. Dipterocarpaceae
tumbuh dibagian barat Indonesia, Malaysia,
Brunei, Filipina dan penyebarannya ke arah
timur sampai dengan Nugini (Irian Jaya dan
Papua Nugini).
Dipterocarpaceae sulit untuk diidentifikasi
terutama di Kalimantan yang memiliki jenis
terbanyak. Ketidakmampuan untuk mengenal
individu Dipterocarpaceae di hutan memperbesar terjadinya eksploitasi Dipterocarpaceae khususnya jenis Shorea yang memiliki
kualitas kayu yang baik dan pekerjaan
silvikultur kurang menjadi sasaran karena tidak
diketahui jenis Dipterocarpaceae yang akan
punah (Newman et al.1999).
Shorea adalah salah satu marga tumbuhan
penghasil
kayu
terbaik
dalam
dunia
perindustrian. Dengan nilai ekonomi yang
tinggi mengakibatkan eksploitasi besar-besaran
pohon Shorea. Hal ini dapat berdampak
kepunahan terhadap pohon Shorea dan
menyebabkan kerusakan hutan.
Model identifikasi daun Shorea yang akan
dikembangkan dapat digunakan untuk mengenal
daun Shorea. Identifikasi ini dilakukan agar
tidak menyebabkan kesalahan pemilihan kayu
yang tidak tepat dan mengurangi pertumbuhan
jenis kayu dengan sifat-sifat yang tidak
diinginkan. Sifat-sifat itu misalnya kualitas
kayu yang rendah, pertumbuhan lambat, tajuk
lebar yang jarang mencapai ukuran kayu, atau
jenis pilihan yang tidak cocok untuk kondisi
tanah tertentu.
Penentuan identifikasi pohon Shorea,
biasanya menggunakan batang, daun, buah, dan
bunga. Namun penelitian ini menggunakan
daun sebagai bahan identifikasi dikarenakan
daun cenderung tersedia sebagai sumber
pengamatan sepanjang waktu. Bila menggunakan batang, batang pohon akan berubah
warna atau kedalaman alur sejalan dengan
bertambahnya umur pohon.
Salah satu metode yang digunakan untuk
membangun
model
klasifikasi
dalam
mengidentifikasi daun Shorea adalah k-Nearest
Neighbour. k-Nearest Neighbour merupakan
teknik yang lebih fleksibel karena mampu
menglasifikasikan data uji ke dalam kelas label
dengan cara mencari data latih yang relatif sama
dengan data uji (Tan et al. 2006).
Tujuan
Penelitian ini bertujuan untuk menerapkan
k-nearest Neighbour dalam mengidentifikasi
jenis Shorea.
Ruang Lingkup
Ruang lingkup penilitian ini meliputi :
1 Daun yang diteliti hanya daun Shorea
multiflora, palembanica, balangeran, lepida
dan assamica.
2 Difokuskan untuk mengidentifikasi daun
Shorea
dengan
mengidentifikasi
karakteristik morfologi daun.
3 Data yang digunakan adalah data hasil
pengukuran manual terhadap daun Shorea.
4 Daun Shorea yang digunakan diambil dari
beberapa koleksi Kebun Raya Bogor.
Manfaat
Model identifikasi daun Shorea diharapkan
dapat membantu dalam mengidentifikasi jenis
Shorea.
TINJAUAN PUSTAKA
Shorea
Shorea adalah salah satu marga dari
Dipterocarpaceae penghasil kayu terbaik dalam
dunia perindustrian. Dengan nilai ekonomi yang
tinggi mengakibatkan eksploitasi besar-besaran
yang dapat berdampak kepunahan terhadap
pohon Shorea dan menyebabkan kerusakan
hutan.
Shorea memiliki sekitar 194 jenis.
Persebarannya meliputi 1 jenis di Jawa, 1 atau 2
jenis di Sulawesi, 3 jenis di Maluku dan sisanya
menyebar kearah timur sampai Maluku
(Indonesia) dan tidak meluas ke Cina bagian
selatan (Newman et al. 1999).
Pohon Shorea dapat tumbuh dari batas
permukaan laut sampai ketinggian 1750 m.
Beberapa jenis Shorea yang berupa pohon
1
PENDAHULUAN
Latar Belakang
Dipterocarpaceae
adalah
sekelompok
tumbuhan hutan hujan tropis yang dimanfaatkan
dalam bidang perkayuan. Kelompok famili
Dipterocarpaceae yang digunakan dalam
perkayuan adalah
meranti merah, meranti
putih, dan meranti kuning dari jenis Shorea,
Anisoptera dan Parashorea. Dipterocarpaceae
tumbuh dibagian barat Indonesia, Malaysia,
Brunei, Filipina dan penyebarannya ke arah
timur sampai dengan Nugini (Irian Jaya dan
Papua Nugini).
Dipterocarpaceae sulit untuk diidentifikasi
terutama di Kalimantan yang memiliki jenis
terbanyak. Ketidakmampuan untuk mengenal
individu Dipterocarpaceae di hutan memperbesar terjadinya eksploitasi Dipterocarpaceae khususnya jenis Shorea yang memiliki
kualitas kayu yang baik dan pekerjaan
silvikultur kurang menjadi sasaran karena tidak
diketahui jenis Dipterocarpaceae yang akan
punah (Newman et al.1999).
Shorea adalah salah satu marga tumbuhan
penghasil
kayu
terbaik
dalam
dunia
perindustrian. Dengan nilai ekonomi yang
tinggi mengakibatkan eksploitasi besar-besaran
pohon Shorea. Hal ini dapat berdampak
kepunahan terhadap pohon Shorea dan
menyebabkan kerusakan hutan.
Model identifikasi daun Shorea yang akan
dikembangkan dapat digunakan untuk mengenal
daun Shorea. Identifikasi ini dilakukan agar
tidak menyebabkan kesalahan pemilihan kayu
yang tidak tepat dan mengurangi pertumbuhan
jenis kayu dengan sifat-sifat yang tidak
diinginkan. Sifat-sifat itu misalnya kualitas
kayu yang rendah, pertumbuhan lambat, tajuk
lebar yang jarang mencapai ukuran kayu, atau
jenis pilihan yang tidak cocok untuk kondisi
tanah tertentu.
Penentuan identifikasi pohon Shorea,
biasanya menggunakan batang, daun, buah, dan
bunga. Namun penelitian ini menggunakan
daun sebagai bahan identifikasi dikarenakan
daun cenderung tersedia sebagai sumber
pengamatan sepanjang waktu. Bila menggunakan batang, batang pohon akan berubah
warna atau kedalaman alur sejalan dengan
bertambahnya umur pohon.
Salah satu metode yang digunakan untuk
membangun
model
klasifikasi
dalam
mengidentifikasi daun Shorea adalah k-Nearest
Neighbour. k-Nearest Neighbour merupakan
teknik yang lebih fleksibel karena mampu
menglasifikasikan data uji ke dalam kelas label
dengan cara mencari data latih yang relatif sama
dengan data uji (Tan et al. 2006).
Tujuan
Penelitian ini bertujuan untuk menerapkan
k-nearest Neighbour dalam mengidentifikasi
jenis Shorea.
Ruang Lingkup
Ruang lingkup penilitian ini meliputi :
1 Daun yang diteliti hanya daun Shorea
multiflora, palembanica, balangeran, lepida
dan assamica.
2 Difokuskan untuk mengidentifikasi daun
Shorea
dengan
mengidentifikasi
karakteristik morfologi daun.
3 Data yang digunakan adalah data hasil
pengukuran manual terhadap daun Shorea.
4 Daun Shorea yang digunakan diambil dari
beberapa koleksi Kebun Raya Bogor.
Manfaat
Model identifikasi daun Shorea diharapkan
dapat membantu dalam mengidentifikasi jenis
Shorea.
TINJAUAN PUSTAKA
Shorea
Shorea adalah salah satu marga dari
Dipterocarpaceae penghasil kayu terbaik dalam
dunia perindustrian. Dengan nilai ekonomi yang
tinggi mengakibatkan eksploitasi besar-besaran
yang dapat berdampak kepunahan terhadap
pohon Shorea dan menyebabkan kerusakan
hutan.
Shorea memiliki sekitar 194 jenis.
Persebarannya meliputi 1 jenis di Jawa, 1 atau 2
jenis di Sulawesi, 3 jenis di Maluku dan sisanya
menyebar kearah timur sampai Maluku
(Indonesia) dan tidak meluas ke Cina bagian
selatan (Newman et al. 1999).
Pohon Shorea dapat tumbuh dari batas
permukaan laut sampai ketinggian 1750 m.
Beberapa jenis Shorea yang berupa pohon
1
mengering coklat merah (Newman et al.
1999).
penjulang di hutan hujan dari kawasan Paparan
Sunda, dapat tumbuh hingga ketinggian 500 m
(Newman et al.1999).
Gambar 3 Daun Shorea palembanica.
3
Gambar 1 Pohon Shorea.
Ciri-ciri diagnostik utama pohon Shorea
sangat besar dengan pepagan dalam berlapislapis atau berwarna coklat merah gelap. Daun
menjangat, tidak berlipatan, tidak bentuk
perisai, tidak berlukup, 4-18 x 2-8 cm, pangkal
daun biasanya simetris, permukaan bawah daun
bila mengering pudar, pertulangan sekunder
bersirip, 7-25 pasang, terpisah permanen, pada
permukaan bawah daun bila mengering
warnanya sama seperti helai daun, atau lebih
gelap pada Shorea javanica (Newman et al.
1999).
Penelitian ini menggunakan lima jenis
Shorea, yaitu:
1 Shorea multiflora
Ciri-ciri utama umumnya berupa pohon
kecil sampai sedang dengan buah tanpa
sayap. Daun dengan ujung lancip panjang
(meruncing),
pangkal
membundar
(membulat), pertulangan daun tembus
cahaya bila segar (Newman et al. 1999).
Shorea balangeran
Ciri-ciri utama habitat hutan rawa
gambut, ujung daun lancip (meruncing),
pangkal daun membundar (membulat),
permukaan atas daun bila mengering coklat
agak lembayung, permukaan bawah bila
mengering coklat kekuning-kuningan.
Shorea balangeran merupakan salah satu
Shorea yang terancam punah (Newman et
al. 1999).
Gambar 4 Daun Shorea balangeran.
4
Shorea lepida
Ciri-ciri utama pohon dewasa memiliki
daun agak tipis, lonjong dan runcing.
Permukaan atas daun bila mengering coklat
agak lembayung, coklat kuning pada tulang
daun, coklat pudar pada permukaan bawah
daun (Newman et al. 1999).
Gambar 2 Daun Shorea multiflora.
2
Shorea palembanica
Ciri-ciri utama habitat tepi sungai,
perawakan berbonggol, daun besar, bila
Gambar 5 Daun Shorea lepida.
2
5
Shorea assamica
Ciri-ciri utama daun di bawah
permukaan memunyai indumentums sisiksisik kecil. Daun jorong atau bundar telur,
ujung daun lancip pendek (tumpul),
pangkal daun membundar, permukaan daun
bila mengering coklat dan bila diraba licin
(Newman et al. 1999).
normalisasi terhadap nilai atribut (Larose 2005
diacu dalam Faiza 2009).
Salah satu metode normalisasi adalah minmax normalization yang diterapkan untuk fitur
numerik. Formula untuk normalisasi atribut X
adalah:
Dengan X* adalah nilai setelah dinormalisasi, X
adalah nilai sebelum dinormalisasi, min(X)
adalah nilai minimum dari fitur, dan max(X)
adalah nilai maksimum dari suatu fitur.
Confusion Matrix
Gambar 6 Daun Shorea assamica.
K-Fold Cross Validation
Sebelum digunakan, sebuah sistem berbasis
komputer harus dievaluasi dalam berbagai
aspek. Di antara aspek-aspek ini, validasi
kinerja bisa merupakan yang paling penting.
(Fu 1994).
Metode k-fold cross validation membagi
sebuah himpunan contoh secara acak menjadi k
himpunan bagian lain (subset) yang paling
bebas. Dilakukan ulangan sebanyak k kali untuk
pelatihan dan pengujian. Pada setiap ulangan
disisipkan setiap subset untuk pengujian dan
subset lainnya untuk pelatihan (Stone 1974
diacu dalam Fu 1994).
Tingkat akurasi dihitung dengan membagi
jumlah keseluruhan klasifikasi yang benar
dengan jumlah semua instance pada data awal
(Han & Kamber 2001).
∑
Normalisasi
∑
Pada perhitungan jarak Euclidean, atribut
berskala panjang dapat memunyai pengaruh
lebih besar daripada atribut berskala pendek.
Untuk mencegah hal tersebut perlu dilakukan
Evaluasi model klasifikasi berdasar pada
proporsi antara data uji yang diprediksi secara
tepat dengan total seluruh prediksi (Tan et al.
2006).
Informasi
mengenai
klasifikasi
sebenarnya (aktual) dengan klasifikasi hasil
prediksi disajikan dalam bentuk tabel yang
disebut confusion matrix seperti diperlihatkan
pada Tabel 1.
Tabel 1 Confusion matrix dua kelas
Kelas aktual
Kelas 1
Kelas 2
Kelas hasil prediksi
Kelas 1
Kelas 2
a
b
c
d
Jumlah baris dan kolom pada tabel bergantung
pada banyaknya kelas target. Akurasi
merupakan proporsi jumlah prediksi yang tepat.
Contoh perhitungan akurasi untuk tabel tersebut
adalah:
KNN (K-Nearest Neighbour)
K-Nearest Neighbour merepresentasikan
setiap data sebagai titik dalam k-ruang dimensi.
Jika ada sebuah data uji maka akan dihitung
kedekatan titik data lainnya pada data latih
untuk diklasifikasikan berdasarkan kedekatannya yang didefinisikan dengan ukuran jarak
(Han & Kamber 2006).
Analisis data mendefinisikan ukuran
kedekatan atau ukuran kesamaan menggunakan
3
fungsi jarak. Fungsi jarak yang umumnya
digunakan adalah jarak Euclidean dengan
menggunakan rumus sebagai berikut (Larose
2005).
√∑
(
) ,
dengan x = x1,x2, … , xm menyatakan data uji,
y = y1,y2, … , ym menyatakan data latih dan
xi-yi = selisih data uji dengan data latih.
Penelitian ini, terdapat dua jenis data yang
digunakan, yaitu data numerik dan data
nominal. Data nominal atau sering disebut juga
data kategori yaitu data yang diperoleh melalui
pengelompokan objek berdasarkan kategori
tertentu. Walaupun data nominal dapat
dinyatakan dalam bentuk angka, namun angka
tersebut tidak memiliki urutan atau makna
matematis sehingga tidak dapat dibandingkan
(Dharma, 2008).
Untuk data nominal atau yang disebut
kategori, penggunaan jarak Euclidean tidak
tepat, sebaliknya dapat didefinisikan dengan
sebuah fungsi yang digunakan untuk
membandingkan nilai data uji dan data latih.
Untuk menghitung jarak nominal menggunakan
rumus sebagai berikut (Larose 2005) .
{
Yang berarti bahwa jika data latih sama dengan
data uji maka jaraknya 0, selainnya jaraknya 1.
Untuk menggabungkan kedua jarak semua
variabel, dilakukan aggregate ketidaksamaan
berat rata-rata dari jarak masing-masing fitur
dengan menggunakan rumus sebagai berikut
(Teknomo, 2006).
∑
METODOLOGI PENELITIAN
Kerangka Penelitian
Penelitian ini memunyai beberapa tahapan
untuk mengetahui tingkat akurasi yang
diperoleh menggunakan algoritme k-Nearest
Neighbour dalam pengidentifikasian daun
Shorea. Tahapan proses tersebut akan disajikan
pada Gambar 7.
Mulai
Identifikasi
Masalah
Pengadaan
Data
Praproses
Data
Penentuan
Data Latih dan
Data Uji
Data
Latih
Data
Uji
Klasifikasi
KNN
Model
Pengenalan
Daun Shorea
Hasil Prediksi
Selesai
Gambar 7 Diagram alur pembuatan sistem.
∑
,
dengan k merupakan variabel fitur, ij selisih
data latih dan data uji, Sijk merupakan kesamaan
dan ketidaksamaan antara objek dimana Wijk
bernilai 1 untuk nilai numerik dan 0.5 untuk
nilai nominal. Nilai pembobotan ini diberikan
agar jarak fitur nominal tidak terlalu
mendominasi hasil perhitungan.
Identifikasi Masalah
Tahap identifikasi permasalahan yang
meliputi tahap pemilihan masalah, identifikasi,
tujuan, dan sumber pengetahuan. Masalah yang
ada saat ini pihak rimbawan atau pekerja di
hutan masih mengalami kesulitan dalam
mengidentifikasi daun Shorea. Kesalahan dalam
mengidentifikasi ini dapat menyebabkan
kesalahan pemilihan kayu yang tidak tepat.
Salah satu solusi dari permasalahan tersebut
adalah dibuatnya suatu sistem mengenai
identifikasi daun Shorea yang dibentuk dari
4
fungsi jarak. Fungsi jarak yang umumnya
digunakan adalah jarak Euclidean dengan
menggunakan rumus sebagai berikut (Larose
2005).
√∑
(
) ,
dengan x = x1,x2, … , xm menyatakan data uji,
y = y1,y2, … , ym menyatakan data latih dan
xi-yi = selisih data uji dengan data latih.
Penelitian ini, terdapat dua jenis data yang
digunakan, yaitu data numerik dan data
nominal. Data nominal atau sering disebut juga
data kategori yaitu data yang diperoleh melalui
pengelompokan objek berdasarkan kategori
tertentu. Walaupun data nominal dapat
dinyatakan dalam bentuk angka, namun angka
tersebut tidak memiliki urutan atau makna
matematis sehingga tidak dapat dibandingkan
(Dharma, 2008).
Untuk data nominal atau yang disebut
kategori, penggunaan jarak Euclidean tidak
tepat, sebaliknya dapat didefinisikan dengan
sebuah fungsi yang digunakan untuk
membandingkan nilai data uji dan data latih.
Untuk menghitung jarak nominal menggunakan
rumus sebagai berikut (Larose 2005) .
{
Yang berarti bahwa jika data latih sama dengan
data uji maka jaraknya 0, selainnya jaraknya 1.
Untuk menggabungkan kedua jarak semua
variabel, dilakukan aggregate ketidaksamaan
berat rata-rata dari jarak masing-masing fitur
dengan menggunakan rumus sebagai berikut
(Teknomo, 2006).
∑
METODOLOGI PENELITIAN
Kerangka Penelitian
Penelitian ini memunyai beberapa tahapan
untuk mengetahui tingkat akurasi yang
diperoleh menggunakan algoritme k-Nearest
Neighbour dalam pengidentifikasian daun
Shorea. Tahapan proses tersebut akan disajikan
pada Gambar 7.
Mulai
Identifikasi
Masalah
Pengadaan
Data
Praproses
Data
Penentuan
Data Latih dan
Data Uji
Data
Latih
Data
Uji
Klasifikasi
KNN
Model
Pengenalan
Daun Shorea
Hasil Prediksi
Selesai
Gambar 7 Diagram alur pembuatan sistem.
∑
,
dengan k merupakan variabel fitur, ij selisih
data latih dan data uji, Sijk merupakan kesamaan
dan ketidaksamaan antara objek dimana Wijk
bernilai 1 untuk nilai numerik dan 0.5 untuk
nilai nominal. Nilai pembobotan ini diberikan
agar jarak fitur nominal tidak terlalu
mendominasi hasil perhitungan.
Identifikasi Masalah
Tahap identifikasi permasalahan yang
meliputi tahap pemilihan masalah, identifikasi,
tujuan, dan sumber pengetahuan. Masalah yang
ada saat ini pihak rimbawan atau pekerja di
hutan masih mengalami kesulitan dalam
mengidentifikasi daun Shorea. Kesalahan dalam
mengidentifikasi ini dapat menyebabkan
kesalahan pemilihan kayu yang tidak tepat.
Salah satu solusi dari permasalahan tersebut
adalah dibuatnya suatu sistem mengenai
identifikasi daun Shorea yang dibentuk dari
4
akuisisi pengetahuan pakar dan pustaka yang
mendukung.
5
Pengadaan Data
Daun Shorea yang digunakan didapatkan
dari Kebun Raya Bogor. Penelitian ini
menggunakan beberapa atribut yang mencirikan
bentuk morfologi daun Shorea. Data yang
digunakan merupakan data dari perhitungan
manual beberapa jenis daun Shorea.
Data dalam penelitian ini memunyai
beberapa fitur, yaitu:
1 Panjang daun, yaitu panjang daun diukur
dari pangkal daun hingga ujung daun.
2 Lebar daun, yaitu lebar daun diukur
berdasarkan permukaan daun paling lebar.
Ujung daun, yaitu bentuk ujung daun.
Beberapa bentuk ujung daun di antaranya:
a Runcing, jika kedua tepi daun di kanan
kiri ibu tulang sedikit demi sedikit
menuju ke atas dan pertemuannya pada
puncak daun melancip.
b Meruncing, seperti pada ujung yang
runcing, tetapi titik pertemuan kedua
tepi daunnya jauh lebih tinggi dari
dugaan, hingga ujung daun nampak
sempit panjang dan runcing.
c Tumpul, tepi daun yang semula masih
agak jauh dari ibu tulang membentuk
sudut yang tumpul.
d Membulat, seperti pada ujung yang
tumpul, tetapi tidak terbentuk sudut
sama sekali, hingga ujung daun
merupakan semacam suatu busur.
Lebar
Daun
Panjang
3
Gambar 8 Lebar dan panjang daun
Bentuk tulang daun, yaitu susunan tulang
cabang pada daun. Bentuk tulang daun
dapat dibedakan menjadi :
a Menempel : ujung tulang cabang
bagian dalam sebelah kanan bertemu
dengan ujung tulang cabang bagian
dalam sebelah kiri.
b Tidak menempel : ujung tulang cabang
bagian dalam sebelah kanan tidak
bertemu dengan ujung tulang cabang
bagian dalam sebelah kiri.
Ujung
tulang cabang
bagian dalam
sebelah kiri
4
Gambar 9 Ujung daun
6
Ujung
tulang cabang
bagian dalam
sebelah
kanan
Pangkal daun, yaitu bentuk pangkal daun.
Beberapa bentuk pangkal daun di
antaranya:
a Runcing
b Meruncing
c Tumpul
d Membulat
Gambar 10 Pangkal daun.
7
Keliling daun, yaitu keliling tepi daun yang
diukur dengan menggunakan benang.
Permukaan daun, yaitu keadaan permukaan
daun bagian atas dan bawah, seperti :
a
b
c
d
Atas bawah halus
Atas halus bawah kasar
Atas bawah kasar
Atas kasar bawah halus
Keliling daun
8
Luas daun, yaitu luas permukaan daun yang
diukur pada buku berpetak yang memunyai
luas ½ cm2 perkotak dengan menjumlahkan
kotak yang terisi penuh di dalam gambar
5
daun kemudian dibagi empat. Contoh
pengukuran luas :
tetangga (neighbour) terdekatnya dalam data
pelatihan.
Model Daun Shorea
9
Sudut antar tulang daun, yaitu sudut antara
ibu tulang daun dengan tulang cabang daun
sebelah kanan atau kiri yang diukur
menggunakan busur.
Sudut
Gambar 11 Sudut daun
10 Jumlah tulang daun, yaitu jumlah tulang
cabang daun sebelah kanan dan tulang
cabang daun sebelah kiri.
Praproses Data
Tahapan yang dilakukan dalam praproses di
antaranya pengolahan data dengan fitur nominal
menggunakan nominal distance seperti bentuk
ujung daun, permukaan daun, bentuk tulang
daun dan bentuk pangkal daun. Praproses data
juga dilakukan pada tahap awal normalisasi
data numerik agar didapatkan range antara nol
hingga satu. Hal ini dilakukan untuk
menghindari perbedaan range yang terlalu besar
antar fitur.
Penentuan Data Latih dan Data Uji
Pada penelitian ini pembagian data latih dan
data uji akan dilakukan dengan menggunakan
teknik k-fold cross validation dengan nilai k =
5.
Klasifikasi
Teknik klasifikasi yang akan digunakan
menggunakan k–Nearest Neighbour. Teknik k–
Nearest Neighbour mencari jarak terdekat
antara data yang akan dievaluasi dengan k
Tahapan ini merupakan tahapan yang paling
penting karena pada tahap ini teknik klasifikasi
diaplikasikan terhadap data yang sudah
diperoleh. Teknik klasifikasi yang digunakan
menggunakan k–Nearest Neighbour. Langkahlangkah pada metode tersebut yaitu:
Hitung jarak Euclidean: pada tahap ini setiap
data uji akan dihitung jaraknya ke setiap data
latih untuk mengetahui ukuran kedekatan atau
ukuran kesamaan antara data uji dengan data
latih.
Hitung jarak nominal: pada tahap ini
dilakukan proses pengubahan beberapa fitur
yang bersifat nominal dilambangkan dengan
nilai numerik sehingga mempermudah
perbandingan data uji terhadap data latih.
Aggregate (menggabungkan) data: pada tahap
ini data pengolahan nominal dan pengolahan
menggunakan Euclidean digabungkan.
Penentuan nilai k: pada k–Nearest Neighbour
penentuan nilai k yang tepat sangat penting
untuk menunjukkan jumlah tetangga terdekat.
Setelah didapatkan hasil identifikasi,
selanjutnya dilakukan evaluasi klasifikasi yang
dihasilkan metode k-Nearest Neighbour.
Hasil Prediksi
Pada tahap akhir ini diharapkan data testing
yang dimasukan akan terklasifikasi pada kelas
yang benar.
Lingkungan Pengembangan
Perangkat lunak yang digunakan dalam
penelitian yaitu :
Windows XP Home Edition Service Pack 3
XAMPP Version 1.7.1
Notepad v5.1.1
Microsoft Office Excel 2007
Perangkat keras yang digunakan dalam
penelitian yaitu :
Processor Intel Atom 1.66 GHz
RAM 1.00 GB
Harddisk kapasitas 150 GB
6
HASIL DAN PEMBAHASAN
No
3
Praproses
Data yang digunakan pada penelitian ini
merupakan data hasil perhitungan manual fiturfitur morfologi daun Shorea yang diambil dari
beberapa koleksi di Kebun Raya Bogor. Berikut
disajikan contoh data hasil perhitungan manual
dan fitur-fitur yang diperlihatkan pada Tabel 2.
Tabel 2 Data daun
Jenis Daun
Panjang
Lebar
Bentuk tulang daun
Permukaan Daun
Ujung Daun
Pangkal Daun
Keliling
Luas
Sudut
Jumlah tulang daun
Shorea multiflora
9.1 cm
5.7 cm
tidak menempel tidak
menonjol
atas bawah halus
meruncing
tumpul
22 cm
61.5 cm2
60°
14 buah
Proses pengambilan data ini dilakukan
selama satu bulan. Data yang didapat sebanyak
50 data dari perhitungan manual berdasarkan
fitur-fitur yang telah ditetapkan sesuai dengan
morfologi daun. Data yang digunakan sebanyak
50 data meliputi 10 data Shorea multiflora, 10
data Shorea palembanica, 10 data Shorea
balangeran, 10 data Shorea assamica, dan 10
data Shorea lepida.
Berdasarkan fitur-fitur yang digunakan
terdapat 4 fitur yang bersifat nominal, yaitu fitur
bentuk tulang daun, permukaan daun, ujung
daun, dan pangkal daun. Fitur-fitur ini memiliki
selang nilai yang berbeda. Pada Tabel 3
disajikan selang nilai yang terdapat di setiap
fitur.
Tabel 3 Selang nilai fitur daun
No
1
2
Nama Fitur
Bentuk Tulang Daun
a. tidak menempel tidak menonjol
b. menempel, tidak menonjol
c. tidak menempel, bagian bawah
menonjol
Permukaan Daun
a. atas bawah halus
b. atas halus bawah kasar
4
Nama Fitur
Ujung Daun
a. tumpul
b. runcing
c. meruncing
Pangkal Daun
a. membulat
b. tumpul
c. runcing
Dari 50 data Shorea, fitur-fitur yang
bernilai nominal dilambangkan dengan angka
untuk memudahkan perhitungan algoritme.
Pada Tabel 4 disajikan konversi fitur-fitur
nominal.
Tabel 4 Konversi fitur-fitur nominal
No
1
2
3
4
Nama Fitur
Bentuk Tulang Daun
a. tidak menempel, tidak
menonjol
b. menempel, tidak
menonjol
c. tidak menempel, bagian
bawah menonjol
Permukaan Daun
a. atas bawah halus
b. atas halus bawah kasar
Ujung Daun
a. tumpul
b. runcing
c. meruncing
Pangkal Daun
a. membulat
b. tumpul
c. runcing
Nilai
Konversi
1
2
3
1
2
1
2
3
1
2
3
Setelah nilai nominal dikonversi maka nilai
nominal itu diolah menggunkan nominal
distance. Dalam pengolahan fitur atribut yang
bernilai numerik menggunakan jarak Euclidean.
Dikarenakan adanya perbedaan range antara
fitur atribut maka perlu dilakukan normalisasi.
Normalisasi yang dilakukan bergantung jenis
datanya. Untuk mendapatkan range antara 0 – 1
menggunakan
normalisasi
min-max
normalization. Normalisasi dilakukan sebelum
melakukan pengolahan data. Hal ini bertujuan
untuk menyamakan range antara fitur. Nilai
maksimum dan minimum menggunakan nilai
maksimum dan minimum tiap subset. Misal
pada fitur panjang daun, nilai maksimum subset
satu 108.16, dan nilai minimum subset satu 0.
7
Contoh normalisasi untuk record pertama
berdasarkan rumus normalisasi adalah:
mencoba nilai k mulai dari 2 sampai 9
dalam metode k-Nearest Neighbour.
Akurasi klasifikasi untuk nilai k=2 sampai
k=9 diperlihatkan pada Gambar 12.
Percobaan pertama (tanpa normalisasi)
Dari banyaknya data yang diperoleh
sebanyak 50 record, dibagi menjadi 5 subset
yang setiap subset berisi 2 record dari setiap
jenis daun.
Percobaan pertama menggunakan 40 record
sebagai data latih yang berisi subset 1, 2, 3, dan
4. Subset 5 yang berisi 10 record dijadikan data
uji. Percobaan terus dilakukan hingga setiap
subset pernah menjadi data uji. Susunan data
latih dan data uji pada percobaan disajikan pada
Tabel 5.
Tabel 5 Susunan data latih dan data Uji
Iterasi
Pelatihan
Pengujian
Iterasi pertama
Iterasi kedua
Iterasi ketiga
S2,S3,S4,S5
S1,S3,S4,S5
S1,S2,S4,S5
S1
S2
S3
Iterasi keempat
Iterasi kelima
S1,S2,S3,S5
S1,S2,S3,S4
S4
S5
Data tersebut kemudian diterapkan dalam
metode k-Nearest Neighbour melalui tahaptahap berikut ini:
1 Setiap record data uji dihitung jaraknya ke
setiap record data latih untuk mengetahui
kedekatan antara data uji dengan data latih.
Untuk data bertipe numerik, selisih antara
data uji dengan data latih adalah
pengurangan nilai data uji dengan nilai data
latih. Untuk data bertipe nominal, data
diolah menggunakan nominal distance.
Bila data uji sama dengan data latih maka
bernilai nol dan bila data uji berbeda
dengan data latih maka bernilai 1.
2 Digabungkan hasil perhitungan yang
menggunakan jarak Euclidean dan nominal
distance dengan menggunakan rumus
aggregate. Memberikan bobot 1 pada hasil
perhitungan Euclidean dan bobot 0.5 pada
hasil perhitungan nominal. Pemberian
bobot 0.5 pada perhitungan nominal agar
tidak mendominasi hasil perhitungan.
3 Penentuan nilai k tetangga terdekat pada
percobaan pertama dilakukan dengan
Gambar 12 Akurasi klasifikasi percobaan
pertama.
Berdasarkan gambar tersebut (Gambar 12)
akurasi terbesar yang diperoleh adalah 84%
dengan nilai k=4 dan k=5. Untuk mengetahui
record yang salah diklasifikasikan digunakan
confusion matrix yang diperlihatkan pada Tabel
6.
Tabel 6 Confusion matrix percobaan pertama
Kelas
aktual
kelas 1
kelas 2
kelas 3
kelas 4
kelas 5
kelas
1
10
0
1
1
0
Kelas hasil prediksi
kelas kelas kelas
2
3
4
0
0
0
8
0
0
2
7
0
1
1
7
0
0
0
kelas
5
0
2
0
0
10
Berdasarkan tabel tersebut (Tabel 6) kelas 1
(Shorea multiflora) yang tepat diklasifikasikan
sebagai kelas 1 sebanyak 10 record, dan tidak
ada kelas 1 yang salah diklasifikasi sebagai
kelas 2, kelas 3, kelas 4 dan kelas 5. Kelas 2
(Shorea palembanica) yang tepat diklasifikasi
sebagai kelas 2 sebanyak 8 record, kelas 2 yang
salah diklasifikasi sebagai kelas 5 sebanyak 2
record. Kelas 3 (Shorea balangeran) yang tepat
diklasifikasi sebagai kelas 3 sebanyak 7 record,
kelas 3 yang salah diklasifikasi sebagai kelas 1
sebanyak 1 record dan kelas 3 yang salah
diklasifikasi sebagai kelas 2 sebanyak 2 record.
Kelas 4 (Shorea lepida) yang tepat diklasifikasi
sebagai kelas 4 sebanyak 7 record, kelas 4 yang
salah dikalsifikasi sebagai kelas 1 sebanyak 1
record, kelas 4 yang salah diidentifikasi sebagai
kelas 2 sebanyak 1 record, dan kelas 4 yang
8
salah diidentifikasi sebagai kelas 3 sebanyak 1
record. Kelas 5 (Shorea Assamica) yang tepat
diklasifikasi sebagai kelas 5 sebanyak 10
record, dan tidak ada kelas 1 yang salah
diklasifikasi sebagai kelas 2, kelas 3, kelas 4
dan kelas 1. Berdasarkan rumus confusion
matrix, besarnya akurasi adalah:
Hasil akurasi setiap iterasi
pada Gambar 13.
dapat dilihat
100%
80%
Iterasi1
60%
Iterasi2
40%
Iterasi3
20%
Iterasi4
0%
Iterasi5
Nilai K2 3 4 5 6 7 8 9
Gambar 13 Hasil iterasi tanpa normalisasi.
Berdasarkan
percobaan
pertama
dapat
disimpulkan iterasi ketiga dan keempat
memiliki hasil akurasi paling kecil pada setiap
nilai k nya. Kesalahan identifikasi terdapat
ketika Shorea palembanica teridentifikasi
sebagai Shorea assamica pada iterasi ketiga dan
Shorea lepida sebagai Shorea palembanica
pada iterasi keempat. Hal ini terjadi karena
dipengaruhi kemiripan luas dan panjang data uji
terhadap data latih.
Hasil jarak kedekatan diperlihatkan pada
Tabel 7 dengan menggunakn iterasi ketiga
sebagai contoh.
pertama dapat disimpulkan nilai k terbaik
adalah 3 dengan akurasi tertinggi 84%.
Percobaan kedua (dengan normalisasi)
Percobaan kedua menggunakan 40 record
sebagai data latih yang berisi subset 1, 2, 3, dan
4. Subset 5 yang berisi 10 record dijadikan data
uji. Percobaan terus dilakukan hingga setiap
subset pernah menjadi data uji. Susunan data
latih dan data uji pada percobaan disajikan pada
Tabel 5.
Data tersebut kemudian diterapkan dalam
metode k-Nearest Neighbour melalui tahaptahap berikut ini:
1 Normalisasi dilakukan pada setiap fitur
hingga didapatkan range antara 0 sampai 1
pada seluruh data. Hal ini dilakukan untuk
mengcegah data uji yang nilainya lebih
besar dari data latih. Setelah didapatkan
hasil normalisasi, lakukan langkah satu
seperti percobaan pertama.
2 Digabungkan hasil perhitungan yang
menggunakan euclid dan nominal dengan
menggunakan
rumus
aggregate.
Memberikan bobot 1 pada hasil
perhitungan Euclidean dan bobot 0.5 pada
hasil perhitungan nominal. Pemberian
bobot 0.5 pada perhitungan nominal agar
tidak mendominasi hasil perhitungan.
3 Penentuan nilai k tetangga terdekat pada
percobaan kedua dilakukan dengan
mencoba nilai k mulai dari 2 sampai 9
dalam metode k-Nearest Neighbour.
Akurasi klasifikasi untuk nilai k=2 sampai
k=9 diperlihatkan Gambar 14.
Tabel 7 Perhitungan jarak tanpa normalisasi
Jarak
12.46
13.68
12.32
14.75
14.52
19.59
24.13
17.90
18.12
Kelas
Shorea assamica
Shorea assamica
Shorea assamica
Shorea assamica
Shorea assamica
Shorea assamica
Shorea palembanica
Shorea assamica
Shorea assamica
Urutan
2
3
1
5
4
8
9
6
7
Pada perhitungan di atas dapat disimpulkan
bahwa Shorea palembanica diidentifikasi
sebagai Shorea assamica. Dari percobaan
Gambar 14 Akurasi klasifikasi percobaan kedua
Berdasarkan gambar tersebut (Gambar 14)
akurasi terbesar yang diperoleh adalah 100%.
Hal ini disebabkan karena penggunaan
9
normalisasi yang menyamakan range setiap
fitur.
Hasil jarak kedekatan diperlihatkan pada
Tabel 8 dengan menggunakan iterasi ketiga
sebagai contoh.
Tabel 8 Hasil perhitungan dengan normalisasi
Jarak
0.49
0.58
1.23
0.62
0.69
0.58
0.67
0.63
0.39
Kelas
Shorea palembanica
Shorea palembanica
Shorea lepida
Shorea palembanica
Shorea palembanica
Shorea palembanica
Shorea palembanica
Shorea palembanica
Shorea palembanica
Urutan
2
3
9
5
8
4
7
6
1
Berdasarkan percobaan kedua dihasilkan
akurasi 100% pada setiap nilai k. Hal ini
dikarenakan perbedaan bentuk morfologi daun
yang memang berbeda dan fitur-fiturnya
memang mewakili morfologi daun.
Perbandingan akurasi sebelum dan sesudah
normalisasi diperlihatkan pada Gambar 15.
2.
percobaan pertama tanpa melakukan
normalisasi menghasilkan akurasi 84%.
Metode k-Nearest Neighbour dapat
diterapkan pada pengidentifikasian daun
Shorea.
Saran
Penelitian ini masih memunyai beberapa
kekurangan yang dapat diperbaiki pada
penelitian selanjutnya. Beberapa saran itu di
antaranya:
1. Menganalisis fitur-fitur untuk mengetahui
fitur mana yang paling mempengaruhi
proses identifikasi jenis Shorea.
2. Memperbanyak jenis daun Shorea agar
lebih bervariasi.
3. Memperbanyak fitur-fitur yang digunakan
seperti jarak antara daun, arah tulang daun
pertama ke kanan atau ke kiri,
perbandingan luas daun kanan dan kiri,
jumlah tulang daun kanan dan kiri,
memperbaiki
perhitungan
sudut,
perhitungan luas dan keliling menggunakan
regresi linear.
4. Menyempurnakan perhitungan pada data
nominal.
DAFTAR PUSTAKA
Dharma Surya. 2008. Pengolahan dan Analisis
Data Penelitian. Jakarta: Direktorat Tenaga
Kependidikan, Departemen Pendidikan
Nasional.
Gambar 15 Perbandingan akurasi.
Pada Gambar 16 dapat dilihat bahwa setelah
data dinormalisasi memberikan pengaruh yang
cukup besar hingga mencapai akurasi 100%.
KESIMPULAN DAN SARAN
Kesimpulan
Dari beberapa percobaan yang dilakukan
terhadap data daun Shorea dengan metode kNearest Neighbour, diperoleh kesimpulan
sebagai berikut:
1. Akurasi terbesar adalah 100% pada
percobaan kedua dengan melakukan
normalisasi
data,
sedangkan
pada
Faiza Ninon N. 2009. Prediksi Tingkat
Keberhasilan Mahasiswa Tingkat I IPB
Dengan Metode k-Nearest Neighbour
[Skripsi]. Bogor : Fakultas Matematika dan
Ilmu Pengetahuan Alam, Institut Pertanian
Bogor.
Freivalds R, Ozols M, Mancinska L. 2009.
Theoritical Computer Science. Latvia :
University of Latvia.
Fu L. 1994. Neural Networks in Computers
Intelligence. Singapura: McGraw-Hill.
Han J, Kamber M. 2001. Data Mining Concepts
& techniques. USA: Academic Press.
10
normalisasi yang menyamakan range setiap
fitur.
Hasil jarak kedekatan diperlihatkan pada
Tabel 8 dengan menggunakan iterasi ketiga
sebagai contoh.
Tabel 8 Hasil perhitungan dengan normalisasi
Jarak
0.49
0.58
1.23
0.62
0.69
0.58
0.67
0.63
0.39
Kelas
Shorea palembanica
Shorea palembanica
Shorea lepida
Shorea palembanica
Shorea palembanica
Shorea palembanica
Shorea palembanica
Shorea palembanica
Shorea palembanica
Urutan
2
3
9
5
8
4
7
6
1
Berdasarkan percobaan kedua dihasilkan
akurasi 100% pada setiap nilai k. Hal ini
dikarenakan perbedaan bentuk morfologi daun
yang memang berbeda dan fitur-fiturnya
memang mewakili morfologi daun.
Perbandingan akurasi sebelum dan sesudah
normalisasi diperlihatkan pada Gambar 15.
2.
percobaan pertama tanpa melakukan
normalisasi menghasilkan akurasi 84%.
Metode k-Nearest Neighbour dapat
diterapkan pada pengidentifikasian daun
Shorea.
Saran
Penelitian ini masih memunyai beberapa
kekurangan yang dapat diperbaiki pada
penelitian selanjutnya. Beberapa saran itu di
antaranya:
1. Menganalisis fitur-fitur untuk mengetahui
fitur mana yang paling mempengaruhi
proses identifikasi jenis Shorea.
2. Memperbanyak jenis daun Shorea agar
lebih bervariasi.
3. Memperbanyak fitur-fitur yang digunakan
seperti jarak antara daun, arah tulang daun
pertama ke kanan atau ke kiri,
perbandingan luas daun kanan dan kiri,
jumlah tulang daun kanan dan kiri,
memperbaiki
perhitungan
sudut,
perhitungan luas dan keliling menggunakan
regresi linear.
4. Menyempurnakan perhitungan pada data
nominal.
DAFTAR PUSTAKA
Dharma Surya. 2008. Pengolahan dan Analisis
Data Penelitian. Jakarta: Direktorat Tenaga
Kependidikan, Departemen Pendidikan
Nasional.
Gambar 15 Perbandingan akurasi.
Pada Gambar 16 dapat dilihat bahwa setelah
data dinormalisasi memberikan pengaruh yang
cukup besar hingga mencapai akurasi 100%.
KESIMPULAN DAN SARAN
Kesimpulan
Dari beberapa percobaan yang dilakukan
terhadap data daun Shorea dengan metode kNearest Neighbour, diperoleh kesimpulan
sebagai berikut:
1. Akurasi terbesar adalah 100% pada
percobaan kedua dengan melakukan
normalisasi
data,
sedangkan
pada
Faiza Ninon N. 2009. Prediksi Tingkat
Keberhasilan Mahasiswa Tingkat I IPB
Dengan Metode k-Nearest Neighbour
[Skripsi]. Bogor : Fakultas Matematika dan
Ilmu Pengetahuan Alam, Institut Pertanian
Bogor.
Freivalds R, Ozols M, Mancinska L. 2009.
Theoritical Computer Science. Latvia :
University of Latvia.
Fu L. 1994. Neural Networks in Computers
Intelligence. Singapura: McGraw-Hill.
Han J, Kamber M. 2001. Data Mining Concepts
& techniques. USA: Academic Press.
10
IDENTIFIKASI SHOREA MENGGUNAKAN k-NEAREST NEIGHBOUR
BERDASARKAN KARAKTERISTIK MORFOLOGI DAUN
BRYAN NURJAYANTI
Skripsi
Sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer pada
Program Studi Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2011
ii
normalisasi yang menyamakan range setiap
fitur.
Hasil jarak kedekatan diperlihatkan pada
Tabel 8 dengan menggunakan iterasi ketiga
sebagai contoh.
Tabel 8 Hasil perhitungan dengan normalisasi
Jarak
0.49
0.58
1.23
0.62
0.69
0.58
0.67
0.63
0.39
Kelas
Shorea palembanica
Shorea palembanica
Shorea lepida
Shorea palembanica
Shorea palembanica
Shorea palembanica
Shorea palembanica
Shorea palembanica
Shorea palembanica
Urutan
2
3
9
5
8
4
7
6
1
Berdasarkan percobaan kedua dihasilkan
akurasi 100% pada setiap nilai k. Hal ini
dikarenakan perbedaan bentuk morfologi daun
yang memang berbeda dan fitur-fiturnya
memang mewakili morfologi daun.
Perbandingan akurasi sebelum dan sesudah
normalisasi diperlihatkan pada Gambar 15.
2.
percobaan pertama tanpa melakukan
normalisasi menghasilkan akurasi 84%.
Metode k-Nearest Neighbour dapat
diterapkan pada pengidentifikasian daun
Shorea.
Saran
Penelitian ini masih memunyai beberapa
kekurangan yang dapat diperbaiki pada
penelitian selanjutnya. Beberapa saran itu di
antaranya:
1. Menganalisis fitur-fitur untuk mengetahui
fitur mana yang paling mempengaruhi
proses identifikasi jenis Shorea.
2. Memperbanyak jenis daun Shorea agar
lebih bervariasi.
3. Memperbanyak fitur-fitur yang digunakan
seperti jarak antara daun, arah tulang daun
pertama ke kanan atau ke kiri,
perbandingan luas daun kanan dan kiri,
jumlah tulang daun kanan dan kiri,
memperbaiki
perhitungan
sudut,
perhitungan luas dan keliling menggunakan
regresi linear.
4. Menyempurnakan perhitungan pada data
nominal.
DAFTAR PUSTAKA
Dharma Surya. 2008. Pengolahan dan Analisis
Data Penelitian. Jakarta: Direktorat Tenaga
Kependidikan, Departemen Pendidikan
Nasional.
Gambar 15 Perbandingan akurasi.
Pada Gambar 16 dapat dilihat bahwa setelah
data dinormalisasi memberikan pengaruh yang
cukup besar hingga mencapai akurasi 100%.
KESIMPULAN DAN SARAN
Kesimpulan
Dari beberapa percobaan yang dilakukan
terhadap data daun Shorea dengan metode kNearest Neighbour, diperoleh kesimpulan
sebagai berikut:
1. Akurasi terbesar adalah 100% pada
percobaan kedua dengan melakukan
normalisasi
data,
sedangkan
pada
Faiza Ninon N. 2009. Prediksi Tingkat
Keberhasilan Mahasiswa Tingkat I IPB
Dengan Metode k-Nearest Neighbour
[Skripsi]. Bogor : Fakultas Matematika dan
Ilmu Pengetahuan Alam, Institut Pertanian
Bogor.
Freivalds R, Ozols M, Mancinska L. 2009.
Theoritical Computer Science. Latvia :
University of Latvia.
Fu L. 1994. Neural Networks in Computers
Intelligence. Singapura: McGraw-Hill.
Han J, Kamber M. 2001. Data Mining Concepts
& techniques. USA: Academic Press.
10
Kahramanli Humar. 2010. A Novel Distance
Measure For Data Vectors with nominal
feature values. USA: World Scientific and
Engineering Academy and Society.
Larose Daniel T. 2005. Discovering Knowledge
in Data: An Introduction to Data Mining.
John Wiley & Sons, Inc.
li Cen, Biswas G. 2002. Unsupervised Learning
with Mixed Numeric and Nominal Data. Vol
14. no.4. IEEE Transaction on knowledge
and data engineering.
Newman et al. 1999. Pedoman Identifikasi
Pohon-Pohon
Dipterocarpaceae
Jawa
sampai Niugini. Bogor : PROSEA
INDONESIA.
Tan Pang-Ning, et al. 2006. Introduction to
Data Mining. Boston: Pearson Education,
Inc.
Teknomo Kardi. Similarity Measurement.
http:\\people.revoledu.com\kardi\
tutorial\Similarity\ [22 Februari 2011]
Tjitrosoepomo Gembong. 2005. Morfologi
Tumbuhan. Jogjakarta : Fakultas Biologi,
Gajah Mada University.
11
ABSTRACT
BRYAN NURJAYANTI. Shorea Identification Using k-Nearest Neighbour Based on
Morphological Characteristics of Leaves. Supervised by AZIZ KUSTIYO.
Dipterocarpaceae is a group of tropical plants that is used in a timber industry. One of
Dipterocarpaceae clans is Shorea, that is the best timber-producing plant in the industrial world.
Shorea is difficult to be identified because it has a lot of diversity. The inability to recognize Shorea in
forest will enlarge the exploitation of Shorea that has a good timber quality, and silviculture work
becomes less of the target because it is not known which Shorea species that will extinct.
Shorea tree is usually identified by using the stems, leaves, fruits, and flowers. However, leave is
used for the identification in this research because it tends to be available as a source of observation at
anytime. The leaves in this reasearch are the collection from Bogor Botanical Gardens. Data are
obtained by manual calculating to get the characteristics of the leaves. The obtained data will be
processed using k-Nearest Neighbor to get the closeness of new data and training data.
The leaves that are included in this research are Shorea multiflora, palembanica, balangeran,
lepida and assamica, each one has 10 data. Each set of data has 10 attributes that support the leaf
characteristics. From the whole data, Shorea are divided into five subsets including data training and
data testing for each subset. This research has two experiments the first experiment without
normalization produces 84% accuracy and the second experiment with a normalization produces
100% accuracy.
Keywords : Shorea, k-Nearest Neighbour.
iii
IDENTIFIKASI SHOREA MENGGUNAKAN k-NEAREST NEIGHBOUR
BERDASARKAN KARAKTERISTIK MORFOLOGI DAUN
BRYAN NURJAYANTI
Skripsi
Sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer pada
Program Studi Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2011
ii
Judul Penelitian
Nama
NRP
Identifikasi Shorea Menggunakan k-Nearest Neighbour Berdasarkan
Karakteristik Morfologi Daun
Bryan Nurjayanti
G64086022
Menyetujui :
Pembimbing
Aziz Kustiyo, S.Si., M.Kom.
NIP 19700719 199802 1 001
Mengetahui :
Ketua Departemen
Dr. Ir. Sri Nurdiati, M.Sc.
NIP. 19601126 198601 2 001
Tanggal Lulus :
iv
RIWAYAT HIDUP
Penulis dilahirkan di Jakarta pada tanggal 8 September 1987. Anak pertama dari 2 bersaudara, dari
pasangan Bapak Abdi Iskandar dan Ibu Susilowati.
Pada tahun 2005 penulis lulus dari SMU Negeri 89 Jakarta, kemudian melanjutkan pendidikan
Diploma III pada Program Studi Manajemen Informatika, Institut Pertanian Bogor melalui jalur
Undangan Seleksi Masuk IPB. Lulus Diploma pada Tahun 2008 penulis melanjutkan studi di Institut
Pertanian Bogor Jurusan Ilmu Komputer (ekstensi) untuk memperoleh gelar sarjana.
Selama menjalani perkuliahan penulis pernah menjadi asisten dosen di Direktorat Program
Diploma Institut Pertanian Bogor pada tahun 2009 sampai 2011.
v
PRAKATA
Puji dan syukur penulis panjatkan kehadirat Allah SWT yang telah memberikan rahmat dan
hidayah-Nya sehingga penulis dapat menyelesaikan karya ilmiah ini. Terima kasih penulis ucapkan
kepada Bapak Aziz Kustiyo, S.Si, M.Kom selaku pembimbing. Adapun penulis mengucapkan terima
kasih kepada:
1. Kedua orang tua dan kakak yang telah memberikan dukungan, perhatian, dan doa sehingga
penulis dapat menyelesaikan studi di Departemen Ilmu Komputer IPB.
2. Dosen penguji Bapak Toto Haryanto, S.Kom, M.Si dan Bapak Mushthofa, S.Kom, M.Sc atas
saran dan bimbingannya.
3. Pihak Kebun Raya Bogor atas sample daun Shorea.
4. Pihak Biotrop atas literatur tentang Shorea.
5. Seluruh dosen pengajar dan civitas akademika Departemen Ilmu Komputer FMIPA IPB.
6. Asep yang telah banyak membantu dalam pembuatan penelitian ini.
7. Dewi ”Meong” teman seperjuangan semasa kuliah.
8. Teman-teman satu bimbingan atas kerjasamanya.
9. Teman-teman Ekstensi ILKOM angkatan 3, atas kerjasamanya selama perkuliahan.
10. Semua pihak yang telah membantu yang belum disebutkan di atas.
Semoga penelitian ini dapat bermanfaat bagi semua pihak yang membutuhkan.
Bogor, Juni 2011
Bryan Nurjayanti
vi
DAFTAR ISI
Halaman
DAFTAR ISI ......................................................................................................................................... vii
DAFTAR GAMBAR ............................................................................................................................viii
DAFTAR TABEL ................................................................................................................................viii
DAFTAR LAMPIRAN.........................................................................................................................viii
PENDAHULUAN ................................................................................................................................... 1
Latar Belakang ..................................................................................................................................... 1
Tujuan .................................................................................................................................................. 1
Ruang Lingkup ..................................................................................................................................... 1
Manfaat ................................................................................................................................................ 1
TINJAUAN PUSTAKA .......................................................................................................................... 1
Shorea .................................................................................................................................................. 1
K-Fold Cross Validation ...................................................................................................................... 3
Normalisasi .......................................................................................................................................... 3
Confusion Matrix ................................................................................................................................. 3
KNN (K-Nearest Neighbour) ............................................................................................................... 3
METODOLOGI PENELITIAN............................................................................................................... 4
Kerangka Penelitian ............................................................................................................................. 4
Identifikasi Masalah ............................................................................................................................. 4
Pengadaan Data ................................................................................................................................... 5
Praproses Data ...................................................................................................................................... 6
Penentuan Data Latih dan Data Uji ...................................................................................................... 6
Klasifikasi ............................................................................................................................................ 6
Model Daun Shorea ............................................................................................................................. 6
Hasil Prediksi ....................................................................................................................................... 6
Lingkungan Pengembangan ................................................................................................................. 6
HASIL DAN PEMBAHASAN ............................................................................................................... 7
Praproses .............................................................................................................................................. 7
Percobaan pertama (tanpa normalisasi) ................................................................................................ 8
Percobaan kedua (dengan normalisasi) ................................................................................................ 9
KESIMPULAN DAN SARAN ............................................................................................................. 10
Kesimpulan ........................................................................................................................................ 10
Saran .................................................................................................................................................. 10
DAFTAR PUSTAKA .......................................................................................