Sistem Pakar Identifikasi Varietas Ikan Mas (Cyprinus carpio) Berdasarkan Karakteristik Morfologi dan Tingkah Laku

SISTEM PAKAR IDENTIFIKASI VARIETAS IKAN MAS
(Cyprinus carpio) BERDASARKAN KARAKTERISTIK
MORFOLOGI DAN TINGKAH LAKU

ASTERIKA PRAWESTI

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013

PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Sistem Pakar
Identifikasi Varietas Ikan Mas (Cyprinus carpio) Berdasarkan Karakteristik
Morfologi dan Tingkah Laku adalah benar karya saya dengan arahan dari komisi
pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi
mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan
maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan
dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, Juli 2013
Asterika Prawesti
NIM G64104056

ABSTRAK
ASTERIKA PRAWESTI. Sistem pakar identifikasi varietas ikan mas (Cyprinus
carpio) berdasarkan karakteristik morfologi dan tingkah laku. Dibimbing oleh
TOTO HARYANTO dan IRZAL EFFENDI.
Penelitian ini mengidentifikasi 6 varietas ikan mas, menggunakan 8
parameter input yang meliputi karakteristik morfologi dan tingkah laku.
Penentuan pembagian data latih dan data uji menggunakan metode k-fold cross
validation. Variabel yang bersifat nominal diolah menggunakan jarak nominal,
sedangkan untuk variabel numerik dan ordinal diolah dengan menggunakan jarak
Euclidean. Sebelum menghitung jarak Euclidean, metode normalisasi min-max
diterapkan pada variabel numerik dan ordinal. Hasil perhitungan jarak Euclidean
dan jarak nominal digabung dengan menggunakan rumus aggregate. Metode
klasifikasi yang digunakan untuk identifikasi yaitu metode k-nearest neighbour
(KNN). Akurasi rata-rata terbaik yang dihasilkan pada percobaan tanpa

normalisasi yaitu 94.58% dan percobaan dengan nomalisasi 98.54% saat k = 3.
Berdasarkan validasi pakar, sistem ini telah menghasilkan akurasi 100%.
Kata kunci: ikan mas, jarak Euclidean, k-nearest neighbour, min-max normalisasi,
nominal distance.

ABSTRACT
ASTERIKA PRAWESTI. Expert system for common carp (Cyprinus carpio)
varieties identification based on morphologycal and behavior characteristics.
Supervised by TOTO HARYANTO and IRZAL EFFENDI.
This research is aimed to identify 6 common carp varieties, using 8
parameters input of morphological characteristics and behavior. K-fold cross
validation is used to determinate training data and test data. Nominal variables are
processed by the nominal distance, while the numeric and ordinal variables are
processed by using Euclidean distance. Before calculating the Euclidean distance,
min-max normalization method was applied on the numeric and ordinal variables.
The calculation result between Euclidean distance and nominal distance were
combined by using the aggregate formula. The classification method used is the knearest neighbor (KNN) method. The best average accuracy obtained without
normalization was 94.58% and with normalization was 98.54% when k = 3. Based
on the expert validation, the system gives a 100% accuracy.
Keywords: common carp (Cyprinus carpio), Euclidean distance, k-nearest

neighbor, min-max normalization, nominal distance.

SISTEM PAKAR IDENTIFIKASI VARIETAS IKAN MAS
(Cyprinus carpio) BERDASARKAN KARAKTERISTIK
MORFOLOGI DAN TINGKAH LAKU

ASTERIKA PRAWESTI

Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Ilmu Komputer
pada
Departemen Ilmu Komputer

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013

Judul Skripsi : Sistem Pakar Identifikasi Varietas Ikan Mas (Cyprinus carpio)
Berdasarkan Karakteristik Morfologi dan Tingkah Laku
Nama
: Asterika Prawesti
NIM
: G64104056

Disetujui oleh

Toto Haryanto, SKom MSi
Pembimbing I

Ir Irzal Effendi, MSi
Pembimbing II

Diketahui oleh

Dr Ir Agus Buono, MSi MKom
Ketua Departemen

Tanggal Lulus:

PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala
atas segala karunia-Nya, sehingga karya ilmiah ini berhasil diselesaikan. Judul
yang dipilih dalam penelitian dilaksanakan sejak bulan Juni 2012 ini ialah
Sistem Pakar Identifikasi Varietas Ikan Mas (Cyprinus carpio) Berdasarkan
Karakteristik Morfologi dan Tingkah Laku.
Terima kasih penulis ucapkan kepada Bapak Toto Haryanto, SKom Msi
dan Bapak Ir Irzal Effendi, Msi selaku pembimbing yang telah memberikan
arahan dan saran selama penelitian ini berlangsung, serta Bapak Aziz Kustiyo,
SKom MSi selaku penguji. Ungkapan terima kasih juga disampaikan kepada
Orang tua, kakak dan adik, serta seluruh keluarga, atas segala doa dan kasih
sayangnya.
Semoga karya ilmiah ini bermanfaat.

Bogor, Juli 2013
Asterika Prawesti

DAFTAR ISI

DAFTAR TABEL

vii

DAFTAR GAMBAR

vii

DAFTAR LAMPIRAN

viii

PENDAHULUAN

1

Latar Belakang

1

Tujuan Penelitian

2

Manfaat Penelitian

2

Ruang Lingkup Penelitian

3

METODE

3

Identifikasi Masalah

4

Akuisisi Pengetahuan

5

Representasi Pengetahuan

5

Pengembangan Mesin Inferensi

5

Pengadaan Data

6

Praproses Data

9

Normalisasi

9

Penentuan Data Latih dan Data Uji

10

Klasifikasi

10

Pengenalan Varietas Ikan Mas

11

Hasil Prediksi

11

Implementasi

11

Pengujian

11

HASIL DAN PEMBAHASAN

12

Identifikasi Masalah

12

Akuisisi Pengetahuan

12

Representasi Pengetahuan

14

Pengembangan Mesin Inferensi

14

Pengadaan Data

15

Praproses Data

15

Min-Max Normalization

16

Pembagian Data Latih dan Data Uji

16

Metode Klasifikasi Menggunakan KNN

17

Penentuan Varietas Ikan Mas dengan Metode Klasifikasi KNN

18

Percobaan Tanpa Normalisasi

18

Percobaan Dengan Normalisasi

20

Implementasi

23

Validasi Pakar

27

SIMPULAN DAN SARAN

28

Simpulan

28

Saran

28

DAFTAR PUSTAKA

29

LAMPIRAN

30

RIWAYAT HIDUP

37

DAFTAR TABEL
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

Karakter morfologi ikan mas (Crypinus carpio)
Karakter tingkah laku ikan mas (Crypinus carpio)
Confusion matrix identifikasi varietas ikan mas (Cyprinus carpio)
Implementasi perangkat keras dan perangkat lunak pendukung
SPIVIM
Data yang diperoleh dari hasil wawancara dengan pakar
Akuisisi pengetahuan identifikasi varietas ikan mas (Cyprinus
capio) saat validasi dengan pakar
Contoh data ikan mas majalaya (Djiwakusumah 1979; SNI 1999)
Data identifikasi varietas ikan mas (Cyprinus carpio) dalam
SPIVIM
Pembagian subset dengan metode k-fold cross validation
Susunan data latih dan data uji dalam perhitungan manual
menggunakan Ms.Excel
Nilai pembobotan tiap parameter identifikasi varietas ikan mas
(Crypinus carpio)
Akurasi rata-rata tiap k percobaan tanpa normalisasi perhitungan
manual pada Ms.Excel
Confusion matrix percobaan tanpa normalisasi perhitungan
manual Ms.Excel saat subset 4 k = 5
Jarak kedekatan percobaan tanpa normalisasi perhitungan manual
Ms.Excel subset 4 k = 5
Akurasi rata-rata tiap k percobaan dengan normalisasi
perhitungan manual Ms.Excel
Confusion matrix percobaan dengan normalisasi perhitungan
manual Ms.Excel saat subset 1 k = 5
Perbandingan hasil akurasi percobaan tanpa normalisasi dan
dengan normalisasi perhitungan manual Ms.Excel

7
7
11
11
13
14
15
16
17
17
18
19
20
20
21
22
22

DAFTAR GAMBAR
1

Tahapan penelitian sistem pakar dalam identifikasi varietas ikan
mas (Crypinus carpio)
2 Tahapan metode KNN dalam identifikasi varietas ikan mas
(Crypinus carpio)
3 Panjang badan ikan mas (Crypinus carpio)
4 Tinggi badan ikan mas (Crypinus carpio)
5 Warna sisik tubuh atas ikan mas (Crypinus carpio)
6 Warna sisik tubuh bawah ikan mas (Crypinus carpio)
7 Ukuran sisik besar ikan mas (Crypinus carpio)
8 Ukuran sisik normal ikan mas (Crypinus carpio)
9 Diagram hasil perbandingan akurasi rata-rata tiap k percobaan
tanpa normalisasi dan dengan normalisasi
10 Modul utama user SPIVIM
11 Modul tambahan SPIVIM

4
6
7
8
8
8
9
9
23
23
24

12
13
14
15
16
17
18
19

Tampilan home user SPIVIM
Modul utama proses identifikasi SPIVIM
Tampilan menu pilihan nilai k dalam SPIVIM
Validasi form jika user tidak menginputkan jawaban pada modul
utama proses identifikasi SPIVIM
Validasi form range panjang pada modul utama proses
identifikasi SPIVIM
Validasi form jika input rasio tidak sesuai dengan yang
diidentifikasi di SPIVIM
Login admin SPIVIM
Home admin SPIVIM

24
25
25
26
26
27
27
27

DAFTAR LAMPIRAN
1
2
3
4
5
6
7
8
9
10
11

Kuesioner 1 validasi pengetahuan identifikasi varietas ikan mas
(Crypinus carpio) dengan pakar
Kuesioner 2 validasi pengetahuan identifikasi varietas ikan mas
(Crypinus carpio) dengan pakar
Kuesioner 3 validasi pengetahuan identifikasi varietas ikan mas
(Crypinus carpio) dengan pakar
Kuesioner 4 validasi pengetahuan identifikasi varietas ikan mas
(Crypinus carpio) dengan pakar
Decision table dalam identifikasi varietas ikan mas (Cyprinus
carpio)
Confusion matrix perhitungan manual Ms.Excel percobaan tanpa
normalisasi saat k = 3
Confusion matrix perhitungan manual Ms.Excel percobaan tanpa
normalisasi saat k = 5
Confusion matrix perhitungan manual Ms.Excel percobaan tanpa
normalisasi saat k = 7
Confusion matrix perhitungan manual Ms.Excel percobaan
dengan normalisasi saat k = 3
Confusion matrix perhitungan manual Ms.Excel percobaan
dengan normalisasi saat k = 5
Confusion matrix perhitungan manual Ms.Excel Percobaan
dengan normalisasi saat k = 7

30
31
32
33
34
34
34
35
35
35
36

PENDAHULUAN
Latar Belakang
Ikan mas (Cyprinus carpio) merupakan salah satu varietas ikan air tawar
yang banyak dibudidayakan terutama di daerah Jawa Barat. Menurut sejarah, ikan
mas berasal dari Sungai Danube dan Laut Hitam, tetapi ada yang mengatakan
bahwa ikan mas berasal dari Cina dan Rusia. Menurut Ardiwinata (1971) di
Indonesia ikan mas mulai dikenal pertama kali di daerah Galuh (Ciamis), Jawa
Barat, sekitar tahun 1810. Namun para petani mulai memelihara sekitar tahun
1860 dan semenjak itulah berkembang ke daerah lain di Jawa Barat. Selanjutnya
ikan mas berkembang ke daerah-daerah Pulau Jawa di Indonesia.
Ikan mas terdiri dari beberapa varietas (Khairuman dan Amri 2011). Secara
umum varietas ikan mas dapat digolongkan menjadi dua kelompok, yaitu ikan
mas konsumsi dan ikan mas hias, tiap varietas memiliki karakteristik morfologi
dan tingkah laku berbeda berdasarkan lingkungan geografisnya. Berdasarkan
Balai Perikanan Budidaya Air Tawar Sempur Bogor (2012) dalam
perkembangannya, saat ini varietas ikan mas mengalami persilangan dengan
varietas ikan mas lain membentuk varietas ikan mas baru sehingga tidak terjaga
kemurnian variabel biologis dan sifat-sifat yang diwarisi. Beberapa varietas ikan
mas konsumsi yang masih terjaga kemurniaannya yaitu ikan mas majalaya, ikan
mas sinyonya, ikan mas merah, ikan mas punten, ikan mas Taiwan dan ikan mas
kaca. Namun saat ini, ikan mas punten dan ikan mas Taiwan sudah tidak diketahui
kemurniaannya dan sudah langka dilingkungan budidaya. Varietas ikan mas
konsumsi merupakan hasil persilangan, antara lain ikan mas rajadanu, ikan mas
lokal, ikan mas sutisna Kuningan, ikan mas cianjur wildan, ikan mas cangkringan
Yogyakarta, ikan mas sanin, ikan mas bali, dan ikan mas kancra domas. Hal inilah
yang melatarbelakangi penelitian dalam identifikasi varietas ikan mas.
Identifikasi varietas ikan mas menjadi hal penting bagi petani, breeder
maupun peneliti. Bagi petani, identifikasi varietas ikan mas menjadi sangat
penting guna mengetahui varietas ikan mas konsumsi yang disukai di suatu daerah
tertentu, karena di tiap daerah memiliki kesukaan ciri khas ikan mas yang
berbeda, misalnya di daerah Jawa Barat lebih menyukai ikan mas dengan warna
tubuh lebih gelap, namun di Kalimantan ikan mas dengan warna sisik gelap tidak
disukai. Bagi breeder, identifikasi varietas ikan mas sangatlah penting guna dalam
kegiatan akuakultur mengenali variabel biologis dan sifat-sifat yang diwarisi
varietas ikan mas terdahulu sehingga dalam kegiatannya breeder dapat
menentukan induk ikan mas yang unggul untuk disilangkan, sehingga tetap
terjaga kemurnian variabel biologis dan sifat-sifat yang diwarisi. Bagi peneliti,
identifikasi varietas sangat penting guna memetakan pengetahuan variabel
biologis dan sifat-sifat ikan mas yang dikuasai seorang pakar kedalam suatu
sistem, sehingga keilmuan pakar dalam hal identifikasi karakteristik varietas ikan
mas tidak akan hilang.
Pengetahuan karakteristik yang dimiliki varietas ikan mas akan
direpresentasikan ke dalam suatu sistem perangkat lunak komputer cerdas
sehingga mampu memecahkan masalah dalam identifikasi varietas ikan mas.
Sistem pakar adalah suatu perangkat lunak komputer cerdas yang menggunakan

2
pengetahuan dan prosedur inferensi dalam memecahkan masalah yang rumit atau
membutuhkan seorang pakar dalam memecahkannya (Marimin 2005). Dengan
adanya sistem pakar identifikasi varietas ikan mas (Cyprinus carpio) berdasarkan
karakteristik morfologi dan tingkah laku (SPIVIM), diharapkan dapat membantu
breeder atau peneliti dalam mengidentifikasi varietas ikan mas dilihat dari
morfologi dan sifat-sifat yang dimiliki.
Selain dalam bidang budidaya perairan, sistem pakar dapat digunakan di
bidang lainnya, sebagai contoh yaitu bidang pertanian, kedokteran, dan
peternakan. Pengetahuan tersebut direpresentasikan ke dalam sistem yang dapat
mewakili pengetahuan dengan menggabungkan ilmu dan pengalaman dari
beberapa pakar pada bidang masing-masing kemudian diterapkan ke dalam sistem
komputerisasi. Seperti halnya, Nurjayanti (2011) pada bidang pertanian
menggunakan metode k-nearest neighbour dalam mengidentifikasi daun shorea
berdasarkan karakteristik morfologi daun, akurasi yang dihasilkan adalah 100%
dengan normalisasi data dan 84% tanpa normalisasi. Haslinda (2013) pada bidang
budidaya perairan menggunakan metode k-nearest neighbor (KNN) dalam
penentuan jenis budidaya ikan air tawar berdasarkan lokasi dan kualitas air,
akurasi yang dihasilkan adalah 97.41% dengan melakukan normalisasi data dan
96.85% tanpa normalisasi. Penelitian sistem pakar identifikasi varietas ikan mas
(Crypinus carpio) berdasarkan karakteristik morfologi dan tingkah laku (SPIVIM)
menggunakan metode KNN, dikarenakan hasil dari penelitian Nurjayanti (2011)
dan Haslinda (2013) menunjukan bahwa akurasi yang didapatkan oleh sistem
pakar mencapai lebih dari 80%.
Tujuan Penelitian
Penelitian Sistem pakar identifikasi varietas ikan mas bertujuan untuk:
1 Merumuskan fakta dan pengetahuan identifikasi varietas ikan mas dalam
pembangunan sistem pakar identifikasi varietas ikan mas berdasarkan
karakterisik morfologi dan tingkah laku.
2 Menerapkan metode KNN dalam identifikasi varietas ikan mas berdasarkan
ciri morfologi dan tingkah laku.
Manfaat Penelitian
Manfaat dari penelitian sistem pakar identifikasi varietas ikan mas
berdasarkan karakteristik morfologi dan tingkah laku yaitu :

Membantu petani dalam mengenali varietas ikan mas konsumsi yang
disukai di suatu daerah tertentu, karena di tiap daerah memiliki kesukaan
karakteristik khas ikan mas yang berbeda.

Membantu breeder dalam menentukan induk ikan mas yang unggul untuk
disilangkan, sehingga tetap terjaga kemurnian variabel biologis dan sifatsifat yang diwarisi.

Membantu peneliti dalam memetakan pengetahuan berupa variabel biologis
dan sifat-sifat ikan mas yang dikuasai seorang pakar kedalam suatu sistem,
sehingga keilmuan pakar dalam hal identifikasi karakteristik varietas ikan
mas tidak akan hilang atau punah.

3
Ruang Lingkup Penelitian
Ruang lingkup penelitian dibatasi pada:
1 Identifikasi dilakukan berdasarkan ciri-ciri umum varietas ikan yang terlihat
dari variabel biologis (morfologi) meliputi panjang dan tinggi badan ikan mas,
warna sisik, ukuran sisik, mata, dan sifat-sifat (tingkah laku) meliputi orientasi
berenang dan kecepatan gerakan.
2 Varietas ikan yang diidentifikasi adalah varietas ikan mas konsumsi terdahulu
yang masih terjaga kemurniannya yaitu ikan mas majalaya, ikan mas sinyonya,
ikan mas punten, ikan mas karper kaca, ikan mas merah, dan ikan mas Taiwan
yang diuji berdasarkan karakteristik morfologi dan tingkah laku.
3 Metode inferensi menggunakan metode KNN.
4 Data yang digunakan dalam penelitian ini diperoleh dari pakar Bapak
Ir Irzal Effendi, MSi dari Departemen Budidaya Perairan Fakultas Perikanan
dan Ilmu Kelautan IPB, serta mendapat informasi tambahan dari Bapak Abdul
Wahid Kepala Pelayanan Teknis Balai Riset Perikanan Budidaya Air Tawar
Sempur Bogor, dan Bapak Sidi Asih bagian staf peneliti Breeding dan genetika
dari Instalasi Riset Plasma Nutfah Perikanan Air Tawar Cijeruk Bogor. Selain
itu, data diperoleh dari informasi yang didapat dari telaah pustaka.

METODE
Metode penelitian SPIVIM mengacu pada pembentukan sistem pakar yang
dijelaskan Marimin (2005) terdiri atas beberapa tahap yaitu identifikasi masalah,
akuisisi pengetahuan, representasi pengetahuan, pengembangan mesin inferensi,
implementasi, dan pengujian. Gambar 1 mengilustrasikan tahapan sistem pakar
pada penelitian ini.
Metode penelitian dilakukan secara bertahap, diawali dengan identifikasi
masalah sampai terakhir pada tahap pengujian. Sebelum sistem dipublikasi, sistem
akan diuji oleh pakar pada tahap pengujian untuk mengetahui keakuratan
pengetahuan apakah sudah dapat mewakili pakar. Jika sistem pakar identifikasi
varietas ikan mas belum mampu mewakili keahlian seorang pakar dan terjadi
kesalahan pada tahap akuisisi pengetahuan, representasi pengetahuan, maupun
pengembangan mesin inferensi. Maka tahapan akan diulang kembali ke tahap
tersebut sampai akhirnya ke tahap pengujian. Jika sudah sesuai dengan
pengetahuan pakar maka sistem pakar identifikasi varietas ikan mas sudah mampu
mewakili keahlian seorang pakar.

4
Mulai

Identifikasi masalah

Akuisisi pengetahuan

Representasi pengetahuan

Pengembangan mesin inferensi

Implementasi

Pengujian

Tidak
Mewakili pakar?

Ya
Selesai

Gambar 1 Tahapan penelitian sistem pakar dalam identifikasi
varietas ikan mas (Crypinus carpio)
Identifikasi Masalah
Pengembangan sistem pakar dimulai dengan identifikasi bidang masalah
yang akan dikaji serta tugas spesifik yang akan ditangani (Marimin 2005). Dalam
hal ini, permasalahan yang dikaji yaitu tidak terjaganya kemurnian generasi
varietas ikan massaat ini, sehingga sangat penting bagi petani, breeder dan
peneliti dalam identifikasi varietas ikan mas guna mengenali varietas ikan mas
konsumsi yang disukai di suatu daerah tertentu, menentukan induk ikan mas yang
unggul untuk disilangkan, dan memetakan pengetahuan berupa variabel biologis
dan sifat-sifat ikan mas yang dikuasai seorang pakar ke dalam suatu sistem,

5
sehingga keilmuan pakar dalam hal identifikasi karakteristik varietas ikan mas
tidak akan hilang atau punah.
Akuisisi Pengetahuan
Akuisisi pengetahuan digunakan sebagai alat untuk mengisi atau
mendapatkan pengetahuan dan fakta (Marimin 2005) mengenai karakteristik
identifikasi varietas ikan mas, serta aturan dan model yang diperlukan oleh sistem
pakar identifikasi varietas ikan mas dari berbagai sumber. Pengetahuan tersebut
didapat dari:
1.
Pengetahuan dasar diperoleh dari pakar melalui proses wawancara. Dalam
hal ini Knowledge engineers (KEs) memberikan permasalahan atau
pertanyaan mengenai varietas ikan mas dan pakar menjelaskan
permasalahan atau pengetahuan tersebut berdasarkan pertayaan yang KEs
ajukan. KEs merupakan orang yang memiliki latar belakang pengetahuan
tentang komputer dan kecerdasan buatan serta mengerti cara pengembangan
sistem pakar (Marimin 2005).
2.
Pengorganisasian dari beberapa buku, jurnal, data dasar dan media lain
(manual teknik, makalah, dan sejenis) yang relevan dengan ruang lingkup
sistem pakar yang akan dikembangkan.
Representasi Pengetahuan
Setelah memperoleh pengetahuan dari berbagai sumber, maka memilih
teknik representasi pengetahuan yang akan digunakan untuk mengembangkan
sistem pakar. Pengetahuan yang diperoleh merupakan sumber kecerdasaan sistem
serta dimanfaatkan oleh mesin inferensi untuk mengambil keputusan dengan jenis
penyajian pengetahuan direpresentasikan ke dalam suatu tabel keputusan.
Pengembangan Mesin Inferensi
Pengetahuan yang telah direpresentasikan ke dalam suatu tabel keputusan
diolah, dimanipulasi dan diarahkan untuk mencapai suatu keputusan dengan
bantuan metode inferensi dalam identifikasi varietas ikan mas. Ketidakpastian
pengetahuan dan strategi penalarannya perlu diklasifikasikan dan dilakukan
pemeriksaan kebenaran serta dipilih metode penanganannya (Marimin 2005).
Dalam melakukan identifikasi varietas ikan mas menerapkan metode
klasifikasi KNN. Metode KNN terdiri atas beberapa tahap dimulai dengan
identifikasi masalah, pengadaan data, praproses data, penentuan data latih dan
data uji, data latih akan dibandingkan jaraknya dengan data uji. Hasil dari
perbandingan jarak tersebut diklasifikasikan menggunakan metode KNN,
kemudian tahap akhir yaitu pengenalan varietas ikan mas, dan hasil prediksi yang
diilustrasikan pada Gambar 2 dan berikut penjelasan dari tiap tahapannya.

6

Mulai

Identifikasi masalah

Pengadaan data

Praproses data

Penentuan data latih dan
data uji

Data latih

Data uji

KNN

Pengenalan varietas
ikan mas

Hasil prediksi

Selesai

Gambar 2 Tahapan metode KNN dalam identifikasi varietas
ikan mas (Crypinus carpio)
Pengadaan Data
Penelitian ini menggunakan beberapa variabel yang mencirikan bentuk
morfologi (Tabel 1) dan tingkah laku (Tabel 2) ikan mas. Variabel dalam
penelitian ini mempunyai beberapa fitur dan diperoleh dengan cara wawancara
langsung dengan pakar perikanan budidaya yaitu Bapak Ir Irzal Effendi, MSi dari
Departemen Budidaya Perairan Fakultas Perikanan dan Ilmu Kelautan IPB,
informasi tambahan dari Bapak Abdul Wahid Kepala Pelayanan Teknis Balai
Riset Perikanan Budidaya Air Tawar Sempur Bogor, dan Bapak Sidi Asih bagian

7
staf peneliti Breeding dan genetika dari Instalasi Riset Plasma Nutfah Perikanan
Air Tawar Cijeruk Bogor.
Tabel 1 Karakter morfologi ikan mas (Crypinus carpio)
Parameter
Satuan nilai
Rasio badan
Pajang dan tinggi
 hijau gelap
 kuning
 hijau keabu-abuan
 hitam
Warna sisik
 hijau kekuningan
 abu-abu
(tubuh atas dan bawah)
 merah keemasan
 putih
 kuning kemerahan
Ukuran sisik
Besar, normal
Mata
Sipit, agak menonjol, dan normal
Tabel 2 Karakter tingkah laku ikan mas (Crypinus carpio)
Parameter
Jenis
 Permukaan
 Tengah
Berenang
 Dasar
Gerakan
Cepat, lambat

1

Keterangan:
Rasio panjang dan tinggi badan ikan, yaitu perbandingan antara panjang dan
tinggi badan ikan,
a Panjang ikan mas ialah panjang total yang diukur mulai dari ujung
terdepan bagian kepala sampai ujung terakhir bagian ekornya. Jika
mulutnya terletak di muka, pada waktu mengadakan pengukuran
mulutnya harus berada dalam keadaan tertutup, agar tercapai ujung
terdepan (Effendie 1972). Ilustrasi pengukuran panjang total ikan mas
ditunjukkan pada Gambar 3 (Wahid et al 2007).
panjang badan

Gambar 3 Panjang badan ikan mas (Crypinus carpio)
Bagian yang terdepan harus bertepatan dengan angka nol dalam
satuan sentimeter (cm). Bagian terbelakang yaitu ujung ekornya, kalau
ekornya bercabang dan mudah disatukan. Jika kedua bagian ekornya
susah untuk disatukan serta kedua belahannya tidak sama, maka yang di
ambil untuk dimasukan kedalam pengukuran ialah ujung yang
terpanjang. Dasar satuan alat pengukuran harus tetap selama penelitian
berlangsung, kalau yang menjadi dasar satuan panjang ialah sentimeter

8
(cm), maka panjang ikan itu bagian kepalanya mulai dari angka nol dan
bagian ekornya kepada sentimeter (cm) yang terdekat (Effendie 1972),
demikian sama halnya dengan dasar satuan alat pengukur tinggi ikan
harus tetap.
b Tinggi badan diukur pada tempat yang tertinggi, garis tegak lurus dari
dasar perut sampai ke punggung paling ujung. Bagian dari dasar sirip
yang melewati garis punggung tidak ikut diukur (Saanin 1968). Ilustrasi
pengukuran tinggi ikan mas dapat ditunjukkan pada Gambar 4 (Wahid et
al 2007).

Tinggi badan

Gambar 4 Tinggi badan ikan mas (Crypinus carpio)
2

Warna Sisik, terbagi menjadi dua :
a. Gambar 5 memperlihatkan warna sisik bagian atas tubuh yaitu mulai dari
kepala bagian atas sampai pangkal ekor bagian atas.

Warna Sisik Tubuh Atas

Gambar 5 Warna sisik tubuh atas ikan mas (Crypinus carpio)
b. Gambar 6 memperlihatkan warna sisik bagian bawah yaitu mulai kepala
bagian bawah sampai pangkal sirip dubur.

Warna Sisik Tubuh Bawah

Gambar 6 Warna sisik tubuh bawah ikan mas (Crypinus carpio)

9
3

Ukuran sisik ikan mas terbagi menjadi dua yaitu berukuran besar (Gambar
7) dan normal (Gambar 8). Ukuran sisik didasarkan kepada ukuran diameter
sisik.

Gambar 7 Ukuran sisik besar ikan mas (Crypinus carpio)

Gambar 8 Ukuran sisik normal ikan mas (Crypinus carpio)
4
5
6

Mata, bentuk mata ikan mas meliputi normal, agak menonjol, dan sipit.
Orientasi berenang ikan mas dibedakan berdasarkan posisi didalam air yaitu
di permukaan, tengah atau dasar kolam.
Gerakan ikan mas ada dua macam yaitu cepat dan lambat.

Praproses Data
Pada tahap ini yaitu mempersiapkan data identifikasi varietas ikan mas
sebelum dilakukan pengolahan data, yaitu dengan mempersiapkan parameterparameter yang sesuai dengan pengetahuan dan fakta berupa karakteristik varietas
ikan mas. Data dievaluasi kembali sehingga terjadi perubahan dan pembuangan
data valid maupun tidak valid berdasarkan justifikasi pakar dan kesesuaian
pengetahuan dengan fakta. Selain itu, data yang bersifat ordinal akan
diterjemahkan ke dalam bentuk angka.
Normalisasi
Pada perhitungan jarak Euclid, atribut berskala panjang dapat mempunyai
pengaruh lebih besar daripada atribut berskala pendek. Untuk mencegah hal
tersebut perlu dilakukan normalisasi terhadap nilai atribut (Larose 2005).
Salah satu metode normalisasi adalah min-max normalization yang
diterapkan untuk parameter numerik. Formula untuk normalisasi atribut X
ditunjukkan pada Persamaan 1.
X* =

X - min (X)
max X – min(X)

(1)

10
Dengan X* adalah nilai setelah dinormalisasi, X adalah nilai sebelum
dinormalisasi, min (X) adalah nilai minimum dari parameter, dan max (X) adalah
nilai maksimum dari suatu parameter.
Penentuan Data Latih dan Data Uji
Pada penelitian ini penentuan pembagian data latih dan data uji
menggunakan metode k-fold cross validation dengan nilai k = 4. K-fold cross
validation dilakukan untuk membagi data ke dalam k buah partisi dengan ukuran
sama D1, D2, D3, …, Dk. Pelatihan dan pengujian dilakukan sebanyak k-kali.
Pada iterasi pertama, D1 akan menjadi data uji, D2, D3, …, Dk akan menjadi
data latih. Selanjutnya iterasi ke-2, D2 akan menjadi data uji, D1, D3, …, Dk akan
menjadi data latih, dan seterusnya (Han dan Kamber 2005).
Klasifikasi
Teknik klasifikasi yang digunakan dalam memecahkan suatu masalah
identifikasi varietas ikan mas yaitu KNN. KNN merupakan salah satu metode
yang digunakan dalam pengklasifikasian. Hasil klasifikasi data baru didapatkan
dengan mencari jarak terdekat antara data yang akan dievaluasi dengan k tetangga
terdekatnya dalam data pelatihan menggunakan fungsi jarak yaitu jarak Euclidean
(Larose 2005).
Hasil dari perhitungan Euclid digunakan untuk menentukan kemiripan
antara data latih dan data uji. Kecocokan dilihat dari nilai (jarak) yang paling
minimum, berikut rumus Euclid pada Persamaan 2.
di =

2
n
i=1 (xi -yi )

(2)

Dengan �� = jarak sampel, xi = data uji, yi = data latih, dan xi -yi = selisih
data uji dan data latih. Data dalam penelitian sistem pakar identifikasi varietas
ikan mas dikelompokkan menjadi tiga, yaitu data nominal, data ordinal dan data
numerik. Untuk data numerik dan ordinal, penggunaan jarak Euclidean sudah
tepat, namun untuk data nominal digunakan sebuah fungsi jarak nominal (nominal
distance) yang digunakan untuk membandingkan nilai data latih dan data uji.
Berikut pada Persamaan 3 merupakan rumus untuk menghitung jarak nominal
(Larose 2005).
0
jika xi = yi
(3)
di =
1
selainnya
Jika data latih sama dengan data uji maka jaraknya 0, selainnya jaraknya 1.
Untuk menggabungkan kedua jarak semua variabel, dilakukan agregate
ketidaksamaan berat rata-rata dari jarak masing-masing fitur dengan
menggunakan rumus pada Persamaan 4 di bawah ini (Teknomo 2006).
sij =

n
k=1 wijk . sijk
n w
k=1 ijk

(4)

Dengan k merupakan variabel fitur, ij selisih data latih dan data uji, sijk
merupakan kesamaan dan ketidaksamaan antara objek dengan wijk nilai
pembobotan yang ditentukan oleh pakar Bapak Ir Irzal Effendi, MSi.

11
Pengenalan Varietas Ikan Mas
Pada tahap ini metode klasifikasi KNN diaplikasikan terhadap data varietas
ikan mas yang telah diproses yaitu dengan menentukan parameter k = jumlah
tetangga terdekat, kemudian mayoritas sederhana dari kelas tetangga terdekat
digunakan sebagai nilai prediksi data baru.
Hasil Prediksi
Pada tahap akhir diharapkan data uji yang diinputkan akan terklasifikasi
sesuai dengan kelas yang benar. Dalam hal ini confusion matrix digunakan untuk
mengevaluasi kinerja klasifikasi, diterapkan pada sebuah tabel yang terdiri atas
banyaknya baris data uji yang diprediksi benar atau tidak benar oleh model
klasifikasi (Tabel 3), Tabel ini diperlukan untuk menentukan kinerja suatu model
klasifikasi (Tan PN et al 2006). Keakuratan sistem akan diuji dengan menghitung
akurasi. Akurasi merupakan proporsi jumlah prediksi yang tepat. Perhitungan
akurasi terdapat pada Persamaan 5.
Tabel 3 Confusion matrix identifikasi varietas ikan mas (Cyprinus carpio)
Kelas hasil prediksi
Kelas aktual
Kelas 1
Kelas 2
Kelas 1
A
B
Kelas 2
C
D
Akurasi =

a+d
a+b+c+d

=

jumlah prediksi yang tepat
total prediksi

x 100%

(5)

Implementasi
Implementasi sistem pakar identifikasi varietas ikan mas dikembangkan
dengan menggunakan beberapa perangkat keras dan perangkat lunak pendukung.
Implementasi perangkat disesuaikan dengan sistem yang akan digunakan pada
identifikasi varietas ikan mas yaitu sistem berbasis website, dengan spesifikasi
hardware dan software pada Tabel 4.
Tabel 4 Implementasi perangkat keras dan perangkat lunak pendukung SPIVIM
Perangkat Keras
Perangkat lunak
 Processor AMD E-35
 Microsoft Windows 7 Home Basic
 RAM kapasitas 2.00 GB
 Bahasa pemrograman PHP
 Hard disk kapasitas 320 GB
 XAMPP
 Photoshop CS 2
 Macromedia Dreamweaver 8
Pengujian
Tahap pengujian merupakan tahap sistem identifikasi varietas ikan mas
akan diuji. Pengujian dievaluasi oleh pakar yaitu Bapak Ir Irzal Effendi, MSi dari
Departemen Budidaya Perairan Fakultas Perikanan dan Ilmu Kelautan IPB guna
mengetahui keakuratan sistem, seperti kelengkapan, ketepatan, dan konsistensi

12
pengetahuan identifikasi varietas ikan mas agar sistem pakar yang diperoleh dapat
mewakili pengetahuan seorang pakar. Jika pengujian sudah sesuai dengan
pengetahuan pakar dan fakta, maka sistem identifikasi varietas ikan mas sudah
mampu mewakili pengetahuan pakar sehingga sistem ini dapat dipergunakan oleh
petani dan breeder.

HASIL DAN PEMBAHASAN
Identifikasi Masalah
Persilangan antar varietas ikan mas menyebabkan terbentuknya karakteristik
baru hasil percampuran antar varietas tersebut, sehingga lambat laun mejadi tidak
terjaganya kemurnian generasi varietas ikan mas di masa yang akan datang.
Dalam hal ini petani, peneliti maupun breeder berkepentingan dalam
mengidentifikasi varietas ikan mas, guna mengenali varietas ikan mas konsumsi
yang disukai di suatu daerah tertentu, menentukan induk ikan mas yang unggul
untuk disilangkan, dan memetakan pengetahuan berupa variabel biologis dan
sifat-sifat ikan mas yang dikuasai seorang pakar kedalam suatu sistem, sehingga
keilmuan pakar dalam hal identifikasi karakteristik varietas ikan mas tidak akan
hilang atau punah.
Akuisisi Pengetahuan
Pengetahuan identifikasi varietas ikan masberdasarkan karakteristik
morfologi dan tingkah laku diperoleh dari proses wawancara oleh Bapak
Ir Irzal Effendi, MSi dari Departemen Budidaya Perairan Fakultas Perikanan dan
Ilmu Kelautan IPB, serta beberapa informasi tambahan diperoleh dariBapak
Abdul Wahid Kepala Pelayanan Teknis Balai Riset Perikanan Budidaya Air
Tawar Sempur Bogor dan Bapak Sidi Asih bagian staf peneliti breeding dan
genetika Instalasi Balai Riset Perikanan Budidaya Air Tawar Cijeruk Bogor. Data
yang diperoleh berdasarkan hasil wawancara disajikan pada Tabel 5. Selain itu
diperoleh dari beberapa telaah pustaka lainnya seperti buku yaitu sebagai contoh
Effendie (1972), Ardiwinata (1971), data manual kunjungan ke Balai Riset
Perikanan Budidaya Air Tawar Sempur Bogor dan Instalasi Balai Riset Perikanan
Budidaya Air Tawar Cijeruk Bogor, dan media penyuluhan diperoleh dari Bapak
Abdul Wahid dan Bapak Sidi Asih.
Kesimpulan wawancara dengan pakar diketahui beberapa karakteristik yang
digunakan dalam identifikasi varietas ikan mas yaitu berdasarkan morfologi dan
tingkah laku. Tiap karakeristik terdiri atas parameter-parameter identifikasi,
diantaranya parameter morfologi yaitu panjang dan tinggi ikan mas, warna tubuh
bawah dan atas ikan mas, mata, dan ukuran sisik. Parameter tingkah laku ikan
mas yaitu orientasi berenang dan gerakkan.

13
Tabel 5 Data yang diperoleh dari hasil wawancara dengan pakar
Wawancara dengan para pakar
Data yang diperoleh
 Pengetahuan
dasar
mengenai
perkenalan
budidaya
perairan,
perkembangan produksi ikan di suatu
daerah.
 Validasi pengetahuan yang telah
diperoleh dari hasil wawancara
dengan Bapak Abdul Wahid dan
Bapak Sidi Asih berupa kesesuaian
Bapak Ir Irzal Effendi, MSi
pengetahuan yaitu varietas ikan mas
yang akan di identifikasi, variabelvariabel yang dibutuhkan dalam
identifikasi,
terdapatnya
kunci
identifikasi,
karakteristik
yang
dimiliki tiap varietas dan kesesuaian
gambar dengan karakteristik varietas
ikan mas.
 Pengenalan varietas ikan mas, apa
saja varietas ikan mas yang ada saat
ini maupun yang terdahulu.
Bapak Abdul Wahid
 Variabel-variabel identifikasi varietas
ikan mas.
Kelengkapan
variabel-variabel
karakteristik yang dimiliki varietas
ikan mas, sebagai contoh ikan mas
Bapak Sidi Asih
majalaya memiliki karakteristik mata
yang menonjol, warna sisik tubuh atas
dan bawah hijau gelap.
Pengetahuan yang diperoleh, divalidasi oleh pakar yaitu Bapak
Ir Irzal Effendi, MSi untuk menguji dan memastikan kebenaran data. Proses
validasi data dilakukan dengan mengajukan kuesioner yang berisi sample data uji
ke pakar. Pakar akan menentukan apakah pengetahuan yang diperoleh telah sesuai
dengan pengetahuan pakar. Tahapan proses validasi pada Tabel 6.
Kesimpulan dalam validasi diketahui, terdapat parameter kunci identifikasi
varietas ikan mas yaitu pada karakteristik morfologi diantaranya pada parameter
panjang dan tinggi ikan mas, warna sisik, ukuran sisik, dan mata. Parameter kunci
identifikasi merupakan ciri yang paling menentukan dalam identifikasi varietas
ikan mas.

14
Tabel 6 Akuisisi pengetahuan identifikasi varietas ikan mas (Cyprinus capio) saat
validasi dengan pakar
Tahap validasi
Hasil
Langkah selanjutnya
Tahap 1
 5 data uji ikan mas kaca  Mengubah rasio ikan mas
kuesioner 1
terklasifikasi ke kelas
majalaya dan ikan mas
30 data uji
yang tepat
punten
(Lampiran 1).
 Terdapat kesalahan data  Penelitian harus kembali
ikan mas seperti rasio
pada
tahap
akuisisi
ikan mas punten dan ikan
pengetahuan.
mas majalaya
Tahap 2
kuesioner 2
 Dari 12 data uji, 8 data  Mengubah rasio ikan mas
12 data uji
uji terklasifikasi ke kelas
majalaya dan ikan mas
(Lampiran 2).
yang tepat
taiwan
 Kesalahan data rasio ikan  Penelitian harus kembali
mas majalaya dan ikan
pada
tahap
akuisisi
mas taiwan
pengetahuan.
 warna sisik tubuh bawah
ikan mas sinyonya.
Tahap 3
kuesioner 3
Dari 12 data pengujian,12  Penelitian dapat dilanjutkan.
12 data uji
data uji terklasifikasi ke
Namun rangkuman dari hasil
(Lampiran 3).
kelas yang tepat
seminar penelitian, penelitian
harus kembali pada tahap
akuisisi pengetahuan karena
terdapat
penghapusan
parameter input yaitu bentuk
tubuh
dan
kembali
mengajukan kuesioner 4.
Tahap 4
kuesioner 4
12 data uji terklasifikasi ke Penelitian dapat dilanjutkan.
12 data uji
kelas yang tepat
(Lampiran 4).
Representasi Pengetahuan
Pengetahuan identifikasi varietas ikan mas berdasarkan hasil akuisisi
pengetahuan dengan pakar disajikan ke dalam suatu tabel keputusan yang
digunakan untuk pengambilan keputusan. Sebagai ilustrasi, representasi
pengetahuan sistem ini ditunjukkan pada Lampiran 5.
Pengembangan Mesin Inferensi
Metode pengembangan dalam mengambil keputusan yang diterapkan pada
SPIVIM yaitu metode KNN, meliputi beberapa tahapan yaitu:

15
Pengadaan Data
Pada pengadaan data, data yang diperoleh dari proses wawancara, dan
beberapa telaah pustaka.Varietas ikan mas yang diidentifikasi yaitu 6 varietas ikan
mas diantaranya ikan mas majalaya, ikan mas punten, ikan mas sinyonya, ikan
mas kaca, ikan mas merah, dan ikan mas taiwan. Parameter identifikasi diperoleh
sebanyak 8 parameter diantaranya 6 parameter input berdasarkan ciri morfologi
meliputi panjang, tinggi badan, warna sisik tubuh bagian atas, warna sisik tubuh
bagian bawah, ukuran sisik dan mata, serta parameter input berdasarkan tingkah
laku yaitu gerakan dan berenang. Parameter tersebut dibedakan menjadi 3 jenis,
yaitu: numerik, ordinal, dan nominal. Parameter numerik terdiri dari panjang dan
tinggi ikan mas, ordinal terdiri dari orientasi berenang, dan nominal terdiri dari
mata, warna sisik tubuh atas dan bawah, ukuran sisik, dan gerakan.
Praproses Data
Parameter-parameter yang ada dilengkapi dengan data-data yang sesuai
dengan ciri-ciri ikan mas tiap varietas. Data-data tersebut dievaluasi kembali
kebenarannya oleh Bapak Ir Irzal Effendi, MSi sehingga terjadi perubahan dan
pembuangan data valid maupun tidak valid berdasarkan justifikasi pakar. Sebagai
contoh Tabel 7 merupakan data valid varietas ikan mas majalaya.
Tabel 7 Contoh data ikan mas majalaya (Djiwakusumah 1979; SNI 1999)
Varietas ikan mas
Rasio panjang dan tinggi badan
Mata
Warna sisik tubuh bagian atas
Warna sisik tubuh bagian bawah
Ukuran sisik
Berenang
Gerak

Ikan mas majalaya
2.7:1
Menonjol
Hijau ke-abu-abuan
Hijau gelap
Normal
Permukaan
Lambat

Proses perhitungan dalam sistem maupun perhitungan manual, pada Tabel 7
terlihat bahwa berenang merupakan parameter ordinal yaitu parameter nominal
yang memiliki tingkatan, sehingga dalam perhitungannya nilai atribut-atribut
parameter ordinal diubah ke dalam bentuk angka. Nilai untuk tiap atribut
berenang di dasar = 0, tengah = 0.5, dan permukaan = 1.
Proses pengumpulan data awal ini dilakukan selama dua bulan. Data ikan
yang didapat sebanyak 6 data varietas ikan mas yang masing-masing varietas
memiliki record sebanyak 80, sehingga total keseluruhan record sebanyak 480
record, ditunjukkan pada Tabel 8.

16
Tabel 8 Data identifikasi varietas ikan mas
(Cyprinus carpio) dalam SPIVIM
Varietas ikan mas
Ikan mas majalaya
Ikan mas sinyonya
Ikan mas merah
Ikan mas kaca
Ikan mas punten
Ikan mas taiwan
Total data

Banyaknya data
80
80
80
80
80
80
480

Min-Max Normalization
Parameter numerik meliputi panjang dan tinggi ikan mas diolah dengan
menggunakan jarak Euclidean. Pada parameter tersebut terdapat perbedaan range
maka perlu dilakukan normalisasi. Tahap normalisasi dilakukan sebelum proses
pengolahan data yang bertujuan untuk menyamakan range antara 0-1 dengan
menggunakan rumus min-max nomalization.
Nilai minimum dan maksimum diperoleh dari nilai minimum dan
maksimum pada tiap parameter tersebut. Misal parameter panjang nilai
maksimum 50 dan nilai minimum 10. Contoh normalisasi untuk record pertama
dengan nilai 13 berdasarkan rumus normalisasi adalah:
13-10
= 0.075
50-10
Begitu pula untuk data input yang akan digunakan nantinya, sebelum
dilakukan pengolahan data, data parameter numerik harus melewati proses
normalisasi terlebih dahulu. Namun untuk parameter ordinal tidak melalui proses
normalisasi karena pada saat dilakukannya praproses data nilai parameter tersebut
sudah berada pada range 0-1.
Pembagian Data Latih dan Data Uji
Pada penelitian ini penentuan pembagian data latih dan data uji
menggunakan metode k-fold cross validation dengan nilai k = 4, pemilihan k = 4
disesuaikan dengan bayaknya data yang digunakan pada penelitian. Dari 6
varietas ikan mas yang digunakan sebagai kelas, masing-masing kelas memiliki
data sebanyak 80 record sehingga total data yang diperoleh sebanyak 480 record.
Data masing-masing kelas 80 record dibagi menjadi 4 subset yang setiap subset
berisi 20 record (Tabel 9).

17
Tabel 9 Pembagian subset dengan metode k-fold cross
validation
Subset
Banyaknya data
S1
20
S2
20
S3
20
S4
20
Jumlah data
80
Percobaan pertama menggunakan 60 record sebagai data latih yang berisi
subset 1, 2, dan 3. Subset 4 yang berisi 20 record dijadikan data uji, percobaan
terus dilakukan hingga setiap subset pernah menjadi data uji (Tabel 10).
Tabel 10 Susunan data latih dan data uji dalam perhitungan
manual menggunakan Ms.Excel
Percobaan (subset)
1
2
3
4

Data latih
S2,S3,S4
S1,S3,S4
S1,S2,S4
S1,S2,S3

Data uji
S1
S2
S3
S4

Metode Klasifikasi Menggunakan KNN
KNNadalah metode yang digunakan dalam pengklasifikasian. Hasil
klasifikasi data baru didapatkan dengan mencari jarak terdekat antara data yang
akan dievaluasi dengan k tetangga terdekatnya dalam data pelatihan menggunakan
fungsi jarak. Berikut fungsi jarak yang digunakan yaitu:
Euclidean distance
Euclidean distance digunakan untuk parameter bersifat numerik dan ordinal
yaitu panjang, tinggi ikan mas, dan berenang. Orientasi berenang ikan mas
meliputi dasar, tengah dan permukaan dikatakan sebagai parameter ordinal karena
memiliki tingkatan. Setiap tingkatan pada saat praproses data diberi nilai antara 01 yaitu dasar = 0, tengah = 0.5, dan permukaan = 1. Euclidean distance digunakan
untuk menghitung jarak kedekatan nilai parameter pada data latih dan nilai
parameter input pada data uji menggunakan rumus yang terdapat pada Persamaan
2.
Nominal distance
Parameter input yang bersifat nominal meliputi mata, warna sisik tubuh
atas, warna sisik tubuh bawah, ukuran sisik, dan gerakan dihitung jaraknya
dengan rumus nominal distance yang terdapat pada Persamaan 3. Jika nilai
parameter input data uji sama dengan nilai parameter pada data latih maka
hasilnya 0 dan jika tidak sama atau berbeda dengan nilai parameter pada data latih
maka hasilnya 1.

18
Aggregate
Tahap ini merupakan tahap dilakukannya penggabungan hasil perhitungan
nominal distance dan hasil perhitungan Euclidean distance. Rumus aggregate
ditunjukkan pada Persamaan 4 dengan nilai pembobotan masing-masing
parameter ditentukan oleh pakar Bapak Ir Irzal Effendi, MSi (Tabel 11). Nilai
pembobotan didasarkan pada parameter yang paling menentukan dalam
identifikasi ikan mas. Hasil proses perhitungan aggregate untuk 1 input data uji
akan dibandingkan dengan seluruh data latih yang tersedia pada sistem, sehingga
menghasilkan 1 nilai yang selanjutnya akan diambil nilai aggregate terkecil
sebanyak nilai k yang telah ditentukan pada KNN.
Tabel 11 Nilai pembobotan tiap parameter identifikasi varietas
ikan mas (Crypinus carpio)
Parameter
Nilai pembobotan pakar
Panjang
0.50
Tinggi
0.50
Mata
0.25
Warna sisik tubuh bagian atas
0.75
Warna sisik tubuh bagian bawah
0.75
Ukuransisik
1.00
Berenang
0.25
Gerakan
0.25
Penentuan Varietas Ikan Mas dengan Metode Klasifikasi KNN
Setelah perhitungan aggregate telah diketahui, maka selanjutnya tahap yang
akan dilakukan yaitu menentukan kelas sesuai dengan tahapan KNN. Pada sistem
ini penentuan nilai k pada KNN yaitu k = 3, 5, dan 7.
Dari keseluruhan nilai aggregate yang diperoleh berdasarkan perhitungan
antara data latih dan data uji, selanjutnya akan dibandingkan dan diambil sesuai
dengan k yang sudah ditentukan, misalkan dengan k = 3 berarti ambil 3 nilai
aggregate yang terkecil dari keseluruhan data. Dari k terdekat ini akan ditentukan
kelas pemenang sebagai kelas yang paling sesuai dengan data uji yang diinputkan,
untuk melihat data uji yang terklasifikasi yang benar maka menggunakan
confusion matrix. Kemudian keakuratan klasifikasi akan diuji dengan menghitung
akurasi tiap subset pada keseluruhan nilai k.
Percobaan Tanpa Normalisasi
Sebelum diimplementasikan menggunakan bahasa pemrograman PHP,
perhitungan dilakukan secara manual dengan menggunakan Ms.Excel. Percobaan
diawali dengan pembagian data latih dan data uji menggunakan metode k-fold
cross validation dengan nilai pembagian k = 4. Dari 6 varietas ikan mas yang
digunakan sebagai kelas, masing-masing kelas memiliki data sebanyak 80 record
sehingga total data kelas yang diperoleh sebanyak 480 record.
Data masing-masing kelas 80 record dibagi menjadi 4 subset, setiap subset
berisi 20 record. Percobaan menggunakan 60 record sebagai data latih yang berisi
subset 1, 2, dan 3. Subset 4 yang berisi 20 record dijadikan data uji, percobaan
terus dilakukan hingga setiap subset pernah menjadi data uji (Tabel 10).

19
Percobaan pertama subset 1 menggunakan total data latih keseluruhan kelas
sebanyak 360 record yang berisi subset 2, 3, dan 4. Subset 1 yang berisi 20 record
pada satu kelas dijadikan data uji. Data tersebut kemudian diterapkan dalam
metode KNN melalui tahap-tahap berikut:
1
Setiap record data uji dihitung jaraknya ke setiap record data latih untuk
mengetahui kedekatan antara data uji dengan data latih. Untuk variabel
bertipe numerik dan ordinal menggunakan jarak Euclidean yaitu selisih
antara data latih dengan data uji. Untuk variabel bertipe nominal
menggunakan nominal distance, jika data uji sama dengan data latih maka
bernilai 0 dan jika data uji dengan data latih berbeda maka bernilai 1.
2
Hasil perhitungan jarak Euclidean dan nominal distance digabungkan
dengan menggunakan rumus aggregate. Pemberian bobot 0.5 untuk
parameter panjang dan tinggi, 0.25 untuk parameter mata, berenang dan
gerakan, bobot 0.75 untuk parameter warna sisik tubuh atas dan bawah,
serta bobot 1 pada ukuran sisik. Pemberian bobot disesuaikan dengan
tingkatan parameter yang paling mengidentifikasi ikan mas, sebagai contoh
bobot dengan nilai 1 merupakan kunci identifikasi yang paling menentukan
karakteristik ikan mas. Pemberian bobot ditentukan oleh pakar.
3
Penentuan nilai k tetangga terdekat pada percobaan pertama dilakukan
dengan mencoba nilai k tetangga terdekat yaitu 3, 5 dan 7 dalam metode
KNN. Percobaan akan dilakukan sebanyak 4 kali untuk masing-masing nilai
k yaitu percobaan untuk subset 1, 2, 3, dan 4.
Akurasi klasifikasi tiap percobaan dan akurasi rata- rata diperlihatkan pada
Tabel 12.
Tabel 12 Akurasi rata-rata tiap k percobaan tanpa normalisasi
perhitungan manual pada Ms.Excel
Subset
1
2
3
4
Akurasi rata-rata

3
93.33%
95.83%
95.00%
94.17%
94.58%

K
5
93.33%
90.83%
91.67%
88.33%
91.04%

7
92.50%
88.33%
89.17%
88.33%
89.58%

Dari Tabel 13 terlihat bahwa hasil akurasi rata-rata percobaan tanpa
normalisasi, tertinggi saat k tetangga terdekat = 3 yaitu 94.58% dan terendah k = 7
yaitu 89.58%. Sedangkan hasil akurasi dari seluruh subset, tertinggi saat k = 3
subset 2 yaitu 95.83% dan terendah k = 5 dan 7 subset 4 yaitu 88.58%.
Untuk melihat banyaknya baris data ujiyang terklasifikasi ditampilkan
dalam bentuk confusion matrix. Sebagai contoh Tabel 13 merupakan confusion
matrix percobaan tanpa normalisasi dengan akurasi terendah. Keseluruhan
confusion matrix percobaan tanpa normalisasi pada Lampiran 6, 7, dan 8.

20
Confusion matrix percobaan tanpa normalisasi perhitungan manual
Ms.Excel saat subset 4 k = 5
Kelas hasil prediksi
Kelas aktual
majalaya
kaca
sinyonya
merah
punten
taiwan
majalaya
19
0
0
1
0
0
kaca
0
19
0
1
0
0
sinyonya
0
0
17
0
0
3
merah
0
0
1
18
0
1
punten
4
0
0
0
16
0
taiwan
0
1
0
2
0
17
Tabel 13

106
x 100%=88.33%
120
Kesalahan klasifikasi disebabkan karena beberapa varietas ikan mas
memiliki beberapa kemiripan karakteristik yaitu terletak pada parameter kunci
identifikasi varietas. Sebagai contoh, ketika varietas ikan mas punten
teridentifikasi sebagai ikan mas majalaya, hal ini terjadi karena memiliki
kemiripan dalam parameter kunci identifikasi yaitu warna sisik tubuh bawah,
mata dan ukuran sisik. Selain itu perbedaan range parameter numerik yang terlalu
jauh menyebabkan kesalahan dalam klasifikasi. Tabel 14 merupakan hasil
perhitungan jarak kedekatan.
akurasi=

Tabel 14 Jarak kedekatan percobaan tanpa normalisasi
perhitungan manual Ms.Excel subset 4 k = 5
Jarak
Kelas
Urutan
0.4593
punten
1
0.8870
majalaya
2
0.8870
majalaya
2
0.8870
majalaya
2
0.9968
majalaya
5
Percobaan Dengan Normalisasi
Percobaan dilakukan dengan memberikan tahap normalisasi pada data yang
akan digunakan. Sama halnya dengan tanpa normalisasi percobaan diawali
dengan pembagian data latih dan data uji menggunakan metode k-fold cross
validation dengan nilai pembagian k = 4. Dari 6 varietas ikan mas yang digunakan
sebagai kelas, masing-masing kelas memiliki data sebanyak 80 record sehingga
total data kelas yang diperoleh sebanyak 480 record.
Data masing-masing kelas 80 record dibagi menjadi 4 subset, setiap subset
berisi 20 record. Percobaan menggunakan 60 record sebagai data latih yang berisi
subset 1, 2, dan 3. Subset 4 yang berisi 20 record dijadikan data uji, percobaan
terus dilakukan hingga setiap subset pernah menjadi data uji (Tabel 10).
Percobaan pertama subset 1 menggunakan total data latih keseluruhan kelas
sebanyak 360 record yang berisi subset 2, 3, dan 4. Subset 1 yang berisi 20 record
pada satu kelas dijadikan data uji. Data tersebut kemudian diterapkan dalam
metode KNN melalui tahap-tahap berikut:

21
1

Data latih dan data uji yang digunakan akan diterapkan normalisasi telebih
dahulu sebelum menghitung jarak kedekatan, normalisasi bertujuan untuk
menyamakan range antar parameter. Untuk mendapatkan range antara 0-1
digunakan min-max normalization, sesuai dengan Persamaan 1.
2
Setiap record data uji dihitung jaraknya ke setiap record data latih untuk
mengetahui kedekatan antara data uji dengan data latih. Untuk variabel
bertipe numerik dan ordinal menggunakan jarak Euclidean yaitu selisih
antara data latih dengan data uji. Untuk variabel bertipe nominal
menggunakan nominal distance, jika data uji sama dengan data latih maka
bernilai 0 dan jika data uji dengan data latih berbeda maka bernilai 1.
3
Hasil perhitungan jarak Euclidean dan nominal distance digabungkan
dengan menggunakan rumus aggregate. Pemberian bobot disesuaikan
dengan kunci yang paling mengidentifikasi ikan mas (Tabel