Sistem Identifikasi Famili Secara Otomatis Berbasis Teks Menggunakan Dokumen Etnofitomedika

SISTEM IDENTIFIKASI FAMILI SECARA OTOMATIS
BERBASIS TEKS MENGGUNAKAN DOKUMEN
ETNOFITOMEDIKA

RYANTIE OCTAVIANI SUGANDA

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

SISTEM IDENTIFIKASI FAMILI SECARA OTOMATIS
BERBASIS TEKS MENGGUNAKAN DOKUMEN
ETNOFITOMEDIKA

RYANTIE OCTAVIANI SUGANDA

Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer pada

Departemen Ilmu Komputer

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

ABSTRACT
RYANTIE OCTAVIANI SUGANDA. Text Based Automatic Family Identification System Using
Etnofitomedika Document. Supervised by YENI HERDIYENI and ELLYN K. DAMAYANTI.
This research represents a text-based system that can be used for automatic identification
of plant families according to the taxonomy of plants. The identification was done by utilizing
information from etnofitomedika documents on plant characteristics that can represent the family
of each plant including morphology, habitats, habitus, and biochemical compounds. The method
used in this research is Chi-Square method to select important words in each document and Naïve
Bayes method to classify the words. The experimental results showed that the critical value using
significance level of 0,001 had better accuracy than the critical value using significance level of
0,01. The accuracy of classification systems based on family category using K-fold cross
validation with significance value of 0,001 was 85,5%. It was found this system is useful in

helping users especially researchers and taxonomists for plant family identification. Furthermore,
it can help strengthening the knowledge on biodiversity and the use of medical plants.

Keywords: chi–square, document classification, document identification, k-fold cross validation,
naive bayes classifier.

Judul Skripsi
Nama
NIM

: Sistem Identifikasi Famili Secara Otomatis Berbasis Teks Menggunakan
Dokumen Etnofitomedika
: Ryantie Octaviani Suganda
: G64080030

Menyetujui:
Pembimbing

Pembimbing

Dr. Yeni Herdiyeni, S.Si., M.Kom.
NIP. 19750923 200012 2 001

Ellyn K. Damayanti,Ph.D.Agr.

Mengetahui:
Ketua Departemen Ilmu Komputer

Dr. Ir. Agus Buono, M.Si, M.Kom
NIP.196607021993021001

Tanggal Lulus:

PRAKATA
Puji dan syukur penulis panjatkan ke hadirat Allah subhanahu wa-ta'ala atas segala
rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan tugas akhir dengan judul Sistem
Identifikasi Famili secara Otomatis Berbasis Teks Terhadap Dokumen Etnofitomedika. Penelitian
ini dilaksanakan mulai Desember 2011 sampai dengan Januari 2013 dan bertempat di Departemen
Ilmu Komputer Institut Pertanian Bogor.
Penulis juga menyampaikan terima kasih kepada pihak-pihak yang telah membantu

dalam penyelesaian tugas akhir ini,yaitu:
1
2
3
4

5

6
7
8

Ayahanda Suganda, Ibunda Dharma Astuti, adikku Ferdimas, dan MUSA big family yang
selalu memberikan kasih sayang, semangat, dan doa.
Ibu Dr. Yeni Herdiyeni, S.Si., M.Kom. dan Ibu Ellyn K. Damayanti, Ph.D.Agr. selaku
dosen pembimbing yang telah memberikan arahan dan bimbingan dengan sabar kepada
penulis dalam menyelesaikan skripsi ini.
Bapak Endang Purnama Giri,S.Kom, M.Kom selaku dosen penguji.
Mayanda Mega Santoni, Ni Kadek Sri Wahyuni, Oki Maulana, Siska Susanti, Kak Pauzi,
Pak Rico, Mbak Gibtha, Kak Rahmat, Kak Muchlis dan teman-teman satu bimbingan

yang selalu memberikan masukan, saran, dan semangat kepada penulis, specially for Ka
Desta yang telah banyak membantu dan memberi semangat dalam melakukan penelitian
ini.
Para sahabat seperjuangan Hafizhia Dhikrul A, Ilman Dwi S, Putrantio J, Anita Dly, Tiara
Mitra Lia, Niken Eka, Meri Marliana, Cut Malisa Irwan, Annisa A, Ardini yang selalu
mendukung dan selalu bersama penulis dikala senang maupun sedih.
Para sahabat Hutomo Triasmoro, M. Rifkiansyah, Rahmat Hafid, M.Wahyu, Jaka Ahmad,
Tenri T. Talkanda, dan Irvan Raditya Putra yang selalu member semangat dan motivasi.
Rekan-rekan di Departemen Ilmu Komputer IPB angkatan 45 atas segala kebersamaan,
canda tawa, dan kenangan indah yang telah mengisi kehidupan penulis selama di kampus.
Teman-teman Genggong, kostan putri Asy-Syifa, DBM F.L.C, DBM Depok, DBM
Timur, Transformatika, dan AGRIC IPB.

Penulis menyadari bahwa masih banyak kekurangan yang ditemukan dalam tugas akhir
ini. Penulis berharap adanya saran dan kritik yang membangun dari semua pihak yang membaca
tulisan ini. Semoga tulisan ini bermanfaat dan dapat menambah wawasan ilmu pengetahuan bagi
penulis khususnya dan pembaca umumnya.

Bogor, Januari 2013

Ryantie Octaviani Suganda

RIWAYAT HIDUP
Penulis dilahirkan di Tengerang pada tanggal 17 Oktober 1990 dari ayah Suganda dan ibu
Dharma Astuti. Penulis merupakan putri pertama dari dua bersaudara. Penulis merupakan lulusan
dari SMAN 101Jakarta (2005-2008), SMPN 142Jakarta (2002-2005), SDNSudimara 7 Ciledug
(1996-2002) dan TK Islam Al-Azhar (1994-1996).
Saat ini penulis sedang menempuh studi S1 di Departemen Ilmu Komputer, Fakultas
MIPA, Institut Pertanian Bogor, sejak tahun 2008 sampai dengan sekarang. Selama mengikuti
perkuliahan, penulis aktif dalam kegiatan kampus seperti kepanitiaan dalam suatu acara di IPB
maupun acara yang diselenggarakan oleh Departemen Ilmu Komputer. Penulis berkedudukan
sebagai staff Marketing and Relationship (MR) di HIMALKOM, dan anggota UKM Basket IPB.
Pada bulan Juli hingga Agustus 2011, penulis melaksanakan kegiatan Praktik Kerja
Lapangan di Bank Indonesia. Selain kuliah, penulis juga aktif sebagai asisten praktikum. Mata
kuliah yang pernah diamanahkan kepada penulis yaitu Basis Data. Penulis dapat dihubungi melalui
email di alamat ryantieoctavianisuganda@ymail.com.

DAFTAR ISI
Halaman
DAFTAR TABEL ......................................................................................................................vi

DAFTAR GAMBAR ..................................................................................................................vi
DAFTAR LAMPIRAN ...............................................................................................................vi
PENDAHULUAN .......................................................................................................................1
Latar Belakang ........................................................................................................................1
Tujuan Penelitian.....................................................................................................................1
Ruang Lingkup ........................................................................................................................1
TINJAUAN PUSTAKA ..............................................................................................................2
Etnofitomedika ........................................................................................................................2
Taksonomi ..............................................................................................................................2
Pemilihan Fitur Dokumen ........................................................................................................2
Klasifikasi ...............................................................................................................................2
Chi-Kuadrat (χ2)......................................................................................................................2
Naïve Bayes Classifier .............................................................................................................3
Confusion Matrix ....................................................................................................................4
K-Fold Cross Validation ..........................................................................................................4
METODE PENELITIAN .............................................................................................................4
Wawancara..............................................................................................................................5
Dokumen Etnofitomedika ........................................................................................................5
Praproses Data.........................................................................................................................6
Pembagian Data.......................................................................................................................6

Pemilihan Fitur ........................................................................................................................6
KlasifikasiNaive Bayes ............................................................................................................6
Evaluasi ..................................................................................................................................7
Lingkungan Pengembangan Sistem ..........................................................................................7
HASIL DAN PEMBAHASAN ....................................................................................................7
Dokumen Etnofitomedika ........................................................................................................7
Praproses Data.........................................................................................................................7
Pemilihan Fitur ........................................................................................................................7
Evaluasi Kinerja Sistem Klasifikasi .........................................................................................7
Analisis Dokumen ............................................................................................................... 7
Analisis waktu eksekusi....................................................................................................... 9
Evaluasi K-fold cross validation............................................................................................. 10
KESIMPULAN DAN SARAN .................................................................................................. 10
Kesimpulan ........................................................................................................................... 10
Saran ..................................................................................................................................... 10
DAFTAR PUSTAKA ................................................................................................................ 10
LAMPIRAN .............................................................................................................................. 12

v

DAFTAR TABEL
Halaman
1
2
3
4
5
6
7
8

Kategori dan golongan tumbuhan ............................................................................................. 2
Tabel kontingensi..................................................................................................................... 3
Nilai kritis χ2 dengan derajat bebas satu dan taraf nyata α ......................................................... 3
Confusion matrix untuk klasifikasi biner ................................................................................... 4
Distribusi dokumen famili ........................................................................................................ 7
Persamaan ciri pada famili Rutaceae dan Myrtacea ................................................................... 8
Ciri atau karakteristik ordo Rutales dan Myrtales (Tjitrosoepomo 1994).................................... 9
Hasil akurasi menggunakan k-fold .......................................................................................... 10

DAFTAR GAMBAR
Halaman
1
2
3
4
5

Metode penelitian .................................................................................................................... 5
Format koleksi dokumen .......................................................................................................... 5
Grafik hasil klasifikasi dokumen etnofitomedika....................................................................... 8
Grafik kinerja rataan pemilihan fitur ......................................................................................... 9
Alur taksonomi famili Rutacea dan famili Myrtaceae .............................................................. 10

DAFTAR LAMPIRAN
Halaman
1
2
3
4

Daftar jenis tumbuhan obat Indonesia yang digunakan dalam penelitian .................................. 13
Tabel distribusi chi-kuadrat pada berbagai tingkat signifikansi dan derajat bebas tertentu ........ 16
Confusionmatrix untuk kelas family pada nilai signifikansi 0.001 ............................................ 17
Perbandingan antara dokumen dengan buku panduan.............................................................. 18

vi

1

PENDAHULUAN
Latar Belakang
Indonesia sebagai negara tropis
memiliki keanekaragaman hayati yang
tinggibaik secara kualitas maupun kuantitas,
salah satunya yaitu tumbuhan obat. Terdapat
38.000 spesies tumbuhan di Indonesia
dengan jumlah spesies endemik sebanyak
55% (Damayanti et al. 2011). Sampai tahun
2001, Laboratorium Konservasi Tumbuhan,
Fakultas Kehutanan IPB hanya dapat
mengidentifikasikan 2.039 spesies tumbuhan
obat yang berasal dari ekosistem hutan
Indonesia (Zuhud 2009). Keanekaragaman
tumbuhan obat dapat dikategorikan kedalam
kelompok
famili,
habitat,
habitus,
pemanfaatan, dan bagian tanaman yang
digunakan sebagai obat. Penggunaan
tumbuhan sebagai obat-obatan selalu dengan
cara tradisional yaitu dengan resep yang
diwariskan oleh nenek moyang bangsa
Indonesia. Potensi tumbuhan obat di
Indonesia sebagian besar disimpan dalam
bentuk pengetahuan masyarakat tradisional
atau etnis suatu daerah. Pengetahuan ini
memunculkan bidang kajian baru dalam
dunia
ilmu
pengetahuan,
yaitu
etnofitomedika
yang
merupakan
pengetahuan pemanfaatan potensi tumbuhan
untuk obat tradisional yang erat kaitannya
dengan kebiasaan atau tradisi serta
kebudayaan
setempat
(Sangat
2000).Indonesia memiliki lebih dari 550
etnis yang menyebar dari bagian barat Pulau
Sumatera ke bagian timur Indonesia
(Damayanti et al. 2011). Antar etnis dapat
menggunakan spesies dan bagian tumbuhan
yang sama atau berbeda. Hal ini tergantung
pada pengalaman mereka dan mewariskan
resep dari nenek moyang mereka. Adapun
masalah
yang
ditemukan
dalam
keanekaragaman tersebut yaitu dalam
pengidentifikasian spesies.
Keterbatasan pengetahuan penduduk
setempat akan keanekaragaman dan
penggunaan tumbuhan obat menjadi salah
satu masalah dalam pengidentifikasian.
Selain itu ada beberapa masalah lainnya,
seperti terbatasnya jumlah buku identifikasi
dan banyaknya halaman di setiap buku
identifikasi atau buku panduan yang
menyulitkan untuk dibawa kelapangan,
terbatasnya jumlah instansi yang berwenang
dan fasilitas untuk identifikasi tumbuhan,
terbatasnya jumlah taksonom di setiap
instansi yang dapat mengidentifikasi

tumbuhan secara ilmiah, dan banyaknya
tenaga, waktu, dan uang yang diperlukan
untuk melakukan identifikasi tersebut. Saat
ini sudah banyak riset yang meneliti tentang
etnofitomedika. Banyak informasi yang
terkandung dalam tiap dokumen, misalnya
informasi mengenai deskripsi tumbuhan
seperti ciri-ciri atau karakteristik dan famili
tumbuhan, manfaat tumbuhan, etnis,
kandungan kimia yang terkandung dalam
tumbuhan dan masih banyak informasi
lainnya. Saat ini klasifikasi dilakukan secara
manual, yaitu dengan cara mengamati
lingkungan sekitar dan menganalisa ciri atau
karakteristik dari tumbuhan obat secara
langsung atau mencocokkan pada tiap
dokumen. Cara tersebut membutuhkan
waktu lama dan merepotkan sehingga perlu
adanya sistem pengidentifikasian otomatis
pada dokumen etnofitomedika.
Pada penelitian sebelumnya telah
dilakukan perbandingan mengenai ekstraksi
ciri dokumen tumbuhan obat menggunakan
Chi-Kuadratdan
menggunakan
teknik
document thresholding frequency (df)
dengan klasifikasi Naïve Bayes (Herawan
2011) dan ekstraksi ciri dokumen tumbuhan
obat menggunakan Chi-Kuadrat dengan
klasifikasi algoritma KNN Fuzzy (Paskianti
2011). Pengelompokan atau klasifikasi
tumbuhan obat perlu dilakukan dengan cara
mengembangkan teknologi untuk mengatasi
masalah dalam identifikasi tumbuhan. Hal
tersebut menjadi tantangan bagi ilmuwan di
bidang komputer dan teknologi informasi
untuk memahami bagaimana taksonomis
mengidentifikasi tumbuhan. Oleh sebab itu,
pada penelitian ini akan dikembangkan
sistem identifikasi otomatis berdasarkan
kelompok famili berbasis teks dengan
menggunakan dokumen etnofitomedika.
Tujuan Penelitian
Tujuan penelitian ini adalah
1

Mengembangkan sistem berbasis teks
yang
dapat
digunakan
untuk
pengidentifikasian
famili
secara
otomatis sesuai dengan taksonomi.

2

Mengetahui akurasi kinerja sistem.

Ruang Lingkup
Ruang lingkup penelitian ini adalah
dokumen etnofitomedika yang didapatkan
dari berbagai sumber buku dan hasil riset
yang sudah ada. Pengelompokkan atau

2

pengklasifikasian
etnofitmedika
berdasarkan kategori famili.

hanya

TINJAUAN PUSTAKA
Etnofitomedika
Menurut
Damayanti
(2010),
etnofitomedika
adalah
keterkaitan
pengetahuan lokal etnis tertentu yang
menghuni
kawasan
hutan
dengan
keanekaragaman spesies tumbuhan yang
dapat dijadikan bahan pengobatan yang
berkaitan dengan tumbuhan obat. Sangat
(2000) menyatakan bahwa etnofitomedika
merupakan
pengetahuan
pemanfaatan
potensi tumbuhan untuk obat tradisional
yang erat kaitannya dengan kebiasaan atau
tradisi serta kebudayaan setempat (local
knowledge).
Taksonomi
Taksonomi tumbuhan merupakan ilmu
yang
mempelajari
tentang
berbagai
penelusuran jenis tumbuhan, penyimpanan
herbarium tumbuhan, pengenalan atau
identifikasi tumbuhan, pengelompokan atau
klasifikasi tumbuhan, dan pemberian nama
tumbuhan (Tjitrosoepomo 1994). Taksonomi
tumbuhan lebih banyak mempelajari aspek
penanganan sampel-sampel (spesimen)
tumbuhan dan pengelompokan (klasifikasi).
Ilmu taksonomi tumbuhan mengalami
banyak
perubahan
cepat
semenjak
digunakannya berbagai teknik biologi
molekular dalam berbagai kajiannya. Contoh
kategori dan golongan tumbuhan dapat
dilihat pada Tabel 1.
Tabel 1 Kategori dan golongan tumbuhan
Kategori

Golongan

Kingdom

Plantae

Divisio

Spermatophyta

Sub-divisio

Angiospermae

Classis

Dicotyledoneae

Ordo

Guttiferales

Familia

Dipterocarpaceae

Genus

Shorea

Species

Shorea pinanga

Pemilihan Fitur Dokumen
Pemilihan fitur dokumen merupakan
suatu proses memilih kata terbaik pada tiap

dokumen.
Kata
tersebut
merupakan
himpunan dari semua kata yang ada pada
data latih. Pemilihan fitur dokumen memiliki
dua tujuan utama, yaitu membuat data latih
yang diterapkan oleh sistem klasifikasi
menjadi lebih sederhana serta untuk
meningkatkan akurasi sistem klasifikasi.
Peningkatan akurasi sistem klasifikasi
disebabkan oleh dihilangkannya kata-kata
yang bukan merupakan penciri dokumen
yang dilakukan pada proses penghilangan
fitur (Manning et al.2008). Dalam penelitian
ini, data yang digunakan adalah dokumen
etnofitomedika yang berasal dari beberapa
dokumen hasil riset dan buku tumbuhan
obat. Dokumen yang digunakan dibuat
dalam format xml. Data dari himpunan
tersebut akan digunakan sebagai penciri
dokumen yang akan diklasifikasikan.
Klasifikasi
Klasifikasi adalah proses untuk
menentukan kelas dari suatu objek tertentu.
Proses klasifikasi dibagi menjadi dua tahap,
yaitu tahapan pembelajaran dan pengujian.
Pada tahap pembelajaran, sebagian data
yang telah diketahui kelasnya yang disebut
sebagai data latih digunakan untuk membuat
model klasifikasi. Tahap pengujian adalah
tahap menguji data uji dengan model
klasifikasi untuk mengetahui akurasi model
klasifikasi tersebut. Jika akurasi cukup maka
model tersebut dapat digunakan untuk
memprediksi kelas data yang belum
diketahui (Han dan Kamber 2006).
Pada
klasifikasi
dokumen,
permasalahan yang muncul adalah sebagai
berikut: diberikan sebuah deskripsi d ∈ X
dari sebuah dokumen dimana X merupakan
ruang
dokumen.
Sebuah
himpunan
tetapkelas C = c1, c2, c3, …,cj , dengan
menggunakan algoritma pembelajaran,
dilakukan proses pembelajaran terhadap
fungsi klasifikasi γ sehingga dapat
memetakan dokumen � pada kelas C.
γ: X→C

Chi-Kuadrat (χ2 )
Chi-Kuadrat (χ2 ) merupakan pengujian
hipotesis mengenai perbandingan antara
frekuensi sampel yang benar-benar terjadi
(frekuensi observasi) dengan frekuensi
harapan yang didasarkan atas hipotesis
tertentu pada setiap kasus atau data
(frekuensi harapan atau ekspetasi). Sampel
berukuran N diambil dari suatu populasi
normal berdeviasi standar σ. Untuk setiap

3

sampel dihitung nilai χ2 sehingga diperoleh
distribusi sampling untuk χ2 yang disebut
distribusi Chi-Kuadrat.
Distribusi Chi-Kuadrat tergantung pada
satu parameter, yaitu derajat kebebasan (df).
Berikut adalah rumus untuk menghitung
besarnya jumlah derajat bebas dari suatu
kasus dan menghitung derajat bebas saat
menggunakan tabel kontingensi
v = N-1
v = R-1 x C-1
dengan N adalah ukuran sampel yang
diambil, R adalah jumlah baris dan C adalah
jumlah kolom.
Hipotesis H0 dapat digunakan untuk
menguji pengaruh antara frekuensi observasi
dengan frekuensi harapan. Hipotesis nol
berarti tidak ada perbedaan yang signifikan
antara frekuensi observasi dengan frekuensi
harapan. Hipotesis nol dapat diterima
apabila nilai �2 < nilai kritis pada derajat
bebas dan tingkat nilai signifikan tertentu,
sedangkan hipotesis nol ditolak ketika nilai
�2 > nilai kritis pada derajat bebas dan
tingkat nilai signifikan tertentu.

Perhitungan nilai Chi-Kuadratdapat
dibantu dengan tabel kontingensi. Nilai pada
tabel kontingensi merupakan nilai frekuensi
observasi dari suatu kata terhadap
kelas.Tabel kontingensi dapat dilihat pada
Tabel 2.
Tabel 2 Tabel kontingensi
Kelas

Kelas = 1

Kelas = 0

Kata = 1

A

B

Kata = 0

C

D

Kata

Perhitungan nilai Chi-Kuadrat berdasarkan
tabel kontingensi disederhanakan sebagai
berikut:
X(t, c)2 =

N(AD-CB)

2

A+C B+D A+B (C+D)

(1)

Dari rumus diatas, t merupakan kata
yang sedang diujikan terhadap suatu kelas c.
Jumlah dokumen latih dilambangkan dengan
N. Banyaknya dokumen pada kelas c yang
memuat kata t dilambangkan dengan A,
banyaknya dokumen yang tidak berada di
kelas c namun memuat kata t dilambangkan
dengan huruf B, banyaknya dokumen yang

berada di kelas c namun tidak memiliki kata
t
dilambangkan
dengan
huruf
C,
danbanyaknya dokumen yang bukan
merupakan dokumen kelas c dan tidak
memuat kata t dilambangkan dengan huruf
D.
Pengambilan keputusan berdasarkan
nilai χ2 dari masing-masing kata. Kata yang
memiliki nilai χ2 di atas nilai kritis pada
tingkat signifikasi α adalah kata yang dipilih
sebagai penciri dokumen, sehingga kata
yang dipilih sebagai penciri dokumen
merupakan kata yang memiliki pengaruh
terhadap kelas c. Nilai kritis �2 dengan
derajat bebas satu dan taraf nyata �
ditunjukkan oleh Tabel 3. Tabel distribusi
chi-kuadrat
pada
berbagai
tingkat
signifikansi dan derajat bebas tertentu dapat
dilihat pada Lampiran 2.
Tabel 3 Nilai kritis χ2 dengan derajat bebas
satu dan taraf nyata α
�

0,1

2,71

0,05

3,84

0,01

6,63

0,005

7,83

0,001

10,83

Nilai Kritis

Naïve Bayes Classifier
Metode
klasifikasi
yang
mengasumsikan seluruh atribut yang bersifat
independent satu sama lain pada konteks
kelas yaitu metode Naïve Bayes (McCallum
dan Nigam 1998). Peluang Bayes dapat
digunakan untuk menghitung peluang
bersyarat, yaitu peluang kejadian apabila
suatu kejadian diketahui. Metode ini dapat
memprediksi kemungkinan anggota suatu
kelas berdasarkan sampel yang berasal dari
anggota kelas tersebut (Manning 2008).
Klasifikasi Naïve Bayes termasuk dalam
model multinomial yang mengambil jumlah
kata yang muncul pada sebuah dokumen.
Pada model ini sebuah dokumen terdiri atas
beberapa kejadian kata. Berdasarkan asumsi
Bayes, kemungkinan tiap kejadian kata
dalam tiap dokumen adalah bebas, tidak
terpengaruh dengan konteks kata dan posisi
kata dalam dokumen. Berdasarkan teori
Bayes, peluang dokumen d untuk masuk ke

4

dalam kelas c atau P c d ditunjukkan pada
Persamaan 2:
Pcd =

P d c P(c)
P(d)

Class = 1

(3)

Rumus untuk menghitung nilai peluang
dokumen masuk ke dalam kelas c dan
peluang kemunculan dokumen d berada
pada kelas c adalah

Pc =

Nc
danP d c =
N

Tcd
d∈V Tcd

Dengan Nc adalah banyaknya dokumen
dalam kelas c, N adalah total dokumen, Tcd
adalah banyaknya d dalam dokumen latih
dari kelas c.
Menurut Manning et al. (2008) kelas
yang paling sesuai bagi dokumen d adalah
kelas yang memiliki nilai �
paling
tinggi yaitu seperti ditunjukkan pada
Persamaan 4:
max P d c P(c)
c ∈C

Predicted Class

(2)

dengan P(d|c) adalah peluang kemunculan
dokumen d di kelas c, �
adalah peluang
awal suatu dokumen masuk ke dalam kelas
c, dan P(d) adalah peluang awal kemunculan
dokumen d. Peluang awal kemunculan
dokumen d dapat diabaikan karena memiliki
nilai yang sama untuk seluruh kelas c,
sehingga Persamaan 2 dapat disederhanakan
dalam Persamaan 3:
P cd =P dc P c

Tabel 4 Confusion matrix untuk klasifikasi
biner

(4)

Nilai peluang awal P(c) dapat diestimasi
dengan melihat jumlah dokumen yang
dimiliki oleh kelas c relatif terhadap jumlah
seluruh dokumen yang ada.
Confusion Matrix
Confusion matrix merupakan sebuah
tabel yang terdiri atas banyaknya baris data
uji yang diprediksi benar dan salah oleh
model klasifikasi, yang digunakan untuk
menentukan kinerja suatu model klasifikasi.
Data uji diujikan untuk mendapatkan tingkat
akurasi hasil prediksi yang berupa jumlah
true positive, true negative, false positive,
dan false negative seperti yang dilihat pada
Tabel 4 (Herawan 2011).

Actual
Class

Class = 0

Class = 1

F11

F10

Class = 0

F01

F00

Keterangan untuk Tabel
sebagai berikut:

4

dinyatakan



F11, yaitu jumlah dokumen dari kelas 1
yang benar diklasifikasikan sebagai
kelas 1.



F00, yaitu jumlah dokumen dari kelas 0
yang benar diklasifikasikan sebagai
kelas 0.



F01, yaitu jumlah dokumen dari kelas 0
yang salah diklasifikasikan sebagai
kelas 1.

 F10, yaitu jumlah dokumen dari kelas 1
yang salah diklasifikasikan sebagai kelas
0.
Perhitungan akurasi
Persamaan 5.
Akurasi =

dinyatakan
F11+F00

F11+F10+F01+F00

dalam

(5)

K-Fold Cross Validation
Dalam K-fold cross validation data akan
dibagi ke dalam k buah partisi dengan
ukuran
yang
sama
D1 , D2 , D3 ,…, Dk. Pelatihan dan pengujian
dilakukan sebanyak k kali. Dalam iterasi kei, partisi �� akan menjadi data uji, selainnya
menjadi data latih. 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 menjadi data latih, dan
seterusnya (Han dan Kamber 2006).

METODE PENELITIAN
Penelitian ini dilaksanakan dalam
beberapa tahapan. Tahap awal pada
penelitian ini yaitu peneliti melakukan tahap
wawancara
kepada
para
pakar
etnofitomedika. Data yang diproses dalam
sistem ini adalah koleksi dokumen
etnofitomedika, seperti dokumen hasil riset
maupun buku tentang etnofitomedika.

5

Dokumen tersebut diubah menjadi bentuk
format xml. Daftar kata buang atau
stopwords merupakan input lain yang akan
digunakan pada tahapan praproses data.
Tahap selanjutnya adalah pembagian
dokumen yaitu data latih dan data uji yang
dilakukan melalui dua cara yaitu dengan
mebagi 70 : 30 dan dengan menggunakan
metode K-fold cross validationdengan K=2,
kemudian dilakukan proses pemilihan fitur
pada dokumen latih dan hasilnya digunakan
sebagai landasan dalam pembuatan vector
space model yang akan dimanfaatkan untuk
melakukan pembobotan terhadap kata
sehingga akan merepresentasikan dokumen
dalam bentuk vektor. Tahap berikutnya
adalah melakukan klasifikasi menggunakan
Naive Bayes pada dokumen uji yang belum
diketahui kelasnya yang bertujuan untuk
membangun model klasifikasi.Tahapan pada
penelitian ini diilustrasikan pada Gambar 1.
Wawancara

Wawancara
Pada
penelitian
ini
dilakukan
wawancara terhadap salah satu pakar
tumbuhan obat. (Hikmat Agus 3 Januari
2012, komunikasi pribadi) menyatakan
bahwa etnofitomedika merupakan interaksi
antara manusia dengan tumbuhan obat yang
berhubungan dengan suatu etnis tertentu.
Tiap entis memiliki tumbuhan obat yang
beraneka ragam. Tidak semua penduduk
setempat mengetahui jenis dan manfaat dari
tumbuhan tersebut. Saat ini sudah banyak
riset yang meneliti tentang etnofitomedika
tetapi masih dalam bentuk laporan atau
makalah dan tidak terstruktur. Masyarakat
pada umumnya membutuhkan informasi
mengenai tumbuhan obat di tiap etnis yang
berbeda. Adapun informasi yang dibutuhkan
untuk mengidentifikasikan etnofitomedika,
yaitu berupa etnis, penyakit, nama lokal,
nama ilmiah, famili, penggunaan, bagian,
dan deskripsi.
Dokumen Etnofitomedika

Dokumen
Etnofitomedika

Praproses

Pembagian Data

Data Latih

Data Uji

Dokumen yang digunakan pada
penelitian ini adalah suatu data yang memuat
informasi mengenai satu jenis tumbuhan
obat. Informasi tersebut didapatkan dari
beberapa laporan atau makalah hasil riset
dan buku tumbuhan obat. Dokumen tersebut
dibentuk dalam format xml. Koleksi
dokumen dijadikan sebagai korpus. Tiap
dokumen
merepresentasikan
informasi
mengenai jenistumbuhan obat berdasarkan
etnisyang berada di Indonesia yang meliputi
etnis, penyakit, nama lokal, nama ilmiah,
famili, penggunaan, bagian, dan deskripsi.
Koleksi dokumen bertipe file.xml dengan
contoh format dokumen yang terdapat pada
Gambar 2.

Pemilihan Fitur

Klasifikasi Naïve
Bayes

Model Klasifikasi

Evaluasi
Gambar 1 Metode penelitian
Gambar 2 Format koleksi dokumen

6



Dokumen dikelompokkan ke dalam tag
sebagai berikut:



, tag ini mewakili
keseluruhan dokumen dan melingkupi
tag-tag lain yang lebih spesifik.



, tag ini menunjukkan id dari
dokumen.



, tag ini menunjukkan
etnis dari tiap tumbuhan obat.



,
tag
ini
menunjukkan penyakit yang dapat
disembuhkan dari jenis tumbuhan obat.



, tag ini
menunjukkan nama dari suatu jenis
tanaman obat.



, tag ini
menunjukkan nama
ilmiah
dari
tumbuhan obat.



, tag ini menunjukkan
nama famili dari tanaman obat.



, tag ini
menunjukkan cara penggunaan dari
tanaman obat.



,
tag
ini
menunjukkan bagian yang digunakan
dari tanaman obat.



,
tag
ini
mewakili isi dari dokumen meliputi
deskripsi tumbuhan obat.

Praproses Data
Ada tiga tahap awal praproses data yaitu
lowercasing, tokenisasi, dan pembuangan
stopwords. Lowercasing adalah proses untuk
mengubah semua huruf menjadi non-capitalagar menjadi case-insensitive pada saat
dilakukan pemrosesan teks dokumen,
sedangkan tahap pemrosesan teks masukan
(input) yang dibagi menjadi unit-unit kecil
(token atau term) dapat berupa suatu kata
atau angka disebut sebagai tokenisasi.
Stopwords adalah daftar kata yang dianggap
tidak memiliki makna yaitu kata yang sering
muncul di setiap dokumen dan tidak bisa
dijadikan sebagai penciri suatu dokumen,
lalu daftar kata tersebut dibuang dan tidak
diikut sertakan pada tahap selanjutnya.
Pembagian Data
Dokumen etnofitomedika yang telah
melewati tahap praproses dibagi menjadi
dua, yaitu data latih dan data uji. Pembagian

data tersebut menggunakan metode K-fold
cross validation dengan K=2. Data latih
digunakan sebagai input pelatihan dalam
pengklasifikasian Naive Bayes dan data uji
digunakan untuk menguji model hasil
pelatihan Naive Bayes.
Pemilihan Fitur
Menurut Manning (2008), pemilihan fitur
memilik dua tujuan, yaitu mengurangi jumlah
kata yang digunakan dan meningkatkan
akurasi hasil klasifikasi. Pemilihan fitur
dilakukan pada vector term hasil dari tahap
praproses dengan menggunakan metode uji
chi-kuadrat, lalu fitur tersebut digunakan pada
tahap klasifikasi dokumen. Teknik chikuadrat memilih fitur berpengaruh dengan
menghitung nilai antara kata dengan kelas
yang dinyatakan dalam Persamaan 1.
Pemilihan fitur dilakukan pada dua
tingkat signifikansi, yaitu 0,01 dan 0,001.
Kata yang terpilih pada tingkat signifikansi
α=0,01 adalah kata yang memiliki nilai diatas
nilai kritis 6,63, sedangkan kata yang terpilih
pada tingkat signifikansi α=0,001 adalah kata
yang memiliki nilai di atas nilai kritis 10,83.
Fitur yang dihasilkan pada tahap ini akan
digunakan untuk membuat vector space
model. Model terdiri atas beberapa dokumen
yang direpresentasikan sebagai vektor dari
frekuensi kemunculan fitur.
KlasifikasiNaive Bayes
Ada 11 famili
dokumen, yaitu:

hasil

klasifikasi

1: Menispremaeceae

7: Apiaceae

2: Lamiaceae

8: Crassulaceae

3: Euphorbiaceae

9: Myrtaceae

4: Rutaceae

10: Araliaceae

5: Dioscoreaceae

11: Acanthaceae

6: Malvaceae
Pada Tabel 5 dijelaskan tentang distribusi
dokumen pada kategori kelas famili. Hasil
matriks kata pada vector space model yang
dihasilkan pada pemilihan fitur digunakan
untuk menglasifikasikan dokumen baru.
Tahap awal yang dilakukan yaitu dengan
menghitung peluang kata terhadap dokumen
latih yang dicerminkan oleh suatu kelas. Nilai
peluang kata yang diperoleh digunakan untuk
melakukan perhitungan Naive Bayes pada
dokumen uji, lalu diambil nilai peluang
terbesar dan nilai ini merupakan kelas dari

7

dokumen uji. Dokumen yang ditampilkan
diurutkan berdasarkan ranking dari tiap
dokumen.
Tabel 5 Distribusi dokumen famili
No

Kelas

Jumlah
Dokumen

1

Menispremaeceae

12

2

Lamiaceae

26

3

Euphorbiaceae

22

4

Rutaceae

27

5

Dioscoreaceae

2

6

Malvaceae

9

7

Apiaceae

22

8

Crassulaceae

17

9

Myrtaceae

18

10

Araliaceae

2

11

Acanthaceae

13

Evaluasi
Evaluasi
dilakukan pada model
klasifikasi. Evaluasi terhadap kinerja model
penglasifikasi Naive Bayes dilakukan
dengan menghitung persentase ketepatan
suatu dokumen etnofitomedika masuk ke
dalam kelas tertentu. Evaluasi untuk model
penglasifikasi Naive Bayes dinyatakan
dalam bentuk confusion matrix. Perhitungan
nilai akurasi terhadap model klasifikasi
diperoleh melalui Persamaan 5.
Lingkungan Pengembangan Sistem
Penelitian ini menggunakan perangkat
lunak dan perangkat keras dengan
spesifikasi adalah sebagai berikut:

HASIL DAN PEMBAHASAN
Dokumen Etnofitomedika
Penelitian ini menggunakan 170
dokumen etnofitomedika yang mencangkup
18 jenis tumbuhan obat, dapat dilihat pada
Lampiran 1. Dokumen tersebut terbagi
menjadi dua jenis data yaitu data latih dan
data
uji.
Pembagian
data
dengan
menggunakan perbandingan 70 : 30
menghasilkan 117 data latih dan 53 data uji.
Praproses Data
Praproses data menghasilkan daftar
term yang sudah melewati tahap tokenisasi
dan pembuangan stopwords. Jumlah
stopwords sebanyak adalah 662 kata.Kata
atau term akhir yang dihasilkan dari tahap
praproses berjumlah 12.137 untuk data latih
famili.
Pemilihan Fitur
Vektor kata unik yang telah dihasilkan
dari tahap praproses kemudian diproses pada
tahap pemilihan fitur dengan menggunakan
metode Chi-Kuadrat. Pemilihan fitur
dilakukan pada dua nilai signifikansi (Tabel
2), yaitu nilai signifikansi 0,01 dan 0,001.
Berdasarkan teori terpenuhinya hipotesis,
nilai signifikansi 0,01 diartikan sebagai
kriteria kata yang dipilih adalah kata yang
memiliki nilai χ2 diatas 6,63 dan nilai
signifikansi 0,001 dapat diartikan bahwa
kriteria kata yang dipilih adalah kata yang
memiliki nilai χ2 diatas 10,83. Tahap
pemilihan fitur menghasilkan 1.143 kata
penciri untuk signifikansi 0,01dan 865 kata
peciri untuk signifikansi 0,001. Kumpulan
kata yang dihasilkan pada tahapan pemilihan
fitur inilah yang kemudian akan diolah pada
sistem klasifikasi.
Evaluasi Kinerja Sistem Klasifikasi

a.

Perangkat lunak yang digunakan pada
penelitian ini adalah Sistem operasi
Microsoft Windows 7, Notepad++
sebagai code editor, Server XAMPP,
Perangkat lunak MySQL untuk
database, Web Browser (melalui Local
Area Connection): Mozilla Firefox dan
Google Chrome

Pengelompokkan atau pengklasifikasian
dokumen dilakukan pada kelas famili.Kelas
tersebut dapat diidentifikasikan melalui
informasi
yang memuat
ciri
atau
karakteristik dari suatu tumbuhan obat pada
tiap dokumen. Akurasi yang dihasilkan pada
klasifikasi dokumen dengan menggunakan
nilai signifikansi 0,001 adalah 77,35%.

b.

Perangkat keras yang digunakan pada
penelitian ini adalah Intel Core i3 @2.2
Ghz ,Memory 2GB RAM, harddisk
dengan kapasitas sisa 500GB, mouse
dan keyboard.

Analisis Dokumen
Pada penelitian ini ada tujuh kategori
famili yang dokumennya teridentifikasi
dengan baik, salah satunya yaitu famili
Apiaceae.Semua dokumen yang merupakan
famili Apiaceae dapat teridentifikasi dengan

8

baik, sehingga hasil klasifikasi dokumen
tersebut bernilai 100%. Hal itu disebabkan
oleh informasi yang terdapat pada tiap
dokumen mengandung ciri atau karakteristik
famili Apiacae. Perbandingan antara
informasi ciri atau karakteristik yang
terkandung dalam
dokumen dengan
informasi pada buku panduan mengenai ciri
atau karakteristik famili tersebut disajikan
pada Lampiran 4.
Jumlah dokumen yang benar dalam
pengklasifikasian kelas famili dapat dilihat
pada Gambar 3.
Jumlah
Dokumen

Tabel 6 Persamaan ciri pada famili
Rutaceae dan Myrtacea
Rutacea

1 2 3 4 5 6 7 8 9 10 11
Kategori Famili
1 Acanthaceae

2 Apiaceae

3 Araliaceae

4 Crassulaceae

5 Dioscoreaceae

6 Euphorbiaceae

7 Lamiaceae

8 Malvaceae

9 Menispremaceae

Kesalahan pelabelan pada kelas famili
disebabkan oleh informasi yang terdapat
pada dokumen etnofitomedika tersebut,
salah satunya adalah tumbuhan Jambu Biji
yang memiliki kelas famili Myrtaceae.Pada
sistem identifikasi, tumbuhan Jambu Biji
masuk kedalam kelas Rutaceae. Hal tersebut
disebabkan oleh kemiripan ciri atau
karakteristik yang yang dimiliki oleh kelas
famili Myrtaceae dan kelas famili Rutaceae.
Persamaan ciri dari kedua famili tersebut
dapat dilihat pada Tabel 6.

10 Myrtaceae

11 Rutaceae
Gambar 3 Grafik hasil klasifikasi dokumen
etnofitomedika
Pada kelas Acanthaceae, Araliaceae,
dan Menispermaceae jumlah dokumen yang
benar dalam pengklasifikasian kelas tersebut
adalah 0. Kelas Acanthaceae bernilai 0
disebabkan oleh informasi yang terdapat
pada dokumen tersebut memiliki beberapa
kesamaan ciri pada dokumen yang memuat
kelas Lamiaceae dan Myrtaceae, kelas
Araliaceae bernilai 0 disebabkan oleh
sedikitnya jumlah dokumen latih dan
dokumen uji sehingga kurangnya fitur yang
merepresentasikan kelas Araliacea, dan
kelas Menispermaceae bernilai 0 disebabkan
oleh informasi yang terdapat pada tumbuhan
Arcangelisia flava L. memiliki beberapa
kesamaan ciri dengan tumbuhan yang berada
di kelas Apiaceae dan Euphorbiaceae.

1

Perdu kecil

2

Batangnya
keras,
beralur dan
tidak
berduri

3

Daunnya
bundar
telur

4

Bunga
berwarna
putih dan
muncul
dari ketiak
daun

Myrtaceae
1

Perdu

2

Batangnya
keras

3

Daunnya
bulat telur
dan
berukuran
besar

4

Bunga
berwarna
putih dan
muncul dari
ketiak daun

Kemiripan yang terdapat pada dokumen
tersebut menyebabkan kesalahan dalam
pelabelan pada kategori kelas family. Pada
Tabel 1 telah dipaparkan contoh kategori
dan golongan tumbuhan. Pada buku
taksonomi tumbuhan obat-obatan (Gembong
1994), ada lima divisi pada tumbuhan obat
yaitu divisi Schizophyta (tumbuhan belah),
divisi Thallophyta (tumbuhan talus) yang
mempunyai tiga anak divisi yaitu Algae
(ganggang), Fungi (jamur, cendawan), dan
Lichenes (lumut kulit), divisi Bryophyta
(lumut), divisi Pteridophyta, dan divisi
Spematophyta yang mempunyai tiga
anakdivisi
yaitu
Coniferospermae,
Chlamydospermae, dan Angiospermae.
Ordo dari famili Rutaceae adalah Rutales
dan ordo dari Myrtaceae adalah Myrtales.
Kedua ordo tersebut termasuk kedalam
Dialypetaleae yang merupakan anak kelas
dari Dicotyledoneacea (tumbuhan biji
belah). Dicotyledoneacea adalah salah satu

9

kelas dari Angiospermae yang merupakan
anak divisi dari Spematophyta. Ciri dari
Dialypetaleae yaitu adanya hiasan bunga
yang ganda. Hiasan bunga tersebut terdiri
atas kelopak dan mahkota, yang daundaunnya saling bebas.Kedua ordo memiliki
ciri atau karakteristik umum yang hampir
sama yang disajikan pada Tabel 7.
Tabel 7 Ciri atau karakteristik ordo Rutales
dan Myrtales (Tjitrosoepomo 1994)
Rutales
1

Bakal
buah
kebanyakan
beruang empat

2

Daun tunggal

2 Daun majemuk

3

Mempunyai
kelopak
dan
mahkota
berdaun bebas
dan berjumlah
empat.

3

Tidak
mempunyai
daun penumpu

4

Sebagian besar
terdiri
dari
tumbuhan yang
berbatang
berkayu

5 Sebagian besar
terdiri
dari
tumbuhan yang
berbatang
berkayu

5

4
3.5

Bakal
buah
kebanyakan
beruang lima

Mempunyai
kelopak
dan
mahkota
berdaun bebas
dan berjumlah
lima
Tidak
mempunyai
daun penumpu

Begitu pula dengan ciri atau karakteristik
dari famili Rutaceae dan Myrtaceae, kedua
famili
tersebut
memiliki
beberapa
kemiripan. Kemiripan ciri atau karakteristik
yang dimiliki menyebabkan kedua famili
tersebut berada dalam satu jenjang takson
yang sama. Kedua ordo masuk kedalam
anak kelas (Sub-Class), kelas (Class), anak
divisi (Sub-Division), dan divisi (Division)
yang sama. Alur taksonomi famili Rutacea
dan famili Myrtacea dapat dilihat pada
Gambar 5.
Analisis waktu eksekusi
Waktu eksekusi pada proses klasifikasi
dipengaruhi oleh pemilihan nilai signifikansi
taraf nyata (α). Perbandingan waktu rataan
kinerja dalam pemilihan fitur disajikan pada
Gambar 4.

α = 0,001

3

α = 0,01

2.5
2

Myrtales
1

4

3.95

1.5

1.21

1
0.5
0
Waktu rataan
(menit)

Gambar 4 Grafik kinerja rataan
pemilihan fitur
Pada grafik tersebut dapat disimpulkan
bahwa semakin besar nilai taraf nyata (α)
yang dipilih, maka semakin banyak kata atau
term penciri yang dihasilkan sehingga
semakin informatif tetapi waktu eksekusi
yang dibutuhkan dalam proses klasifikasi
atau pelabelan dokumen semakin banyak.
Pada penelitian ini, proses klasifikasi untuk
fitur dengan nilai signifikansi α=0,01
membutuhkan waktu yang lebih lama
dibandingkan
dengan
fitur
yang
menggunakan nilai signifikansi α=0,001.
Hal tersebut disebabkan karena jumlah kata
atau term penciri yang dihasilkan oleh
α=0,01 lebih banyak yaitu 1.1432 kata
penciri dibandingkan dengan jumlah kata
penciri yang dihasilkan oleh α=0,001 yang
berjumlah 865 kata peciri. Jumlah kata atau
term penciri akan sangat berpengaruh pada
saat penghitungan nilai similaritas antara
dokumen uji dengan dokumen latih.
Semakin banyak kata atau term penciri yang
digunakan, semakin banyak waktu yang
dibutuhkan untuk menghitung similaritas
antara dokumen uji dengan setiap dokumen
latih.

10

Division
Spermatophyta

Sub-Division
Angiospermae

Class
Dicotyledoneacea

Sub-Class
Dialypetaleae

Family
Rutaceae

Ordo Rutales

Family
Myrtaceae

Ordo Myrtales

Gambar 5 Alur taksonomi famili Rutacea dan famili Myrtaceae

Evaluasi K-fold cross validation
Pada penelitian ini peneliti mencoba
menggunakan model evaluasi menggunakan
cross validation dengan metode K-fold atau
disebut K-fold cross validation. K-fold cross
validation bertujuan untuk menentukan
sample yang terbaik.Nilai K yang digunakan
yaitu dua (K=2). Hasil akurasi yang dihasilkan
dapat dilihat pada Tabel 8.

KESIMPULAN DAN SARAN
Kesimpulan
Dari hasil yang
disimpulkan bahwa:

Nilai Akurasi

K=1

75,9%

K=2

85,5%

Iterasi 1menghasilkan nilai akurasi
sebesar 75,9% dan iterasi dua menghasilkan
nilai akurasi sebesar 85,5%. Oleh sebab itu,
jika dilihat dari kedua nilai akurasi pada tiap
iterasi maka sample dokumen yang dipilih
adalah sample dokumen pada iterasi dua.
Nilai akurasi menggunakan K-fold cross
validation lebih tinggi dibandingkan dengan
nilai akurasi sebelum menggunkan Kfoldcross validation, hal ini disebabkan karena
pada K-fold setiap data berperan sebagai data
latih. Dari hasil yang sudah ada, maka akurasi
sistem klasifikasi pada penelitian ini bernilai
85,5% dan pembagian data yang dipilih
yaitu dengan menggunakan metode k-fold
cross validation.

dapat



Sistem berbasis teks dengan metode
Chi-Kuadrat dan Naïve Bayes dapat
digunakan untuk mengidentifikasi
famili secara otomatis sesuai dengan
ilmu taksonomi tumbuhan.



Akurasi kinerja sistem klasifikasi
pada kategori famili adalah sebesar
85,5% dengan menggunakan metode
K-fold cross validation dalam
pembagian datanya.

Tabel 8 Hasil akurasi menggunakan k-fold
Nilai K

diperoleh

Saran
Hal yang perlu dikembangkan dalam
penelitian ini adalah menambah jumlah
korpus etnofitomedika.

DAFTAR PUSTAKA
Damayanti EK. 2010. Etnofitomedika. Bogor
(ID): Fakultas Kehutanan, Institut
Pertanian Bogor.
Damayanti EK, Hikmat A, Zuhud EAM.
2011. Indonesian tropical medicinal plants
diversity: problems and challenges in
identification.
Di
dalam:
2011
International Workshop on Linking
Biodiversity and Computer Vision

11

Technology to Enhance Sustainable
Utilization of Indonesian Tropical
Medicinal Plants; Bogor, 11 Agu 2011.
Bogor (ID): Institut Pertanian Bogor.
Han J, Kamber M. 2006. Data Mining:
Concepts and Techniques. San Francisco
(US-CA): Morgan Kaufmann.
Herawan Y. 2011. Ekstraksi ciri dokumen
tumbuhan obat menggunakan chi-kuadrat
dengan klasifikasi naive Bayes [skripsi].
Bogor (ID): Fakultas Matematika dan Ilmu
Pengetahuan Alam, Institut Pertanian
Bogor.
Manning CD, Raghavan P, Schütze H. 2009.
An Introduction to Information Retrieval.
Cambridge (UK): Cambridge University
Press.
McCalum A, Nigam K. 1998. A comparison
of event models for naïve Bayes text
classification.
Di dalam: AAAI-98
Workshop on Learning for Text
Categorization; Madison (US-WI), 27 Jul
1998. hlm 41-48.
Paskianti K. 2011. Klasifikasi dokumen
tumbuhan obat menggunakan algoritme
fuzzy KNN [skripsi]. Bogor (ID): Fakultas
Matematika dan Ilmu Pengetahuan Alam,
Institut Pertanian Bogor
Sangat HM, Zuhud EAM, Damayanti EK.
2000. Kamus Penyakit dan Tumbuhan
Obat Indonesia (Etnofitomedika). Jakarta
(ID): Pustaka Populer Obor.
Tjitrosoepomo
G.
1994.
Taksonomi
Tumbuhan Obat-Obatan. Yogyakarta
(ID): Gadjah Mada University Press.
Zuhud EAM. 2009. Potensi hutan tropika
Indonesia sebagai penyangga bahan obat
alam untuk kesehatan bangsa. Jurnal
Bahan Alam Indonesia 6(6).

LAMPIRAN

13
Lampiran 1 Daftar jenis tumbuhan obat Indonesia yang digunakan dalam penelitian
No

1

2

3

4

5

6

7

8

NamaLatin

Arcangelisia flava L.

Ocimum basilicum

Coleusscutellarioides
Linn, Benth

Nama
Akar Kuning , Akar
Kunyit

Talang Mamak, Ambon,
Atoni, Anak Dalam
(Orang Rimbo)

AkarTigaTali,
Sokondo Urat

Melayu Tradisional

Peron

Sunda

MongkoLawak

Saluan

Merkunyit

Kutai

Selasih

Kutai, Samawa, Sunda

Sorawung

Sunda

Telasih

DayakTunjung

Serikati

Rejang

Jawer Kotok

Sunda

Orthosiphon aristatus (B1) Kumis Kucing
Miq.

Jatropha curcas L.

Citrus aurantifolia
Swingle

Sakai, Melayu
Tradisional, Ambon,
Bolaangmongondow,
Dayak, Bali, Jawa

Remujung

Jawa

Nawah

Aceh

Jarak kandang

Rejang

Jarak kosta

Sunda

Jarak pagar

Sunda

Kaliki

Sunda

Damar Putih

Atoni, Sumba

Belacai

Saluan

Jarak

Samawa,Bali, Madura

Kuyun Padi

Aceh

Lemon Nipis

Ambon, Madura, Jawa

LimoAsam

Atoni

Jeruk Lawar

Samawa

Jeruk Nipis

Jawa, Sunda, Melayu
Tradisional

Dioscorea hispida Dennst. Gadung

Urenalobata L

Etnis

Bali, Sunda

Pulut-pulut

Melayu Tradisional

Pupuli

Sakai

Pulutan

Jawa

Apupuliut

Mentawai

Celopai

DayakTunjung

Ampulut

Dayak

14
Lampira 1 Lanjutan

9

10

11

12

Centellaasiatica (Linn) Urban.

Kalanchoepinnata (Lam.)Pers

Psidium guajavaL.

Pungpurutan

Sunda

Pegagan

Ambon, Melayu,
Madura, Jawa

Daun kaki kuda

Ambon,
Bolaangmongondow

Antanan Rambat

Sunda

Antanan

Sunda

Ki Antanan

Sunda

Kuku Kuda

Menado

Pinduk, TapalKuda

Bali

Sedingin

Anak Dalam (Orang
Rimbo),TalangMamak

Bangun Muku

Menado

Buntiris

Sunda

CocorBebek

Bolaangmongondow,
Punan Lisum, Bali

Buntianak

Atoni

Dan Surga

Kutai

Sedingin

Anak Dalam(Orang
Rimbo)

Tumbuh Daun

DayakKedayan

Gelimah

Aceh

JambuBatu

Sunda, Sakai

JambuBiji

Bali, Rejang,Menado,
Bolaangmongondow

Jambu

Sunda

Jambu Klutuk

Madura, Kutai

Kujawas

Antoni

Kuncek

DayakTunjung

Mangkok

Bali

Dadap

Dayak Nganjuk

Nothopanax scutellarium Merr

13

Clinacanthus nutans Lindau

Kitajam

Sunda

14

Acanthus ilicifoliusL

Jaruju

Sunda

Puding

Aceh

Susok Fatima

Talang Mamak

Puding Hitam

Melayu Tradisional

Hembalang

Rejang

15

Graptophyllumpictum Griffith

15

Lampira 1 Lanjutan

16

17

18

Odiaeumveriegatum L.

Coleusatropurpureus Benth

Handeuleum

Sunda

Temen

Bali

Wungu

Jawa

Kereta Emas

Kutai

DaunMayana

Ambon

Miana

Bali

Jawer Kotok

Sunda

Kemuning

Bali

Kamuning

Suda

Murraya paniculata [L.] Jack

16

Lampiran 2 Tabel distribusi chi-kuadrat pada berbagai tingkat signifikansi dan derajat bebas tertentu
d.f
1
2
3
4
5
6
7
8
9
10
11

1.32
2.77
4.11
5.39
6.63
7.84
9.04
10.2
11.4
12.5
13.7

2.71
4.61
6.25
7.78
9.24
10.6
12
13.4
14.7
16
17.3

3.84
5.99
7.81
9.49
11.1
12.6
14.1
15.5
16.9
18.3
19.7

5.02
7.38
9.35
11.1
12.8
14.5
16
17.5
19
20.5
21.9

6.63
9.21
11.3
13.3
15.1
16.8
18.5
20.1
21.7
23.2
24.7

7.88
10.6
12.8
14.9
16.7
18.5
20.3
22
23.6
25.2
26.8

10.8
13.8
16.3
18.5
20.5
22.5
24.3
26.1
27.9
29.6
31.3

12
13
14
15
16
17

14.8
16
17.1
18.2
19.4
20.5

18.5
19.8
21.1
22.3
23.5
24.8

21
22.4
23.7
25
26.3
27.6

23.3
24.7
26.1
27.5
28.8
30.2

26.2
27.7
29.1
30.6
32
33.4

28.3
29.8
31.3
32.8
34.3
35.7

32.9
34.5
36.1
37.7
39.3
40.8

18
19

21.6
22.7

26
27.2

28.9
30.1

31.5
32.9

34.8
36.2

37.2
38.6

42.3
32.8

20
21

23.8
24.9

28.4
29.6

31.4
32.7

34.2
35.5

37.6
38.9

40
41.4

45.3
46.8

22
23
24
25
26
27

26
27.1
28.2
29.3
30.4
31.5

30.8
32
33.2
34.4
35.6
36.7

33.9
35.2
36.4
37.7
38.9
40.1

36.8
38.1
39.4
40.6
42.9
43.2

40.3
41.6
32
44.3
45.6
47

42.8
44.2
45.6
46.9
48.3
49.6

48.3
49.7
51.2
52.6
54.1
55.5

28
29
30
40
50
60

32.6
33.7
34.8
45.6
56.3
67

37.9
39.1
40.3
51.8
63.2
74.4

41.3
42.6
43.8
55.8
67.5
79.1

44.5
45.7
47
59.3
71.4
83.3

48.3
49.6
50.9
63.7
76.2
88.4

51
52.3
53.7
66.8
79.5
92

56.9
58.3
59.7
73.4
86.7
99.6

70
77.6
85.5
90.5
95
100
104
112
80
88.1
96.6
102
107
112
116
125
80
98.6
108
113
118
124
128
137
100
109
118
124
130
136
140
149
Sumber: RonaldJ.Wonnacoltand Thomas H. Wonnacot.
Statistics: Discovering Its Power, New York: John Willeyand Sons, 1982, hal352.

17

Lampiran 3 Confusionmatrix untuk kelas family pada nilai signifikansi 0.001
Keterangan :

Nama Famili
A
A

7

B

3

C
D