Analisis Taksonometri pada Karakter Morfologi Daun Dikotiledon Kelas Magnoliopsida menggunakan SOM Kohonen.

ABSTRAK
NUR HASANAH. Analisis Taksonometri pada Karakter Morfologi Daun Dikotiledon Kelas
Magnoliopsida menggunakan SOM Kohonen. Dibimbing oleh AZIZ KUSTIYO dan ARIEF
RAMADHAN.
Taksonometri atau taksonomi numerik merupakan cabang dari ilmu taksonomi yang
menggunakan metode kuantitatif dengan bantuan teknologi komputasi untuk melakukan
identifikasi dan klasifikasi organisme. Karakter morfologi daun sebagai organ vegetatif tumbuhan
diketahui memiliki pola tertentu yang memperlihatkan keteraturan, sehingga dapat dikelompokkan
secara sistematis. Penelitian ini menggunakan 126 data spesimen daun kelas Magnoliopsida yang
terdiri atas 21 family, 17 ordo, dan 4 subclass untuk membentuk tiga model taksonometri dengan
metode SOM Kohonen. Identifikasi dilakukan terhadap 16 karakter primer morfologi daun.
Model taksonometri family, ordo, dan subclass dibentuk dengan neuron output masingmasing berjumlah 21, 17, dan 4 neuron, sesuai dengan banyaknya setiap tingkatan taksa. Data latih
dan data uji dibentuk dengan metode 3-fold cross validation. Fungsi jarak yang digunakan adalah
Mahalanobis, dengan jumlah iterasi maksimum, laju pembelajaran awal (αi) dan lebar tetangga
awal (δi) yang telah ditentukan. Dari evaluasi terhadap Indeks Davies-Bouldin (IDB) diperoleh
model taksonometri family terbaik dengan δi bernilai 10 dan αi bernilai 0.9, taksonometri ordo
dengan δi bernilai 5 dan αi bernilai 0.9, dan taksonometri subclass dengan δi bernilai 3 dan αi
bernilai 0.5.
Evaluasi cluster precision (CP) dan recall (CR) menghasilkan rata-rata CP dan CR dari
ketiga model taksonometri sebesar 0.629 dan 0.644. Nilai ini menggambarkan adanya variasi
morfologi daun yang cukup tinggi pada kelas Magnoliopsida. Representasi pengetahuan

menunjukkan adanya konsistensi pada hasil taksonometri ketiga model tersebut, sehingga SOM
Kohonen terbukti dapat digunakan untuk analisis taksonometri terhadap karakter morfologi daun.
Dapat disimpulkan pula bahwa karakter morfologi daun memberikan hasil yang prospektif untuk
digunakan sebagai salah satu cara dalam identifikasi dan pengelompokan tumbuhan.
Kata kunci : analisis taksonometri, cluster, SOM Kohonen, morfologi daun, jarak Mahalanobis,
Indeks Davies-Bouldin

ANALISIS TAKSONOMETRI PADA KARAKTER MORFOLOGI
DAUN DIKOTILEDON KELAS MAGNOLIOPSIDA
MENGGUNAKAN SOM KOHONEN

NUR HASANAH

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2009

ANALISIS TAKSONOMETRI PADA KARAKTER MORFOLOGI

DAUN DIKOTILEDON KELAS MAGNOLIOPSIDA
MENGGUNAKAN SOM KOHONEN

NUR HASANAH

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2009

ANALISIS TAKSONOMETRI PADA KARAKTER MORFOLOGI
DAUN DIKOTILEDON KELAS MAGNOLIOPSIDA
MENGGUNAKAN SOM KOHONEN

Skripsi
Sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer
pada Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor

NUR HASANAH
G64104022

DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2009

ABSTRAK
NUR HASANAH. Analisis Taksonometri pada Karakter Morfologi Daun Dikotiledon Kelas
Magnoliopsida menggunakan SOM Kohonen. Dibimbing oleh AZIZ KUSTIYO dan ARIEF
RAMADHAN.
Taksonometri atau taksonomi numerik merupakan cabang dari ilmu taksonomi yang
menggunakan metode kuantitatif dengan bantuan teknologi komputasi untuk melakukan
identifikasi dan klasifikasi organisme. Karakter morfologi daun sebagai organ vegetatif tumbuhan
diketahui memiliki pola tertentu yang memperlihatkan keteraturan, sehingga dapat dikelompokkan
secara sistematis. Penelitian ini menggunakan 126 data spesimen daun kelas Magnoliopsida yang
terdiri atas 21 family, 17 ordo, dan 4 subclass untuk membentuk tiga model taksonometri dengan
metode SOM Kohonen. Identifikasi dilakukan terhadap 16 karakter primer morfologi daun.

Model taksonometri family, ordo, dan subclass dibentuk dengan neuron output masingmasing berjumlah 21, 17, dan 4 neuron, sesuai dengan banyaknya setiap tingkatan taksa. Data latih
dan data uji dibentuk dengan metode 3-fold cross validation. Fungsi jarak yang digunakan adalah
Mahalanobis, dengan jumlah iterasi maksimum, laju pembelajaran awal (αi) dan lebar tetangga
awal (δi) yang telah ditentukan. Dari evaluasi terhadap Indeks Davies-Bouldin (IDB) diperoleh
model taksonometri family terbaik dengan δi bernilai 10 dan αi bernilai 0.9, taksonometri ordo
dengan δi bernilai 5 dan αi bernilai 0.9, dan taksonometri subclass dengan δi bernilai 3 dan αi
bernilai 0.5.
Evaluasi cluster precision (CP) dan recall (CR) menghasilkan rata-rata CP dan CR dari
ketiga model taksonometri sebesar 0.629 dan 0.644. Nilai ini menggambarkan adanya variasi
morfologi daun yang cukup tinggi pada kelas Magnoliopsida. Representasi pengetahuan
menunjukkan adanya konsistensi pada hasil taksonometri ketiga model tersebut, sehingga SOM
Kohonen terbukti dapat digunakan untuk analisis taksonometri terhadap karakter morfologi daun.
Dapat disimpulkan pula bahwa karakter morfologi daun memberikan hasil yang prospektif untuk
digunakan sebagai salah satu cara dalam identifikasi dan pengelompokan tumbuhan.
Kata kunci : analisis taksonometri, cluster, SOM Kohonen, morfologi daun, jarak Mahalanobis,
Indeks Davies-Bouldin

Judul : Analisis Taksonometri pada Karakter Morfologi Daun Dikotiledon
Kelas Magnoliopsida menggunakan SOM Kohonen
Nama : Nur Hasanah

NIM

: G64104022

Menyetujui:

Pembimbing I,

Pembimbing II,

Aziz Kustiyo, S.Si, M.Kom
NIP 132 206 241

Arief Ramadhan, S.Kom

Mengetahui:
Dekan Fakultas Matematika dan Ilmu Pengetahuan Alam
Institut Pertanian Bogor

Dr. drh. Hasim, DEA

NIP 131 578 806

Tanggal Lulus:

RIWAYAT HIDUP
Penulis dilahirkan sebagai putri pertama dari tujuh bersaudara di Batang, 16 Mei 1987, dari
pasangan Achmad dan Yudiwanti Wahyu Endro Kusumo. Pendidikan formal semenjak TK hingga
SMA ditempuhnya di kota hujan Bogor, hingga pada tahun 2004 penulis lulus dari SMA Negeri 1
Bogor. Pada tahun yang sama, penulis melanjutkan ke jenjang pendidikan S1 di Departemen Ilmu
Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor, melalui
jalur Undangan Seleksi Masuk IPB (USMI).
Selama mengikuti kegiatan perkuliahan, penulis aktif pada beberapa kegiatan kelembagaan
mahasiswa, seperti Himpunan Mahasiswa Ilmu Komputer (HIMALKOM) periode 2004/2005 dan
periode 2005/2006, serta Badan Eksekutif Mahasiswa (BEM) FMIPA IPB periode 2006/2007.
Selain itu, penulis juga mengikuti organisasi pembinaan pada SMA asal penulis, yaitu Forum
Alumni Muslim SMAN 1 Bogor (FORKOM ALIMS) pada periode 2004/2005 hingga periode
2008/2009. Pada lingkup Departemen Ilmu Komputer, penulis turut aktif sebagai asisten
praktikum untuk beberapa mata kuliah pada tahun akademik 2006/2007 hingga 2007/2008.
Pada awal tahun 2007, penulis berkesempatan mengikuti seleksi Mahasiswa Berprestasi
hingga mencapai Peringkat III Mahasiswa Berprestasi tingkat IPB. Pada bulan Juni – Agustus

2007, penulis melaksanakan kegiatan Praktek Kerja Lapangan (PKL) pada PT Indonesian Tower,
Jakarta. Penulis mengikuti seleksi beasiswa Panasonic pada bulan Februari – Juni 2008 dan
terpilih sebagai salah satu penerima beasiswa untuk melanjutkan pendidikan S2 di Jepang. Pada
tahun yang sama, penulis beserta tim dari Departemen Ilmu Komputer IPB mewakili IPB dalam
kegiatan Ajang Kreasi Open Source Software (AKOSS), Pekan Ilmiah Mahasiswa Nasional
(PIMNAS) XXI yang bertempat di Unissula, Semarang, dengan perangkat lunak berjudul
Kalender Wanita (KAWAN).

PRAKATA
Alhamdulillahi rabbil ‘alamin, puji dan syukur penulis panjatkan kepada Allah SWT atas
segala rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan tugas akhir sebagai salah
satu syarat untuk memperoleh gelar Sarjana Komputer di IPB. Penelitian yang berjudul “Analisis
Taksonometri pada Karakter Morfologi Daun Dikotiledon Kelas Magnoliopsida menggunakan
SOM Kohonen” merupakan usaha penulis dalam implementasi ilmu komputer yang telah
didapatkan selama perkuliahan untuk digunakan pada disiplin ilmu lain, terutama berkaitan dengan
ranah dasar Institut Pertanian Bogor sebagai perguruan tinggi bernafaskan pertanian.
Penghargaan dan rasa terima kasih penulis sampaikan kepada Bapak Aziz Kustiyo, S.Si,
M.Kom dan Bapak Arief Ramadhan, S.Kom selaku pembimbing, atas dukungan, bimbingan, dan
arahan yang telah dicurahkan selama pengerjaan tugas akhir; serta Bapak Ir. Agus Buono, M.Si,
M.Kom atas kesediaannya menjadi penguji dan atas bimbingan dan masukannya untuk perbaikan

tugas akhir ini.
Kepada Ibu Dr. Ir. Sri Nurdiati, M.Sc selaku Ketua Departemen Ilmu Komputer, penulis
ingin menyampaikan rasa terima kasih atas bimbingan dan dukungannya terhadap segala aktivitas
yang penulis jalani pada masa perkuliahan. Demikian pula untuk seluruh dosen pengajar yang
telah mendidik dan membangun wawasan serta kepribadian penulis selama menuntut ilmu di
Departemen Ilmu Komputer.
Untuk Ibu yang senantiasa berperan sebagai pembimbing pribadi bagi penulis, untuk Bapak
atas dukungan dan dorongan semangat kepada penulis untuk selalu mencapai yang terbaik, juga
untuk nenek tercinta dan adik-adik tersayang yang selalu menyediakan keceriaan dan pelepas
penat di rumah, terima kasih atas bantuan dan doanya.
Terima kasih atas kebersamaan, pengertian, dan nasihat yang telah diberikan oleh keluarga
kecil penulis: Aghiez, Ratih, Weni, Inna, dan Lia. Kepada Listya, terima kasih telah mengajarkan
arti persahabatan. Untuk Danang, Bowo, dan Dika, terima kasih untuk inspirasinya tentang visi,
mimpi, dan kerja keras. Atas penerimaan, kegembiraan, dan masa-masa indah selama perkuliahan,
terima kasih kepada teman-teman Ilkomerz 41 dan keluarga besar Ilkomerz IPB.
Kepada rekan-rekan aktivis kampus dan sekolah, terima kasih untuk mengajarkan begitu
banyak hal kepada penulis. Untuk seluruh staf Departemen Ilmu Komputer, terima kasih atas
kemudahan dan kenyamanan dalam kegiatan perkuliahan. Terima kasih juga penulis sampaikan
untuk pihak-pihak lain yang tidak dapat disebutkan satu persatu.
Penulis menyadari bahwa penelitian ini masih jauh dari sempurna, baik dalam

pelaksanaannya maupun pada hasilnya. Meskipun demikian, penulis berharap agar penelitian ini
dapat memberikan manfaat bagi seluruh pihak.

Bogor, Januari 2009

Nur Hasanah

DAFTAR ISI
Halaman
DAFTAR TABEL ............................................................................................................................ vi
DAFTAR GAMBAR ....................................................................................................................... vi
DAFTAR LAMPIRAN .................................................................................................................... vii
PENDAHULUAN
Latar Belakang............................................................................................................................ 1
Tujuan ......................................................................................................................................... 1
Ruang Lingkup ........................................................................................................................... 1
Manfaat ....................................................................................................................................... 1
TINJAUAN PUSTAKA
Taksonomi .................................................................................................................................. 2
Taksonometri .............................................................................................................................. 2

Analisis Korelasi ........................................................................................................................ 2
Koefisien Korelasi Spearman ..................................................................................................... 3
Analisis Cluster .......................................................................................................................... 3
Self-Organizing Maps (SOM) Kohonen ..................................................................................... 3
Topologi Jaringan ................................................................................................................. 4
Algoritme .............................................................................................................................. 4
Fungsi Jarak .......................................................................................................................... 4
Fungsi Tetangga .................................................................................................................... 4
Laju Pembelajaran ................................................................................................................ 4
K-Fold Cross Validation ............................................................................................................ 4
Indeks Davies-Bouldin ............................................................................................................... 5
Cluster Recall dan Precision ...................................................................................................... 5
METODE PENELITIAN
Praproses .................................................................................................................................... 5
Pembentukan Model Taksonometri ............................................................................................ 6
Analisis Taksonometri ................................................................................................................ 7
Spesifikasi Pengembangan ......................................................................................................... 7
HASIL DAN PEMBAHASAN
Praproses .................................................................................................................................... 7
Pembentukan Data Latih dan Data Uji ....................................................................................... 9

Pembentukan Model Taksonometri Family ................................................................................ 9
Pembentukan Model Taksonometri Ordo................................................................................... 10
Pembentukan Model Taksonometri Subclass ............................................................................. 10
Analisis Taksonometri ................................................................................................................ 10
Evaluasi Cluster Recall dan Precision .................................................................................. 10
Representasi Pengetahuan ..................................................................................................... 11
Taksonometri Family ...................................................................................................... 12
Taksonometri Ordo ......................................................................................................... 13
Taksonometri Subclass .................................................................................................... 14
Representasi Umum ........................................................................................................ 15
KESIMPULAN DAN SARAN
Kesimpulan ................................................................................................................................. 16
Saran ........................................................................................................................................... 16
DAFTAR PUSTAKA ...................................................................................................................... 16
LAMPIRAN ..................................................................................................................................... 18

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

Parameter pelatihan dan pengujian model taksonometri ............................................................ 7
Daftar anggota tingkatan taksa subclass, ordo, dan family ......................................................... 7
Jumlah data spesimen daun pada setiap family ........................................................................... 8
Jumlah data spesimen daun pada setiap ordo ............................................................................. 8
Jumlah data spesimen daun pada setiap subclass ....................................................................... 8
Karakter dan state spesimen daun dari species Aglaia multinervis............................................. 9
Persebaran jumlah taksa pada setiap subset data ........................................................................ 9
Nilai CP dan CR untuk ketiga model taksonometri .................................................................... 11
Deskripsi cluster hasil taksonometri family ................................................................................ 12
Deskripsi taksa hasil taksonometri family .................................................................................. 12
Deskripsi cluster hasil taksonometri ordo .................................................................................. 13
Deskripsi taksa hasil taksonometri ordo ..................................................................................... 13
Deskripsi cluster hasil taksonometri subclass ............................................................................ 15
Deskripsi taksa hasil taksonometri subclass ............................................................................... 15

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

Susunan taksonomi tumbuhan .................................................................................................... 2
Struktur jaringan SOM Kohonen satu dimensi ........................................................................... 3
Topologi SOM Kohonen satu dimensi ....................................................................................... 4
Diagram alir metode penelitian .................................................................................................. 5
Diagram alir praproses................................................................................................................ 5
Diagram alir pembentukan model taksonometri ......................................................................... 6
Diagram alir analisis taksonometri ............................................................................................. 7
IDB pada percobaan model taksonometri family ........................................................................ 9
IDB pada percobaan model taksonometri ordo .......................................................................... 10
IDB pada percobaan model taksonometri subclass .................................................................... 10
Cluster precision taksonometri family ........................................................................................ 12
Cluster recall taksonometri family ............................................................................................. 12
Cluster precision taksonometri ordo .......................................................................................... 13
Cluster recall taksonometri ordo ................................................................................................ 13
Cluster precision taksonometri subclass .................................................................................... 15
Cluster recall taksonometri subclass .......................................................................................... 15

DAFTAR LAMPIRAN
Halaman
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19

Contoh data spesimen daun sebelum kodefikasi ........................................................................ 19
Contoh daftar karakter morfologi daun sebelum kodefikasi ....................................................... 20
Rincian kodefikasi karakter morfologi daun .............................................................................. 21
Ilustrasi karakter morfologi daun................................................................................................ 23
Contoh data spesimen daun setelah kodefikasi ........................................................................... 27
Hasil uji taraf nyata dua arah pada koefisien korelasi Spearman................................................ 28
Rincian pembagian taksa ke dalam setiap subset data ................................................................ 29
IDB pada percobaan model taksonometri family ........................................................................ 30
Ilustrasi model taksonometri family untuk bobot akhir pada neuron output pertama ................. 30
Daftar bobot akhir model taksonometri family ........................................................................... 31
IDB pada percobaan model taksonometri ordo .......................................................................... 32
Ilustrasi model taksonometri ordo untuk bobot akhir pada neuron output pertama ................... 32
Daftar bobot akhir model taksonometri ordo ............................................................................. 33
IDB pada percobaan model taksonometri subclass .................................................................... 34
Ilustrasi model taksonometri subclass untuk bobot akhir pada neuron output pertama ............. 34
Daftar bobot akhir model taksonometri subclass........................................................................ 34
Deskripsi hasil taksonometri family............................................................................................ 35
Deskripsi hasil taksonometri ordo .............................................................................................. 36
Deskripsi hasil taksonometri subclass ........................................................................................ 37

1

PENDAHULUAN
Latar Belakang
Dunia biologi mengenal adanya konsep
identifikasi untuk setiap organisme di dunia
yang telah dilakukan penelitian atasnya. Cara
yang umum digunakan untuk mengidentifikasi
suatu organisme adalah melalui taksonomi.
Sejak bermulanya pada abad ke-4 sebelum
Masehi, ilmu taksonomi telah mengalami
perkembangan yang pesat. Penggunaan
teknologi komputer sebagai alat bantu pada
taksonomi modern melahirkan bidang baru
yang dinamakan taksonomi numerik atau
taksonometri (Tjitrosoepomo 2005).
Stace (1980) memberikan lima cara yang
sering
digunakan
untuk
melakukan
identifikasi terhadap tumbuhan. Kelima cara
tersebut yaitu melalui karakteristik morfologi
dan anatomi tumbuhan, unsur kimiawi
penyusun tumbuhan, struktur kromosom,
breeding system, dan lokasi geografis serta
ekologi dari tumbuhan.
Jika ditinjau dari segi kemudahan dan
kecepatan dalam mendapatkan data, maka
karakteristik morfologi dan anatomi menjadi
acuan pertama dalam proses identifikasi
tumbuhan. Karakteristik ini dapat diamati
pada organ vegetatif tumbuhan, seperti daun,
batang, dan cabang, serta pada organ generatif
tumbuhan, seperti bunga dan buah pada
tumbuhan dikotiledon. Kedua organ tumbuhan
ini memiliki perbedaan waktu observasi.
Organ generatif tumbuhan hanya dapat
diamati pada waktu tertentu, sedangkan organ
vegetatif tumbuhan cenderung tersedia
sebagai sumber pengamatan sepanjang waktu.
Sebagai salah satu organ vegetatif
tumbuhan, karakter morfologi daun khususnya
pada
tumbuhan
dikotiledon
diketahui
mempunyai pola tertentu yang memperlihatkan
keteraturan,
sehingga
dapat
dikelompokkan secara sistematis. Di lain
pihak, karakter ini memiliki beberapa
kelemahan, antara lain sifatnya yang kurang
stabil akibat pengaruh lingkungan, adanya
morfologi yang serupa pada anggota taksa
yang tidak saling berhubungan, dan sifat
polimorfisme yang terdapat pada tahap
tertentu pertumbuhan daun (Hickey 1973
dalam Rasnovi 2001).
Pengkajian terhadap pemakaian karakter
morfologi daun dalam identifikasi jenis telah
dilakukan dalam beberapa penelitian. Rasnovi
(2001) dalam tesisnya menyimpulkan bahwa

karakter morfologi daun dapat memisahkan
species contoh dengan indikasi nilai
separation coefficient gabungan bernilai satu.
Klasifikasi citra daun menggunakan PNN
(Probabilistic Neural Network) dengan data
berupa 12 fitur citra daun yang dilakukan oleh
Wu et al. (2007) menghasilkan akurasi hingga
melebihi 90%. Morfologi daun juga telah
digunakan bersama dengan karakter bunga
dan buah dalam identifikasi species Endospermum duodenum (Salwana et al. 2007).
Data spesimen daun yang berupa data
kualitatif dapat diolah dalam proses
identifikasi kesamaan ciri menggunakan selforganizing maps (SOM) Kohonen (Madarum
2006). Penelitian tersebut menghasilkan nilai
cluster recall sebesar 0.429 dan cluster
precision sebesar 0.530. Hasil yang belum
optimal ini membuka peluang bagi penelitian
lebih lanjut untuk membangun model
taksonometri tumbuhan berdasarkan karakter
morfologi daun dengan hasil yang lebih baik.
Tujuan
1

2

Penelitian ini bertujuan :
Mengimplementasikan algoritme SOM
Kohonen dalam clustering data spesimen
daun dikotiledon kelas Magnoliopsida
untuk membentuk model taksonometri
tumbuhan.
Mendapatkan karakteristik data hasil
taksonometri dan membandingkannya
dengan taksonomi tumbuhan yang telah
ditentukan oleh pakar taksonomi.

Ruang Lingkup
Penelitian ini meliputi pembuatan model
taksonometri tumbuhan menggunakan ciri
organ vegetatif tumbuhan berupa morfologi
daun dikotiledon kelas Magnoliopsida.
Metode yang digunakan untuk membangun
model taksonometri adalah jaringan SOM
Kohonen satu dimensi, dengan jumlah
karakter morfologi daun sebanyak 16 karakter.
Tingkatan taksa yang menjadi target
penelitian adalah tingkat family, ordo, dan
subclass. Jumlah neuron output pada setiap
model taksonometri ditentukan berdasarkan
jumlah taksa yang bersesuaian. Sebanyak 126
data spesimen daun, yang terdiri atas 21
family, 17 ordo, dan 4 subclass, kesemuanya
merupakan anggota dari kelas Magnoliopsida.
Manfaat
Proses clustering dari SOM Kohonen
akan menghasilkan pengelompokan data

2

spesimen daun dikotiledon berdasarkan
kesamaan cirinya. Dari hasil analisis, akan
diketahui kemampuan dan efektivitas SOM
Kohonen dalam melakukan pengelompokan
terhadap spesimen tumbuhan berdasarkan
karakter morfologi daun. Selain itu, dari hasil
clustering dapat diketahui pula hubungan
antara karakter morfologi daun dengan
taksonomi tumbuhan.

TINJAUAN PUSTAKA
Taksonomi
Taksonomi dapat dideskripsikan sebagai
studi dan deskripsi mengenai variasi dalam
organisme, investigasi terhadap sebab dan
akibat variasi tersebut, dan penggunaan data
yang diperoleh untuk menciptakan sistem
klasifikasi (Stace 1980). Kelas-kelas yang
dihasilkan oleh proses taksonomi disebut
taksa, misalnya phylum, family, atau species.
Penggunaan istilah ini mengindikasikan
tingkatan suatu kelas dan organisme yang
berada di dalam kelas tersebut.
Dalam ilmu taksonomi, tumbuhan diklasifikasikan ke dalam tujuh grup taksa, yaitu
Kingdom, Divisio/Phylum, Class, Ordo,
Family, Genus, dan Species. Di antara grup
tersebut terdapat beberapa subgrup seperti
superordo dan subclass. Ilustrasi taksonomi
tumbuhan dapat diamati pada Gambar 1.

Sokal & Sneath (1963) mendefinisikan
taksonometri sebagai metode evaluasi
kuantitatif mengenai kesamaan atau kemiripan
sifat antar golongan organisme, dan penataan
golongan-golongan tersebut melalui analisis
cluster ke dalam kategori takson yang lebih
tinggi atas dasar kesamaan-kesamaan tersebut.
Taksonometri didasarkan atas bukti-bukti
fenetik, yaitu kemiripan yang diperlihatkan
objek studi yang diamati dan dicatat, dan
bukan berdasarkan kemungkinan perkembangan filogenetiknya.
Terdapat lima kegiatan dalam analisis
taksonometri, yang diawali dengan pemilihan
objek studi yang mewakili golongan
organisme tertentu, yang disebut dengan OTU
(Operational Taxonomic Unit). Kegiatan
berikutnya adalah pemilihan karakter,
pengukuran kemiripan, analisis cluster, dan
penarikan kesimpulan (Tjitrosoepomo 2005).
Pengukuran kemiripan antar OTU
didasarkan pada karakter yang dimilikinya.
Menurut Sokal & Sneath (1963), karakter
yang digunakan sebagai identifikasi OTU
merupakan deskripsi terhadap bentuk,
struktur, atau sifat yang membedakan sebuah
unit taksonomi dengan unit lainnya.
Setiap karakter memiliki nilai yang dapat
bersifat kualitatif ataupun kuantitatif. Karakter
yang berkaitan dengan bentuk dan struktur
merupakan karakter kualitatif, sedangkan
karakter yang mendeskripsikan ukuran,
panjang, dan jumlah merupakan karakter
kuantitatif. Secara umum, karakter kualitatif
lebih berguna dalam membedakan taksa pada
tingkat taksonomi yang lebih tinggi,
sementara karakter kuantitatif banyak
digunakan untuk membedakan kategori
taksonomi pada tingkatan yang lebih rendah
(Naik 1985).
Analisis Korelasi

Gambar 1 Susunan taksonomi tumbuhan.
Taksonometri
Seiring perkembangan dunia ilmu
pengetahuan, penggunaan komputer dalam
mengembangkan metode kuantitatif untuk
melakukan klasifikasi tumbuhan semakin
meningkat, sehingga menghasilkan bidang
baru dalam taksonomi tumbuhan yang
dinamakan
taksonomi
numerik
atau
taksonometri (Tjitrosoepomo 2005).

Analisis korelasi dilakukan untuk
mengukur kekuatan hubungan antara dua
peubah melalui bilangan yang disebut
koefisien korelasi. Pada statistika parametrik,
koefisien korelasi antara dua peubah yang
bernilai 0 berarti tidak terdapat hubungan
linear antara keduanya. Sebaliknya, nilai 1
atau -1 pada koefisien korelasi
berarti
korelasi antara kedua peubah tersebut sangat
kuat, baik secara positif maupun negatif
(Walpole 1995).

3

Koefisien Korelasi Spearman
Pada statistika nonparametrik, nilai
koefisien korelasi antara dua peubah yang
terdapat pada skala -1 hingga 1 sulit untuk
diinterpretasikan secara tepat, sehingga
digunakan pengambilan keputusan dengan
pengujian pada taraf nyata tertentu α.
Pengukuran yang digunakan adalah koefisien
korelasi Spearman (Paulson 2003).
Data yang diolah untuk mendapatkan
koefisien korelasi Spearman merupakan data
berskala ordinal atau interval yang dapat
diurutkan dari yang terkecil hingga terbesar.
Uji nyata satu arah maupun dua arah dapat
diaplikasikan pada koefisien korelasi yang
diperoleh.

oleh Teuvo Kohonen pada tahun 1982.
Kohonen (2001) mendeskripsikan SOM
sebagai metode pemetaan yang bersifat
nonlinear dan terurut dari data input dengan
dimensi tinggi ke dalam array tujuan dengan
dimensi yang lebih rendah. Metode
pembelajaran yang digunakan bersifat
unsupervised, artinya pembelajaran yang
dilakukan terhadap data input tidak disertai
dengan target ekspektasi terhadap hasil yang
diinginkan (Freeman & Skapura 1991).

Koefisien korelasi Spearman didapatkan
dengan rumus:
n

6∑ d i
rc = 1 −

dengan nilai

di2

n

∑d
i =1

2
i

2

i =1

n(n 2 − 1)

,
Gambar 2 Struktur jaringan SOM Kohonen
satu dimensi.

adalah:
=

n

∑ [R (x ) − R (x )] .
i =1

2

i

i

Analisis Cluster
Analisis cluster adalah mekanisme
eksplorasi data yang umum digunakan dalam
permasalahan
klasifikasi.
Analisis
ini
bertujuan mengelompokkan data ke dalam
grup atau cluster sedemikian rupa sehingga
derajat asosiasi di antara anggota dari satu
cluster bersifat kuat dan derajat asosiasi antara
anggota dari satu cluster dengan cluster lain
bersifat lemah (Astel et al. 2007).
Clustering berbeda dengan klasifikasi
dalam hal variabel target yang ditentukan.
Dalam proses clustering, tidak ada proses
klasifikasi, peramalan, atau prediksi terhadap
nilai dari variabel target (Larose 2004).
Penggunaan analisis cluster dalam
taksonometri bertujuan membentuk kelompok
taksa dengan pengukuran kemiripan karakter
(Tjitrosoepomo 2005). Hasil dari analisis
cluster telah terbukti dapat dibandingkan
dengan sistem taksonomi yang dibangun oleh
pakar (Naik 1985; Sokal & Sneath 1963).
Self-Organizing Maps (SOM) Kohonen
Metode Self-Organizing Maps (SOM)
atau dikenal sebagai SOM Kohonen pertama
kali diperkenalkan oleh Malsburg pada tahun
1973, kemudian diperbaiki dan dikembangkan

Pada Gambar 2 dapat diamati struktur
SOM Kohonen satu dimensi (Fausett 1994)
yang terdiri atas dua lapisan, yaitu lapisan
input (Xn) dan lapisan output (Ym). Setiap
neuron pada lapisan input terhubung dengan
setiap neuron pada lapisan output melalui
vektor bobot (wnm). Cluster yang terbentuk
direpresentasikan oleh setiap neuron pada
lapisan output.
Dalam proses pembelajaran jaringan
SOM Kohonen, setiap neuron output saling
berkompetisi
untuk
menjadi
neuron
pemenang, yang diperoleh dari perhitungan
jarak yang paling dekat dengan neuron input.
Oleh karena itu, setiap neuron output akan
bereaksi terhadap pola input tertentu, sehingga
hasil dari SOM Kohonen akan menunjukkan
adanya kesamaan ciri antar anggota clusternya
(Larose 2004).
SOM Kohonen memiliki kegunaan yang
besar dalam analisis cluster karena memiliki
dimensi jaringan yang rendah, struktur yang
sederhana, representasi yang tidak rumit
dengan penggunaan vektor bobot yang
berasosiasi dengan setiap neuron output,
kemampuan memetakan topologi data input
ke dalam bobot jaringan, dan menggunakan
sistem pembelajaran unsupervised (Tirozzi et
al. 2007).

4

Topologi Jaringan
Beberapa topologi SOM Kohonen yang
umum digunakan pada SOM Kohonen dua
dimensi antara lain topologi grid, heksagonal,
dan random (Kohonen 2001). SOM Kohonen
satu dimensi hanya memiliki satu jenis
topologi, seperti yang diilustrasikan pada
Gambar 3. Pada gambar tersebut terdapat
sembilan neuron dalam topologi satu dimensi,
dengan neuron kelima sebagai neuron
pemenang ditunjukkan dengan simbol #, dan
neuron tetangganya ditunjukkan dengan
simbol *, disertai dengan keterangan lebar
tetangga 0, 1, dan 2 (Fausett 1994).

Gambar 3

Topologi SOM Kohonen satu
dimensi.

Algoritme
Diketahui n adalah dimensi vektor input
x = [x1, x2,..., xn]T. Vektor bobot pada neuron
output j memiliki dimensi yang sama dengan
vektor input, sehingga dapat dilambangkan
dengan wj = [wj1, wj2,..., wjn]T.
Algoritme SOM dalam Kohonen (2001)
dijelaskan sebagai berikut. Untuk setiap
vektor input x, lakukan:
• Kompetisi. Untuk setiap simpul output j,
hitung nilai D(wj,xn) yang diperoleh dari
fungsi jarak. Tentukan simpul pemenang
J (Best Matching Unit (BMU)) yang
meminimumkan jarak antara vektor input
x dengan semua simpul output.
• Kooperasi. Identifikasikan semua simpul
output j dalam lingkungan simpul
pemenang J menggunakan fungsi node
tetangga (neighborhood function) h(t).
Untuk setiap simpul dalam lingkungan
tersebut, lakukan :
o Adaptasi. Perbaharui nilai bobot:
wj(t+1) = wj(t) + h(t) * [xni – wj(t)].
• Perbaharui learning rate (α) dan lebar
tetangga δ.
• Hentikan perlakuan ketika kriteria
pemberhentian telah dicapai.
Fungsi Jarak
Fungsi jarak digunakan untuk melakukan
komputasi terhadap similaritas vektor input
dengan vektor bobot pada setiap neuron
output. Jarak Mahalanobis digunakan untuk
mengukur jarak antara atribut yang

berkorelasi satu sama lain (Tan et al. 2004).
Fungsi ini didefinisikan sebagai:
D(wj,xn) = (wj-xi) Σ-1 (wj-xi)T,
dengan Σ merupakan matriks kovarian dari
vektor input (xn):

∑ j ,k =

1 n
∑ ( xij − x j )( xik − x k ).
n − 1 i =1

Fungsi Tetangga
Fungsi
tetangga
adalah
derajat
pengubahan terhadap bobot neuron pemenang
dan tetangganya relatif terhadap lebar
tetangga, yang akan berkurang seiring dengan
langkah pembelajaran. Fungsi tetangga yang
digunakan adalah fungsi Gauss (Kohonen
2001) dengan rumus :
 || ri − rc || 2 
,
h(t ) = α (t ) * exp  −
2δ 2 (t ) 

dengan :
||ri-rc||2 = jarak neuron ke-i dengan neuron
pemenang dalam grid
δ(t)
= lebar tetangga, berkurang seiring
dengan t langkah pembelajaran
ri
= neuron ke-i
rc
= neuron pemenang
Perubahan lebar tetangga didapatkan dari
perhitungan berikut (Tirozzi et al. 2007) :
t

dengan :
δi
=
=
δf
tmax
=

 δ f  t max

,
δ (t ) = δ i 
 δi 
nilai awal lebar tetangga
nilai akhir lebar tetangga
iterasi maksimum

Laju Pembelajaran
Laju
pembelajaran
adalah
fungsi
penurunan tingkat pembelajaran seiring
perubahan waktu (Fausett 1994). Nilai laju
pembelajaran diperoleh dari rumus berikut
(Kohonen 2001) :

t 
,
α (t ) = α i 1 −
 t max 
dengan αi adalah nilai awal laju pembelajaran
dan tmax adalah iterasi maksimum.
K-Fold Cross Validation
K-Fold Cross Validation adalah salah
satu metode estimasi error. Dalam metode ini,
akan dilakukan proses pengulangan sebanyak
k-kali untuk himpunan contoh secara acak
yang akan dibagi menjadi k-subset yang
saling bebas. Pada setiap tahap pengulangan

5

akan diambil satu subset untuk data pengujian
dan sisanya untuk data pelatihan (Fu 1994).
Indeks Davies-Bouldin
Indeks Davies-Bouldin (IDB) merupakan
salah satu metode validasi cluster untuk
evaluasi kuantitatif dari hasil clustering.
Pengukuran ini bertujuan memaksimalkan
jarak inter-cluster antara satu cluster dengan
cluster yang lain (separation value) sekaligus
meminimalkan jarak intra-cluster antara titik
dalam sebuah cluster (compactness value)
(Bolshakova & Azuaje 2002; Gunter & Bunke
2002).
Jarak inter-cluster
sebagai berikut:

dkl

METODE PENELITIAN
Penelitian ini dilakukan melalui tiga tahap
utama seperti yang diilustrasikan pada
Gambar 4, yaitu:
1
2
3

Praproses.
Pembentukan model taksonometri.
Analisis taksonometri.

didefinisikan

dkl = ||Ck – Cl|| ,
dengan Ck dan Cl adalah centroid cluster k
dan cluster l.
Jarak intra-cluster sc(Qk) dalam cluster
Qk dihitung dengan rumus:
s c (Q k ) =

∑ i || X i − C k ||
,
Nk

dengan Nk adalah banyak titik yang termasuk
dalam cluster Qk, dan Ck adalah centroid dari
cluster Qk.
Dengan demikian, Indeks Davies-Bouldin
didefinisikan sebagai berikut:
DB (nc) =

 s (Q ) + s c (Ql ) 
1 nc
max  c k
,
∑
n k =1
 d kl (Qk , Ql ) 

dengan nc adalah banyaknya cluster. Dari
beberapa percobaan, akan dicari skema cluster
yang optimal, yaitu skema yang memiliki nilai
IDB paling rendah (Salazar et al. 2002).
Cluster Recall dan Precision
Evaluasi
kualitatif
terhadap
hasil
clustering dapat diperoleh dari nilai cluster
recall (CR) dan cluster precision (CP).
Cluster recall menunjukkan besarnya proporsi
jumlah data yang tercluster dengan benar
dibandingkan dengan jumlah data dalam kelas
yang sebenarnya. Adapun cluster precision
menunjukkan proporsi jumlah data yang
tercluster dengan benar dibandingkan dengan
jumlah data dalam kelas hasil clustering. Nilai
dari CR dan CP akan semakin baik jika
mendekati satu.
Pencarian CR dan CP dilakukan dengan
rumus berikut, dengan nij adalah jumlah
anggota kelas i dalam cluster j, ni adalah
jumlah anggota kelas i, dan nj adalah jumlah
anggota cluster j (Madarum 2006):
nij
nij
CP(i, j ) = .
CR(i, j) = ,
nj
ni

Gambar 4 Diagram alir metode penelitian.
Praproses
Diagram alir langkah praproses yang
dilakukan dalam penelitian ini dapat diamati
pada Gambar 5. Kegiatan yang dilakukan
dalam praproses data adalah kodefikasi,
seleksi karakter, dan analisis korelasi.
Data yang digunakan pada penelitian ini
diperoleh dari basis data Divora yang dikelola
oleh World Agroforestry Centre (ICRAF)
yang berlokasi di Bogor. Di dalam basis data
ini terdapat informasi spesimen daun dari
hutan karet yang terletak di wilayah Jambi dan
Lampung. Sebanyak 126 spesimen daun akan
digunakan dalam penelitian ini. Lampiran 1
memuat contoh data spesimen daun yang
didapatkan dari basis data Divora.

Gambar 5 Diagram alir praproses.

6

Setiap spesimen daun dikotiledon pada
basis data tersebut memiliki karakter-karakter
tertentu yang melambangkan morfologinya.
Secara keseluruhan terdapat 282 state yang
terbagi ke dalam 10 level karakter. Pada level
pertama, yaitu level primer, terdapat 21
karakter yang setiap karakternya memiliki
state atau subkarakter pada level berikutnya.
Level kedua memiliki 60 state dan satu state
N.A. (Not Applicable). Level berikutnya
memiliki lebih banyak jumlah state, demikian
seterusnya hingga level terakhir. Contoh
daftar karakter morfologi daun yang
didapatkan dari basis data dapat diamati pada
Lampiran 2.
Dalam penelitian ini hanya digunakan
karakter-karakter daun yang terletak pada
level pertama dan kedua, karena telah dapat
mewakili karakter umum yang dimiliki oleh
spesimen daun. Selain itu, tidak semua
spesimen daun memiliki karakter-karakter
pada level yang lebih dalam.
Untuk memudahkan pemrosesan data,
perlu dilakukan pengubahan kode (kodefikasi)
karakter yang terdapat pada basis data menjadi
nilai yang dapat dikenali dan diproses oleh
SOM Kohonen. Oleh karena itu, dibangun
sistem kodefikasi yang khusus digunakan
dalam penelitian ini.
Langkah selanjutnya adalah melakukan
seleksi terhadap 21 karakter primer yang akan
digunakan dalam proses clustering. Seleksi
penting untuk dilakukan, karena ada
kemungkinan tidak semua karakter dapat
mewakili keunikan ciri dari masing-masing
spesimen daun.
Hasil dari kodefikasi dan seleksi karakter
adalah data spesimen daun yang siap
digunakan untuk proses selanjutnya. Langkah
berikutnya adalah melakukan analisis korelasi
dari perhitungan terhadap koefisien korelasi
Spearman, untuk mengetahui ada atau
tidaknya korelasi antar karakter. Hasil dari
analisis korelasi berguna untuk menentukan
fungsi jarak yang akan digunakan pada
jaringan SOM Kohonen.
Pembentukan Model Taksonometri
Proses pembentukan model taksonometri
dapat diamati pada Gambar 6, meliputi:
1
2
3
4

Pembentukan data latih dan data uji.
Pelatihan dan pengujian.
Evaluasi IDB (Indeks Davies-Bouldin).
Penetapan model taksonometri.

Gambar 6 Diagram alir pembentukan model
taksonometri.
Pembentukan data latih dan data uji
didasarkan kepada metode k-fold cross
validation. Dalam penelitian ini digunakan 3fold cross validation, sehingga data spesimen
daun akan dibagi ke dalam tiga subset dengan
proporsi data setiap subset yang diusahakan
mendekati proporsi data secara keseluruhan.
Proses pelatihan dan pengujian, evaluasi
IDB, dan penetapan model taksonometri akan
dilakukan sebanyak tiga kali, sesuai dengan
jumlah model taksonometri yang ingin
dibentuk. Model taksonometri yang pertama
akan
melambangkan clustering
untuk
tingkatan taksa family, sedangkan model
taksonometri kedua dan ketiga masing-masing
akan menggambarkan clustering untuk tingkat
ordo dan subclass.
Topologi jaringan SOM Kohonen yang
digunakan dalam pembentukan model
taksonometri, yaitu SOM Kohonen satu
dimensi, memiliki keunggulan berupa
konvergensi terhadap data yang tinggi dan
mudah beradaptasi, namun pada umumnya
terdapat kesulitan dalam menentukan jumlah
neuron output (Tirozzi et al. 2007). Oleh
karena itu, jumlah neuron output dalam
penelitian ini akan disesuaikan dengan jumlah
taksa pada tingkatan tersebut. Sebagai contoh,
untuk taksonometri family, jumlah neuron
output yang digunakan adalah 21, sesuai
dengan banyaknya family pada data spesimen
daun. Taksonometri ordo memiliki neuron
output sejumlah 17, dan taksonometri
subclass sejumlah 4.

7

Pelatihan dan pengujian pada setiap
model taksonometri menggunakan parameter
yang tercantum pada Tabel 1, dengan n adalah
jumlah neuron output, αi adalah laju
pembelajaran awal, δi adalah lebar tetangga
awal, dan tmax adalah iterasi maksimum.
Tabel 1 Parameter pelatihan dan pengujian
model taksonometri.
Parameter
n
αi
δi
tmax

Model Taksonometri
Family
Ordo
Subclass
21
17
4
0.9, 0.5, 0.1
0.9, 0.5, 0.1 0.9, 0.5, 0.1
20, 15, 10, 5 15, 10, 5
3, 2, 1
50
50
50

Metode inisialisasi nilai vektor bobot
menggunakan nilai acak, dengan nilai
maksimum setiap bobot diperoleh dari nilai
maksimum karakter yang bersesuaian. Fungsi
jarak
yang
digunakan
adalah
jarak
Mahalanobis, karena adanya indikasi korelasi
antar karakter. Kombinasi berbagai parameter
tersebut akan diterapkan pada jaringan SOM
Kohonen. Penetapan model taksonometri
untuk setiap kategori didasarkan kepada
jaringan dengan kinerja terbaik, yaitu jaringan
yang menghasilkan nilai IDB minimum.
Analisis Taksonometri
Model
taksonometri
yang
telah
ditetapkan, bersama dengan data spesimen
daun secara keseluruhan, selanjutnya akan
diproses sebagai bahan untuk analisis
taksonometri. Langkah-langkah dalam analisis
ini dapat diamati pada Gambar 7.

Spesifikasi Pengembangan
Dalam penelitian ini digunakan perangkat
keras berupa laptop dengan prosesor Intel
Centrino Duo 1.7 GHz dan memori 1 GB.
Model
taksonometri
dibangun
pada
lingkungan pemrograman Java dengan
Netbeans 6.0.1 sebagai IDE. SPSS 13.0
digunakan untuk analisis korelasi. Seluruh
perangkat lunak berjalan pada sistem operasi
Ubuntu ME 8.04.

HASIL DAN PEMBAHASAN
Praproses
Dari basis data Divora didapatkan 126
spesimen daun kelas Magnoliopsida yang
akan digunakan dalam penelitian ini. Jumlah
tersebut terdiri atas 86 species, 44 genus, 21
family, 17 ordo, dan 4 subclass. Penelitian ini
akan berfokus kepada tiga tingkatan taksa,
yaitu family, ordo, dan subclass. Daftar
anggota untuk ketiga tingkatan taksa ini dapat
diamati pada Tabel 2. Rincian jumlah data
spesimen daun untuk setiap tingkatan taksa
disajikan pada Tabel 3, Tabel 4, dan Tabel 5.
Dari ketiga tabel tersebut dapat diamati
bahwa terdapat persebaran data yang tidak
merata di setiap kelasnya. Jumlah data
terbesar terdapat pada family Euphorbiaceae
(35.71%), ordo Euphorbiales (35.71%) dan
subclass Rosidae (65.08%).
Tabel 2 Daftar anggota tingkatan
subclass, ordo, dan family.
Subclass
Asteridae

Dilleniidae

Gambar 7 Diagram alir analisis taksonometri.
Data spesimen daun yang telah
diclusterkan menggunakan model taksonometri family, ordo, dan subclass akan
dievaluasi untuk mendapatkan nilai cluster
precision (CP) dan cluster recall (CR).
Selanjutnya, hasil taksonometri untuk setiap
tingkatan
taksa
akan
diamati
dan
dibandingkan dengan sistem taksonomi umum
untuk mendapatkan representasi pengetahuan.

Magnoliidae

Rosidae

Ordo
Gentianales
Lamiales
Rubiales
Malvales
Primulales
Theales
Violales
Laurales
Magnoliales
Ranunculales
Celastrales
Euphorbiales
Fabales
Myrtales
Polygalales
Rhizophorales
Sapindales

taksa

Family
Apocynaceae
Loganiaceae
Verbenaceae
Rubiaceae
Elaeocarpaceae
Myrsinaceae
Clusiaceae
Flacourtiaceae
Lauraceae
Monimiaceae
Annonaceae
Sabiaceae
Icacinaceae
Euphorbiaceae
Fabaceae
Myrtaceae
Polygalaceae
Rhizophoraceae
Burseraceae
Meliaceae
Sapindaceae

8

Tabel 3 Jumlah data spesimen daun pada
setiap family.
No

Nama Family

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

Annonaceae
Apocynaceae
Burseraceae
Clusiaceae
Elaeocarpaceae
Euphorbiaceae
Fabaceae
Flacourtiaceae
Icacinaceae
Lauraceae
Loganiaceae
Meliaceae
Monimiaceae
Myrsinaceae
Myrtaceae
Polygalaceae
Rhizophoraceae
Rubiaceae
Sabiaceae
Sapindaceae
Verbenaceae

Jumlah
Data
2
1
8
4
3
45
3
1
1
8
1
2
2
1
9
7
2
17
1
5
3

%
1.59
0.79
6.35
3.17
2.38
35.71
2.38
0.79
0.79
6.35
0.79
1.59
1.59
0.79
7.14
5.56
1.59
13.49
0.79
3.97
2.38

Tabel 4 Jumlah data spesimen daun pada
setiap ordo.
No

Nama Ordo

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

Celastrales
Euphorbiales
Fabales
Gentianales
Lamiales
Laurales
Magnoliales
Malvales
Myrtales
Polygalales
Primulales
Ranunculales
Rhizophorales
Rubiales
Sapindales
Theales
Violales

Jumlah
Data
1
45
3
2
3
10
2
3
9
7
1
1
2
17
15
4
1

%
0.79
35.71
2.38
1.59
2.38
7.94
1.59
2.38
7.14
5.56
0.79
0.79
1.59
13.49
11.90
3.17
0.79

Tabel 5 Jumlah data spesimen daun pada
setiap subclass.
No
1
2
3
4

Nama Subclass
Asteridae
Dilleniidae
Magnoliidae
Rosidae

Jumlah
Data
22
9
13
82

%
17.46
7.14
10.32
65.08

Kodefikasi dilakukan dengan menetapkan
kisaran nilai untuk setiap karakter primer
sesuai dengan jumlah state yang dimilikinya.
Setiap karakter primer memiliki sebuah state
N.A. (Not Applicable) yang dikodekan dengan
angka nol (0). Selanjutnya, apabila karakter
tersebut memiliki dua buah state atau lebih,
setiap state dikodekan dengan angka 1, 2, dan
seterusnya.
Rincian kodefikasi karakter morfologi
daun yang dilakukan dimuat pada Lampiran 3.
Beberapa karakter morfologi daun tersebut
diilustrasikan pada Lampiran 4. Ilustrasi
tersebut didapatkan dari Manual of Leaf
Architecture (Ash et.al. 1999). Dari data awal,
akan dilakukan kodefikasi terhadap setiap
karakter sehingga menghasilkan satu nilai
state untuk karakter tersebut. Apabila
spesimen daun memiliki lebih dari satu state
pada salah satu karakternya, maka state yang
akan diperhatikan hanyalah salah satunya saja.
Dari proses kodefikasi akan diperoleh
hasil berupa sekuen angka yang menunjukkan
karakteristik sebuah spesimen daun. Pada
Tabel 6 disajikan contoh hasil kodefikasi dari
species Aglaia multinervis. Karakteristik
spesimen daun dari species ini adalah
211131911212111222112. Contoh data spesimen daun hasil kodefikasi lainnya dapat
diamati pada Lampiran 5.
Pengamatan terhadap data spesimen daun
hasil kodefikasi menunjukkan bahwa terdapat
lima karakter dengan variasi sangat kecil. Tiga
karakter, yaitu karakter ke-4, 15, dan 20,
memiliki state yang sama untuk seluruh data
spesimen. Dua karakter lainnya, yaitu karakter
ke-10 dan 21, hanya memiliki satu atau dua
data spesimen yang berbeda state dengan
spesimen lainnya. Oleh karena itu, kelima
karakter ini tidak diikutsertakan dalam proses
clustering, sehingga jumlah karakter yang
akan digunakan dalam proses clustering
adalah 16 karakter. Pada species Aglaia
multinervis di atas, karakteristiknya menjadi
2113191112112221.
Analisis korelasi dilakukan dengan
perhitungan koefisien korelasi Spearman
menggunakan SPSS 13.0. Hasil uji nyata dua
arah yang dapat diamati pada Lampiran 6
menunjukkan adanya korelasi nyata pada level
0.05 sebanyak 32 dari 120 korelasi antar
karakter morfologi daun, atau sebesar 26.7%.
Adanya korelasi memberikan dasar atas
penggunaan jarak Mahalanobis pada proses
clustering SOM Kohonen.

9

Tabel 6 Karakter dan state spesimen daun
dari species Aglaia multinervis.
No
1

2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21

Karakter
Jenis daun
berdasarkan ada
tidaknya anak daun
Susunan daun pada
batang
Ada tidaknya stipula
Ada tidaknya stipel
Helaian daun
Ujung daun
Pangkal daun
Tepi daun
Ada tidaknya kelenja