Sistem Pakar untuk Identifikasi Shorea Menggunakan Algoritme Voting Feature Interval 5
SISTEM PAKAR UNTUK IDENTIFIKASI SHOREA
MENGGUNAKAN ALGORITME
VOTING FEATURE INTERVAL 5
LINA HERLINA TRESNAWATI
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2012
SISTEM PAKAR UNTUK IDENTIFIKASI SHOREA
MENGGUNAKAN ALGORITME
VOTING FEATURE INTERVAL 5
LINA HERLINA TRESNAWATI
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
2012
i
ABSTRACT
LINA HERLINA TRESNAWATI. Expert System for Shorea Identification using Voting Feature
Intervals 5 Algorithm. Supervised by AZIZ KUSTIYO and IWAN HILWAN.
Shorea is a kind of meranti species that have high value. Shorea is a genus name with 194 species
and belong to the Dipterocarpaceae family. Shorea has a considerable number of benefits. It is the
most important timber source. Shorea can be used to produce varnish, paint and other chemical
materials. One kind of Shorea is better known as tengkawang and can produce a high price oil that can
be used to make cosmetics and food.
The morphological similarity of Shorea makes it difficult to distinguish one Shorea to another.
The identification is usually done by experts. Unfortunately, there is limited time and resource of
experts to identify. Expert system is a computer system that emulates the decision making ability of
human expert.
This research aims to develop an expert system to identify Shorea based on morphological
characteristics of Shorea. The expert system being built uses Voting Feature Intervals 5 (VFI5)
algorithm to identify Shorea. The acquistion of data is done with expert to examine Shorea
morphological characteristics. The acquisition is generating identification of determination key as
comparison to VFI5 algoritm. The identification using VFI5 algorithm produced 99% average
accuracy, and identification of Shorea performed by an expert produced 90% accuracy.
Keywords: Determination Key, Expert System, Shorea, Voting Feature Intervals 5
i
Judul Skripsi : Sistem Pakar untuk Identifikasi Shorea Menggunakan Algoritme Voting Feature
Interval 5
Nama
: Lina Herlina Tresnawati
NRP
: G64096037
Disetujui,
Pembimbing I
Pembimbing II
Aziz Kustiyo SSi MKom
NIP. 19700719 199802 1 001
Ir Iwan Hilwan MS
NIP. 19600204 198601 1 002
Diketahui,
Ketua Departemen
Dr Ir Agus Buono MSi MKom
NIP. 19660702 199302 1 001
Tanggal Lulus :
ii
PRAKATA
Bismillahirrohmanirrohim,
Segala puji bagi Allah subhanahuwata’ala atas segala limpahan rahmat dan karunia-Nya yang
telah diberikan. Semoga sholawat serta salam tetap tercurahkan kepada Nabi Muhammad SAW
sehingga penulis dapat menyelesaikan karya ilmiah ini. Judul penelitian ini adalah Sistem Pakar untuk
Identifikasi Shorea Menggunakan Algoritme Voting Feature Intervals 5. Penyelesaian penelitian ini
tidak luput dari bantuan dan dukungan dari banyak pihak. Untuk itu saya ingin menyampaikan terima
kasih kepada:
1
2
3
4
5
6
7
8
Orang tua tercinta Bapak Acep Suryana dan ibu Dede Ratnawati, saudaraku Hendra
Andriana Saputra dan Venny Febriani Putri, serta keluarga besar yang senantiasa
memberikan do’a dan dukungannya.
Bapak Aziz Kustiyo SSi MKom dan Bapak Ir Iwan Hilwan MS selaku pembimbing
dalam menjalankan proses pembuatan karya ilmiah ini.
Bapak Toto Haryanto SKom MSi dan Bapak Mushthofa SKom MSc selaku dosen
penguji.
Bapak Aulia dan pihak Konservasi Kebun Raya Bogor atas sampel daun Shorea-nya.
Seluruh dosen pengajar dan civitas akademika Departemen Ilmu Komputer FMIPA IPB
Teman-teman satu bimbingan yang bersama-sama berjuang dalam proses penyelesaian
skripsi.
Hafiz, Yuni, Wahyu, Nela, dan semua teman seangkatan Alih Jenis Ilkom angkatan 4
untuk semua bantuan dan motivasinya.
Intan, Diah, teman-teman kosan dan DKSI untuk semua dukungan dan pengertiannya.
Akhirnya penulis berharap semoga pernulisan karya ilmiah ini dapat bermanfaat bagi semua pihak
yang membutuhkan. Amin.
Bogor, Juni 2012
Lina Herlina Tresnawati
iii
RIWAYAT HIDUP
Penulis dilahirkan di Cicalengka pada tanggal 03 Mei 1988. Penulis adalah anak pertama dari tiga
bersaudara, pasangan Bapak Acep Suryana dan Ibu Dede Ratnawati.
Pada tahun 2006, penulis lulus dari SMAN 1 Cicalengka, kemudian melanjutkan pendidikan
Diploma III pada Program Keahlian Manajemen Informatika, Institut Pertanian Bogor. Penulis lulus
Diploma pada tahun 2009, dan pada tahun yang sama, penulis melanjutkan studi di Program Alih
Jenis Institut Pertanian Bogor, Jurusan Ilmu Komputer untuk memperoleh gelar sarjana. Selama
menjalani studi, penulis bekerja di Direktorat Komunikasi dan Informatika, Institut Pertanian Bogor.
iv
DAFTAR ISI
Halaman
DAFTAR TABEL....................................................................................................................... vi
DAFTAR GAMBAR .................................................................................................................. vi
DAFTAR LAMPIRAN ............................................................................................................... vi
PENDAHULUAN
Latar Belakang ........................................................................................................................ 1
Tujuan ..................................................................................................................................... 1
Ruang Lingkup ........................................................................................................................ 1
TINJAUAN PUSTAKA
Shorea ..................................................................................................................................... 1
Sistem Pakar ............................................................................................................................ 2
K-Fold Cross Validation .......................................................................................................... 3
Kunci Determinasi ................................................................................................................... 3
Voting Feature Intervals 5 ....................................................................................................... 3
Confusion Matrix..................................................................................................................... 3
METODE PENELITIAN
Identifikasi Masalah ................................................................................................................. 4
Akuisisi Pengetahuan ............................................................................................................... 4
Representasi Pengetahuan ........................................................................................................ 4
Pengembangan Mesin Inferensi ................................................................................................ 4
Implementasi ........................................................................................................................... 4
Pengujian................................................................................................................................. 4
Spesifikasi aplikasi .................................................................................................................. 5
HASIL DAN PEMBAHASAN
Tahap Identifikasi Masalah ...................................................................................................... 5
Tahap Akuisis Pengetahuan ..................................................................................................... 5
Tahap Representasi Pengetahuan .............................................................................................. 5
Tahap Pengembangan Mesin Inferensi ..................................................................................... 6
Fold I ...................................................................................................................................... 7
Fold II ..................................................................................................................................... 7
Fold III .................................................................................................................................... 7
Tahap Implementasi ................................................................................................................. 7
Tahap Pengujian ...................................................................................................................... 7
Perbandingan dengan Penelitian Terkait ................................................................................... 8
KESIMPULAN DAN SARAN
Kesimpulan ............................................................................................................................. 9
Saran ....................................................................................................................................... 9
DAFTAR PUSTAKA .................................................................................................................. 9
LAMPIRAN .............................................................................................................................. 10
v
DAFTAR TABEL
Halaman
1 Confusion matrix ................................................................................................................. 4
2 Fitur nominal Shorea ........................................................................................................... 5
3 Susunan data pelatihan dan pengujian .................................................................................. 6
4 Confusion matrix fold I ........................................................................................................ 7
5 Confusion matrix fold II....................................................................................................... 7
6 Confusion matrix fold III ..................................................................................................... 7
7 Akurasi rata-rata .................................................................................................................. 7
DAFTAR GAMBAR
Halaman
1 Pohon Shorea pinanga Scheff. .......................................................................................... 1
2 Shorea javanica Koord. & Val. ......................................................................................... 2
3 Shorea johorensis Foxwf................................................................................................... 2
4 Shorea leprosula Miq........................................................................................................ 2
5 Shorea platyclados Slooten. .............................................................................................. 2
6 Shorea seminis Slooten. .................................................................................................... 2
7 Elemen sistem pakar (Fu 1994) ......................................................................................... 2
8 Tahapan alur penelitian ..................................................................................................... 4
9 Grafik perbandingan jawaban responden .......................................................................... 8
10 Grafik perbandingan jenis jawaban Shorea yang benar teridentifikasi ................................ 8
11 Hasil uji pakar .................................................................................................................. 8
DAFTAR LAMPIRAN
Halaman
1 Sampel data Shorea untuk data numerik ........................................................................... 11
2 Sampel data Shorea untuk data nominal ........................................................................... 12
3 Kunci determinasi............................................................................................................ 13
4 Selang fitur pada pelatihan fold III ................................................................................. 14
5 Screenshot sistem ............................................................................................................ 22
6 Kuesioner kunci determinasi ............................................................................................. 23
vi
1
PENDAHULUAN
Latar Belakang
Shorea
merupakan nama marga yang
memiliki 194 spesies dan termasuk dalam suku
Dipterocarpaceae. Shorea merupakan penghasil
kayu terpenting, digunakan untuk pernis, cat,
dan pengolahan kimiawi lainnya. Salah satu
jenis Shorea yang lebih dikenal sebagai
tengkawang (buah meranti-merantian) bisa
mengeluarkan minyak berharga tinggi dan biasa
digunakan untuk kosmetik dan makanan.
Karena manfaat Shorea tersebut, diperlukan
identifikasi untuk menentukan jenis Shorea
yang tepat sesuai dengan kebutuhan. Terdapat
kesulitan identifikasi karena ada kemiripan jenis
Shorea yang satu dengan yang lainnya
(khususnya pada pertulangan daun). Identifikasi
biasanya dilakukan oleh pakar, namun terdapat
keterbatasan waktu identifikasi yang dilakukan
oleh pakar. Oleh karena itu, diperlukan suatu
sistem yang dapat mewakili pakar tersebut.
Sistem ini biasanya dikenal dengan istilah
sistem pakar.
Nurjayanti (2011) mengidentifikasi Shorea
menggunakan
k-Nearest
Neigbour
menghasilkan
akurasi
100%
setelah
normalisasi. Hasibuan (2010) memprediksi
penyakit
kencing
manis
menggunakan
algoritme Voting Feature Interval 5 dengan
akurasi 90%. Susanti (2012) mengidentifikasi
Shorea menggunakan algoritme Voting Feature
Interval 5 menghasilkan akurasi 88%. Pada
penelitian Nurjayanti dan Susanti, data Shorea
yang digunakan meliputi lima jenis Shorea,
menggunakan 10 fitur, dan sistem masih untuk
identifikasi.
Penelitian ini dikerjakan menggunakan
sepuluh jenis Shorea, menggunakan 21 fitur
dengan menghilangkan fitur panjang, lebar,
keliling, dan luas karena keempat fitur tersebut
merupakan nilai vote yang salah. Aplikasi
dibuat dengan melakukan akuisisi bersama
pakar.
Sistem
pakar
yang
dikembangkan
menggunakan algoritme Voting Feature
Interval 5 (VFI5). VFI5 ini dipilih karena kokoh
terhadap fitur yang tidak relevan (Demiroz &
Guvenir 1997). Penelitian ini diharapkan dapat
membantu pihak-pihak terkait (seperti orang
yang bekerja di lembaga penelitian) untuk
mengidentifikasi jenis Shorea.
Tujuan
Penelitian ini bertujuan membangun sistem
pakar untuk mengidentifikasi jenis Shorea
menggunakan algoritme VFI5.
Ruang Lingkup
Ruang lingkup penelitian ini meliputi:
1 melakukan
identifikasi
dengan
menggunakan karakteristik morfologi
daun dan tangkai Shorea,
2 fitur yang digunakan sebanyak 21 fitur
yang terbagi menjadi data numerik dan
data nominal, serta
3 data yang digunakan adalah sepuluh
jenis data Shorea yang diukur secara
manual dari daun dan ranting basah
serta hasil herbarium.
TINJAUAN PUSTAKA
Shorea
Shorea adalah nama marga, pohon dengan
ketinggian mecapai 60 m dan diameter
mencapai 180 cm, beranggotakan sekitar 194
spesies, terutama berupa pohon penghuni hutan
tropika, dari suku Dipterocarpaceae. Marga ini
dinamai demikian untuk menghormati Sir John
Shore, Gubernur Jenderal British East India
Company periode 1793-1798. Shorea menyebar
terutama di Asia Tenggara ke barat hingga
Srilanka, dan India utara, serta ke timur hingga
Filipina dan Maluku. Kayu meranti banyak
dipergunakan sebagai kayu pertukangan, kayu
lapis, papan pertikel, peti pengepak, mebel, alat
musik, bahan bangunan rumah, dan perkapalan.
Gambar Shorea dapat dilihat pada Gambar 1.
Gambar 1 Pohon Shorea pinanga Scheff.
Dipterocarpaceae sulit untuk diidentifikasi
sampai tingkat jenis hutan, terutama di
Kalimantan yang memiliki jumlah jenis
terbanyak. Ketidakmampuan untuk mengenal
individu
Dipterocarpaceae
di
hutan
memperbesar terjadinya eksploitasi yang
2
dipusatkan pada beberapa jenis yang dikenal
dengan baik, khususnya meranti merah Shorea.
Berikut ini akan dijelaskan ciri diagnostik
dari Shorea javanica Koord. & Val., Shorea
johorensis Foxwf., Shorea leprosula Miq.,
Shorea platyclados Slooten., dan Shorea
seminis Slooten.
Shorea javanica Koord. & Val. Memiliki
pertulangan sekunder di bawah dan kesan raba
licin, pertulangan sekunder 19-25 pasang, bila
mengering berwarna lebih tua daripada
permukaan daun lebih bawah. Tangkai daun 1.4
– 2.4 cm, pangkal daun membundar. Shorea
menyebar di daerah Sumatera, Jawa, Leuweung
Sancang Jawa Barat, umumnya ditanam di Jawa
dan Kalimantan (Muara Teweh) untuk diambil
damarnya. Gambar Shorea javanica Koord. &
Val. dapat dilihat pada Gambar 2.
pertulangan tersier hampir tidak kelihatan, tegak
lurus, dan domatia tidak ada. Gambar Shorea
platyclados Slooten. dapat dilihat pada Gambar
5.
Gambar 5 Shorea platyclados Slooten.
Shorea seminis Slooten. tumbuh di tepi
sungai. Tangkai daunnya bila mengering hitam,
agak pendek. Daun berbulu jarang coklat kelabu
pada pertulangan bagian bawah. Buah tidak
bersayap, kelopak daun membentuk cuping
pendek dan berkayu (Newman et al. 1999).
Gambar Shorea seminis Slooten dapat dilihat
pada Gambar 6.
Gambar 2 Shorea javanica Koord. & Val.
Pada Shorea johorensis Foxwf., daun
mengering coklat atau tengguli, terdapat
domatia, dan pertulangan daun sekunder 9-12
pasang. Gambar Shorea johorensis Foxwf.
dapat dilihat pada Gambar 3.
Gambar 6 Shorea seminis Slooten.
Sistem Pakar
Sistem pakar adalah suatu sistem komputer
yang menyamai (emulates) kemampuan
pengambilan keputusan dari seorang pakar
(Arhami 2004). Elemen sistem pakar menurut
Fu (1994) dapat dilihat pada Gambar 7.
Knowledge Engineer
Domain Expert
Expert System
Building Tool
Gambar 3 Shorea johorensis Foxwf.
Shorea leprosula Miq. mempunyai Pangkal
daun membundar, ujung daun lancip,
permukaan atas licin, permukaan bawah kasar,
pertulangan
sekunder
10-16
pasang,
pertulangan tersier hampir tidak terlihat jelas,
terdapat domatia. Gambar Shorea leprosula
Miq. dapat dilihat pada Gambar 4.
Inference
Engine
Kowledge Base
Explanation Facility
User Interface
User
Gambar 7 Elemen sistem pakar (Fu 1994).
Gambar 4 Shorea leprosula Miq.
Shorea platyclados Slooten mempunyai
tangkai daun 0.9 - 2 cm, ujung daun lancip,
pangkal membundar, permukaan atas bila
mengering coklat agak lembayung atau coklat,
permukaan bawah bila mengering coklat,
pertulangan sekunder 12 – 25 pasang,
Berikut ini merupakan penjelasan dari
elemen sistem pakar (Fu 1994):
1 Knowledge base (basis pengetahuan)
menyimpan pengetahuan ke dalam sistem.
Knowledge
base
mengandung
pengetahuan untuk pemahaman, formulasi,
dan penyelesaian masalah. Komponen
sistem pakar ini disusun atas dua elemen
dasar, yaitu fakta dan aturan. Fakta
3
2
3
4
5
6
7
8
merupakan informasi tentang obyek dalam
area permasalahan tertentu, sedangkan
aturan merupakan informasi tentang cara
memperoleh fakta baru dari fakta yang
telah diketahui.
Inference engine merupakan program
komputer yang memberikan metode untuk
penalaran tentang informasi yang ada
dalam basis pengetahuan sehingga dapat
membuat kesimpulan sendiri.
Explanation facility (fasilitas penjelas)
merupakan komponen tambahan yang
menggambarkan penalaran sistem kepada
pemakai.
User interface (antarmuka pengguna)
merupakan mekanisme yang digunakan
oleh pengguna dan sistem pakar untuk
berkomunikasi. Antarmuka menerima
informasi dari pemakai dan mengubahnya
ke dalam bentuk yang dapat diterima oleh
sistem. Selain itu, antarmuka menerima
informasi dari sistem dan menyajikannya
dalam bentuk yang dapat dimengerti oleh
pemakai.
Knowledge enginer adalah orang yang
merepresentasikan pengetahuan dari pakar
ke sistem.
User (pemakai) orang yang akan
menggunakan sistem pakar.
Domain expert (domain masalah) adalah
bidang atau ruang lingkup yang khusus
mengenai suatu permasalahan.
Expert system building tool merupakan
alat yang digunakan untuk membangun
sistem pakar.
K-Fold Cross Validation
Metode k-fold cross validation membagi
sebuah himpunan menjadi k himpunan bagian
lain (subset). Dilakukan ulangan sebanyak k
kali, dan pada setiap ulangan terdapat subset
sebagai pelatihan dan pengujian (Fu 1994).
Tingkat akurasi dapat dihitung dengan
membagi jumlah hasil klasifikasi yang benar
dari k-fold dengan semua jumlah instance pada
data awal (Han & Kamber 2001).
Kunci Determinasi
Kunci determinasi merupakan salah satu
cabang dari ilmu taksonomi yang mempelajari
tentang penetapan suatu jenis tumbuhan atau
segolongan dengan tumbuh-tumbuhan yang
telah diketahui dalam buku kunci. Djamhuri
(1981) mengemukakan kegiatan kegiatan
identifikasi
dapat
dilakukan
dengan
menggunakan literature yang sudah ada atau
membandingkan dengan tumbuh-tumbuhan
yang sudah diketahui identitasnya. Penggunaan
kunci determinasi pertama kali diperkenalkan
oleh Carolus Linnaeus.
Djamhuri (1981) mengemukakan bahwa
untuk kegiatan determinasi dapat dilakukan
dengan cara sebagai berikut:
1 Membandingkan atau menyamakan
tumbuhan yang dijumpai di lapangan
dengan herbarium yang telah diketahui
sifat-sifatnya dan namanya.
2 Membandingkan atau menyamakan
tumbuhan yang ingin diketahui dengan
gambar-gambar yang ada dalam buku
manual.
3 Menggunakan kunci determinasi.
4 Bertanya kepada orang yang benar-benar
telah
mengetahui
berbagai
jenis
tumbuhan.
Voting Feature Intervals 5
Algoritme
klasifikasi
VFI5
merepresentasikan sebuah konsep yang
mendeskripsikan konsep selang antarfitur.
Algoritme ini dikembangkan oleh Gulsen
Demiroz dan Halil Altay Guvenir pada tahun
1997. Algoritme VFI ini termasuk dalam
algoritme yang supervised, yaitu algoritme yang
memiliki target berupa kelas-kelas data dan
bersifat non-incremental yang berarti semua
data pelatihan diproses secara bersamaan
(Demiroz & Guvenir 1997).
Terdapat dua proses pada algoritme VFI5:
1 Pelatihan
Proses pelatihan ini bertujuan untuk mencari
model yang akan digunakan untuk proses
klasifikasi. Pada proses pelatihan ini, akan
dihasilkan selang pada setiap fitur. Sebuah
selang mewakili himpunan nilai-nilai dari
fitur yang diberikan.
2 Klasifikasi
Pada setiap kelas, vote diberi nilai awal 0
karena semua fitur pada awalnya belum
memberikan vote, kemudian dicari selang
untuk instance pengujian yang jatuh pada
selang tersebut untuk setiap fitur. Setelah
mendapat selang fiturnya, dilakukan
penjumlahan untuk semua fitur yang ada
pada satu instance. Hasil penjumlahan yang
paling besar akan diidentifikasi sebagai
kelasnya.
Confusion Matrix
Confusion matrix merupakan informasi
tentang penggambaran data aktual yang
direpresentasikan pada baris matriks dan kelas
data hasil prediksi pada sebuah algoritme yang
direpresentasikan
pada
kolom
matriks
klasifikasi. Evaluasi model klasifikasi ini
4
didasarkan pada proporsi antara data uji yang
diprediksi secara tepat dengan total prediksi
(Tan 2006).
Tabel 1 Confusion matrix
Data
Kelas 1
a
Kelas 1
Aktual
Kelas 2
c
Prediksi
Kelas 2
b
d
Keterangan:
a adalah jumlah instance kelas 1 yang
berhasil diprediksi dengan benar sebagai
kelas 1,
b adalah jumlah instance kelas 1 yang tidak
berhasil diprediksi dengan benar karena
diprediksi sebagai kelas 2,
c adalah jumlah instance kelas 2 yang tidak
berhasil diprediksi dengan benar karena
diprediksi sebagai kelas 1, serta
d adalah jumlah instance kelas 2 yang
berhasil diprediksi dengan benar sebagai
kelas 2.
METODE PENELITIAN
Penelitian ini dilakukan dengan beberapa
tahapan proses. Untuk memperoleh hasil
akurasi dari algoritme VFI5, data dibagi
menjadi tiga buah fold. Tahapan alur penelitian
dapat dilihat pada Gambar 8.
Mulai
Identifikasi
masalah
Akuisisi
pengetahuan
VFI 5
Representasi
pengetahuan
Pengembangan
mesin inferensi
Implementasi
Pengujian
Tidak
Mewakili pakar ?
Ya
Selesai
Gambar 8 Tahapan alur penelitian
(Marimin 2009).
Identifikasi Masalah
Keanekaragaman
jenis
Shorea
dan
kemiripan ciri morfologinya menyebabkan
kesulitan dalam membedakan jenis Shorea yang
satu dengan yang lainnya. Diperlukan seorang
ahli (pakar) untuk mengidentifikasi jenis
Shorea.
Keterbatasan
pakar
dapat
mengakibatkan kesalahan dalam identifikasi
jenis Shorea. Kesalahan tersebut dapat
mengakibatkan penggunaan kayu yang kurang
tepat sehingga dapat menyebabkan eksploitasi.
Oleh karena itu, dibuatlah sistem pakar untuk
mengidentifikasi jenis-jenis Shorea.
Akuisisi Pengetahuan
Akuisisi pengetahuan dilakukan dengan
mencari berbagai sumber referensi yang
berkaitan dengan Shorea. Salah satunya adalah
dengan melakukan kunjungan ke perpustakaan
Seameo Biotrop. Selain itu, dilakukan
konsultasi dengan pakar, yaitu Ir Iwan Hilwan
MS dari Departemen Silvikultur Fakultas
Kehutanan IPB, untuk membahas ciri-ciri
morfologi dari Shorea.
Representasi Pengetahuan
Pengembangan
sistem
pakar
ini
menggunakan
algoritme
VFI5.
Pada
representasi pengetahuan, dilakukan proses
pelatihan, yaitu data latih yang telah ditentukan
digunakan sebagai input. Ciri-ciri morfologi
Shorea digunakan sebagai fitur, dan jenis
Shorea digunakan sebagai kelasnya. Hasil
representasi pengetahuan merupakan selang
yang memiliki nilai vote dari proses pelatihan.
Pengembangan Mesin Inferensi
Metode inferensi yang digunakan adalah
dengan melakukan klasifikasi yang terdiri atas
tiga tahap, yaitu menentukan nilai vote pada
data uji, menjumlahkan setiap instance, dan
menentukan kelas prediksi.
Implementasi
Sistem ini dikembangkan menggunakan
Visual Studio 2005 untuk proses pelatihan dan
klasifikasi metode VFI5.
Pengujian
Tahap pengujian dilakukan dengan uji coba
semua fold, uji coba kunci determinasi kepada
mahasiswa, dan uji coba sampel Shorea kepada
pakar.
Tahap akhir dari metode ini adalah
menghitung nilai akurasi dari hasil yang
diperolah pada tahap pengolahan menggunakan
metode VFI5. Akurasi dapat dihitung dengan:
∑data uji benar klasifikasi
Akurasi =
∑ total data uji
X 100%
5
Spesifikasi aplikasi
Aplikasi ini akan dikembangkan berbasis
desktop, dengan implementasi perangkat keras
dan perangkat lunak sebagai berikut:
Perangkat Keras
1 Processor Intel Pentium P6100, 2 GHz
2 RAM kapasitas 2 GB
3 Hard disk kapasitas 320 GB
Perangkat lunak
1 Sistem Operasi Microsoft Windows 7
2 Microsoft Visual Studio 2005
3 Microsoft Excel 2010
HASIL DAN PEMBAHASAN
Tahap Identifikasi Masalah
Keanekaragaman
jenis
Shorea
dan
kemiripan ciri morfologinya menyebabkan
kesulitan dalam membedakan jenis Shorea yang
satu dengan yang lainnya. Diperlukan seorang
ahli (pakar) untuk mengidentifikasi jenis
Shorea.
Keterbatasan
pakar
dapat
mengakibatkan kesalahan dalam identifikasi
jenis Shorea. Kesalahan tersebut dapat
mengakibatkan penggunaan kayu yang kurang
tepat sehingga dapat menyebabkan eksploitasi.
Oleh karena itu, dibuatlah sistem pakar
untuk mengidentifikasi jenis-jenis Shorea yang
dapat mewakili pakar. Tujuan dari pembuatan
sistem ini adalah mengidentifikasi jenis Shorea
berdasarkan ciri morfologi daun dan ranting
sehingga sistem dapat digunakan oleh
pengguna, yaitu orang yang bekerja di pusat
penelitian, orang yang bekerja di hutan untuk
mengidentifikasi Shorea, dan orang yang
bekerja sebagai operator sistem untuk mewakili
pakar.
Tahap Akuisis Pengetahuan
Akuisisi pengetahuan dilakukan dengan cara
melakukan wawancara secara langsung dengan
pakar dan melakukan studi pustaka di
perpustakaan Seameo Biotrop. Dari wawancara
dan studi pustaka tersebut, didapatkan bahwa
terdapat kemiripan antara ciri-ciri morfologi
Shorea. Kemiripan pada ciri morfologi tersebut
menyebabkan kesulitan dalam membedakan
jenis Shorea yang satu dengan yang lain. Dari
hasil akuisisis dengan pakar, identifikasi dapat
dilakukan
dengan
menggunakan
kunci
determinasi. Kunci determinasi digunakan
untuk mengidentifikasi Shorea dari fitur-fitur
nominal dan sebagai pembanding dengan
identifikasi yang dilakukan oleh sistem. Kunci
determinasi yang telah dibuat dapat dilihat pada
Lampiran 3.
Tahap Representasi Pengetahuan
Pada tahap ini, data dibagi menjadi data
numerik dan data nominal. Data numerik terdiri
atas sepuluh fitur:
1 Jumlah tulang daun.
2 Jarak tangkai.
3 Jarak buku.
4 Sudut pangkal.
5 Sudut tengah.
6 Sudut ujung.
7 Rasio daun.
8 Panjang stipula.
9 Lebar stipula.
10 Diameter ranting.
Data nominal dapat dilihat pada Tabel 2.
Tabel 2 Fitur nominal Shorea
No
Fitur
Nominal
1 Permukaan atas
Halus
Kasar
1
2
2
Permukaan
bawah
Halus
Kasar
1
2
3
Pertulangan
tersier
Tegak lurus
Diagonal
1
2
4
Bentuk ranting
Pipih
Silindris
1
2
5
Permukaan
ranting
Licin
Kasab
1
2
6
Arah ranting
Lurus
Zigzag
1
2
7
Pangkal daun
Meruncing
Runcing
Membundar
Tumpul
1
2
3
4
8
Ujung daun
Meruncing
Runcing
Membundar
Tumpul
1
2
3
4
9
Sifat helai daun
Tipis
Sedang
Tebal
1
2
3
10
Domatia
Ada
Tidak ada
1
2
11
Stipula
Memanjang
Membundar
1
2
6
Data yang digunakan terdiri atas sepuluh
kelas jenis shorea, yaitu :
1 JOH
: Shorea johorensis Foxwf.
2 PIN
: Shorea pinanga Scheff.
3 MAC
: Shorea macropter Dyer.
4 LPR
: Shorea leprosula Miq.
5 LEP
: Shorea lepida Blume.
6 MAT
: Shorea materialis Ridley.
7 PLA
: Shorea platyclados Slooten.
8 JAV
: Shorea javanica koord. & Val.
9 PAL
: Shorea palembanica Miq.
10 SEM
: Shorea seminis Slooten.
Data keseluruhan sebanyak 90 instance yang
terlebih dahulu dibagi menjadi tiga buah
himpunan bagian yang ukurannya sama satu
dengan yang lainnya. Pembagian data
keseluruhan menghasilkan himpunan bagian
yang disebut sebagai himpunan bagian S1,
himpunan bagian S2, dan himpunan bagian S3.
Pembagian data keseluruhan ini menghasilkan
himpunan bagian yang masing-masing memiliki
jumlah instance sebanyak 60 data latih dan 30
data uji.
Pada penelitian ini, pelatihan dan pengujian
dilakukan sebanyak tiga kali. Susunan data
yang digunakan sebagai data pelatihan dan
pengujian pada setiap fold disajikan pada Tabel
3.
Tabel 3 Susunan data pelatihan dan pengujian
Fold
Fold I
Fold II
Fold III
Pelatihan
S2, S3
S1, S3
S1, S2
Pengujian
S1
S2
S3
Hasil representasi pengetahuan adalah nilai
selang yang sudah memiliki nilai vote untuk
masing-masing fitur.
Proses Voting Feature Interval 5 terdiri atas
lima tahap:
1 Menampilkan nilai pelatihan.
2 Mencari nilai minimum dan maksimum
dari masing-masing kelas sebagai nilai
endpoint.
3 Mengurutkan nilai endpoint sebagai
rentang nilai fitur dan menghitung jumlah
nilai fitur yang sama dengan nilai yang ada
pada rentang untuk setiap kelas.
4 Normalisasi data, dengan membagi suatu
nilai dengan penjumlahan semua nilai
yang ada pada satu kolom.
Di bawah ini merupakan selang untuk fitur
jarak tangkai dan pertulangan tersier.
Pada selang di bawah, rentang nilai berupa
point interval dan range interval. Point interval
dengan nilai 0.8, nilai vote yang digunakan
adalah 0.19 untuk kelas LPR, 0.60 untuk kelas
PLA, 0.19 untuk kelas PAL, dan nilai vote 0
untuk kelas JOH, PIN, MAC, LEP, MAT, JAV,
dan SEM.
Selang fitur jarak tangkai untuk selang 0-1
JOH
PIN
MAC
LPR
LEP
MAT
PLA
JAV
PAL
SEM
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0.6
0
0
0
1
0
0
0
0
0
0
0
0
0
0.19
0
0
0.60
0
0.19
0
0.8
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.60
0.20
0.20
0
0.9
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.25
0.12
0
0.12
0.50
0
1
Selang fitur pertulangan tersier
JOH
PIN
MAC
LPR
LEP
MAT
PLA
JAV
PAL
SEM
0
0.50
0
0
0
0
0.50
0
0
0
1
0.12
0
0.12
0.12
0.12
0.12
0
0.12
0.12
0.12
2
Nilai selang fitur pertulangan tersier hanya
berupa point interval karena fitur pertulangan
tersier merupakan fitur nominal, jadi tidak
memiliki range interval. Untuk sampel endpoint
1, nilai vote yang digunakan adalah 0.50 untuk
kelas PIN dan PLA, dan nilai vote 0 untuk kelas
JOH, MAC, LPR, LEP, MAT, JAV, PAL, dan
SEM.
Hasil selang fitur dari proses pelatihan dapat
dilihat pada Lampiran 4.
Tahap Pengembangan Mesin Inferensi
Penentuan jenis Shorea menggunakan 21
fitur. Tahap klasifikasinya terdiri atas tiga
tahapan, yaitu:
1 Menentukan nilai vote pada data uji.
Nilai vote ditentukan dengan cara melihat
nilai tersebut berada pada selang fitur hasil
pelatihan. Nilai ini dicocokan untuk semua
fitur.
2 Menjumlahkan setiap instance.
dari nilai vote yang sudah ditentukan,
kemudian dijumlahkan untuk setiap
instance-nya.
3 Menentukan kelas prediksi.
Kelas
prediksi
ditentukan
dengan
mengambil nilai maksimum dari jumlah
masing-masing
kelas
yang
sudah
dijumlahkan.
7
Tabel 6 Confusion matrix fold III
SEM
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
3
Pada Tabel 4 dapat dilihat bahwa semua
data diprediksi benar sebagai kelasnya. Akurasi
dari fold I sebesar 100 %.
Fold II
Pada fold II, data pelatihan yang digunakan
yaitu data himpunan S1 dan S3, sedangkan data
himpunan S2 menjadi data ujinya. Hasil dari
fold II dapat dilihat pada Tabel 5.
Tabel 5 Confusion matrix fold II
LPR
LEP
MAT
PLA
JAV
PAL
SEM
JOH
PIN
MAC
LPR
LEP
MAT
PLA
JAV
PAL
SEM
MAC
Aktual
Data
JOH
PIN
Prediksi
3
0
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
3
0
3
0
0
0
0
0
0
0
0
Dari tabel di atas, dapat dilihat bahwa semua
data diprediksi benar sebagai kelasnya. Akurasi
dari fold II adalah sebesar 100 %.
Fold III
Pada fold III, data pelatihan yang digunakan
ialah data himpunan S1 dan S2, sedangkan data
himpunan S3 menjadi data ujinya. Hasil dari
fold III, menghasilkan prediksi yang benar dan
salah pada Tabel 6.
SEM
PAL
0
0
0
0
0
3
0
0
0
0
PAL
JAV
0
0
0
0
3
0
0
0
0
0
JAV
PLA
0
0
0
3
0
0
0
0
0
0
PLA
MA
0
0
3
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
JOH
PIN
MAC
LPR
LEP
MAT
PLA
JAV
PAL
SEM
MAT
LEP
3
0
0
0
0
0
0
0
0
0
Aktual
LPR
JOH
PIN
MAC
LPR
LEP
MAT
PLA
JAV
PAL
SEM
MA
Aktual
Data
JOH
PIN
Prediksi
LEP
Tabel 4 Confusion matrix fold I
LPR
Data
MAC
Prediksi
JOH
PIN
Fold I
Pada fold I, data pelatihan yang digunakan
yaitu data himpunan S2 dan S3, sedangkan data
himpunan S1 menjadi data ujinya. Hasil dari
fold I menghasilkan prediksi pada Tabel 4.
3
0
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
3
0
0
1
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
2
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
3
0
3
0
0
0
0
0
0
0
0
Dari tabel di atas, dapat dilihat bahwa
hampir semua data dapat diprediksi dengan
benar. Untuk kelas JAV, data yang diprediksi
benar sebanyak dua instance, dan satu instance
diprediksi salah karena diidentifikasi sebagai
kelas LEP. Akurasi dari fold III sebesar 97 %.
Instance JAV diidentifikasi sebagai kelas
LEP karena terdapat kemiripan fitur pada
diameter ranting, permukaan atas, pertulangan
tersier, diameter ranting, ujung daun, sifat helai
daun, dan stipula.
Tahap Implementasi
Pada tahap implementasi, inputan berupa
fitur-fitur Shorea yang disajikan graphical user
interface (GUI) sehingga pengguna dapat
memasukan nilai fitur dari morfologi Shorea.
Selanjutnya, sistem akan menghasilkan satu
jenis Shorea sebagai hasil identifikasi. Hasil
tersebut
diharapkan
dapat
mendekati
kesimpulan
pakar.
Sistem
pakar
ini
menggunakan Visual Studio 2005. Contoh
screenshot untuk identifikasi dapat dilihat pada
Lampiran 5.
Tahap Pengujian
Pada tahap ini, pengujian terbagi tiga, yaitu
pengujian semua fold, pengujian kunci
determinasi, dan pengujian dengan pakar.
Pengujian semua fold dengan memasukan ciriciri morfologi dari Shorea. Hasil perhitungan
akurasi dapat dilihat pada Tabel 7.
Tabel 7 Akurasi rata-rata
Fold
I
II
III
Rata-rata
Akurasi
100 %
100 %
97 %
99 %
Pengujian kunci determinasi dilakukan
dengan menyebarkan kuesioner kepada
responden untuk mengisi jenis Shorea dari fitur-
8
fitur nominal kunci determinasi. Kuesioner
kunci determinasi dapat dilihat pada Lampiran
6, dan hasilnya dapat dilihat pada Gambar 4 dan
Gambar 9 di bawah ini:
Gambar 9 Grafik perbandingan
jawaban responden.
Gambar 9 menunjukkan perbandingan
jawaban dari 18 orang responden yang mengisi
jawaban benar. Terdapat 12 orang yang mengisi
sepuluh pertanyaan dengan benar, yang mengisi
benar sembilan pertanyaan dan enam
pertanyaan masing-masing ada satu orang, dan
empat orang mengisi delapan jawaban yang
benar.
Gambar 10 Grafik perbandingan jenis
jawaban Shorea yang benar
Teridentifikasi.
Gambar 10 menunjukkan perbandingan
jenis Shorea yang dijawab dengan benar. Untuk
kelas PIN, MAC, LPR, LEP, dan PLA,
semuanya diidentifikasi benar oleh 18
responden, kelas MAT dan PAL diidentifikasi
benar oleh 17 responden, kelas JAV
diidentifikasi benar oleh 16 responden, kelas
SEM diidentifikasi benar oleh 15 responden,
dan kelas JOH diidentifikasi benar oleh
responden sebanyak delapan jawaban.
Pengujian dengan pakar dilakukan dengan
menunjukan sampel Shorea kepada pakar untuk
diidentifikasi jenis Shoreanya. Hasil yang
diperoleh ditunjukkan pada Gambar 11.
Gambar 11 Hasil uji pakar.
Gambar 11 menunjukkan perbandingan
hasil prediksi sistem dengan jenis Shorea aktual
yang sudah teridentifikasi benar oleh pakar.
Sistem sudah dapat mengidentifikasi sembilan
jenis Shorea dengan benar, yaitu untuk kelas
JOH, PIN, MAC, LEP, MAT, PLA, JAV, PAL,
dan SEM. Kelas MAC masih salah karena
diidentifikasi sebagai kelas MAC.
Perbandingan dengan Penelitian Terkait
Susanti (2012) menggunakan lima jenis
Shorea, dan penelitian ini menggunakan
sepuluh jenis Shorea dengan jenis yang sama
untuk Shorea palembanica Miq. dan Shorea
lepida Blume.
Susanti (2012) menggunakan sepuluh fitur
Shorea dari daun saja, sedangkan penelitian ini
sudah menggunakan 21 fitur Shorea dari daun
dan tangkai. Fitur yang sama adalah permukaan
daun, ujung daun, pangkal daun, sudut
antartulang daun, dan jumlah tulang daun. Fitur
tambahan pada penelitian ini adalah jarak
tangkai, jarak buku, rasio daun, panjang stipula,
lebar stipula, diameter ranting, pertulangan
tersier, bentuk diameter ranting, arah ranting,
sifat helai daun, domatia, stipula. Perbedaannya
pada sudut terbagi tiga, yaitu sudut pangkal,
sudut tengah dan sudut ujung. Permukaan daun
dibagi dua menjadi permukaan atas dan
permukaan bawah.
Metode yang digunakan sama-sama
menggunakan voting feature interval 5. Susanti
(2012) tidak menggunakan pakar dan
menghasilkan akurasi sebesar 88%. Penelitian
ini sudah melakukan akuisisi dengan pakar dan
menghasilkan akurasi 99%. Peningkatan akurasi
diperoleh karena penelitian ini sudah tidak
menggunakan fitur panjang daun, lebar daun,
keliling daun, dan luas daun (keempat fitur ini
merupakan nilai vote yang salah pada penelitian
Susanti, sehingga tidak digunakan kembali).
9
KESIMPULAN DAN SARAN
Kesimpulan
Algoritme VFI5 berhasil mengidentifikasi
jenis Shorea. Data yang digunakan diambil dari
Kebun Raya Bogor. Jumlah keseluruhan data
yang digunakan sebanyak 90 data yang terdiri
atas sepuluh kelas Shorea, menghasilkan
akurasi rata-rata sebesar 99%. Penelitian ini
menggunakan
3-fold
cross
validation.
Percobaan dibagi ke dalam tiga fold dengan
masing-masing kombinasi data latih dan data uji
yang berbeda.
Saran
Penelitian berikutnya diharapkan dilakukan
pengembangan sistem berbasis website.
DAFTAR PUSTAKA
Arhami M. 2004. Konsep Dasar Sistem Pakar.
Yogyakarta: ANDI.
Djamhuri E. 1981. Kunci Pengenalan Jenisjenis Pohon di Sekitar Kampus Fakultas
Kehutanan IPB Bogor. Bogor : IPB Press.
Fu L. 1994. Neural Networks in Computer
Intelligence. Singapura: McGraw-Hill.
Demiroz G, Guvenir HA. 1997. Classification
by voting feature intervals.
http://resources.metapress.com/pdfpreview.axd?code=m213h74590431w27&si
ze=largest [5 Mei 2012]
Han J, Kamber M. 2001. Data Mining
Concepts
&
Techniques.
Boston:
Academic Press.
Hasibuan EH. 2010. Prediksi Penyakit Kencing
Manis (Diabetes Mellitus) menggunakan
Algoritme Klasifikasi Voting Feature
Intervals 5 [skripsi]. Bogor: Fakultas
Matematika dan Ilmu Pengetahuan Alam,
Institut Pertanian Bogor.
Marimin. 2009. Teori dan Aplikasi Sistem
Pakar dalam Teknologi Manajerial. Bogor:
IPB Press.
Newman MF, Burgess PF, Whitmore TC. 1999.
Pedoman
Identifikasi
Pohon-Pohon
Dipterocarpaceae.
Bogor:
PROSEA
INDONESIA.
Nurjayanti B. 2011. Identifikasi Shorea
menggunakan
k-Nearest
Neigbour
Berdasarkan karakteristik Morfologi Daun.
[skripsi]. Bogor : Fakultas Matematika dan
Ilmu Pengetahuan Alam, Institut Pertanian
Bogor.
Susanti D. 2007. Pengukuran Pertumbuhan dan
Pembuatan Kunci Determinasi Tanaman
Dipterocarpaceae di Sekitar Kampus
Fakultas Kehutanan IPB Darmaga [skripsi].
Bogor: Fakultas Matematika dan Ilmu
Pengetahuan Alam, Institut Pertanian Bogor.
Susanti E. 2011. Identifikasi Jenis Shorea
(Meranti) menggunakan Algoritme Voting
Feature
Intervals
5
berdasarkan
Karakteristik Morfologi Daun [skripsi].
Bogor: Fakultas Matematika dan Ilmu
Pengetahuan Alam, Institut Pertanian Bogor.
Tan P, Steinbach M, Kumar V. 2006.
Introduction to Data Mining. Boston:
Pearson Education, Inc.
10
LAMPIRAN
11
Lampiran 1 Sampel data Shorea untuk data numerik
Shorea
/Fitur
Jml tulang
daun
Jarak Tangkai
Jarak
Buku
Sudut daun (derajat)
Stipula
Rasio daun
(Panjang/Lebar)
panjang
lebar
diameter
ranting
Pangkal
Tengah
Ujung
JOH
16.00
1.60
6.00
70.00
75.00
65.00
1.80
2.00
0.30
0.40
JOH
16.00
1.20
8.00
70.00
70.00
55.00
1.94
2.00
0.30
0.40
PIN
11.00
1.80
6.20
70.00
55.00
60.00
2.31
0.80
0.40
0.30
PIN
11.00
1.80
7.70
70.00
55.00
55.00
2.13
0.80
0.40
0.30
MAC
8.00
1.70
4.50
45.00
60.00
35.00
1.91
0.40
0.10
0.30
MAC
9.00
1.70
5.30
55.00
60.00
40.00
1.91
0.40
0.10
0.30
LPR
21.00
0.80
6.00
60.00
65.00
60.00
2.26
0.80
0.40
0.30
LPR
21.00
0.70
5.20
60.00
65.00
60.00
3.60
0.80
0.40
0.30
LEP
12.00
1.20
2.90
55.00
65.00
55.00
3.54
0.60
0.30
0.30
LEP
13.00
1.20
3.30
55.00
65.00
55.00
2.98
0.60
0.30
0.30
MAT
17.00
1.20
5.20
45.00
50.00
45.00
2.72
0.70
0.30
0.30
MAT
19.00
1.20
5.20
40.00
45.00
40.00
2.82
0.70
0.30
0.30
PLA
17.00
0.90
3.50
40.00
35.00
40.00
3.12
1.40
0.40
0.30
PLA
14.00
0.90
4.00
30.00
35.00
45.00
3.08
1.40
0.40
0.30
JAV
16.00
1.90
5.00
45.00
40.00
45.00
2.54
2.00
0.40
0.30
JAV
19.00
0.90
4.50
35.00
40.00
45.00
3.20
2.00
0.40
0.30
PAL
15.00
1.00
1.50
35.00
30.00
45.00
2.65
0.60
0.30
0.30
PAL
15.00
1.00
1.50
40.00
40.00
45.00
2.55
0.60
0.30
0.30
SEM
13.00
1.30
2.00
40.00
40.00
45.00
2.38
1.20
0.20
0.40
SEM
19.00
1.50
4.30
35.00
45.00
45.00
2.93
1.20
0.20
0.40
12
Lampiran 2 Sampel data Shorea untuk data nominal
Shorea
/Fitur
Permukaan
Atas
permukaan
Bawah
Pertulangan
Tersier
Diameter
Permukaan
Ranting
Arah
Ranting
Pangkal
daun
Ujung
daun
Helai
daun
Domatia
Stipula
JOH
1
2
2
2
2
2
3
4
2
2
1
PIN
1
2
1
1
1
2
3
3
3
1
1
MAC
1
1
2
2
1
1
4
1
1
1
1
LPR
1
2
2
2
2
1
3
1
1
2
2
LEP
1
1
2
2
1
1
2
1
2
1
1
MAT
1
2
2
2
2
2
3
1
1
2
2
PLA
1
1
1
2
1
1
4
1
2
1
1
JAV
1
2
2
2
2
2
3
1
2
2
1
PAL
1
2
2
2
1
1
4
2
2
1
2
SEM
1
1
2
2
1
2
4
1
1
1
2
13
Lampiran 3 Kunci determinasi
(a) Bentuk ranting pipih
Shorea pinanga scheff
Bentuk
ranting
-1(a) Pertulangan
tersier tegak lurus
(b) Bentuk
ranting silindris
-2(a) Arah ranting
lurus
-4(b) Pertulangan
tersier diagonal
-3-
Shorea platyclados
(a) pangkal daun
membundar
(b) Pangkal
daun tumpul
-5-
Shorea leprosula Miq.
(a) Permukaan
bawah daun kasar
(b) Permukaan bawah
daun halus
-6-
Shorea palembanica
(a) Sifat helai
daun tipis
(b) Sifat helai
daun sedang
(a) Permukaan
ranting licin
(b) Arah ranting
zigzag
-7-
(a) Ujung
daun tumpul
(b) Ujung daun meruncing,
membundar, runcing
-9-
(a) Shorea johorensis Foxwf.
(a) Stipula
memanjang
(b) Stipula
membundar
2.
3.
4.
5.
6.
7.
8.
9.
Shorea lepida Blume.
Shorea seminis
(b) Permukaan
ranting kasab
-8-
1.
Shorea macroptera Dyer.
a) Bentuk ranting pipih ............................................... Shorea pinanga Scheff.
b) Bentuk ranting silindris .......................................... 2
a) Pertulangan tersier tegak lurus ................................ Shorea platyclados Slooten.
b) Pertulangan tersier diagonal.................................... 3
a) Arah ranting lurus................................................... 4
b) Arah ranting zigzag ................................................ 7
a) Pangkal daun membundar ....................................... Shorea leprosula Miq.
b) Pangkal daun tumpul .............................................. 5
a) Permukaan bawah daun kasar ................................. Shorea palembanica Miq.
b) Permukaan bawah daun halus ................................. 6
a) Sifat helai daun tipis ............................................... Shorea macroptera Dyer.
b) Sifat helai daun sedang ........................................... Shorea lepida Blume.
a) Permukaan ranting licin .......................................... Shorea seminis Slooten.
b) Permukaan ranting kasab ........................................ 8
a) Ujung daun tumpul ................................................. Shorea johorensis Foxwf.
b) Ujung daun meruncing, membundar, runcing .......... 9
a) Stipula memanjang ................................................. Shorea javanica Koord. & Val.
b) Stipula membundar ................................................ Shorea materialis Ridley.
Shorea javanica Koord. & Val.
Shorea materialis Ridley.
14
Lampiran 4 Selang fitur pada pelatihan fold III
JOH
PIN
MAC
LPR
LEP
MAT
PLA
JAV
PAL
SEM
Jumlah tulang daun
0
0
0
0
0
0
0
0
0
0
JOH
PIN
MAC
LPR
LEP
MAT
PLA
JAV
PAL
SEM
0
0
1
0
0
0
0
0
0
0
8
0
0
1
0
0
0
0
0
0
0
9
0
0.50
0
0
0.50
0
0
0
0
0
10
0
0
0
0
1
0
0
0
0
0
11
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0.50
0
0
0
0
0.50
13
0
0
0
0
0
0
1
0
0
0
14
0
0
0
0
0
0
0
0.28
0.71
0
15
0.80
0
0
0
0
0
0.19
0
0
0
16
0.33
0
0
0
0
0.16
0.16
0.33
0
0
17
0
0
0
0
0
0
0
0
0
0
18
0
0
0
0
0
0.16
0
0.33
0
0.50
19
0
0
0
1
0
0
0
0
0
0
20
0
0
0
0
0
0
0
0
0
0
21
0
0
0
0
0
1
0
0
0
1
22
0.60
0
0.19
0
0
0
0
0
0
0.19
1.6
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Jarak tangkai
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0.6
0
0
0
1
0
0
0
0
0
0
0
0
0
0.19
0
0
0.60
0
0.19
0
0.8
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.50
0.16
0.16
0
0.9
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.25
0.12
0
0.12
0.50
0
1
0
0
0
0
0.50
0
0
0.50
0
0
0
0.18
0
0
0.27
0.18
0
0.27
0
0.88
1.2
0
0
0
0
0
0
0
0
0
0
0.19
0.19
0.19
0
0
0
0
0
0
0.40
1.3
0.33
0.16
0.16
0
0
0
0
0
0
0.33
0
0.67
0.32
0
0
0
0
0
0
0
1.8
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
1.9
0
0
0
0
0
0
0
0
0
0
15
Lampiran 4 Selang fitur pada pelatihan fold III (lanjutan)
JOH
PIN
MAC
LPR
LEP
MAT
PLA
JAV
PAL
SEM
JOH
PIN
MAC
LPR
LEP
MAT
PLA
JAV
PAL
SEM
Jarak buku
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
1.2
0
0
0
0
0
0
0
0
0
1
5.4
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.25
0
0
0
0.75
0
1.5
0
0
0
0
0
1
0
0
0
0
5.5
0
0
0
0
0.50
0
0
0
0.50
0
0
0
0
1
0
0
0
0
0
0
0
0
0.20
0
0.38
0
0
0
0.38
0
1.8
0.75
0
0
0.25
0
0
0
0
0
0
6
0
0
0
0
1
0
0
0
0
0
0.19
0.80
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
2
0
0
0.50
0
0.50
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
3.2
0
0
1
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
7.7
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
8
0
0
0
0
0
0
0
0
0
0
0
0.50
0
0
0.50
0
0
0
0
0
3.3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.28
0.57
0
0
0.13
3.5
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
4
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
4.1
0
0
0.10
0
0
0.10
0
0.44
0
0.33
0
0
0
0
0
0
0
1
0
0
5
0
0
0
0.60
0
0.39
0
0
0
0
0
0
0
0
0
0
0
0
0
0
5.2
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
5.3
16
Lampiran 4 Selang fitur pada pelatihan fold III (lanjutan)
JOH
PIN
MAC
LPR
LEP
MAT
PLA
JAV
PAL
SEM
Sudut pangkal
0
0
0
0
0
0
0
0
0
0
JOH
PIN
MAC
LPR
LEP
MAT
PLA
JAV
PAL
SEM
0
0
0
0
0
0.50
0.50
0
0
0
25
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.33
0.33
0.22
0.10
30
0
0
0
0
0
0
0
0.33
0.33
0.33
0
0
0.09
0
0
0.30
0.09
0
0.20
0.30
40
0
0
0
0
0
0
0
0
0
0
0
0
0.60
0
0
0.19
0
0.19
0
0
45
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
50
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.09
0.40
0.30
0.20
0
35
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.33
0
0.33
0.16
0.16
40
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.28
0
0
0
0.71
45
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
50
0
0
0
0
0
0
0
0
0
0
0
0
0.33
0
0.68
0
0
0
0
0
55
0
0
0
0
0
0
0
0
0
0
0
0.16
0
0.67
0.16
0
0
0
0
0
60
0
0
0
1
0
0
0
0
0
0
0.37
0.50
0
0.12
0
0
0
0
0
0
70
1
0
0
0
0
0
0
0
0
0
0.50
0.50
0
0
0
0
0
0
0
0
80
0
0
0
0
0
0
0
0
0
0
Sudut tengah
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.33
0.16
0.50
0
30
0
0
0
0
0
0
0
0
0
0
0
0.80
0
0
0.19
0
0
0
0
0
55
0
0
0
0
0
0
0
0
0
0
0
0.14
0.57
0.14
0.14
0
0
0
0
0
60
0
0
0
0
0
0
0
0
0
0
0
0.09
0.09
0.40
0.40
0
0
0
0
0
65
0
0
0
0
0
0
0
0
0
0
0
0
0.50
0.50
0
0
0
0
0
0
70
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
75
0
0
0
0
0
0
0
0
0
0
17
Lampiran 4 Selang fitur pada pelatihan fold III (lanjutan)
JOH
PIN
MAC
LPR
LEP
MAT
PLA
JAV
PAL
SEM
Sudut ujung
0
0
0
0
0
0
0
0
0
0
JOH
PIN
MAC
LPR
LEP
MAT
PLA
JAV
PAL
SEM
0
0
0.50
0
0
0
0.50
0
0
0
35
0
0
0
0
0
0
0
0
0
0
0
0
0.13
0
0
0.43
0.43
0
0
0
40
0
0
0
0
0
0
0
0
0
0
0
0.07
0.03
0
0
0.11
0.07
0.23
0.23
0.23
45
0
0
0
0
0
0
0
0
0
0
0
0.28
0.28
0
0.43
0
0
0
0
0
50
0
0
0
0
0
0
0
0
0
0
0
0.28
0.28
0
0.43
0
0
0
0
0
55
0
0
0
0
0
0
0
0
0
0
0.20
0.09
0
0.40
0.30
0
0
0
0
0
60
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
65
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
1.91
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
1.94
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
1.97
0
0.80
0.20
0
0
0
0
0
0
0
0
0
0.50
0.50
0
0
0
0
0
0
2.24
0
0
0
0
0
0
0
0
0
0
0
0
0
0.50
0
0.50
0
0
0
0
2.26
0
0
0.32
0
0
0.67
0
0
0
0
0
0.50
0
0.50
0
0
0
0
0
0
2.31
0
0
0
0
0
0
0
0
0
0
Rasio daun
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
1.80
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
2.38
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
2.41
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
2.50
0
0
0
0.16
0
0.16
0
0
0.67
0
0
0
0
0
0
0
0
0
1
0
2.65
0
0
0
0
0
0
0
0
0
0
18
Lampiran 4 Selang fitur pada pelatihan fold III (lanjutan)
JOH
PIN
MAC
LPR
LEP
MAT
PLA
JAV
PAL
SEM
Rasio daun (lanjutan)
0
0
0
0
0
0
0
1
0
0
2.67
JOH
PIN
MAC
LPR
LEP
MAT
PLA
JAV
PAL
SEM
0
0
0
0
0
0.25
0
0
0
0.75
0
0
0
0
0
1
0
0
0
0
2.82
0
0
0
0
0
0
0
0.75
0
0.25
0
0
0
0
0
0
0
0
0
1
2.93
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
2.98
0
0
0
0
0
0
0
0
0
0
0
0
0
0
MENGGUNAKAN ALGORITME
VOTING FEATURE INTERVAL 5
LINA HERLINA TRESNAWATI
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2012
SISTEM PAKAR UNTUK IDENTIFIKASI SHOREA
MENGGUNAKAN ALGORITME
VOTING FEATURE INTERVAL 5
LINA HERLINA TRESNAWATI
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
2012
i
ABSTRACT
LINA HERLINA TRESNAWATI. Expert System for Shorea Identification using Voting Feature
Intervals 5 Algorithm. Supervised by AZIZ KUSTIYO and IWAN HILWAN.
Shorea is a kind of meranti species that have high value. Shorea is a genus name with 194 species
and belong to the Dipterocarpaceae family. Shorea has a considerable number of benefits. It is the
most important timber source. Shorea can be used to produce varnish, paint and other chemical
materials. One kind of Shorea is better known as tengkawang and can produce a high price oil that can
be used to make cosmetics and food.
The morphological similarity of Shorea makes it difficult to distinguish one Shorea to another.
The identification is usually done by experts. Unfortunately, there is limited time and resource of
experts to identify. Expert system is a computer system that emulates the decision making ability of
human expert.
This research aims to develop an expert system to identify Shorea based on morphological
characteristics of Shorea. The expert system being built uses Voting Feature Intervals 5 (VFI5)
algorithm to identify Shorea. The acquistion of data is done with expert to examine Shorea
morphological characteristics. The acquisition is generating identification of determination key as
comparison to VFI5 algoritm. The identification using VFI5 algorithm produced 99% average
accuracy, and identification of Shorea performed by an expert produced 90% accuracy.
Keywords: Determination Key, Expert System, Shorea, Voting Feature Intervals 5
i
Judul Skripsi : Sistem Pakar untuk Identifikasi Shorea Menggunakan Algoritme Voting Feature
Interval 5
Nama
: Lina Herlina Tresnawati
NRP
: G64096037
Disetujui,
Pembimbing I
Pembimbing II
Aziz Kustiyo SSi MKom
NIP. 19700719 199802 1 001
Ir Iwan Hilwan MS
NIP. 19600204 198601 1 002
Diketahui,
Ketua Departemen
Dr Ir Agus Buono MSi MKom
NIP. 19660702 199302 1 001
Tanggal Lulus :
ii
PRAKATA
Bismillahirrohmanirrohim,
Segala puji bagi Allah subhanahuwata’ala atas segala limpahan rahmat dan karunia-Nya yang
telah diberikan. Semoga sholawat serta salam tetap tercurahkan kepada Nabi Muhammad SAW
sehingga penulis dapat menyelesaikan karya ilmiah ini. Judul penelitian ini adalah Sistem Pakar untuk
Identifikasi Shorea Menggunakan Algoritme Voting Feature Intervals 5. Penyelesaian penelitian ini
tidak luput dari bantuan dan dukungan dari banyak pihak. Untuk itu saya ingin menyampaikan terima
kasih kepada:
1
2
3
4
5
6
7
8
Orang tua tercinta Bapak Acep Suryana dan ibu Dede Ratnawati, saudaraku Hendra
Andriana Saputra dan Venny Febriani Putri, serta keluarga besar yang senantiasa
memberikan do’a dan dukungannya.
Bapak Aziz Kustiyo SSi MKom dan Bapak Ir Iwan Hilwan MS selaku pembimbing
dalam menjalankan proses pembuatan karya ilmiah ini.
Bapak Toto Haryanto SKom MSi dan Bapak Mushthofa SKom MSc selaku dosen
penguji.
Bapak Aulia dan pihak Konservasi Kebun Raya Bogor atas sampel daun Shorea-nya.
Seluruh dosen pengajar dan civitas akademika Departemen Ilmu Komputer FMIPA IPB
Teman-teman satu bimbingan yang bersama-sama berjuang dalam proses penyelesaian
skripsi.
Hafiz, Yuni, Wahyu, Nela, dan semua teman seangkatan Alih Jenis Ilkom angkatan 4
untuk semua bantuan dan motivasinya.
Intan, Diah, teman-teman kosan dan DKSI untuk semua dukungan dan pengertiannya.
Akhirnya penulis berharap semoga pernulisan karya ilmiah ini dapat bermanfaat bagi semua pihak
yang membutuhkan. Amin.
Bogor, Juni 2012
Lina Herlina Tresnawati
iii
RIWAYAT HIDUP
Penulis dilahirkan di Cicalengka pada tanggal 03 Mei 1988. Penulis adalah anak pertama dari tiga
bersaudara, pasangan Bapak Acep Suryana dan Ibu Dede Ratnawati.
Pada tahun 2006, penulis lulus dari SMAN 1 Cicalengka, kemudian melanjutkan pendidikan
Diploma III pada Program Keahlian Manajemen Informatika, Institut Pertanian Bogor. Penulis lulus
Diploma pada tahun 2009, dan pada tahun yang sama, penulis melanjutkan studi di Program Alih
Jenis Institut Pertanian Bogor, Jurusan Ilmu Komputer untuk memperoleh gelar sarjana. Selama
menjalani studi, penulis bekerja di Direktorat Komunikasi dan Informatika, Institut Pertanian Bogor.
iv
DAFTAR ISI
Halaman
DAFTAR TABEL....................................................................................................................... vi
DAFTAR GAMBAR .................................................................................................................. vi
DAFTAR LAMPIRAN ............................................................................................................... vi
PENDAHULUAN
Latar Belakang ........................................................................................................................ 1
Tujuan ..................................................................................................................................... 1
Ruang Lingkup ........................................................................................................................ 1
TINJAUAN PUSTAKA
Shorea ..................................................................................................................................... 1
Sistem Pakar ............................................................................................................................ 2
K-Fold Cross Validation .......................................................................................................... 3
Kunci Determinasi ................................................................................................................... 3
Voting Feature Intervals 5 ....................................................................................................... 3
Confusion Matrix..................................................................................................................... 3
METODE PENELITIAN
Identifikasi Masalah ................................................................................................................. 4
Akuisisi Pengetahuan ............................................................................................................... 4
Representasi Pengetahuan ........................................................................................................ 4
Pengembangan Mesin Inferensi ................................................................................................ 4
Implementasi ........................................................................................................................... 4
Pengujian................................................................................................................................. 4
Spesifikasi aplikasi .................................................................................................................. 5
HASIL DAN PEMBAHASAN
Tahap Identifikasi Masalah ...................................................................................................... 5
Tahap Akuisis Pengetahuan ..................................................................................................... 5
Tahap Representasi Pengetahuan .............................................................................................. 5
Tahap Pengembangan Mesin Inferensi ..................................................................................... 6
Fold I ...................................................................................................................................... 7
Fold II ..................................................................................................................................... 7
Fold III .................................................................................................................................... 7
Tahap Implementasi ................................................................................................................. 7
Tahap Pengujian ...................................................................................................................... 7
Perbandingan dengan Penelitian Terkait ................................................................................... 8
KESIMPULAN DAN SARAN
Kesimpulan ............................................................................................................................. 9
Saran ....................................................................................................................................... 9
DAFTAR PUSTAKA .................................................................................................................. 9
LAMPIRAN .............................................................................................................................. 10
v
DAFTAR TABEL
Halaman
1 Confusion matrix ................................................................................................................. 4
2 Fitur nominal Shorea ........................................................................................................... 5
3 Susunan data pelatihan dan pengujian .................................................................................. 6
4 Confusion matrix fold I ........................................................................................................ 7
5 Confusion matrix fold II....................................................................................................... 7
6 Confusion matrix fold III ..................................................................................................... 7
7 Akurasi rata-rata .................................................................................................................. 7
DAFTAR GAMBAR
Halaman
1 Pohon Shorea pinanga Scheff. .......................................................................................... 1
2 Shorea javanica Koord. & Val. ......................................................................................... 2
3 Shorea johorensis Foxwf................................................................................................... 2
4 Shorea leprosula Miq........................................................................................................ 2
5 Shorea platyclados Slooten. .............................................................................................. 2
6 Shorea seminis Slooten. .................................................................................................... 2
7 Elemen sistem pakar (Fu 1994) ......................................................................................... 2
8 Tahapan alur penelitian ..................................................................................................... 4
9 Grafik perbandingan jawaban responden .......................................................................... 8
10 Grafik perbandingan jenis jawaban Shorea yang benar teridentifikasi ................................ 8
11 Hasil uji pakar .................................................................................................................. 8
DAFTAR LAMPIRAN
Halaman
1 Sampel data Shorea untuk data numerik ........................................................................... 11
2 Sampel data Shorea untuk data nominal ........................................................................... 12
3 Kunci determinasi............................................................................................................ 13
4 Selang fitur pada pelatihan fold III ................................................................................. 14
5 Screenshot sistem ............................................................................................................ 22
6 Kuesioner kunci determinasi ............................................................................................. 23
vi
1
PENDAHULUAN
Latar Belakang
Shorea
merupakan nama marga yang
memiliki 194 spesies dan termasuk dalam suku
Dipterocarpaceae. Shorea merupakan penghasil
kayu terpenting, digunakan untuk pernis, cat,
dan pengolahan kimiawi lainnya. Salah satu
jenis Shorea yang lebih dikenal sebagai
tengkawang (buah meranti-merantian) bisa
mengeluarkan minyak berharga tinggi dan biasa
digunakan untuk kosmetik dan makanan.
Karena manfaat Shorea tersebut, diperlukan
identifikasi untuk menentukan jenis Shorea
yang tepat sesuai dengan kebutuhan. Terdapat
kesulitan identifikasi karena ada kemiripan jenis
Shorea yang satu dengan yang lainnya
(khususnya pada pertulangan daun). Identifikasi
biasanya dilakukan oleh pakar, namun terdapat
keterbatasan waktu identifikasi yang dilakukan
oleh pakar. Oleh karena itu, diperlukan suatu
sistem yang dapat mewakili pakar tersebut.
Sistem ini biasanya dikenal dengan istilah
sistem pakar.
Nurjayanti (2011) mengidentifikasi Shorea
menggunakan
k-Nearest
Neigbour
menghasilkan
akurasi
100%
setelah
normalisasi. Hasibuan (2010) memprediksi
penyakit
kencing
manis
menggunakan
algoritme Voting Feature Interval 5 dengan
akurasi 90%. Susanti (2012) mengidentifikasi
Shorea menggunakan algoritme Voting Feature
Interval 5 menghasilkan akurasi 88%. Pada
penelitian Nurjayanti dan Susanti, data Shorea
yang digunakan meliputi lima jenis Shorea,
menggunakan 10 fitur, dan sistem masih untuk
identifikasi.
Penelitian ini dikerjakan menggunakan
sepuluh jenis Shorea, menggunakan 21 fitur
dengan menghilangkan fitur panjang, lebar,
keliling, dan luas karena keempat fitur tersebut
merupakan nilai vote yang salah. Aplikasi
dibuat dengan melakukan akuisisi bersama
pakar.
Sistem
pakar
yang
dikembangkan
menggunakan algoritme Voting Feature
Interval 5 (VFI5). VFI5 ini dipilih karena kokoh
terhadap fitur yang tidak relevan (Demiroz &
Guvenir 1997). Penelitian ini diharapkan dapat
membantu pihak-pihak terkait (seperti orang
yang bekerja di lembaga penelitian) untuk
mengidentifikasi jenis Shorea.
Tujuan
Penelitian ini bertujuan membangun sistem
pakar untuk mengidentifikasi jenis Shorea
menggunakan algoritme VFI5.
Ruang Lingkup
Ruang lingkup penelitian ini meliputi:
1 melakukan
identifikasi
dengan
menggunakan karakteristik morfologi
daun dan tangkai Shorea,
2 fitur yang digunakan sebanyak 21 fitur
yang terbagi menjadi data numerik dan
data nominal, serta
3 data yang digunakan adalah sepuluh
jenis data Shorea yang diukur secara
manual dari daun dan ranting basah
serta hasil herbarium.
TINJAUAN PUSTAKA
Shorea
Shorea adalah nama marga, pohon dengan
ketinggian mecapai 60 m dan diameter
mencapai 180 cm, beranggotakan sekitar 194
spesies, terutama berupa pohon penghuni hutan
tropika, dari suku Dipterocarpaceae. Marga ini
dinamai demikian untuk menghormati Sir John
Shore, Gubernur Jenderal British East India
Company periode 1793-1798. Shorea menyebar
terutama di Asia Tenggara ke barat hingga
Srilanka, dan India utara, serta ke timur hingga
Filipina dan Maluku. Kayu meranti banyak
dipergunakan sebagai kayu pertukangan, kayu
lapis, papan pertikel, peti pengepak, mebel, alat
musik, bahan bangunan rumah, dan perkapalan.
Gambar Shorea dapat dilihat pada Gambar 1.
Gambar 1 Pohon Shorea pinanga Scheff.
Dipterocarpaceae sulit untuk diidentifikasi
sampai tingkat jenis hutan, terutama di
Kalimantan yang memiliki jumlah jenis
terbanyak. Ketidakmampuan untuk mengenal
individu
Dipterocarpaceae
di
hutan
memperbesar terjadinya eksploitasi yang
2
dipusatkan pada beberapa jenis yang dikenal
dengan baik, khususnya meranti merah Shorea.
Berikut ini akan dijelaskan ciri diagnostik
dari Shorea javanica Koord. & Val., Shorea
johorensis Foxwf., Shorea leprosula Miq.,
Shorea platyclados Slooten., dan Shorea
seminis Slooten.
Shorea javanica Koord. & Val. Memiliki
pertulangan sekunder di bawah dan kesan raba
licin, pertulangan sekunder 19-25 pasang, bila
mengering berwarna lebih tua daripada
permukaan daun lebih bawah. Tangkai daun 1.4
– 2.4 cm, pangkal daun membundar. Shorea
menyebar di daerah Sumatera, Jawa, Leuweung
Sancang Jawa Barat, umumnya ditanam di Jawa
dan Kalimantan (Muara Teweh) untuk diambil
damarnya. Gambar Shorea javanica Koord. &
Val. dapat dilihat pada Gambar 2.
pertulangan tersier hampir tidak kelihatan, tegak
lurus, dan domatia tidak ada. Gambar Shorea
platyclados Slooten. dapat dilihat pada Gambar
5.
Gambar 5 Shorea platyclados Slooten.
Shorea seminis Slooten. tumbuh di tepi
sungai. Tangkai daunnya bila mengering hitam,
agak pendek. Daun berbulu jarang coklat kelabu
pada pertulangan bagian bawah. Buah tidak
bersayap, kelopak daun membentuk cuping
pendek dan berkayu (Newman et al. 1999).
Gambar Shorea seminis Slooten dapat dilihat
pada Gambar 6.
Gambar 2 Shorea javanica Koord. & Val.
Pada Shorea johorensis Foxwf., daun
mengering coklat atau tengguli, terdapat
domatia, dan pertulangan daun sekunder 9-12
pasang. Gambar Shorea johorensis Foxwf.
dapat dilihat pada Gambar 3.
Gambar 6 Shorea seminis Slooten.
Sistem Pakar
Sistem pakar adalah suatu sistem komputer
yang menyamai (emulates) kemampuan
pengambilan keputusan dari seorang pakar
(Arhami 2004). Elemen sistem pakar menurut
Fu (1994) dapat dilihat pada Gambar 7.
Knowledge Engineer
Domain Expert
Expert System
Building Tool
Gambar 3 Shorea johorensis Foxwf.
Shorea leprosula Miq. mempunyai Pangkal
daun membundar, ujung daun lancip,
permukaan atas licin, permukaan bawah kasar,
pertulangan
sekunder
10-16
pasang,
pertulangan tersier hampir tidak terlihat jelas,
terdapat domatia. Gambar Shorea leprosula
Miq. dapat dilihat pada Gambar 4.
Inference
Engine
Kowledge Base
Explanation Facility
User Interface
User
Gambar 7 Elemen sistem pakar (Fu 1994).
Gambar 4 Shorea leprosula Miq.
Shorea platyclados Slooten mempunyai
tangkai daun 0.9 - 2 cm, ujung daun lancip,
pangkal membundar, permukaan atas bila
mengering coklat agak lembayung atau coklat,
permukaan bawah bila mengering coklat,
pertulangan sekunder 12 – 25 pasang,
Berikut ini merupakan penjelasan dari
elemen sistem pakar (Fu 1994):
1 Knowledge base (basis pengetahuan)
menyimpan pengetahuan ke dalam sistem.
Knowledge
base
mengandung
pengetahuan untuk pemahaman, formulasi,
dan penyelesaian masalah. Komponen
sistem pakar ini disusun atas dua elemen
dasar, yaitu fakta dan aturan. Fakta
3
2
3
4
5
6
7
8
merupakan informasi tentang obyek dalam
area permasalahan tertentu, sedangkan
aturan merupakan informasi tentang cara
memperoleh fakta baru dari fakta yang
telah diketahui.
Inference engine merupakan program
komputer yang memberikan metode untuk
penalaran tentang informasi yang ada
dalam basis pengetahuan sehingga dapat
membuat kesimpulan sendiri.
Explanation facility (fasilitas penjelas)
merupakan komponen tambahan yang
menggambarkan penalaran sistem kepada
pemakai.
User interface (antarmuka pengguna)
merupakan mekanisme yang digunakan
oleh pengguna dan sistem pakar untuk
berkomunikasi. Antarmuka menerima
informasi dari pemakai dan mengubahnya
ke dalam bentuk yang dapat diterima oleh
sistem. Selain itu, antarmuka menerima
informasi dari sistem dan menyajikannya
dalam bentuk yang dapat dimengerti oleh
pemakai.
Knowledge enginer adalah orang yang
merepresentasikan pengetahuan dari pakar
ke sistem.
User (pemakai) orang yang akan
menggunakan sistem pakar.
Domain expert (domain masalah) adalah
bidang atau ruang lingkup yang khusus
mengenai suatu permasalahan.
Expert system building tool merupakan
alat yang digunakan untuk membangun
sistem pakar.
K-Fold Cross Validation
Metode k-fold cross validation membagi
sebuah himpunan menjadi k himpunan bagian
lain (subset). Dilakukan ulangan sebanyak k
kali, dan pada setiap ulangan terdapat subset
sebagai pelatihan dan pengujian (Fu 1994).
Tingkat akurasi dapat dihitung dengan
membagi jumlah hasil klasifikasi yang benar
dari k-fold dengan semua jumlah instance pada
data awal (Han & Kamber 2001).
Kunci Determinasi
Kunci determinasi merupakan salah satu
cabang dari ilmu taksonomi yang mempelajari
tentang penetapan suatu jenis tumbuhan atau
segolongan dengan tumbuh-tumbuhan yang
telah diketahui dalam buku kunci. Djamhuri
(1981) mengemukakan kegiatan kegiatan
identifikasi
dapat
dilakukan
dengan
menggunakan literature yang sudah ada atau
membandingkan dengan tumbuh-tumbuhan
yang sudah diketahui identitasnya. Penggunaan
kunci determinasi pertama kali diperkenalkan
oleh Carolus Linnaeus.
Djamhuri (1981) mengemukakan bahwa
untuk kegiatan determinasi dapat dilakukan
dengan cara sebagai berikut:
1 Membandingkan atau menyamakan
tumbuhan yang dijumpai di lapangan
dengan herbarium yang telah diketahui
sifat-sifatnya dan namanya.
2 Membandingkan atau menyamakan
tumbuhan yang ingin diketahui dengan
gambar-gambar yang ada dalam buku
manual.
3 Menggunakan kunci determinasi.
4 Bertanya kepada orang yang benar-benar
telah
mengetahui
berbagai
jenis
tumbuhan.
Voting Feature Intervals 5
Algoritme
klasifikasi
VFI5
merepresentasikan sebuah konsep yang
mendeskripsikan konsep selang antarfitur.
Algoritme ini dikembangkan oleh Gulsen
Demiroz dan Halil Altay Guvenir pada tahun
1997. Algoritme VFI ini termasuk dalam
algoritme yang supervised, yaitu algoritme yang
memiliki target berupa kelas-kelas data dan
bersifat non-incremental yang berarti semua
data pelatihan diproses secara bersamaan
(Demiroz & Guvenir 1997).
Terdapat dua proses pada algoritme VFI5:
1 Pelatihan
Proses pelatihan ini bertujuan untuk mencari
model yang akan digunakan untuk proses
klasifikasi. Pada proses pelatihan ini, akan
dihasilkan selang pada setiap fitur. Sebuah
selang mewakili himpunan nilai-nilai dari
fitur yang diberikan.
2 Klasifikasi
Pada setiap kelas, vote diberi nilai awal 0
karena semua fitur pada awalnya belum
memberikan vote, kemudian dicari selang
untuk instance pengujian yang jatuh pada
selang tersebut untuk setiap fitur. Setelah
mendapat selang fiturnya, dilakukan
penjumlahan untuk semua fitur yang ada
pada satu instance. Hasil penjumlahan yang
paling besar akan diidentifikasi sebagai
kelasnya.
Confusion Matrix
Confusion matrix merupakan informasi
tentang penggambaran data aktual yang
direpresentasikan pada baris matriks dan kelas
data hasil prediksi pada sebuah algoritme yang
direpresentasikan
pada
kolom
matriks
klasifikasi. Evaluasi model klasifikasi ini
4
didasarkan pada proporsi antara data uji yang
diprediksi secara tepat dengan total prediksi
(Tan 2006).
Tabel 1 Confusion matrix
Data
Kelas 1
a
Kelas 1
Aktual
Kelas 2
c
Prediksi
Kelas 2
b
d
Keterangan:
a adalah jumlah instance kelas 1 yang
berhasil diprediksi dengan benar sebagai
kelas 1,
b adalah jumlah instance kelas 1 yang tidak
berhasil diprediksi dengan benar karena
diprediksi sebagai kelas 2,
c adalah jumlah instance kelas 2 yang tidak
berhasil diprediksi dengan benar karena
diprediksi sebagai kelas 1, serta
d adalah jumlah instance kelas 2 yang
berhasil diprediksi dengan benar sebagai
kelas 2.
METODE PENELITIAN
Penelitian ini dilakukan dengan beberapa
tahapan proses. Untuk memperoleh hasil
akurasi dari algoritme VFI5, data dibagi
menjadi tiga buah fold. Tahapan alur penelitian
dapat dilihat pada Gambar 8.
Mulai
Identifikasi
masalah
Akuisisi
pengetahuan
VFI 5
Representasi
pengetahuan
Pengembangan
mesin inferensi
Implementasi
Pengujian
Tidak
Mewakili pakar ?
Ya
Selesai
Gambar 8 Tahapan alur penelitian
(Marimin 2009).
Identifikasi Masalah
Keanekaragaman
jenis
Shorea
dan
kemiripan ciri morfologinya menyebabkan
kesulitan dalam membedakan jenis Shorea yang
satu dengan yang lainnya. Diperlukan seorang
ahli (pakar) untuk mengidentifikasi jenis
Shorea.
Keterbatasan
pakar
dapat
mengakibatkan kesalahan dalam identifikasi
jenis Shorea. Kesalahan tersebut dapat
mengakibatkan penggunaan kayu yang kurang
tepat sehingga dapat menyebabkan eksploitasi.
Oleh karena itu, dibuatlah sistem pakar untuk
mengidentifikasi jenis-jenis Shorea.
Akuisisi Pengetahuan
Akuisisi pengetahuan dilakukan dengan
mencari berbagai sumber referensi yang
berkaitan dengan Shorea. Salah satunya adalah
dengan melakukan kunjungan ke perpustakaan
Seameo Biotrop. Selain itu, dilakukan
konsultasi dengan pakar, yaitu Ir Iwan Hilwan
MS dari Departemen Silvikultur Fakultas
Kehutanan IPB, untuk membahas ciri-ciri
morfologi dari Shorea.
Representasi Pengetahuan
Pengembangan
sistem
pakar
ini
menggunakan
algoritme
VFI5.
Pada
representasi pengetahuan, dilakukan proses
pelatihan, yaitu data latih yang telah ditentukan
digunakan sebagai input. Ciri-ciri morfologi
Shorea digunakan sebagai fitur, dan jenis
Shorea digunakan sebagai kelasnya. Hasil
representasi pengetahuan merupakan selang
yang memiliki nilai vote dari proses pelatihan.
Pengembangan Mesin Inferensi
Metode inferensi yang digunakan adalah
dengan melakukan klasifikasi yang terdiri atas
tiga tahap, yaitu menentukan nilai vote pada
data uji, menjumlahkan setiap instance, dan
menentukan kelas prediksi.
Implementasi
Sistem ini dikembangkan menggunakan
Visual Studio 2005 untuk proses pelatihan dan
klasifikasi metode VFI5.
Pengujian
Tahap pengujian dilakukan dengan uji coba
semua fold, uji coba kunci determinasi kepada
mahasiswa, dan uji coba sampel Shorea kepada
pakar.
Tahap akhir dari metode ini adalah
menghitung nilai akurasi dari hasil yang
diperolah pada tahap pengolahan menggunakan
metode VFI5. Akurasi dapat dihitung dengan:
∑data uji benar klasifikasi
Akurasi =
∑ total data uji
X 100%
5
Spesifikasi aplikasi
Aplikasi ini akan dikembangkan berbasis
desktop, dengan implementasi perangkat keras
dan perangkat lunak sebagai berikut:
Perangkat Keras
1 Processor Intel Pentium P6100, 2 GHz
2 RAM kapasitas 2 GB
3 Hard disk kapasitas 320 GB
Perangkat lunak
1 Sistem Operasi Microsoft Windows 7
2 Microsoft Visual Studio 2005
3 Microsoft Excel 2010
HASIL DAN PEMBAHASAN
Tahap Identifikasi Masalah
Keanekaragaman
jenis
Shorea
dan
kemiripan ciri morfologinya menyebabkan
kesulitan dalam membedakan jenis Shorea yang
satu dengan yang lainnya. Diperlukan seorang
ahli (pakar) untuk mengidentifikasi jenis
Shorea.
Keterbatasan
pakar
dapat
mengakibatkan kesalahan dalam identifikasi
jenis Shorea. Kesalahan tersebut dapat
mengakibatkan penggunaan kayu yang kurang
tepat sehingga dapat menyebabkan eksploitasi.
Oleh karena itu, dibuatlah sistem pakar
untuk mengidentifikasi jenis-jenis Shorea yang
dapat mewakili pakar. Tujuan dari pembuatan
sistem ini adalah mengidentifikasi jenis Shorea
berdasarkan ciri morfologi daun dan ranting
sehingga sistem dapat digunakan oleh
pengguna, yaitu orang yang bekerja di pusat
penelitian, orang yang bekerja di hutan untuk
mengidentifikasi Shorea, dan orang yang
bekerja sebagai operator sistem untuk mewakili
pakar.
Tahap Akuisis Pengetahuan
Akuisisi pengetahuan dilakukan dengan cara
melakukan wawancara secara langsung dengan
pakar dan melakukan studi pustaka di
perpustakaan Seameo Biotrop. Dari wawancara
dan studi pustaka tersebut, didapatkan bahwa
terdapat kemiripan antara ciri-ciri morfologi
Shorea. Kemiripan pada ciri morfologi tersebut
menyebabkan kesulitan dalam membedakan
jenis Shorea yang satu dengan yang lain. Dari
hasil akuisisis dengan pakar, identifikasi dapat
dilakukan
dengan
menggunakan
kunci
determinasi. Kunci determinasi digunakan
untuk mengidentifikasi Shorea dari fitur-fitur
nominal dan sebagai pembanding dengan
identifikasi yang dilakukan oleh sistem. Kunci
determinasi yang telah dibuat dapat dilihat pada
Lampiran 3.
Tahap Representasi Pengetahuan
Pada tahap ini, data dibagi menjadi data
numerik dan data nominal. Data numerik terdiri
atas sepuluh fitur:
1 Jumlah tulang daun.
2 Jarak tangkai.
3 Jarak buku.
4 Sudut pangkal.
5 Sudut tengah.
6 Sudut ujung.
7 Rasio daun.
8 Panjang stipula.
9 Lebar stipula.
10 Diameter ranting.
Data nominal dapat dilihat pada Tabel 2.
Tabel 2 Fitur nominal Shorea
No
Fitur
Nominal
1 Permukaan atas
Halus
Kasar
1
2
2
Permukaan
bawah
Halus
Kasar
1
2
3
Pertulangan
tersier
Tegak lurus
Diagonal
1
2
4
Bentuk ranting
Pipih
Silindris
1
2
5
Permukaan
ranting
Licin
Kasab
1
2
6
Arah ranting
Lurus
Zigzag
1
2
7
Pangkal daun
Meruncing
Runcing
Membundar
Tumpul
1
2
3
4
8
Ujung daun
Meruncing
Runcing
Membundar
Tumpul
1
2
3
4
9
Sifat helai daun
Tipis
Sedang
Tebal
1
2
3
10
Domatia
Ada
Tidak ada
1
2
11
Stipula
Memanjang
Membundar
1
2
6
Data yang digunakan terdiri atas sepuluh
kelas jenis shorea, yaitu :
1 JOH
: Shorea johorensis Foxwf.
2 PIN
: Shorea pinanga Scheff.
3 MAC
: Shorea macropter Dyer.
4 LPR
: Shorea leprosula Miq.
5 LEP
: Shorea lepida Blume.
6 MAT
: Shorea materialis Ridley.
7 PLA
: Shorea platyclados Slooten.
8 JAV
: Shorea javanica koord. & Val.
9 PAL
: Shorea palembanica Miq.
10 SEM
: Shorea seminis Slooten.
Data keseluruhan sebanyak 90 instance yang
terlebih dahulu dibagi menjadi tiga buah
himpunan bagian yang ukurannya sama satu
dengan yang lainnya. Pembagian data
keseluruhan menghasilkan himpunan bagian
yang disebut sebagai himpunan bagian S1,
himpunan bagian S2, dan himpunan bagian S3.
Pembagian data keseluruhan ini menghasilkan
himpunan bagian yang masing-masing memiliki
jumlah instance sebanyak 60 data latih dan 30
data uji.
Pada penelitian ini, pelatihan dan pengujian
dilakukan sebanyak tiga kali. Susunan data
yang digunakan sebagai data pelatihan dan
pengujian pada setiap fold disajikan pada Tabel
3.
Tabel 3 Susunan data pelatihan dan pengujian
Fold
Fold I
Fold II
Fold III
Pelatihan
S2, S3
S1, S3
S1, S2
Pengujian
S1
S2
S3
Hasil representasi pengetahuan adalah nilai
selang yang sudah memiliki nilai vote untuk
masing-masing fitur.
Proses Voting Feature Interval 5 terdiri atas
lima tahap:
1 Menampilkan nilai pelatihan.
2 Mencari nilai minimum dan maksimum
dari masing-masing kelas sebagai nilai
endpoint.
3 Mengurutkan nilai endpoint sebagai
rentang nilai fitur dan menghitung jumlah
nilai fitur yang sama dengan nilai yang ada
pada rentang untuk setiap kelas.
4 Normalisasi data, dengan membagi suatu
nilai dengan penjumlahan semua nilai
yang ada pada satu kolom.
Di bawah ini merupakan selang untuk fitur
jarak tangkai dan pertulangan tersier.
Pada selang di bawah, rentang nilai berupa
point interval dan range interval. Point interval
dengan nilai 0.8, nilai vote yang digunakan
adalah 0.19 untuk kelas LPR, 0.60 untuk kelas
PLA, 0.19 untuk kelas PAL, dan nilai vote 0
untuk kelas JOH, PIN, MAC, LEP, MAT, JAV,
dan SEM.
Selang fitur jarak tangkai untuk selang 0-1
JOH
PIN
MAC
LPR
LEP
MAT
PLA
JAV
PAL
SEM
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0.6
0
0
0
1
0
0
0
0
0
0
0
0
0
0.19
0
0
0.60
0
0.19
0
0.8
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.60
0.20
0.20
0
0.9
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.25
0.12
0
0.12
0.50
0
1
Selang fitur pertulangan tersier
JOH
PIN
MAC
LPR
LEP
MAT
PLA
JAV
PAL
SEM
0
0.50
0
0
0
0
0.50
0
0
0
1
0.12
0
0.12
0.12
0.12
0.12
0
0.12
0.12
0.12
2
Nilai selang fitur pertulangan tersier hanya
berupa point interval karena fitur pertulangan
tersier merupakan fitur nominal, jadi tidak
memiliki range interval. Untuk sampel endpoint
1, nilai vote yang digunakan adalah 0.50 untuk
kelas PIN dan PLA, dan nilai vote 0 untuk kelas
JOH, MAC, LPR, LEP, MAT, JAV, PAL, dan
SEM.
Hasil selang fitur dari proses pelatihan dapat
dilihat pada Lampiran 4.
Tahap Pengembangan Mesin Inferensi
Penentuan jenis Shorea menggunakan 21
fitur. Tahap klasifikasinya terdiri atas tiga
tahapan, yaitu:
1 Menentukan nilai vote pada data uji.
Nilai vote ditentukan dengan cara melihat
nilai tersebut berada pada selang fitur hasil
pelatihan. Nilai ini dicocokan untuk semua
fitur.
2 Menjumlahkan setiap instance.
dari nilai vote yang sudah ditentukan,
kemudian dijumlahkan untuk setiap
instance-nya.
3 Menentukan kelas prediksi.
Kelas
prediksi
ditentukan
dengan
mengambil nilai maksimum dari jumlah
masing-masing
kelas
yang
sudah
dijumlahkan.
7
Tabel 6 Confusion matrix fold III
SEM
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
3
Pada Tabel 4 dapat dilihat bahwa semua
data diprediksi benar sebagai kelasnya. Akurasi
dari fold I sebesar 100 %.
Fold II
Pada fold II, data pelatihan yang digunakan
yaitu data himpunan S1 dan S3, sedangkan data
himpunan S2 menjadi data ujinya. Hasil dari
fold II dapat dilihat pada Tabel 5.
Tabel 5 Confusion matrix fold II
LPR
LEP
MAT
PLA
JAV
PAL
SEM
JOH
PIN
MAC
LPR
LEP
MAT
PLA
JAV
PAL
SEM
MAC
Aktual
Data
JOH
PIN
Prediksi
3
0
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
3
0
3
0
0
0
0
0
0
0
0
Dari tabel di atas, dapat dilihat bahwa semua
data diprediksi benar sebagai kelasnya. Akurasi
dari fold II adalah sebesar 100 %.
Fold III
Pada fold III, data pelatihan yang digunakan
ialah data himpunan S1 dan S2, sedangkan data
himpunan S3 menjadi data ujinya. Hasil dari
fold III, menghasilkan prediksi yang benar dan
salah pada Tabel 6.
SEM
PAL
0
0
0
0
0
3
0
0
0
0
PAL
JAV
0
0
0
0
3
0
0
0
0
0
JAV
PLA
0
0
0
3
0
0
0
0
0
0
PLA
MA
0
0
3
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
JOH
PIN
MAC
LPR
LEP
MAT
PLA
JAV
PAL
SEM
MAT
LEP
3
0
0
0
0
0
0
0
0
0
Aktual
LPR
JOH
PIN
MAC
LPR
LEP
MAT
PLA
JAV
PAL
SEM
MA
Aktual
Data
JOH
PIN
Prediksi
LEP
Tabel 4 Confusion matrix fold I
LPR
Data
MAC
Prediksi
JOH
PIN
Fold I
Pada fold I, data pelatihan yang digunakan
yaitu data himpunan S2 dan S3, sedangkan data
himpunan S1 menjadi data ujinya. Hasil dari
fold I menghasilkan prediksi pada Tabel 4.
3
0
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
3
0
0
1
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
2
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
3
0
3
0
0
0
0
0
0
0
0
Dari tabel di atas, dapat dilihat bahwa
hampir semua data dapat diprediksi dengan
benar. Untuk kelas JAV, data yang diprediksi
benar sebanyak dua instance, dan satu instance
diprediksi salah karena diidentifikasi sebagai
kelas LEP. Akurasi dari fold III sebesar 97 %.
Instance JAV diidentifikasi sebagai kelas
LEP karena terdapat kemiripan fitur pada
diameter ranting, permukaan atas, pertulangan
tersier, diameter ranting, ujung daun, sifat helai
daun, dan stipula.
Tahap Implementasi
Pada tahap implementasi, inputan berupa
fitur-fitur Shorea yang disajikan graphical user
interface (GUI) sehingga pengguna dapat
memasukan nilai fitur dari morfologi Shorea.
Selanjutnya, sistem akan menghasilkan satu
jenis Shorea sebagai hasil identifikasi. Hasil
tersebut
diharapkan
dapat
mendekati
kesimpulan
pakar.
Sistem
pakar
ini
menggunakan Visual Studio 2005. Contoh
screenshot untuk identifikasi dapat dilihat pada
Lampiran 5.
Tahap Pengujian
Pada tahap ini, pengujian terbagi tiga, yaitu
pengujian semua fold, pengujian kunci
determinasi, dan pengujian dengan pakar.
Pengujian semua fold dengan memasukan ciriciri morfologi dari Shorea. Hasil perhitungan
akurasi dapat dilihat pada Tabel 7.
Tabel 7 Akurasi rata-rata
Fold
I
II
III
Rata-rata
Akurasi
100 %
100 %
97 %
99 %
Pengujian kunci determinasi dilakukan
dengan menyebarkan kuesioner kepada
responden untuk mengisi jenis Shorea dari fitur-
8
fitur nominal kunci determinasi. Kuesioner
kunci determinasi dapat dilihat pada Lampiran
6, dan hasilnya dapat dilihat pada Gambar 4 dan
Gambar 9 di bawah ini:
Gambar 9 Grafik perbandingan
jawaban responden.
Gambar 9 menunjukkan perbandingan
jawaban dari 18 orang responden yang mengisi
jawaban benar. Terdapat 12 orang yang mengisi
sepuluh pertanyaan dengan benar, yang mengisi
benar sembilan pertanyaan dan enam
pertanyaan masing-masing ada satu orang, dan
empat orang mengisi delapan jawaban yang
benar.
Gambar 10 Grafik perbandingan jenis
jawaban Shorea yang benar
Teridentifikasi.
Gambar 10 menunjukkan perbandingan
jenis Shorea yang dijawab dengan benar. Untuk
kelas PIN, MAC, LPR, LEP, dan PLA,
semuanya diidentifikasi benar oleh 18
responden, kelas MAT dan PAL diidentifikasi
benar oleh 17 responden, kelas JAV
diidentifikasi benar oleh 16 responden, kelas
SEM diidentifikasi benar oleh 15 responden,
dan kelas JOH diidentifikasi benar oleh
responden sebanyak delapan jawaban.
Pengujian dengan pakar dilakukan dengan
menunjukan sampel Shorea kepada pakar untuk
diidentifikasi jenis Shoreanya. Hasil yang
diperoleh ditunjukkan pada Gambar 11.
Gambar 11 Hasil uji pakar.
Gambar 11 menunjukkan perbandingan
hasil prediksi sistem dengan jenis Shorea aktual
yang sudah teridentifikasi benar oleh pakar.
Sistem sudah dapat mengidentifikasi sembilan
jenis Shorea dengan benar, yaitu untuk kelas
JOH, PIN, MAC, LEP, MAT, PLA, JAV, PAL,
dan SEM. Kelas MAC masih salah karena
diidentifikasi sebagai kelas MAC.
Perbandingan dengan Penelitian Terkait
Susanti (2012) menggunakan lima jenis
Shorea, dan penelitian ini menggunakan
sepuluh jenis Shorea dengan jenis yang sama
untuk Shorea palembanica Miq. dan Shorea
lepida Blume.
Susanti (2012) menggunakan sepuluh fitur
Shorea dari daun saja, sedangkan penelitian ini
sudah menggunakan 21 fitur Shorea dari daun
dan tangkai. Fitur yang sama adalah permukaan
daun, ujung daun, pangkal daun, sudut
antartulang daun, dan jumlah tulang daun. Fitur
tambahan pada penelitian ini adalah jarak
tangkai, jarak buku, rasio daun, panjang stipula,
lebar stipula, diameter ranting, pertulangan
tersier, bentuk diameter ranting, arah ranting,
sifat helai daun, domatia, stipula. Perbedaannya
pada sudut terbagi tiga, yaitu sudut pangkal,
sudut tengah dan sudut ujung. Permukaan daun
dibagi dua menjadi permukaan atas dan
permukaan bawah.
Metode yang digunakan sama-sama
menggunakan voting feature interval 5. Susanti
(2012) tidak menggunakan pakar dan
menghasilkan akurasi sebesar 88%. Penelitian
ini sudah melakukan akuisisi dengan pakar dan
menghasilkan akurasi 99%. Peningkatan akurasi
diperoleh karena penelitian ini sudah tidak
menggunakan fitur panjang daun, lebar daun,
keliling daun, dan luas daun (keempat fitur ini
merupakan nilai vote yang salah pada penelitian
Susanti, sehingga tidak digunakan kembali).
9
KESIMPULAN DAN SARAN
Kesimpulan
Algoritme VFI5 berhasil mengidentifikasi
jenis Shorea. Data yang digunakan diambil dari
Kebun Raya Bogor. Jumlah keseluruhan data
yang digunakan sebanyak 90 data yang terdiri
atas sepuluh kelas Shorea, menghasilkan
akurasi rata-rata sebesar 99%. Penelitian ini
menggunakan
3-fold
cross
validation.
Percobaan dibagi ke dalam tiga fold dengan
masing-masing kombinasi data latih dan data uji
yang berbeda.
Saran
Penelitian berikutnya diharapkan dilakukan
pengembangan sistem berbasis website.
DAFTAR PUSTAKA
Arhami M. 2004. Konsep Dasar Sistem Pakar.
Yogyakarta: ANDI.
Djamhuri E. 1981. Kunci Pengenalan Jenisjenis Pohon di Sekitar Kampus Fakultas
Kehutanan IPB Bogor. Bogor : IPB Press.
Fu L. 1994. Neural Networks in Computer
Intelligence. Singapura: McGraw-Hill.
Demiroz G, Guvenir HA. 1997. Classification
by voting feature intervals.
http://resources.metapress.com/pdfpreview.axd?code=m213h74590431w27&si
ze=largest [5 Mei 2012]
Han J, Kamber M. 2001. Data Mining
Concepts
&
Techniques.
Boston:
Academic Press.
Hasibuan EH. 2010. Prediksi Penyakit Kencing
Manis (Diabetes Mellitus) menggunakan
Algoritme Klasifikasi Voting Feature
Intervals 5 [skripsi]. Bogor: Fakultas
Matematika dan Ilmu Pengetahuan Alam,
Institut Pertanian Bogor.
Marimin. 2009. Teori dan Aplikasi Sistem
Pakar dalam Teknologi Manajerial. Bogor:
IPB Press.
Newman MF, Burgess PF, Whitmore TC. 1999.
Pedoman
Identifikasi
Pohon-Pohon
Dipterocarpaceae.
Bogor:
PROSEA
INDONESIA.
Nurjayanti B. 2011. Identifikasi Shorea
menggunakan
k-Nearest
Neigbour
Berdasarkan karakteristik Morfologi Daun.
[skripsi]. Bogor : Fakultas Matematika dan
Ilmu Pengetahuan Alam, Institut Pertanian
Bogor.
Susanti D. 2007. Pengukuran Pertumbuhan dan
Pembuatan Kunci Determinasi Tanaman
Dipterocarpaceae di Sekitar Kampus
Fakultas Kehutanan IPB Darmaga [skripsi].
Bogor: Fakultas Matematika dan Ilmu
Pengetahuan Alam, Institut Pertanian Bogor.
Susanti E. 2011. Identifikasi Jenis Shorea
(Meranti) menggunakan Algoritme Voting
Feature
Intervals
5
berdasarkan
Karakteristik Morfologi Daun [skripsi].
Bogor: Fakultas Matematika dan Ilmu
Pengetahuan Alam, Institut Pertanian Bogor.
Tan P, Steinbach M, Kumar V. 2006.
Introduction to Data Mining. Boston:
Pearson Education, Inc.
10
LAMPIRAN
11
Lampiran 1 Sampel data Shorea untuk data numerik
Shorea
/Fitur
Jml tulang
daun
Jarak Tangkai
Jarak
Buku
Sudut daun (derajat)
Stipula
Rasio daun
(Panjang/Lebar)
panjang
lebar
diameter
ranting
Pangkal
Tengah
Ujung
JOH
16.00
1.60
6.00
70.00
75.00
65.00
1.80
2.00
0.30
0.40
JOH
16.00
1.20
8.00
70.00
70.00
55.00
1.94
2.00
0.30
0.40
PIN
11.00
1.80
6.20
70.00
55.00
60.00
2.31
0.80
0.40
0.30
PIN
11.00
1.80
7.70
70.00
55.00
55.00
2.13
0.80
0.40
0.30
MAC
8.00
1.70
4.50
45.00
60.00
35.00
1.91
0.40
0.10
0.30
MAC
9.00
1.70
5.30
55.00
60.00
40.00
1.91
0.40
0.10
0.30
LPR
21.00
0.80
6.00
60.00
65.00
60.00
2.26
0.80
0.40
0.30
LPR
21.00
0.70
5.20
60.00
65.00
60.00
3.60
0.80
0.40
0.30
LEP
12.00
1.20
2.90
55.00
65.00
55.00
3.54
0.60
0.30
0.30
LEP
13.00
1.20
3.30
55.00
65.00
55.00
2.98
0.60
0.30
0.30
MAT
17.00
1.20
5.20
45.00
50.00
45.00
2.72
0.70
0.30
0.30
MAT
19.00
1.20
5.20
40.00
45.00
40.00
2.82
0.70
0.30
0.30
PLA
17.00
0.90
3.50
40.00
35.00
40.00
3.12
1.40
0.40
0.30
PLA
14.00
0.90
4.00
30.00
35.00
45.00
3.08
1.40
0.40
0.30
JAV
16.00
1.90
5.00
45.00
40.00
45.00
2.54
2.00
0.40
0.30
JAV
19.00
0.90
4.50
35.00
40.00
45.00
3.20
2.00
0.40
0.30
PAL
15.00
1.00
1.50
35.00
30.00
45.00
2.65
0.60
0.30
0.30
PAL
15.00
1.00
1.50
40.00
40.00
45.00
2.55
0.60
0.30
0.30
SEM
13.00
1.30
2.00
40.00
40.00
45.00
2.38
1.20
0.20
0.40
SEM
19.00
1.50
4.30
35.00
45.00
45.00
2.93
1.20
0.20
0.40
12
Lampiran 2 Sampel data Shorea untuk data nominal
Shorea
/Fitur
Permukaan
Atas
permukaan
Bawah
Pertulangan
Tersier
Diameter
Permukaan
Ranting
Arah
Ranting
Pangkal
daun
Ujung
daun
Helai
daun
Domatia
Stipula
JOH
1
2
2
2
2
2
3
4
2
2
1
PIN
1
2
1
1
1
2
3
3
3
1
1
MAC
1
1
2
2
1
1
4
1
1
1
1
LPR
1
2
2
2
2
1
3
1
1
2
2
LEP
1
1
2
2
1
1
2
1
2
1
1
MAT
1
2
2
2
2
2
3
1
1
2
2
PLA
1
1
1
2
1
1
4
1
2
1
1
JAV
1
2
2
2
2
2
3
1
2
2
1
PAL
1
2
2
2
1
1
4
2
2
1
2
SEM
1
1
2
2
1
2
4
1
1
1
2
13
Lampiran 3 Kunci determinasi
(a) Bentuk ranting pipih
Shorea pinanga scheff
Bentuk
ranting
-1(a) Pertulangan
tersier tegak lurus
(b) Bentuk
ranting silindris
-2(a) Arah ranting
lurus
-4(b) Pertulangan
tersier diagonal
-3-
Shorea platyclados
(a) pangkal daun
membundar
(b) Pangkal
daun tumpul
-5-
Shorea leprosula Miq.
(a) Permukaan
bawah daun kasar
(b) Permukaan bawah
daun halus
-6-
Shorea palembanica
(a) Sifat helai
daun tipis
(b) Sifat helai
daun sedang
(a) Permukaan
ranting licin
(b) Arah ranting
zigzag
-7-
(a) Ujung
daun tumpul
(b) Ujung daun meruncing,
membundar, runcing
-9-
(a) Shorea johorensis Foxwf.
(a) Stipula
memanjang
(b) Stipula
membundar
2.
3.
4.
5.
6.
7.
8.
9.
Shorea lepida Blume.
Shorea seminis
(b) Permukaan
ranting kasab
-8-
1.
Shorea macroptera Dyer.
a) Bentuk ranting pipih ............................................... Shorea pinanga Scheff.
b) Bentuk ranting silindris .......................................... 2
a) Pertulangan tersier tegak lurus ................................ Shorea platyclados Slooten.
b) Pertulangan tersier diagonal.................................... 3
a) Arah ranting lurus................................................... 4
b) Arah ranting zigzag ................................................ 7
a) Pangkal daun membundar ....................................... Shorea leprosula Miq.
b) Pangkal daun tumpul .............................................. 5
a) Permukaan bawah daun kasar ................................. Shorea palembanica Miq.
b) Permukaan bawah daun halus ................................. 6
a) Sifat helai daun tipis ............................................... Shorea macroptera Dyer.
b) Sifat helai daun sedang ........................................... Shorea lepida Blume.
a) Permukaan ranting licin .......................................... Shorea seminis Slooten.
b) Permukaan ranting kasab ........................................ 8
a) Ujung daun tumpul ................................................. Shorea johorensis Foxwf.
b) Ujung daun meruncing, membundar, runcing .......... 9
a) Stipula memanjang ................................................. Shorea javanica Koord. & Val.
b) Stipula membundar ................................................ Shorea materialis Ridley.
Shorea javanica Koord. & Val.
Shorea materialis Ridley.
14
Lampiran 4 Selang fitur pada pelatihan fold III
JOH
PIN
MAC
LPR
LEP
MAT
PLA
JAV
PAL
SEM
Jumlah tulang daun
0
0
0
0
0
0
0
0
0
0
JOH
PIN
MAC
LPR
LEP
MAT
PLA
JAV
PAL
SEM
0
0
1
0
0
0
0
0
0
0
8
0
0
1
0
0
0
0
0
0
0
9
0
0.50
0
0
0.50
0
0
0
0
0
10
0
0
0
0
1
0
0
0
0
0
11
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0.50
0
0
0
0
0.50
13
0
0
0
0
0
0
1
0
0
0
14
0
0
0
0
0
0
0
0.28
0.71
0
15
0.80
0
0
0
0
0
0.19
0
0
0
16
0.33
0
0
0
0
0.16
0.16
0.33
0
0
17
0
0
0
0
0
0
0
0
0
0
18
0
0
0
0
0
0.16
0
0.33
0
0.50
19
0
0
0
1
0
0
0
0
0
0
20
0
0
0
0
0
0
0
0
0
0
21
0
0
0
0
0
1
0
0
0
1
22
0.60
0
0.19
0
0
0
0
0
0
0.19
1.6
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Jarak tangkai
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0.6
0
0
0
1
0
0
0
0
0
0
0
0
0
0.19
0
0
0.60
0
0.19
0
0.8
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.50
0.16
0.16
0
0.9
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.25
0.12
0
0.12
0.50
0
1
0
0
0
0
0.50
0
0
0.50
0
0
0
0.18
0
0
0.27
0.18
0
0.27
0
0.88
1.2
0
0
0
0
0
0
0
0
0
0
0.19
0.19
0.19
0
0
0
0
0
0
0.40
1.3
0.33
0.16
0.16
0
0
0
0
0
0
0.33
0
0.67
0.32
0
0
0
0
0
0
0
1.8
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
1.9
0
0
0
0
0
0
0
0
0
0
15
Lampiran 4 Selang fitur pada pelatihan fold III (lanjutan)
JOH
PIN
MAC
LPR
LEP
MAT
PLA
JAV
PAL
SEM
JOH
PIN
MAC
LPR
LEP
MAT
PLA
JAV
PAL
SEM
Jarak buku
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
1.2
0
0
0
0
0
0
0
0
0
1
5.4
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.25
0
0
0
0.75
0
1.5
0
0
0
0
0
1
0
0
0
0
5.5
0
0
0
0
0.50
0
0
0
0.50
0
0
0
0
1
0
0
0
0
0
0
0
0
0.20
0
0.38
0
0
0
0.38
0
1.8
0.75
0
0
0.25
0
0
0
0
0
0
6
0
0
0
0
1
0
0
0
0
0
0.19
0.80
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
2
0
0
0.50
0
0.50
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
3.2
0
0
1
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
7.7
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
8
0
0
0
0
0
0
0
0
0
0
0
0.50
0
0
0.50
0
0
0
0
0
3.3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.28
0.57
0
0
0.13
3.5
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
4
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
4.1
0
0
0.10
0
0
0.10
0
0.44
0
0.33
0
0
0
0
0
0
0
1
0
0
5
0
0
0
0.60
0
0.39
0
0
0
0
0
0
0
0
0
0
0
0
0
0
5.2
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
5.3
16
Lampiran 4 Selang fitur pada pelatihan fold III (lanjutan)
JOH
PIN
MAC
LPR
LEP
MAT
PLA
JAV
PAL
SEM
Sudut pangkal
0
0
0
0
0
0
0
0
0
0
JOH
PIN
MAC
LPR
LEP
MAT
PLA
JAV
PAL
SEM
0
0
0
0
0
0.50
0.50
0
0
0
25
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.33
0.33
0.22
0.10
30
0
0
0
0
0
0
0
0.33
0.33
0.33
0
0
0.09
0
0
0.30
0.09
0
0.20
0.30
40
0
0
0
0
0
0
0
0
0
0
0
0
0.60
0
0
0.19
0
0.19
0
0
45
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
50
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.09
0.40
0.30
0.20
0
35
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.33
0
0.33
0.16
0.16
40
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.28
0
0
0
0.71
45
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
50
0
0
0
0
0
0
0
0
0
0
0
0
0.33
0
0.68
0
0
0
0
0
55
0
0
0
0
0
0
0
0
0
0
0
0.16
0
0.67
0.16
0
0
0
0
0
60
0
0
0
1
0
0
0
0
0
0
0.37
0.50
0
0.12
0
0
0
0
0
0
70
1
0
0
0
0
0
0
0
0
0
0.50
0.50
0
0
0
0
0
0
0
0
80
0
0
0
0
0
0
0
0
0
0
Sudut tengah
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.33
0.16
0.50
0
30
0
0
0
0
0
0
0
0
0
0
0
0.80
0
0
0.19
0
0
0
0
0
55
0
0
0
0
0
0
0
0
0
0
0
0.14
0.57
0.14
0.14
0
0
0
0
0
60
0
0
0
0
0
0
0
0
0
0
0
0.09
0.09
0.40
0.40
0
0
0
0
0
65
0
0
0
0
0
0
0
0
0
0
0
0
0.50
0.50
0
0
0
0
0
0
70
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
75
0
0
0
0
0
0
0
0
0
0
17
Lampiran 4 Selang fitur pada pelatihan fold III (lanjutan)
JOH
PIN
MAC
LPR
LEP
MAT
PLA
JAV
PAL
SEM
Sudut ujung
0
0
0
0
0
0
0
0
0
0
JOH
PIN
MAC
LPR
LEP
MAT
PLA
JAV
PAL
SEM
0
0
0.50
0
0
0
0.50
0
0
0
35
0
0
0
0
0
0
0
0
0
0
0
0
0.13
0
0
0.43
0.43
0
0
0
40
0
0
0
0
0
0
0
0
0
0
0
0.07
0.03
0
0
0.11
0.07
0.23
0.23
0.23
45
0
0
0
0
0
0
0
0
0
0
0
0.28
0.28
0
0.43
0
0
0
0
0
50
0
0
0
0
0
0
0
0
0
0
0
0.28
0.28
0
0.43
0
0
0
0
0
55
0
0
0
0
0
0
0
0
0
0
0.20
0.09
0
0.40
0.30
0
0
0
0
0
60
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
65
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
1.91
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
1.94
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
1.97
0
0.80
0.20
0
0
0
0
0
0
0
0
0
0.50
0.50
0
0
0
0
0
0
2.24
0
0
0
0
0
0
0
0
0
0
0
0
0
0.50
0
0.50
0
0
0
0
2.26
0
0
0.32
0
0
0.67
0
0
0
0
0
0.50
0
0.50
0
0
0
0
0
0
2.31
0
0
0
0
0
0
0
0
0
0
Rasio daun
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
1.80
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
2.38
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
2.41
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
2.50
0
0
0
0.16
0
0.16
0
0
0.67
0
0
0
0
0
0
0
0
0
1
0
2.65
0
0
0
0
0
0
0
0
0
0
18
Lampiran 4 Selang fitur pada pelatihan fold III (lanjutan)
JOH
PIN
MAC
LPR
LEP
MAT
PLA
JAV
PAL
SEM
Rasio daun (lanjutan)
0
0
0
0
0
0
0
1
0
0
2.67
JOH
PIN
MAC
LPR
LEP
MAT
PLA
JAV
PAL
SEM
0
0
0
0
0
0.25
0
0
0
0.75
0
0
0
0
0
1
0
0
0
0
2.82
0
0
0
0
0
0
0
0.75
0
0.25
0
0
0
0
0
0
0
0
0
1
2.93
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
2.98
0
0
0
0
0
0
0
0
0
0
0
0
0
0