klasifikasi dokumen tumbuhan obat berbasis famili ... · 4 jumlah dokumen tumbuhan 10 5 kombinasi...

KLASIFIKASI DOKUMEN TUMBUHAN OBAT BERBASIS FAMILI

MENGGUNAKAN PROBALISTIC NEURAL NETWORK

ACHMAD MUCHLIS

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2013

PERNYATAAN MENGENAI SKRIPSI DAN

SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA

Dengan ini saya menyatakan bahwa skripsi berjudul Klasifikasi Dokumen

Tumbuhan Obat Berbasis Dokumen menggunakan Probalistic Neural Network

adalah benar karya saya dengan arahan dari pembimbing dan belum diajukan

dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang

berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari

penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di

bagian akhir skripsi ini.

Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut

Pertanian Bogor.

Bogor, September 2013

Achmad Muchlis

NIM G64104049

ABSTRAK

ACHMAD MUCHLIS. Klasifikasi Dokumen Tumbuhan Obat Berbasis Famili

Menggunakan Probalistic Neural Network. Dibimbing oleh YENI HERDIYENI

dan ERVIZAL AM ZUHUD.

Penelitian ini menyajikan sebuah sistem untuk ektraksi ciri dan klasifikasi

dokumen tumbuhan obat menggunakan metode chi-square dan klasifikasi

probalistic neural network (PNN). Otomasi identifikasi famili dilakukan

berdasarkan pengelompokan karakteristik tanaman obat yang terkandung dalam

dokumen. Tahapan terdiri dari pengumpulan dokumen tumbuhan, konversi dari

dokumen hardcopy menjadi menjadi bentuk softcopy dengan format XML, pra

proses dokumen, pemilihan fitur menggunakan chi-square, klasifikasi dokumen

menggunakan PNN dan evaluasi sistem menggunakan confusion matrix.

Hasil klasifikasi dipengaruhi oleh jumlah kata penciri suatu famili. Jumlah

kata penciri dari suatu famili dipengaruhi oleh jumlah kata yang sama pada tiap

dokumen latih. Semakin banyak kata yang sama pada tiap dokumen latih semakin

besar probabilitas kata tersebut menjadi kata penciri. Pada penelitian ini penciri

dari suatu famili belum menggambarkan ciri-ciri taksonomi tumbuhan. Hal ini

disebabkan oleh banyaknya kata yang sama pada tiap dokumen latih belum

menggambarkan ciri-ciri taksonomi tumbuhan. Hasil evaluasi klasifikasi

menggunakan algoritme probalistic neural network dengan bobot nilai 1 dan

lapisan pola menggunakan ekstraksi ciri chi-square menggunakan nilai nilai alpha

(α) 0.1 secara keseluruhan menghasilkan nilai 82.14 %. Hal tersebut dikarenakan

dokumen latih terdapat banyak kata yang sama pada tiap dokumen yang bukan

ciri-ciri taksonomi tumbuhan.

Penelitian ini merupakan sistem klasifikasi dokumen tumbuhan obat yang

dapat digunakan untuk identifikasi famili tumbuhan. Sistem ini berguna dalam

identifikasi famili secara otomatis dan klasifikasi dokumen tumbuhan obat.

Sistem ini juga dapat meningkatkan pengetahuan masyarakat terhadap keragaman

dan penggunaan tanaman obat.

Kata kunci: chi-kuadrat, klasifikasi dokumen, identifikasi dokumen, dokumen

tumbuhan obat, klasifikasi probalistic neural network

ABSTRACT

ACHMAD MUCHLIS. Clasification of Medical Plant Document Based on

Family by Feature Selection Clasification using Probalistic Neural Netwok.

Supervised YENI HERDIYENI and ERVIZAL AM ZUHUD.

This research presents a system for the extraction of features and

classification of the document medicinal plants using the chi-square method and

neural network classification probalistic. Automation family identification by

grouping characteristics medicinal plants contained in the document. In this

research, the phase consists of collecting documents, doing conversion from

hardcopy documents to softcopy into XML format, pre-process the document,

featuring selection using the chi-square, document classification using PNN and

evaluation using Confusion Matrix.

Classification results are influenced by the number of family identifier

words. Number of words identifier of a family affected by the same number of

words in each document training. The more same words in each document

training, the greater probability of the word being said identifier. In this research,

identifier of a family does not describe the characteristics of plant taxonomy. This

is due to the same number of words in each document has not practically

described the characteristics of plant taxonomy. The evaluation research of

classification algorithm Probalistic Neural Network (PNN) with weight value 1

and layer patterns using feature extraction using the chi-square values of alpha (α)

value of 0.1 overall result of classification is 82.14%.

This research represents a medical plant document system that can be used

for automatic identification of families according to the taxonomy of plants.This

system is useful to help users especially researchers and taxonomists in the

identification document through labeling family automatically on each document,

with the existing system, therefoe the users dont need to bring a book or a guide

book to identify the field. Furthermore, it can overcome the limitations of people's

knowledge of the diversity and the use of medicinal plants. That is because there

are a lot of documents to train the same word in each document which is not

characteristic of plant taxonomy.

Keywords: chi-square, document classification, document identification, medical

plant document, probalistic neural network classifier

Skripsi

sebagai salah satu syarat untuk memperoleh gelar

Sarjana Komputer

pada

Departemen Ilmu Komputer

KLASIFIKASI DOKUMEN TUMBUHAN OBAT BERBASIS FAMILI

MENGGUNAKAN PROBALISTIC NEURAL NETWORK

ACHMAD MUCHLIS

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2013

Judul Skripsi : Klasifikasi Dokumen Tumbuhan Obat Berbasis Famili

Menggunakan Probalistic Neural Network

Nama : Achmad Muchlis

NIM : G64104049

Disetujui oleh

Diketahui oleh

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

Ketua Departemen

Tanggal Lulus:

Dr. Yeni Herdiyeni, S.Si, M.Kom

Pembimbing I

Prof. Dr. Ervizal AM Zuhud, MS

Pembimbing II

Judul Skri psi Iumbuhan Obat Berbasis Famili ~'r&.~f.sti-c _ eural Network

Nama Achmad NIM

Mengg~.o.AJ,;:c.:;·

064104049

Disetujui oleh

S.Si M.Kom Prof. Dr. Ervizal AM Zuh\ d, MS Pembimbing II

Tanggal Lulus: 0 5 FEB 201 4

PRAKATA

Segala puji bagi Allah subhanahu wata’ala atas segala limpahan rahmat dan

karunia-Nya sehingga penulis mampu menyelesaikan skripsi yang berjudul

“Klasifikasi Dokumen Tumbuhan Obat Berbasis Famili Menggunakan Probalistic

Neural Network” ini. Selawat dan salam senantiasa tercurah limpah kepada

Rasulullah, Nabi Muhammad shalallahu ‘alaihi wasallam, serta keluarganya,

sahabatnya, dan para pengikutnya yang tetap istiqomah hingga akhir zaman.

Penulis juga menyampaikan terima kasih kepada seluruh pihak yang telah

membantu dalam penelitian ini, yaitu:

1 Kedua orang tua penulis, Alm.H.Syatiri Achmad dan Alma.Hj.Munawaroh

serta saudara-saudara penulis, atas doa, kasih sayang, dan dukungan yang

luar biasa.

2 Ibu Dr. Yeni Herdiyeni, S.Si, M.Kom dan Bapak Prof. Dr. Ir. Ervizal A.M.

Zuhud, M.S selaku dosen pembimbing yang telah banyak memberikan ide,

saran, nasihat, dan dukungan.

3 Rekan-rekan satu bimbingan, Rahmat, Alrasyid, Hanung, Dedi, Yusrizal,

Desta, pak Indra, mas Rizky dan Ngakan atas diskusi-diskusi dan suka-duka

selama pembimbingan.

4 Rekan-rekan di AMN Indonesia.

5 Sahabat Ilkomerz angkatan 5 khususnya Wahyu Dyas.

Penulis menyadari penelitian ini masih banyak kekurangan. Harapannya,

semoga hasil penelitian ini dapat bermanfaat.

Bogor, September 2013

Achmad Muchlis

DAFTAR ISI

DAFTAR TABEL vi

DAFTAR GAMBAR vi

DAFTAR LAMPIRAN vi

PENDAHULUAN 1

Latar Belakang 1

Tujuan Penelitian 1

Manfaat Penelitian 2

Ruang Lingkup Penelitian 2

TINJAUAN PUSTAKA 2

Taksonomi 2

Chi-Square (χ2) 5

Probabilistic Neural Network 7

Confusion Matrix 8

METODE 9

Dokumen Tumbuhan Obat 9

Praproses 11

Ekstraksi Fitur Dokumen Menggunakan Chi-Square 12

Klasifikasi Probalistic Neural Network 12

Perhitungan Akurasi 13

Lingkungan Pengembangan 13

HASIL DAN PEMBAHASAN 13

Praproses 13

Ekstraksi Fitur Chi-Square 14

Klasifikasi Probalistic Neural Network 18

SIMPULAN DAN SARAN 25

Simpulan 25

Saran 25

DAFTAR PUSTAKA 25

LAMPIRAN 31

DAFTAR TABEL

1 Tabel kontingensi 6

2 Nilai kritis derajat bebas satu dan taraf nyata α Manning et al (2008). 6

3 Confusion Matrix 8

4 Jumlah dokumen tumbuhan 10

5 Kombinasi data dokumen per famili 10

6 Komposisi jumlah dokumen tumbuhan 14

7 Daftar jumlah kata per famili 14

8 Perbandingan kelas Apiaceae dengan kelas Euphorbiaceae 15

9 Kombinasi dokumen latih kelas Apiaceae dengan Euphorbiaceae 15

10 Hasil evalusi tiap famili 18

11 Confusion Matrix pada klasifikasi 19

12 Taksonomi famili Apiaceae dan Crassulaceae 19

13 Perbandingan term penciri famili Apiaceae dan Crassulaceae 19

14 Taksonomi Euphorbiaceae dan Crassulaceae 20

15 Perbandingan term dokumen, famili Euphorbiaceae dan

Crassulaceae 21

16 Taksonomi Lamiaceae dan Apiaceae 21

17 Perbandingan term dengan famili Apiaceae dan Lamiaceae 22

18 Taksonomi Myrtaceae dan Rutaceae 22

19 Perbandingan term dokumen dengan famili Myrtaceae dan

Rutaceae 23

20 Taksonomi Rutaceae dan Crassulaceae 24

21 Perbandingan term dokumen dengan famili Rutaceae dan

Crassulaceae 24

DAFTAR GAMBAR

1 Contoh spesies famili Apiaceae 2

2 Contoh spesies berfamili Crassulaceae 3

3 Contoh spesies berfamili Euphorbiaceae 3

4 Contoh spesies berfamili Lamiaceae 4

5 Contoh spesies berfamili Myrtaceae 4

6 Contoh spesies berfamili Rutaceae 5

7 Bagan algoritme Probalistic Neural Network Han dan Kamber

(2001) 7

8 Diagram alur penelitian 9

9 Akurasi pengujian 18

10 Bentuk morfologi daun famili Apiacea dan Crasslucase 20

11 Posisi cabang famili Euphorbiaceae dan famili Crassulaceae. 21

12 Bunga famili Euphorbiaceae dan famili Crassulaceae 22

13 Buah famili Myrtaceae dan famili Rutaceae 23

14 Bentuk daun famili Rutaceae dan Crassulaceae. 24

DAFTAR LAMPIRAN

1 Daftar term kelas Apiaceae 26

2 Daftar term kelas Crassulaceae 27

3 Daftar term kelas Lamiaceae 28

4 Daftar term kelas Euphorbiaceae 28

5 Daftar term kelas Myrtaceae 29

6 Daftar term kelas Rutaceae 30

7 Daftar perbedaan morfologi per famili 36

36

PENDAHULUAN

Latar Belakang

Indonesia sebagai salah satu negara megabiodiversity memiliki banyak

kekayaan alam. Menurut Groombridge dan Jenkins (2002), jumlah tumbuhan di

Indonesia pada saat ini mencapai 22500 spesies. Sebanyak 4.4% dari keseluruhan

spesies tumbuhan obat yang ada di Indonesia sudah diketahui manfaatnya. Salah

satu cara meningkatkan pengetahuan tentang tumbuhan obat adalah dengan cara

mengidentifikasikan tumbuhan tersebut. Penelitian tentang tumbuhan telah

banyak dilakukan. Peneliti melakukan pengamatan secara langsung terhadap

tumbuhan sehingga menghasilkan informasi dari tumbuhan seperti ciri-ciri

morfologi, kandungan kimia, budidaya, manfaat dan informasi lainnya yang

menggambarkan karakteristik tumbuhan tersebut. Identifikasi tumbuhan secara

manual tidak efisien karena setiap kali melakukan proses identifikasi, peneliti

menganalisis karakteristik secara langsung atau dengan mencocokan pada tiap

dokumen tumbuhan yang sedang di identifikasi. Oleh karena itu, diperlukan

adanya sistem informasi untuk mempermudah dan mempercepat proses

identifikasi famili tumbuhan obat menggunakan informasi dokumen tumbuhan

obat.

Pada penelitian sebelumnya telah dilakukan mengenai identifikasi famili

menggunakan dokumen etnofitomedika dengan metode klasifikasi naïve bayes

Suganda (2013). Saudari Suganda menggunakan sepuluh famili tumbuhan dalam

hal pengklasifikasiannya. Metode yang digunakan yang oleh saudari Suganda

adalah mengekstraksi kata-kata penting dari dokumen etnofitomedika

menggunakan chi-square dan metode naive bayes sebagai metode

pengklasikasiannya. Penelitian lain tentang klasifikasi tumbuhan obat juga

dilakukan oleh Herawan (2011) yang menggunakan metode chi-square dan

metode naive bayes. Penelitian tentang pengelompokan data juga dilakukan oleh

Barnaghi (2012) dengan membandingkan beberapa metode klasifikasi

meggunakan data darah. Pada penelitan Barnaghi (2012) rata-rata akurasi metode

neural network lebih baik jika dibandingan dengan metode naive bayes.

Penelitian ini akan mengembangkan sistem klasifikasi dokumen tumbuhan

obat berbasis famili menggunakan metode Probalistic Neural Network (PNN).

Famili yang digunakan pada penelitian ini berjumlah enam famili yaitu Apiaceae,

Crassulaceae, Euphorbiaceae, Lamiaceae, Myrtaceae dan Rutaceae. Pemilihan

famili Apiaceae, Crassulaceae, Euphorbiaceae, Lamiaceae, Myrtaceae dan

Rutaceae dikarenakan secara taksonomi famili tersebut terdapat dalam 1 kingdom

yang sama yaitu Plantae.

Tujuan Penelitian

Tujuan dari penelitian ini adalah untuk mengklasifikasikan dokumen

tumbuhan obat berbasis famili menggunakan metode ektraksi chi-square dengan

metode klasifikasi probalistic neural network.

2

Manfaat Penelitian

Manfaat dari penelitian yaitu untuk mempermudah pencarian informasi

tumbuhan berdasarkan ciri-ciri morfologi dari famili tumbuhan tersebut.

Ruang Lingkup Penelitian

Pada penelitian ini dilakukan pembatasan masalah pada:

1 Data tumbuhan obat terdiri atas enam famili yaitu Apiaceae, Crassulaceae,

Euphorbiaceae, Lamiaceae, Myrtaceae dan Rutaceae.

2 Data tumbuhan obat dalam bentuk teks dengan ektensi XML dan berbahasa

Indonesia.

TINJAUAN PUSTAKA

Taksonomi

Taksonomi tumbuhan merupakan ilmu yang mempelajari tentang berbagai

penelusuran jenis tumbuhan, penyimpanan herbarium tumbuhan, pengenalan atau

identifikasi tumbuhan, pengelompokan atau klasifikasi tumbuhan, dan pemberian

nama tumbuhan Tjitrosoepomo (1994). Klasifikasi tumbuhan adalah penyusunan

tumbuhan secara teratur ke dalam suatu sistem hierarki. Sistem penyusunan ini

berasal dari kumpulan informasi tumbuhan secara individual salah satunya

informasi ciri-ciri taksonomi yang dimiliki tumbuhan tersebut, dengan hasil akhir

yang menggambarkan hubungan kekerabatan antar individual. Klasifikasi yang

bertujuan untuk menyederhanakan objek studi pada hakekatnya adalah mencari

keseragaman dalam keanekaragaman pada setiap individual. Berikut ciri-ciri

famili yang digunakan pada penelitian ini :

a Famili Apiaceae

(Astrantia maxima) (Daucus carota)

Gambar 1 Contoh spesies famili Apiaceae

Terna berumur pendek atau panjang, dengan batang berongga

sebelah dalam dan beralur atau bergerigi membujur pada permukaannya.

Daun tersebar, berseling atau berhadapan, majemuk ganda atau banyak

berbagi, tanpa daun penumpu tetapi mempunyai pelepah yang besar dan

3

pipih. Bunga majemuk berupa bunga payung. Bunga kecil, kebanyakan

banci, aktinomorf atau sedikit zigomorf, berbilangan 5. Kelopak seringkali

amat kecil, daun mahkota 5 dengan ujungnya yang melengkung ke dalam

berwarna kuning atau keputih-putihan, jarang merah jambu atau

lembayung. Benang sari 5, berseling dengan daun mahkota. Bakal buah

tenggelam, tertutup oleh bantal tangkai putik yang berbagi 2 , beruang 2

dalam tiap ruang dengan 1 bakal biji yang bergantungan. Buahnya buah

berbelah 2, tiap bagian buah berlekatan pada suatu karpofor. Dalam kulit

buah terdapat saluran-saluran minyak atsiri. Biji dengan endosperm yang

menyerupai tanduk Tjitrosoepomo (1994). Gambar 1 merupakan contoh

spesies famili Apiaceae.

b Famili Crassulaceae

(Kalanchoe pinnata) (Kalanchoe pinnata)

Gambar 22Contoh spesies berfamili Crassulaceae

Terna berbatang basah, daun tebal pinggir beringgit, banyak

mengandung air, bentuk daunnya lonjong atau bundar panjang, panjang 5 -

20 cm, lebar 2.5-15 cm, ujung daun tumpul, pangkal membundar,

permukaan daun gundul, warna hijau sampai hijau keabu-abuan. Posisi

daun jarang yang berhadapan. Memiliki penumpu tangkai daun yang

melebar. Bunga terdapat pada akhir batang bagian atas dan menghadap ke

bawah Goldberg (2003). Gambar 2 merupakan contoh spesies famili

Crassulaceae.

c Famili Euphorbiaceae

(Euphorbia epithymoides) (Glochidion)

Gambar 33Contoh spesies berfamili Euphorbiaceae

4

Pohon, perdu atau terna, kadang-kadang berupa sukulenta,

kebanyakan menghasilkan getah yang berwarna putih seperti susu. Daun

tersebar, kadang-kadang berhadapan, tunggal atau majemuk menjari,

biasanya mempunyai penumpu. Ujung tangkai daun atau pangkal helaian

daun seringkali mempunyai kelenjar. Bunga berkelamin tunggal, berumah

satu atau dua, jantan dan betina besar perbedaannya. Bakal buah

menumpang, biasanya beruang 3 masing-masing 1-2 bakal biji. Tangkai

putik berjumlah 3 atau berlekatan. Biji dengan endosperm yang besar dan

di pusat Tjitrosoepomo (1994). Gambar 3 merupakan contoh spesies famili

Euphorbiaceae.

d Famili Lamiaceae

(Perilla frutescens)

Gambar 44Contoh spesies berfamili Lamiaceae

Spesies dari lamiaceae terutama merupakan herba atau semak-

semak dalam berbagai ukuran, jarang berupa pohon. Batang biasanya

persegi, terutama ketika muda, tegak atau berbaring di tanah. Bunganya

biseksual, jarang berkelamin tunggal jarang yang berbentuk sebagai bunga

sempurna. Buah terdiri atas empat nutlets, meskipun beberapa nutlets

tersebut tidak dewasa, masing-masing dengan biji tunggal. Daun

berberntuk sederhana dan letaknya berhadapan dengan daun yang lainnya.

Penumpu tangkai daun menyebar tidak mengerucut ke dalam batang

Golderg (2003). Gambar 4 merupakan contoh spesies famili Lamiaceae.

e Famili Myrtaceae

(Syzygium caryophyllatum) (Syzygium malacense)

Gambar 55Contoh spesies berfamili Myrtaceae

5

Semak-semak atau pohon-pohonan yang berbatang berkayu, jarang

sekali berupa terna dengan daun tunggal tanpa daun penumpu yang

duduknya tersebar atau berhadapan. Bunga kebanyakan aktinomorf, banci

dengan 4-5 daun kelopak dan 4-5 daun mahkota pula. Daun-daun mahkota

itu sebelah atasnya seringkali berlekatan. Bakal buah tenggelam dengan 1

tangkai putik, beruang 1 dengan 3-tembuni yang menonjol ke dalam, dapat

pula beruang lebih dari 1 (2, 5 sampai tak hingga) dengan 8 bakal biji

dalam tiap ruang Tjitrosoepomo (1994). Gambar 5 merupakan contoh

spesies famili Myrtaceae.

f Famili Rutaceae

(Clausena excavate) (Citrus reticulate)

Gambar 66Contoh spesies berfamili Rutaceae

Tumbuhan yang berkayu, jarang berupa terna. Daun tunggal atau

majemuk (beranak daun 3) yang duduk tersebar atau berhadapan. Dalam

gelam dan daun terdapat kelenjar-kelenjar minyak yang terjadi secara

skizolisigen. Bunga banci, aktinomorf atau zigomorf, berbilang 5 atau 4, di

dalam benang sari kebanyakan terdapat suatu cakram. Kelopak berdaun

bebas atau berlekatan. Buah dan biji amat berbeda-beda, biji dengan

lembaga yang besar Tjitrosoepomo (1994). Gambar 6 merupakan salah

satu contoh spesies famili Rutaceae.

Chi-Square (χ2)

Pemilihan fitur dokumen merupakan suatu proses memilih kata terbaik pada

tiap dokumen. Kata tersebut merupakan himpunan dari semua kata yang ada pada

data latih. Pemilihan fitur dokumen memiliki dua tujuan utama, yaitu membuat

data latih yang diterapkan oleh sistem klasifikasi menjadi lebih sederhana serta

untuk meningkatkan akurasi sistem klasifikasi. Peningkatan akurasi sistem

klasifikasi disebabkan oleh dihilangkannya kata-kata yang bukan merupakan

penciri dokumen yang dilakukan pada proses penghilangan fitur Manning et al

(2008). Dalam penelitian ini, data yang digunakan adalah dokumen tumbuhan

obat yang berasal dari beberapa dokumen hasil riset dan buku tumbuhan obat.

Dokumen yang digunakan dibuat dalam format XML. Data dari ekstrasi fitur

tersebut akan digunakan sebagai penciri dokumen yang akan diklasifikasikan.

Chi-square ( ) merupakan pengujian hipotesis mengenai perbandingan

antara frekuensi sampel yang benar-benar terjadi (frekuensi observasi) dengan

6

frekuensi harapan yang didasarkan atas hipotesis tertentu pada setiap kasus atau

data (frekuensi harapan atau ekspektasi). Sampel berukuran N diambil dari suatu

populasi normal berdeviasi standar σ. Untuk setiap sampel dihitung nilai

sehingga diperoleh distribusi sampling untuk yang disebut distribusi chi-square

Manning et al (2008).

Perhitungan nilai chi-square dapat dibantu dengan tabel kontingensi. Nilai

pada tabel kontingensi merupakan nilai frekuensi observasi dari suatu kata

terhadap kelas. Tabel kontingensi dapat dilihat pada Tabel 1.

Tabel 1 Tabel kontingensi

Kelas

Kata

Kelas = 1 Kelas = 0

Kata = 1 A B

Kata = 0 C D

Perhitungan nilai chi-square berdasarkan tabel kontingensi disederhanakan

sebagai berikut:

t c =

-

( )( )( ) (1)

Dari rumus di atas, t merupakan kata yang sedang diujikan terhadap suatu

kelas c. Jumlah dokumen latih dilambangkan dengan N. Banyaknya dokumen

pada kelas c yang memuat kata t dilambangkan dengan A, banyaknya dokumen

yang tidak berada di kelas c, Namun memuat kata t dilambangkan dengan huruf

B,banyaknya dokumen yang berada di kelas c namun tidak memiliki kata t

dilambangkan dengan huruf C, dan banyaknya dokumen yang bukan merupakan

dokumen kelas c dan tidak memuat kata t dilambangkan dengan huruf D.

Pengambilan keputusan berdasarkan nilai dari masing-masing kata.

Kata yang memiliki nilai di atas nilai kritis pada tingkat signifikasi α adalah

kata yang dipilih sebagai penciri dokumen sehingga kata yang dipilih sebagai

penciri dokumen merupakan kata yang memiliki pengaruh terhadap kelas c. Nilai

kritis dengan derajat bebas satu dan taraf nyata ditunjukkan oleh Tabel 2.

Tabel 2 Nilai kritis derajat bebas satu dan taraf nyata α Manning et al (2008).

Nilai Kritis

0.1 2.71

0.05 3.84

0.01 6.63

0.005 7.88

0.001 10.83

7

Probabilistic Neural Network

Klasifikasi adalah proses menemukan sekumpulan model atau fungsi yang

menggambarkan dan membedakan konsep atau kelas-kelas data, dengan tujuan

agar model tersebut dapat digunakan untuk memprediksi kelas dari suatu objek

atau data yang label kelasnya tidak diketahui Han dan Kamber (2001).

Pada klasifikasi data yang digunakan dibagi menjadi data latih dan data uji.

Data latih digunakan untuk membangun model dengan ekstrasi fitur menggunakan

algoritme chi-square, sementara data uji digunakan untuk memvalidasi model

yang telah dibangun dengan menggunakan algoritme probalistic neural network.

Akurasi model ditentukan oleh hasil pengujian terhadap data uji.

Gambar 77Bagan algoritme Probalistic Neural Network Han dan Kamber (2001)

PNN terdiri atas empat lapisan, yaitu lapisan masukan, lapisan pola,

lapisan penjumlahan, dan lapisan keluaran. Struktur PNN selengkapnya

ditunjukkan pada Gambar 7. Lapisan-lapisan yang menyusun PNN adalah sebagai

berikut:

1 Lapisan Input (Input Layer)

Lapisan masukan merupakan input x yang terdiri atas nilai yang akan

diklasifikasikan pada salah satu kelas dari n kelas.

2 Lapisan Pola (Pattern Layer)

Pada lapisan pola dilakukan perkalian titik (dot product) antara input x dan

vektor bobot x i, yaitu x x i, kemudian dibagi dengan bias (σ) tertentu

dan selanjutnya dimasukkan ke dalam fungsi Parzen, yaitu g( ) e p (- ).

3

8

Dengan demikian, persamaan yang digunakan pada lapisan pola adalah sebagai

berikut:

g(x) e p (-( x -x i )

( x - x i )

2σ2) (2)

dengan xAi menyatakan vektor bobot atau vektor latih kelas ke-A urutan ke-i.

3 Lapisan Penjumlahan (Summation Layer)

Pada lapisan penjumlahan, setiap pola pada masing-masing kelas dijumlahkan

sehingga menghasilkan population density function untuk setiap kelas.

Persamaan yang digunakan pada lapisan ini adalah:

p( )p(x| )

(2 )d2 σd

∑ e p (-( x - x i )

( x - x i )

2σ2)

i (3)

dengan :

p( ) = peluang kelas A

p(x| ) = peluang bersyarat x jika masuk ke dalam kelas A xAi = vektor latih kelas A urutan ke-i

d = dimensi vektor input

= jumlah pola pelatihan kelas A

= jumlah pola pelatihan seluruh kelas σ = bias atau faktor pemulus

4 Lapisan keluaran (output layer)

Pada lapisan keluaran, input x akan diklasifikasikan ke kelas A jika nilai ( ) paling besar dibandingkan kelas lainnya.

Confusion Matrix

Confusion Matrix merangkum jumlah data yang diprediksi benar atau salah

oleh mode klasifikasi. Confusion Matrix lebih sering disebut dengan tabel

kontingensi seperti yang ditunjukan pada Tabel 3. Tabel 3 adalah Confusion

Matrix untuk masalah dua kelas, yang diberi label kelas positif (+) dan kelas

negative (-). Oleh karena itu Confusion Matrix berukuran 2 x 2. Jumlah data yang

diklasifikasikan dengan benar adalah jumlah diagonal dalam matriks, sedangkan

yang lainnya adalah yang salah diklasifikasikan Srinivasulu et al. (2009).

Tabel 3 Confusion Matrix

Predicted Class

+ -

Actual

Class

+ TP FN

- FP TN

Keterangan untuk Tabel 3 dinyatakan sebagai berikut :

1 True positive (TP): jumlah data positif yang dengan benar diprediksi oleh

model klasifikasi.

9

2 False negative (FN): jumlah data positif yang salah diprediksi sebagai

negatif oleh model klasifikasi.

3 False positive (FP): jumlah data negatif yang salah diprediksi sebagai

positif oleh model klasifikasi.

4 True negative (TN): jumlah data negatif yang dengan benar diprediksi

oleh model klasifikasi

Akurasi adalah rasio antara jumlah data yang dapat diklasifikasikan dengan

benar dan total jumlah data. Secara teknis dapat didefinisikan seperti pada

Persamaan 6 Kumar dan Rathee (2011).

Perhitungan akurasi dinyatakan dalam Persamaan 4.

Akurasi =

(4)

METODE

Ilustrasi tahapan proses penelitian disajikan dalam diagram alur pada

Gambar 8.

Mulai

Pengumpulan data

dokumen tumbuhan

Dokumen tumbuhan

obat

Data latih

Data uji

PraprosesEktraksi fitur(chi-square)

Klasifikasi PNN

Klasifikasi

Evaluasi

Selesai

Gambar 88Diagram alur penelitian

Dokumen Tumbuhan Obat

Dokumen tumbuhan obat yang digunakan dalam penelitian ini adalah data

dokumen tumbuhan obat yang didapat dari literatur perpustakaan IPB yaitu

Tjitrosoepomo (1994) pada buku “ aksonomi Tumbuhan Obat-Obatan” dan Fauzi

(2008) pada buku “Panduan Lengkap Manfaat anaman Obat”. Data dokumen

10

tumbuhan obat sebelumnya dalam bentuk teks (hardcopy) dan diubah dalam

bentuk file teks softcopy dengan format XML. Dokumen tumbuhan obat ini terdiri

atas enam kelas yaitu Apiaceae, Crassulaceae, Euphorbiaceae, Lamiacea,

Myrtaceae dan Rutaceae. Jumlah data dokumen tumbuhan obat yang digunakan

pada penelitian ini dapat dilihat pada Tabel 4. Spesies-spesies yang digunakan

pada penelitian ini dapat dilihat pada Tabel 5.

Tabel 4 Jumlah dokumen tumbuhan

No. Nama famili Total dokumen

1 Apiaceae 19

2 Crassulaceae 14

3 Euphorbiaceae 17

4 Lamiacea 20

5 Myrtaceae 15

6 Rutaceae 16

Tabel 5 Kombinasi data dokumen per famili

Nama famili Nama species Jumlah dokumen

Apiaceae Centella asiatica 8 Coriandrum sativum 1 Foeniculum vulgane 4 Cuminum cyminum 2 Apium graveolens 3 Daucus carota 1

Crassulaceae Kalanchoe pinnata 14

Euphorbiaceae Eupharbia tirucalli 3 Excoecaria cochinchinensis 2 Jatropha curcas 4 Euphorbia resinifera 1 Mallotus philippinensis 1 Hevea brasiliensis 2 Manihot utilissima 1 Ricinus communis 1 Stilingsia sylvatica 1 Croton eluteri 1

Lamiaceae Plectranthus amboinicius 3 Ocimum basilicum 3 Coleus scutellarioides 8 Orthosiphon aristatus 6

Myrtaceae Psidium guajava 6 Pimenta officinalis 1 Eugenia aromatica 2 Eucalyptus camaldulensis 1 Syzygium polyanthum 1 Syzygium cumini 1 Melaleuca leucadendron 2

11

Eugenia cumini 1

Tabel 5 Lanjutan


Rutaceae Murraya paniculata 3 Euodia suaveolens 1 Citrus aurantifolia 3 Citrus hystrix 2 Pilocarpus jaborandi 1 Borosma betulina 1 Citrus amblycarpa 1 Ruta angustifolia 1 Zanthoxylum americanum 1 Ruta graveolens 1 Zanthoxylum clava-herculis 1

*Sumber „ aksonomi umbuhan Obat-obatan‟ Oleh Tjitrosoepomo (1994).

*Sumber „Panduan Lengkap Manfaat anaman Obat‟ Oleh Fauzi (2008).

*Sumber : Dokumen latih Suganda (2012)

Contoh format dokumen <dok>

<id>1</id>

<etnis>Jawa</etnis>

<penyakit>Asma</penyakit>

<namalokal>Pegagan</namalokal>

<namailmiah>Centella asiatica</namailmiah>

<famili> Apiaceae </famili>

<kandungankimia> saponin, kardenolin </kandungankimia>

<manfaat> </manfaat>

<deskripsi>

tidak berbatang, dengan batang berongga sebelah

dalam dan matahari

</deskripsi>

</dok>

Praproses

Pada tahap praproses, terdapat 3 tahap yaitu lowercasing, tokenisasi dan

pembuangan stopwords. Lowercasing adalah proses mengubah huruf non-capital

agar menjadi case-insensitive pada saat dilakukan pemrosesan teks dokumen.

Tokenisasi adalah pemrosesan teks masukan yang dibagi menjadi unit-unit kecil

dapat berupa kata. Stopwords adalah daftar kata yang dianggap tidak memiliki

pengaruh yang dominan terhadap suatu penciri suatu dokumen, jika pada

dokumen terdapat kata yang terdapat pada daftar maka kata tersebut dibuang

sebagai penciri dari suatu dokumen. Stopwords yang digunakan berjumlah 662

kata yang didapatkan dari penelitian sebelumnya Suganda (2012).

Dokumen Asli

12

“Biasanya jeruk nipis ditanam di pekarangan atau di

kebun, dapat tumbuh pada tanah yang kurang subur,

asalkan mudah dapat air dan mendapat sinar matahari “.

Dokumen setelah lowercasing “biasanya jeruk nipis ditanam di pekarangan atau di

kebun, dapat tumbuh pada tanah yang kurang subur,

asalkan mudah dapat air dan mendapat sinar matahari “.

Dokumen setelah tokenisasi biasanya jeruk nipis ditanam di

pekarangan atau di kebun dapat

tumbuh pada tanah yang kurang

subur asalkan mudah dapat air

dan mendapat sinar matahari

Dokumen setelah dilakukan pembuangan stopwords jeruk nipis ditanam pekarangan kebun

tumbuh tanah kurang subur mudah

air sinar matahari

Ekstraksi Fitur Dokumen Menggunakan Chi-Square

Tiap dokumen latih akan diekstraksi menggunakan algoritme chi-square

dengan nilai alpha (α) 0.1. Penelitian ini menggunakan nilai alpha sebesar 0.1

dengan tujuan jumlah penciri yang dihasilkan lebih sedikit sehingga komputasi

lebih cepat dan hanya menghasilkan penciri yang lebih merepresentasikan dari

dokumen tersebut. Proses ini bertujuan untuk menghasilkan kata-kata yang akan

menjadi penciri dari dokumen tersebut. Setelah tiap dokumen memiliki kata-kata

tertentu selanjutya dikelompokan ke dalam kelas atau famili dari dokumen

tersebut.

Klasifikasi Probalistic Neural Network

Data dokumen tumbuhan dibagi menjadi 2 bagian yaitu data latih dan data

uji dengan 75% untuk data latih dan 25% data uji per famili. Data latih digunakan

sebagai lapisan pola pada algoritme Probalistic Neural Network (PNN) dengan

menggunakan algoritme chi-square, sedangkan data uji digunakan untuk

melakukan pengujian klasifikasi.

Klasifikasi dilakukan menggunakan vektor hasil ekstraksi ciri dokumen uji.

Arsitektur PNN terdiri atas lapisan masukan, pola, penjumlahan dan keputusan.

Lapisan masukan berupa vektor hasil ekstraksi ciri dari dokumen uji. Pada lapisan

pola, digunakan satu model PNN yaitu dengan nilai bias 1. Nilai bias tidak dapat

ditentukan secara langsung, tetapi didapatkan melalui hasil percobaan.

Selanjutnya menghitung jarak vektor pelatihan ke vektor pengujian sehingga

menghasilkan vektor yang mengindikasikan kedekatan input ke vektor pelatihan.

Setiap keluaran dari lapisan pola dijumlahkan dengan keluaran dari lapisan pola

lainnya yang berada dalam satu kelas, untuk menghasilkan probabilitas vektor

keluaran pada lapisan penjumlahan. Lapisan keputusan mengambil nilai

maksimum dari vektor keluaran, kemudian menghasilkan nilai dengan rentang 0

13

sampai 1 sebagai nilai probabilitasnya. Lapisan keputusan memiliki enam target

kelas yaitu Apiaceae, Crassulaceae, Euphorbiaceae, Lamiacea, Myrtaceae dan

Rutaceae.

Perhitungan Akurasi

Evaluasi dilakukan pada model klasifikasi. Evaluasi terhadap kinerja model

pengklasifikasi probalistic neural network dilakukan dengan menghitung

persentase ketepatan suatu dokumen masuk ke dalam kelas tertentu. Evaluasi

untuk model pengklasifikasi probalistic neural network dinyatakan dalam bentuk

confusion matrix.

Lingkungan Pengembangan

Sistem ini dikembangkan dan diimplementasikan dengan menggunakan

perangkat keras dan perangkat lunak sebagai berikut:

1 Perangkat Keras

Dell Studio tipe 1457 a Memory RAM 8GB DDR3

b Harddisk 500 GB

c Core i7 720QM

2 Perangkat Lunak

Sistem Operasi Windows 7 Ultimate 64 bit

Xampp-win32-1.7.2

Notepad ++

Web browser

Bahasa pemrograman PHP

Sphinx

HASIL DAN PEMBAHASAN

Pada penelitian ini terdapat enam famili dokumen teks tumbuhan. Setiap

famili memiliki jumlah dokumen yang berbeda-beda. Famili yang digunakan pada

penelitian adalah Apiaceae, Crassulaceae, Euphorbiaceae, Lamiacea, Myrtaceae

dan Rutaceae.

Praproses

Dokumen yang digunakan, sebelumnya dikonversi dari hardcopy menjadi

softcopy dalam bentuk file berekstensi XML (extensible markup language).

Semua kata yang terdapat dalam dokumen dilakukan proses lowercasing dengan

tujuan tidak ada perbedaan terhadap kata yang sama menggunakan huruf kapital,

huruf non-kapital atau kombinasi dari huruf kapital dengan huruf non-kapital.

Setelah proses lowercasing proses selanjutnya adalah proses tokenisasi. Hasil dari

proses tokenisasi adalah sejumlah kata in-casesensitive yang terdapat pada

14

dokumen tersebut. Kata yang terdapat dalam daftar stopwords akan dihilangkan

dari dokumen tersebut sehingga hanya kata-kata yang tidak dalam daftar

stopwords yang dapat dijadikan sebagai penciri dari dokumen tersebut. Sehingga

jumlah kata dokumen berkurang setelah dilakukan pra-proses.

Ekstraksi Fitur Chi-Square

Setelah melalui tahap pra-proses selanjutnya dokumen latih akan di

ekstraksi menggunakan metode chi-square sehingga menghasilkan penciri-penciri

dokumen latih setiap familinya. Setiap dokumen latih akan menghasilkan penciri

yang berbeda-beda tergantung dari isi dari dokumen tersebut. Pada penelitian ini

proses ekstraksi fitur chi-square menggunakan nilai alpha (α) sebesar 0.1. Jumlah

term yang dihasilkan tiap famili dapat dilihat pada Tabel 8.

Tabel 6 Komposisi jumlah dokumen tumbuhan

No. Nama famili Jumlah dokumen latih

1 Apiaceae 14

2 Crassulaceae 10

3 Euphorbiaceae 12

4 Lamiacea 15

5 Myrtaceae 10

6 Rutaceae 12

Pada Tabel 7 kelas Apiaceae memiliki jumlah term yang paling banyak

dikarenakan pada kelas tersebut memiliki jumlah dokumen cukup banyak dan

jumlah kata pada dokumen latih untuk kelas tersebut cukup banyak pula. Pada

tabel terlihat kelas Apiaceae memiliki jumlah kata terbanyak dibandingkan

dengan kelas lainnya.

Tabel 7 Daftar jumlah kata per famili

No. Nama famili Jumlah kata seluruh

dokumen latih

Jumlah term hasil

chi-square

1 Apiaceae 3545 38

2 Crassulaceae 1861 31

3 Euphorbiaceae 2778 64

4 Lamiacea 2446 21

5 Myrtaceae 2201 29

6 Rutaceae 1800 23

Pada Tabel 8 terlihat bahwa terjadi anomali pada kelas Apiaceae dan kelas

Euphorbiaceae jika dibandingkan dengan banyak kata yang terambil, kelas

Apiaceae memiliki jumlah kata yang lebih banyak dengan kelas Euphorbiaceae.

Sedangkan jika dibandingkan dengan jumlah kata hasil chi-square, kelas

Euphorbiaceae memiliki jumlah kata yang lebih banyak dengan kelas Apiaceae.

Hal tersebut terjadi karena kata pada tiap dokumen famili Euphorbiaceae lebih

sering muncul dibandingkan dengan kata pada tiap dokumen famili Apiaceae

yang jarang muncul. Sehingga jumlah kata pada famili Euphorbiaceae memiliki

15

tingkat kepentingan yang cukup besar dibandingkan dengan kata pada famili

Apiaceae.

Tabel 8 Perbandingan kelas Apiaceae dengan kelas Euphorbiaceae

Pembanding Apiaceae Euphorbiaceae

Jumlah kata seluruh dokumen latih 3545 2778

Jumlah term hasil chi-square 38 64

Tabel 9 Kombinasi dokumen latih kelas Apiaceae dengan Euphorbiaceae


Apiaceae Centella asiatica 8

Foeniculum vulgane 2

Cuminum cyminum 2

Apium graveolens 1

Coriandrum sativum 1

Euphorbiaceae

Eupharbia tirucalli 3

Jatropha curcas 2

Excoecaria cochinchinensis 1

Euphorbia resinifera 1

Mallotus philippinensis 1

Hevea brasiliensis 1

Manihot utilissima 1

Ricinus communis 1

Stilingsia sylvatica 1

Kandungan kata yang terdapat pada tiap spesies famili Apiaceae sebagai berikut:

1 Spesies Centella asiatica

asiatica, baunya, bergantung, bonggol, cahaya, centella, disebut, india,

jambu, karangan, lalab, membujur, merayap, padang, penampang,

penutup, percabangan, perkebunan, pita, rimpang, roset, sawah, sejajar,

selokan, serabut, stolon, sungai, teduh, terdiri dan ujungnya.

2 Spesies Foeniculum vulgane

baunya, berlubang, india, letak, letaknya, membujur, percabangan,

terdiri.

3 Spesies Cuminum cyminum

India dan pita.

4 Spesies Apium graveolens

perkebunan

5 Spesies Coriandrum sativum

jambu dan terdiri.

Kandungan kata yang terdapat pada tiap spesies famili Euphorbiaceae sebagai

berikut:

1 Spesies Eupharbia tirucalli

baal, benda, beracun, berbahaya, bergetah, buta, cahaya, clavus,

ditangkap, euphol, euphorbiaceae, euphorbone, fraktur, frambusia,

16

herpes, hidung, jengkal, kaca, kapalan, karet, kautschuk, kerusakan,

kusta, laktucerol, lalat, letaknya, melemparkan, melintang, membesar,

membujur, mengusir, menimbulkan, meracun, nyamuk, pecah, pecahan,

pencahar, penebalan, pensil, percabangan, pot, ringan, rongga,

senyawaan, sifilis, sitosterol, susu, syaraf, tahi, tampak, tangkainya,

taraksasterol, tawar, terpatah, tertusuk, tirucalli dan zoster.

2 Spesies Excoecaria cochinchinensis

betina, daging, euphorbiaceae, hutan, memanjang, percabangan, radix

dan taman.

3 Spesies Jatropha curcas

beracun, bergetah, Betina, cacingan, Euphorbiaceae, kusta, lepra,

menjari, pencahar, ringan, sitosterol dan terdiri.

4 Spesies Euphorbia resinifera

euphorbiaceae dan malat

5 Spesies Mallotus philippinensis

betina, euphorbiaceae, india, memanjang, pecah dan pita.

6 Spesies Hevea brasiliensis

betina, euphorbiaceae, karet, letaknya, melemparkan, memanjang,

menjari, pecah, sekali, susu dan terdiri.

7 Spesies Manihot utilissima

betina, euphorbiaceae, letaknya, membujur, menjari, sekali dan susu

8 Spesies Ricinus communis

betina, euphorbiaceae, india, letaknya, menjari, pencahar, sekali, susu,

tadi dan terdiri.

9 Spesies Stilingsia sylvatica

betina, euphorbiaceae, letaknya, menjari, sekali dan susu.

Berikut penjelasan hasil chi-square pada penelitian ini berdasarkan famili :

a Apiaceae

Terdapat beberapa term yang dapat menjadi penciri dari famili Apiaceae

berdasarkan buku “taksonomi tumbuhan obat-obatan” oleh Tjitrosoepomo (1994).

yaitu :

- berongga

- membujur

- ujungnya

- jambu

- bergantungan

Berikut kutipan dari buku “taksonomi tumbuhan obat-obatan” oleh Tjitrosoepomo

(1994).

- “Terna berumur pendek atau panjang, dengan

batang berongga sebelah dalam”

- “bergerigi membujur pada permukaannya”

- “ujungnya yang melengkung ke dalam”

- “berwarna kuning atau keputih-putihan, jarang

merah jambu atau lembayung”

- “tiap ruang dengan 1 bakal biji yang

bergantungan”

17

b Crassulaceae

Term yang dihasilkan chi-square dari dokumen latih tidak dapat

mencirikan taksonomi dari famili tersebut dikarenakan dokumen latih yang

digunakan hanya 1 spesies dan isi dari dokumen tersebut belum mereprentasikan

ciri-ciri taksonomi khusus famili Crassulaceae.

c Euphorbiaceae

Terdapat beberapa term yang dapat menjadi penciri dari famili

Euphorbiaceae berdasarkan buku “taksonomi tumbuhan obat-obatan” oleh

Tjitrosoepomo (1994) yaitu :

- getah

- susu

- menjari


(1994)

- “Pohon, perdu atau terna, kadang-kadang berupa

sukulenta, kebanyakan menghasilkan getah yang

berwarna putih seperti susu”

- “Daun tersebar, kadang-kadang berhadapan,

tunggal atau majemuk menjari”

d Lamiacea

Term yang dihasilkan chi-square dari dokumen latih tidak dapat

mencirikan taksonomi dari famili tersebut dikarenakan dokumen latih yang

digunakan belum mereprentasikan ciri-ciri taksonomi khusus famili Lamiacea.

e Myrtaceae

Terdapat beberapa term yang dapat menjadi penciri dari famili Myrtaceae

berdasarkan buku “taksonomi tumbuhan obat-obatan” oleh Tjitrosoepomo (1994)

yaitu :

- berkayu


(1994)

- “Sebagian besar terdiri atas tumbuhan yang

berupa semak-semak atau pohon-pohonan yang

berbatang berkayu, jarang sekali berupa terna,

dengan daun tunggal tanpa daun penumpu yang

duduknya tersebar atau berhadapan”

f Rutaceae

Terdapat beberapa term yang dapat menjadi penciri dari famili Rutaceae

berdasarkan buku “taksonomi tumbuhan obat-obatan” oleh Tjitrosoepomo (1994)

yaitu :

- aromatis


(1994)

18

- “Tumbuhan yang berkayu, jarang berupa terna yang

aromatis”

Klasifikasi Probalistic Neural Network

Hasil klasifikasi menggunakan metode probalistic neural network dengan

metode ekstraksi ciri chi-square disajikan dalam diagram batang pada Gambar 9.

Gambar 99Akurasi pengujian

Pada Tabel 11 dapat dilihat bahwa famili Crassulaceae memiliki nilai

terbesar diantara famili-famili yang lain yaitu dari empat dokumen uji, sistem

dapat mengklasifikasikan semua dokumen uji secara benar ke dalam famili

Crassulaceae. Hal tersebut dikarenakan pada famili Crassulaceae dokumen uji

maupun dokumen latih hanya menggunakan 1 spesies yaitu Kalanchoe pinnata.

Famili Rutaceae memiliki nilai terkecil dari empat dokumen uji, sistem hanya

dapat tiga dokumen uji secara benar terklasifikasikan kedalam famili Rutaceae.

Tabel 10 Hasil evalusi tiap famili

Nama Famili Nilai akurasi (%)

Apiaceae 80

Crassulaceae 100

Euphorbiaceae 80

Lamiaceae 80

Myrtaceae 80

Rutaceae 75

Hasil evaluasi klasifikasi menggunakan algoritme probalistic neural

network dengan bobot nilai 1 dan lapisan pola menggunakan ekstraksi ciri chi-

square menggunakan nilai nilai alpha (α) 0.1 secara keseluruhan menghasilkan

nilai 82.14 %. Hasil evaluasi dalam bentuk confusion matrix dalam dilihat pada

Tabel 12.

0

0.1

0.2

0.3

0.4

0.5

0.6

0.7

0.8

0.9

1

Akurasi

Famili

Nilai akurasi (%)

19

Tabel 11 Confusion Matrix pada klasifikasi

Famili Predicted

A C E L M R

Actual

A 4 1 0 0 0 0

C 0 4 0 0 0 0

E 0 1 4 0 0 0

L 1 0 0 4 0 0

M 0 0 0 0 4 1

R 0 1 0 0 0 3

Penjelasan hasil klasifikasi probalistic neural network tiap famili :

A Famili Apiaceae

Berdasarkan Tabel 12 terdapat empat dokumen uji famili Apiaceae

yang terklasifikasikan secara benar masuk ke dalam famili Apiaceae.

Namun, terdapat satu dokumen yang salah klasifikasi dan masuk ke dalam

famili Crassulaceae. Hal tersebut terjadi dikarenakan famili Apiaceae dan

Crassulaceae berada dalam satu divisi yaitu Magnoliophyta (lihat Tabel

13).

Tabel 12 Taksonomi famili Apiaceae dan Crassulaceae

Apiaceae Crassulaceae

Kerajaan Plantae Plantae

Divisi Magnoliophyta Magnoliophyta

Kelas Magnoliopsida Eudicots (Core eudicots)

Ordo Apiales Saxifragales

Tabel 13 Perbandingan term penciri famili Apiaceae dan Crassulaceae

Term hasil ekstrasi

dokumen

Term penciri dari famili

Apiaceae


Crassulaceae

Membujur Membujur Membujur

Meningkatkan Meningkatkan Meningkatkan

Urat Urat Urat

Isi dari dokumen uji :

- “Batangnya biasanya sangat pendek, bersegi dan

beralur membujur”

- “akar berkhasiat meningkatkan enzim pada organ

pencernaan”

- “menurunkan kadar asam urat dalam darah”

20

Gambar 1010Bentuk morfologi daun famili Apiacea dan Crasslucase

Gambar 10 menunjukkan salah satu ciri-ciri taksonomi famili

Apiacea dan famili Crasslucase yang memiliki kesamaan pada bagian

bentuk daun yang bergelombang pada sisinya. Jika dibandingkan dengan

Tabel 14 kata penciri yang dihasilkan belum menggambarkan ciri-ciri

taksonomi pada famili Apiacea dan famili Crasslucase. Pada Tabel 14

hanya kata penciri „membujur‟ yang dapat dijadikan sebagai ciri-ciri

taksonomi untuk famili Apiacea dan famili Crasslucase. Kata ‘urat’ dan

‘meningkatkan’ tidak dapat dijadikan ciri-ciri taksonomi dari tumbuhan

walaupun kata tersebut dapat dijadikan penciri dari famili pada penelitian

kali ini.

B Famili Crassulaceae

Berdasarkan Tabel 12 semua dokumen uji famili Crassulaceae

dapat diklasifikasikan secara benar. Hal tersebut dikarenakan kombinasi

dokumen uji maupun dokumen latih yang digunakan pada famili

Crassulaceae hanya menggunakan satu jenis spesies yaitu sosor bebek

atau Kalanchoe Pinnatae.

C Famili Euphorbiaceae

Berdasarkan Tabel 12 terdapat empat dokumen uji famili

Euphorbiaceae yang terklasifikasikan secara benar masuk ke dalam famili

Euphorbiaceae. Namun, terdapat satu dokumen yang salah klasifikasi dan

masuk ke dalam famili Crassulaceae. Hal tersebut terjadi dikarenakan

famili Euphorbiaceae dan Crassulaceae berada dalam satu kelas yaitu

Eudicots (lihat Tabel 15).

Tabel 14 Taksonomi Euphorbiaceae dan Crassulaceae

Euphorbiaceae Crassulaceae


Divisi Angiosperms Magnoliophyta

Kelas Eudicots (Rosids) Eudicots (Core eudicots)

Ordo Malpighiales Saxifragales

21

Dokumen yang mengalami salah klasifikasi dikarenakan isi dari

dokumen tersebut memiliki term yang terdapat pada penciri dari famili

Euphorbiaceae dan Crassulaceae.

Tabel 15 Perbandingan term dokumen, famili Euphorbiaceae dan Crassulaceae

Term hasil ekstrasi

dokumen


Euphorbiaceae


Crassulaceae

Percabangan Percabangan Percabangan


- “Pada ujung batang atau dalam percabangan”

Gambar 1111Posisi cabang famili Euphorbiaceae dan famili Crassulaceae.

Gambar 11 menunjukkan kesamaan ciri taksonomi yang dimiliki

oleh famili Euphorbiaceae dan famili Crassulaceae. Ciri taksonomi

terdapat pada bagian cabang tumbuhan. . Jika dibandingkan dengan Tabel

16 kata penciri yang dihasilkan dapat menggambarkan ciri-ciri taksonomi

pada famili Euphorbiaceae dan famili Crassulaceae yaitu terletak pada

bagian cabang atau percabangannya.

D Famili Lamiaceae


Lamiaceae yang terklasifikasikan secara benar masuk ke dalam famili

Lamiaceae. Namun, terdapat satu dokumen yang salah klasifikasi dan

masuk ke dalam famili Apiaceae. Hal tersebut terjadi dikarenakan famili

Lamiaceae dan Apiaceae berada dalam satu kelas yaitu Magnoliopsida

(lihat Tabel 17).

Tabel 16 Taksonomi Lamiaceae dan Apiaceae

Lamiaceae Apiaceae


Divisi Magnoliophyta Magnoliophyta

Kelas Magnoliopsida Magnoliopsida

Ordo Lamiales Apiales

22



Lamiaceae dan famili Apiaceae.

Tabel 17 Perbandingan term dengan famili Apiaceae dan Lamiaceae

Term hasil ekstrasi

dokumen


Lamiaceae


Apiaceae

Ujungnya Ujungnya Ujungnya


- “Bunga berupa tandan yang keluar di

ujungnya”

Gambar 1212Bunga famili Euphorbiaceae dan famili Crassulaceae


oleh famili Euphorbiaceae dan famili Crassulaceae. Ciri taksonomi

terdapat pada letak bagian bunga yang keluar pada ujung batang. Jika

dibandingkan dengan Tabel 18 kata penciri yang dihasilkan dapat

menggambarkan ciri-ciri taksonomi pada famili Euphorbiaceae dan famili

Crassulaceae yaitu bagian letak bunga yang terletak pada bagian ujung

batang.

E Famili Myrtaceae


Myrtaceae yang terklasifikasikan secara benar masuk ke dalam famili

Myrtaceae. Namun, terdapat satu dokumen yang salah klasifikasi dan

masuk ke dalam famili Rutaceae. Hal tersebut terjadi dikarenakan famili

Myrtaceae dan Rutaceae berada dalam satu kingdom yaitu Plantae (lihat

Tabel 18).

Tabel 18 Taksonomi Myrtaceae dan Rutaceae

Myrtaceae Rutaceae


Divisi Magnoliophyta Angiosperms

Kelas Magnoliopsida -

Ordo Lamiales Sapindales

23



Myrtaceae dan famili Rutaceae.

Tabel 19 Perbandingan term dokumen dengan famili Myrtaceae dan Rutaceae

Term hasil ekstrasi

dokumen uji


myrtaceae


rutaceae

Kekuning Kekuning Kekuning

Kuningan Kuningan Kuningan

Memanjang Memanjang Memanjang


- “Bunga tersusun dalam bulir yang keluar

dari ketiak-ketiak daun warna kuning gading”

- “berwarna kekuning-kuningan dapat menjadi

berwarna hijau”

- “Daun tunggal, bertangkai pendek, bangun

jorong atau memanjang”

Gambar 1313Buah famili Myrtaceae dan famili Rutaceae


oleh famili Myrtaceae dan famili Rutaceae. Ciri taksonomi terdapat pada

warna dari buahnya. Jika dibandingkan dengan Tabel 19 kata penciri yang

dihasilkan dapat menggambarkan ciri-ciri taksonomi pada famili

Myrtaceae dan Rutaceae yaitu kata „kuning‟ yang terdapat pada warna

buah dan bentuk daun yang „memanjang‟ pada famili Myrtaceae dan

Rutaceae.

F Famili Rutaceae

Berdasarkan Tabel 12 terdapat tiga dokumen uji famili Rutaceae

yang terklasifikasikan secara benar masuk ke dalam famili Rutaceae.

Namun, terdapat satu dokumen yang salah klasifikasi dan masuk ke dalam

famili Crassulaceae. Hal tersebut terjadi dikarenakan famili Rutaceae dan

Crassulaceae berada dalam satu kingdom yaitu Plantae (lihat Tabel 20).

24

Tabel 20 Taksonomi Rutaceae dan Crassulaceae

Rutaceae Crassulaceae


Divisi Angiosperms Magnoliophyta

Kelas - Eudicots (Core)

Ordo Sapindales Saxifragales



Rutaceae dan famili Crassulaceae.

Tabel 21 Perbandingan term dokumen dengan famili Rutaceae dan Crassulaceae

Term hasil ekstrasi

dokumen


Rutaceae


Crassulaceae

Memanjang Memanjang Memanjang

Muncul Muncul Muncul

Isi dari dokumen :

- “daun bangun bulat telur atau memanjang”

- “Bunga dalam malai dan muncul sesudah daun-

daunnya”

Gambar 1414Bentuk daun famili Rutaceae dan Crassulaceae.


oleh famili Rutaceae dan Crassulaceae. Ciri taksonomi terdapat pada

bentuk daun yang bulat dan memanjang. Jika dibandingkan dengan Tabel

21 kata penciri yang dihasilkan dapat menggambarkan ciri-ciri taksonomi

pada famili Myrtaceae dan Rutaceae yaitu kata „memanjang‟ yang

terdapat pada bentuk daun. Kata „muncul‟ pada Tabel 21 tidak dapat

dijadikan ciri-ciri taksonomi namun pada penelitian ini kata tersebut dapat

dijadikan penciri dari famili Myrtaceae dan Rutacea.

Hasil evaluasi klasifikasi menggunakan algoritme probalistic

neural network dengan bobot nilai 1 dan lapisan pola menggunakan

ekstraksi ciri chi-square menggunakan nilai nilai alpha (α) 0.1 secara

keseluruhan menghasilkan nilai 82.14 %.

25

SIMPULAN DAN SARAN

Simpulan

Penelitian klasifikasi dokumen tumbuhan obat berbasis famili

menggunakan metode chi-square dan probalistic neural network. Metode chi-

square dengan nilai alpha 0.1, digunakan untuk menghasilkan ciri-ciri taksonomi

tumbuhan dari dokumen tumbuhan obat. Metode PNN dengan nilai bias 1

digunakan untuk klasifikasi dokumen tumbuhan obat. Penelitian ini menghasilkan

akurasi sebesar 82.14 % yaitu dari lima dokumen per famili yang diujikan sistem

dapat mengklasifikasikan empat dokumen yang sesuai dengan familinya secara

benar.

Hasil klasifikasi dipengaruhi oleh jumlah kata penciri suatu famili. Jumlah

kata penciri dari suatu famili dipengaruhi oleh jumlah kata yang sama pada tiap

dokumen latih. Semakin banyak kata yang sama pada tiap dokumen latih semakin

besar probabilitas kata terebut menjadi kata penciri. Pada penelitian ini penciri

dari suatu famili belum menggambarkan ciri-ciri taksonomi tumbuhan. Hal ini

disebabkan banyaknya kata yang sama pada tiap dokumen latih belum

menggambarkan ciri-ciri taksonomi tumbuhan.

Penelitian ini sudah dapat mengklasifikasikan dokumen tumbuhan obat.

Hasil ekstraksi penciri menggunakan metode chi-square pada penelitian ini belum

dapat menghasilkan ciri-ciri taksonomi famili. Hal tersebut dikarenakan dokumen

latih terdapat banyak kata yang sama pada tiap dokumen yang bukan ciri-ciri

taksonomi tumbuhan.

Saran

Penelitian ini dapat dikembangkan lebih lanjut untuk mendapatkan hasil

pengukuran akurasi yang lebih baik. Hal-hal yang dapat dilakukan misalnya:

1 Menambahkan jumlah dokumen latih.

2 Menambahkan dokumen dengan jenis famili lain.

DAFTAR PUSTAKA

Barnaghi PM, Sahzabi VA, Bakar AA, 2012. A Comparative Study for Various

Methods of Classification. Singapura(SG): IACSIT Pr.

Damayanti EK, Zuhud EAM, Hikmat A. 2011. Indonesian Tropical Medicinal

Plants Diversity: Problems and Challenges in Identification. Department of

Forest Resources Conservation and Ecotourism, Bogor(ID): Fakultas

Kehutanan, Institut Pertanian Bogor.

Goldberg A. 2003. Character Variation in Angiosperm Families. Smithsonian

Institution. Vol 47:1-185, 2003.

26

Groombridge B, Jenkins M, 2002. World atlas of biodiversity. Earth’s living

resources in the 21st century. California(US):Berkeley University of California

Press.

Han J, Kamber M. 2006. Data Mining : Concepts and Techniques.

Massachusetts(US) : Morgan Kaufman Publishers.

Herawan Y. 2011. Ekstraksi Ciri Dokumen Tumbuhan Obat Menggunakan Chi-

Kuadrat dengan Klasifikasi Naive Bayes [skripsi]. Bogor. Fakultas Matematika

dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.

Kumar V, Rathee N. 2011. Knowledge discovery from database using an

integration of clustering and classification. Gurgaon (India) : ITM University.

Manning CD, Raghavan P, Schutze H. 2008. Introduction to Information

Retrieval. Cambridge (GB): Cambridge University Press.

Srinivasulu P, Nagaraju D, Kumar PR, Rao KN. 2009. Classifying the network

intrusion attacks using data mining classification methods and their

performance comparison. IJCSNS International Journal of Computer Science

and Network Security, Vol.9:11-18 No.6, Juni 2009.

Suganda R. 2013. Sistem Identifikasi Famili Secara Otomatis Berbasis Teks

Menggunakan Dokumen Etnofitomedika [skripsi]. Bogor. Fakultas

Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.

Tjitrosoepomo Gembong. 1994. Taksonomi Tumbuhan Obat-Obatan. Yogyakarta:

Gadjah Mada University Press.

Zuhud E A M. 2009. Potensi Hutan Tropika Indonesia sebagai Penyangga Bahan

Obat Alam untuk Kesehatan Bangsa. Jurnal Bahan Alam Indonesia. Vol VI:1-

8 No.6, Januari 2009.

Lampiran 1 Daftar term kelas Apiaceae

Term Nilai chi-square

centella 23.81

asiatica 23.81

disebut 17.52

ujungnya 16.70

perkebunan 16.59

membujur 14.18

roset 13.83

rimpang 13.83

bonggol 10.84

stolon 10.84

berlubang 10.84

karangan 10.84

penutup 10.84

padang 10.84

teduh 10.84

bergantung 10.84

kronis 9.75

lalab 7.58

tenggorokan 7.58

pita 7.58

antanan 7.58

campak 7.58

27

Lampiran 1 Lanjutan


india 5.28

baunya 4.73

susah 3.99

serabut 3.99

sejajar 3.99

urat 3.99

meningkatkan 3.99

asiaticoside 3.99

thankuniside 3.99

mual 3.91

penampang 3.91

merayap 3.77

jambu 3.72

terdiri 2.98

Lampiran 2 Daftar term kelas Crassulaceae


kalanchoe 35.82

pinnata 35.82

lam 33.52

lemon 31.07

diarabinoside 31.07

kaempferol 31.07

abuan 25.57

jurang 25.57

keabu 25.57

berbatu 25.57

toreh 25.57

bebek 25.57

sosor 25.57

pers 23.68

madagaskar 20.70

kuncup 20.70

apel 19.78

briofilin 15.14

kaemferol 15.14

kurz 10.79

bryophyllum 10.79

oken 10.79

germinans 10.79

cotyledon 10.79

pinnatum 10.79

crassulaceae 10.79

memanjang 5.81

urat 5.81

percabangan 5.81

meningkatkan 5.31

membujur 2.77

28

Lampiran 3 Daftar term kelas Lamiaceae


mineral 17.93

hati 17.93

pucuk 17.93

sungai 16.34

mulas 12.88

ambeien 11.56

muncul 11.13

sawah 9.18

myoinositol 7.01

kumis 7.01

sapofonin 7.01

kucing 7.01

aristatus 7.01

orthosiphon 7.01

makanan 6.28

merayap 5.89

belukar 4.10

sendiri 3.67

cacingan 3.53

mellitus 3.53

Lampiran 4 Daftar term kelas Euphorbiaceae


euphorbiaceae 33.57

betina 22.00

bergetah 19.17

beracun 19.17

susu 17.58

menjari 17.58

sekali 16.09

karet 16.09

letaknya 14.31

kautschuk 12.70

euphol 12.70

melemparkan 12.70

laktucerol 12.70

taraksasterol 12.70

tawar 12.70

euphorbone 12.70

kusta 12.70

eupharbia 12.70

pecah 12.70

tirucalli 12.70

senyawaan 4.48

menimbulkan 4.48

pencahar 4.48

kerusakan 4.48

29

Lampiran 4 Lanjutan


radix 4.48

melintang 4.48

terpatah 4.48

jengkal 4.48

pot 4.48

pensil 4.48

buta 4.48

mengusir 4.48

ditangkap 4.48

rongga 4.44

hidung 4.44

syaraf 4.44

lalat 3.50 tahi 8.95

sifilis 8.95

baal 8.95

tampak 4.84

nyamuk 4.84

berbahaya 4.76

meracun 4.76

herpes 4.76

zooster 4.76

clavus 4.76

fraktur 4.76

frambusia 4.76

penebalan 4.76

lepra 4.76

kaca 4.76

kapalan 4.76

benda 4.76

tertusuk 4.76

membesar 4.76

tangkainya 4.76

tadi 4.76

sitosterol 4.76

pecahan 4.76

taman 4.76

ringan 4.76

percabangan 3.14

cahaya 2.87

Lampiran 5 Daftar term kelas Myrtaceae


myrtaceae 28.43

guajava 22.44

psidium 22.44

bercorak 18.99

30

Lampiran 5 Lanjutan


daging 17.48

terlihat 15.14

srilangka 15.14

kayunya 15.14

ukuran 15.14

maag 13.97

netral 10.79

jambu 9.85

letak 6.08

hidrat 5.81

ursolat 5.81

psidiolat 5.81

kratogolat 5.81

oleanolat 5.81

guajaverin 5.81

arang 5.81

memanjang 5.31

kuningan 3.99

kekuning 3.80

Lampiran 6 Daftar term kelas Rutaceae


sitrat 19.17

citrus 16.09

sungsang 14.69

aurantifolia 12.70

nipis 12.70

swingle 12.70

influenza 8.95

jack 8.95

berdaun 8.29

kuningan 5.72

paniculata 5.72

diremas 5.72

ulet 4.76

luarnya 4.76

kusam 4.76

linalin 4.76

asetat 4.76

fellandren 4.76

geranil 4.76

aromatis 4.76

memanjang 3.37

hutan 2.93

kekuning 2.87

36

Lampiran 77 Daftar perbedaan morfologi per famili

Habit Leaves Inflorescences

trees shrubs herbs alternate opposite simple compound entire not

entire

raceme spike panicle head solitary

flower

cyme

Apiaceae 2 2 1 1 2 2 1 2 1 1 0 1 2 0 1

Crassulaceae 0 1 1 1 2 1 2 1 1 0 0 0 0 0 1

Lamiaceae 2 2 1 2 1 1 0 1 1 2 2 0 2 2 1

Myrtaceae 1 1 0 1 1 1 0 1 2 1 0 1 0 2 0

Rutaceae 1 1 2 1 1 1 1 1 1 1 1 0 1 0 1

Euphorbiaceae 1 1 1 1 2 1 1 1 1 1 1 0 0 1 1

Sumber : Buku “Character Variaton in Angiosperm Families” Goldberg (2003)

Keterangan :

- Angka 1 menunjukkan bahwa famili tersebut memiliki ciri-ciri morfologi kriteria pada kolom di atas.

- Angka 2 menunjukkan bahwa famili tersebut jarang memiliki ciri-ciri morfologi kriteria pada kolom di atas.

- Angka 0 menunjukkan bahwa famili tersebut tidak memiliki ciri-ciri morfologi kriteria pada kolom di atas.

klasifikasi dokumen tumbuhan obat berbasis famili ... · 4 jumlah dokumen tumbuhan 10 5 kombinasi...

Documents