Dari basis data Divora didapatkan 126 spesimen daun kelas Magnoliopsida yang akan digunakan dalam penelitian ini. Jumlah tersebut terdiri atas 86 species, 44 genus, 21 family, 17 ordo, dan 4 subclass. Penelitian ini akan berfokus kepada tiga tingkatan taksa, yaitu family, ordo, dan subclass. Daftar anggota untuk ketiga tingkatan taksa ini dapat diamati pada Tabel 2. Rincian jumlah data spesimen daun untuk setiap tingkatan taksa disajikan pada Tabel 3, Tabel 4, dan Tabel 5.
Dari ketiga tabel tersebut dapat diamati bahwa terdapat persebaran data yang tidak merata di setiap kelasnya. Jumlah data terbesar terdapat pada family Euphorbiaceae (35.71%), ordo Euphorbiales (35.71%) dan subclass Rosidae (65.08%).
Tabel 2 Daftar anggota tingkatan taksa subclass, ordo, dan family.
Subclass Ordo Family
Asteridae Gentianales Apocynaceae
Loganiaceae
Lamiales Verbenaceae
Rubiales Rubiaceae
Dilleniidae Malvales Elaeocarpaceae
Primulales Myrsinaceae
Theales Clusiaceae
Violales Flacourtiaceae
Magnoliidae Laurales Lauraceae
Monimiaceae
Magnoliales Annonaceae
Ranunculales Sabiaceae
Rosidae Celastrales Icacinaceae
Euphorbiales Euphorbiaceae Fabales Fabaceae Myrtales Myrtaceae Polygalales Polygalaceae Rhizophorales Rhizophoraceae Sapindales Burseraceae Meliaceae Sapindaceae
Pelatihan dan pengujian pada setiap model taksonometri menggunakan parameter yang tercantum pada Tabel 1, dengan n adalah jumlah neuron output, αi adalah laju pembelajaran awal, δi adalah lebar tetangga awal, dan tmax adalah iterasi maksimum. Tabel 1 Parameter pelatihan dan pengujian
model taksonometri.
Para-meter
Model Taksonometri
Family Ordo Subclass
n 21 17 4
αi 0.9, 0.5, 0.1 0.9, 0.5, 0.1 0.9, 0.5, 0.1
δi 20, 15, 10, 5 15, 10, 5 3, 2, 1
tmax 50 50 50
Metode inisialisasi nilai vektor bobot menggunakan nilai acak, dengan nilai maksimum setiap bobot diperoleh dari nilai maksimum karakter yang bersesuaian. Fungsi jarak yang digunakan adalah jarak Mahalanobis, karena adanya indikasi korelasi antar karakter. Kombinasi berbagai parameter tersebut akan diterapkan pada jaringan SOM Kohonen. Penetapan model taksonometri untuk setiap kategori didasarkan kepada jaringan dengan kinerja terbaik, yaitu jaringan yang menghasilkan nilai IDB minimum. Analisis Taksonometri
Model taksonometri yang telah
ditetapkan, bersama dengan data spesimen daun secara keseluruhan, selanjutnya akan diproses sebagai bahan untuk analisis taksonometri. Langkah-langkah dalam analisis ini dapat diamati pada Gambar 7.
Gambar 7 Diagram alir analisis taksono-metri.
Data spesimen daun yang telah diclusterkan menggunakan model taksono-metri family, ordo, dan subclass akan dievaluasi untuk mendapatkan nilai cluster precision (CP) dan cluster recall (CR). Selanjutnya, hasil taksonometri untuk setiap
tingkatan taksa akan diamati dan
dibandingkan dengan sistem taksonomi umum untuk mendapatkan representasi pengetahuan.
Spesifikasi Pengembangan
Dalam penelitian ini digunakan perangkat keras berupa laptop dengan prosesor Intel Centrino Duo 1.7 GHz dan memori 1 GB.
Model taksonometri dibangun pada
lingkungan pemrograman Java dengan Netbeans 6.0.1 sebagai IDE. SPSS 13.0 digunakan untuk analisis korelasi. Seluruh perangkat lunak berjalan pada sistem operasi Ubuntu ME 8.04.
HASIL DAN PEMBAHASAN
PraprosesDari basis data Divora didapatkan 126 spesimen daun kelas Magnoliopsida yang akan digunakan dalam penelitian ini. Jumlah tersebut terdiri atas 86 species, 44 genus, 21 family, 17 ordo, dan 4 subclass. Penelitian ini akan berfokus kepada tiga tingkatan taksa, yaitu family, ordo, dan subclass. Daftar anggota untuk ketiga tingkatan taksa ini dapat diamati pada Tabel 2. Rincian jumlah data spesimen daun untuk setiap tingkatan taksa disajikan pada Tabel 3, Tabel 4, dan Tabel 5.
Dari ketiga tabel tersebut dapat diamati bahwa terdapat persebaran data yang tidak merata di setiap kelasnya. Jumlah data terbesar terdapat pada family Euphorbiaceae (35.71%), ordo Euphorbiales (35.71%) dan subclass Rosidae (65.08%).
Tabel 2 Daftar anggota tingkatan taksa subclass, ordo, dan family.
Subclass Ordo Family
Asteridae Gentianales Apocynaceae
Loganiaceae
Lamiales Verbenaceae
Rubiales Rubiaceae
Dilleniidae Malvales Elaeocarpaceae
Primulales Myrsinaceae
Theales Clusiaceae
Violales Flacourtiaceae
Magnoliidae Laurales Lauraceae
Monimiaceae
Magnoliales Annonaceae
Ranunculales Sabiaceae
Rosidae Celastrales Icacinaceae
Euphorbiales Euphorbiaceae Fabales Fabaceae Myrtales Myrtaceae Polygalales Polygalaceae Rhizophorales Rhizophoraceae Sapindales Burseraceae Meliaceae Sapindaceae
Tabel 3 Jumlah data spesimen daun pada setiap family.
No Nama Family Jumlah
Data % 1 Annonaceae 2 1.59 2 Apocynaceae 1 0.79 3 Burseraceae 8 6.35 4 Clusiaceae 4 3.17 5 Elaeocarpaceae 3 2.38 6 Euphorbiaceae 45 35.71 7 Fabaceae 3 2.38 8 Flacourtiaceae 1 0.79 9 Icacinaceae 1 0.79 10 Lauraceae 8 6.35 11 Loganiaceae 1 0.79 12 Meliaceae 2 1.59 13 Monimiaceae 2 1.59 14 Myrsinaceae 1 0.79 15 Myrtaceae 9 7.14 16 Polygalaceae 7 5.56 17 Rhizophoraceae 2 1.59 18 Rubiaceae 17 13.49 19 Sabiaceae 1 0.79 20 Sapindaceae 5 3.97 21 Verbenaceae 3 2.38
Tabel 4 Jumlah data spesimen daun pada setiap ordo.
No Nama Ordo Jumlah
Data % 1 Celastrales 1 0.79 2 Euphorbiales 45 35.71 3 Fabales 3 2.38 4 Gentianales 2 1.59 5 Lamiales 3 2.38 6 Laurales 10 7.94 7 Magnoliales 2 1.59 8 Malvales 3 2.38 9 Myrtales 9 7.14 10 Polygalales 7 5.56 11 Primulales 1 0.79 12 Ranunculales 1 0.79 13 Rhizophorales 2 1.59 14 Rubiales 17 13.49 15 Sapindales 15 11.90 16 Theales 4 3.17 17 Violales 1 0.79
Tabel 5 Jumlah data spesimen daun pada setiap subclass.
No Nama Subclass Jumlah
Data %
1 Asteridae 22 17.46
2 Dilleniidae 9 7.14
3 Magnoliidae 13 10.32
4 Rosidae 82 65.08
Kodefikasi dilakukan dengan menetapkan kisaran nilai untuk setiap karakter primer sesuai dengan jumlah state yang dimilikinya. Setiap karakter primer memiliki sebuah state N.A. (Not Applicable) yang dikodekan dengan angka nol (0). Selanjutnya, apabila karakter tersebut memiliki dua buah state atau lebih, setiap state dikodekan dengan angka 1, 2, dan seterusnya.
Rincian kodefikasi karakter morfologi daun yang dilakukan dimuat pada Lampiran 3. Beberapa karakter morfologi daun tersebut diilustrasikan pada Lampiran 4. Ilustrasi tersebut didapatkan dari Manual of Leaf Architecture (Ash et.al. 1999). Dari data awal, akan dilakukan kodefikasi terhadap setiap karakter sehingga menghasilkan satu nilai state untuk karakter tersebut. Apabila spesimen daun memiliki lebih dari satu state pada salah satu karakternya, maka state yang akan diperhatikan hanyalah salah satunya saja. Dari proses kodefikasi akan diperoleh hasil berupa sekuen angka yang menunjukkan karakteristik sebuah spesimen daun. Pada Tabel 6 disajikan contoh hasil kodefikasi dari species Aglaia multinervis. Karakteristik spesimen daun dari species ini adalah 211131911212111222112. Contoh data spesi-men daun hasil kodefikasi lainnya dapat diamati pada Lampiran 5.
Pengamatan terhadap data spesimen daun hasil kodefikasi menunjukkan bahwa terdapat lima karakter dengan variasi sangat kecil. Tiga karakter, yaitu karakter ke-4, 15, dan 20, memiliki state yang sama untuk seluruh data spesimen. Dua karakter lainnya, yaitu karakter ke-10 dan 21, hanya memiliki satu atau dua data spesimen yang berbeda state dengan spesimen lainnya. Oleh karena itu, kelima karakter ini tidak diikutsertakan dalam proses clustering, sehingga jumlah karakter yang akan digunakan dalam proses clustering adalah 16 karakter. Pada species Aglaia multinervis di atas, karakteristiknya menjadi 2113191112112221.
Analisis korelasi dilakukan dengan perhitungan koefisien korelasi Spearman menggunakan SPSS 13.0. Hasil uji nyata dua arah yang dapat diamati pada Lampiran 6 menunjukkan adanya korelasi nyata pada level 0.05 sebanyak 32 dari 120 korelasi antar karakter morfologi daun, atau sebesar 26.7%. Adanya korelasi memberikan dasar atas penggunaan jarak Mahalanobis pada proses clustering SOM Kohonen.
Tabel 6 Karakter dan state spesimen daun dari speciesAglaia multinervis.
No Karakter State Kode
1 Jenis daun
berdasarkan ada tidaknya anak daun
Daun majemuk, anak daun > 1
2
2 Susunan daun pada
batang
Tersebar 1
3 Ada tidaknya stipula Tidak ada 1
4 Ada tidaknya stipel Tidak ada 1
5 Helaian daun Bulat telur 3
6 Ujung daun Runcing 1
7 Pangkal daun Asimetri 9
8 Tepi daun Rata, halus 1
9 Ada tidaknya kelenjar daun
Tidak ada 1
10 Tangkai daun atau ibu tangkai daun
Ada 2
11 Tipe pertulangan daun
Menyirip 1
12 Pola urat daun tersier Menjala 2
13 Arah urat daun primer Lurus tak bercabang
1
14 Ada tidaknya vena
intramarginal
Tidak ada 1
15 Ada tidaknya duri Tidak ada 1
16 Ada tidaknya gabus Ada 2
17 Ada tidaknya getah Ada 2
18 Ada tidaknya rambut Ada 2
19 Ada tidaknya bintik Tidak ada 1
20 Ada tidaknya domatia Tidak ada 1
21 Paralel tidaknya urat daun sekunder
Tidak ada 2
Pembentukan Data Latih dan Data Uji Pembagian 126 data spesimen daun ke dalam tiga subset, masing-masing sejumlah 42 data, dilakukan untuk mendapatkan data latih dan data uji. Rincian pembagian taksa ke dalam setiap subset data disajikan pada Lampiran 6, sedangkan banyaknya masing-masing tingkatan taksa pada setiap subset data dapat diamati pada Tabel 7.
Tabel 7 Persebaran jumlah taksa pada setiap subset data.
Taksa Subset Data
1 2 3 Family 15 17 14 (%) 71.4 81.0 66.7 Ordo 12 14 13 (%) 70.6 82.4 76.5 Subclass 4 4 4 (%) 100 100 100
Jumlah data yang tidak merata di setiap family dan ordo menyebabkan setiap subset
data tidak dapat sepenuhnya menyamai proporsi data secara keseluruhan. Taksa family yang memiliki 21 kelompok hanya dapat tersebar dengan jumlah maksimum 17 family di dalam satu subset data. Demikian pula taksa ordo yang tersebar dengan jumlah maksimum 14 dari total 17 ordo yang terdapat dalam data.
Pada Lampiran 6 dapat diamati bahwa beberapa family maupun ordo hanya memiliki satu data spesimen daun, sehingga tidak seluruh subset dapat memperoleh data family atau ordo tersebut. Contohnya adalah family Apocynaceae yang hanya dimiliki oleh subset data kedua, dan genus Celastrales yang hanya terdapat pada subset data pertama.
Ketiga subset data ini akan digunakan secara bergantian dalam proses pelatihan dan pengujian jaringan SOM Kohonen. Pada setiap iterasi, digunakan dua subset sebagai data latih dan satu subset sebagai data uji. Pembentukan Model Taksonometri Family
Kombinasi parameter-parameter yang telah ditetapkan akan digunakan untuk membangun jaringan SOM Kohonen sebagai model taksonometri family. Dari 36 percobaan, didapatkan grafik IDB yang disajikan pada Gambar 8, adapun data lengkapnya dapat diamati pada Lampiran 8.
Gambar 8 IDB pada percobaan model takso-nometri family.
IDB minimum dengan nilai 2.0058 diperoleh pada percobaan ketujuh di iterasi ketiga (i3) dengan parameter ukuran lebar tetangga awal (δi) sebesar 10 dan nilai laju pembelajaran awal (αi) sebesar 0.9. Oleh karena itu, bobot yang dihasilkan oleh jaringan pada percobaan ini akan digunakan sebagai model taksonometri family. Ilustrasi model SOM yang dihasilkan terdapat pada Lampiran 9, sedangkan daftar bobot akhirnya secara lengkap terdapat pada Lampiran 10.
1 1.5 2 2.5 3 0.9 0.5 0.1 0.9 0.5 0.1 0.9 0.5 0.1 0.9 0.5 0.1 i1 i2 i3 α αα αi δδδδi 15 10 5 20
Parameter Pelatihan Jaringan (αααα dan δδδδ) )
ID
Pembentukan Model Taksonometri Ordo Model taksonometri ordo dibentuk dari ukuran neuron output sebanyak 17 dengan ukuran lebar tetangga awal, laju pembelajaran, dan iterasi maksimum seperti yang dijelaskan pada metode penelitian. Grafik IDB yang diperoleh dari 27 percobaan disajikan pada Gambar 9, sedangkan data lengkapnya dapat diamati pada Lampiran 11.
Gambar 9 IDB pada percobaan model takso-nometri ordo.
Untuk model taksonometri ordo, Indeks Davies-Bouldin minimum yang bernilai 2.0514 didapatkan pada percobaan ketujuh di iterasi ketiga (i3). Parameter yang digunakan adalah ukuran lebar tetangga awal (δi) sebesar 5 dan nilai laju pembelajaran awal (αi) sebesar 0.9. Dengan demikian, analisis taksonometri untuk tingkatan taksa ordo akan menggunakan bobot yang dihasilkan oleh jaringan SOM Kohonen pada percobaan ini sebagai model taksonometri ordo. Ilustrasi model ini terdapat pada Lampiran 12, dan daftar bobot akhir dapat diamati pada Lampiran 13.
Pembentukan Model Taksonometri Subclass Sebanyak 27 percobaan dilakukan untuk mengombinasikan berbagai parameter yang telah ditetapkan dalam pembentukan model taksonomi subclass. Hasil dari percobaan ini adalah grafik IDB pada Gambar 10, dan data lengkapnya dapat diamati pada Lampiran 14.
Pada Gambar 10 dapat diamati adanya beberapa IDB yang bernilai jauh lebih kecil dibandingkan yang lainnya, yaitu berkisar antara 1.5 – 1.7, sementara nilai IDB yang lainnya berkisar antara 3 – 4. Pemeriksaan terhadap hasil clustering data pada jaringan SOM Kohonen yang memiliki IDB sangat kecil menunjukkan adanya underfitting, yaitu kegagalan jaringan untuk melakukan clustering terhadap data dengan baik akibat
Gambar 10 IDB pada percobaan model takso-nometri subclass.
menurunnya kemampuan jaringan dalam melakukan generalisasi terhadap data (Palit & Popovic 2005). Pada kasus ini, jaringan tersebut gagal melakukan pengelompokan data ke dalam empat cluster yang tersedia secara merata, karena didapatkan adanya jumlah data pada satu cluster yang mencapai 80% dari data keseluruhan, yang berakibat pada buruknya hasil clustering secara keseluruhan.
Dengan demikian, nilai IDB terbaik didapatkan dari seleksi pada jaringan yang tidak mengalami underfitting. Diperoleh nilai IDB minimum sebesar 3.1228 pada percobaan kedua di iterasi ketiga (i3), dengan parameter ukuran lebar tetangga awal (δi) sebesar 3 dan nilai laju pembelajaran awal (αi) sebesar 0.5. Bobot yang dihasilkan oleh jaringan ini akan digunakan sebagai model pada analisis taksonometri untuk tingkatan taksa subclass. Ilustrasi model ini dapat diamati pada Lampiran 15, sedangkan daftar bobot lengkapnya terdapat pada Lampiran 16. Analisis Taksonometri
Ketiga model taksonometri family, ordo, dan subclass selanjutnya digunakan untuk melakukan clustering terhadap seluruh data spesimen daun. Setiap model taksonometri diharapkan akan menghasilkan cluster yang dapat merepresentasikan kesamaan ciri yang menyerupai tingkatan taksa model tersebut seperti yang ditetapkan oleh para pakar. • Evaluasi Cluster Recall dan Precision
Perhitungan nilai CP dan CR dilakukan untuk hasil clustering setiap tingkatan taksa untuk mengetahui efektivitas pengelompokan yang telah dilakukan. Pada ketiga model taksonometri, nilai CP diperoleh dari setiap cluster, sedangkan nilai CR didapatkan dari setiap tingkatan taksa. Rata-rata nilai CP dan CR disajikan pada Tabel 11.
1.5 2 2.5 3 0.9 0.5 0.1 0.9 0.5 0.1 0.9 0.5 0.1 i1 i2 i3 15 10 5 α αα αi δδδδi 1
Parameter Pelatihan Jaringan (αααα dan δδδδ)
ID B 1 1.5 2 2.5 3 3.5 4 0.9 0.5 0.1 0.9 0.5 0.1 0.9 0.5 0.1 i1 i2 i3 3 2 1 α αα αi δδδδi
Parameter Pelatihan Jaringan (αααα dan δδδδ)
ID
Tabel 11 Nilai CP dan CR untuk ketiga model taksonometri. Model Taksonometri CP CR Family 0.601 0.636 Ordo 0.596 0.626 Subclass 0.691 0.669 Rata-rata 0.629 0.644
Nilai ideal dari CP dan CR adalah 1, yang berarti setiap cluster tepat terisi oleh satu taksa, dan setiap taksa tepat mengisi satu cluster. Pada kondisi ideal, CP dan CR yang bernilai 1 menunjukkan bahwa kesesuaian model taksonometri dengan hasil taksonomi dari para pakar bernilai 100%.
Dari Tabel 11 didapatkan rata-rata nilai CP untuk seluruh model taksonometri adalah 0.629, sedangkan rata-rata nilai CR sebesar 0.644. Dengan demikian, dapat ditarik kesimpulan bahwa model taksonometri yang dibangun pada penelitian ini belum mencapai tingkat kesesuaian 100% dengan hasil taksonomi dari para pakar.
Salah satu penyebab kurang optimalnya tingkat kesesuaian ini terdapat pada metode yang digunakan, antara lain representasi data input dan fungsi jarak. Penggunaan fungsi jarak Mahalanobis diperkirakan belum dapat menggambarkan secara tepat jarak antar vektor dengan representasi data yang digunakan dalam penelitian ini. Jarak Mahalanobis pada umumnya dapat digunakan secara optimal pada data kontinu. Untuk tipe data yang digunakan pada penelitian ini, pengukuran jaraknya dapat diperbaiki dengan cara menggunakan pengukuran similaritas, yang lebih memperhatikan tingkat kesamaan antara dua vektor dibandingkan dengan perbedaannya (Pedrycz 2005).
Penentuan target clustering yang disesuaikan dengan jumlah taksa pada model taksonometri juga berperan dalam nilai CP dan CR yang diperoleh. Dari target awal yang ditetapkan pada ruang lingkup penelitian ini, diperoleh kesimpulan bahwa setiap taksa tidak dapat tercluster dengan tepat ke cluster yang berbeda. Di lain pihak, apabila target clustering dibebaskan, maka terdapat kemungkinan bahwa akan ditemukan model taksonometri pada setiap tingkatan taksa yang menghasilkan nilai CP dan CR yang lebih baik, dengan jumlah cluster yang berbeda dengan jumlah taksa pada awalnya.
Apabila ditinjau dari sisi ilmu taksonomi, kurang optimalnya hasil clustering juga disebabkan oleh penggunaan karakter tumbuhan pada penelitian ini yang terbatas pada morfologi daun, sementara taksonomi yang dilakukan oleh para pakar menggunakan seluruh karakter yang terdapat pada tumbuhan. Meskipun demikian, tingkat kesesuaian ini menunjukkan bahwa karakter morfologi daun memiliki potensi untuk digunakan dalam identifikasi dan klasifikasi tumbuhan.
• Representasi Pengetahuan
Representasi pengetahuan didapatkan dari analisis terhadap hasil clustering yang dilakukan pada taksonometri family, ordo, dan subclass. Pembahasan terhadap hasil taksono-metri akan dilakukan untuk setiap model taksonometri. Representasi pengetahuan secara umum akan diperoleh dari kesimpulan terhadap pembahasan tersebut.
Hasil clustering untuk setiap model disajikan dalam dua tabel, yaitu tabel deskripsi cluster dan tabel deskripsi taksa. Tabel deskripsi cluster mencakup jumlah anggota setiap cluster, persentasenya terhadap jumlah data secara keseluruhan, dan nilai CP untuk cluster tersebut. Nilai CP didapatkan dari banyaknya anggota taksa yang secara dominan mengisi cluster tersebut dibagi dengan banyaknya anggota cluster. Cluster dengan nilai CP sebesar 1 berarti cluster tersebut tepat terisi oleh satu taksa.
Tabel deskripsi taksa menjelaskan mengenai jumlah anggota taksa, jumlah cluster yang terisi oleh taksa tersebut (sebaran cluster), dan nilai CR untuk taksa tersebut. Nilai CR diperoleh dari banyaknya anggota taksa tersebut yang secara dominan mengisi salah satu cluster dibagi dengan banyaknya anggota taksa tersebut. Nilai CR sebesar 1 pada suatu taksa memiliki arti bahwa taksa tersebut tepat mengisi satu cluster.
Deskripsi cluster dan taksa hasil taksono-metri family disajikan pada Tabel 12 dan Tabel 13. Hasil taksonometri ordo dapat diamati pada Tabel 14 untuk deskripsi cluster dan Tabel 15 untuk deskripsi taksa. Tabel 16 dan Tabel 17 memuat deskripsi cluster dan taksa untuk hasil taksonometri subclass. Untuk melengkapi tabel deksripsi cluster dan deskripsi taksa untuk setiap model metri, disajikan pula rincian hasil taksono-metri ketiga taksa ini pada Lampiran 17, Lampiran 18, dan Lampiran 19.
Taksonometri Family
Gambar 11 dan 12 memperlihatkan diagram batang untuk nilai CP dan CR setiap cluster dan family pada hasil taksonometri ini. Dari kedua gambar tersebut, dapat diamati bahwa terdapat beberapa cluster dan family yang memiliki nilai CP dan CR yang tinggi, sementara yang lainnya memiliki nilai yang cukup rendah.
Pada Gambar 11 dapat diamati bahwa sebanyak 5 dari 21 cluster memiliki nilai CP sebesar 1, yang artinya cluster tersebut terisi oleh tepat satu family. Meskipun demikian, pengamatan pada Lampiran 17 menunjukkan bahwa diantara kelima cluster tersebut, terdapat cluster 3, 5, dan 11 yang diisi oleh family yang sama, yaitu Euphorbiaceae. Seperti yang ditunjukkan pada Tabel 13 dan Gambar 12, family ini memiliki jumlah
anggota terbesar, namun ia juga tersebar ke banyak cluster sehingga ia memiliki nilai CR yang terendah diantara family yang lain. Hal ini menunjukkan adanya variasi morfologi daun yang cukup tinggi pada family ini, sehingga tidak seluruhnya dapat terkelompok menjadi satu cluster.
Family Euphorbiaceae juga dominan pada cluster dengan anggota terbanyak, yaitu cluster 6, 15, dan 17. Dari Tabel 12 dapat diamati bahwa ketiga cluster ini memiliki anggota terbanyak, tetapi nilai CP ketiganya hanya berkisar antara 0.3-0.6. Family lainnya yang juga dominan di ketiga cluster ini adalah family Rubiaceae, seperti yang ditunjukkan pada Lampiran 17. Terkelompoknya kedua family ini secara dominan pada beberapa cluster yang sama memperlihatkan adanya kesamaan dalam morfologi daun keduanya.
Tabel 12 Deskripsi cluster hasil taksonometri family. Cluster Anggota (n) Anggota (%) CP 1 3 2.38 0.67 2 4 3.17 0.75 3 3 2.38 1.00 4 7 5.56 0.29 5 1 0.79 1.00 6 15 11.90 0.33 7 2 1.59 1.00 8 6 4.76 0.17 9 2 1.59 0.50 10 3 2.38 0.33 11 3 2.38 1.00 12 4 3.17 0.25 13 12 9.52 0.75 14 2 1.59 0.50 15 15 11.90 0.60 16 5 3.97 0.60 17 15 11.90 0.47 18 3 2.38 0.67 19 8 6.35 0.25 20 6 4.76 0.50 21 7 5.56 1.00
Tabel 13 Deskripsi taksa hasil taksonometri family. No Family Jumlah Anggota Sebaran Cluster CR 1 Annonaceae 2 2 0.50 2 Apocynaceae 1 1 1.00 3 Burseraceae 8 3 0.38 4 Clusiaceae 4 4 0.25 5 Elaeocarpaceae 3 1 1.00 6 Euphorbiaceae 45 13 0.20 7 Fabaceae 3 2 0.67 8 Flacourtiaceae 1 1 1.00 9 Icacinaceae 1 1 1.00 10 Lauraceae 8 5 0.38 11 Loganiaceae 1 1 1.00 12 Meliaceae 2 2 0.50 13 Monimiaceae 2 2 0.50 14 Myrsinaceae 1 1 1.00 15 Myrtaceae 9 3 0.78 16 Polygalaceae 7 6 0.29 17 Rhizophoraceae 2 2 0.50 18 Rubiaceae 17 6 0.35 19 Sabiaceae 1 1 1.00 20 Sapindaceae 5 3 0.40 21 Verbenaceae 3 2 0.67
Gambar 11 Cluster precision taksonometri family.
Gambar 12 Cluster recall taksonometri family. 0 0.2 0.4 0.6 0.8 1 1 3 5 7 9 11 13 15 17 19 21 Family C R C P 0 0.2 0.4 0.6 0.8 1 1 3 5 7 9 11 13 15 17 19 21 Cluster
Diantara cluster dengan CP tertinggi, hanya satu cluster yang memiliki jumlah anggota lebih dari lima, yaitu cluster 21. Lampiran 17 menunjukkan bahwa tujuh dari anggota family Myrtaceae merupakan anggota cluster tersebut, sementara dua sisanya tersebar ke cluster lain. Dari Tabel 13 diperoleh bahwa family ini memiliki nilai CR sebesar 0.78, yang merupakan nilai CR terbesar pada family dengan jumlah anggota lebih dari lima. Dapat diamati bahwa family ini memiliki variasi morfologi daun yang relatif rendah hingga sebagian besarnya dapat terkelompok ke dalam satu cluster.
Pada umumnya, cluster lainnya terisi oleh family yang beragam, baik pada cluster dengan jumlah anggota kurang dari lima ataupun lebih. Misalnya, cluster 14 memiliki dua anggota yang berasal dari family Lauraceae dan Myrtaceae. Cluster dengan nilai CP terendah, yaitu cluster 8, terisi oleh 6 anggota dari 6 family yang berbeda, seperti terlihat pada Gambar 11 dan Lampiran 17.
Gambar 12 menunjukkan bahwa terdapat 7 dari 21 family dengan nilai CR sebesar 1, berarti family tersebut tepat mengisi satu cluster. Akan tetapi hal ini tidak cukup menunjukkan kinerja model taksonometri ini, karena dapat dilihat pada Tabel 13 bahwa 6 dari 7 family tersebut hanya memiliki satu anggota, dan Lampiran 17 menunjukkan bahwa cluster-cluster yang diisi oleh keenam family ini juga terisi oleh family lainnya, yang membuat nilai CP mereka tidak maksimal. Taksonometri Ordo
Diagram nilai CP dan CR dari hasil taksonometri ordo disajikan pada Gambar 13 dan 14. Dari 17 cluster hasil taksonometri ini, terdapat enam cluster dengan CP bernilai 1, sementara satu cluster tidak memiliki anggota, yaitu cluster 15. Dari keenam cluster dengan nilai CP tertinggi, tiga diantaranya yaitu cluster 6, 9, dan 12 terisi oleh ordo yang sama, yaitu ordo Euphorbiales. Tabel 15
menunjukkan bahwa meskipun jumlah
anggotanya terbanyak, ordo ini memiliki nilai Tabel 14 Deskripsi cluster hasil taksonometri
ordo. Cluster Anggota (n) Anggota (%) CP 1 2 1.59 0.50 2 4 3.17 0.25 3 23 18.25 0.35 4 5 3.97 0.60 5 7 5.56 0.43 6 3 2.38 1.00 7 4 3.17 0.50 8 3 2.38 1.00 9 6 4.76 1.00 10 8 6.35 0.25 11 23 18.25 0.17 12 26 20.63 0.58 13 3 2.38 1.00 14 2 1.59 0.50 15 0 0.00 0.00 16 5 3.97 1.00 17 2 1.59 1.00
Tabel 15 Deskripsi taksa hasil taksonometri ordo. No Ordo Jumlah Anggota Sebaran Cluster CR 1 Celastrales 1 1 1.00 2 Euphorbiales 45 12 0.33 3 Fabales 3 1 1.00 4 Gentianales 2 2 0.50 5 Lamiales 3 2 0.67 6 Laurales 10 5 0.30 7 Magnoliales 2 2 0.50 8 Malvales 3 1 1.00 9 Myrtales 9 4 0.56 10 Polygalales 7 4 0.43 11 Primulales 1 1 1.00 12 Ranunculales 1 1 1.00 13 Rhizophorales 2 2 0.50 14 Rubiales 17 4 0.41 15 Sapindales 15 7 0.20 16 Theales 4 4 0.25 17 Violales 1 1 1.00
Gambar 13 Cluster precision taksonometri ordo.
Gambar 14 Cluster recall taksonometri ordo. 0 0.2 0.4 0.6 0.8 1 1 3 5 7 9 11 13 15 17 Cluster C P 0 0.2 0.4 0.6 0.8 1 1 3 5 7 9 11 13 15 17 Ordo C R
CR yang rendah karena tersebar ke 12 cluster. Nilai CR sebesar 0.33 yang dimilikinya cukup rendah dibandingkan dengan ordo yang lain, seperti terlihat pada
Gambar 14. Seperti halnya family
Euphorbiaceae, dapat disimpulkan bahwa ordo ini juga memiliki variasi morfologi daun yang cukup tinggi.
Cluster 16 dan 17 yang juga memiliki nilai CP sebesar 1 terisi oleh ordo Myrtales, yang pada taksonometri family juga menempati satu cluster yang sama. Pengamatan pada Tabel 15 menunjukkan bahwa ordo ini memiliki nilai CR sebesar 0.58. Meskipun pada Gambar 14 dapat diamati bahwa nilai ini cukup rendah dibandingkan dengan nilai keseluruhan, tetapi nilai ini adalah yang terbesar diantara ordo lainnya dengan jumlah anggota lebih dari lima. Dengan demikian, dapat disimpulkan bahwa variasi morfologi daun pada ordo