Identifikasi Masalah
Persilangan antar varietas ikan mas menyebabkan terbentuknya karakteristik baru hasil percampuran antar varietas tersebut, sehingga lambat laun mejadi tidak terjaganya kemurnian generasi varietas ikan mas di masa yang akan datang. Dalam hal ini petani, peneliti maupun breeder berkepentingan dalam mengidentifikasi varietas ikan mas, guna mengenali varietas ikan mas konsumsi yang disukai di suatu daerah tertentu, menentukan induk ikan mas yang unggul untuk disilangkan, dan memetakan pengetahuan berupa variabel biologis dan sifat-sifat ikan mas yang dikuasai seorang pakar kedalam suatu sistem, sehingga keilmuan pakar dalam hal identifikasi karakteristik varietas ikan mas tidak akan hilang atau punah.
Akuisisi Pengetahuan
Pengetahuan identifikasi varietas ikan masberdasarkan karakteristik morfologi dan tingkah laku diperoleh dari proses wawancara oleh Bapak Ir Irzal Effendi, MSidari Departemen Budidaya Perairan Fakultas Perikanan dan Ilmu Kelautan IPB, serta beberapa informasi tambahan diperoleh dariBapak Abdul Wahid Kepala Pelayanan Teknis Balai Riset Perikanan Budidaya Air Tawar Sempur Bogor dan Bapak Sidi Asih bagian staf peneliti breeding dan genetika Instalasi Balai Riset Perikanan Budidaya Air Tawar Cijeruk Bogor. Data yang diperoleh berdasarkan hasil wawancara disajikan pada Tabel 5. Selain itu diperoleh dari beberapa telaah pustaka lainnya seperti buku yaitu sebagai contoh Effendie (1972), Ardiwinata (1971), data manual kunjungan ke Balai Riset Perikanan Budidaya Air Tawar Sempur Bogor dan Instalasi Balai Riset Perikanan Budidaya Air Tawar Cijeruk Bogor, dan media penyuluhan diperoleh dari Bapak Abdul Wahid dan Bapak Sidi Asih.
Kesimpulan wawancara dengan pakar diketahui beberapa karakteristik yang digunakan dalam identifikasi varietas ikan mas yaitu berdasarkan morfologi dan tingkah laku. Tiap karakeristik terdiri atas parameter-parameter identifikasi, diantaranya parameter morfologi yaitu panjang dan tinggi ikan mas, warna tubuh bawah dan atas ikan mas, mata, dan ukuran sisik. Parameter tingkah laku ikan mas yaitu orientasi berenang dan gerakkan.
13 Tabel 5 Data yang diperoleh dari hasil wawancara dengan pakar
Wawancara dengan para pakar Data yang diperoleh
Bapak Ir Irzal Effendi, MSi
Pengetahuan dasar mengenai perkenalan budidaya perairan, perkembangan produksi ikan di suatu daerah.
Validasi pengetahuan yang telah diperoleh dari hasil wawancara dengan Bapak Abdul Wahid dan Bapak Sidi Asih berupa kesesuaian pengetahuan yaitu varietas ikan mas yang akan di identifikasi, variabel-variabel yang dibutuhkan dalam identifikasi, terdapatnya kunci identifikasi, karakteristik yang dimiliki tiap varietas dan kesesuaian gambar dengan karakteristik varietas ikan mas.
Bapak Abdul Wahid
Pengenalan varietas ikan mas, apa saja varietas ikan mas yang ada saat ini maupun yang terdahulu.
Variabel-variabel identifikasi varietas ikan mas.
Bapak Sidi Asih
Kelengkapan variabel-variabel karakteristik yang dimiliki varietas ikan mas, sebagai contoh ikan mas majalaya memiliki karakteristik mata yang menonjol, warna sisik tubuh atas dan bawah hijau gelap.
Pengetahuan yang diperoleh, divalidasi oleh pakar yaitu Bapak Ir Irzal Effendi, MSiuntuk menguji dan memastikan kebenaran data. Proses validasi data dilakukan dengan mengajukan kuesioner yang berisi sample data uji ke pakar. Pakar akan menentukan apakah pengetahuan yang diperoleh telah sesuai dengan pengetahuan pakar. Tahapan proses validasi pada Tabel 6.
Kesimpulan dalam validasi diketahui, terdapat parameter kunci identifikasi varietas ikan mas yaitu pada karakteristik morfologi diantaranya pada parameter panjang dan tinggi ikan mas, warna sisik, ukuran sisik, dan mata. Parameter kunci identifikasi merupakan ciri yang paling menentukan dalam identifikasi varietas ikan mas.
14
Tabel 6 Akuisisi pengetahuan identifikasi varietas ikan mas (Cyprinus capio) saat validasi dengan pakar
Tahap validasi Hasil Langkah selanjutnya
Tahap 1 kuesioner 1 30 data uji (Lampiran 1).
5 data uji ikan mas kaca terklasifikasi ke kelas yang tepat
Terdapat kesalahan data ikan mas seperti rasio ikan mas punten dan ikan mas majalaya
Mengubah rasio ikan mas majalaya dan ikan mas punten
Penelitian harus kembali pada tahap akuisisi pengetahuan.
Tahap 2 kuesioner 2 12 data uji (Lampiran 2).
Dari 12 data uji, 8 data uji terklasifikasi ke kelas yang tepat
Kesalahan data rasio ikan mas majalaya dan ikan mas taiwan
warna sisik tubuh bawah ikan mas sinyonya.
Mengubah rasio ikan mas majalaya dan ikan mas taiwan
Penelitian harus kembali pada tahap akuisisi pengetahuan.
Tahap 3 kuesioner 3 12 data uji (Lampiran 3).
Dari 12 data pengujian,12 data uji terklasifikasi ke kelas yang tepat
Penelitian dapat dilanjutkan. Namun rangkuman dari hasil seminar penelitian, penelitian harus kembali pada tahap akuisisi pengetahuan karena terdapat penghapusan parameter input yaitu bentuk tubuh dan kembali mengajukan kuesioner 4. Tahap 4
kuesioner 4 12 data uji (Lampiran 4).
12 data uji terklasifikasi ke kelas yang tepat
Penelitian dapat dilanjutkan.
Representasi Pengetahuan
Pengetahuan identifikasi varietas ikan mas berdasarkan hasil akuisisi pengetahuan dengan pakar disajikan ke dalam suatu tabel keputusan yang digunakan untuk pengambilan keputusan. Sebagai ilustrasi, representasi pengetahuan sistem ini ditunjukkan pada Lampiran 5.
Pengembangan Mesin Inferensi
Metode pengembangan dalam mengambil keputusan yang diterapkan pada SPIVIM yaitu metode KNN, meliputi beberapa tahapan yaitu:
15
Pengadaan Data
Pada pengadaan data, data yang diperoleh dari proses wawancara, dan beberapa telaah pustaka.Varietas ikan mas yang diidentifikasi yaitu 6 varietas ikan mas diantaranya ikan mas majalaya, ikan mas punten, ikan mas sinyonya, ikan mas kaca, ikan mas merah, dan ikan mas taiwan. Parameter identifikasi diperoleh sebanyak 8 parameter diantaranya 6 parameter input berdasarkan ciri morfologi meliputi panjang, tinggi badan, warna sisik tubuh bagian atas, warna sisik tubuh bagian bawah, ukuran sisik dan mata, serta parameter input berdasarkan tingkah laku yaitu gerakan dan berenang. Parameter tersebut dibedakan menjadi 3 jenis, yaitu: numerik, ordinal, dan nominal. Parameter numerik terdiri dari panjang dan tinggi ikan mas, ordinal terdiri dari orientasi berenang, dan nominal terdiri dari mata, warna sisik tubuh atas dan bawah, ukuran sisik, dan gerakan.
Praproses Data
Parameter-parameter yang ada dilengkapi dengan data-data yang sesuai dengan ciri-ciri ikan mas tiap varietas. Data-data tersebut dievaluasi kembali kebenarannya oleh Bapak Ir Irzal Effendi, MSisehingga terjadi perubahan dan pembuangan data valid maupun tidak valid berdasarkan justifikasi pakar. Sebagai contoh Tabel 7 merupakan data valid varietas ikan mas majalaya.
Tabel 7 Contoh data ikan mas majalaya (Djiwakusumah 1979; SNI 1999) Varietas ikan mas Ikan mas majalaya Rasio panjang dan tinggi badan 2.7:1
Mata Menonjol
Warna sisik tubuh bagian atas Hijau ke-abu-abuan Warna sisik tubuh bagian bawah Hijau gelap
Ukuran sisik Normal
Berenang Permukaan
Gerak Lambat
Proses perhitungan dalam sistem maupun perhitungan manual, pada Tabel 7 terlihat bahwa berenang merupakan parameter ordinal yaitu parameter nominal yang memiliki tingkatan, sehingga dalam perhitungannya nilai atribut-atribut parameter ordinal diubah ke dalam bentuk angka. Nilai untuk tiap atribut berenang di dasar = 0, tengah = 0.5, dan permukaan = 1.
Proses pengumpulan data awal ini dilakukan selama dua bulan. Data ikan yang didapat sebanyak 6 data varietas ikan mas yang masing-masing varietas memiliki record sebanyak 80, sehingga total keseluruhan record sebanyak 480 record, ditunjukkan pada Tabel 8.
16
Tabel 8 Data identifikasi varietas ikan mas (Cyprinus carpio) dalam SPIVIM Varietas ikan mas Banyaknya data
Ikan mas majalaya 80
Ikan mas sinyonya 80
Ikan mas merah 80
Ikan mas kaca 80
Ikan mas punten 80
Ikan mas taiwan 80
Total data 480
Min-Max Normalization
Parameter numerik meliputi panjang dan tinggi ikan mas diolah dengan menggunakan jarak Euclidean. Pada parameter tersebut terdapat perbedaan range maka perlu dilakukan normalisasi. Tahap normalisasi dilakukan sebelum proses pengolahan data yang bertujuan untuk menyamakan range antara 0-1 dengan menggunakan rumus min-max nomalization.
Nilai minimum dan maksimum diperoleh dari nilai minimum dan maksimum pada tiap parameter tersebut. Misal parameter panjang nilai maksimum 50 dan nilai minimum 10. Contoh normalisasi untuk record pertama dengan nilai 13 berdasarkan rumus normalisasi adalah:
13-10
50-10=0.075
Begitu pula untuk data input yang akan digunakan nantinya, sebelum dilakukan pengolahan data, data parameter numerik harus melewati proses normalisasi terlebih dahulu. Namun untuk parameter ordinal tidak melalui proses normalisasi karena pada saat dilakukannya praproses data nilai parameter tersebut sudah berada pada range 0-1.
Pembagian Data Latih dan Data Uji
Pada penelitian ini penentuan pembagian data latih dan data uji menggunakan metode k-fold cross validation dengan nilai k = 4, pemilihan k = 4 disesuaikan dengan bayaknya data yang digunakan pada penelitian. Dari 6 varietas ikan mas yang digunakan sebagai kelas, masing-masing kelas memiliki data sebanyak 80 record sehingga total data yang diperoleh sebanyak 480 record. Data masing-masing kelas 80 record dibagi menjadi 4 subset yang setiap subset berisi 20 record (Tabel 9).
17 Tabel 9 Pembagian subset dengan metode k-fold cross
validation
Subset Banyaknya data
S1 20
S2 20
S3 20
S4 20
Jumlah data 80
Percobaan pertama menggunakan 60 record sebagai data latih yang berisi subset 1, 2, dan 3. Subset 4 yang berisi 20 record dijadikan data uji, percobaan terus dilakukan hingga setiap subset pernah menjadi data uji (Tabel 10).
Tabel 10 Susunan data latih dan data uji dalam perhitungan manual menggunakan Ms.Excel
Percobaan (subset) Data latih Data uji
1 S2,S3,S4 S1
2 S1,S3,S4 S2
3 S1,S2,S4 S3
4 S1,S2,S3 S4
Metode Klasifikasi Menggunakan KNN
KNNadalah metode yang digunakan dalam pengklasifikasian. Hasil klasifikasi data baru didapatkan dengan mencari jarak terdekat antara data yang akan dievaluasi dengan k tetangga terdekatnya dalam data pelatihan menggunakan fungsi jarak. Berikut fungsi jarak yang digunakan yaitu:
Euclidean distance
Euclidean distance digunakan untuk parameter bersifat numerik dan ordinal yaitu panjang, tinggi ikan mas, dan berenang. Orientasi berenang ikan mas meliputi dasar, tengah dan permukaan dikatakan sebagai parameter ordinal karena memiliki tingkatan. Setiap tingkatan pada saat praproses data diberi nilai antara 0-1 yaitu dasar = 0, tengah = 0.5, dan permukaan = 0-1. Euclidean distance digunakan untuk menghitung jarak kedekatan nilai parameter pada data latih dan nilai parameter input pada data uji menggunakan rumus yang terdapat pada Persamaan 2.
Nominal distance
Parameter input yang bersifat nominal meliputi mata, warna sisik tubuh atas, warna sisik tubuh bawah, ukuran sisik, dan gerakan dihitung jaraknya dengan rumus nominal distance yang terdapat pada Persamaan 3. Jika nilai parameter input data uji sama dengan nilai parameter pada data latih maka hasilnya 0 dan jika tidak sama atau berbeda dengan nilai parameter pada data latih maka hasilnya 1.
18
Aggregate
Tahap ini merupakan tahap dilakukannya penggabungan hasil perhitungan nominal distance dan hasil perhitungan Euclidean distance. Rumus aggregate ditunjukkan pada Persamaan 4 dengan nilai pembobotan masing-masing parameter ditentukan oleh pakar Bapak Ir Irzal Effendi, MSi (Tabel 11). Nilai pembobotan didasarkan pada parameter yang paling menentukan dalam identifikasi ikan mas. Hasil proses perhitungan aggregate untuk 1 input data uji akan dibandingkan dengan seluruh data latih yang tersedia pada sistem, sehingga menghasilkan 1 nilai yang selanjutnya akan diambil nilai aggregate terkecil sebanyak nilai k yang telah ditentukan pada KNN.
Tabel 11 Nilai pembobotan tiap parameter identifikasi varietas ikan mas (Crypinus carpio)
Parameter Nilai pembobotan pakar
Panjang 0.50
Tinggi 0.50
Mata 0.25
Warna sisik tubuh bagian atas 0.75 Warna sisik tubuh bagian bawah 0.75
Ukuransisik 1.00
Berenang 0.25
Gerakan 0.25
Penentuan Varietas Ikan Mas dengan Metode Klasifikasi KNN
Setelah perhitungan aggregate telah diketahui, maka selanjutnya tahap yang akan dilakukan yaitu menentukan kelas sesuai dengan tahapan KNN. Pada sistem ini penentuan nilai k pada KNN yaitu k = 3, 5, dan 7.
Dari keseluruhan nilai aggregate yang diperoleh berdasarkan perhitungan antara data latih dan data uji, selanjutnya akan dibandingkan dan diambil sesuai dengan k yang sudah ditentukan, misalkan dengan k = 3 berarti ambil 3 nilai aggregate yang terkecil dari keseluruhan data. Dari k terdekat ini akan ditentukan kelas pemenang sebagai kelas yang paling sesuai dengan data uji yang diinputkan, untuk melihat data uji yang terklasifikasi yang benar maka menggunakan confusion matrix. Kemudian keakuratan klasifikasi akan diuji dengan menghitung akurasi tiap subset pada keseluruhan nilai k.
Percobaan Tanpa Normalisasi
Sebelum diimplementasikan menggunakan bahasa pemrograman PHP, perhitungan dilakukan secara manual dengan menggunakan Ms.Excel. Percobaan diawali dengan pembagian data latih dan data uji menggunakan metode k-fold cross validation dengan nilai pembagian k = 4. Dari 6 varietas ikan mas yang digunakan sebagai kelas, masing-masing kelas memiliki data sebanyak 80 record sehingga total data kelas yang diperoleh sebanyak 480 record.
Data masing-masing kelas 80 record dibagi menjadi 4 subset, setiap subset berisi 20 record. Percobaan menggunakan 60 record sebagai data latih yang berisi subset 1, 2, dan 3. Subset 4 yang berisi 20 record dijadikan data uji, percobaan terus dilakukan hingga setiap subset pernah menjadi data uji (Tabel 10).
19 Percobaan pertama subset 1 menggunakan total data latih keseluruhan kelas sebanyak 360 record yang berisi subset 2, 3, dan 4. Subset 1 yang berisi 20 record pada satu kelas dijadikan data uji. Data tersebut kemudian diterapkan dalam metode KNN melalui tahap-tahap berikut:
1 Setiap record data uji dihitung jaraknya ke setiap record data latih untuk mengetahui kedekatan antara data uji dengan data latih. Untuk variabel bertipe numerik dan ordinal menggunakan jarak Euclidean yaitu selisih antara data latih dengan data uji. Untuk variabel bertipe nominal menggunakan nominal distance, jika data uji sama dengan data latih maka bernilai 0 dan jika data uji dengan data latih berbeda maka bernilai 1.
2 Hasil perhitungan jarak Euclidean dan nominal distance digabungkan dengan menggunakan rumus aggregate. Pemberian bobot 0.5 untuk parameter panjang dan tinggi, 0.25 untuk parameter mata, berenang dan gerakan, bobot 0.75 untuk parameter warna sisik tubuh atas dan bawah, serta bobot 1 pada ukuran sisik. Pemberian bobot disesuaikan dengan tingkatan parameter yang paling mengidentifikasi ikan mas, sebagai contoh bobot dengan nilai 1 merupakan kunci identifikasi yang paling menentukan karakteristik ikan mas. Pemberian bobot ditentukan oleh pakar.
3 Penentuan nilai k tetangga terdekat pada percobaan pertama dilakukan dengan mencoba nilai k tetangga terdekat yaitu 3, 5 dan 7 dalam metode KNN. Percobaan akan dilakukan sebanyak 4 kali untuk masing-masing nilai k yaitu percobaan untuk subset 1, 2, 3, dan 4.
Akurasi klasifikasi tiap percobaan dan akurasi rata- rata diperlihatkan pada Tabel 12.
Tabel 12 Akurasi rata-rata tiap k percobaan tanpa normalisasi perhitungan manual pada Ms.Excel
Subset K 3 5 7 1 93.33% 93.33% 92.50% 2 95.83% 90.83% 88.33% 3 95.00% 91.67% 89.17% 4 94.17% 88.33% 88.33% Akurasi rata-rata 94.58% 91.04% 89.58%
Dari Tabel 13 terlihat bahwa hasil akurasi rata-rata percobaan tanpa normalisasi, tertinggi saat k tetangga terdekat = 3 yaitu 94.58% dan terendah k = 7 yaitu 89.58%. Sedangkan hasil akurasi dari seluruh subset, tertinggi saat k = 3 subset 2 yaitu 95.83% dan terendah k = 5 dan 7 subset 4 yaitu 88.58%.
Untuk melihat banyaknya baris data ujiyang terklasifikasi ditampilkan dalam bentuk confusion matrix. Sebagai contoh Tabel 13 merupakan confusion matrix percobaan tanpa normalisasi dengan akurasi terendah. Keseluruhan confusion matrix percobaan tanpa normalisasi pada Lampiran 6, 7, dan 8.
20
Tabel 13 Confusion matrix percobaan tanpa normalisasi perhitungan manual Ms.Excel saat subset 4 k = 5
Kelas aktual Kelas hasil prediksi
majalaya kaca sinyonya merah punten taiwan
majalaya 19 0 0 1 0 0 kaca 0 19 0 1 0 0 sinyonya 0 0 17 0 0 3 merah 0 0 1 18 0 1 punten 4 0 0 0 16 0 taiwan 0 1 0 2 0 17 akurasi= 106 120x 100%=88.33%
Kesalahan klasifikasi disebabkan karena beberapa varietas ikan mas memiliki beberapa kemiripan karakteristik yaitu terletak pada parameter kunci identifikasi varietas. Sebagai contoh, ketika varietas ikan mas punten teridentifikasi sebagai ikan mas majalaya, hal ini terjadi karena memiliki kemiripan dalam parameter kunci identifikasi yaitu warna sisik tubuh bawah, mata dan ukuran sisik. Selain itu perbedaan range parameter numerik yang terlalu jauh menyebabkan kesalahan dalam klasifikasi. Tabel 14 merupakan hasil perhitungan jarak kedekatan.
Tabel 14 Jarak kedekatan percobaan tanpa normalisasi perhitungan manual Ms.Excel subset 4 k = 5
Jarak Kelas Urutan
0.4593 punten 1
0.8870 majalaya 2
0.8870 majalaya 2
0.8870 majalaya 2
0.9968 majalaya 5
Percobaan Dengan Normalisasi
Percobaan dilakukan dengan memberikan tahap normalisasi pada data yang akan digunakan. Sama halnya dengan tanpa normalisasi percobaan diawali dengan pembagian data latih dan data uji menggunakan metode k-fold cross validation dengan nilai pembagian k = 4. Dari 6 varietas ikan mas yang digunakan sebagai kelas, masing-masing kelas memiliki data sebanyak 80 record sehingga total data kelas yang diperoleh sebanyak 480 record.
Data masing-masing kelas 80 record dibagi menjadi 4 subset, setiap subset berisi 20 record. Percobaan menggunakan 60 record sebagai data latih yang berisi subset 1, 2, dan 3. Subset 4 yang berisi 20 record dijadikan data uji, percobaan terus dilakukan hingga setiap subset pernah menjadi data uji (Tabel 10).
Percobaan pertama subset 1 menggunakan total data latih keseluruhan kelas sebanyak 360 record yang berisi subset 2, 3, dan 4. Subset 1 yang berisi 20 record pada satu kelas dijadikan data uji. Data tersebut kemudian diterapkan dalam metode KNN melalui tahap-tahap berikut:
21 1 Data latih dan data uji yang digunakan akan diterapkan normalisasi telebih dahulu sebelum menghitung jarak kedekatan, normalisasi bertujuan untuk menyamakan range antar parameter. Untuk mendapatkan range antara 0-1 digunakan min-max normalization, sesuai dengan Persamaan 1.
2 Setiap record data uji dihitung jaraknya ke setiap record data latih untuk mengetahui kedekatan antara data uji dengan data latih. Untuk variabel bertipe numerik dan ordinal menggunakan jarak Euclidean yaitu selisih antara data latih dengan data uji. Untuk variabel bertipe nominal menggunakan nominal distance, jika data uji sama dengan data latih maka bernilai 0 dan jika data uji dengan data latih berbeda maka bernilai 1.
3 Hasil perhitungan jarak Euclidean dan nominal distance digabungkan dengan menggunakan rumus aggregate. Pemberian bobot disesuaikan dengan kunci yang paling mengidentifikasi ikan mas (Tabel 11), sebagai contoh bobot dengan nilai 1 merupakan kunci identifikasi yang paling menentukan karakteristik ikan mas.
4 Penentuan nilai k tetangga terdekat pada percobaan pertama dilakukan dengan mencoba nilai k tetangga terdekat yaitu 3, 5 dan 7 dalam metode KNN. Percobaan akan dilakukan sebanyak 4 kali untuk masing-masing nilai k yaitu percobaan untuk subset 1, 2, 3 dan 4.
Akurasi klasifikasi tiap percobaan dan akurasi rata- rata diperlihatkan pada Tabel 15.
Tabel 15 Akurasi rata-rata tiap k percobaan dengan normalisasi perhitungan manual Ms.Excel Subset K 3 5 7 1 96.67% 95.00% 95.00% 2 97.50% 96.67% 95.83% 3 100.00% 100.00% 100.00% 4 100.00% 100.00% 100.00% Akurasi rata-rata 98.54% 97.92% 97.71%
Dari Tabel 17 terlihat bahwa hasil akurasi rata-rata percobaan dengan normalisasi, tertinggi saat k tetangga terdekat = 3 yaitu 98.54% dan terendah k = 5 yaitu 97.71%. Sedangkan hasil akurasi dari seluruh subset, tertinggi saat subset 3 dan 4 di seluruh nilai k yaitu 100% dan terendah k = 5 dan 7 subset 1 yaitu 95.00%.
Untuk melihat banyaknya baris data uji yang terklasifikasi ditampilkan dalam bentuk confusion matrix, sebagai contoh Tabel 16 merupakan confusion matrix percobaan normalisasi dengan akurasi terendah. Keseluruhan confusion matrix percobaan dengan normalisasi pada Lampiran 9, 10, dan 11.
22
Tabel 16 Confusion matrix percobaan dengan normalisasi perhitungan manual Ms.Excel saat subset 1 k = 5
Kelas aktual Kelas hasil prediksi
majalaya kaca sinyonya merah punten taiwan
majalaya 20 0 0 0 0 0 kaca 0 19 0 0 0 1 sinyonya 0 0 20 0 0 0 merah 0 0 0 20 0 0 punten 5 0 0 0 15 0 taiwan 0 0 0 0 0 20 akurasi= 114 120x 100%=95.00%
Berdasarkan Tabel 16 diketahui bahwa data uji ikan mas majalaya, sinyonya, merah dan taiwan terklasifikasi ke kelas yang tepat, hal ini disebabkan karena adanya proses normalisasi menggunakan rumus min-max nomalization dengan menyamakan range parameter numerik, sehingga range yang dihasilkan tidak terlalu jauh yaitu antara 0-1. Kesalahan klasifikasi pada ikan mas punten teridentifikasi ke ikan mas majalaya terjadi karena adanya kemiripan pada parameter nominal yang mendominasi.
Perbandingan hasil akurasi percobaan tanpa normalisasi dan dengan normalisasi dapat dilihat pada Tabel 17 dan Gambar 9. Pada Gambar 9 dapat dilihat bahwa percobaan dengan normalisasi memberikan pengaruh besar. Selain itu, diketahui bahwa hasil rata-rata akurasi dari k = 3, 5 dan 7 tanpa normalisasi cenderung 2 – 6% mengalami penurunan, terlihat ketika nilai rata-rata akurasi tertinggi pada saat k = 3 dan nilai rata-rata terendah pada saat k = 7. Nilai akurasi per subset tertinggi diperoleh saat k = 3 subset 3 dan terendah diperoleh saat k = 5 subset 4.
Tabel 17 Perbandingan hasil akurasi percobaan tanpa normalisasi dan dengan normalisasi perhitungan manual Ms.Excel
Subset K (tanpa normalisasi) K (normalisasi)
3 5 7 3 5 7 1 93.33% 93.33% 92.50% 96.67% 95.00% 95.00% 2 95.83% 90.83% 88.33% 97.50% 96.67% 95.83% 3 95.00% 91.67% 89.17% 100.00% 100.00% 100.00% 4 94.17% 88.33% 88.33% 100.00% 100.00% 100.00% Akurasi rata-rata 94.58% 91.04% 89.58% 98.54% 97.92% 97.71%
23
Gambar 9 Diagram hasil perbandingan akurasi rata-rata tiap k percobaan tanpa normalisasi dan dengan normalisasi
Hal ini disebabkan dengan nilai k kecil biasanya mengurangi adanya variasi tetangga terdekat. Namun tidak menutup kemungkinan ketika menggunakan nilai k kecil dapat sepenuhnya tepat terklasifikasi pada kelasnya, kejadian tersebut bisa saja variasi tetangga terdekat menyebar ke varietas kelas lain sehingga menjadi tidak sesuai dengan kelas uji. Hal inilah yang melatarbelakangi dilakukan percobaan dengan nilai k = 3, 5, dan 7. Skenario yang diimplementasikan pada sistem akan menggunakan skenario hasil akurasi terbaik yaitu menerapkan skenario percobaan dengan proses normalisasi dengan k = 3 akurasi 100%.
Implementasi
Implementasi penelitian ini dikembangkan menggunakan sistem pakar berbasis website yang mampu memberikan kemudahan untuk para pembudidaya dalam mengidentifikasi varietas ikan mas sebelum melakukan budidaya ikan mas. Implementasi antarmuka menggambarkan hasil akhir dari proses perancangan website yang menghubungkan komunikasi user dengan sistem pakar, selain itu implementasi antarmuka didukung oleh perangkat lunak dan perangkat keras yang digunakan.
Pada penelitian sistem pakar identifikasi varietas ikan mas (SPIVIM) berbasis website memiliki fasilitas 4 modul utama user meliputi home, Petunjuk Identifikasi, Proses Identifikasi, dan Terminologi Sistem, disamping modul utama terdapat fasilitas pencarian (search) diilustrasikan pada Gambar 10, serta 3 modul tambahan yaitu Buku Tamu, Hubungi Kami dan Bantuan diilustrasikan pada Gambar 11.
Gambar 10 Modul utama user SPIVIM 0 10 20 30 40 50 60 70 80 90 100 3 5 7 akur as i % K tanpa normalisasi normalisasi
24
Gambar 11 Modul tambahan SPIVIM
Modul utama home berisi latar belakang pembuatan sistem pakar, varietas ikan mas apa saja yang dapat diidentifikasi oleh sistem, serta keterangan metode