PEMROGRAMAN GENETIKA UNTUK SISTEM
IDENTIFIKASI FAMILI TUMBUHAN OBAT
INDRA LAKSMANA
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR
PERNYATAAN MENGENAI TESIS DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
*Dengan ini saya menyatakan bahwa tesis berjudul Pemrograman Genetika untuk Sistem Identifikasi Famili Tumbuhan Obat adalah benar karya saya dengan arahan dari komisi 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 tesis ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.
Bogor, September 2013 Indra Laksmana NIM G651110121
*
RINGKASAN
INDRA LAKSMANA. Pemrograman Genetika untuk Sistem Identifikasi Famili Tumbuhan Obat. Dibimbing oleh YENI HERDIYENI dan ERVIZAL A.M ZUHUD.
Indonesia kaya akan keanekaragaman hayati, namun kekayaan ini tidak dimanfaatkan semaksimalnya oleh masyarakat. Sumber daya alam tumbuhan yang berkasiat obat hanya 4.4 persen yang dimanfaatkan, karena minimnya pengetahuan dan kurangnya informasi akan potensi tumbuhan obat. Sulitnya mendapatkan informasi mengenai deskripsi tumbuhan obat menyebabkan masyarakat tidak dapat mengenali famili atau spesies tumbuhan obat yang ada di sekitarnya. Pada umumnya informasi tersebut masih berbentuk dokumen teks yang sulit didapat. Penelitian ini mencoba memanfaatkan informasi penting yang ada di dalam dokumen untuk mengidentifikasi famili menggunakan pendekatan heuristik yaitu Genetic programming.
Ciri-ciri botani dalam dokumen dapat digunakan untuk mengidentifikasi famili tumbuhan obat, tiap-tiap spesies memiliki ciri dan karakteristik yang berbeda-beda. Gennetic Programming (GP) dapat menentukan karakteristik atau penciri khusus dari masing-masing famili yang terstruktur ke dalam bentuk tree. Penerapan Genetic Programming dalam sistem identifikasi famili tumbuhan obat bertujuan untuk membantu masyarakat dalam mengidentifikasi famili tumbuhan obat berdasarkan ciri khusus dari tiap spesies tumbuhan yang ada di sekitarnya.
Metode penelitian terdiri atas beberapa tahapan proses yaitu akuisisi data, boolenaize, pembagian data latih dan data uji, evaluasi dan analisa. Proses booleanize dinyatakan dengan bilangan biner 1 dan 0. Data hasil proses booleanizedibagi dua menjadi data latih dan data uji menggunakan metode 5-fold cross validation. Proses training menggunakan Genetic Programming untuk mendapatkan individu terbaik, diawali dengan generate rule atau menciptakan sejumlah individu, lalu individu yang diciptakan dievaluasi yang disebut evaluasi fitness. Selanjutnya dilakukan proses operasi genetika yang dimulai dengan proses turnamen, yang bertujuan menyeleksi individu berdasarkan nilai fitness. Semakin kecil nilai fitness maka individu tersebut mendapatkan peluang untuk terpilih tiap generasinya. Operasi crossover atau proses rekombinasi dua individu dan operasi mutasi atau perubahan satu bagian dari individu, kedua operasi ini bertujuan menyempurnakan individu.
Individu terbaik merupakan solusi yang dicari yaitu berbentuk aturan (rule) klasifikasi dalam mengidentifikasi tumbuhan obat. Aturan klasifikasi terbaik dengan rata-rata akurasi sebesar 86.47% diperoleh pada parameter populasi sebanyak 10.000, jumlah node sebanyak 24 node. Node terdiri atas Function set (AND, OR, NOR) dan terminal set (atribut/penciri). Selain itu, aturan klasifikasi terbaik diperoleh pada probabilitas crosover sebesar 0.9 dan probabilitas mutasi sebesar 0.1 serta jumlah generasi sebanyak 10 generasi. Proses training menghasilkan tiga rule dalam bentuk tree, rule ini menunjukkan struktur ciri yang membedakan dari masing-masing famili. Ketiga rule ini dapat dimanfaatkan masyarakat dalam mengidentifikasi tumbuhan obat.
SUMMARY
INDRA LAKSMANA. Genetic Programming for Medicinal Plant Family Identification System. Supervised by YENI HERDIYENI and ERVIZAL A.M ZUHUD.
Indonesia is rich of biodiversity, but this richness is not fully utilized by the public. Due to lack of knowledge and information about medicinal plant, there are only 4.4 percent of the natural resources medicinal plants that been utilized. Difficulties in obtaining information about medicinal plants description caused people could not recognize the family or species of the medicinal plant in their environment. Generally, that information exists as text document form which is hard to be accessed. This study tries utilized critical information inside the document to identify the families of plant using heuristical approach, genetic programming.
The botanical characteristic inside a document can be used to identify
medicinal plant’s family, as every species has different characteristic and
attributes. The Genetic Programming (GP) is able to determine the charasteristic or special feature of each family that is structurized into a tree form. The
application of Genetic Programming in medicinal plant’s family identification system was aimed to assist the people in identifying medicinal plant’s family
based on special appearance of each plant species on their environment.
This research method consist of several phase of process, i.e. data acquisition, data booleanize, data partition into training and testing data, evaluation, and analysis. The booleanize process stated by binary numbers 1 and 0. The data as the result of booleanize process was divided into two, which are the training and testing data using 5-fold cross validation method. The training process used Genetic Programming to get the best individual, started by a generate rule or creating a number of individuals, and then those individuals was evaluated by an evaluation process called fitness evaluation. After that, genetical operation process was implemented, started by turnament process, which had an objective to select individual based on fitness value. The smaller fitness value gets the higher chances to be chosen on each generation. The crossover operation of recombining process at two individuals and development mutation operation from part of the individual was aimed to fleshing out the individual.
The best individual is merely the expected solution, in the form of classification rule in identifying medicinal plants. The best classification rule with an average accuracy of 86.47% was obtained by population parameter of 10 000, and nodes of 24. Nodes consisted of function set (AND, OR, NOR) and terminal set (attribute/ special mark). In addition, the best classification rules also obtained by setting the crossover probability of 0.9, mutation probability of 0.1 and generation set to 10. The process of the training produced three rules in form of tree, which showed feature structure that differentiate each family. Those could be useful to identify the medicinal plants by public.
© Hak Cipta Milik IPB, Tahun 2013
Hak Cipta Dilindungi Undang-Undang
Dilarang mengutip sebagian atau seluruh karya tulis ini tanpa mencantumkan atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan IPB
Tesis
sebagai salah satu syarat untuk memperoleh gelar Magister Komputer
pada
Program Studi Ilmu Komputer
PEMROGRAMAN GENETIKA UNTUK SISTEM
IDENTIFIKASI FAMILI TUMBUHAN
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR
BOGOR 2013
Judul Tesis : Pemrograman Genetika untuk Sistem Identifikasi Famili Tumbuhan Obat
Nama : Indra Laksmana
NIM : G651110121
Disetujui oleh Komisi Pembimbing
Dr Yeni Herdiyeni, SSi MKom Ketua
Prof Dr Ir Ervizal A.M Zuhud MS Anggota
Diketahui oleh
Ketua Program Studi Ilmu Komputer
Dr Yani Nurhadriyani, SSi MT
Dekan Sekolah Pascasarjana
Dr Ir Dahrul Syah, MScAgr
PRAKATA
Alhamdulillahi rabbil’alamin, puji dan syukur penulis panjatkan kehadirat Allah SWT, karena hanya dengan pertolongan dan rahmat-Nya maka tesis ini dapat diselesaikan. Tesis ini disusun dalam rangka memenuhi salah satu syarat dalam menyelesaikan studi Magister pada Program Studi Ilmu Komputer Fakultas MIPA, Institut Pertanian Bogor.
Bantuan berbagai pihak banyak penulis terima selama proses penyelesaian tesis ini, karena itu pada kesempatan ini penulis menyampaikan rasa hormat dan ucapan terima kasih yang tulus serta penghargaan yang setinggi-tingginya kepada: 1. Ibu Dr Yeni Herdiyeni, SSi MKom, selaku ketua komisi pembimbing, Bapak Prof Dr Ir Ervizal A.M Zuhud, MS selaku anggota komisi pembimbing yang telah meluangkan waktu, pikiran serta keiklasan dalam membimbing dan memberikan arahan, masukan serta dorongan dalam penyelesaian tesis ini. 2. Bapak Dr Ir Agus Buono MSi MKom selaku ketua departemen Ilmu
Komputer serta Ibu Dr Yani Nurhadriyani, SSi MT dan Bapak Toto Haryanto, MKom selaku ketua dan sekretaris Program Studi Ilmu Komputer, Sekolah Pascasarjana IPB yang telah membantu selama penulisan menempuh pendidikan di Program Studi Ilmu Komputer.
3. Direktorat Jendral Pendidikan Tinggi Depdikbud RI atas bantuan berupa beasiswa pendidikan BPPS.
4. Direktur Politeknik Negeri Pertanian Payakumbuh atas ijin dan kesempatan yang diberikan kepada penulis untuk melanjutkan jenjang pendidikan S2. 5. Teman-teman Tim CI, lima sekawan dan seluruh rekan kuliah di Program
Studi Ilmu Komputer atas dukungan, kebersamaan dan semangat saling menguatkan untuk menyelesaikan pendidikan ini dengan sebaik-baiknya. 6. Ayahhanda H Iskandar Anwar dan ibunda Hj Masnidar, ayah mertua H
Syamsu dan ibunda mertua Hj Yusniar, Istri tercinta Rosda Syelly, MKom, ananda Vella Syifa Laksmana dan Farrel Alfaro Laksmana dan segenap sanak
saudara atas do’a, dukungan dan motivasi yang diberikan selama ini.
7. Semua pihak yang telah membantu dan memberikan masukan dalam penelitian hingga tersusun tesis ini.
Semoga hasil penelitian ini dapat bermanfaat bagi pembangunan ilmu pengetahuan serta bagi masyarakat luas.
Bogor, September 2013
DAFTAR ISI
DAFTAR TABEL ii
DAFTAR GAMBAR iii
DAFTAR LAMPIRAN iii
1 PENDAHULUAN
Latar Belakang 1
Tujuan Penelitian 2
Manfaat Penelitian 2
Ruang Lingkup Penelitian 2
2 TINJAUAN PUSTAKA
Taksonomi 3
Teknik Identifikasi 3
Morfologi Tumbuhan 4
Tumbuhan Obat 10
Klasifikasi 10
Heuristik 10
Genetic Programming 11
Inisialisasi Populasi 12
K-Fold Cross-Validation 14
Confusion Matrix 14
3 METODE PENELITIAN
Akuisisi Data 16
Proses Booleanize 17
Pembagian Data 17
Proses Genetic Programming 18
Evaluasi 20
Spesifikasi Perangkat Keras dan Perangkat Lunak 20 4 HASIL DAN PEMBAHASAN
Booleanize 21
Hasil Aturan Klasifikasi 25
Evaluasi 29
5 SIMPULAN DAN SARAN
Simpulan 33
Saran 33
DAFTAR PUSTAKA 34
LAMPIRAN 36
RIWAYAT HIDUP 40
DAFTAR TABEL
1 Kategori dan golongan tumbuhan 3
2 Confusion matrix 15
3 Skenario pembagian data 18
4 Pembagian data tiap famili 18
5 Booleanize habitus 21
6 Booleanize bulu atau rambut 21
7 Booleanize tata letak daun 21
8 Booleanize komposisi daun 22
9 Booleanize bentuk ujung daun 22
10 Booleanize bentuk tepi daun 22
11 Booleanize bentuk daun 22
12 Booleanize pertulangan daun 22
13 Booleanize daun penumpu 22
14 Booleanize percabangan batang 23
15 Booleanize bentuk percabangan 23
16 Booleanize kulit dalam batang 23
17 Booleanize jejak daun 23
18 Booleanize rongga dalam batang 23
19 Booleanize kelengkapan bunga 23
20 Booleanize tata bunga 23
21 Booleanize komposisi bunga 23
22 Booleanize bentuk bunga 24
23 Booleanize komposisi buah 24
24 Booleanize substrat tumbuhan 24
25 Booleanize sifat hidup tumbuhan 24
26 Booleanize cara hidup tumbuhan 24
27 Booleanize bantuk akar tumbuhan 24
28 Booleanize akar berumbi 25
29 Booleanize aromatic 25
30 Nilai parameter yang digunakan 25
31 Aturan famili Lamiaceae 26
32 Aturan famili Apiaceae 27
33 Aturan famili Euphorbiaceae 28
34 Confussion matrix fold 1 29
35 Confussion matrix fold 2 30
36 Confussion matrix fold 3 30
37 Confussion matrix fold 4 31
38 Coufussion matrix fold 5 31
DAFTAR GAMBAR
1 Daun lengkap dan daun tidak lengkap 4
2 Bentuk daun penumpu 5
3 Daun tunggal 5
4 Daun majemuk 5
5 Bentuk ujung daun 6
6 Bentuk pangkal daun 6
7 Bentuk susunan tulang daun 7
8 Bentuk tepi daun 7
9 Bentuk-bentuk daun dengan bagian terlebar di tengah 7 10 Bentuk daun dengan bagian terlebar di bawah tengah daun 8 11 Bentuk daun dengan bagian yang terlebar di atas tengah daun 8 12 Bentuk yang dari pangkal ke ujung sama lebarnya 8
13 Flowchart Genetic Programming 12
14 Contoh struktur pohon Genetic Programming 12
15 K-fold cross-validation 14
16 Metode penelitian 16
17 Contoh model atau aturan identifikasi 18
18 Contoh operasi crossover 19
19 Contoh operasi mutasi 19
DAFTAR LAMPIRAN
1 Hasil Booleanize seluruh data 36
2 Akurasi Pengujian 39
1
PENDAHULUAN
Latar Belakang
Indonesia sebagai negara tropis kaya akan keanekaragaman hayati, memiliki lebih dari 38.000 spesies tanaman (Bappenas 2003). Groombridge dan Jenkins (2002) mencatat sebanyak 22.500 spesies tumbuhan obat tersebar di Indonesia, hanya 4.4 persen dari sumber daya tumbuhan obat tersedia yang dimanfaatkan. Salah satu penyebabnya adalah kurangnya informasi dan minimnya pengetahuan masyarakat akan potensi tumbuhan obat yang ada di sekitarnya. Masyarakat telah mencoba untuk mengklasifikasikan tumbuhan obat dengan cara manual, seperti menggunakan herbarium yang dibantu dengan informasi teks melalui dokumen, paper dan literatur tertulis lainnya. Informasi di dalam teks dokumen banyak misalnya informasi botani, ekologi, distribusi, budidaya, manfaat, kandungan kimia dan masih banyak informasi lainnya yang akan menyulitkan pengklasifikasian secara manual. Proses ini membutuhkan waktu yang lama dan pemahaman khusus, faktor inilah yang menyulitkan masyarakat dalam pengidentifikasian tumbuhan obat, salah satunya indentifikasi famili. Oleh sebab itu dibutuhkan suatu aturan, struktur atau sistem untuk mempermudah dan mempercepat dalam mengidentifikasi famili tumbuhan obat yaitu dengan melakukan pendekatan heuristik.
Metode heuristik telah banyak diterapkan oleh peneliti sebelumnya dalam berbagai hal. Stadler (2001) menerapkan metode heuristik untuk membuat basis data lebih terstruktur dan menjadikannya dalam bentuk tree atau graf. Setiap node merepresentasikan dokumen, satu node dengan node yang lain dihubungkan dengan edge yang diberi label dengan nilai kemiripan antar dokumen. Yuningsih (2009) telah menerapkan metode heuristik dengan Genetic Algorithm (GA) dalam proses pencarian citra yang terbukti 8.89 kali lebih cepat dari pada sistem tanpa implementasi heuristik.
Genetic Programming (GP) adalah pengembangan dari GA yang merupakan algoritme pencarian heuristik, didasari atas mekanisme evolusi biologis. Walker (2001) menjelaskan bahwa GP merupakan pemrograman berakurasi tinggi, menjadikan komputer cerdas dapat menyelesaikan masalah secara otomatis. Yuan et al. (2007) telah membandingkan metode GP dengan beberapa metode lain (Rank Boost, BM25, Rank-SVM) dan menyarankan penggunaan metode GP untuk menangani masalah Information Retrieval (IR). GP secara otomatis memberikan fungsi ranking yang mendefinisikan tingkat relevansi terhadap query, agar informasi yang diberikan sesuai dengan kebutuhan pengguna.
2
Tujuan Penelitian
Menerapkan Genetic Programming (GP) untuk menentukan aturan terbaik dalam mengidentifikasi famili tumbuhan obat berdasarkan bentuk karakteristiknya, serta menganalisis kinerja metode tersebut dengan pengujian tingkat akurasi dari aturan yang didapat.
Manfaat Penelitian
Sistem identifikasi famili tumbuhan obat ini diharapkan dapat membantu masyarakat dengan mudah mengenali famili tumbuhan obat yang berada disekitarnya dan mengetahui ciri khusus dari tiap-tiap familinya.
Ruang Lingkup Penelitian
2
TINJAUAN PUSTAKA
Taksonomi
Lahirnya ilmu taksonomi dikarenakan jumlah makhluk hidup yang begitu banyak. Unsur utama menjadi lingkup taksonomi tumbuhan adalah pengenalan (identifikasi) yang didalamnya tercakup pemberian nama dan penggolongan atau klasifikasi. Taksonomi berasal dari kata yunani, taxis berarti penyusunan atau penataan atau taxon berarti setiap unit yang digunakan dalam klasifikasi obyek biologi dan nomos berarti hukum atau aturan. Kata taksonomi ini dikemukakan pertama kali oleh Decandolle pada tahun 1813, ahli taksonomi berkebangsaan Prancis. Kode Internasional Tatanama Tumbuhan (KTT) menyatakan bahwa setiap tumbuhan (individu) tergolong dalam 7 tingkatan takson berurutan dari bawah ke atas dengan istilah: jenis (species), marga (genus), suku (familia), bangsa (ordo), kelas (classis), devisi (devisio) dan dunia (regnum) (Tjitrosoepomo 1993). Tujuh kategori dan golongan tumbuhan seperti ditunjukkan pada Tabel 1.
Tabel 1 Kategori dan golongan tumbuhan
Kategori Golongan
Kingdom Kerajaan
Divisio Devisi
Classis Kelas
Ordo Ordo
Familia Famili
Genus Genus
Species Spesies
Taksonomi atau sistematika tumbuh-tumbuhan adalah ilmu tentang klasifikasi (penggolongan), nomenklatur (tata nama) dan identifikasi (pengenalan) tumbuh-tumbuhan. Taksonomi tumbuhan merupakan ilmu dasar bagi dendrologi. Dendrologi adalah ilmu yang mempelajari sifat-sifat dan taksonomi, penyebaran, ekologi serta kegunaan (Fahutan 2004).
Teknik Identifikasi
4
Morfologi Tumbuhan
Morfologi tumbuhan merupakan cabang ilmu tumbuhan yang telah berdiri sendiri. Morfologi tumbuhan mempelajari bentuk dan susunan tubuh tumbuhan baik bagian-bagian, bentuk maupun fungsinya. Morfologi tumbuhan dipisahkan menjadi morfologi luar (morfologi saja) dan morfologi dalam (anatomi tumbuhan). Secara klasik tumbuhan terdiri atas tiga organ dasar yaitu akar (radix), batang (caulis) dan daun (folium). Organ-organ lain dapat digolongkan sebagai organ sekunder karena terbentuk dari modifikasi organ dasar seperti bunga, buah, biji dan umbi (Tjitrosoepomo 2009)
Daun (folium)
Daun lengkap mempunyai bagian-bagian seperti upih daun atau pelepah daun (vagina), tangkai daun (petiolus) dan helaian daun (lamina). Sedangkan daun yang tidak lengkap memiliki beberapa kemungkinan: (1) daun hanya terdiri atas tangkai dan helaian saja; (2) daun terdiri atas upih dan helaian saja; (3) daun hanya terdiri atas helaian saja, tanpa upih dan tangkai sehingga daun melekat dan duduk pada batang; (4) daun hanya terdiri atas tangkai saja yang merupakan suatu helaian daun semu atau palsu. Seperti ditunjukkan pada Gambar 1 daun lengkap dan daun tidak lengkap.
Gambar 1 Daun lengkap dan daun tidak lengkap (Sumber Tjitrosoepomo 2009)
Selain bagian-bagian tersebut di atas dan kemungkinan lengkap atau tidaknya bagian-bagian daun, daun pada suatu tumbuhan seringkali punya alat-alat tambahan atau pelengkap berupa:
1. Daun penumpu (stipula)
5
2. Tata letak daun (phyllotaxy)
Tata letak daun adalah bagaimana daun tersusun pada rantingnya, ada tiga bentuk tata letak daun terdiri atas: (Fahutan 2004)
- Opposite (berhadapan, bersilang); daun berpasangan pada ketinggian yang sama, satu pada masing-masing sisi ranting
- Alternate (berseling, spiral); hanya satu helai daun melekat pada setiap buku dan nampak daun-daun itu ditata dalam spiral mengitari ranting. - Verticillate, whorled (berkarang, melingkar); lebih dari satu daun pada
buku yang sama 3. Komposisi daun
Satu daun adalah daun yang terdiri atas tangkai dan helaiannya, berdasarkan hal tersebut komposisi daun ada dua jenis yaitu daun tunggal dan daun majemuk (Fahutan 2004)
a. Daun tunggal (single leaf), daun dengan satu helai daun seperti ditunjukkan pada Gambar 3
Gambar 3 Daun tunggal
(Sumber staf laboratorium ekologi hutan IPB 2004)
b. Daun majemuk, terdiri atas dua atau lebih helai daun yang melekat pada tangkai persekutuan, seperti ditunjukkan pada Gambar 4
Gambar 4 Daun majemuk
(Sumber staf laboratorium ekologi hutan IPB 2004) Gambar 2 Bentuk daun penumpu
6
4. Helaian daun (lamina)
Tumbuhan yang banyak jenis ragamnya mempunyai daun dan helaian berbeda-beda pula, baik mengenai bentuk, ukuran, maupun warnanya. Tidak mudah untuk menemukan dua jenis tumbuhan yang helaian daunnya persis sama bentuk dan warnanya. Banyak yang mencoba membandingkan bentuk helaian daun untuk memperoleh kepastian mengenai jenis tumbuhan (Tjitrosoepomo 2009). Sifat-sifat daun yang perlu mendapat perhatian di antaranya adalah ujung daun (apex folii) seperti ditunjukkan pada Gambar 5, pangkal daun (basis) seperti ditunjukkan pada Gambar 6, susunan tulang daunnya (nervatio atau venatio) seperti ditunjukkan pada Gambar 7 dan tepi daunnya (margo) seperti ditunjukkan pada Gambar 8.
a. runcing b. meruncing c.tumpul d. membulat
e. romping f. terbelah g. berduri
Gambar 5 Bentuk ujung daun
a. runcing b. meruncing c. tumpul d. membulat
e. romping/rata f. berlekuk
7
5. Bentuk daun (circumscriptio)
Bentuk daun berdasarkan letak bagian daun yang terlebar digolongkan menjadi empat:
a. Bagian yang terlebar terdapat di tengah-tengah helaian daun, seperti bulat dan bundar (orbicularis), seperti perisai (peltatus), jorong (ovalis ellipticus), bulat memanjang (oblongus), lanset (lanceolatus), yang bentuknya seperti ditunjukkan pada Gambar 9.
b. Bagian yang terlebar terdapat di bawah pertengahan helaian daun, seperti bulat telur (ovatus), segitiga sama kaki (triangularis), segitiga sama sisi (deltoideus),
a. orbicularis b. peltatus c. ovalis ellipticus
d. oblongus e. lanceolatus
Gambar 9 Bentuk-bentuk daun dengan bagian terlebar di tengah
a. rata b.bergerigi
c bergerigi ganda
d. bergiri e. beringgit f. berombak
Gambar 8 Bentuk tepi daun Gambar 7 Bentuk susunan tulang daun
8
belah ketupat (rhomboideus), yang bentuknya seperti ditunjukkan pada Gambar 10.
c. Bagian yang terlebar terdapat di atas tengah helaian daun, seperti bulat telur sungsang (obovatus), jantung sungsang (obcordatus), segitiga terbalik (cuneatus), sudip atau spatel atau solet (spathulatus), yang bentuknya seperti ditunjukkan pada Gambar 11.
d. Tidak ada bagian yang terlebar atau dari pangkal sampai ujung sama lebar, seperti garis (liniaris), pita (ligulatus), pedang (ensiformis), paku atau dabus (subulatus), jarum (acerosus), bentuknya seperti ditunjukkan pada Gambar 12.
a. ovatus b. triangularis c. deltoideus d. rhomboideus
Gambar 10 Bentuk daun dengan bagian terlebar di bawah tengah daun
a. obovatus b. obcordatus c. cuneatus d. spathulutus
Gambar 11 Bentuk daun dengan bagian yang terlebar di atas tengah daun
a. liniaris b. ligulatus c. ensiformis d. subulatus e. acerosus
9
Batang (caulis)
Batang umumnya mempunyai sifat-sifat berikut:
1. Umumnya berbentuk panjang bulat seperti silinder atau dapat pula mempunyai bentuk lain, akan tetapi selalu bersifat aktinomorf.
2. Terdiri atas ruas-ruas yang masing-masing dibatasi oleh buku-buku dan pada buku-buku ini terdapat daun.
3. Tumbuhnya biasanya keatas menuju cahaya matahari.
4. Selalu bertambah panjang di ujungnya, oleh sebab itu sering dikatakan bahwa batang mempunyai pertumbuhan yang tidak terbatas.
5. Membentuk percabangan, selama hidup tumbuhan tidak digugurkan, kecuali kadang-kadang cabang atau ranting yang kecil.
6. Umumnya tidak berwarna hijau, kecuali tumbuhan yang umurnya pendek. Batang suatu tumbuhan ada bercabang dan ada yang tidak, cara percabangan ada bermacam-macam, biasanya dibedakan tiga macam percabangan yaitu:
1. Monopodial yaitu jika batang pokok selalu tampak jelas, karena lebih besar dan lebih panjang (lebih cepat pertumbuhannya) dari pada cabang-cabangnya. 2. Simpodial yaitu jika batang pokok sukar ditemukan, karena dalam perkembangannya menghentikan pertumbuhannya atau kalah besar atau kalah cepat pertumbuhannya dibandingkan dengan cabang-cabangnya.
3. Mengarpu atau dikotom yaitu cara percabangan setiap kali menjadi dua cabang yang sama besar.
Bunga (flos)
Pada suatu tumbuhan ada kalanya hanya terdapat satu bunga saja atau berbunga tunggal atau terpisah-pisah (flores sparsi), tetapi pada umumnya pada suatu tumbuhan dapat ditemukan banyak bunga atau bunga berkumpul membentuk suatu rangkaian dengan susunan yang beraneka ragam, satu rangkaian bunga itu disebut dengan bunga majemuk. Bunga majemuk dibedakan dalam tiga golongan
1. Bunga majemuk tak berbatas (inflorescentia racemosa, inflorescentia botryoides atau inflorescentia centripetala) yaitu bunga mejemuk yang ibu tangkainya dapat tumbuh terus dan mempunyai susunan acropetal (semakin muda semakin dekat dengan ibu tangkai). Bunga ini akan mekar berturut-turut dari bawah ke atas dan terakhir mekar adalah bunga yang menutupi ibu tangkainya.
2. Bunga majemuk berbatas (inflorescentia cymosa atau inflorescentia centrifuga, inflorescentia definita) yaitu bunga majemuk yang ibu tangkainya selalu tertutup dengan satu bunga, sehingga ibu tangkai mempunyai pertumbuhan terbatas. Bunga yang terdapat di sumbu pokok atau ibu tangkai mekar terlebih dahulu, sehinga pemekaran bunga dari tengah ke pinggir. 3. Bunga majemuk campuran (inflorescentia mixta) yaitu bunga majemuk yang
10
Tumbuhan Obat
Tumbuhan obat merupakan spesies tumbuhan mempunyai khasiat obat, tergolong dalam 3 kelompok, yaitu: (1) tumbuhan obat tradisional merupakan spesies tumbuhan yang telah dipercayai oleh masyarakat mempunyai khasiat obat dan telah digunakan sebagai bahan baku obat tradisional, (2) tumbuhan obat modern merupakan spesies tumbuhan secara ilmiah telah dibuktikan mengandung senyawa bioaktif berkhasiat obat dan penggunaannya dapat dipertanggung-jawabkan secara medis dan (3) tumbuhan obat potensial merupakan spesies tumbuhan mengadung senyawa atau bahan bioaktif berkhasiat obat, tetapi belum dibuktikan secara medis atau penggunaannya sebagai bahan obat tradisional sulit ditelusuri (Zuhud et al. 1994).
Menurut Winarto (2007), definisi umum tumbuhan obat dapat diterima semua pihak adalah tumbuhan berkhasiat sebagai obat dan digunakan sebagai obat. Berkhasiat obat berarti mengandung zat aktif yang berfungsi mengobati penyakit tertentu.
Tumbuhan obat terdiri atas beberapa macam habitus. Habitus berbagai spesies tumbuhan menurut Tjitrosoepomo (1988) adalah sebagai berikut:
1. Pohon merupakan tumbuhan berkayu yang tinggi besar, memiliki satu batang yang jelas dan bercabang jauh dari permukaan tanah.
2. Perdu merupakan tumbuhan berkayu yang tidak terlalu besar dan bercabang dekat dengan permukaan tanah atau di dalam tanah.
3. Semak merupakan tumbuhan berkayu yang mengelompok dengan anggota yang sangat banyak membentuk rumpun, tumbuh pada permukaan tanah dan tingginya dapat mencapai 1 m.
4. Herba merupakan tumbuhan tidak berkayu dengan batang lunak dan berair. 5. Liana merupakan tumbuhan berkayu, yang batangnya menjalar/memanjat
pada tumbuhan lain.
6. Epifit merupakan tumbuhan yang menumpang pada tumbuhan lain sebagai tempat hidupnya.
Klasifikasi
Klasifikasi merupakan proses pencarian model atau fungsi yang dapat menggambarkan dan membedakan kelas data dari suatu objek yang diketahui label kelasnya. Model dihasilkan dari serangkaian proses analisis pembelajaran dan pengujian. Data yang telah diketahui kelasnya dalam proses pembelajaran disebut sebagai data latih yang digunakan untuk membuat suatu model klasifikasi. Proses pengujian adalah tahap pengujian data dengan model klasifikasi untuk mengetahui akurasi model klasifikasi tersebut. Jika akurasi cukup besar, maka model tersebut dapat digunakan untuk mengidentifikasi data yang belum diketahui kelasnya (Han dan Kamber 2001).
Heuristik
11
dan metode ini dapat menemukan solusi terbaik dari sekian banyak kemungkinan solusi, tanpa harus menelusuri ke seluruh kemungkinan solusi yang ada.
Genetic Programming
Genetic Programming pertama kali diperkenalkan oleh Jhon R. Koza, terinspirasi dari pemikiran Jhon Holland yang menciptakan Genetic Algorithm pada tahun 1975. Algoritme yang dibuat berdasarkan teori evolusi Charles Darwin. Tahun 1992 Koza menerapkan Algoritme Genetika untuk membuat sistem atau program komputer yang mampu membuat programnya sendiri (Automatic Programming). Metode tersebut dinamakan Genetic Programming (Lukas 2008), Genetic Programming menciptakan hirarki atau struktur aturan ke dalam bahasa komputer lisp, skema draf sebagai solusinya (Koza 1992).
Genetic Programming adalah pengembangan dari Genetic Algorithm (GA) yang merupakan algoritme pencarian heuristik. Algoritme ini merupakan pencarian yang didasari mekanisme sistem natural yakni genetik dan seleksi alam. Variabel solusi di dalam Genetic Programming dikodekan ke struktur string yang merepresentasikan barisan gen, merupakan karakteristik dari solusi. Himpunan ini disebut populasi. Semua individu dalam populasi merupakan representasi dari solusi. Bagian dari individu disebut sebagai kromosom. Kromosom-kromosom tersebut berevolusi dalam suatu proses iterasi yang berkelanjutan disebut sebagai generasi di setiap generasi. Individu dievaluasi berdasarkan suatu fungsi evaluasi sehingga generasi dalam Genetic Programming akan konvergen pada individu terbaik, dengan harapan ini merupakan solusi optimal.
Genetic Programming menurut Poli et al. (2008) merupakan suatu evolusi teknik komputasi secara otomatis untuk menyelesaikan suatu masalah tanpa perlu diberitahu secara jelas apa yang harus dilakukan dengan menentukan bentuk atau struktur solusi di awal masalah. Genetic Programming lebih bersifat dinamis dibandingkan dengan Genetic Algorithm.
Individu pada penelitian ini merupakan representasi model atau hirarki dokumen berdasarkan famili tumbuhan obat. Populasi merupakan sejumlah aturan yang dibentuk secara acak. Setiap aturan akan dievaluasi berdasarkan fitness tertentu. Proses Genetic Programming secara keseluruhan seperti ditunjukkan pada Gambar 13. Ada tiga langkah utama dalam operasi Genetic Programming:
1. Populasi awal dibuat secara acak dengan setiap individu memiliki ukuran sama.
2. Langkah ini akan dilakukan sampai nilai fitness tercapai atau jumlah generasi terpenuhi.
a. Evaluasi fitness setiap individu dalam populasi,
b. Membuat populasi baru untuk generasi selanjutnya sebanyak M individu hingga jumlah individu terbaik i sama dengan M, berdasarkan fitness yang dihasilkan lakukan operasi genetika berikut, dengan peluang yang telah ditentukan.
i. operasi reproduksi (Pr). ii. operasi mutasi (Pm). iii. operasi rekombinasi (Pc).
12
Gambar 13 Flowchart Genetic Programming (Koza 1992)
Inisialisasi Populasi
Inisialisasi populasi dilakukan setelah menentukan function set dan terminal set. Bentuk primitif dari Genetic Programming adalah himpunan fungsi (function set) dan himpunan argumen (terminal set). Terminal set menyediakan nilai bagi sistem sedangkan function set memproses nilai yang ada dalam sistem. Function set dan terminal set tersebut akan membentuk nodes bagian dari struktur pohon yang menjadi representasinya (Lukas 2008), seperti ditunjukkan pada Gambar 14.
13
Terminal set dalam GP merupakan masukan untuk program yang akan dibentuk, terdiri atas konstanta, variabel dan fungsi yang tidak membutuhkan argumen (zero-argument function). Function set dalam GP merupakan fungsi yang mengolah masukan dari terminal set. Function set dapat berupa fungsi yang umum digunakan dalam struktur pemrograman atau fungsi khusus dibuat sesuai dengan permasalahan yang ingin diselesaikan. Beberapa contoh dari function set yang bisa digunakan dalam GP antara lain:
1. Fungsi boolean, sebagai contoh: AND, OR, NOT.
2. Fungsi aritmatika, sebagai contoh: ADD, SUB, MUL, DIV.
3. Fungsi kondisional, sebagai contoh: IF, IF ELSE, SWITCH CASE. 4. Fungsi perulangan, sebagai contoh: WHILE..DO, REPEAT…UNTIL,
FOR…DO.
5. Subroutine, gabungan fungsi-fungsi dasar atau bahkan fungsi yang ditentukan sendiri sesuai dengan permasalahan yang dihadapi.
Inisialisasi populasi awal akan menjadi dasar pengembangan populasi untuk generasi berikutnya. Dua metode yang umumnya digunakan untuk menginisialisasi populasi yaitu metode full dan grow (Luke 2000).
Struktur pohon yang dihasilkan dengan metode inisialisasi grow akan berbentuk tidak beraturan karena semua bagian node dari struktur pohon program tersebut dibuat secara acak dari function set dan terminal set. Sementara pada metode inisialisasi full, pertama hanya memilih function set untuk menempati bagian node dari struktur pohon sampai mendekati kedalaman maksimal yang sudah ditentukan. Setelah itu hanya dipilih terminal untuk menempati bagian node sisanya sehingga setiap cabang dari struktur pohon akan mencapai kedalaman maksimal. Dengan metode full, setiap struktur pohon dihasilkan akan memiliki struktur simetris satu sama lain
Fungsi Fitness
Fitness function merupakan suatu fungsi yang digunakan untuk mengukur nilai optimal suatu individu. Nilai fitness adalah suatu nilai yang menyatakan baik atau tidak suatu solusi. Nilai fitness ini yang akan dijadikan referensi dalam mencapai nilai optimal, jika nilai fitness tinggi maka akan bertahan hidup, sedangkan jika nilai fitness rendah maka akan mati dalam siklus evolusi (Poli et al. 2008)
Operator Genetika
Operator genetika yang digunakan dalam GP adalah pindah silang, mutasi dan reproduksi (Carvalho et al. 2012):
a. Proses pindah silang (crossover)
Proses pindah silang pada GP adalah menukarkan sebagian struktur pohon dari dua buah individu (parent) dengan titik potong yang dipilih secara acak. Parent dipilih berdasarkan probabilitas dari nilai fitness.
b. Proses mutasi
14
atau argumen yang terdapat pada fungsi set ataupun terminal set yang sudah ditentukan ataupun bisa juga berupa suatu bagian struktur pohon lainnya.
c. Proses reproduksi
Proses reproduksi pada GP tidak ada yang khusus, suatu individu dipilih secara acak dan kemudian dibuat salinannya untuk disertakan dalam populasi berikutnya.
K-Fold Cross-Validation
K-fold Cross-validation digunakan untuk melakukan pelatihan dan pengujian dengan data yang terbagi ke dalam K bagian sama rata dan dilakukan sebanyak K iterasi. Jika jumlah data (N) tidak tepat habis dibagi oleh K, maka bagian akhir akan memiliki data yang lebih daripada bagian K-1 lainnya. Setiap iterasi, K secara bergantian akan menjadi data uji dan bagian K-1 digunakan sebagai data latih. Ilustrasi k-fold Cross-validation seperti ditunjukkan pada Gambar 15 (Bramer 2007).
Gambar 15 K-fold cross-validation (Bramer 2007)
Confusion Matrix
15
Tabel 2 Confusion matrix (Davis dan Goadrich 2006) Actual class
Positif Negatif
Predicted class
Positif TP FP
Negatif FN TN
dengan:
1. TP (True Positive), yaitu jumlah data pada kelas positif terklasifikasi dengan benar.
2. TN (True Negative), yaitu jumlah data pada kelas negarif, benar terklasifikasi sebagai kelas negatif.
3. FP (False Positive), yaitu jumlah data pada kelas positif tetapi tidak terklasifikasi sebagai kelas positif.
4. FN (False Negative), yaitu jumlah data pada kelas negatif tetapi terklasifikasi sebagai kelas positif.
sehingga:
3
METODE PENELITIAN
Tahapan pada proses penelitian ini terdiri atas akuisisi data, booleanize, pembagian data (latih dan uji), Genetic Programming, hasil aturan klasifikasi dan evaluasi, seperti ditunjukkan pada Gambar 16.
Akuisisi data
Booleanize
Evaluasi fitness
Pembagian data
Generate rule
Apakah stop condition terpenuhi
Operasi genetika
Ya
Tidak
Evaluasi
Genetic Programming
Data uji Data latih
Hasil
Akuisisi Data
Data yang digunakan berbentuk dokumen teks berbahasa Indonesia. Dokumen berisi informasi mengenai jenis tumbuhan obat, dokumen tersebut dimiliki oleh bagian Konservasi Keanekaragaman Tumbuhan, Departemen Konservasi Sumber Daya Hutan dan Ekowisata, Fakultas Kehutanan IPB. Dokumen tersebut berbentuk buku dengan judul “Acuan Umum Tumbuhan Obat
Indonesia” jilid I sampai dengan jilid X yang disusun oleh Fakultas Kehutanan IPB bekerja sama dengan Fakultas Kehutanan UGM. Data yang diambil terdiri atas tiga famili tumbuhan obat yaitu famili Lamiaceae sebanyak 26 spesies, Famili Apiaceae sebanyak 24 spesies dan famili Euphorbiaceae sebanyak 31 spesies.
Famili yang digunakan memiliki kemiripan atau kesamaan yang cukup dekat yaitu memiliki kesamaan sifat morfologi (tumbuhan berbunga). Selain itu, berdasarkan jumlah spesies pada dokumen yang dimiliki, tiga famili ini memiliki banyak spesies. Spesies yang digunakan pada famili Lamiaceae adalah Coleus amboinicus, Leonurus sibiricus, Hyptis suaveolens, Coleus scutellarioides, Coleus tuberosus, Leucas lavandulifolia, Rosmarinus officianalis, Salvia coccinea, Salvia
17
splendens, Orthosiphon aristatus, Ajuga reptans, Ocimum basilicum, Hyptis brevipes, Ocimum sanctum, Pogostemon cabin, Menthe arvensis, Thymus serpylum, Thymus vulgaris, Mesona palustris, Clerodendrum paniculatum, Lavandula officinalis, Gomphostemma javanicum, Mentha arvensis, Mentha pulegium, Pogostemon Heyneanus, Pogostemon hortensis. Spesies famili Apiaceae adalah Centella asiatica, Apium graveolens, Foeniculum vulgare, Eryngium foetidum, Hydrocotyle sibthorpioides, Daucus carota, Coriandrum sativum, Pimpinella alpine, Trachyspermum ammi, Petrosolinum crispum, Carum roxburghianum, Pimpinella anisum, Carum copticum, Eryngium bromeliaefolium, eryngium foetidum, cuminum cyminum, Pimpinella saxifrage, Aegopodium podagraria, Angelica sylvestris, Anthriscus sylvestris, Chaerophyllum temulentum, Heracleum sphondylium, Meum athamanticum, Torilis japonica. Spesies famili Euphorbiaceae adalah Acalypha australis, Jatropha podagrica, Jatropha gossypifolia, Euphorbia pulcherrima, Codiacum variegatum, Excoecaria cochinchinensis, Euphorbia plumerioides, Acalypha wilkesiana, Antidesma bunius, Croton tiglium, Bridelia ovate, Glochidion rubrum, Acalypha hispida, Richinus communis, Baccaurea racemosa, Acalypha indiaca, Euphorbia tiraculli, Acalypha microphylla, Phyllanthus acidus, Jatropha curcas, Aleurites moluccana, Euphorbia milli, Pedilanthus tithymaloides, Euphorbia antiquorum, Sauropus androgynous, Phyllanthus emblica, Manihot utilissima, Phyllanthus reticulatus, Phyllanthus niruri, Euphorbia prostate, Euphorbia hirta.
Proses Booleanize
Prosesbooleanize merupakan proses pengkodean atribut. Atribut ini didapat dari proses pemilihan penciri berdasarkan ciri morfologi dalam dokumen tumbuhan obat. Berdasarkan 8 aspek fisik seperti habitus, daun, batang, bunga, buah, akar, aromatik dan habitat, maka terpilih 63 atribut penciri yang akan dikodekan menjadi X0, X1 sampai dengan X62. Informasi setiap spesies akan diubah ke nilai biner berupa angka 0 dan 1 berdasarkan atribut penciri yang digunakan. Angka 0 menunjukkan tidak adanya ciri tersebut pada suatu spesies, sebaliknya 1 menunjukkan suatu spesies memiliki ciri tersebut di dalam dokumen.
Pembagian Data
18
Tabel 4 Pembagian data tiap famili
Famili S1 S2 S3 S4 S5 Total
Bentuk primitif Genetic Programming adalah himpunan fungsi (function set) yaitu AND, OR, NOR dan himpunan argumen (terminal set) yaitu atribut hasil
booleanize. Proses yang dilakukan adalah sebagai berikut:
a. Generate rule
Tahapan generate rule atau inisialisasi generasi yaitu menciptakan sejumlah individu. Individu terdiri atas function set dan terminal set yang dibangkitkan secara acak, dengan ketentuan kedalaman dan jumlah node yang dibatasi. Satu individu menggambarkan satu bentuk model atau aturan yang akan dicari. Contoh model atau aturan seperti ditunjukkan Gambar 17.
XOR
Gambar 17 Contoh model atau aturan identifikasi
b. Evaluasi fitness
19
nilai fitness maka semakin sedikit jumlah kesalahan dalam suatu individu atau semakin baik individu yang terbentuk. Dalam penelitian ini nilai fitness diperoleh dari pengujian data booleanize ke dalam aturan atau individu yang terbentuk.
c. Operasi genetika
Proses operasi genetika diawali dengan seleksi terhadap aturan menggunakan metode tournament. Pemenang tournament adalah individu yang memiliki nilai fitness terkecil, selanjutnya dilakukan operasi elitisme, crossover dan mutasi. Operasi elitisme yaitu menyalin individu pemenang tournament ke dalam populasi baru atau generasi baru. Operasi crossover adalah pertukaran sebagian struktur pohon (gen) dari dua buah individu (parent) dengan titik potong yang dipilih secara acak. Ilustrasi operasi crossover seperti ditunjukkan pada Gambar 18. Operasi mutasi memilih secara acak satu bagian dari struktur pohon (kromosom) dalam satu individu dan mengganti bagian tersebut dengan function set atau terminal set sesuai pada bagian yang terpilih. Proses mutasi seperti berulang ke tahap evaluasi fitness, operasi genetika hingga generasi maksimum terpenuhi.
Model atau aturan klasifikasi yang dihasilkan dari proses GP adalah individu dengan jumlah kesalahan terkecil atau individu dengan nilai fitness terkecil dari generasi terakhir (Stop condition terpenuhi). Satu model atau aturan hanya digunakan untuk satu kelas.
Gambar 18 Contoh operasi crossover
20
Evaluasi
Evaluasi dilakukan untuk menentukan tingakat kaurasi atau kinerja dari setiap model klasifikasi yang dihasilkan. Tingkat akurasi didapat dari jumlah benar hasil prediksi dibandingkan dengan jumlah data uji untuk masing-masing fold. Satu fold terdiri atas tiga kelas. Proses evaluasi ini menggunakan confusion matrix.
Spesifikasi Perangkat Keras dan Perangkat Lunak
Alat yang digunakan dalam penelitian ini terdiri dari perangkat keras dan perangkat lunak dengan spesifikasi sebagai berikut:
a. Software yang digunakan:
Sistem Operas: Sistem Operasi Windows 7 Ultimate 32-bit. Tools dan pemrograman : Notepad++, C# dan Library Small GP. b. Hardware yang digunakan:
4
HASIL DAN PEMBAHASAN
Data yang dimiliki sejumlah 81 spesies. Terdiri atas 26 spesies famili Lamiaceae, 24 sepesies Apiaceae, 31 sepesies Euphorbiaceae. Spesies masing-masing famili memiliki ciri-ciri yang menggambarkan ciri khusus dari familinya. Ciri khusus ini akan dijadikan suatu aturan kasifikasi dalam mengidentifikasi tumbuhan.
Booleanize
Atribut yang terdiri atas 63 penciri yang dikodekan menjadi X0 sampai dengan X62. Atribut penciri ini diambil berdasarkan morfologi tumbuhan obat seperti daun, batang, akar, bunga, buah dan kecendrungan hidup tumbuhan seperti habitat, aroma yang khas, dan habitus. Hasil Booleanize berdasarkan 63 ciri yang terpilih dari 81 spesies, seperti ditunjukkan pada Lampiran 1.
a. Habitus
Penampakan luar dan sifat tumbuh dari suatu tumbuhan digunakan sebagai atribut penciri habitus. Penciri habitus seperti pohon, perdu, semak, herba, liana dan berbulu. Booleanize dari atribut penciri ini seperti ditunjukkan pada Tabel 5 dan 6
Tabel 5 Booleanize habitus
Nama X0 X1 X2 X3
Herba/ terna 1 0 0 0
Semak/ Perdu 0 1 0 0
Liana 0 0 1 0
Pohon 0 0 0 1
Tabel 6 Booleanize bulu atau rambut
Berbulu/ rambut X4
Ada 1
Tidak 0
b. Daun
Daun merupakan organ tumbuhan yang mudah dikenali. Aspek daun yang penting dikaji adalah tata letak daun, komposisi daun, bentuk daun, pertulangan daun dan daun penumpu. Booleanize untuk daun seperti ditunjukkan pada Tabel 7 sampai dengan 13.
Tabel 7 Booleanize tata letak daun
Tata letak X5 X6 X7
Berseling 1 0 0
Berhadapan 0 1 0
22
Tabel 8 Booleanize komposisi daun
Komposisi X8 X9
Tunggal 0 1
Majemuk 1 0
Tabel 9 Booleanize bentuk ujung daun
Ujung daun X10 X11 X12 X13 X14
Runcing 1 0 0 0 0
Meruncing 0 1 0 0 0
Membulat 0 0 1 0 0
Membelah 0 0 0 1 0
Tumpul 0 0 0 0 1
Tabel 10 Booleanize bentuk tepi daun
Tepi daun X15 X16 X17
Rata 1 0 0
Bergerigi 0 1 0
Bergelombang 0 0 1
Tabel 11 Booleanize bentuk daun
Bentuk daun X18 X19 X20 X21 X22 X23
Bulat/bulat telur 1 0 0 0 0 0
Memanjang
(Lanset/jorong/oblong) 0 1 0 0 0 0
Segitiga 0 0 1 0 0 0
Jarum 0 0 0 1 0 0
Liniaris 0 0 0 0 1 0
Menjari 0 0 0 0 0 1
Tabel 12 Booleanize pertulangan daun
Pertulangan daun X24 X25 X26 X27
Menyirip 1 0 0 0
Menjari 0 1 0 0
Melengkung 0 0 1 0
Sejajar 0 0 0 1
Tabel 13 Booleanize daun penumpu
Daun penumpu X28
Ada 1
Tidak 0
c. Batang
23
Tabel 14 Booleanize percabangan batang
Percabangan X29 X30
Monopodial 1 0
Simpodial 0 1
Tabel 15 Booleanize bentuk percabangan
Bentuk percabangan X31 X32
Plagiotropik 1 0
Orthotropik 0 1
Tabel 16 Booleanize kulit dalam batang
Kuit dalam X33 X34 X35 X36
Getah putih 1 0 0 0
Getah kuning 0 1 0 0
Getah merah 0 0 1 0
Getah hitam 0 0 0 1
Tabel 17 Booleanize jejak daun
Jejak daun X37
Ada 1
Tidak 0
Tabel 18 Booleanize rongga dalam batang
Berlubang atau berongga X38
Ada 1
Tidak 0
d. Bunga
Bunga dapat dicirikan oleh kelengkapan bunga (bunga sempurna dan bunga tidak sempurna), tata letak, komposisi dan bentuk bunga. Bunga sempurna adalah bunga yang memiliki alat kelamin jantan (benang sari) dan alat kelamin betina (putik) secara bersama-sama dalam satu organ. Booleanize bunga seperti ditunjukkan pada Tabel 19 sampai 22.
Tabel 19 Booleanize kelengkapan bunga
Kelengkapan X39 X40
Bunga sempurna 1 0
Tidak sempurna 0 1
Tabel 20 Booleanize tata bunga
Tata bunga X41 X42 X43
Dari ketiak daun 1 0 0
Ujung ranting/batang 0 1 0
Dari batang/cabang besar 0 0 1
Tabel 21 Booleanize komposisi bunga
Komposisi X44 X45
Majemuk berbatas 1 0
24
Tabel 22 Booleanize bentuk bunga
Bentuk bunga X46 X47 X48
Bulir 1 0 0
Malai 0 1 0
Payung 0 0 1
e. Buah
Buah dicirikan oleh jumlah buah atau komposisi buah, Booleanize buah seperti ditunjukkan pada Tabel 23.
Tabel 23 Booleanize komposisi buah
Komposisi X49 X50
Buah tunggal 1 0
Buah majemuk 0 1
f. Habitat
Lingkungan atau tempat suatu makhluk hidup tinggal dan berkembang biak dapat dicirikan dalam habitanya seperti subtract, sifat hidup, dan cara hidup. Booleanize habitat seperti ditunjukkan pada Tabel 24 sampai 26.
Tabel 24 Booleanize substrat tumbuhan Substrat X51 X52 X53 X54
Berair (tergenang) 1 0 0 0
Berlumpur 0 1 0 0
Lembab/cukup 0 0 1 0
Kering 0 0 0 1
Tabel 25 Booleanize sifat hidup tumbuhan
Sifat hidup X55 X56
Toleran 1 0
In-toleran 0 1
Tabel 26 Booleanize cara hidup tumbuhan
Cara hidup X57 X58
Bergerombol 1 0
Menyebar 0 1
g. Akar
Secara umum akar terdiri atas dua jenis yaitu akar serabut dan akar tunggang. Atribut penciri akar yang digunakan berdasarkan bentuk akar seperti umbi, serabut dan tunggang. Booleanize akar seperti ditunjukkan pada Tabel 27 dan 28.
Tabel 27 Booleanize bantuk akar tumbuhan
Bentuk akar X59 X60
Serabut 1 0
25
Tabel 28 Booleanize akar berumbi
Akar Berumbi X61
Ada 1
Tidak 0
h. Aromatik
Tumbuhan banyak memiliki aroma yang khas pada masing-masing spesies, peneliti juga memasukkan atribut bau atau aromatik ke dalam penciri. Aromatik biasanya berada pada batang, akar, daun ataupun semua bagian tumbuhan tersebut. Booleanize aromatik seperti ditunjukkan pada Tabel 29.
Tabel 29 Booleanize aromatic
Aromatik X62
Ada 1
Tidak 0
Hasil Aturan Klasifikasi
Data dibagi dua menggunakan metode k-fold cross validation ke dalam data latih dan data uji dengan proporsi 80% dan 20%. Selanjutnya dilakukan proses pelatihan untuk menghasilkan aturan klasifikasi. Proses training data latih dengan Genetic Programming menggunakan parameter seperti ditunjukkan pada Tabel 30.
Tabel 30 Nilai parameter yang digunakan
Parameter Nilai parameter
Jumlah generasi 10, 20, 25
Ukuran populasi 10.000, 50.000, 100.000
Crossover 0.9
Mutasi 0.1
Kedalaman tree 5
Maximum node 18, 20, 24
Percobaan dilakukan berulang-ulang berdasarkan paremeter yang ditunjukkan pada Tabel 30 hingga mendapatkan aturan terbaik. Aturan terbaik didapat pada generasi ke 10, dari populasi sebesar 10 000 dan 24 maximum node. Genetic Programming menghasilkan tiga aturan klasifikasi dalam bentuk tree yaitu aturan untuk famili Lamiaceae, Apiaceae dan Euphorbiaceae, aturan ini menunjukkan struktur ciri yang membedakan masing-masing famili.
a. Famili Lamiaceae
Hasil Genetic Programming dari 26 spesies famili Lamiaceae terpilih sembilan atribut penciri dengan kombinasi tiga operator AND, OR, NOR. Aturan
26
Tabel 31 Aturan famili Lamiaceae
Aturan Boolean
Jika (komposisi daun “Tunggal” X8
dan ((Bentuk bunga “bulir” X46 atau
“malai” X47) dan (tidak“memiliki
penumpu daun”X28 atau tidak bentuk
bunga “payung” X48))) dan
((“Berbulu”X4 atau “Aromatik”X62)
dan (Cara hidup “Bergerombol” X57
atauTepi daun“Bergerigi”X16))
Tingkat kepentingan suatu penciri famili Lamiaceae dapat dilihat berdasarkan level operatornya. Level pertama dan kedua memiliki operator yang sama yaitu operator AND, artinya akan bernilai benar (true) jika dua masukan
dibawahnya bernilai benar (true). Penciri X8 (komposisi daun tunggal) merupakan penciri yang sangat penting untuk famili Lamiaceae, karena penciri ini adalah salah satu masukan dari operator AND di level dua. Level ke tiga terdapat (memiliki penumpu daun) tidak dimiliki oleh famili Lamiaceae. Pada operator OR
salah satu dari kedua penciri X47 (bentuk bunga malai) dan X46 (bentuk bunga bulir) harus bernilai benar, karena operator ini merupakan masukan dari operator
AND.
Ciri dari famili Lamiaceae menurut Keng (1978) dan Balgooy (2001) adalah herba atau perdu kadang-kadang semak, berbulu (Gomphostemma), sering berbau harum (aromatik) dengan batang hampir semua segiempat, daun tungal yang melintang berhadapan (decussate) dan tanpa daun penumpu, bunga biseksual, jarang berkelamin tunggal dan simetris (zygomorphic), Kelopak berdaun lekat, sering bergigi 5, berlekuk 5 atau berbagi 5, kadang-kadang berbibir 2. Mahkota hampir seluruhnya berbilangan 5 atau berbibir 2, buah berbelah terpecah dalam 4 bagian.
Penciri yang dihasilkan GP tidak semuanya sama dengan penciri menurut Keng (1978) dan Balgooy (2001). Ada empat penciri yang mewakili dari sembilan penciri yang dihasilkan proses GP yaitu berbulu, aromatic, daun tungal dan tanpa daun penumpu. Selain jumlah data dan kelengkapan penciri yang dimiliki, perbedaan ini dikarenakan Function set atau operator yang digunakan yaitu fungsi boolean (AND, OR, NOR). Fungsi boolean dapat mengurangi atribut penciri yang
27
b. Famili Apiaceae
Hasil Genetic Programming dari 24 spesies famili Apiaceae terpilih tujuh atribut penciri dengan kombinasi tiga operator AND, OR, NOR yang dapat
membedakan famili ini dengan famili Lamiaceae dan Euphorbiaceae. Aturan yang dihasilkan seperti ditunjukkan pada Tabel 32.
Tabel 32 Aturan famili Apiaceae
Aturan Boolean
Jika(bunga berbentuk “payung”X48
danBatang “berongga”X38) dan
((tidak habitus “Pohon” X3 atau tidak
“memiliki daun penumpu”X28) dan
((komposisi daun”Majemuk”X9 atau
cara hidup “Bergerombol”X57) dan
(bunga berbentuk “Payung”X48 atau
Tingkat kepentingan suatu penciri famili Apiaceae dapat dilihat berdasarkan level operatornya. Level pertama dan kedua memiliki operator yang sama yaitu operator AND, artinya akan bernilai benar (true) jika dua masukan dibawahnya
bernilai benar (true). Penciri X38 (batang berongga) dan X48 (bunga berbentuk payung) merupakan penciri yang sangat penting untuk famili Apiaceae, karena penciri ini adalah salah satu masukan dari operator AND di level dua. Level ke tiga
terdapat operator NOR dan AND. Operator NOR bernilai benar (true) jika dua
masukannya bernilai salah (false), artinya penciri X28 (memiliki daun penumpu) dan X3 (habitus pohon) tidak dimiliki oleh famili Apiaceae. Operator AND
memiliki masukan dari dua operator OR di level empat, artinya salah satu penciri X48 (bentuk bunga payung), X39 (bunga sempurna) harus bernilai benar dan salah satu penciri X57 (hidup bergerombol), X9 (komposisi daun majemuk) juga harus bernilai benar.
Ciri dari famili Apiaceae menurut Keng (1978) dan Tjitrosoepomo (2004) adalah Terna dengan saluran-saluran minyak dalam akar, batang berongga, permukaan beralur, daun majemuk berganda, pangkal tangkainya melebar menjadi upih, bersilangan (alternate), jarang berhadapan, tanpa daun penumpu. Bunga majemuk berupa payung, payung majemuk atau bongkol, kebanyakan banci. Kelopak kecil berlekuk 5, menempel pada bakal buah. Mahkota terdiri atas 5 daun mahkota yang bebas yang ujungnya membengkok ke dalam. Benang sari 5, berseling dengan daun-daun mahkotanya, kepala sari beruang 2, membuka dengan celah membujur. Bakal buah tenggelam, tertutup oleh pangkal 2 tangkai putik yang menebal, beruang 2, tiap ruang dengan 1 bakal biji. Buahnya buah berbagi, berusuk, bila masak terpisah menjadi 2 bagian berisi satu biji dan tetap bergantungan pada suatu karprof. Dalam kulit buah terdapat saluran-saluran minyak yang sejajar. Biji dengan endosperm seperti tanduk.
28
majemuk, tanpa daun penumpu, bunga payung dan bunga sempurna (bunga banci). Selain jumlah data dan kelengkapan penciri yang dimiliki, perbedaan ini dikarenakan Function set atau operator yang digunakan adalah fungsi boolean. Fungsi boolean dapat mengurangi atribut penciri yang berlebihan, sehingga GP dapat menghasilkan struktur aturan klasifikasi dengan beberapa penciri yang membedakan famili ini dengan famili Lamiaceae dan Euphorbiaceae.
c. Famili Euphorbiaceae
Hasil Genetic Programming dari 31 spesies famili Euphorbiaceae terpilih enam atribut penciri dengan kombinasi dua operator AND, OR yang dapat
membedakan famili ini dengan famili Lamiaceae dan Apiaceae. Aturan yang dihasilkan seperti ditunjukkan pada Tabel 33.
Tabel 33 Aturan famili Euphorbiaceae
Aturan Boolean
Jika ((“terlihat jejak daun”X37) dan
(“memiliki penumpu daun”X28dan
“Bergetah putih”X33))
atau
((“Bergetah putih”X33 dan Habitus
“Pohon”X3) atau ((“bunga tidak
sempurna”X40 atau “terlihat jejak
daun”X37) dan (hidup “menyebar”X58
Tingkat kepentingan suatu penciri famili Euphorbiaceae dapat dilihat berdasarkan level operatornya. Pada level pertama terdapat operator OR, artinya
akan bernilai benar (true) jika salah satu masukan dibawahnya (OR dan AND)
bernilai benar (true). Peninjauan awal dilakukan pada operator AND di level dua.
Jika penciri X37 (terlihat jejak daun), X33 (bergetah putih) dan X28 (memiliki penumpu daun) bernilai benar, maka tidak perlu lagi meninjau ke bagian operator
OR di level dua. Sebaliknya jika salah satu dari ketiga penciri ini salah (false)
maka perlu meninjau masukan lain pada operator OR di level dua.
Operator OR di level dua mendapat masukan dari operator AND, artinya tidak
perlu meninjau kedua masukan jika salah satu operatornya telah bernilai benar. Sebaliknya jika salah satu dari penciri X33 (bergetah putih) dan X3 (habitus pohon) ini salah (false) maka perlu meninjau masukan lain pada operator AND di
level tiga. Pada masukan operator AND ini, mendapatkan masukan dari dua
operator OR, atinya salah satu penciri X28 (memiliki penumpu daun), X58 (hidup
menyebar) harus bernilai benar dan salah satu penciri X37 (terlihat jejak daun) dan X40 (bunga tidak sempurna) juga harus bernilai benar.
29
hiasan bunga rangkap atau tunggal, biasanya bertangkai dalam bunga majemuk yang berganda. Hampir semua bagian tubuh tumbuhan dalam suku ini mengandung getah yang terdapat dalam saluran-saluran getah yang dapat hanya terdiri atas satu sel saja yang panjang dan bercabang-cabang serta bersambungan satu sama lain.
Penciri yang dihasilkan tidak semuanya sama dengan penciri menurut Keng (1978) dan Tjitrosoepomo (2004). Ada empat penciri yang mewakili dari enam penciri yang dihasilkan proses GP yaitu Habitus pohon, memiliki daun penumpu, bunga tidak sempurna (hampir selalu berkelamin tunggal) dan bergetah putih (mengandung getah). Selain jumlah data dan kelengkapan penciri yang dimiliki, perbedaan ini dikarenakan Function set atau operator yang digunakan adalah fungsi boolean. Fungsi boolean dapat mengurangi atribut penciri yang berlebihan, sehingga GP dapat menghasilkan struktur aturan klasifikasi dengan beberapa penciri yang dapat membedakan famili ini dengan famili Lamiaceae dan Apiaceae.
Evaluasi
Data berjumlah 81 spesies tumbuhan obat yang terdiri atas tiga famili, dibagi menjadi data latih dan data uji. Fold 1 memiliki data latih sebanyak 64 spesies dan data uji sebanyak 17 spesies. Hasil dari fold 1 seperti ditunjukkan pada Tabel 34.
Tabel 34 Confussion matrix fold 1
Fold 1
Actual Class
Lamiaceae Apiaceae Euphorbiaceae Bukan
ketiga famili
Predicted Class
Lamiaceae 6 0 0 0
Apiaceae 0 3 0 0
Euphorbiaceae 0 0 7 0
Bukan ketiga
famili 0 1 0 0
Tujuh belas spesies sebagai data uji berasal dari famili Lamiaceae, Apiaceae dan Euphorbiaceae, masing-masing sebanyak 6, 4 dan 7 spesies. Tabel 34 menunjukkan ada satu kesalahan dalam pengklasifikasian. Kesalahan ini terjadi pada spesies Eryngium foetidum dari famili Apiaceae. Kesalahan terjadi karena satu penciri penting berdasarkan aturan yang didapat tidak dimiliki spesies ini. Penciri penting tersebut di tunjukkan pada operator AND yang mengisaratkan
bahwa dua masukannya (penciri) harus bernilai benar (true). Batang berongga dan (AND) bunga berbentuk payung, menunjukkan bahwa dua penciri ini harus dimiliki
pada spesiesnya, sedangkan spesies Eryngium foetidum bunganya bentuk bulir. Menurut Keng (1978) dan Tjitrosoepomo (2004), famili Apiaceae juga memiliki ciri tata letak daun bersilangan dan jarang berhadapan. Dua penciri ini tidak dilengkapi dengan operator AND, OR, NOR, sehingga tidak diketahui
30
Tabel 35 Confussion matrix fold 2
Fold 2
Actual Class
Lamiaceae Apiaceae Euphorbiaceae Bukan ketiga
famili
Predicted Class
Lamiaceae 3 0 1 0
Apiaceae 0 5 0 0
Euphorbiaceae 1 0 5 0
Bukan ketiga
famili 1 0 0 0
Data uji pada fold 2 sebanyak 16 spesies yang berasal dari famili Lamiaceae, Apiaceae dan Euphorbiaceae, masing-masing sebanyak 5, 5 dan 6 spesies. Tabel 35 menunjukkan ada tiga kesalahan dalam pengklasifikasian. Kesalahan ini terjadi pada famili Lamiaceae (spesies Menthe arvensis dan Thymus vulgaris) dan famili Euphorbiaceae (spesies Aleurites moluccana). Spesies Menthe arvensis tidak teridentifikasi, karena spesies ini tidak memiliki penciri penting dari ketiga aturan yang terbentuk. Spesies Thymus vulgaris teridentifikasi sebagai famili Euphorbiaceae, sebaliknya sepesies Aleurites moluccana dari famili Euphorbiaceae teridentifikasi sebagai famili Lamiaceae. Penyebab kesalahan karena penciri aromatik dimiliki oleh spesies Aleurites moluccana dan tidak dimiliki spesies Thymus vulgaris. Kesalahan ini dipengaruhi oleh operator AND,
yang menyatakan bahwa dua penciri masukan (atribut penciri) harus dimiliki oleh spesiesnya. Akurasi hasil identifikasi fold 2 yaitu 81.25%. Perhitungannya adalah sebagai berikut
Tabel 36 Confussion matrix fold 3
Fold 3
Actual Class
Lamiaceae Apiaceae Euphorbiaceae Bukan ketiga
famili
Predicted Class
Lamiaceae 4 0 0 0
Apiaceae 0 5 0 0
Euphorbiaceae 1 0 5 0
Bukan ketiga
famili 0 0 1 0
Data uji pada fold 3 sebanyak 16 spesies yang berasal dari famili Lamiaceae, Apiaceae dan Euphorbiaceae, masing-masing sebanyak 5, 5 dan 6 spesies. Hasil klasifikasi pada fold 3 seperti ditunjukkan pada Tabel 36. Terdapat dua kesalahan klasifikasi yaitu pada famili Lamiaceae (spesies Ocimum sanctum) dan famili Euphorbiaceae (spesies Euphorbia tiraculli). Kesalahan klasifikasi terjadi karena spesies Euphorbia tiraculli tidak memiliki daun penumpu dengan operator
OR.Operator OR menunjukkan salah satu dari kedua penciri harus dimiliki oleh
31
sempurna, bukan habitus pohon dan tidak memiliki jejak daun, sehingga tidak teridentifikasi sebagai famili Euphorbiaceae. Spesies ini tidak memiliki penciri penting dari ketiga aturan yang terbentuk. Spesies Ocimum sanctum dianggap salah karena memiliki ciri penting kedua aturan yang terbentuk, sehingga teridentifikasi ke dalam dua famili yaitu famili Lamiaceae dan Euphorbiaceae. Akurasi hasil identifikasi pada fold 3 yaitu 87.50%. Perhitungannya adalah sebagai berikut:
Tabel 37 Confussion matrix fold 4
Fold 4
Actual Class
Lamiaceae Apiaceae Euphorbiaceae Bukan ketiga
famili
Predicted Class
Lamiaceae 4 0 0 0
Apiaceae 0 5 0 0
Euphorbiaceae 1 0 5 0
Bukan ketiga
famili 0 0 1 0
Data uji pada fold 4 sebanyak 16 spesies yang berasal dari famili Lamiaceae, Apiaceae dan Euphorbiaceae, masing-masing sebanyak 5, 5 dan 6 spesies. Hasil klasifikasi pada fold 4 seperti ditunjukkan pada Tabel 37. Terdapat kesalahan dalam mengidentifikasi spesies Rosmarinus officianalis dan Croton tiglium. Kesalahan ini terjadi karena spesies Croton tiglium tidak memiliki getah putih dengan operator OR. Seperti layaknya aturan famili Euphorbiaceae spesies ini
tidak habitus pohon atau bergetah puth, sehingga spesies ini tidak memiliki penciri penting dari ketiga aturan yang terbentuk. Spesies Rosmarinus officianalis merupakan famili Lamiaceae teridentifikasi sebagai famili Euphorbiaceae, karena spesies Rosmarinus officianalis memiliki getah putih layaknya aturan famili Euphorbiaceae. Akurasi hasil identifikasi pada fold 4 yaitu 87.50%. Perhitungannya adalah sebagai berikut:
Tabel 38 Coufussion matrix fold 5
Fold 5
Actual Class
Lamiaceae Apiaceae Euphorbiaceae Bukan ketiga
famili
Predicted Class
Lamiaceae 3 0 0 0
Apiaceae 0 5 0 0
Euphorbiaceae 1 0 5 0
Bukan ketiga
famili 1 0 1 0
32
klasifikasi pada fold 4 seperti ditunjukkan pada Tabel 38. Terjadi kesalahan identifikasi pada spesies Coleus amboinicus, Leonurus sibiricus dan Jatropha gossypifolia. Kesalahan ini terjadi karena spesies Coleus amboinicus terlihat jejak daun, sedangkan aturan yang terbentuk dari hasil GP dengan operator NOR, dimana
operator ini akan bernilai benar jika tidak memiliki kedua masukan (atribut penciri). Spesies Jatropha gossypifolia tidak memiliki penumpu daun layaknya aturan famili Euphorbiaceae. Aturan yang terbentuk menggunakan operator AND,
sehingga kedua spesies ini tidak memiliki penciri penting ketiga aturan yang terbentuk. Spesies Leonurus sibiricus merupakan famili Lamiaceae tetapi teridentifikasi sebagai famili Euphorbiaceae, karena spesies ini memiliki jejak daun yang merupakan penciri penting famili Euphorbiaceae. Akurasi hasil identifikasi pada fold 5 yaitu 81.25%. Perhitungannya adalah sebagai berikut:
Evaluasi kinerja sistem diperoleh dari rata-rata nilai akurasi seluruh fold sebesar 86.32%. Perhitungannya adalah sebagai berikut:
5
SIMPULAN DAN SARAN
Simpulan
Genetic Programming dengan metode booleanizing dapat digunakan untuk mendeskripsikan ciri famili Lamiaceae, Apiaceae dan Euphorbiaceae dalam pengidentifikasian famili tumbuhan obat. Percobaan ini dilakukan berulang-ulang hingga mendapatkan aturan atau rule dalam bentuk tree yang terbaik. Percobaan dimulai dari perubahan jumlah generasi, jumlah maksimal node dan kedalaman tree. Pemilihan node yang teridiri atas operator (function set) dan atribut (terminal set)dilakukan secara acak untuk setiap proses generate tree, crossover dan mutasi. Operator yang digunakan adalah Booleanize seperti AND, OR, NOR yang dapat
mengurangi atribut penciri yang berlebihan.
Rule atau aturan yang dihasilkan Genetic Programming dapat mengidentifikasi famili Lamiaceae, Apiaceae dan Euphorbiaceae dengan akurasi 86.32%. Masyarakat dapat memanfaatkan hirarki yang dihasilkan oleh proses Genetic Programming ini untuk mengetahui penciri penting setiap famili dalam mengidentfikasi famili tumbuhan obat.
Saran
