VISUALISASI SILSILAH VARIETAS KEDELAI MENGGUNAKAN
ALGORITME DIRECTED ACYCLIC GRAPH
AYU RIZA BESTARY
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi yang berjudul Visualisasi Silsilah Varietas Kedelai Menggunakan Algoritme Directed Acyclic Graph 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 skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor.
ABSTRAK
AYU RIZA BESTARY. Visualisasi Silsilah Varietas Kedelai Menggunakan Algoritme Directed Acyclic Graph. Dibimbing oleh FIRMAN ARDIANSYAH dan DESTA WIRNAS.
Data silsilah varietas kedelai hasil pemuliaan di Indonesia saat ini masih sulit untuk ditelusuri. Penelusuran silsilah varietas kedelai berguna untuk mengetahui garis keturunan varietas kedelai sehingga dapat mempermudah proses penentuan varietas yang akan digunakan untuk kegiatan pemuliaan tanaman kedelai. Pendekatan visualisasi informasi berbasis graf dapat merepresentasikan silsilah varietas. Terdapat 121 varietas kedelai yang direpresentasikan dengan nodes. Sementara itu, keterhubungan setiap varietas direpresentasikan dengan edges. Banyaknya keturunan sebuah varietas kedelai direpresentasikan dengan besarnya ukuran node. Adapun metode pemuliaan tanaman yang digunakan untuk menghasilkan varietas direpresentasikan melalui warna yang berbeda. Algoritme Directed Acyclic Graph digunakan untuk memperjelas bentuk graf visualisasi yang dihasilkan dengan cara membentuk edge yang selalu mengarah ke bawah. Visualisasi diimplementasikan dalam aplikasi berbasis web sehingga pengguna dapat berinteraksi dan mengeksplorasi data silsilah tersebut untuk mendapatkan pengetahuan mengenai silsilah varietas kedelai.
Kata kunci: visualisasi Informasi, silsilah varietas kedelai, directed acyclic graph
ABSTRACT
AYU RIZA BESTARY. Visualization of Soybean Varieties Pedigree Using Directed Acyclic Graph Algorithm. Supervised by FIRMAN ARDIANSYAH and DESTA WIRNAS.
The pedigree data of soybean varieties in Indonesia is still difficult to be traced. Soybean varieties genealogy is useful in recognizing the lineage of soybean varieties. It can simplify the process of determining varieties that will be used for soybean breeding. Graph based information visualization is used to represent the pedigree varieties. 121 varieties of soybean are represented by nodes. Moreover the relationship between varieties are represented by edges. A variety that produces many offspring is represented by size of node, while the plant breeding methods are represented by colors. This research applies Directed Acyclic Graph algorithm to clarify the form of the graph visualization by forming the edges to always point downwards. The visualization is implemented in a web based application where users can interact and explore the pedigree data to gain knowledge about soybean varieties pedigree.
Skripsi
sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer
pada
Departemen Ilmu Komputer
VISUALISASI SILSILAH VARIETAS KEDELAI MENGGUNAKAN
ALGORITME DIRECTED ACYCLIC GRAPH
AYU RIZA BESTARY
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
Penguji:
Judul Skripsi : Visualisasi Silsilah Varietas Kedelai Menggunakan Algoritme Directed Acyclic Graph
Nama : Ayu Riza Bestary NIM : G64100030
Disetujui oleh
Firman Ardiansyah, SKom MSi Pembimbing I
Dr Desta Wirnas, SP MSi Pembimbing II
Diketahui oleh
Dr Ir Agus Buono, MSi MKom Ketua Departemen
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan Desember 2013 ini ialah visualisasi informasi, dengan judul Visualisasi Silsilah Varietas Kedelai Menggunakan Algoritme Directed Acyclic Graph.
Terima kasih penulis ucapkan kepada Bapak Firman Ardiansyah SKom MSi dan Ibu Dr Desta Wirnas SP MSi selaku pembimbing, serta Ibu Dr Yani Nurhadryani, SSi MT yang telah banyak memberi saran. Ungkapan terima kasih juga disampaikan kepada mama, papa, serta seluruh keluarga, atas segala doa dan kasih sayangnya. Disamping itu penulis juga mengungkapkan rasa terima kasih kepada sahabat-sahabat tercinta, yaitu Vivi Antania, Ihsan Anggara, Indry Dessy Nurpratami, Nur Endah Setiani, Wahyu Dwi Atmoko, Yaumil Khoiriyah, Abdurrasyid Hasim, Bayu Sasrabau Setiahartono, dan seluruh teman-teman Ilmu Komputer angkatan 47 yang telah banyak memberi semangat dan dukungan kepada penulis. Semoga karya ilmiah ini bermanfaat.
DAFTAR TABEL
1 Contoh data awal yang diperoleh 8
2 Contoh data hasil pemangkasan atribut 8
3 Contoh data sebelum dilengkapi 8
4 Contoh data setelah dilengkapi 9
5 Contoh data berisi negara asal kedelai 9
6 Contoh data pada tabel nodes 12
7 Contoh data pada tabel edges 12
8 Pengelompokan nodesberdasarkan metode pemuliaan tanaman dan
warna yang mewakilinya 14
9 Contoh data pada tabel nodes setelah penghitungan bobot nodes 15
DAFTAR GAMBAR
1 Metode Penelitian (Chi 1999) 3
2 Alur tahapan visualization transformation 5
3 Alur tahapan visual mapping transformation 6
4 Rancangan posisi nodes 10
5 Rancangan ukuran nodes 11
6 Hasil graf menggunakan random layout 13
7 Hasil perbaikan bentuk graf dengan algoritme Directed Acyclic
Graph 13
8 Penerapan partition dengan metode pemuliaan sebagai parameter
pewarnaan 14
9 Penerapan ranking pada graf 15
10 Graf akhir dengan label pada nodes 15
DAFTAR LAMPIRAN
1 Pseudocode algoritme Directed Acyclic Graph 19
2 Penerapan interaksi select pada aplikasi 22
3 Penerapan interaksi explore pada aplikasi 23
4 Penerapan interaksi reconfigure pada aplikasi 24 5 Penerapan interaksi abstract pada aplikasi 25
6 Penerapan interaksi filter pada aplikasi 26
PENDAHULUAN
Latar Belakang
Kedelai (Glycine max L.) merupakan salah satu komoditas pangan penting di Indonesia setelah padi dan jagung. Kebutuhan kedelai terus meningkat seiring dengan pertumbuhan jumlah penduduk dan kebutuhan bahan industri olahan pangan seperti tahu, tempe, kecap, susu kedelai, tauco dan snack (Balitbang Deptan 2005). Untuk memenuhi kebutuhan kedelai dalam negeri, peningkatan produktivitas kedelai di Indonesia diperlukan. Dalam upaya meningkatkan produktivitas usaha tani kedelai di Indonesia, ketersediaan varietas unggul dan benihnya yang bermutu tinggi, juga penggunaan teknik-teknik budidaya lainnya sangat diperlukan (Nugraha 2008).
Varietas unggul dihasilkan melalui program pemuliaan tanaman. Pemuliaan tanaman (plant breeding) adalah perpaduan antara seni (art) dan ilmu (science) dalam merakit keragaman genetik suatu populasi tanaman tertentu menjadi populasi baru yang lebih baik atau lebih unggul dari sebelumnya (Syukur et al. 2012). Varietas-varietas baru tersebut merupakan perbaikan dari varietas sebelumnya sehingga menghasilkan silsilah keturunan varietas kedelai. Data keturunan varietas kedelai yang tersedia masih sulit untuk ditelusuri. Penelusuran silsilah varietas kedelai seringkali dilakukan untuk mencari informasi apakah dua varietas yang berbeda berasal dari keturunan yang sama dalam proses penentuan varietas kedelai mana yang akan digunakan dalam kegiatan pemuliaan tanaman selanjutnya.
Data keturunan varietas kedelai ini dapat dimodelkan dengan visualisasi informasi menggunakan struktur berbasis silsilah. Visualisasi data silsilah memungkinkan pemulia dan peneliti untuk membuat keputusan yang lebih efisien berkaitan dengan persilangan tanaman dalam rangka mengembangkan varietas tanaman baru (Shaw et al. 2013).
Penelitian ini merepresentasikan data silsilah varietas kedelai dengan visualisasi berbentuk graf. Algoritme Directed Acyclic Graph diterapkan untuk menghasilkan graf berarah yang tidak memiliki cycle (Papamanthou 2004). Directed Acyclic Graph memperjelas bentuk graf dengan membentuk edge yang selalu mengarah ke bawah.
Perumusan Masalah
Setiap varietas baru kedelai merupakan keturunan dari varietas yang sudah ada sebelumnya sehingga menghasilkan silsilah varietas kedelai. Informasi silsilah varietas kedelai masih sulit untuk ditelusuri. Visualisasi informasi dapat memudahkan pengguna dalam mencari informasi silsilah varietas kedelai dengan merepresentasikannya dalam grafis. Dari permasalah tersebut, muncul pertanyaan sebagai berikut:
1 Bagaimana model visualisasi silsilah keturunan varietas kedelai?
2
Tujuan Penelitian
Tujuan penelitian ini adalah memodelkan silsilah varietas kedelai guna memberikan kemudahan penelusuran dan pencarian informasi mengenai keturunan varietas unggul kedelai di Indonesia.
Manfaat Penelitian
Hasil penelitian ini diharapkan dapat dimanfaatkan oleh para peneliti dan pemulia kedelai dalam mencari informasi terkait keturunan varietas kedelai untuk keperluan mengembangkan dan memuliakan varietas kedelai di Indonesia.
Ruang Lingkup Penelitian
Ruang lingkup penelitian ini adalah:
1 Visualisasi diterapkan untuk memodelkan silsilah varietas hasil pemuliaan kedelai di Indonesia.
2 Sasaran utama pengguna aplikasi adalah pemulia dan peneliti kedelai. 3 Pengguna dapat melakukan pencarian berupa nama varietas kedelai.
4 Aplikasi yang dihasilkan masih bersifat statis, belum dapat menangani penambahan data ke dalam database.
METODE
Tahapan Penelitian
Penelitian ini menggunakan kerangka metode untuk membangun aplikasi visualisasi informasi yang diperkenalkan oleh Chi (1999). Metode ini menggunakan operator value (data mentah) yang akan ditransformasikan menggunakan empat tahap utama, yaitu value, analytical abstraction, visualization abstraction, dan view. Di antara masing-masing tahapan tersebut terdapat 3 proses utama, yaitu data transformation, visualization transformation, dan visual mapping transformation (Gambar 1).
Value
3
Data Transformation
Data Transformation merupakan proses transformasi tahap value menjadi tahap analytical abstraction. Pada proses ini data diolah dengan praproses data agar diperoleh data yang sudah memperoleh informasi. Terdapat 2 tahap praproses data yang dilakukan, yaitu pemangkasan atribut dan pembersihan data.
Pemangkasan Atribut
Atribut yang dibutuhkan dalam penelitian ini hanya atribut yang memiliki keterkaitan dengan silsilah varietas kedelai berupa nama varietas yang menjadi tetua dan varietas anak (zuriah) serta metode pemuliaan tanaman yang digunakan untuk menghasilkan varietas.
Pembersihan Data
Data asli cenderung tidak lengkap, memiliki noise, dan tidak konsisten. Salah satu tujuan pembersihan data atau data cleaning adalah untuk mengatasi missing values atau nilai data yang hilang (Han et al 2012). Pilihan untuk mengatasi missing values dapat dilakukan dengan dua cara, yaitu dengan mengisi nilai data yang kosong, atau dengan menghapus instance yang memiliki nilai data yang kosong. Missing values yang masih memungkinkan untuk dilengkapi akan
Value
Analytical Abstraction
Visualization Abstraction
View
Data Transformation
Visualization Transformation
Visual Mapping Transformation
4
diisi dengan data-data tambahan dari Balitkabi (2013), sedangkan missing values yang tidak dapat dilengkapi atau data yang tidak bisa ditelusuri akan dihapus.
Analytical Abstraction
Tahap ini merupakan hasil dari praproses data yang belum dipetakan namun mencakup semua informasi dari data mentah yang akan divisualisasikan (Chi 1999). Pada tahap ini diperoleh 5 atribut hasil pemangkasan atribut dan records yang telah melalui tahap pembersihan data.
Visualization Transformation
Visualization transformation adalah proses mengambil nilai-nilai dari analytical abstraction untuk diproses lebih lanjut membentuk visualization abstraction (Chi 1999). Proses utama pada tahap ini adalah perancangan visualisasi dan pengolahan data yang akan dipetakan ke dalam visualisasi. Alur proses visualization transformation dapat dilihat pada Gambar 2.
Perancangan Visualisasi
Perancangan visualisasi pewarnaan dan bentuk graf yang akan ditampilkan. Visualisasi dirancang agar dapat merepresentasikan silsilah varietas kedelai dan mampu menangani proses pelacakan keturunan varietas kedelai.
Pengolahan Data yang Akan Dipetakan
Pengolahan data dilakukan agar data dapat disesuaikan untuk menghasilkan visualisasi seperti yang sudah dirancang. Pada proses ini dilakukan pencarian tetua varietas kedelai, sehingga dapat ditemukan keterhubungan antara tetua varietas dan zuriahnya.
Visualization Abstraction
Visualization abstraction merupakan tahap setelah didapatkan data yang siap dipetakan menjadi suatu visualisasi dengan menggunakan minimal satu teknik visualisasi (Chi 1999). Pada proses ini dihasilkan tabel nodes yang berisi informasi nama varietas kedelai beserta induknya dan tabel edges yang mengandung informasi keterhubungan antarvarietas.
Visual Mapping Transformation
5
Gambar 2 Alur tahapan visualization transformation Graf
Tahap ini merupakan tahap pemetaan data yang didapatkan pada visualization abstraction ke dalam visualisasi berbentuk graf. Graf yang dihasilkan pertama kali masih menggunakan random layout. Random layout masih memposisikan nodes tidak beraturan sehingga sulit dibaca oleh pengguna. Layout
Layout merupakan tahap perbaikan bentuk graf dengan menentukan posisi setiap nodes dan edges menggunakan algoritme layout Directed Acyclic Graph. Partition
Tahap partition merupakan tahap pewarnaan graf berdasarkan parameter tertentu di dalam graf. Pada penelitian ini pewarnaan dilakukan berdasarkan metode pemuliaan tanaman yang dilakukan untuk menghasilkan varietas kedelai. Ranking
Ranking merupakan tahap pembobotan nodes sebagai parameter ukuran nodes. Pembobotan dilakukan berdasarkan banyaknya edges yang terhubung pada masing-masing nodes.
Pembuatan tabel edges dengan mencari keterhubungan tetua varietas
Pembuatan tabel nodes yang berisi id dan nama varietas kedelai
6 Label
Tahap akhir merupakan tahap pemberian label pada nodes. Label akan menunjukkan nama varietas dan nama negara yang menjadi nodes sehingga akan memudahkan penelusuran pengguna.
View
View merupakan hasil akhir visualization mapping dimana user sudah dapat melihat dan menginterpretasikan grafis visual yang ditampilkan di layar. Pada tahap ini pengguna dapat melakukan interaksi terhadap visualisasi seperti memperbesar atau memperkecil ukuran graf, menghilangkan bagian nodes dan
Label
Pembobotan nodes Graf dengan variasi
ukuran nodes
Pelabelan nodes Hasil akhir graf
7 edges yang tidak berhubungan dengan penelusuran, dan melakukan pencarian nodes. Tahap ini dilakukan implementasi fail graf dengan format GEXF (Graph Exchange XML Format) ke dalam aplikasi berbasis web yang dibangun menggunakan Javascript, HTML, dan CSS. Perangkat lunak yang digunakan untuk membuat aplikasi web ini adalah Notepad++, WampServer, dan Google Chrome browser.
Lingkungan Pengembangan Sistem
Spesifikasi perangkat lunak dan perangkat keras yang digunakan dalam penelitian ini ialah sebagai berikut:
1 Perangkat lunak:
Sistem Operasi Microsoft Windows 7 Ultimate 64-bit, WampServer untuk menjalankan server lokal,
Google Chrome Browser untuk menampilkan halaman web yang dihasilkan dalam penelitian ini,
Notepad++ digunakan sebagai source code editor,
Microsoft Excel 2010 digunakan untuk melihat hasil praproses data, Gephi sebagai tool pada tahap visual mapping transformation.
2 Perangkat Keras:
Penelitian ini menggunakan data varietas unggul kedelai yang digunakan oleh Kumalasari (2013) yang terdiri atas 58 records varietas unggul kedelai dan 36 atribut. Data tersebut kemudian dilengkapi dengan data yang dimiliki oleh Badan Penelitian Tanaman Aneka Kacang dan Umbi berupa buku Deskripsi Varietas Unggul Kedelai 1918–2012 (Balitkabi 2013), dan untuk mengetahui negara asal varietas digunakan data milik Balai Besar Litbang Bioteknologi dan Sumber Daya Genetik Pertanian berupa Buku Katalog Plasma Nutfah Tanaman Pangan 2010-BB-Biogen (BB Biogen 2010). Setelah melalui pelengkapan data, didapatkan hasil sebanyak 123 records varietas. Tabel 1 menunjukkan contoh data awal yang diperoleh.
Data Transformation
Pemangkasan Atribut
8
‘Id’ yang berisi nomor identitas unik setiap varietas, ‘Nama’ yang berisi nama varietas,
‘Asal’ yang berisi tetua varietas dan metode pemuliaan tanaman.
‘Tahun_lepas’ yang berisi keterangan tahun varietas dilepas ke publik oleh lembaga yang bersangkutan.
Atribut ‘Asal’ kemudian dipecah secara manual menjadi 3 atribut yang berbeda, antara lain atribut ‘Induk1’, ‘Induk2’, dan ‘Metode Pemuliaan’ sehingga didapatkan total 6 atribut yang akan digunakan, yaitu ‘Id’, ‘Nama’, ‘Induk1’, ‘Induk2’, ‘Metode Pemuliaan’, dan ‘Tahun Lepas’. Contoh data hasil pemangkasan atribut ditunjukkan pada Tabel 2.
Tabel 1 Contoh data awal yang diperoleh
Tabel 2 Contoh data hasil pemangkasan atribut Id Nama
Varietas Induk 1 Induk 2 Metode Pemuliaan
Tahun Lepas
16 Dempo Amerikana Seleksi massa/galur
murni 1984 melengkapi data menggunakan data Balitkabi (2013) dan berdiskusi dengan pakar pemuliaan tanaman kedelai, yaitu Dr Desta Wirnas SP MSi. Setiap varietas harus memiliki setidaknya satu tetua sehingga atribut ‘Induk 1’ harus terisi sedangkan atribut ‘Induk 2’ boleh dibiarkan kosong. Contoh data sebelum dilengkapi ditunjukkan pada Tabel 3 dan contoh data setelah dilengkapi ditunjukkan pada Tabel 4.
Id Nama Tahun
Lepas No. Induk Asal
20 GUNTUR 1982 GM 1300 Hasil seleksi keturunan persilangan TK 5 x Genjah Slawi
4 OTAU 1918 16 Introduksi dari Formosa
27 MURIA 1987 Psj/69
Hasil seleksi pedegree dari mutan Orba yang diradiasi dengan sinar Gama dosis 0,4 Kgy (40 Krad) 5 No. 27 1919 27 Seleksi galur dari varietas Otau,
introduksi dari Taiwan
Tabel 3 Contoh data sebelum dilengkapi
Id Nama Varietas Induk 1 Induk 2 Metode Pemuliaan Tahun Lepas
26 Merbabu Orba Si Nyonya Persilangan 1998
62 Tambora 1986
9 Tabel 4 Contoh data setelah dilengkapi
Id Nama Varietas Induk 1 Induk 2 Metode Pemuliaan Tahun Lepas
26 Merbabu Orba Si Nyonya Persilangan 1998
62 Tambora Thailand Seleksi massa/galur murni 1986 28 Lompobatang Si Nyonya No. 1682 Persilangan 1989
5 Bromo Mansuria Introduksi 1989
Pada database juga ditemukan 2 records varietas yang tertulis berasal dari keturunan 16 tetua, yaitu varietas Sinabung dan Kaba. 16 tetua yang dimaksud oleh data tersebut tidak memungkinkan untuk ditelusuri sehingga varietas Sinabung dan Kaba harus dihapus dari data. Total records varietas kedelai yang dihasilkan pada proses ini menjadi sebanyak 121 records.
Analytical Abstraction
Pada tahap analytical abstraction telah didapatkan hasil dari proses data transformation, yaitu berupa data yang sudah melalui praproses data dan pembersihan data yang terdiri dari 121 records berupa varietas kedelai. Untuk varietas yang tidak memiliki tetua, dilakukan penelusuran asal negaranya menggunakan buku Katalog Plasma Nutfah Kedelai (Glycine max) dari BB Biogen (2010). Dari hasil penelusuran didapatkan 7 records berupa negara asal kedelai dan untuk varietas yang tidak ditemukan negara asalnya ditambahkan records berlabel ‘Unknown’. Records yang berupa negara boleh memiliki nilai kosong pada atribut ‘Induk 1’, ‘Induk 2’, dan ‘Metode Pemuliaan’ dikarenakan negara asal merupakan silsilah paling atas sehingga tidak mungkin memiliki tetua. Contoh records berupa negara asal kedelai ditunjukkan pada Tabel 5.
Visualization Transformation
Perancangan Visualisasi
Visualisasi data silsilah varietas kedelai ditampilkan dalam bentuk graf. Graf dapat menyediakan pemodelan yang tepat untuk kompleksitas data program pemuliaan tanaman (Shaw et al. 2013). Selain itu, graf dapat digunakan untuk
Tabel 5 Contoh data berisi negara asal kedelai
Id Nama Varietas Induk 1 Induk 2 Metode Pemuliaan Tahun Lepas
61 Petek Lokal
Kab.Kudus
- Seleksi massa/galur murni
1988 62 Tambora Thailand - Seleksi massa/galur
10
memvisualisasikan hubungan antara dua atau lebih objek. Objek-objek yang saling terhubung disebut nodes dan garis yang menghubungkan objek tersebut disebut edge (Sheryl dan Thenmozhi 2013). Pada penelitian ini, nodes merepresentasikan varietas kedelai dan negara asal kedelai dan keterhubungan antarvarietas atau keterhubungan antara varietas dan negara divisualisasikan dalam bentuk edges. Bentuk visual lain yang ditentukan pada tahap ini, yaitu: 1 Posisi nodes diatur menggunakan algoritme Directed Acyclic Graph. Nodes
berupa negara diposisikan sebagai root atau pada level teratas dari graf. Varietas berupa tetua diposisikan pada level atas dan varietas zuriah diposisikan pada level bawah. Rancangan posisi nodes dapat dilihat pada menjadi varietas zuriahnya. Sehingga semakin besar ukuran suatu node menunjukkan semakin banyak varietas zuriah yang dimilikinya. Rancangan penerapan bobot nodes sebagai parameter ukuran nodes ditunjukkan pada Gambar 5. Pada Gambar 5 terlihat bahwa node ‘Varietas 2’, ‘Varietas 4’, ‘Varietas 5’, ‘Varietas 6’, dan ‘Varietas 7’ berukuran paling kecil dikarenakan tidak memiliki outgoing edge. Node ‘Negara 2’ dan ‘Varietas 1’ memiliki ukuran yang sama karena kedua nodes tersebut memiliki 2 outgoing edges, sedangkan node ‘Varietas 3’ merupakan node dengan ukuran paling besar karena memiliki 3 outgoing edges yang merupakan outgoing edges terbanyak dalam gambar.
Gambar 4 Rancangan posisi nodes Negara 2 Negara 1
Varietas 1 Varietas 2 Varietas 3
11
3 Pewarnaan pada nodes varietas ditentukan berdasarkan metode pemuliaan tanaman yang dilakukan untuk menghasilkan varietas kedelai tersebut dan nodesberupa negara asal varietas kedelai diberikan warna tersendiri.
Pengolahan Data yang Akan Dipetakan
Proses selanjutnya adalah pengolahan data yang akan dipetakan agar sesuai dengan hasil rancangan visualisasi. Proses ini dilakukan dengan membuat tabel nodes dan edges dengan menggunakan data pada analytical abstraction. Pada tabel nodes, varietas kedelai dan negara asal varietas kedelai diberi id untuk direpresentasikan sebagai nodes. Tabel nodes juga mengikutsertakan atribut ‘Metode Pemuliaan’ yang berisi jenis metode pemuliaan apa yang dilakukan untuk menghasilkan setiap varietas kedelai dan ‘Tahun Lepas’ yang berisi keterangan tahun varietas dilepas. Metode pemuliaan dikelompokkan menjadi 4, yaitu ‘Persilangan’, ‘Seleksi massa/galur murni’, ‘Mutasi’, dan ‘Introduksi’. Untuk varietas yang tidak diketahui metode pemuliaannya dikelompokkan menjadi ‘Unknown’.
Tabel edges dibuat untuk menunjukkan keterhubungan antar-nodes. Keterhubungan ini ditunjukkan dengan menghubungan nodes asal (source) dengan nodes tujuan (target). Source berisi id varietas kedelai yang menjadi tetua dan target berisi id varietas yang menjadi zuriah. Tabel edges juga
Varietas 1
Varietas 5
Negara 2 Negara 1
Varietas 3 Varietas 2
Varietas 4 Varietas 6 Varietas 7
12
mengikutsertakan atribut Type yang berisi keterangan setiap edge adalah edge berarah (directed).
Visualization Abstraction
Pada tahap visualization abstraction telah didapatkan tabel nodes dan tabel edges. Terdapat 129 records yang dihasilkan pada tabel nodes yang terdiri dari 121 varietas kedelai, 7 negara asal varietas kedelai, dan 1 nodes berlabel ‘Unknown’ untuk varietas yang tidak diketahui negara asalnya. Contoh data yang akan direpresentasikan sebagai nodes dapat dilihat pada Tabel 6. Pada tabel edges terdapat 157 records yang menghubungkan setiap nodes. Contoh data yang akan direpresentasikan sebagai edges ditunjukkan pada Tabel 7.
Tabel 6 Contoh data pada tabel nodes
Id Label Metode Pemuliaan Tahun Lepas
66 Anjasmoro Seleksi massa/galur murni 2001
4 ArgoMulyo Introduksi 1998
8 Argopuro Introduksi 2005
49 Arjasari Persilangan 2005
Tabel 7 Contoh data pada tabel edges Source Target Type
Data yang didapatkan dari tahap visualization abstraction telah siap untuk dipetakan ke dalam bentuk visualisasi. Terdapat 2 komponen utama dalam visualisasi informasi, yaitu representasi dan interaksi (Yi et al. 2007). Proses visual mapping transformation merupakan proses representasi data visualization transformation menjadi suatu visualisasi. Representasi informasi dilakukan dengan beberapa proses, yaitu graf, layout, partition, ranking, dan label.
Graf
13
Gambar 6 Hasil graf menggunakan random layout Layout
Untuk memperjelas bentuk graf, graf asal dengan random layout diperbaiki dengan menggunakan algoritme Directed Acyclic Graph (Lampiran 1). Algoritme ini merupakan algoritme untuk membentuk graf asiklik berarah. Edges pada graf akan selalu mengarah ke bawah dan layout horizontalnya akan memposisikan nodes pada slot diskret di setiap layer. Penempatan nodes pada slot diskret ini dipilih secara acak sambil meminimalkan layer yang dapat terbentuk. Hasil perbaikan graf menggunakan Algoritme Directed Acyclic Graph ditunjukkan pada Gambar 7.
Gambar 7 Hasil perbaikan bentuk graf dengan algoritme Directed Acyclic Graph Partition
14
pemuliaan beserta warna yang mewakilinya. Hasil penerapan partition dapat dilihat pada Gambar 8.
Tabel 8 Pengelompokan nodesberdasarkan metode pemuliaan tanaman dan warna yang mewakilinya
Ranking berguna untuk menampilkan informasi tambahan mengenai urutan nodes yang paling banyak memiliki keterhubungan. Urutan nodes ini direpresentasikan dalam ukuran nodes yang berbeda-beda. Penentuan ukuran nodes dilakukan dengan pembobotan. Bobot nodes dihitung berdasarkan banyaknya outgoing edge yang terhubung pada suatu node. Misalnya jika suatu node memiliki 3 outgoing edge, maka bobotnya akan menjadi 3. Semakin banyak outgoing edge yang dimilikinya, maka ukuran node tersebut akan semakin besar. Bobot tersebut disimpan dalam atribut Out-degree pada tabel nodes (Tabel 9). Range bobot nodes yang dihasilkan sebesar 1 sampai 18 dengan ukuran node terkecil sebesar 70 piksel dan ukuran 300 piksel. Hasil penerapan ranking pada graf dapat dilihat pada Gambar 9.
15 Tabel 9 Contoh data pada tabel nodes setelah penghitungan bobot nodes Id Nama
Varietas Metode Pemuliaan Tahun Lepas Out-degree
24 Wilis Persilangan 1983 10
20 Orba Persilangan 1974 8
58 Davros Seleksi massa/galur murni 1965 6
113 No.1682 Unknown - 4
Gambar 9 Penerapan ranking pada graf Label
Representasi terakhir adalah pemberian label pada graf. Label dapat diterapkan pada nodes maupun edges. Penelitian ini hanya memberikan label pada nodes saja dan tidak memberikan perhatian khusus pada edges. Hasil penerapan label pada graf ditunjukkan pada Gambar 10.
Penerapan label merupakan tahap akhir dari representasi graf. Selanjutnya graf akan disimpan dalam fail graf berbentuk GEXF (Graph Exchange XML Format). GEXF merupakan fail graf dari Gephi yang mendeskripsikan struktur graf berserta asosiasi datanya.
Gambar 10 Graf akhir dengan label pada nodes View
16
tersebut, yaitu select, explore, reconfigure, abstract/elaborate, filter, dan connect. Keterbatasan aplikasi ini adalah masih bersifat statis. Dalam hal ini aplikasi yang dihasilkan belum mampu menangani penambahan data ke dalam database secara langsung. Penambahan data harus dilakukan secara manual dengan membentuk graf kembali menggunakan software Gephi.
Select
Select merupakan interaksi yang memungkinkan pengguna memilih dan menandai data yang menjadi ketertarikannya. Pada aplikasi visualisasi silsilah varietas kedelai ini interaksi select diterapkan melalui fitur search. Fitur ini memungkinkan pengguna untuk melakukan pencarian berupa nama varietas kedelai. Setelah varietas yang dicari ditemukan varietas tersebut akan ditandai pada graf dan pengguna dapat melihat informasi keterhubungannya dengan varietas lain. Antarmuka interaksi select sebelum dan sesudah dilakukan dapat dilihat pada Lampiran 2.
Explore
Interaksi explore memungkinkan pengguna agar dapat meneliti bagian data yang lain selain bagian data yang dipilih olehnya. Seringkali graf yang ditampilkan pada layar terbatas pada bagian tertentu saja karena ukuran layar tidak sesuai dengan skala graf yang besar. Untuk mengatasi masalah tersebut, pada aplikasi ini diterapkan teknik interaksi explore berupa panning. Panning mengacu pada sebuah kamera lintas layar. Ketika tampilan pada layar berpindah dari suatu bagian graf ke bagian yang lain, kamera ini akan tetap dan menandai posisi layar di dalam graf (Yi et al. 2007). Antarmuka interaksi explore dapat dilihat pada Lampiran 3.
Reconfigure
Interaksi reconfigure memungkinkan pengguna mengubah cara data ditampilkan dalam rangka menyediakan perspektif yang berbeda pada kumpulan data. Pada aplikasi diterapkan lens mode atau fitur kaca pembesar untuk memudahkan pengguna mengeksplorasi node dan edge tertentu dengan tampilan lebih besar. Antarmuka penerapan interaksi reconfigure dapat dilihat pada Lampiran 4.
Abstract
Abstract memungkinkan pengguna meningkatkan level abstraksi pada representasi data. Teknik abstract yang diterapkan pada penelitian ini adalah zooming. Melalui zooming, pengguna dapat dengan mudah mengubah skala representasi sehingga gambaran data set yang lebih luas (zoom out) atau gambaran data yang lebih detail (zoom in) dapat terlihat. Antarmuka penerapan interaksi abstract dapat dilihat pada Lampiran 5.
Filter
17 diterapkan pada penelitian ini adalah dengan memungkinkan pengguna menyembunyikan nodes dan edges tertentu dan hanya menampilkan sebagian saja. Contoh penerapan interaksi filter pada antarmuka aplikasi dapat dilihat pada Lampiran 6.
Connect
Connect mengacu pada tipe interaksi untuk menyoroti asosiasi dan keterhubungan data yang sedang direpresentasikan dan menunjukkan informasi tersembunyi dengan ikut merepresentasikan nodes tetangga yang relevan dengan node fokus pengguna. Interaksi ini memungkinkan pengguna untuk menelusuri keterhubungan pada node tetangga dengan menggeser mouse ke node lain yang terhubung dengan node fokus pengguna. Antarmuka penerapan interaksi connect pada aplikasi dapat dilihat pada Lampiran 7.
SIMPULAN DAN SARAN
Simpulan
Penelitian ini menghasilkan aplikasi visualisasi informasi dengan memodelkan data silsilah varietas kedelai hasil pemuliaan tanaman di Indonesia. Terdapat total 121 varietas kedelai dan 7 negara asal tetua kedelai yang divisualisasikan menggunakan algoritme Directed Acyclic Graph. Silsilah varietas kedelai direpresentasikan dengan graf berarah. Besar kecilnya ukuran nodes pada visualisasi menunjukkan banyaknya keturunan dari suatu varietas kedelai dan warna nodes menunjukkan metode pemuliaan tanaman. Penelitian ini juga menerapkan teknik interaksi untuk membantu pengguna menelusuri garis keturunan varietas kedelai.
Saran
Saran untuk pengembangan penelitian ini selanjutnya adalah:
1 Membuat aplikasi visualisasi untuk data yang dinamis agar varietas-varietas baru juga dapat divisualisasikan
2 Memasukkan atribut tahun varietas kedelai dilepas sebagai parameter kedalaman graf
3 Menambahkan fitur untuk mencetak hasil pencarian pengguna.
DAFTAR PUSTAKA
[Balitbang Deptan] Badan Penelitian dan Pengembangan Departemen Pertanian. 2005. Prospek Agribisnis dan Arah Pengembangan Agribisnis Kedelai. Jakarta (ID): Balitbang Deptan.
18
[diunduh 2013 Nov 26]. Tersedia pada
http://balitkabi.litbang.deptan.go.id/images/PDF/vub%20kedelai.pdf.
[BB Biogen] Balai Besar Litbang Bioteknologi & Sumber Daya Genetik Pertanian. 2010. Katalog Plasma Nutfah Kedelai (Glycine max) [Internet]. Bogor (ID):
BB Biogen. [diunduh 2013 Apr 15]. Tersedia pada
http://biogen.litbang.deptan.go.id/wp/wp-content/plugins/downloadmonitor/ download.php?id=paspor+kedelai.pdf.
Bastian M, Heyman S, Jacomy M. 2009. Gephi: An Open Source Software for Exploring and Manipulatif Networks. International AAAI Conference on Weblogs and Social Media[Internet]; 2009 Mar. [tempat pertemuan tidak diketahui]. North America(OA): Third International AAAI Conference on Weblogs and Social Media.
Chi EH. 1999. A Framework for Information Visualization Spreadsheets [disertasi]. Minneapolis (US): University of Minnesota.
Han J, Micheline K, Jian P. 2013. Data mining: concepts and techniques. Ed ke-3. Massachusetts (US): Morgan Kaufmann.
Kumalasari T. 2013. Sistem Pemilihan Varietas Unggul Kedelai (Glycine Max L. Merril) [Tesis]. Bogor (ID): Institut Pertanian Bogor
Nugraha A. 2008. Keragaan Galur-Galur Kedelai (Glycine max (l.) merr.) F8 Berdaya Hasil Tinggi di KP BB Biogen, Cikeumeuh [Skripsi]. Bogor (ID): Institut Pertanian Bogor.
Papamanthou C. 2004. Depth First Search and Directed Acyclic Graph. Heraklion (GR): University of Crete.
Shaw PD, Kenney J, Graham M, Milne I, Marshall DF. 2013. Visualizing Genetic Transmission Patterns in Plant Pedigrees. Plant and Animal Genome XX Conference (January 14-18, 2012). Skotlandia (UK): Plant and Animal Genome.
Sheryl T, Thenmozhi D. 2013. Visualization of Very Large Graphs. ISSN (Print): 2319–2526, Volume-2, Issue-4, 2013.
Syukur M, Sujiprihati S, Yunianti R. 2012. Teknik Pemuliaan Tanaman. Jakarta (ID): Penebar Swadaya.
19 Lampiran 1 Pseudocode algoritme Directed Acyclic Graph
//memasukkan data dari tabel nodes
procedure insert_node(view, user_node, edge_set, hint_coord)
{
// memetakan node ke dalam representasi layout
v = layout_node(view, user_node);
range = feasible_ranks(v, edge_set); if feasible(range)
rank = choose_rank(v,hint_coord.y); else
{ rank = low(range); make_feasible(v,rank); }
if is_valid_point(hint_coord) pos = hint_coord.x; else pos = mean_x(adjacent(v,edge_set));
//memasukkan data dari tabel edges
procedure insert_edge(view, orig_edge) {
u = layout_node(view, tail(orig_edge)); v = layout_node(view, head(orig_edge));
if path_exists(v,u) {temp = u; u = v; v = temp;} e = layout_edge(view, u, v);
if rankof(u) + minlength(e) > rankof(v)
20 // koordinat x yang sama, memindahkannya ke
// posisi optimum lokal, kemudian menukar leaf dengan v.
x = place_and_reopt(v,i); }
}
procedure adjust_edge(e) {
compute shrink, same, stretch segment sizes of e r = oldrank(tail(e)) + 1;
for r = range.low to range.high
// menggunakan edges masuk (incoming edge)
optimize_rank(r,r-1);
for r = range.high downto range.low
// menggunakan edges keluar (outgoing edge)
21
procedure update_geometry(view) {
// memperbaiki graf auxiliary constraint
r = low_rank(view);
while (r <= high_rank(view)) {
v_left = leftmost_node(view, r); while (v_left) {
constrain_prevposition(v_left); constrain_outedge_cost(v_left); v_right = right_neighbor(v_left); if v_right
constrain_separation(v_left,v_right); v_right = v_left;
v_left = right_neighbor(v_left); }
r = r + 1; }
// memanggil jaringan pemecah koordinat simpleks
ns_solve(view);
// pemanggilan kembali nodes dan edges bisa dilakukan di sini
22
Lampiran 2 Penerapan interaksi select pada aplikasi Antarmuka sebelum interaksi select dilakukan
23 Lampiran 3 Penerapan interaksi explore pada aplikasi
Antarmuka sebelum interaksi explore dilakukan
24
Lampiran 4 Penerapan interaksi reconfigure pada aplikasi Antarmuka sebelum melakukan interaksi reconfigure
25 Lampiran 5 Penerapan interaksi abstract pada aplikasi
Antarmuka sebelum melakukan interaksi abstract
Antarmuka setelah melakukan interaksi abstract (zoom out)
26
Lampiran 6 Penerapan interaksi filter pada aplikasi Antarmuka sebelum melakukan interaksi filter.
27 Lampiran 7 Penerapan interaksi connect pada aplikasi
Antarmuka sebelum interaksi connect dilakukan.
