Identifikasi Varietas Kunyit Berdasarkan Ciri Fisik Menggunakan Algoritme C4.5

(1)

IDENTIFIKASI VARIETAS KUNYIT BERDASARKAN CIRI

FISIK MENGGUNAKAN ALGORITME C4.5

RAHMI JUWITA SUKMA

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR

(2)

(3)

PERNYATAAN MENGENAI SKRIPSI DAN

SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA

Dengan ini saya menyatakan bahwa skripsi berjudul Identifikasi Varietas Kunyit Berdasarkan Ciri Fisik Menggunakan Algoritme C4.5 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.

(4)

ABSTRAK

RAHMI JUWITA SUKMA. Identifikasi Varietas Kunyit Berdasarkan Ciri Fisik Menggunakan Algoritme C4.5. Dibimbing oleh MUSHTHOFA.

Kunyit merupakan salah satu koleksi tanaman obat yang berdasarkan manfaatnya telah diproses melalui seleksi dalam program pemuliaan dan telah diperoleh sebanyak tiga varietas unggul kunyit dengan potensi produksi dan mutu kurkumin tinggi, yaitu varietas Turina-1, Turina-2, dan Turina-3. Sistem identifikasi kunyit dapat membantu petani dan pedagang dalam mengidentifikasi varietas kunyit secara cepat. Telah dilakukan penelitian sebelumnya yaitu memakai algoritme fuzzy untuk mengidentifikasi varietas kunyit, dengan akurasi mencapai 85%. Klasifikasi varietas kunyit juga dilakukan sebelumnya dengan memakai genetic programming dengan akurasi mencapai 95%. Penelitian kali ini menggunakan algoritme C4.5 yaitu salah satu metode klasifikasi data mining yang juga digunakan untuk mengidentifikasi variatas unggul dari tanaman kunyit dengan membentuk sebuah pohon keputusan dengan memilih atribut yang sangat mempengaruhi klasifikasi varietas kunyit sebagai simpul dari sebuah decision tree yaitu atribut yang memiliki gain ratio tertinggi. Akurasi terbaik yang dihasilkan dari penelitian ini mencapai 95%. Keunggulan menggunakan algoritma C4.5 adalah pohon keputusan yang dihasilkan mudah dipahami dan bisa digunakan secara manual.

Kata kunci: data mining, algoritme C4.5, decision tree, varietas kunyit

ABSTRACT

RAHMI JUWITA SUKMA. Turmeric Variety Identification Based On Physical Characteristics Using C4.5 Algorithm. Supervised by MUSHTHOFA.

(5)

Skripsi

sebagai salah satu syarat untuk memperoleh gelar Sarjana Ilmu Komputer

pada

Departemen Ilmu Komputer

IDENTIFIKASI VARIETAS KUNYIT BERDASARKAN CIRI

FISIK MENGGUNAKAN ALGORITME C4.5

RAHMI JUWITA SUKMA

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN INSTITUT PERTANIAN BOGOR

(6)

Penguji:

(7)

Judul Skripsi : Identifikasi Varietas Kunyit Berdasarkan Ciri Fisik Menggunakan Algoritme C4.5

Nama : Rahmi Juwita Sukma

NIM : G64104060

Disetujui oleh

Mushthofa, SKom MSc Pembimbing

Diketahui oleh

Dr Ir Agus Buono, MSi MKom Ketua Departemen Ilmu Komputer

(8)

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 Maret 2012 ini ialah Identifikasi Varietas Kunyit Berdasarkan Ciri Fisik Menggunakan Algoritme C4.5 Terima kasih penulis ucapkan kepada Bapak Mushthofa, SKom MSc selaku pembimbing serta kepada Ibu Dr Imas S Sitanggang, SKom MKom, dan Ibu Karlina Khiyarin Nisa, SKom MT selaku dosen penguji yang telah memberikan arahan dan saran selama penelitian ini berlangsung hingga selesai. Ungkapan terima kasih juga disampaikan kepada orangtua ibu Sukmanirwati dan bapak Zamzami, kakak Franka Hendra Sukma, Ari Suzana Sukma, Try Jayanti Sukma, Dona Andika sukma dan Fauzan Alawy, serta seluruh keluarga dan teman-teman, atas segala doa dan kasih sayangnya.

Penulis menyadari bahwa masih terdapat kekurangan dalam penulisan skripsi ini.

Semoga karya ilmiah ini bermanfaat.

(9)

DAFTAR ISI

DAFTAR TABEL vii

DAFTAR GAMBAR vii

DAFTAR LAMPIRAN vii

PENDAHULUAN 1

Latar Belakang 1

Tujuan Penelitian 2

Manfaat Penelitian 2

Ruang Lingkup Penelitian 2

TINJAUAN PUSTAKA 3

Data Mining 3

Machine Learning 3

Klasifikasi 3

Algoritme C 4.5 3

METODE 4

Pengambilan Data 5

Tranformasi Data 5

K-Fold Cross Validation 5

Algoritme C4.5 5

Aturan Klasifikasi 6

Evaluasi dan Analisis Hasil 6

Lingkungan Pengembangan 6

HASIL DAN PEMBAHASAN 7

Transformasi data 7

K-Fold Cross Validation 7

Algoritme C4.5 8

Analisa dan Hasil 10

Implementasi Sistem 12

SIMPULAN DAN SARAN 14

Simpulan 14

(10)

DAFTAR PUSTAKA 15

LAMPIRAN 16

(11)

DAFTAR TABEL

1 Jumlah bunga per tandan 7

2 Tinggi tanaman 7

3 Pembagian subset 7

4 Pembagian subset untuk data latih dan data uji 8

5 Akurasi masing-masing subset 10

6 Matriks konfusiuntuk pohon keputusan tanpa transformasi data 11

7 Matriks konfusi untuk pohon keputusan setelah tranformasi data 11

8 Matriks konfusi memakai genetic programming 12

9 Contoh data uji varietas kunyit Turina-1 13

DAFTAR GAMBAR

1 Flow chartdata mining 3

2 Flow chart penelitian 4

3 Decision tree dengan 20 data uji 11

4 Perbandingan akurasi algoritme identifikasi varietas kunyit 12

5 Tampilan awal sistem 13

6 Tampilan masuk ke sistem 13

7 Hasil klasifikasi pada contoh pengujian 14

DAFTAR LAMPIRAN

1 Data varietas kunyit 16

2 Data kunyit yang telah di tranformasi 21

3 Jumlah anakan 26

4 Panjang daun 26

5 Lebar daun 26

6 Berat rimpang per rumpun 26

7 Jumlah rimpang induk 26

8 Jumlah rimpang primer 26

9 Jumlah rimpang sekunder 26

10Kadar kurkumin 27

11Tree yang dihasilkan untuk warna daging rimpang (WDR) cabang 1 28

15Data uji yang diujikan pada decision tree 32

(12)

(13)

1

PENDAHULUAN

Latar Belakang

Komputer digunakan untuk mempermudah pekerjaan manusia dalam berbagai bidang, termasuk dalam cabang ilmu farmasi, salah satunya yaitu dengan mengidentifikasi varietas sebuah tanaman yang nantinya akan dijadikan bahan untuk pembuatan obat. Tentunya diperlukan sebuah metode dan algoritme yang tepat untuk pengolahan data tersebut dan diharapkan nantinya akan mendapatkan hasil dengan akurasi tinggi, dan hasil yang didapatkan juga dapat dibuktikan kebenaranya.

Kunyit (Curcuma domestica Val.) merupakan salah satu tanaman obat temu-temuan yang berpotensi untuk dibudidayakan (Syukur et al. 2006). Rimpang kunyit dapat digunakan antara lain mengobati gusi bengkak, luka, sesak nafas, sakit perut, bisul, sakit limpa, usus buntu, encok, gangguan pencernaan, perut kembung, dan menurunkan tekanan darah. Kunyit merupakan salah satu koleksi tanaman obat yang berdasarkan manfaatnya telah diproses melalui seleksi dalam program pemuliaan dan telah diperoleh sebanyak tiga varietas unggul kunyit dengan potensi produksi dan mutu kurkumin tinggi, yaitu varietas Turina-1, Turina-2, dan Turina-3 (Syukur et al. 2011). Dengan berkembangnya ketiga varietas tersebut, maka kebutuhan benih murni akan semakin meningkat dan keragaman genetik kunyit yang berkembang di masyarakat akan semakin sempit. Hal ini menyebabkan sulitnya membedakan dari varietas-varietas unggul, karena berdasarkan data fisik dan morfologi yang ada di BALITTRO hampir mirip, sehingga sulit menentukan ciri pembedanya.

Identifikasi varietas kunyit sebelumnya telah dilakukan oleh Bursatriannyo (2012) menggunakan algoritme fuzzy dengan akurasi mencapai 85%, tetapi terdapat kelemahan dalam pemakaian algoritme ini yaitu semua kemungkinan rule harus dibuat. Ciri fisik dari varietas unggul dengan varietas yang tidak unggul sulit dibedakan sehingga pakar juga sulit membedakan, hal ini otomatis akan mengurangi akurasi dengan pemakaian algoritme ini.

Data mining merupakan proses untuk menemukan informasi tersembunyi dari sebuah data. Klasifikasi merupakan salah satu metode data mining yang dapat melihat pengelompokan data sesuai ciri tertentu. Pada penelitian sebelumnya yang telah dilakukan oleh Sudharmono (2012) bahwa identifikasi tanaman bisa dilakukan dengan sebuah metode klasifikasi yaitu genetic programming. Akurasi dari penelitian tersebut mencapai 95 %, tetapi juga terdapat kelemahan dalam penelitian ini, yaitu tree yang dihasilkan nantinya tergantung banyak kelas yang terbentuk, data yang akan diolah harus dijadikan data boolean terlebih dahulu sehingga praproses data berlangsung lama, dan tree dihasilkan didapatkan dengan cara acak yaitu dengan mengkombinasikan rule.

(14)

2

Penggunaan algoritme ini nantinya diharapkan akan mendapatkan akurasi yang lebih tinggi dari penelitian sebelumnya.

Tujuan Penelitian

Penelitian ini bertujuan untuk:

1 Mengimplementasikan algoritme C4.5 dalam mengidentifikasi varietas kunyit 2 Menghasilkan pohon keputusan yang nantinya dapat digunakan untuk

pengambilan keputusan

3 Menguji akurasi dari pohon keputusan yang dihasilkan dari algoritme C4.5 dan membandingkan hasil akurasi dengan implementasi algoritme C4.5 tanpa transformasi data.

4 Membandingkan hasil akurasi memakai algoritme C4.5 dengan penelitian sebelumnya.

Manfaat Penelitian

Manfaat dari penelitian ini ialah:

1 Pohon keputusan identifikasi varietas kunyit yang baik dapat digunakan untuk identifikasi dengan cepat sehingga membantu masyarakat untuk memilih varietas unggul.

2 Mengetahui bahwa algoritme C4.5 dapat diterapkan dalam identifikasi varietas kunyit berdasarkan ciri fisik.

3 Mengetahui atribut mana saja yang mempengaruhi identifikasi varietas kunyit. 4 Mengetahui algoritme yang cocok dalam identifikasi varietas kunyit

Ruang Lingkup Penelitian

Ruang lingkup dalam penelitian ini ialah:

1 Data yang digunakan ialah data dari BALITTRO, sebanyak 100 data yang terdiri dari empat kelas dimana masing-masing kelas memiliki 25 data dan terdiri dari 13 ciri,

2 Variabel data yang digunakan ialah warna bunga (WB), jumlah bunga per tandan (JPT), tinggi tanaman (TT), jumlah anakan (JA), panjang daun (PD), lebar daun (LD), bentuk pangkal daun (BPD), warna daging rimpang (WDR), berat rimpang per rumpun (BRR), jumlah rimpang induk (JRI), jumlah rimpang primer (JRP), jumlah rimpang sekunder (JRS), dan kadar kurkumin (KK).

(15)

3

TINJAUAN PUSTAKA

Data Mining

Data mining adalah suatu istilah yang digunakan untuk menemukan informasi yang tersembunyi di dalam database. Data mining merupakan proses semi otomatik yang menggunakan teknik statistik, matematika, kecerdasan buatan, dan machine learning untuk mengekstraksi dan mengidentifikasi informasi pengetahuan potensial dan berguna yang bermanfaat yang tersimpan di dalam database besar (Rajaraman et al. 2010). Alur proses data mining dapat dilihat pada Gambar 1.

Gambar 1 Flow chartdata mining

Machine Learning

Machine learning merupakan ilmu algoritme peningkatan kemampuan sebuah komputer yang dilakukan dengan otomatis menggunakan data training (Mitchell 1997).

Secara umum, machine learning menggunakan penalaran berpikir secara induktif, yaitu suatu cara berpikir dengan berdasarkan pada pengalaman yang diulang-ulang.

Klasifikasi

Klasifikasi merupakan proses untuk menemukan sekumpulan model atau fungsi yang membedakan kelas data agar dapat digunakan untuk melakukan prediksi kelas dari suatu objek yang tidak diketahui label kelasnya tetapi label kelas telah ditentukan sebelumnya (Han dan Kamber 2007).

Algoritme C 4.5

(16)

4

pengembangan dari ID3. Beberapa pengembangan yang dilakukan pada C4.5 adalah sebagai antara lain bisa mengatasi missing value, bisa mengatasi continuousdata, dan pruning (Quinlan 1993).

METODE

Pada setiap penelitian dibutuhkan alur yang jelas guna mempermudah peneliti untuk melakukan sebuah penelitian sehingga pekerjaan akan teratur sesuai aturan yang telah dibuat. Dalam penelitian ini terdapat alur metode penelitian dapat dilihat pada Gambar 2.

(17)

5

Pengambilan Data

Data yang digunakan ialah data varietas kunyit yang terdiri atas 100 data dan empat kelas. Data diperoleh dari database plasma nutfah tanaman rempah dan obat BALITTRO. Kelas data dibagi menjadi Turina-1, Turina-2, Turina-3, dan bukan varietas. Kelas bukan varietas merupakan varietas yang tidak memiliki label atau ciri. data varietas kunyit dapat dilihat pada Lampiran 1.

Tranformasi Data

Proses tranformasi data adalah sebuah proses yang dilakukan untuk merubah bentuk data agar data tersebut lebih mudah diproses. Penelitian kali ini data dirubah dari data kontinu menjadi data diskret, dengan cara membagi data menggunakan metode range frekuensi, kemudian kelompok data tersebut dimisalkan menjadi data numerik.

K-Fold Cross Validation

Proses pembagian data ini dilakukan dengan cara (Kohavi 1995): 1 Mengelompokkan data berdasarkan masing-masing kelas

2 Membagi data masing-masing kelas menjadi sebanyak kfold

Pada penelitian ini data latih yang digunakan adalah sebanyak 20 pada masing-masing kelas, sedangkan untuk data uji diambil 5 data dari masing-masing kelas.

Algoritme C4.5

Secara umum algoritme C4.5 untuk membangun pohon keputusan adalah sebagai berikut (Quinlan 1993):

1 Pilih atribut sebagai akar

2 Buat cabang untuk masing-masing nilai atribut 3 Bagi kasus dalam cabang

4 Ulangi proses untuk masing-masing cabang sampai semua kasus pada cabang memiliki kelas yang sama

Untuk memilih atribut sebagai akar, didasarkan pada nilai gain tertinggi dari atribut-atribut yang ada. Untuk menghitung gain digunakan rumus seperti tertera dalam Rumus 1 (Quinlan 1993).

(18)

6

|S | : Jumlah kasus dalam S

Sedangkan perhitungan nilai entropy dapat dilihat pada Persamaan 2.

Entropy (S)= - pi log2 pi (2) Dengan

S : Himpunan Kasus

p : Proporsi dari Si terhadap S

Rumus untuk ratio gain dapat dilihat pada Persamaan 3. Gain Ratio(A) =

(3)

Dengan nilai splitInfo didapatkan dari Persamaan 4.

Aturan klasifikasi didapatkan secara otomatis dari proses C4.5. Aturan ini akan diujikan terhadap data uji yang telah ditentukan. Proses ini dilakukan sebanyak empat kali sesuai banyak kelas terhadap pohon keputusan dengan aturan yang dihasilkan yang berlaku untuk semua kelas.

Evaluasi dan Analisis Hasil

Evaluasi dilakukan untuk memeriksa akurasi dengan cara membandingkan antara hasil prediksi dengan hasil yang aktual yaitu dengan rumus yang tertera pada Persamaan 5.

(5) Dengan

Nbenar : Klasifikasi kelas yang benar

N : Jumlah semua data varietas kunyit

Lingkungan Pengembangan

(19)

7

HASIL DAN PEMBAHASAN

Transformasi data

Data varietas kunyit yang didapat dari database plasma nutfah tanaman rempah dan obat BALITTRO ditransformasikan, yang dapat dilihat pada Lampiran 2. Transformasi data kunyit dilakukan dengan cara membagi data menggunakan range frekuensi lalu dijadikan ordinal agar lebih representatif dan kemudian dijadikan data numerik dengan menggunakan angka untuk setiap nilai ordinal, hal ini digunakan agar pemprosesan data lebih mudah dan akurasi lebih tinggi, contoh transformasi data dapat dilihat pada Tabel 1 dan Tabel 2 dan dapat dilihat pada Lampiran 3 sampai dengan Lampiran 10.

Tabel 1 Jumlah bunga per tandan

Range frekuensi Ordinal Numerik

8−12 Sedikit 1

13−15 Sedang 2

16−18 Banyak 3

Tabel 2 Tinggi tanaman

147.0−157.4 Sedikit 1

Penggunaan metode 5-fold cross validation, data varietas kunyit dibagi berdasarkan kelasnya masing-masing yaitu Turina-1, Turina-2, Turina-3 dan bukan varietas, kemudian masing masing kelas dibagi menjadi 5 subset.

(20)

8

Tabel 4 Pembagian subset untuk data latih dan data uji

Percobaan Data latih Data uji

Subset 1 S2, S3, S4, S5 S1 bentuk pangkal daun (BPD), warna daging rimpang (WDR), berat rimpang per rumpun (BRR), jumlah rimpang induk (JRI), jumlah rimpang primer (JRP), jumlah rimpang sekunder (JRS), dan kadar kurkumin (KK) dengan mengitung nilai gain yang dipadatkan dari perhitungan entropy kemudian dicari gain ratio dari masing masing atribut dan dibandingkan, sehingga atribut dengan nilai gain ratio tertinggi akan menjadi root.

Perhitungan entropy total :

Data varietas kunyit terdiri atas 100 data yang dibagi kedalam 4 kelas dan masing–masing kelas memiliki 25 data.

 Entropy (S)= - pi log2 pi

Jika perbandingan keempat kelas sama rasionya, maka nilai entropi bernilai 1, sedangkan apabila satu set terdiri dari satu kelas maka entropinya bernilai 0. Misalkan kita akan menghitung nilai entropi dari atribut warna bunga. Nilai dari atribut warna bunga (WB) yaitu putih, putih kuning pucat, putih kuning coklat, kuning dan coklat.

(21)

9

 Warna bunga= Putih Kuning Pucat

Terdapat 29 data yang memiliki nilai warna bunga sama dengan putih kuning pucat yaitu pada kelas 2 dan kelas 4.

Entropy(0,25,0,4) =

 Warna bunga= Putih Kuning Coklat

Terdapat 28 data yang memiliki nilai warna bunga sama dengan putih kuning coklat yaitu pada kelas 3 dan kelas 4.

(22)

10

Jadi, gain ratio untuk atribut warna bunga adalah 0.329

Lakukan semua perhitungan di atas agar mendapatkan gain ratio untuk setiap atribut kunyit.

2 Buat cabang untuk masing-masing nilai gain. Bagi kasus dalam cabang untuk atribut yang tidak terpilih sebelumnya, kemudian lakukan perhitungan yang sama untuk kedua belas atribut kunyit yang tersisa untuk mendapatkan nilai gain ratio tertinggi guna menjadi root berikutnya.

3 Proses perhitungan akan selalu sama untuk setiap atribut kunyit, ulangi proses untuk masing-masing cabang sampai semua kasus pada cabang memiliki kelas yang sama yaitu Turina-1, Turina-2, Turina-3 dan bukan varietas.

Proses di atas akan menghasilkan sebuah pohon keputusan untuk mengidentifikasi sebuah varietas kunyit. Contoh decision tree yang dihasilkan dapat dilihat pada Lampiran 11 sampai dengan lampiran 14 yaitu decision tree yangdihasilkan dari subset 3 dengan warna daging rimpang (WDR) menjadi root. Tree yang dihasilkan sangat besar, sehingga tree tersebut dibagi menjadi empat bagian sebanyak nilai atribut dari warna daging rimpang (WDR). Simpul berwarna hitam menandakan cabang tersebut tidak memiliki keputusan berdasarkan data latih yang ada pada subset 3.

Pada Gambar 3 terdapat decision tree yang digunakan untuk klasifikasi 20 data uji. Dua puluh data uji yang diujikan pada decision tree pada subset 3 tidak ada yang salah klasifikasi, hal ini diketahui dari 20 data uji yang ada ditelusuri terhadap tree, kelas yang dihasilkan sesuai dengan kelas sebenarnya. Data uji dapat dilihat pada Lampiran 15.

Analisa dan Hasil

Hasil akurasi yang didapatkan dari masing-masing subset dapat dilihat pada Tabel 5.

(23)

11

Matriks konfusi dari gabungan semua subset identifikasi varietas kunyit memakai algoritme C4.5 yang diperoleh dari data yang belum mengalami transformasi dapat dilihat pada Tabel 6.

Tabel 6 Matriks konfusiuntuk pohon keputusan tanpa transformasi data

Turina-1 Turina-2 Turina-3

Bukan varietas

unggul

Tidak teridentifikasi

Turina-1 23 0 0 0 0

Turina-2 0 24 0 1 0

Turina-3 0 1 23 1 0

Bukan varietas unggul 3 2 3 14 3

Gambar 3 Decision tree dengan 20 data uji

Matriks konfusi dari gabungan semua subset identifikasi varietas kunyit memakai algoritme C4.5 yang diperoleh dari data yang sudah mengalami transformasi dapat dilihat pada Tabel 7 dan data yang salah klasifikasi dapat dilihat pada Lampiran 16.

Tabel 7 Matriks konfusi untuk pohon keputusan setelah tranformasi data

Turina-1 Turina-2 Turina-3 Bukan varietas unggul

Turina-1 25 0 0 0

Turina-2 0 24 0 1

Turina-3 0 0 25 0

Bukan varietas unggul 2 2 0 21

(24)

12

Tabel 8 Matriks konfusi memakai genetic programming

Turina-1 Turina-2 Turina-3 Bukan varietas unggul

Turina-1 25 0 0 0

Turina-2 0 25 0 0

Turina-3 0 0 25 0

Bukan varietas unggul 3 1 1 20

Perbandingan akurasi antara algoritme C4.5 tanpa transformasi data, algoritme C4.5 dengan transormasi data dan genetic programming dalam identifikasi varietas kunyit dapat dilihat pada Gambar 4.

Gambar 4 Perbandingan akurasi algoritme identifikasi varietas kunyit

Implementasi Sistem

Pada sistem yang dikembangkan, peneliti menggunakan matlab untuk membantu user dalam klasifikasi varietas unggul kunyit. Tampilan awal dari sistem dapat dilihat pada Gambar 5.

Pilih tombol masuk untuk masuk ke sistem identifikasi kunyit, atau pilih tombol keluar untuk keluar dari sistem. Tampilan sistem identifikasi varietas kunyit dapat dilihat pada Gambar 6. Masukkan nilai atribut kunyit yang akan di identifikasi pada menu pengujian, kemudian pilih subset sebelum memilih tombol klasifikasi. Subset pada pilihan menu dropdown menghasilkan tree yang berbeda tergantung data latih yang digunakan. Terdapat 5 subset dan tanpa subset pada menu tersebut. Apabila user memilih tanpa subset maka tree yang dihasilkan merupakan yang dihasilkan dari semua data varietas kunyit.

Hasil klasifikasi akan muncul ketika tombol klasifikasi dipilih. Hasil klasifikasi yang akan muncul yaitu 1 untuk Turina-1, 2 untuk Turina-2, 3 untuk Turina-3 dan 4 untuk bukan varietas unggul.

Contoh pengujian sistem:

(25)

13

Tabel 9 Contoh data uji varietas kunyit Turina-1

WB BPD WDR JBT TT JA PD LD BRR JRI JRP JRS KK Putih Oval Orange 16 150.5 7 9.5 5.9 1515 2 10 5 8

Semua nilai atribut dimasukkan ke form pengujian, kemudian pilih subset sebelum menekan tombol klasifikasi. Hasil yang didapatkan adalah kelas Turina-1 untuk semua subset yang digunakan. Hasil pengujian dapat dilihat pada Gambar 7.

Gambar 5 Tampilan awal sistem

(26)

14

Gambar 7 Hasil klasifikasi pada contoh pengujian

SIMPULAN DAN SARAN

Simpulan

Hasil penelitian menunjukkan teknik algoritme C4.5 dapat digunakan untuk mencari aturan klasifikasi dengan akurasi yang baik. Data yang diujikan sebanyak 100 data, masing-masing 25 data untuk kelas Turina-1, Turina-2, Turina-3, dan bukan varietas. Terdapat 95 data yang diklasifikasikan dengan benar dan 5 yang data salah diklasifikasikan. Pada perbandingan hasil klasifikasi Tabel 7 dan Tabel 8 dapat dilihat bahwa kelas yang sering salah pengklasifikasianya adalah kelas yang bukan varietas unggul. Hal ini disebabkan karena data pada kelas bukan varietas itu tidak terlalu mencirikan kelas tersebut, dapat dikatakan 25 data yang ada pada kelas tersebut mirip dengan atribut pada kelas lainya, sehingga memungkinkan kesalahan klasifikasi.

Akurasi pada penelitian dengan algoritme C4.5 mengalami kenaikan dibandingkan dengan akurasi pada penelitian sistem pakar identifikasi varietas tanaman kunyit oleh Bursatriannyo (2012), yaitu sebesar 89%. Akurasi dengan algoritme C4.5 ini sama dengan akurasi pada penelitian Sudharmono (2012)yaitu 95%.

Pada penelitian kali ini juga dapat disimpulkan bahwa dari 13 atributuntuk klasifikasi varietas kunyit hanya ada 9 atribut yang berguna untuk identifikasi varietas kunyit, atribut tersebut diantaranya warna daging rimpang (WDR), tinggi tanaman (TT), warna bunga (WB), kadar kurkumin (KK), berat rimpang per rumpun (BRR), jumlah bunga pertandan (JBT), lebar daun (LD), dan bentuk pangkal daun (BPD). Sehingga dapat disimpulkan bahwa 4 atribut lainya tidak mempengaruhi dalam identifikasi varietas kunyit.

Saran

(27)

15

DAFTAR PUSTAKA

Bursatriannyo. 2012. Sistem pakar identifikasi varietas tanaman kunyit [skripsi]. Bogor (ID): Institut Pertanian Bogor.

Han J, Kamber M. 2007. Data Mining Concepts and Techniques. 2nd ed. San Francisco (US): Morgan Kaufmann.

Kohavi R. 1995. A study of cross-validation and bootstrap for accuracy estimation and model selection. Di dalam: Proceedings of the 14th International Joint Conference on Artificial Intelligence, 1995 Agu 20-25; Quebec (US). hlm 1137-1143.

Mitchell T. 1997. Machine Learning. Portland (US): McGraw-Hill.

Quinlan JR. 1993. C4.5: Programs for Machine Learning. San Francisco (US): Morgan Kaufmann.

Rajaraman A, Leskovec J, Ullman JD. 2010. Mining of Massive Datasets. Cambridge (GB): Cambridge University Pr.

Sudharmono M. 2012. Pengenalan varietas kunyit berdasarkan ciri morfologi menggunakan genetic programming dengan praproses booleanizing [skripsi]. Bogor (ID): Institut Pertanian Bogor.

Syukur C, Rostiana O, Syahid S, Udarno L. 2006. Petunjuk Pelaksanaan Pengolahan Plasma Nutfah Kunyit (Curcuma Domestica Val.). Bogor (ID): Puslitbang Perkebunan.

(28)

16

Lampiran 1 Data varietas kunyit

WB BPD WDR JBT TT JA PD LD BRR JRI JRP JRS KK VK

PUTIH OVAL ORANGE 16 150.5 7 9.5 5.9 1515 2 10 5 8.0 1

(29)

17

Lampiran 1 Lanjutan

PUTIH KUNING PUCAT OVAL KUNING ORANGE 19 173.1 6 9.8 4.2 500 1 3 4 9.5 2

(30)

18

Lampiran 1 Lanjutan

PUTIH KUNING COKLAT RUNCING ORANGE 16 173.0 6 15.8 3.8 500 1 6 10 7.7 3

(31)

19

Lampiran 1 Lanjutan

KUNING BULAT KUNING 11 177.0 8 8.0 6.4 2500 1 12 4 11.0 4

KUNING MERUNCING KUNING 21 177.0 8 23.0 6.4 2500 3 12 17 11.0 4

COKLAT BULAT KUNING MUDA 11 147.0 6 8.0 3.6 500 1 3 4 7.1 4

KUNING BULAT KUNING 14 147.9 7 9.1 3.9 653 2 4 5 7.4 4

KUNING MERUNCING KUNING 20 149.7 6 11.3 4.6 959 1 6 7 8.0 4

PUTIH BULAT KUNING MUDA 17 150.6 7 12.4 4.9 1112 2 7 8 8.3 4

PUTIH BULAT KUNING 14 151.5 8 13.5 5.2 1265 3 8 9 8.6 4

KUNING OVAL KUNING MUDA 11 152.4 6 14.6 5.5 1418 1 9 10 8.9 4

(32)

20

Lampiran 1 Lanjutan

KUNING OVAL ORANGE 17 155.1 6 17.9 5.6 1877 1 12 13 9.8 4

COKLAT OVAL KUNING MUDA 19 156.0 7 19.0 5.1 2030 2 10 14 10.1 4

COKLAT OVAL KUNING ORANGE 18 157.4 6 21.2 4.1 2336 1 6 16 10.7 4

COKLAT OVAL ORANGE 15 158.1 7 19.6 4.4 2489 2 4 17 10.5 4

PUTIH KUNING PUCAT BULAT KUNING MUDA 12 158.8 8 18.0 4.7 2280 3 5 14 10.3 4

PUTIH KUNING COKLAT OVAL KUNING ORANGE 13 159.5 6 16.4 5.0 2071 1 6 11 10.1 4

PUTIH KUNING PUCAT RUNCING KUNING MUDA 14 160.2 7 14.8 5.3 1862 2 7 8 9.9 4

COKLAT MERUNCING KUNING 15 160.9 8 13.2 5.6 1653 3 8 5 9.7 4

PUTIH KUNING COKLAT MERUNCING KUNING MUDA 16 161.6 6 11.5 5.9 1444 1 9 7 9.5 4

PUTIH KUNING PUCAT MERUNCING KUNING 17 162.3 7 9.9 6.2 1235 2 10 9 9.3 4

(33)

21

Lampiran 2 Data kunyit yang telah di tranformasi

1 1 1 3 1 2 1 3 3 2 3 1 1 1

2 1 2 3 2 1 1 1 1 1 1 1 2 2

3 2 1 3 2 1 2 1 1 1 2 2 1 3

1 1 1 3 3 1 3 2 4 1 3 3 3 4

1 1 1 1 1 1 1 2 1 1 1 1 1 1

2 1 2 3 3 2 2 2 1 2 2 2 3 2

3 2 1 3 3 1 3 1 4 1 3 2 2 3

4 3 3 1 3 3 1 3 4 1 3 1 3 4

1 1 1 1 1 2 1 3 1 2 2 1 1 1

2 1 2 3 3 1 2 2 1 1 1 2 2 2

3 2 1 3 3 2 3 2 4 2 3 2 2 3

1 1 1 1 1 2 1 1 1 2 1 1 1 4

1 1 1 2 1 1 1 3 2 1 2 2 1 1

2 1 2 3 3 2 1 2 1 2 1 1 2 2

3 2 1 3 2 3 3 1 1 3 3 3 1 3

4 4 3 3 3 3 3 3 4 3 3 3 3 4

1 1 1 3 1 1 1 3 3 1 3 1 1 1

2 1 2 3 3 1 2 1 2 1 2 2 3 2

3 2 1 3 2 1 3 1 2 1 3 3 1 3

5 3 4 1 1 1 1 1 1 1 1 1 1 4

1 1 1 2 1 1 1 3 1 1 2 2 1 1

(34)

22

Lampiran 2 Lanjutan

3 2 1 3 2 2 3 1 1 2 3 3 1 3

4 3 3 2 1 2 1 1 1 2 1 1 1 4

1 1 1 2 1 2 1 3 2 2 2 2 1 1

2 1 2 3 2 2 2 2 3 2 1 2 3 2

3 2 1 3 3 2 3 1 2 2 2 3 1 3

2 1 2 3 1 3 1 1 1 3 1 1 1 4

1 1 1 3 1 2 1 3 4 2 1 1 1 1

2 1 2 3 3 2 2 2 3 2 2 1 2 2

3 2 1 3 2 2 3 1 1 2 2 2 1 3

4 4 3 3 1 1 1 2 2 1 2 1 1 4

1 1 1 3 1 1 1 3 3 1 2 2 1 1

2 1 2 3 3 2 2 1 4 2 1 1 2 2

3 2 1 3 3 3 3 2 2 3 2 2 2 3

1 3 4 3 1 2 2 2 2 2 2 2 1 4

1 1 1 2 1 2 2 3 2 2 2 2 1 1

2 1 2 3 3 2 2 2 2 2 1 2 3 2

3 2 1 3 3 1 3 2 2 1 2 2 2 3

1 3 3 2 1 3 2 2 2 3 2 2 2 4

1 1 1 1 1 1 2 3 2 1 2 2 2 1

2 1 2 3 3 1 2 2 2 1 1 2 3 2

3 2 1 3 2 3 3 1 1 3 2 2 1 3

4 1 4 1 1 1 2 3 3 1 2 2 2 4

(35)

23

Lampiran 2 Lanjutan

2 1 2 3 3 1 2 1 3 1 1 1 2 2

3 2 1 3 2 1 3 1 1 1 2 2 1 3

1 1 3 2 1 2 2 3 3 2 3 2 2 4

1 1 1 1 1 2 2 2 1 2 2 2 2 1

2 1 2 3 3 1 2 1 4 1 1 1 2 2

3 2 1 3 3 2 3 2 2 2 2 2 2 3

4 1 4 2 1 3 3 3 3 3 3 2 2 4

1 1 1 2 1 1 2 2 1 1 3 2 2 1

2 1 2 3 3 1 1 2 4 1 2 2 3 2

3 2 1 3 2 1 3 1 1 1 2 2 1 3

4 1 3 3 1 1 3 3 4 1 3 2 2 4

1 1 1 3 1 2 2 2 1 2 3 2 2 1

2 1 2 3 3 1 1 2 4 1 1 2 3 2

3 2 1 3 2 2 3 1 1 2 2 3 1 3

5 1 1 3 1 2 3 2 4 2 3 3 3 4

1 1 1 1 1 1 2 3 1 1 1 3 2 1

2 1 2 3 2 2 1 2 3 2 2 1 2 2

3 2 1 3 3 3 3 2 3 3 3 2 2 3

3 2 4 3 1 3 3 2 4 3 2 3 3 4

1 1 1 1 1 2 2 3 1 2 2 1 2 1

2 1 2 3 2 1 1 2 2 1 1 2 2 2

3 2 1 3 3 1 3 2 3 1 3 3 2 3

(36)

24

Lampiran 2 Lanjutan

1 1 1 2 1 2 2 3 2 2 3 1 2 1

2 1 2 3 3 2 1 2 4 2 1 2 3 2

3 2 1 3 3 1 3 1 3 1 2 3 2 3

5 1 2 2 2 2 3 1 4 2 1 3 3 4

1 1 1 1 1 2 2 3 2 2 2 2 2 1

2 1 2 3 2 1 1 2 3 1 2 1 3 2

3 2 1 3 3 2 3 2 3 2 3 3 2 3

2 3 1 1 2 3 3 2 4 3 1 3 3 4

1 1 1 1 1 1 3 3 2 1 2 3 2 1

2 1 2 3 2 2 2 2 1 2 1 2 2 2

3 2 1 3 3 3 3 2 3 3 2 3 2 3

3 1 4 2 2 1 3 2 4 1 2 2 3 4

1 1 1 3 1 1 2 2 3 1 3 1 2 1

2 1 2 3 3 2 1 1 4 2 2 1 3 2

3 2 1 3 3 2 3 1 3 2 2 2 2 3

2 2 1 2 2 2 2 2 4 2 2 2 2 4

1 1 1 3 1 2 1 3 3 2 1 1 2 1

2 1 2 3 3 2 1 2 4 2 1 2 3 2

3 2 1 3 3 3 3 1 4 3 2 2 2 3

5 4 2 2 2 3 2 3 3 3 2 1 2 4

1 1 1 2 1 1 1 3 3 1 2 2 2 1

2 1 2 3 3 2 2 2 2 2 2 1 2 2

(37)

25

Lampiran 2 Lanjutan

3 4 1 3 2 1 1 3 3 1 2 1 2 4

1 1 1 1 1 2 1 3 4 2 2 2 2 1

2 1 2 3 2 1 2 2 1 1 1 2 2 2

3 2 1 3 3 1 3 2 4 1 2 3 2 3

2 4 4 3 2 2 1 3 2 2 3 2 2 4

1 1 1 3 1 1 1 3 4 2 3 2 2 1

2 1 2 3 3 1 2 1 3 2 2 1 3 2

3 2 1 3 3 2 3 2 4 2 2 3 2 3

(38)

26

Lampiran 3 Jumlah anakan

6 Sedikit 1

7 Sedang 2

8 Banyak 3

Lampiran 4 Panjang daun

8.0−11.9 Pendek 1

12.0−15.8 Sedang 2

16.0−23.0 Panjang 3

Lampiran 5 Lebar daun

3.6−4.5 Kecil 1

4.6−5.4 Sedang 2

5.5−6.4 Lebar 3

Lampiran 6 Berat rimpang per rumpun

500− 915 Kecil 1

939−1409 Sedang 2

1410−1828 Lebar 3

1862−2500 Sangat lebar 4 Lampiran 7 Jumlah rimpang induk

Lampiran 8 Jumlah rimpang primer

Range frekuensi Ordinal Numerik

3− 5 Sedikit 1

6− 9 Sedang 2

10−12 Banyak 3

Lampiran 9 Jumlah rimpang sekunder

Range frekuensi Nominal Numerik

(39)

27

Lampiran 10 Kadar kurkumin

Range frekuensi Ordinal Numerik

7.1− 8.4 Sedikit 1

8.5− 9.9 Sedang 2

(40)

28

(41)

29

(42)

30

(43)

31

(44)

32

Lampiran 15 Data uji yang diujikan pada decision tree

WDR BPD WB TT LD BRR KK VK

1 1 1 1 3 2 2 1

2 1 2 3 2 2 3 2

1 2 3 2 1 1 1 3

4 1 4 1 3 3 2 4

1 1 1 1 2 2 2 1

2 1 2 3 1 3 2 2

1 2 3 2 1 1 1 3

3 1 1 1 3 3 2 4

1 1 1 1 2 1 2 1

2 1 2 3 1 4 2 2

1 2 3 3 2 2 2 3

4 1 4 1 3 3 2 4

1 1 1 1 2 1 2 1

2 1 2 3 2 4 3 2

1 2 3 2 1 1 1 3

3 1 4 1 3 4 2 4

1 1 1 1 2 1 2 1

2 1 2 3 2 4 3 2

1 2 3 2 1 1 1 3

(45)

33

Lampiran 16 Data kunyit yang salah klasifikasi

(46)

34

RIWAYAT HIDUP

Penulis dilahirkan di Pakan Sinayan tanggal 30 September 1989 dari Ibu Sukmanirwati dan Bapak Zamzami. Penulis merupakan anak kelima dari lima bersaudara. Pada tahun 2007, penulis lulus dari Sekolah Menengah Atas (SMA) Negeri 1 Tilatang Kamang, dan pada tahun yang sama diterima di Diploma Institut Pertanian Bogor Program Keahlian Teknik Komputer. Pada tahun 2010 penulis lulus dari Diploma Institut Pertanian Bogor dan melanjutkan pendidikan di Program Alih Jenis Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, IPB.