Identifikasi Ubi Jalar Menggunakan Metode Decison Tree J48

(1)

IDENTIFIKASI VARIETAS UBI JALAR MENGGUNAKAN

METODE

DECISION TREE

J48

EVA NATALIS SINUHAJI

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

(2)

Skripsi

sebagai salah satu syarat untuk memperoleh gelar

Sarjana Komputer pada

Departemen Ilmu Komputer

IDENTIFIKASI VARIETAS UBI JALAR MENGGUNAKAN

METODE

DECISION TREE

J48

EVA NATALIS SINUHAJI

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

(3)

ABSTRACT

EVA NATALIS SINUHAJI. Identification of Cassava Varieties Using Decision Tree J48. Supervised by SRINURDIATI.

Cassava is one of the most important staple food in the human body.Like a rice, sweet potato contains carbohydrates. Cassava widely used by consumers as their basic needs as well as their health needs. The characteristics of cassava, like its shape, size, and tuber formation,are necessary to know utilization. Therefore, in order to identify cassava using its features, an application is created in this research. In this research are used data, which divided into 40 training set and 20 testing set. Using J48 decision tree, training set are processed to produce an identification model. The model then was

tested using 20 testing set. The result showed that only 19 can be identified correctly. Hence, the accuracy of the model reaches 90%.

(4)

Judul Skripsi : Identifikasi Ubi Jalar Menggunakan Metode Decison Tree J48 Nama : Eva Natalis Sinuhaji

NRP : G64086058

Menyetujui: Pembimbing

Dr.Ir. Sri Nurdiati, M.Sc NIP. 196011261986012001

Mengetahui:

Ketua Departemen Ilmu Komputer

Dr. Ir. Agus Buono, M.Si, M.Kom NIP. 19660702 199302 1 001

(5)

PRAKATA

Segala puji dan syukur penulis ucapkan ke hadirat Tuhan Yang Maha Esa atas segala berkat, kasih dan karunia-Nya sehingga penulis dapat menyelesaikan tugas akhir yang berjudul Identifikasi Varietas Ubi Jalar Menggunakan Metode Decision Tree J48. Penulis mengucapkan banyak terima kasih kepada Dr. Ir. Sri Nurdiati, M.Sc selaku pembimbing yang telah memberikan motivasi, ide-ide, saran, dan juga nasihat kepada penulis. Penulis juga mengucapkan terima kasih kepada Aziz Kustiyo, S.Si., M.Kom dan kepada Hari Agung, S.Si., M.Si selaku dosen penguji yang telah memberikan saran dan kritik yang membangun kepada penulis. Selanjutnya, penulis ingin mengucapkan terima kasih kepada:

1 Kedua orang tua yang telah memberikan motivasi, bimbingan, dan doa.

2 Teman-teman ekstensi Ilkom IPB yang telah membantu penulis menyelesaikan tugas akhir. 3 Teman-teman satu bimbingan atas kerjasamanya selama penelitian.

4 Seluruh dosen dan staf Departemen Ilmu Komputer IPB.

Semoga penelitian yang dikerjakan dapat memberikan manfaat bagi perkembangan ilmu pengetahuan.

Bogor, Maret 2013

(6)

RIWAYAT HIDUP

(7)

v

DAFTAR ISI

Halaman

DAFTAR TABEL ... vi

DAFTAR GAMBAR ... vi

DAFTAR LAMPIRAN ... vi

PENDAHULUAN Latar belakang ... 1

Tujuan ... 1

Ruang Lingkup ... 1

Manfaat ... 2

TINJAUAN PUSTAKA Ubi Jalar ... 2

Pohon Keputusan ... 2

Entropi dan Gain ... 2

WEKA ... 2

J48 ... 3

METODE PENELITIAN Pengumpulan Data ... 3

Praproses Data ... 4

Proses Identifikasi ... 4

Pengujian ... 4

Spesifikasi Implementasi... 4

HASIL DAN PEMBAHASAN Deskripsi Data ... 4

Praproses Data ... 5

Proses Identifikasi ... 5

KESIMPULAN ... 9

SARAN ... 9

DAFTAR PUSTAKA ... 9

(8)

vi

DAFTAR TABEL

Halaman

1 Kode ciri ubi jalar ... 5

2Data latih untuk perhitungan entropi warna kulit umbi ... 6

3 Confusion matrix... 9

DAFTAR GAMBAR

Halaman 1Diagram alur penelitian. ... 3

2 Model antarmuka web. ... 4

3 Pohon keputusan. ... 7

4 Model pohon keputusan direpresentasikandalam bentuk aturan (rule). ... 7

5 Tampilan awal web. ... 8

6 Form ubi jalar. ... 8

7 Hasil identifikasi varietas ubijalar. ... 8

DAFTAR LAMPIRAN

Halaman 1Daftar nama varietas/kelas dan karakter ubi jalar ... 12

2 Daftar nama varietas/kelas dan karakter bertipe nominal ... 15

3 Data latih ... 18

4 Data uji ... 22

5 Pengisian form ciri-ciri ubi jalar yang akan diidentifikasi ... 23

6 Tampilan output sistem identifikasi tanaman ubi jalar ... 24

7 Tampilan tree sistem identifikasi tanaman ubi jalar ... 25

8Rule varietas ubi jalar ... 26

9Kode algoritmedari rulevarietas ubi jalar ... 27

(9)

PENDAHULUAN

Latar belakang

Ubi jalar atau yang biasa disebut ketela rambat merupakan salah satu kebutuhan pokok yang sangat penting yang dapat disamakan dengan beras karena mengandung karbohidrat. Ubi jalar yang banyak dimanfaatkan oleh konsumen menjadi kebutuhan pokok dan keperluan kesehatan. Ubi jalar merupakan sumber pangan yang paling efisien dalam memproduksi karbohidrat per-satuan waktu. Ditinjau dari komposisi kimianya, ubi jalar berpotensial sebagai sumber karbohidrat, mineral, dan vitamin (Setyono et al.1993).

Karakteristik ubi jalar seperti bentuk, ukuran, dan formasi umbi perlu diketahui, karena berkaitan erat dengan pemanfaatannya. Informasi dari hasil evaluasi karakteristik pada ubi jalar dapat dijadikan sebagai bahan pertimbangan dalam memilih varietas yang diperkirakan memiliki kontribusiuntuk memperoleh varietas unggul baru.Beberapa karakteristik tersebut memiliki hubungan dan kemiripan yang sangat berdekatan sehingga sedikit sulit untuk membedakan setiap varietas.

Varietas/kultivar ubi jalar banyak ditanam di berbagai daerah. Ubi jalar yang tumbuh di dunia diperkirakan berjumlah lebih dari 1000 jenis, tetapi yang masih dapat diidentifikasi oleh peneliti sekitar 142 jenis. Varietas yang diteliti oleh peneliti dalam penelitian ini ada 20 (dua puluh) varietas unggul, ke-20 (dua puluh) varietas unggul yang kemudian diteliti di Balai Besar Penelitian dan Pengembangan Bioteknologi dan Sumber Daya Genetik Pertanian Bogor (BB Biogen Bogor).

Seiring dengan perkembangan plasma nutfah, ubi jalar yang terus bertambah setiap waktunya dan jumlah varietas ubi jalar juga terus meningkat sehingga sulitnya membedakan setiap varietas karena cirinya yang hampir sama. Untuk itu, dengan dibangunnya sebuah aplikasi identifikasi ubi jalar, diharapkan dapat membantu peneliti/petugas dalam mengidentifikasi apakah varietas tersebut merupakan varietas baru atau merupakan varietas-varietas yang sudah ada di dalam data.

Untuk itu, dalam penelitian ini akan dibuat sebuah aplikasi yang tujuannya membantu peneliti dalam mengidentifikasi ubi jalar. Aplikasi tersebut menggunakan salah satu metode learning, yaitu metode decision

tree.Decision tree adalah salah satu metode belajar (learning) yang sangat populer dan banyak digunakan serta cukup praktis.Decision tree juga salah satu metode identifikasi yang mudah diinterpretasi oleh manusia karena kemampuannya dalam pengambilan keputusan yang lebih kompleks menjadi lebih sederhana yang direpresentasikan dalam bentuk pohon. Salah satu contohdecision tree adalah J48.

J48 adalah salah satu jenis decision tree yang umumnya digunakan untuk menemukan aturan yang diharapkan berlaku umum untuk data yang tidak lengkap atau yang belum pernah diketahui. J48 adalah algoritme data dengan metode pohon keputusan yang memiliki kelebihan seperti mengolah data numerik (kontinu) dan diskret, dapat menangani nilai atribut yang hilang, menghasilkan aturan-aturan yang mudah diinterpresentasikan dan tercepat di antara algoritme-algoritme yang menggunakan memori utama di komputer.

Penelitian identifikasi dengan menggunakan J48 telah banyak dilakukan sebelumnya, diantaranya oleh Lesmana (2012) dengan topik perbandingan kinerja Decision

Tree J48 dan ID3 dalam Pegklasifikasian

Diagnosis Penyakit Diabetes Mellitus. Nurma (2008) dengan topik teknik klasifikasi pohon keputusan untuk memprediksi kebangkrutan bank berdasarkan rasio keuangan bank menggunakan J48. Dari semua penelitian yang dilakukan sebelumnya, belum ada yang melakukan penelitian pengidentifikasian ubi jalar. Oleh karena itu, penelitian ini bertujuan membangun aplikasi untuk mengidentifikasi ubi jalar menggunakan ciri-ciri ubi jalar yang diperoleh dari peneliti sebelumnya. Ciri-ciri tersebut akan menjadi masukan dari pengguna pada aplikasi yang akan dibangun.

Tujuan

Tujuan dari penelitian ini adalah untuk membuat aplikasi pengidentifikasian varietas ubi jalar yang diharapkan membantu peneliti dalam mengidendentifikasi ubi jalar berdasarkan ciri yang dimasukkan oleh pengguna dengan menggunakan metode Decision Tree J48.

Ruang Lingkup

(10)

(2) Penggunaan Tools WEKA (Waikato

Environment for Knowledge Analysis)

untuk membangkitkan rule karakter ubi jalar.

(3) Membangun aplikasi web untuk mengidentifikasi varietas ubi jalar. Manfaat

Pemanfaatan sistem identifikasi ini untuk membantu peneliti/teknisi dalam mengidentifikasi varietas ubi jalar apakah merupakan varietas baru atau termasuk dalam jenis ubi jalar yang terdapat dalam data.

TINJAUAN PUSTAKA

Ubi Jalar

Ubi jalar/ketela rambat atau “sweet

potato” diduga berasal dari Benua Amerika. Para ahli botani dan pertanian memperkirakan tanaman ubi jalar berasal dari Selandia Baru, Polinesia, dan Amerika bagian tengah. Nikolai Ivanovich Vavilov, seorang ahli botani Soviet, memastikan daerah sentrum primer asal tanaman ubi jalar adalah Amerika Tengah.

Ubi jalar merupakan jenis tanaman yang banyak tumbuh tersebar berjumlah sekitar 1000 jenis, dan hanya 142 varietas yang dapat teridentifikasi oleh para peneliti. Lembaga penelitian yang menangani ubi jalar, antara lain: International Potato Centre (IPC) dan Centro International de La Papa (CIP). Di Indonesia, penelitian dan pengembangan ubi jalar ditangani oleh Pusat Penelitian dan Pengembangnan Tanaman Pangan atau Balai Penelitian Kacang-kacangan dan Umbi-umbian (Balitkabi),Departemen Pertanian(Rukmana1997).

Pohon Keputusan

Pohon keputusan adalah model prediksi menggunakan struktur pohon atau struktur berhierarki. Jika sebuah pohon keputusan telah dibangun maka dapat digunakan untuk mengidentifikasikan record yang belum ada varietas/kelasnya.Record yang kelasnya tidak diketahui kemudian diberikan kelas yang sesuai dengan kelas yang ada pada node daun. Pada pohon keputusan setiap simpul daun menandai label kelas(Niwanputri 2007). Entropi dan Gain

Entropi merupakan jumlah bit yang diperkirakan dibutuhkan untuk dapat mengekstrak suatu kelas dari sejumlah data acak pada ruang sehingga menghasilkan nilai

informasi dari suatu kumpulan ciri (Mitchell 1997).

Entropi dapat dihitung dengan menggunakan rumus:

S : Himpunan kasus (data) yang digunakan untuk pelatihan

N : Jumlah partisi S

P : Proporsi dari Si terhadap S

Entropi (S) sama dengan 0 jika semua contoh pada S berada dalam kelas yang sama. Entropi (S) sama dengan 1, jika jumlah contoh positif dan negatif dalam S adalah sama. Entropi (S) lebih dari 0 tetapi kurang dari 1, jika jumlah contoh positif dan negatif dalam S tidak sama.

Nilai entropi terkecil atau nilai Gain terbesar yang dipilih untuk menentukan node awal dan perhitungan entropi dilakukan terus-menerus sampai iterasi selesai.Kemudian untuk menghitung perolehan informasi dari

output data atau variabely yang

dikelompokkan berdasarkan atribut A dinotasikan dengan gain (y,A). Perolehan informasi, gain (y,A), dari atribut A relatif terhadap output data y adalah:

nilai (A) adalah semua nilai yang mungkin dari atribut A, dan yc adalah subset dari y dengan A mempunyai nilai c. Term pertama dalam persamaan diatas adalah entropitotal y dan term kedua adalah entropi sesudah dilakukan pemisahan data berdasarkan atribut A.

WEKA

WEKA adalah aplikasi open sourcedata

mining yang berbasis Java. Aplikasi ini

dikembangkan oleh Universitas Waikato di Selandia Baru. WEKA terdiri atas koleksi algoritme mesin learning untuk melakukan generalisasi atau formulasi dari sekumpulan data sampling.WEKA dapat digunakan untuk membantu mengidentifikasikan data.

(11)

Ross Quinlan. Dalam prosedur algoritme ID3, input berupa sampel training, label training dan atribut. Algoritme C4.5 merupakan pengembangan dari ID3. Pada Perangkat lunak open source WEKA mempunyai versi sendiri C4.5 yang dikenal sebagai J48 (Moertini2007).

Algoritme J48

Algoritme J48 adalah salah satu kelas yang merupakan bagian dari algoritme decision tree di paket classifiers pada sistem WEKA. J48 disebut juga implementasi dari algoritme C4.5. Algoritme C4.5 adalah algoritme klasifikasi data dengan teknik pohon keputusan berdasarkan data training/latih. C4.5 merupakan pengembangan dari ID3. Pengembangan pada C4.5 membuat disukai dan terkenal karena memiliki kelebihan-kelebihan.J48 menangani himpunan data dalam format ARFF, tidak mengandung kode untuk mengkonstruksi pohon keputusan. Kelas ini mereferensi kelas-kelas lain, kebanyakan di paket weka.classifiers.j48, yang mengerjakan semua proses konstruksi pohon. Secara umum algoritme J48 dalam membangun pohon keputusan adalah sebagai berikut.

Algoritme C4.8

Input : sampel training, label training, atribut Membuat simpul akar untuk pohon yang dibuat

Jika semua sampel positif, berhenti dengan suatu pohon dengan satu simpul akar, beri label (+)

Jika semua sampel negatif, berhenti dengan suatu pohon dengan satu simpul akar, beri label (-)

Jika atribut kosong, berhenti dengan suatu pohon dengan satu simpul akar, dengan label sesuai nilai yang terbanyak yang ada pada label training

Untuk yang lain, Mulai

A ← atribut yang mengklasifikasikan sampel dengan hasil terbaik (berdasarkan gain ratio)

Atribut keputusan untuk simpul akar ← A

 Untuk setiap nilai, vi, yang mungkin untuk A,

− Tambahkan cabang dibawah akar yang berhubungan dengan A =vi

− Tentukan sampel Svi sebagai

subset dari sampel yang mempunyai nilai vi untuk atribut A

− Jika sampel Svikosong,

 Dibawah cabang tambahkan simpul daun dengan label = nilai yang terbanyak yang ada pada label training

 Yang lain, tambah cabang baru dibawah cabang yang sekarang C4.5(sampel training, label training, atribut-[A])

Berhenti (Mitchell 1997)

METODE PENELITIAN

Adapun tahap-tahap pembentukan aplikasi pengidentifikasian ubi jalar dapat dilihat pada Gambar 1.

Gambar 1Diagram alur penelitian. Pengumpulan Data

Pengumpulan data digunakan untuk kebutuhan analisis data. Data dan informasi dapat berupa pencarian sumber-sumber yang terkait dalam penelitian, data kebutuhan dan informasi yang berhubungan dengan penelitian.

(12)

Praproses Data

Data yang diperoleh, dianalisis dengan menggunakan seluruh parameter tanpa mengurangi dan mengubah karakter lain dalam data. Parameter beserta seluruh

instancedigunakan karena dianggap penting

dalam proses pengidentifikasian. Proses Identifikasi

Dalam hal ini data dibagi menjadi dua bagian, data uji dan data latih. Data latih tersebut diolah menggunakan pohon keputusan (decision tree) J48 untuk mendapatkan aturan/rule yang akan dibuat menjadi model.Model prediksi data latih menggunakan struktur pohon dimana setiap percabangan menyatakan ciri/karakter ubi jalar yang harus dipenuhi dan tiap ujung pohon menyatakan jenis varietas ubi jalar. Model data latih tersebut akan digunakan untuk menguji data baru atau data uji.Setelah data latih diolah menggunakan pohon keputusan,data akan diinterpretasikan ke dalam sebuah aplikasi pengidentifikasian ubi jalar berbasis web. Aplikasi yang digunakan dengan berbasis web agarpengguna dapat mengakses dari komputer manapun yang terhubung ke Internet menggunakan browser standar sehingga tidak perlu dipasang di setiap komputer lokal dan pengguna dapat mengakses data yang dibutuhkan.

Antarmuka aplikasi identifikasi yang akan dibangun berbentuk aplikasiweb pada Gambar 2 berikut.

Gambar2Model antarmuka web. Pengujian

Tahap ini adalah menguji aplikasi apakah sudah berfungsi dengan baik dan memberi output/keluaran yang sesuai. Akurasi dari

aplikasi identifikasi varietas ubi jalar dapat dihitung dengan rumus:

Akurasi =

Spesifikasi Implementasi

Aplikasi yang digunakan pada penelitian ini dibangun dengan menggunakan perangkat keras dan perangkat lunak dengan spesifikasi sebagai berikut:

Spesifikasi perangkat keras berupa:

(1)Processor AMD-C50 Processor 1.00 GHz

(2)RAM kapasitas 1 GB (3)Harddisk kapasitas 320 GB.

(4)Monitor pada resolusi 1024×600pixels

(5)Keyboard dan Mouse

Perangkat lunak berupa :

(1)Sistem Operasi : Microsoft Windows 7 PC (2)XAMPP 1.7.1 yang terdiri atas

WebServerApache 2.2.11 dan Bahasa

Pemrograman: PHP 5.0

(3)Browser GoogleChrome

(4)WEKA versi 3.6.4 (5)Adobe Dreamweaver CS 3 (6)Java JDK 1.6.exe (versi lainnya)

HASIL DAN PEMBAHASAN

Deskripsi Data

Perkembangan varietas tanaman yang terus bertambah, jumlah tanaman ubi jalar yang juga terus meningkat, menyebabkan sulitnya membedakan dari masing-masing tanaman ubi jalar karena penampilan, ukuran, dan warnanya hampir sama. Karena sulitnya membedakan varietas ubi jalar tersebut,dibutuhkan sebuah aplikasi untuk mengidentifikasi ubi jalar.

Tujuan membuat aplikasi ini adalah membuat aplikasi untuk membantu peneliti/teknisi dalam mengidentifikasi varietas ubi jalar berdasarkan karakter cirinya. Karakter ini akan memberikan keluaran ubi jalar yang sudah diteliti oleh BBBiogen Bogor.

(13)

Parameter ciri/karakter yang dipakai dalam membangun aplikasi ini dapat direpresentasikan dalam Tabel 1.

Tabel 1 Kode ciri ubi jalar

Parameter Kode Keterangan Warna_Kulit_ Umbi 1 2 3 4 5 6 Krem Krem Tua Putih Merah Merah Tua Merah Muda Warna_Daging_ Umbi 1 2 3 4 5 Kuning Kuning pucat Putih Orange Krem Tipe_Tanaman 1

2 3 4 Semi Tegak Tegak Menjalar Semi Kompak Bentuk_Daun 1

2 3 Jantung Racik Segitiga Warna_ Daun_Tua 1 2 3 Hijau Hijau Tua Ungu Warna_Daun_ Muda 1 2 3 4 Ungu Ungu Muda Hijau Hijau Tepi Warna_Tangkai Daun 1 2 3 4 Ungu Hijau Hijau Bintik Ungu Hijau garis Ungu

Tabel 1 merupakan Karakteristik yang pada Lampiran 1 yang merepresentasikan ciri pembeda antara varietas ubi jalar dan cara pengkodean karakter. Misalnya warna kulit umbi terdiri atas 6 kategori, yaitu krem, krem tua, putih, merah, dan merah tua.

Fitur yang datanya bertipe nominal direpresentasikan langsung sesuai dengan kode.

Praproses Data

Tahapan praproses data dilakukan dengan menyiapkan data yang akan diolah sebelum masuk kedalam pengidentifikasi data. Data yang akan diolah menggunakan data varietas ubi jalar yang terdiri atas 9 ciri/karakter ubi jalar, dengan 2 jenis data bertipe numerik yaitu parameter berat umbi dan Jumlah umbi sedangka 7 jenis data bertipe nominal yaitu parameter warna daging umbi, tipe tanaman, bentuk daun, warna daun tua, warna daun muda, warna tangkai daun. Pengambilan data dilakukan dengan teknik pengumpulan sampel(sampling).

Data diproses dengan menggunakan teknik representasi pohon keputusan (decision tree). Pohon keputusan ini bisa dicari secara terus menerus sampai terbentuk sebuah pohon keputusan dengan bobot entropi masing-masing.

Proses Identifikasi

Varietas ubi jalar yang berjumlah 60 data dibagi menjadi 40 data sebagai data latih dan 20 data sebagai data uji. Data latih diproses dengan menggunakan teknik representasi pohon keputusan (decision tree) J48. Pohon keputusan mampu memberikan sebuah keputusan dengan pertanyaan/aturan yang terstruktur sehingga membentuk model data training.

Model data training tersebut akan menghasilkan pohon keputusan yang berusaha menemukan sebuah keputusan yang mampu mengidentifikasikan data trainingdengan baik.

Model yang terbentuk ini juga akan dijadikan rule/aturan atau bisa disebut pengganti query dalam proses searching (pencarian).Model direpresentasikan dalam bentuk pohon aturan. Sembilan karakter yang ada direpresentasikan dalam bentuk pohon dengan menggunakan rule hasil perhitugan nilai entropi. Perhitungan nilai entropi ini akan dilakukan secara terus menerus sampai terbentuk sebuah pohon keputusan dengan bobot entropi masing-masing.Perhitungan nilai entropi menggunakan logaritme basis 2.Perhitungan pertama yang dilakukan adalah, menghitung nilai entropi seluruhvarietas Ubi Jalar dengan rumus:

Ada 20 jenis ubi jalar yang digunakan dan direpresentasikan ke dalam perhitungan nilai entropi. Untuk mencari seluruhnya, ditentukan peluang masing-masing varietas ubi jalar : prob (1) =2/40 Peluang untuk jenis lokal

banjaran

prob (2) = 2/40 Peluang untuk jenis Biru Mantang

prob (3) = 2/40 Peluang untuk jenis Kalasan

prob (4) = 2/40 Peluang untuk jenis Sablah

prob (5) = 2/40 Peluang untuk jenis Kuning

prob (6) = 2/40 Peluang untuk jenis Andoi Atega

(14)

Mantang Merah

prob (8) = 2/40 Peluang untuk jenis Super

prob (9) = 2/40 Peluang untuk jenis Lokal Pekalongan prob(10) = 2/40 Peluang untuk jenis

Lokal Samarinda

prob(11) = 2/40 Peluang untuk jenis Jepang -2

prob(12) = 2/40 Peluang untuk jenis Lokal Cilacap

prob(13) = 2/40 Peluang untuk jenis Sirihit

prob(14) = 2/40 Peluang untuk jenis Kalasan -12

prob(15) = 2/40 Peluang untuk jenis Bis 175-40-26

prob(16) = 2/40 Peluang untuk jenis 159-3

prob(17) = 2/40 Peluang untuk jenis Bis 192-58-69

prob(18) = 2/40 Peluang untuk jenis Kentang

prob(19) = 2/40 Peluang untuk jenis Retok

prob(20) = 2/40 Peluang untuk jenis Arnet

Jadi, entropi seluruhnya =

(-2/40 )log2(2/40) - (2/40 )log2(2/40) -

(2/40 )log2 (2/40) - (2/40 )log2 (2/40) - (2/40

)log2 (2/40) - (2/40 )log2 (2/40) - (2/40 )log2

(2/60) - (2/40 )log2 (2/40) - (2/40 )log2 (2/40) -

(2/40 )log2 (2/40) - (2/60 )log2 (2/60) - (2/40

)log2 (2/40) - (2/60 )log2 (2/60) - (2/40 )log2

(2/40) - (2/40 )log2 (2/40) - (2/40 )log2 (2/40) -

(2/40 )log2 (2/40) - (2/40 )log2 (2/40) - (2/40

)log2 (2/40) - (2/40 )log2 (2/40) = 4,32

Setelah nilai entropi jenis ubi jalar diperoleh maka dapat dicari nilai entropi setiap parameter, ada sebanyak 7 (tujuh) jenis karakter yang dicari nilai entropinya, yaitu entropi warna kulit umbi, warna daging umbi, tipe tanaman, bentuk daun, warna daun muda, warna daun tua, bentuk tangkai daun.

Perhitungan entropi warna kulit umbi dapat dilihat pada Tabel 2.Entropi warna kulit umbi = Krem dihitung dengan menghitung peluang masuknya nilai krem kedalam jenis varietas ubi jalar, dapat dilihat dengan perhitungan sebagai berikut :

(-2/6) log2 (2/6) - (2/6) log2 (2/6) - (2/6)

log2 (2/6) = 1.59

Entropi warna kulit umbi = putih dihitung dengan:

(-2/10) log2 (2/10) - (2/10) log2 (2/10) -

(2/10) log2 (2/10) - (2/10) log2 (2/10) - (2/10)

log2 (2/10) = 2.32

Entropi warna kulit umbi = krem tua dapat dihitung dengan:

(-2/4) log2 (2/4) - (2/4) log2 (2/4) = 1

Entropi warna kulit umbi = merah

(-2/12) log2 (2/12) - (2/12) log2 (2/12) -

(2/12) log2 (2/12) - (2/12) log2 (2/12) - (2/12)

log2 (2/12) - (2/12) log2 (2/12) = 258

Entropi warna kulit umbi = merah tua dapat dihitung dengan:

(-2/6) log2 (2/6) - (2/6) log2 (2/6) - (2/6)

log2 (2/6) = 1,59

Entropi warna kulit umbi = Merah muda (-2/2) log2 (2/2) - (0/2) log2 (0/2) = 0

Perhitungan nilai entropi parameter lainnya dapat dilihat dalam Lampiran 10. Tabel2Data latih untuk perhitungan entropi

warna kulit umbi Warna Umbi

Kulit

Varietas Juml

-ah

Krem Lokal Banjaran 2

Krem Arnet 2

Krem Kalasan 12 2

Putih Bis 175-40-26 2

Putih Biru Mantang 2

Putih Sablah 2

Putih Kuning 2

Putih Super 2

Krem Tua Kentang 2

Krem Tua Kalasan 2

Merah Andoi Atega 2

Merah Mantang Merah 2

Merah Lokal Pekalongan 2

Merah Lokal Samarinda 2

Merah Bis 192-58-69 2

Merah Retok 2

Merah Tua Jepang 2

Merah Tua Lokal Cilacap 2

Merah Tua Sirihit 2

(15)

Perhitungan nilai gain parameter entropi warna kulit umbi dapat dihitung dengan:

4.32- ((6/40 *1.59) + (10/40 * 2.32) + (4/40*1) + (12/40*2.58) + (6/40*1.59) + (0)) = 2.6275

Pencarian nilai entropi terhadap 9 ciri, dilakukan sampai didapatkanroot pohon keputusan. Nilai gain yang paling tinggi akan di jadikan root. Roottersebut adalah karakter yang paling dominan.

Berdasarkan hasil pohon keputusan yang dibangkitkan dengan menggunakan nilai entropi dan gain yang terbesar,diperolehlah bahwa fitur dari warna kulit umbi yang menjadi root. Warna kulit umbi merupakan Gambar 3Pohon keputusan.

WarnaKulitUmbi = Krem

|WarnaTangkaiDaun = Ungu: Lokal Banjaran (2.0) | WarnaTangkaiDaun = Hijau: Arnet (2.0)

| WarnaTangkaiDaun = Hijau Bintik Ungu: Lokal Banjaran (0.0)

| WarnaTangkaiDaun = Hijau Bintik ungu: Kalasan-12 (2.0)

| WarnaTangkaiDaun = Hijau Garis Ungu: Lokal Banjaran (0.0)

WarnaKulitUmbi = Putih | WarnaDagingUmbi = Kuning

| | Jumlah Umbi/Tanaman <= 1: Biru Mantang (2.0) | | Jumlah Umbi/Tanaman > 1: Kuning (2.0) | WarnaDagingUmbi = Kuning : Biru Mantang (0.0) | WarnaDagingUmbi = Kuning Pucat: Sablah (2.0) | WarnaDagingUmbi = Putih: Super (2.0)

| WarnaDagingUmbi = Orange: Biru Mantang (0.0) | WarnaDagingUmbi = Krem: BIS 175-40-26 (2.0) WarnaKulitUmbi = Krem Tua

| Berat Umbi/Tanaman <= 1800: Kentang (2.0) | Berat Umbi/Tanaman > 1800: Kalasan (2.0) WarnaKulitUmbi = Merah

| WarnaDagingUmbi = Kuning

| | TipeTanaman = Semi Tegak: Andoi Atega (0.0) | | TipeTanaman = Menjalar: Andoi Atega (2.0)

| | TipeTanaman = Semi Tegak: Mantang Merah (0.0) | | TipeTanaman = Menjalar: Mantang Merah (2.0) | | TipeTanaman = Tegak: Lokal Samarinda (2.0) | | TipeTanaman = Semi Kompak: Mantang Merah (0.0) | WarnaDagingUmbi = Orange: Andoi Atega (0.0) | WarnaDagingUmbi = Krem: Andoi Atega (0.0) WarnaKulitUmbi = Merah Tua

| TipeTanaman = Semi Tegak: Jepang-2 (0.0) | TipeTanaman = Menjalar: Jepang-2 (2.0) | TipeTanaman = Tegak: Lokal Cilacap (2.0) | TipeTanaman = Semi Kompak: Sirihit (2.0) WarnaKulitUmbi = Merah Muda: MIS 159-3 (2.0) WarnaKulitUmbi = Merah

| WarnaDagingUmbi = Kuning: Retok (2.0)

| WarnaDagingUmbi = Kuning : BIS 192-58-69 (0.0) | WarnaDagingUmbi = Kuning Pucat: BIS 192-58-69 (0.0)

(16)

kriteria/ciri yang paling berpengaruhdiantara fitur lainnya.Model pohon keputusan bisa dilihat pada Gambar 3.

Dari 40 data yang terdiri atas 20 varietas tersebut terdapat aturan-aturan yang diperoleh dari pohon keputusan untuk membentuk model prediksi varietas ubi jalar. Model pohon keputusan tersebutdirepresentasikan ke dalam rule (aturan). Rule dari pohon keputusan dapat dilihat pada Gambar 4.

Rule yang diperoleh dengan menggunakan decision tree J48 tersebut dijadikan model untuk mengidentifikasi data baru/data uji.Model data training digunakan untuk menguji data testing berdasarkan pada banyaknya (count)datasetrecord yang diprediksi secara benar dan secara tidak benar pada model. Count ini ditabulasikan dalam sebuah tabel yang dikenal sebagai confusion matrix.

Confusion matrix merupakan salah satu

alat ukur matriks yang digunakan untuk menetapkan ketepatan jumlah kelas ubijalar. Adapun Confusion Matrix yang diperoleh dari WEKA J48 dapat dilihat pada Tabel 3.

Dari tabel confusion matrixtersebut, dapat dilihat bahwa varietas ubi jalar biru mantang masuk ke dalam kelompok kelas ubi jalar kuningdan varietas ubi jalar kentang masuk ke dalam kelompok varietas ubi jalar kalasan.

Setelah dilakukan pengolahan pada data uji maka hasil dari data uji akan diimplementasikan ke dalam sebuah aplikasi. Aplikasi yang digunakan berbasis web. Adapun tampilan awal saat aplikasi dibuka dapat dilihat pada Gambar 5.

Gambar 5Tampilan awal web. Implementasi

Proses implementasi yang dilakukan pada setiap masukan/rule akan menghasilkan nilai,

dengan setiap masukan akan diproses untuk mendapatkan keluaran/output. Dalam hal ini masukan berupa data yang akan diidentifikasi. Pengguna dapat memasukkan ciri dari parameter ubi jalar, seperti warna umbi, warna umbi daging, tipe tanaman, bentuk daun, warna daun tua, warna daun muda, warna tangkai daun. Dari ciri masukan tersebut varietas ubi jalar yang diharapkan dapat menghasilkan keputusan yang sesuai.

Pada Gambar 6 ditampilkan form yang akan diisi untuk proses pengecekan data uji. Parameter dengan ciri-ciri ubi jalar di latih sesuai dengan model data training.

Pada Gambar 7, terlihat bahwa nilai yang dihasilkan dari rule menghasilkan keluaran. Ini diartikan hasil keluaran tersebut merepresentasikan data varietas ubi jalar

Gambar 6Form ubi jalar.

(17)

Pengujian

Pengujian aplikasi dilakukan dengan memasukkan data uji sebanyak 20 data. Pada tahap pengujian, pengguna memasukkan data yang terdiri atas warna umbi, warna umbi daging, tipe tanaman, bentuk daun, warna daun tua, warna daun muda, warna tangkai daun (Lampiran6). Setelah data diisi oleh

pengguna kemudian “SIMPAN” maka output

yang dihasilkan dapat diketahui untuk selanjutnya dilakukan pencocokandengan data dan rule yang sudah tersedia. Bentuk keluaran dari form yang diisi pengguna akan menampilkan varietas ubi jalar yang sesuai (Lampiran 7).

Berdasarkan hasil pengujian terhadap 20 data yang sudah dimasukkan ke dalam aplikasi, terdapat 19 data uji yang sesuai dan 1(satu) data yang tidak sesuai dengan data sebenarnya.Dengandemikian, tingkat akurasi dari aplikasi identifikasi varietas ubi jalar ini sebesar 95%.

KESIMPULAN

Pada penelitian ini telah dibentuk sebuah aplikasi web untuk mengidentifikasi ubi jalar menggunakan teknik decision tree J48. Dari data yang diuji ke dalam aplikasi ada 19 data yang sesuai dan 1(satu) data yang tidak sesuai dengan data sebenarnya. Hal ini disebabkan

oleh data yang memiliki kemiripan yang hampir sama dari segi ciri tanaman ubi jalar. Secara umum aplikasi yang dibangun ini memiliki keakuratan sebesar 90 %.

SARAN

Saran untuk peneliti lanjutan dengan topik sejenis adalah:

(1)Data yang diolah dapat di-update dengan menambah data, karena semakin banyak data, maka tingkat keakuratan data akan semakin baik.

(2)Nilai keluaran dari sistem hanya merupakan rujukan dari data sampling. untuk memperoleh hasil yang akurat dalam mengetahui jenis varietas ubi jalar tetap ditentukan oleh peneliti.

DAFTAR PUSTAKA

Lesmana D. 2012. Perbandinangan Kinerja

Decision Tree J48 dan ID3 Dalam

Pengkalsifikasian Diagnosis Penyakit Diabetes Melitus. Jurnal Teknologi dan Informatika 2(2): 155-164.

MitchellM. 1997. Machine Learning. New York. New York : MIT Press and Mc Grow Hill Companies

Tabel 3Confusion matrix

a b c d e f g h i j k l m n o p q r s t class 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 a Lokal Banjaran 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 b Biru Mantang 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 c Kalasan 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 d Sablah 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 e Kuning 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 f Andoi Atega 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 g Mantang Merah 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 h Super

(18)

Moertini2007.Pengembangan skalabilitas algoritme identifikasi C4.5 dengan pendekatan konsep operator relasi (Studi kasus: Prapengolahan dan klasifikasi citra batik)[disertasi]. Bogor:Institut Teknologi Bandung.

Niwanputri GS. 2007. Penggunaaan decision

tree analysis untuk pengambilan

keputusan [skripsi]. Bandung: Program Studi Teknik Informatika, Sekolah Teknik Elektro dan Informatika. Institut Teknologi Bandung.

Nurma J. 2008. Teknik klasifikasi pohon keputusan untuk memprediksi kebangkrutan bank menggunakan

J48.Seminar Ilmiah Nasional Komputer

dan Sistem Intelijen; Depok, 20 Agu 2008. Rukmana R. 1997. Ubi Jalar: Budi Daya dan

Pascapanen. Yogyakarta: Kanisius.

(19)

(20)

Lampiran 1Daftar nama varietas/kelas dan karakter ubi jalar Berat

Umbi/ Tanaman

Jumlah Umbi/ Tanaman

Warna Umbi_Kulit

Warna

Umbi_Daging Tipe Tanaman

Bentuk Daun

Warna Daun_Tua

Warna Daun_Mud

a

Warna

Tangkai Daun Varietas

2050 3 Krem Kuning Semi Tegak Jantung Hijau Ungu Ungu Lokal Banjaran

1200 4 Putih Kuning Semi Tegak Jantung Hijau Hijau Hijau Biru Mantang

2650 3 Krem Tua Kuning Menjalar Jantung Hijau Hijau Hijau Kalasan

1000 2 Putih Kuning Pucat Semi Tegak Jantung Hijau Hijau Ungu Sablah

1450 4 Putih Kuning Menjalar Racik Ungu Ungu Ungu Kuning

650 3 Merah Kuning Menjalar Jantung Hijau Hijau Hijau Andoi Atega

1600 1 Merah Putih Menjalar Jantung Hijau Hijau Hijau Mantang Merah

1800 1 Putih Putih Menjalar Jantung Hijau Hijau

Hijau Bintik

Ungu Super

Hijau Bintik

Ungu Super

Hijau Bintik

(21)

Berat Umbi/ Tanaman

Warna Umbi_Kulit

Warna

Bentuk Daun

Warna Daun_Tua

Warna Daun_Mud

a

Warna

1000 3 Merah Kuning Tegak Jantung Hijau Tua Hijau Ungu Lokal Pekalongan

1250 2 Merah Putih Tegak Segitiga Hijau Ungu Hijau Lokal Samarinda

1800 3 Merah Tua Orange Menjalar Jantung Hijau Ungu Hijau Jepang-2

1600 3 Merah Tua Putih Tegak Racik Hijau Hijau Hijau Lokal Cilacap

1200 4 Merah Tua Orange Semi Kompak Segitiga Hijau Tua

Hijau Tepi Ungu

Hijau Bintik

Ungu Sirihit

Hijau Tepi Ungu

Hijau Bintik

Ungu Sirihit

Hijau Tepi Ungu

Hijau Bintik

Ungu Sirihit

900 3 Krem Putih Semi Kompak Racik Hijau Tua Hijau

Hijau Bintik

ungu Kalasan-12

Hijau Bintik

ungu Kalasan-12

Hijau Bintik

ungu Kalasan-12

1100 4 Putih Krem Semi Tegak Racik Hijau Hijau

Hijau Garis

Ungu BIS 175-40-26

Hijau Garis

Ungu BIS 175-40-26

(22)

Berat Umbi/ Tanaman

Warna Umbi_Kulit

Warna

Bentuk Daun

Warna Daun_Tua

Warna Daun_Mud

a

Warna

Tangkai Daun Varietas Ungu

1500 1 Merah Muda Kuning Semi Tegak Racik Hijau Tua Ungu Hijau MIS 159-3

850 4 Merah Krem Tegak Racik Hijau Tua

Hijau Tepi

Ungu Hijau BIS 192-58-69

Hijau Tepi

2500 7 Krem Tua Putih Menjalar Racik Hijau Tua Ungu

Hijau Bintik

Ungu Kentang

Hijau Bintik

Ungu Kentang

Hijau Bintik

Ungu Kentang

1250 4 Merah Kuning Menjalar Racik Hijau Tua Ungu Muda

Hijau Garis

Ungu Retok

Hijau Garis

Ungu Retok

Hijau Garis

Ungu Retok

1600 2 Krem Kuning Semi Tegak Racik Hijau Hijau Hijau Arnet

1500 2 Krem Kuning Semi Tegak Racik Hijau Hijau Hijau Arnet

(23)

Lampiran 2Daftar nama varietas/kelas dan karakter bertipe nominal

NO Warna

Umbi_Kulit

Warna Umbi_Daging

Tipe Tanaman Bentuk Daun Warna Daun_Tua

Warna Daun_Muda

Warna Tangkai Daun

Varietas

1 Krem Kuning Semi Tegak Jantung Hijau Ungu Ungu Lokal Banjaran

4 Putih Kuning Semi Tegak Jantung Hijau Hijau Hijau Biru Mantang

7 Krem Tua Kuning Menjalar Jantung Hijau Hijau Hijau Kalasan

10 Putih Kuning Pucat Semi Tegak Jantung Hijau Hijau Ungu Sablah

13 Putih Kuning Menjalar Racik Ungu Ungu Ungu Kuning

16 Merah Kuning Menjalar Jantung Hijau Hijau Hijau Andoi Atega

19 Merah Putih Menjalar Jantung Hijau Hijau Hijau Mantang Merah

22 Putih Putih Menjalar Jantung Hijau Hijau Hijau Bintik

Ungu

Super

Ungu

Super

Ungu

Super

25 Merah Kuning Tegak Jantung Hijau Tua Hijau Ungu Lokal

(24)

NO Warna Umbi_Kulit

Warna Umbi_Daging

Warna Daun_Muda

Warna Tangkai Daun

Varietas

Pekalongan

28 Merah Putih Tegak Segitiga Hijau Ungu Hijau Lokal

Samarinda

31 Merah Tua Orange Menjalar Jantung Hijau Ungu Hijau Jepang-2

34 Merah Tua Putih Tegak Racik Hijau Hijau Hijau Lokal Cilacap

37 Merah Tua Orange Semi Kompak Segitiga Hijau Tua Hijau Tepi

Ungu

Hijau Bintik Ungu

Sirihit

Ungu

Hijau Bintik Ungu

Sirihit

Ungu

Hijau Bintik Ungu

Sirihit

40 Krem Putih Semi Kompak Racik Hijau Tua Hijau Hijau Bintik

ungu

Kalasan-12

ungu

Kalasan-12

ungu

Kalasan-12

43 Putih Krem Semi Tegak Racik Hijau Hijau Hijau Garis

Ungu

BIS 175-40-26

(25)

NO Warna Umbi_Kulit

Warna Umbi_Daging

Warna Daun_Muda

Warna Tangkai Daun

Varietas Ungu

45 Putih Krem Semi Tegak Racik Hijau Hijau Hijau Garis

Ungu

BIS 175-40-26

46 Merah Muda Kuning Semi Tegak Racik Hijau Tua Ungu Hijau MIS 159-3

49 Merah Krem Tegak Racik Hijau Tua Hijau Tepi

Ungu

Hijau BIS 192-58-69

Ungu

Hijau BIS 192-58-69

Ungu

Hijau BIS 192-58-69

52 Krem Tua Putih Menjalar Racik Hijau Tua Ungu Hijau Bintik

Ungu

Kentang

Ungu

Kentang

Ungu

Kentang

55 Merah Kuning Menjalar Racik Hijau Tua Ungu Muda Hijau Garis

Ungu

Retok

Ungu

Retok

Ungu

Retok

58 Krem Kuning Semi Tegak Racik Hijau Hijau Hijau Arnet

59 Krem Kuning Semi Tegak Racik Hijau Hijau Hijau Arnet

(26)

Lampiran 3 Data latih Berat

umbi tanaman

Jumlah Umbi/Tana

man

Warna Umbi_Kulit

Warna

Umbi_Daging Tipe Tanaman Bentuk Daun

Warna Daun_Tua

Warna Daun_Muda

Warna

1800 5 Krem Kuning Semi Tegak Jantung Hijau Ungu Ungu

Lokal Banjaran

1150 1 Merah Putih Menjalar Jantung Hijau Hijau Hijau

(27)

Berat umbi tanaman

Jumlah Umbi/Tana

man

Warna Umbi_Kulit

Warna

Warna Daun_Tua

Warna Daun_Muda

Warna

Tangkai Daun Varietas Merah

Mantang Merah

Hijau Bintik

Ungu Super

Hijau Bintik

Ungu Super

1050 2 Merah Kuning Tegak Jantung Hijau Tua Hijau Ungu

Lokal Pekalongan

1350 2 Merah Putih Tegak Segitiga Hijau Ungu Hijau

Lokal Samarinda

(28)

Berat umbi tanaman

Jumlah Umbi/Tana

man

Warna Umbi_Kulit

Warna

Warna Daun_Tua

Warna Daun_Muda

Warna

Hijau Tepi Ungu

Hijau Bintik

Ungu Sirihit

Hijau Tepi Ungu

Hijau Bintik

Ungu Sirihit

Hijau Bintik

ungu Kalasan-12

Hijau Bintik

ungu Kalasan-12

Hijau Garis

Ungu BIS 175-40-26

Hijau Garis

Ungu BIS 175-40-26

Hijau Tepi

(29)

Berat umbi tanaman

Jumlah Umbi/Tana

man

Warna Umbi_Kulit

Warna

Warna Daun_Tua

Warna Daun_Muda

Warna

Tangkai Daun Varietas Ungu

Hijau Bintik

Ungu Kentang

Hijau Bintik

Ungu Kentang

Hijau Garis

Ungu Retok

Hijau Garis

Ungu Retok

(30)

Lampiran 4Data uji Berat

Umbi tanaman

Jumlah Umbi/Tana

man

Warna Umbi_Kulit

Warna

Bentuk Daun

Warna Daun_Tua

Warna Daun_Muda

Warna

Lokal Banjaran

1200 4 Putih Kuning Semi Tegak Jantung Hijau Hijau Hijau

Biru Mantang

650 3 Merah Kuning Menjalar Jantung Hijau Hijau Hijau

Andoi Atega

Mantang Merah

Hijau Bintik

Ungu Super

Lokal Pekalongan

(31)

(32)

(33)

(34)

(35)

Lampiran 9Kode algoritmedari rulevarietas ubi jalar

If

WarnaKuliUmbi = Krem

Then

If

WarnaTangkaiDaun = Ungu

Then

Classification = Loka Banjaran

Elseif WarnaTangkaiDaun = Hijau

Then

Classification = Arnet

Elseif WarnaTangkaiDaun = Hijau Bintik Ungu

Then

Classification = Kalasan 12

Elseif WarnaTangkaiDaun = Hijau garis ungu

Then

Classification = Lokal Banjaran

Elseif WarnaKulitUmbi = Putih

Then

If

WarnaDagingUmbi = Kuning

Then

If

warna umbi/tanaman = <=1

Then

Classification = Biru Mantang

Else

Classification = Kuning

Elseif WarnaDagingUmbi = Kuning

Then

Elseif WarnaDagingUmbi = Kuning Pucat

Then

Classification = Sablah

Elseif WarnaDagingUmbi = Putih

Then

Classification = Super

Elseif WarnaUmbiDaging = Orange

Then

Elseif WarnaUmbiDaging = Krem

Then

Classification = Bis 175-26

Elseif WarnaKulitUmbi = Krem

Then

If

BeratUmbiTanaman = <=1800

Then

Classification = Kentang

Else

Classification = Kalasan

Elseif WarnaKulitUmbi = Merah

Then

If

WarnaDagingUmbi = Kuning

Then

(36)

Then

Classificcation =Andoi Antega

Elseif TipeTanaman = menjalar

Then

Classification = Andoi Antega

Elseif TipeTanaman= tegak

Then

Classification = Lokal Pekalongan

Elseif TipeTanaman = Semi kompak

Then

Classification = Andoi Atega

Elseif WarnaDagingUmbi = Orange

Then

Else if WarnaDagingUmbi =Krem

Then

Elseif WarnaKulitUmbi =Merah tua

Then

If

TipeTanaman = Semi Tegak

Then

Classification = Jepang

Elseif TipeTanaman = Menjalar

Then

Classification = Jepang

Elseif TipeTanaman = tegak

Then

Classification = Lokal Cilacap

Elseif TipeTanaman = SemiKompak

Then

Classification = Sirihit

Else if WarnaKulitUmbi = Merah

Then

If

Classification = Mis 159-3

Elseif WarnaKulitUmbi = Merah

Then

If

WarnaDagingUmbi =Kuning

Then

Classification = Retok

Else

(37)

Lampiran 10Perhitungan nilai entropi

Warna Umbi Daging Varietas Ubi Jalar Jumlah

Kuning Lokal Banjaran 2

Kuning Biru Mantang 2

Kuning Kalasan 2

Kuning Kuning 2

Kuning Andoi antega 2

Kuning Lokal Pekalongan 2

Kuning Mis 159-3 2

Kuning Retok 2

Kuning Arnet 2

Kuning pucat Sablah 2

Putih Mantang Merah 2

Putih Super 2

Putih Lokal Samarinda 2

Putih Lokal Cilacap 2

Putih Kalasan 12 2

Putih Kentang 2

Orange Sirihit 2

Orange Bis 175-4-026 2

Krem Bis 195-58-65 2

Krem 2

Entropi (Warna Umbi Daging) = Kuning

= (-2/18) log2 (2/18) - (2/18) log2 (2/18) - (2/18) log2 (2/18) - (2/18) log2 (2/18) - (2/18) log2 (2/18)

- (2/18) log2 (2/18) - (2/18) log2 (2/18) - (2/18) log2 (2/18) - (2/18) log2 (2/18)

= 3.24

Entropi (Warna Umbi Daging) = Kuning Pucat = (-2/2) log2 (2/2)

= 0

Entropi (Warna Umbi Daging) = Putih

= (-2/12) log2 (2/12) - (2/12) log2 (2/12) - (2/12) log2 (2/12) - (2/12) log2 (2/12) - (2/12) log2 (2/12)

- (2/12) log2 (2/12)

= 2.58

Entropi (Warna Umbi Daging) = Orange = (-2/4) log2 (2/4) - (2/4) log2 (2/4)

= 1

Entropi (Warna Umbi Daging) = Krem = (-2/4) log2 (2/4) - (2/4) log2 (2/4)

= 1

Maka nilai gain untuk parameter:

= 4-32 – ((18/40*3.24)+(12/40*2.58)+(4/40*1)+(4/40*1)) = 4,32- (1,458+0,774+0.1+0.1)

(38)

Lampiran 10 (Lanjutan)

Tipe Tanaman Varietas Jumlah

Semi Tegak Lokal Banjar 2

Semi Tegak Biru Mantang 2

Semi Tegak Sablah 2

Semi Tegak Bis 175 2

Semi Tegak Mis 159 2

Semi Tegak Arnet 2

Menjalar Kalasan 2

Menjalar Kuning 2

Menjalar Andoi Antega 2

Menjalar Mantang Merah 2

Menjalar Super 2

Menjalar Jepang 2 2

Menjalar Kentang 2

Menjalar Retok 2

Tegak Bis 159 2

Tegak Lokal Pekalongan 2

Tegak Lokal Samarinda 2

Tegak Lokal Cilacap 2

Semi Kompak Sirihit 2

Semi Kompak Kalasan 2

Entropi (Tipe Tanaman) = Semi Tegak

= (-2/12) log2 (2/12) - (2/12) log2 (2/12) - (2/12) log2 (2/12)- (2/12) log2 (2/12)- (2/12) log2 (2/12)-

(2/12) log2 (2/12)

= 2.58

Entropi (Tipe Tanaman) = Menjalar

= (-2/16) log2 (2/16) - (2/16) log2 (2/16)- (2/16) log2 (2/16)- (2/16) log2 (2/16)- (2/16) log2 (2/16)-

(2/16) log2 (2/16)- (2/16) log2 (2/16)- (2/16) log2 (2/16)

= 3

Entropi (Tipe Tanaman) = Menjalar

= (-2/8) log2 (2/8) - (2/8) log2 (2/8)- (2/8) log2 (2/8)- (2/8) log2 (2/8)

= 2

Entropi (Tipe Tanaman) = Semi Kompak = (-2/4) log2 (2/4) - (2/4) log2 (2/4)

=1

= 4.32 – ((12/40*2.58)+(16/40*3)+(8/40*2)+(4/40*1) = 4.32 – (0.344+1.2+0.4+0.1)

(39)

Lampiran 10 (Lanjutan).

Bentuk Daun Varietas Jumlah

Jantung Lokal Banjaran 2

Jantung Biru Mantang 2

Jantung Andoi Anterga 2

Jantung Mantang Merah 2

Jantung Super 2

Jantung Lokal Pekalongan 2

Jantung Jepang 2

Jantung Kalasan 2

Jantung sablah 2

Racik Kuning 2

Racik Lokal Cilacap 2

Racik Kalasan 12 2

Racik Bis 175-40-26 2

Racik Mis 159-3 2

Racik Bis 192-58-69 2

Racik Kentang 2

Racik Retok 2

Racik arnet 2

Segitiga Lokal Samarinda 2

Segitiga Sirihit 2

Entropi (Bentuk Daun) = Jantung

(2/18) log2 (2/18)- (2/18) log2 (2/18)- (2/18) log2 (2/18)- (2/18) log2 (2/18)

= 3.24

Entropi (Bentuk Daun) = Racik

(2/18) log2 (2/18)- (2/18) log2 (2/18)- (2/18) log2 (2/18)- (2/18) log2 (2/18)

= 3.24

Entropi (Bentuk Daun) = Segitiga = (-2/4) log2 (2/4) - (2/4) log2 (2/4)

=1

= 4.32- ((18/40*3.16)+(18/40*3.16)+(4/40*1)) = 4.32-(1.422+1.422+0.1)

(40)

Warna Daun Tua Varietas Jumlah

Hijau Lokal Banjara 2

Hijau Biru Mantang 2

Hijau Kalasan 2

Hijau Sablah 2

Hijau Andoti Atega 2

Hijau Mantang Merah 2

Hijau Super 2

Hijau Lokal samarinda 2

Hijau Jepang 2

Hijau Lokal Cilacap 2

Hijau Kentang 2

Hijau arnet 2

Hijau Tua Lokal Pekalongan 2

Hijau Tua Sirihit 2

Hijau Tua Kalasan 12 2

Hijau Tua Bis 175-40-26 2

Hijau Tua Mis 159-3 2

Hijau Tua Bis 192-58-69 2

Hijau Tua retok 2

Ungu Kuning 2

Entropi (Warna daun tua) = Hijau

(-2/24) log2 (2/24) - (2/24) log2 (2/24) - (2/24) log2 (2/24)- (2/24) log2 (2/24)- (2/24) log2 (2/24)-

(2/24) log2 (2/24)- (2/24) log2 (2/24)- (2/24) log2 (2/24)- (2/24) log2 (2/24)- (2/24) log2 (2/24)-

(2/24) log2 (2/24)- (2/24) log2 (2/24)

= 3.58

Entropi (Warna daun tua) = Hijau Tua

(-2/14) log2 (2/14) - (2/14) log2 (2/14)- (2/14) log2 (2/14)- (2/14) log2 (2/14)- (2/14) log2 (2/14)-

(2/14) log2 (2/14)- (2/14) log2 (2/14)

= 2.81

Entropi (Warna daun tua) = Ungu = (-2/2) log2 (2/2)

= 0

(41)

Warna Daun Muda Varietas Jumlah

Ungu Lokal Banjaran 2

Ungu Kuning 2

Ungu Lokal Samarinda 2

Ungu Jepang 2

Ungu Mis 159-3 2

Ungu KEntang 2

Hijau Kalasan 2

Hijau Sablah 2

Hijau Andoi Atega 2

Hijau Super 2

Hijau Lokal Pekalongan 2

Hijau Kalasan 12 2

Hijau Bis 175-40-26 2

Hijau arnet 2

Hijau tepi ungu Sirihit 2

Hijau tepi ungu Bis 192-58-69 2

Ungu Muda retok 2

Entropi (Warna daun muda) = Ungu

= (-2/12) log2 (2/12) - (2/12) log2 (2/12) - (2/12) log2 (2/12)- (2/12) log2 (2/12)- (2/12) log2 (2/12)-

(2/12) log2 (2/12)

= 2.58

Entropi (Warna daun muda) = Hijau

(2/22) log2 (2/22)- (2/22) log2 (2/22)- (2/22) log2 (2/22)- (2/22) log2 (2/22)- (2/22) log2 (2/22)-

(2/22) log2 (2/22)

= 3.45

Entropi (Warna daun muda) = Hijau = (-2/4) log2 (2/4) - (2/4) log2 (2/4)

= 1

Entropi (Warna daun muda) = Ungu Muda = 0

(42)

Warna Tangkai Daun Varietas Jumlah

Ungu Lokal Banjaran 2

Ungu Sablah 2

Ungu Kuning 2

Ungu Lokal Pekalongan 2

Hijau Kalasan 2

Hijau Andoi atega 2

Hijau Lokal Samarinda 2

Hijau Jepang -2 2

Hijau Mis 159-3 2

Hijau Bis 192-58-69 2

Hijau Arnet 2

Hijau Bintik Ungu Super 2

Hijau Bintik Ungu Sirihit 2

Hijau Bintik Ungu Kalasan-12 2

Hijau Bintik Ungu Kentang 2

Hijau Garis Ungu Bis 175-40-26 2

Hijau Garis Ungu Retok 2

Entropi (Warna Tangkai Daun) = Ungu

= (-2/8) log2 (2/8) - (2/8) log2 (2/8)- (2/8) log2 (2/8)- (2/8) log2 (2/8)

= 2

Entropi (Warna Tangkai Daun) = Hijau

(2/20) log2 (2/20)- (2/20) log2 (2/20)- (2/20) log2 (2/20)- (2/20) log2 (2/20)- (2/20) log2 (2/20)

= 3.32

Entropi (Warna Tangkai Daun) = Hijau Bintik Ungu

= (-2/8) log2 (2/8) - (2/8) log2 (2/8)- (2/8) log2 (2/8)- (2/8) log2 (2/8)

= 2

Entropi (Warna Tangkai Daun) = Hijau Garis Ungu = (-2/4) log2 (2/4) - (2/4) log2 (2/4)

= 1

= 4.32- ((8/40*2)+(20/40*3.32)+(8/40*2)+(4/40*1)) = 4.32 – (0.4+1.66+0.4 +0.1)