SISTEM PAKAR IDENTIFIKASI VARIETAS IKAN MAS
(Cyprinus carpio) BERDASARKAN KARAKTERISTIK
MORFOLOGI DAN TINGKAH LAKU
ASTERIKA PRAWESTI
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 berjudul Sistem Pakar Identifikasi Varietas Ikan Mas (Cyprinus carpio) Berdasarkan Karakteristik Morfologi dan Tingkah Laku 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
ASTERIKA PRAWESTI. Sistem pakar identifikasi varietas ikan mas (Cyprinus carpio) berdasarkan karakteristik morfologi dan tingkah laku. Dibimbing oleh TOTO HARYANTO dan IRZAL EFFENDI.
Penelitian ini mengidentifikasi 6 varietas ikan mas, menggunakan 8 parameter input yang meliputi karakteristik morfologi dan tingkah laku. Penentuan pembagian data latih dan data uji menggunakan metode k-fold cross validation. Variabel yang bersifat nominal diolah menggunakan jarak nominal, sedangkan untuk variabel numerik dan ordinal diolah dengan menggunakan jarak Euclidean. Sebelum menghitung jarak Euclidean, metode normalisasi min-max diterapkan pada variabel numerik dan ordinal. Hasil perhitungan jarak Euclidean dan jarak nominal digabung dengan menggunakan rumus aggregate. Metode klasifikasi yang digunakan untuk identifikasi yaitu metode k-nearest neighbour (KNN). Akurasi rata-rata terbaik yang dihasilkan pada percobaan tanpa normalisasi yaitu 94.58% dan percobaan dengan nomalisasi 98.54% saat k = 3. Berdasarkan validasi pakar, sistem ini telah menghasilkan akurasi 100%.
Kata kunci: ikan mas, jarak Euclidean, k-nearest neighbour, min-max normalisasi, nominal distance.
ABSTRACT
ASTERIKA PRAWESTI. Expert system for common carp (Cyprinus carpio) varieties identification based on morphologycal and behavior characteristics. Supervised by TOTO HARYANTO and IRZAL EFFENDI.
This research is aimed to identify 6 common carp varieties, using 8 parameters input of morphological characteristics and behavior. K-fold cross validation is used to determinate training data and test data. Nominal variables are processed by the nominal distance, while the numeric and ordinal variables are processed by using Euclidean distance. Before calculating the Euclidean distance, min-max normalization method was applied on the numeric and ordinal variables. The calculation result between Euclidean distance and nominal distance were combined by using the aggregate formula. The classification method used is the k -nearest neighbor (KNN) method. The best average accuracy obtained without normalization was 94.58% and with normalization was 98.54% when k = 3. Based on the expert validation, the system gives a 100% accuracy.
Skripsi
sebagai salah satu syarat untuk memperoleh gelar Sarjana Ilmu Komputer
pada
Departemen Ilmu Komputer
SISTEM PAKAR IDENTIFIKASI VARIETAS IKAN MAS
(Cyprinus carpio) BERDASARKAN KARAKTERISTIK
MORFOLOGI DAN TINGKAH LAKU
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013
Judul Skripsi : Sistem Pakar Identifikasi Varietas Ikan Mas (Cyprinus carpio) Berdasarkan Karakteristik Morfologi dan Tingkah Laku Nama : Asterika Prawesti
NIM : G64104056
Disetujui oleh
Toto Haryanto, SKom MSi Pembimbing I
Ir Irzal Effendi, 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. Judul yang dipilih dalam penelitian dilaksanakan sejak bulan Juni 2012 ini ialah Sistem Pakar Identifikasi Varietas Ikan Mas (Cyprinus carpio) Berdasarkan Karakteristik Morfologi dan Tingkah Laku.
Terima kasih penulis ucapkan kepada Bapak Toto Haryanto, SKom Msi dan Bapak Ir Irzal Effendi, Msi selaku pembimbing yang telah memberikan arahan dan saran selama penelitian ini berlangsung, serta Bapak Aziz Kustiyo, SKom MSi selaku penguji. Ungkapan terima kasih juga disampaikan kepada Orang tua, kakak dan adik, serta seluruh keluarga, atas segala doa dan kasih sayangnya.
Semoga karya ilmiah ini bermanfaat.
DAFTAR ISI
DAFTAR TABEL vii
DAFTAR GAMBAR vii
DAFTAR LAMPIRAN viii
PENDAHULUAN 1
Latar Belakang 1
Tujuan Penelitian 2
Manfaat Penelitian 2
Ruang Lingkup Penelitian 3
METODE 3
Identifikasi Masalah 4
Akuisisi Pengetahuan 5
Representasi Pengetahuan 5
Pengembangan Mesin Inferensi 5
Pengadaan Data 6
Praproses Data 9
Normalisasi 9
Penentuan Data Latih dan Data Uji 10
Klasifikasi 10
Pengenalan Varietas Ikan Mas 11
Hasil Prediksi 11
Implementasi 11
Pengujian 11
HASIL DAN PEMBAHASAN 12
Identifikasi Masalah 12
Akuisisi Pengetahuan 12
Representasi Pengetahuan 14
Pengembangan Mesin Inferensi 14
Pengadaan Data 15
Praproses Data 15
Pembagian Data Latih dan Data Uji 16
Metode Klasifikasi Menggunakan KNN 17
Penentuan Varietas Ikan Mas dengan Metode Klasifikasi KNN 18
Percobaan Tanpa Normalisasi 18
Percobaan Dengan Normalisasi 20
Implementasi 23
Validasi Pakar 27
SIMPULAN DAN SARAN 28
Simpulan 28
Saran 28
DAFTAR PUSTAKA 29
LAMPIRAN 30
DAFTAR TABEL
1 Karakter morfologi ikan mas (Crypinus carpio) 7 2 Karakter tingkah laku ikan mas (Crypinus carpio) 7 3 Confusion matrix identifikasi varietas ikan mas (Cyprinus carpio) 11 4 Implementasi perangkat keras dan perangkat lunak pendukung
SPIVIM 11
5 Data yang diperoleh dari hasil wawancara dengan pakar 13 6 Akuisisi pengetahuan identifikasi varietas ikan mas (Cyprinus
capio) saat validasi dengan pakar 14 7 Contoh data ikan mas majalaya (Djiwakusumah 1979; SNI 1999) 15 8 Data identifikasi varietas ikan mas (Cyprinus carpio) dalam
SPIVIM 16
9 Pembagian subset dengan metode k-fold cross validation 17 10 Susunan data latih dan data uji dalam perhitungan manual
menggunakan Ms.Excel 17
11 Nilai pembobotan tiap parameter identifikasi varietas ikan mas
(Crypinus carpio) 18
12 Akurasi rata-rata tiap k percobaan tanpa normalisasi perhitungan
manual pada Ms.Excel 19
13 Confusion matrix percobaan tanpa normalisasi perhitungan
manual Ms.Excel saat subset 4 k = 5 20
14 Jarak kedekatan percobaan tanpa normalisasi perhitungan manual
Ms.Excel subset 4 k = 5 20
15 Akurasi rata-rata tiap k percobaan dengan normalisasi
perhitungan manual Ms.Excel 21
16 Confusion matrix percobaan dengan normalisasi perhitungan
manual Ms.Excel saat subset 1 k = 5 22
17 Perbandingan hasil akurasi percobaan tanpa normalisasi dan dengan normalisasi perhitungan manual Ms.Excel 22
DAFTAR GAMBAR
1 Tahapan penelitian sistem pakar dalam identifikasi varietas ikan
mas (Crypinus carpio) 4
2 Tahapan metode KNN dalam identifikasi varietas ikan mas
(Crypinus carpio) 6
3 Panjang badan ikan mas (Crypinus carpio) 7
4 Tinggi badan ikan mas (Crypinus carpio) 8
5 Warna sisik tubuh atas ikan mas (Crypinus carpio) 8 6 Warna sisik tubuh bawah ikan mas (Crypinus carpio) 8 7 Ukuran sisik besar ikan mas (Crypinus carpio) 9 8 Ukuran sisik normal ikan mas (Crypinus carpio) 9 9 Diagram hasil perbandingan akurasi rata-rata tiap k percobaan
tanpa normalisasi dan dengan normalisasi 23
10 Modul utama user SPIVIM 23
12 Tampilan home user SPIVIM 24
13 Modul utama proses identifikasi SPIVIM 25
14 Tampilan menu pilihan nilai k dalam SPIVIM 25 15 Validasi form jika user tidak menginputkan jawaban pada modul
utama proses identifikasi SPIVIM 26
16 Validasi form range panjang pada modul utama proses
1 Kuesioner 1 validasi pengetahuan identifikasi varietas ikan mas (Crypinus carpio) dengan pakar 30 2 Kuesioner 2 validasi pengetahuan identifikasi varietas ikan mas
(Crypinus carpio) dengan pakar 31 3 Kuesioner 3 validasi pengetahuan identifikasi varietas ikan mas
(Crypinus carpio) dengan pakar 32 4 Kuesioner 4 validasi pengetahuan identifikasi varietas ikan mas
(Crypinus carpio) dengan pakar 33 5 Decision table dalam identifikasi varietas ikan mas (Cyprinus
carpio) 34
6 Confusion matrix perhitungan manual Ms.Excel percobaan tanpa
normalisasi saat k = 3 34
7 Confusion matrix perhitungan manual Ms.Excel percobaan tanpa
normalisasi saat k = 5 34
8 Confusion matrix perhitungan manual Ms.Excel percobaan tanpa
normalisasi saat k = 7 35
9 Confusion matrix perhitungan manual Ms.Excel percobaan
dengan normalisasi saat k = 3 35
10 Confusion matrix perhitungan manual Ms.Excel percobaan
dengan normalisasi saat k = 5 35
11 Confusion matrix perhitungan manual Ms.Excel Percobaan
PENDAHULUAN
Latar Belakang
Ikan mas (Cyprinus carpio) merupakan salah satu varietas ikan air tawar yang banyak dibudidayakan terutama di daerah Jawa Barat. Menurut sejarah, ikan mas berasal dari Sungai Danube dan Laut Hitam, tetapi ada yang mengatakan bahwa ikan mas berasal dari Cina dan Rusia. Menurut Ardiwinata (1971) di Indonesia ikan mas mulai dikenal pertama kali di daerah Galuh (Ciamis), Jawa Barat, sekitar tahun 1810. Namun para petani mulai memelihara sekitar tahun 1860 dan semenjak itulah berkembang ke daerah lain di Jawa Barat. Selanjutnya ikan mas berkembang ke daerah-daerah Pulau Jawa di Indonesia.
Ikan mas terdiri dari beberapa varietas (Khairuman dan Amri 2011). Secara umum varietas ikan mas dapat digolongkan menjadi dua kelompok, yaitu ikan mas konsumsi dan ikan mas hias, tiap varietas memiliki karakteristik morfologi dan tingkah laku berbeda berdasarkan lingkungan geografisnya. Berdasarkan Balai Perikanan Budidaya Air Tawar Sempur Bogor (2012) dalam perkembangannya, saat ini varietas ikan mas mengalami persilangan dengan varietas ikan mas lain membentuk varietas ikan mas baru sehingga tidak terjaga kemurnian variabel biologis dan sifat-sifat yang diwarisi. Beberapa varietas ikan mas konsumsi yang masih terjaga kemurniaannya yaitu ikan mas majalaya, ikan mas sinyonya, ikan mas merah, ikan mas punten, ikan mas Taiwan dan ikan mas kaca. Namun saat ini, ikan mas punten dan ikan mas Taiwan sudah tidak diketahui kemurniaannya dan sudah langka dilingkungan budidaya. Varietas ikan mas konsumsi merupakan hasil persilangan, antara lain ikan mas rajadanu, ikan mas lokal, ikan mas sutisna Kuningan, ikan mas cianjur wildan, ikan mas cangkringan Yogyakarta, ikan mas sanin, ikan mas bali, dan ikan mas kancra domas. Hal inilah yang melatarbelakangi penelitian dalam identifikasi varietas ikan mas.
Identifikasi varietas ikan mas menjadi hal penting bagi petani, breeder maupun peneliti. Bagi petani, identifikasi varietas ikan mas menjadi sangat penting guna mengetahui varietas ikan mas konsumsi yang disukai di suatu daerah tertentu, karena di tiap daerah memiliki kesukaan ciri khas ikan mas yang berbeda, misalnya di daerah Jawa Barat lebih menyukai ikan mas dengan warna tubuh lebih gelap, namun di Kalimantan ikan mas dengan warna sisik gelap tidak disukai. Bagi breeder, identifikasi varietas ikan mas sangatlah penting guna dalam kegiatan akuakultur mengenali variabel biologis dan sifat-sifat yang diwarisi varietas ikan mas terdahulu sehingga dalam kegiatannya breeder dapat menentukan induk ikan mas yang unggul untuk disilangkan, sehingga tetap terjaga kemurnian variabel biologis dan sifat-sifat yang diwarisi. Bagi peneliti, identifikasi varietas sangat penting guna memetakan pengetahuan variabel biologis dan sifat-sifat ikan mas yang dikuasai seorang pakar kedalam suatu sistem, sehingga keilmuan pakar dalam hal identifikasi karakteristik varietas ikan mas tidak akan hilang.
2
pengetahuan dan prosedur inferensi dalam memecahkan masalah yang rumit atau membutuhkan seorang pakar dalam memecahkannya (Marimin 2005). Dengan adanya sistem pakar identifikasi varietas ikan mas (Cyprinus carpio) berdasarkan karakteristik morfologi dan tingkah laku (SPIVIM), diharapkan dapat membantu breeder atau peneliti dalam mengidentifikasi varietas ikan mas dilihat dari morfologi dan sifat-sifat yang dimiliki.
Selain dalam bidang budidaya perairan, sistem pakar dapat digunakan di bidang lainnya, sebagai contoh yaitu bidang pertanian, kedokteran, dan peternakan. Pengetahuan tersebut direpresentasikan ke dalam sistem yang dapat mewakili pengetahuan dengan menggabungkan ilmu dan pengalaman dari beberapa pakar pada bidang masing-masing kemudian diterapkan ke dalam sistem komputerisasi. Seperti halnya, Nurjayanti (2011) pada bidang pertanian menggunakan metode k-nearest neighbour dalam mengidentifikasi daun shorea berdasarkan karakteristik morfologi daun, akurasi yang dihasilkan adalah 100% dengan normalisasi data dan 84% tanpa normalisasi. Haslinda (2013) pada bidang budidaya perairan menggunakan metode k-nearest neighbor (KNN) dalam penentuan jenis budidaya ikan air tawar berdasarkan lokasi dan kualitas air, akurasi yang dihasilkan adalah 97.41% dengan melakukan normalisasi data dan 96.85% tanpa normalisasi. Penelitian sistem pakar identifikasi varietas ikan mas (Crypinus carpio) berdasarkan karakteristik morfologi dan tingkah laku (SPIVIM) menggunakan metode KNN, dikarenakan hasil dari penelitian Nurjayanti (2011) dan Haslinda (2013) menunjukan bahwa akurasi yang didapatkan oleh sistem pakar mencapai lebih dari 80%.
Tujuan Penelitian
Penelitian Sistem pakar identifikasi varietas ikan mas bertujuan untuk: 1 Merumuskan fakta dan pengetahuan identifikasi varietas ikan mas dalam
pembangunan sistem pakar identifikasi varietas ikan mas berdasarkan karakterisik morfologi dan tingkah laku.
2 Menerapkan metode KNN dalam identifikasi varietas ikan mas berdasarkan ciri morfologi dan tingkah laku.
Manfaat Penelitian
Manfaat dari penelitian sistem pakar identifikasi varietas ikan mas berdasarkan karakteristik morfologi dan tingkah laku yaitu :
Membantu petani dalam mengenali varietas ikan mas konsumsi yang disukai di suatu daerah tertentu, karena di tiap daerah memiliki kesukaan karakteristik khas ikan mas yang berbeda.
Membantu breeder dalam menentukan induk ikan mas yang unggul untuk disilangkan, sehingga tetap terjaga kemurnian variabel biologis dan sifat-sifat yang diwarisi.
3
Ruang Lingkup Penelitian
Ruang lingkup penelitian dibatasi pada:
1 Identifikasi dilakukan berdasarkan ciri-ciri umum varietas ikan yang terlihat dari variabel biologis (morfologi) meliputi panjang dan tinggi badan ikan mas, warna sisik, ukuran sisik, mata, dan sifat-sifat (tingkah laku) meliputi orientasi berenang dan kecepatan gerakan.
2 Varietas ikan yang diidentifikasi adalah varietas ikan mas konsumsi terdahulu yang masih terjaga kemurniannya yaitu ikan mas majalaya, ikan mas sinyonya, ikan mas punten, ikan mas karper kaca, ikan mas merah, dan ikan mas Taiwan yang diuji berdasarkan karakteristik morfologi dan tingkah laku.
3 Metode inferensi menggunakan metode KNN.
4 Data yang digunakan dalam penelitian ini diperoleh dari pakar Bapak Ir Irzal Effendi, MSidari Departemen Budidaya Perairan Fakultas Perikanan dan Ilmu Kelautan IPB, serta mendapat informasi tambahan dari Bapak Abdul Wahid Kepala Pelayanan Teknis Balai Riset Perikanan Budidaya Air Tawar Sempur Bogor, dan Bapak Sidi Asih bagian staf peneliti Breeding dan genetika dari Instalasi Riset Plasma Nutfah Perikanan Air Tawar Cijeruk Bogor. Selain itu, data diperoleh dari informasi yang didapat dari telaah pustaka.
METODE
Metode penelitian SPIVIM mengacu pada pembentukan sistem pakar yang dijelaskan Marimin (2005) terdiri atas beberapa tahap yaitu identifikasi masalah, akuisisi pengetahuan, representasi pengetahuan, pengembangan mesin inferensi, implementasi, dan pengujian. Gambar 1 mengilustrasikan tahapan sistem pakar pada penelitian ini.
4
Gambar 1 Tahapan penelitian sistem pakar dalam identifikasi varietas ikan mas (Crypinus carpio)
Identifikasi Masalah
Pengembangan sistem pakar dimulai dengan identifikasi bidang masalah yang akan dikaji serta tugas spesifik yang akan ditangani (Marimin 2005). Dalam hal ini, permasalahan yang dikaji yaitu tidak terjaganya kemurnian generasi varietas ikan massaat ini, sehingga sangat penting bagi petani, breeder dan peneliti dalam identifikasi varietas ikan mas guna mengenali varietas ikan mas konsumsi yang disukai di suatu daerah tertentu, menentukan induk ikan mas yang unggul untuk disilangkan, dan memetakan pengetahuan berupa variabel biologis dan sifat-sifat ikan mas yang dikuasai seorang pakar ke dalam suatu sistem,
Ya Tidak
Mulai
Identifikasi masalah
Akuisisi pengetahuan
Representasi pengetahuan
Pengembangan mesin inferensi
Implementasi
Pengujian
5 sehingga keilmuan pakar dalam hal identifikasi karakteristik varietas ikan mas tidak akan hilang atau punah.
Akuisisi Pengetahuan
Akuisisi pengetahuan digunakan sebagai alat untuk mengisi atau mendapatkan pengetahuan dan fakta (Marimin 2005) mengenai karakteristik identifikasi varietas ikan mas, serta aturan dan model yang diperlukan oleh sistem pakar identifikasi varietas ikan mas dari berbagai sumber. Pengetahuan tersebut didapat dari:
1. Pengetahuan dasar diperoleh dari pakar melalui proses wawancara. Dalam hal ini Knowledge engineers (KEs) memberikan permasalahan atau pertanyaan mengenai varietas ikan mas dan pakar menjelaskan permasalahan atau pengetahuan tersebut berdasarkan pertayaan yang KEs ajukan. KEs merupakan orang yang memiliki latar belakang pengetahuan tentang komputer dan kecerdasan buatan serta mengerti cara pengembangan sistem pakar (Marimin 2005).
2. Pengorganisasian dari beberapa buku, jurnal, data dasar dan media lain (manual teknik, makalah, dan sejenis) yang relevan dengan ruang lingkup sistem pakar yang akan dikembangkan.
Representasi Pengetahuan
Setelah memperoleh pengetahuan dari berbagai sumber, maka memilih teknik representasi pengetahuan yang akan digunakan untuk mengembangkan sistem pakar. Pengetahuan yang diperoleh merupakan sumber kecerdasaan sistem serta dimanfaatkan oleh mesin inferensi untuk mengambil keputusan dengan jenis penyajian pengetahuan direpresentasikan ke dalam suatu tabel keputusan.
Pengembangan Mesin Inferensi
Pengetahuan yang telah direpresentasikan ke dalam suatu tabel keputusan diolah, dimanipulasi dan diarahkan untuk mencapai suatu keputusan dengan bantuan metode inferensi dalam identifikasi varietas ikan mas. Ketidakpastian pengetahuan dan strategi penalarannya perlu diklasifikasikan dan dilakukan pemeriksaan kebenaran serta dipilih metode penanganannya (Marimin 2005).
6
Gambar 2 Tahapan metode KNN dalam identifikasi varietas ikan mas (Crypinus carpio)
Pengadaan Data
Penelitian ini menggunakan beberapa variabel yang mencirikan bentuk morfologi (Tabel 1) dan tingkah laku (Tabel 2) ikan mas. Variabel dalam penelitian ini mempunyai beberapa fitur dan diperoleh dengan cara wawancara langsung dengan pakar perikanan budidaya yaitu Bapak Ir Irzal Effendi, MSi dari Departemen Budidaya Perairan Fakultas Perikanan dan Ilmu Kelautan IPB,
informasi tambahan dari Bapak Abdul Wahid Kepala Pelayanan Teknis Balai Riset Perikanan Budidaya Air Tawar Sempur Bogor, dan Bapak Sidi Asih bagian
Mulai
Identifikasi masalah
Pengadaan data
Praproses data
Penentuan data latih dan data uji
KNN
Pengenalan varietas ikan mas
Selesai
Data latih Data uji
7 staf peneliti Breeding dan genetika dari Instalasi Riset Plasma Nutfah Perikanan Air Tawar Cijeruk Bogor.
Tabel 1 Karakter morfologi ikan mas (Crypinus carpio)
Parameter Satuan nilai
Rasio badan Pajang dan tinggi Warna sisik
Mata Sipit, agak menonjol, dan normal Tabel 2 Karakter tingkah laku ikan mas (Crypinus carpio)
Parameter Jenis
1 Rasio panjang dan tinggi badan ikan, yaitu perbandingan antara panjang dan tinggi badan ikan,
a Panjang ikan mas ialah panjang total yang diukur mulai dari ujung terdepan bagian kepala sampai ujung terakhir bagian ekornya. Jika mulutnya terletak di muka, pada waktu mengadakan pengukuran mulutnya harus berada dalam keadaan tertutup, agar tercapai ujung terdepan (Effendie 1972). Ilustrasi pengukuran panjang total ikan mas ditunjukkan pada Gambar 3 (Wahid et al 2007).
Gambar 3 Panjang badan ikan mas (Crypinus carpio)
Bagian yang terdepan harus bertepatan dengan angka nol dalam satuan sentimeter (cm). Bagian terbelakang yaitu ujung ekornya, kalau ekornya bercabang dan mudah disatukan. Jika kedua bagian ekornya susah untuk disatukan serta kedua belahannya tidak sama, maka yang di ambil untuk dimasukan kedalam pengukuran ialah ujung yang terpanjang. Dasar satuan alat pengukuran harus tetap selama penelitian berlangsung, kalau yang menjadi dasar satuan panjang ialah sentimeter
8
(cm), maka panjang ikan itu bagian kepalanya mulai dari angka nol dan bagian ekornya kepada sentimeter (cm) yang terdekat (Effendie 1972), demikian sama halnya dengan dasar satuan alat pengukur tinggi ikan harus tetap.
b Tinggi badan diukur pada tempat yang tertinggi, garis tegak lurus dari dasar perut sampai ke punggung paling ujung. Bagian dari dasar sirip yang melewati garis punggung tidak ikut diukur (Saanin 1968). Ilustrasi pengukuran tinggi ikan mas dapat ditunjukkan pada Gambar 4 (Wahid et al 2007).
Gambar 4 Tinggi badan ikan mas (Crypinus carpio) 2 Warna Sisik, terbagi menjadi dua :
a. Gambar 5 memperlihatkan warna sisik bagian atas tubuh yaitu mulai dari kepala bagian atas sampai pangkal ekor bagian atas.
Gambar 5 Warna sisik tubuh atas ikan mas (Crypinus carpio)
b. Gambar 6 memperlihatkan warna sisik bagian bawah yaitu mulai kepala bagian bawah sampai pangkal sirip dubur.
Gambar 6 Warna sisik tubuh bawah ikan mas (Crypinus carpio)
Warna Sisik Tubuh Bawah Tinggi badan
9 3 Ukuran sisik ikan mas terbagi menjadi dua yaitu berukuran besar (Gambar 7) dan normal (Gambar 8). Ukuran sisik didasarkan kepada ukuran diameter sisik.
Gambar 7 Ukuran sisik besar ikan mas (Crypinus carpio)
Gambar 8 Ukuran sisik normal ikan mas (Crypinus carpio) 4 Mata, bentuk mata ikan mas meliputi normal, agak menonjol, dan sipit. 5 Orientasi berenang ikan mas dibedakan berdasarkan posisi didalam air yaitu
di permukaan, tengah atau dasar kolam.
6 Gerakan ikan mas ada dua macam yaitu cepat dan lambat.
Praproses Data
Pada tahap ini yaitu mempersiapkan data identifikasi varietas ikan mas sebelum dilakukan pengolahan data, yaitu dengan mempersiapkan parameter-parameter yang sesuai dengan pengetahuan dan fakta berupa karakteristik varietas ikan mas. Data dievaluasi kembali sehingga terjadi perubahan dan pembuangan data valid maupun tidak valid berdasarkan justifikasi pakar dan kesesuaian pengetahuan dengan fakta. Selain itu, data yang bersifat ordinal akan diterjemahkan ke dalam bentuk angka.
Normalisasi
Pada perhitungan jarak Euclid, atribut berskala panjang dapat mempunyai pengaruh lebih besar daripada atribut berskala pendek. Untuk mencegah hal tersebut perlu dilakukan normalisasi terhadap nilai atribut (Larose 2005).
Salah satu metode normalisasi adalah min-max normalization yang diterapkan untuk parameter numerik. Formula untuk normalisasi atribut X ditunjukkan pada Persamaan 1.
X*= X- min (X)
10
Dengan X* adalah nilai setelah dinormalisasi, X adalah nilai sebelum dinormalisasi, min (X) adalah nilai minimum dari parameter, dan max (X) adalah nilai maksimum dari suatu parameter.
Penentuan Data Latih dan Data Uji
Pada penelitian ini penentuan pembagian data latih dan data uji menggunakan metode k-fold cross validation dengan nilai k = 4. K-fold cross validation dilakukan untuk membagi data ke dalam k buah partisi dengan ukuran sama D1, D2, D3, …, Dk. Pelatihan dan pengujian dilakukan sebanyak k-kali.
Pada iterasi pertama, D1 akan menjadi data uji, D2, D3, …, Dk akan menjadi data latih. Selanjutnya iterasi ke-2, D2 akan menjadi data uji, D1, D3, …, Dk akan menjadi data latih, dan seterusnya (Han dan Kamber 2005).
Klasifikasi
Teknik klasifikasi yang digunakan dalam memecahkan suatu masalah identifikasi varietas ikan mas yaitu KNN. KNN merupakan salah satu metode yang digunakan dalam pengklasifikasian. Hasil klasifikasi data baru didapatkan dengan mencari jarak terdekat antara data yang akan dievaluasi dengan k tetangga terdekatnya dalam data pelatihan menggunakan fungsi jarak yaitu jarak Euclidean (Larose 2005).
Hasil dari perhitungan Euclid digunakan untuk menentukan kemiripan antara data latih dan data uji. Kecocokan dilihat dari nilai (jarak) yang paling minimum, berikut rumus Euclid pada Persamaan 2.
di= (xi-yi) ikan mas dikelompokkan menjadi tiga, yaitu data nominal, data ordinal dan data numerik. Untuk data numerik dan ordinal, penggunaan jarak Euclidean sudah tepat, namun untuk data nominal digunakan sebuah fungsi jarak nominal (nominal distance) yang digunakan untuk membandingkan nilai data latih dan data uji. Berikut pada Persamaan 3 merupakan rumus untuk menghitung jarak nominal (Larose 2005).
di= 0 jika xi=yi
1 selainnya (3)
Jika data latih sama dengan data uji maka jaraknya 0, selainnya jaraknya 1. Untuk menggabungkan kedua jarak semua variabel, dilakukan agregate ketidaksamaan berat rata-rata dari jarak masing-masing fitur dengan menggunakan rumus pada Persamaan 4 di bawah ini (Teknomo 2006).
11
Pengenalan Varietas Ikan Mas
Pada tahap ini metode klasifikasi KNN diaplikasikan terhadap data varietas ikan mas yang telah diproses yaitu dengan menentukan parameter k = jumlah tetangga terdekat, kemudian mayoritas sederhana dari kelas tetangga terdekat digunakan sebagai nilai prediksi data baru.
Hasil Prediksi
Pada tahap akhir diharapkan data uji yang diinputkan akan terklasifikasi sesuai dengan kelas yang benar. Dalam hal ini confusion matrix digunakan untuk mengevaluasi kinerja klasifikasi, diterapkan pada sebuah tabel yang terdiri atas banyaknya baris data uji yang diprediksi benar atau tidak benar oleh model klasifikasi (Tabel 3), Tabel ini diperlukan untuk menentukan kinerja suatu model klasifikasi (Tan PN et al 2006). Keakuratan sistem akan diuji dengan menghitung akurasi. Akurasi merupakan proporsi jumlah prediksi yang tepat. Perhitungan akurasi terdapat pada Persamaan 5.
Tabel 3 Confusion matrix identifikasi varietas ikan mas (Cyprinus carpio) Kelas aktual Kelas hasil prediksi
Kelas 1 Kelas 2
Implementasi sistem pakar identifikasi varietas ikan mas dikembangkan dengan menggunakan beberapa perangkat keras dan perangkat lunak pendukung. Implementasi perangkat disesuaikan dengan sistem yang akan digunakan pada identifikasi varietas ikan mas yaitu sistem berbasis website, dengan spesifikasi hardware dan software pada Tabel 4.
Tabel 4 Implementasi perangkat keras dan perangkat lunak pendukung SPIVIM
Perangkat Keras Perangkat lunak
Processor AMD E-35 RAM kapasitas 2.00 GB Hard disk kapasitas 320 GB
Microsoft Windows 7 Home Basic Bahasa pemrograman PHP
XAMPP
Photoshop CS 2
Macromedia Dreamweaver 8
Pengujian
12
pengetahuan identifikasi varietas ikan mas agar sistem pakar yang diperoleh dapat mewakili pengetahuan seorang pakar. Jika pengujian sudah sesuai dengan pengetahuan pakar dan fakta, maka sistem identifikasi varietas ikan mas sudah mampu mewakili pengetahuan pakar sehingga sistem ini dapat dipergunakan oleh petani dan breeder.
HASIL DAN PEMBAHASAN
Identifikasi Masalah
Persilangan antar varietas ikan mas menyebabkan terbentuknya karakteristik baru hasil percampuran antar varietas tersebut, sehingga lambat laun mejadi tidak terjaganya kemurnian generasi varietas ikan mas di masa yang akan datang. Dalam hal ini petani, peneliti maupun breeder berkepentingan dalam mengidentifikasi varietas ikan mas, guna mengenali varietas ikan mas konsumsi yang disukai di suatu daerah tertentu, menentukan induk ikan mas yang unggul untuk disilangkan, dan memetakan pengetahuan berupa variabel biologis dan sifat-sifat ikan mas yang dikuasai seorang pakar kedalam suatu sistem, sehingga keilmuan pakar dalam hal identifikasi karakteristik varietas ikan mas tidak akan hilang atau punah.
Akuisisi Pengetahuan
Pengetahuan identifikasi varietas ikan masberdasarkan karakteristik morfologi dan tingkah laku diperoleh dari proses wawancara oleh Bapak Ir Irzal Effendi, MSidari Departemen Budidaya Perairan Fakultas Perikanan dan Ilmu Kelautan IPB, serta beberapa informasi tambahan diperoleh dariBapak Abdul Wahid Kepala Pelayanan Teknis Balai Riset Perikanan Budidaya Air Tawar Sempur Bogor dan Bapak Sidi Asih bagian staf peneliti breeding dan genetika Instalasi Balai Riset Perikanan Budidaya Air Tawar Cijeruk Bogor. Data yang diperoleh berdasarkan hasil wawancara disajikan pada Tabel 5. Selain itu diperoleh dari beberapa telaah pustaka lainnya seperti buku yaitu sebagai contoh Effendie (1972), Ardiwinata (1971), data manual kunjungan ke Balai Riset Perikanan Budidaya Air Tawar Sempur Bogor dan Instalasi Balai Riset Perikanan Budidaya Air Tawar Cijeruk Bogor, dan media penyuluhan diperoleh dari Bapak Abdul Wahid dan Bapak Sidi Asih.
13 Tabel 5 Data yang diperoleh dari hasil wawancara dengan pakar
Wawancara dengan para pakar Data yang diperoleh
Bapak Ir Irzal Effendi, MSi
Pengetahuan dasar mengenai perkenalan budidaya perairan, perkembangan produksi ikan di suatu daerah.
Validasi pengetahuan yang telah diperoleh dari hasil wawancara dengan Bapak Abdul Wahid dan Bapak Sidi Asih berupa kesesuaian pengetahuan yaitu varietas ikan mas yang akan di identifikasi, variabel-variabel yang dibutuhkan dalam identifikasi, terdapatnya kunci identifikasi, karakteristik yang dimiliki tiap varietas dan kesesuaian gambar dengan karakteristik varietas ikan mas. karakteristik yang dimiliki varietas ikan mas, sebagai contoh ikan mas majalaya memiliki karakteristik mata yang menonjol, warna sisik tubuh atas dan bawah hijau gelap.
Pengetahuan yang diperoleh, divalidasi oleh pakar yaitu Bapak Ir Irzal Effendi, MSiuntuk menguji dan memastikan kebenaran data. Proses validasi data dilakukan dengan mengajukan kuesioner yang berisi sample data uji ke pakar. Pakar akan menentukan apakah pengetahuan yang diperoleh telah sesuai dengan pengetahuan pakar. Tahapan proses validasi pada Tabel 6.
14
Tabel 6 Akuisisi pengetahuan identifikasi varietas ikan mas (Cyprinus capio) saat validasi dengan pakar
Tahap validasi Hasil Langkah selanjutnya
Tahap 1
Terdapat kesalahan data ikan mas seperti rasio
Penelitian harus kembali pada tahap akuisisi uji terklasifikasi ke kelas yang tepat
Penelitian harus kembali pada tahap akuisisi
Pengetahuan identifikasi varietas ikan mas berdasarkan hasil akuisisi pengetahuan dengan pakar disajikan ke dalam suatu tabel keputusan yang digunakan untuk pengambilan keputusan. Sebagai ilustrasi, representasi pengetahuan sistem ini ditunjukkan pada Lampiran 5.
Pengembangan Mesin Inferensi
15
Pengadaan Data
Pada pengadaan data, data yang diperoleh dari proses wawancara, dan beberapa telaah pustaka.Varietas ikan mas yang diidentifikasi yaitu 6 varietas ikan mas diantaranya ikan mas majalaya, ikan mas punten, ikan mas sinyonya, ikan mas kaca, ikan mas merah, dan ikan mas taiwan. Parameter identifikasi diperoleh sebanyak 8 parameter diantaranya 6 parameter input berdasarkan ciri morfologi meliputi panjang, tinggi badan, warna sisik tubuh bagian atas, warna sisik tubuh bagian bawah, ukuran sisik dan mata, serta parameter input berdasarkan tingkah laku yaitu gerakan dan berenang. Parameter tersebut dibedakan menjadi 3 jenis, yaitu: numerik, ordinal, dan nominal. Parameter numerik terdiri dari panjang dan tinggi ikan mas, ordinal terdiri dari orientasi berenang, dan nominal terdiri dari mata, warna sisik tubuh atas dan bawah, ukuran sisik, dan gerakan.
Praproses Data
Parameter-parameter yang ada dilengkapi dengan data-data yang sesuai dengan ciri-ciri ikan mas tiap varietas. Data-data tersebut dievaluasi kembali kebenarannya oleh Bapak Ir Irzal Effendi, MSisehingga terjadi perubahan dan pembuangan data valid maupun tidak valid berdasarkan justifikasi pakar. Sebagai contoh Tabel 7 merupakan data valid varietas ikan mas majalaya.
Tabel 7 Contoh data ikan mas majalaya (Djiwakusumah 1979; SNI 1999) Varietas ikan mas Ikan mas majalaya Rasio panjang dan tinggi badan 2.7:1
Mata Menonjol
Warna sisik tubuh bagian atas Hijau ke-abu-abuan Warna sisik tubuh bagian bawah Hijau gelap
Ukuran sisik Normal
Berenang Permukaan
Gerak Lambat
Proses perhitungan dalam sistem maupun perhitungan manual, pada Tabel 7 terlihat bahwa berenang merupakan parameter ordinal yaitu parameter nominal yang memiliki tingkatan, sehingga dalam perhitungannya nilai atribut-atribut parameter ordinal diubah ke dalam bentuk angka. Nilai untuk tiap atribut berenang di dasar = 0, tengah = 0.5, dan permukaan = 1.
16
Tabel 8 Data identifikasi varietas ikan mas (Cyprinus carpio) dalam SPIVIM Varietas ikan mas Banyaknya data
Ikan mas majalaya 80 menggunakan jarak Euclidean. Pada parameter tersebut terdapat perbedaan range maka perlu dilakukan normalisasi. Tahap normalisasi dilakukan sebelum proses pengolahan data yang bertujuan untuk menyamakan range antara 0-1 dengan menggunakan rumus min-max nomalization.
Nilai minimum dan maksimum diperoleh dari nilai minimum dan maksimum pada tiap parameter tersebut. Misal parameter panjang nilai maksimum 50 dan nilai minimum 10. Contoh normalisasi untuk record pertama dengan nilai 13 berdasarkan rumus normalisasi adalah:
13-10
50-10=0.075
Begitu pula untuk data input yang akan digunakan nantinya, sebelum dilakukan pengolahan data, data parameter numerik harus melewati proses normalisasi terlebih dahulu. Namun untuk parameter ordinal tidak melalui proses normalisasi karena pada saat dilakukannya praproses data nilai parameter tersebut sudah berada pada range 0-1.
Pembagian Data Latih dan Data Uji
17 terus dilakukan hingga setiap subset pernah menjadi data uji (Tabel 10).
Tabel 10 Susunan data latih dan data uji dalam perhitungan
KNNadalah metode yang digunakan dalam pengklasifikasian. Hasil klasifikasi data baru didapatkan dengan mencari jarak terdekat antara data yang akan dievaluasi dengan k tetangga terdekatnya dalam data pelatihan menggunakan fungsi jarak. Berikut fungsi jarak yang digunakan yaitu:
Euclidean distance
18
Aggregate
Tahap ini merupakan tahap dilakukannya penggabungan hasil perhitungan nominal distance dan hasil perhitungan Euclidean distance. Rumus aggregate ditunjukkan pada Persamaan 4 dengan nilai pembobotan masing-masing parameter ditentukan oleh pakar Bapak Ir Irzal Effendi, MSi (Tabel 11). Nilai pembobotan didasarkan pada parameter yang paling menentukan dalam identifikasi ikan mas. Hasil proses perhitungan aggregate untuk 1 input data uji akan dibandingkan dengan seluruh data latih yang tersedia pada sistem, sehingga menghasilkan 1 nilai yang selanjutnya akan diambil nilai aggregate terkecil sebanyak nilai k yang telah ditentukan pada KNN.
Tabel 11 Nilai pembobotan tiap parameter identifikasi varietas ikan mas (Crypinus carpio)
Parameter Nilai pembobotan pakar
Panjang 0.50
Tinggi 0.50
Mata 0.25
Warna sisik tubuh bagian atas 0.75 Warna sisik tubuh bagian bawah 0.75
Ukuransisik 1.00
Berenang 0.25
Gerakan 0.25
Penentuan Varietas Ikan Mas dengan Metode Klasifikasi KNN
Setelah perhitungan aggregate telah diketahui, maka selanjutnya tahap yang akan dilakukan yaitu menentukan kelas sesuai dengan tahapan KNN. Pada sistem ini penentuan nilai k pada KNN yaitu k = 3, 5, dan 7.
Dari keseluruhan nilai aggregate yang diperoleh berdasarkan perhitungan antara data latih dan data uji, selanjutnya akan dibandingkan dan diambil sesuai dengan k yang sudah ditentukan, misalkan dengan k = 3 berarti ambil 3 nilai aggregate yang terkecil dari keseluruhan data. Dari k terdekat ini akan ditentukan kelas pemenang sebagai kelas yang paling sesuai dengan data uji yang diinputkan, untuk melihat data uji yang terklasifikasi yang benar maka menggunakan confusion matrix. Kemudian keakuratan klasifikasi akan diuji dengan menghitung akurasi tiap subset pada keseluruhan nilai k.
Percobaan Tanpa Normalisasi
Sebelum diimplementasikan menggunakan bahasa pemrograman PHP, perhitungan dilakukan secara manual dengan menggunakan Ms.Excel. Percobaan diawali dengan pembagian data latih dan data uji menggunakan metode k-fold cross validation dengan nilai pembagian k = 4. Dari 6 varietas ikan mas yang digunakan sebagai kelas, masing-masing kelas memiliki data sebanyak 80 record sehingga total data kelas yang diperoleh sebanyak 480 record.
19 Percobaan pertama subset 1 menggunakan total data latih keseluruhan kelas sebanyak 360 record yang berisi subset 2, 3, dan 4. Subset 1 yang berisi 20 record pada satu kelas dijadikan data uji. Data tersebut kemudian diterapkan dalam metode KNN melalui tahap-tahap berikut:
1 Setiap record data uji dihitung jaraknya ke setiap record data latih untuk mengetahui kedekatan antara data uji dengan data latih. Untuk variabel bertipe numerik dan ordinal menggunakan jarak Euclidean yaitu selisih antara data latih dengan data uji. Untuk variabel bertipe nominal menggunakan nominal distance, jika data uji sama dengan data latih maka bernilai 0 dan jika data uji dengan data latih berbeda maka bernilai 1.
2 Hasil perhitungan jarak Euclidean dan nominal distance digabungkan dengan menggunakan rumus aggregate. Pemberian bobot 0.5 untuk parameter panjang dan tinggi, 0.25 untuk parameter mata, berenang dan gerakan, bobot 0.75 untuk parameter warna sisik tubuh atas dan bawah, serta bobot 1 pada ukuran sisik. Pemberian bobot disesuaikan dengan tingkatan parameter yang paling mengidentifikasi ikan mas, sebagai contoh bobot dengan nilai 1 merupakan kunci identifikasi yang paling menentukan karakteristik ikan mas. Pemberian bobot ditentukan oleh pakar.
3 Penentuan nilai k tetangga terdekat pada percobaan pertama dilakukan dengan mencoba nilai k tetangga terdekat yaitu 3, 5 dan 7 dalam metode KNN. Percobaan akan dilakukan sebanyak 4 kali untuk masing-masing nilai k yaitu percobaan untuk subset 1, 2, 3, dan 4.
Akurasi klasifikasi tiap percobaan dan akurasi rata- rata diperlihatkan pada Tabel 12.
Akurasi rata-rata 94.58% 91.04% 89.58%
Dari Tabel 13 terlihat bahwa hasil akurasi rata-rata percobaan tanpa normalisasi, tertinggi saat k tetangga terdekat = 3 yaitu 94.58% dan terendah k = 7 yaitu 89.58%. Sedangkan hasil akurasi dari seluruh subset, tertinggi saat k = 3 subset 2 yaitu 95.83% dan terendah k = 5 dan 7 subset 4 yaitu 88.58%.
20
Tabel 13 Confusion matrix percobaan tanpa normalisasi perhitungan manual Ms.Excel saat subset 4 k = 5
Kelas aktual Kelas hasil prediksi
majalaya kaca sinyonya merah punten taiwan
majalaya 19 0 0 1 0 0
Kesalahan klasifikasi disebabkan karena beberapa varietas ikan mas memiliki beberapa kemiripan karakteristik yaitu terletak pada parameter kunci identifikasi varietas. Sebagai contoh, ketika varietas ikan mas punten teridentifikasi sebagai ikan mas majalaya, hal ini terjadi karena memiliki kemiripan dalam parameter kunci identifikasi yaitu warna sisik tubuh bawah, mata dan ukuran sisik. Selain itu perbedaan range parameter numerik yang terlalu jauh menyebabkan kesalahan dalam klasifikasi. Tabel 14 merupakan hasil perhitungan jarak kedekatan.
Percobaan dilakukan dengan memberikan tahap normalisasi pada data yang akan digunakan. Sama halnya dengan tanpa normalisasi percobaan diawali dengan pembagian data latih dan data uji menggunakan metode k-fold cross validation dengan nilai pembagian k = 4. Dari 6 varietas ikan mas yang digunakan sebagai kelas, masing-masing kelas memiliki data sebanyak 80 record sehingga total data kelas yang diperoleh sebanyak 480 record.
Data masing-masing kelas 80 record dibagi menjadi 4 subset, setiap subset berisi 20 record. Percobaan menggunakan 60 record sebagai data latih yang berisi subset 1, 2, dan 3. Subset 4 yang berisi 20 record dijadikan data uji, percobaan terus dilakukan hingga setiap subset pernah menjadi data uji (Tabel 10).
21 1 Data latih dan data uji yang digunakan akan diterapkan normalisasi telebih dahulu sebelum menghitung jarak kedekatan, normalisasi bertujuan untuk menyamakan range antar parameter. Untuk mendapatkan range antara 0-1 digunakan min-max normalization, sesuai dengan Persamaan 1.
2 Setiap record data uji dihitung jaraknya ke setiap record data latih untuk mengetahui kedekatan antara data uji dengan data latih. Untuk variabel bertipe numerik dan ordinal menggunakan jarak Euclidean yaitu selisih antara data latih dengan data uji. Untuk variabel bertipe nominal menggunakan nominal distance, jika data uji sama dengan data latih maka bernilai 0 dan jika data uji dengan data latih berbeda maka bernilai 1.
3 Hasil perhitungan jarak Euclidean dan nominal distance digabungkan dengan menggunakan rumus aggregate. Pemberian bobot disesuaikan dengan kunci yang paling mengidentifikasi ikan mas (Tabel 11), sebagai contoh bobot dengan nilai 1 merupakan kunci identifikasi yang paling menentukan karakteristik ikan mas.
4 Penentuan nilai k tetangga terdekat pada percobaan pertama dilakukan dengan mencoba nilai k tetangga terdekat yaitu 3, 5 dan 7 dalam metode KNN. Percobaan akan dilakukan sebanyak 4 kali untuk masing-masing nilai k yaitu percobaan untuk subset 1, 2, 3 dan 4.
Akurasi klasifikasi tiap percobaan dan akurasi rata- rata diperlihatkan pada Tabel 15.
Akurasi rata-rata 98.54% 97.92% 97.71%
Dari Tabel 17 terlihat bahwa hasil akurasi rata-rata percobaan dengan normalisasi, tertinggi saat k tetangga terdekat = 3 yaitu 98.54% dan terendah k = 5 yaitu 97.71%. Sedangkan hasil akurasi dari seluruh subset, tertinggi saat subset 3 dan 4 di seluruh nilai k yaitu 100% dan terendah k = 5 dan 7 subset 1 yaitu 95.00%.
22
Tabel 16 Confusion matrix percobaan dengan normalisasi perhitungan manual Ms.Excel saat subset 1 k = 5
Kelas aktual Kelas hasil prediksi
majalaya kaca sinyonya merah punten taiwan
majalaya 20 0 0 0 0 0 sinyonya, merah dan taiwan terklasifikasi ke kelas yang tepat, hal ini disebabkan karena adanya proses normalisasi menggunakan rumus min-max nomalization dengan menyamakan range parameter numerik, sehingga range yang dihasilkan tidak terlalu jauh yaitu antara 0-1. Kesalahan klasifikasi pada ikan mas punten teridentifikasi ke ikan mas majalaya terjadi karena adanya kemiripan pada parameter nominal yang mendominasi.
Perbandingan hasil akurasi percobaan tanpa normalisasi dan dengan normalisasi dapat dilihat pada Tabel 17 dan Gambar 9. Pada Gambar 9 dapat dilihat bahwa percobaan dengan normalisasi memberikan pengaruh besar. Selain itu, diketahui bahwa hasil rata-rata akurasi dari k = 3, 5 dan 7 tanpa normalisasi cenderung 2 – 6% mengalami penurunan, terlihat ketika nilai rata-rata akurasi tertinggi pada saat k = 3 dan nilai rata-rata terendah pada saat k = 7. Nilai akurasi per subset tertinggi diperoleh saat k = 3 subset 3 dan terendah diperoleh saat k = 5 subset 4.
Tabel 17 Perbandingan hasil akurasi percobaan tanpa normalisasi dan dengan normalisasi perhitungan manual Ms.Excel
Subset K (tanpa normalisasi) K (normalisasi)
23
Gambar 9 Diagram hasil perbandingan akurasi rata-rata tiap k percobaan tanpa normalisasi dan dengan normalisasi
Hal ini disebabkan dengan nilai k kecil biasanya mengurangi adanya variasi tetangga terdekat. Namun tidak menutup kemungkinan ketika menggunakan nilai k kecil dapat sepenuhnya tepat terklasifikasi pada kelasnya, kejadian tersebut bisa saja variasi tetangga terdekat menyebar ke varietas kelas lain sehingga menjadi tidak sesuai dengan kelas uji. Hal inilah yang melatarbelakangi dilakukan percobaan dengan nilai k = 3, 5, dan 7. Skenario yang diimplementasikan pada sistem akan menggunakan skenario hasil akurasi terbaik yaitu menerapkan skenario percobaan dengan proses normalisasi dengan k = 3 akurasi 100%.
Implementasi
Implementasi penelitian ini dikembangkan menggunakan sistem pakar berbasis website yang mampu memberikan kemudahan untuk para pembudidaya dalam mengidentifikasi varietas ikan mas sebelum melakukan budidaya ikan mas. Implementasi antarmuka menggambarkan hasil akhir dari proses perancangan website yang menghubungkan komunikasi user dengan sistem pakar, selain itu implementasi antarmuka didukung oleh perangkat lunak dan perangkat keras yang digunakan.
24
Gambar 11 Modul tambahan SPIVIM
Modul utama home berisi latar belakang pembuatan sistem pakar, varietas ikan mas apa saja yang dapat diidentifikasi oleh sistem, serta keterangan metode inferensi yang digunakan dalam pembuatan sistem pakar. Sebagai contoh tampilan modul home user ditunjukkan pada Gambar 12. Petunjuk Identifikasi berisi parameter-parameter dalam identifikasi varietas ikan mas berdasarkan karakteristik morfologi dan tingkah laku dan keterangan tiap parameter. Terminologi sistem berisi metode-metode penunjang yang digunakan dalam pembuatan sistem pakar identifikasi varietas ikan mas. Modul tambahan Buku Tamu berisi fasilitas untuk user dapat memberikan suatu saran atau kritik terhadap sistem pakar identifikasi varietas ikan mas berdasarkan karakteristik morfologi dan tingkah laku. Hubungi Kami berisi informasi contact person, dan Bantuan berisi informasi tata cara penggunaan SPIVIM.
Gambar 12 Tampilan home user SPIVIM
25 dan gerakan ikan. Gambar 13 merupakan form proses identifikasi varietas ikan mas.
Sebelum menjawab parameter-parameter karakteristik morfologi dan tingkah laku ikan mas, tentukan terlebih dahulu k tetangga terdekat yang akan digunakan 3, 5, atau 7. Jika user tidak memilih atau lupa memilih maka secara default sistem akan menggunakan k tetangga terdekat yaitu 3, karena akurasi yang terbaik diperoleh pada saat k = 3 diilustrasikan pada Gambar 14.
Gambar 13 Modul utama proses identifikasi SPIVIM
26
Selain itu, sistem pakar ini dilengkapi dengan keamanan atau validasi form ketika terjadi kesalahan user tidak menginputkan data (Gambar 15) dan user memasukan nilai panjang tidak sesuai dengan range yang ditetapkan 10-50 (Gambar 16), dan nilai rasio tidak sesuai dengan rasio ikan mas yang diidentifikasi pada sistem (Gambar 17).
Gambar 15 Validasi form jika user tidak menginputkan jawaban pada modul utama proses identifikasi SPIVIM
27
Gambar 17 Validasi form jika input rasio tidak sesuai dengan yang diidentifikasi di SPIVIM
Selain halaman user, SPIVIM menyediakan fasilitas halaman admin. Data yang digunakan pada SPIVIM bersifat dinamis artinya data-data tersebut dapat di ubah, di tambah, dan di hapus oleh admin. Sebelum masuk ke halaman home admin, terlebih dahulu untuk login menginputkan username dan password yang dimiliki, berikut Gambar 18 merupakan tampilan halaman login admin dan Gambar 19 tampilan awal menu home admin.
Gambar 18 Login admin SPIVIM
Gambar 19 Home admin SPIVIM
Validasi Pakar
28
dan konsistensi pengetahuan pada hasil yang diperoleh. Tahap validasi pakar disajikan pada Tabel 5.
SIMPULAN DAN SARAN
Simpulan
Dari beberapa percobaan yang telah dilakukan dapat diperoleh beberapa kesimpulan, yaitu :
1 Sistem pakar identifikasi varietas ikan mas berdasarkan ciri morfologi dan tingkah laku telah selesai dibuat.
2 Metode KNN dapat diterapkan pada pengidentifikasian varietas ikan mas berdasarkan karakteristik morfologi dan tingkah laku.
3 Ketepatan basis pengetahuan dan nilai pembobotan tiap parameter dalam kepentingan identifikasi perlu diperhatikan, guna mengurangi tingkat kesalahan saat proses perhitungan metode klasifikasi sehingga bila terjadi kesalahan, proses penelitian akan kembali ke tahap akuisisi pengetahuan. 4 Berdasarkan hasil validasi uji coba dengan pakar Bapak Ir Irzal Effendi,
MSi akurasi yang dihasilkan 100%, di sisi lain hasil perhitungan manual pada percobaan tanpa normalisasi menghasilkan rata-rata akurasi tertinggi sebesar 94.58% saat k = 3 dan percobaan dengan normalisasi rata-rata akurasi tertinggi 98.54%.
5 Skenario yang diimplementasikan pada SPIVIM menerapkan skenario akurasi terbaik yaitu percobaan dengan proses normalisasi dengan default k = 3 subset 3 akurasi 100%. Pemilihan default nilai k tetangga terdekat = 3 pada sistem yaitu guna mengurangi adanya proses perulangan (loop) yang lama, namun dalam SPIVIM difasilitasi juga dengan pemilihan k = 3, 5, dan 7.
6 Nilai k kecil biasanya mengurangi adanya variasi tetangga terdekat. Namun tidak menutup kemungkinan ketika menggunakan nilai k kecil dapat sepenuhnya tepat terklasifikasi pada kelasnya, kejadian tersebut bisa saja variasi tetangga terdekat menyebar ke varietas kelas lain sehingga menjadi tidak sesuai dengan kelas uji.
Saran
Untuk penelitian selanjutnya, saran penulis untuk penelitian ini adalah sebagai berikut, yaitu :
1 Beberapa varietas ikan mas yang digunakan pada penelitian ini seperti ikan mas taiwan dan ikan mas punten merupakan varietas ikan mas yang sudah langka keberadaan genotip aslinya, karena saat ini ikan mas tersebut sudah mengalami perkawinan silang ikan mas antara varietas satu dengan varietas yang lain. Oleh karena itu untuk penelitian selanjutnya dapat dicoba dengan menerapkan varietas ikan mas lainnya yang ada saat ini.
29 Perikanan Budidaya Air Tawar Sempur Bogor. Oleh karena itu SPIVIM dapat dilanjutkan dengan mencoba identifikasi varietas ikan mas berdasarkan citra, sehingga dalam identifikasi perlu menambahkan beberapa parameter baru untuk penunjang identifikasi tersebut serta ketepatan dalam identifikasi warna sisik ikan mas lebih akurat.
DAFTAR PUSTAKA
Ardiwinata RO. 1971. Pemeliharaan Ikan Mas (Tambera). Bandung (ID): Sumur Bandung.
Djiwakusumah T. 1979. Budidaya Ikan Air Tawar. Bogor (ID): Unit Penataran Institut Pertanian Bogor.
Effendie MI. 1972. Metoda Biologi Perikanan. Bogor (ID): Institut Pertanian Bogor.
Han J, Kamber M. 2006. Data Mining Concepts and Techniques. Waltham (US): Morgan Kaufman.
Khairuman H, Amri K. 2011. Buku Pintar Budidaya dan Bisnis 15 Ikan Konsumsi. Jakarta (ID): Agro Media Pustaka.
Larose DT. 2005. Discovering Knowledge in Data: an Introduction to Data Mining. Hoboken (US): J Wiley.
Marimin. 2005. Teori dan Aplikasi Sistem Pakar dalam Teknologi Manajerial. Bogor (ID): Institut Pertanian Bogor.
Nurjayanti B. 2011. Identifikasi Shorea menggunakan k-nearest neighbour berdasarkan karakteristik morfologi daun [skripsi]. Bogor (ID): Institut Pertanian Bogor.
Saanin H. 1968. Taksonomi dan Kunci Identifikasi Ikan. Bogor (ID): Institut Pertanian Bogor.
[SNI] Standar Nasional Indonesia. 1999. Produksi Induk Ikan mas (Cyprinus carpio) strain majalaya kelas induk pokok (parent stock) [Internet]. [diunduh 2013 Apr 15] Tersedia pada: perbenihan-www.budidaya.kkp.go.id /peraturan/31_01-6131-1999.pdf.
Tan PN, Steinbach, Kumar. 2006. Introduction to Data Mining. Boston (US): Pearson Education.
Teknomo K. Similarity measurement [Internet]. [diunduh 2012 Agu 8] Tersedia pada: http://people.revoledu.com/kardi/ tutorial/Similarity.
30
31
32
34
Lampiran 5 Decision table dalam identifikasi varietas ikan mas (Cyprinus carpio)
Lampiran 6 Confusion matrix perhitungan manual Ms.Excel percobaan tanpa normalisasi saat k = 3
35 Lampiran 8 Confusion matrix perhitungan manual Ms.Excel percobaan tanpa
normalisasi saat k = 7
Lampiran 9 Confusion matrix perhitungan manual Ms.Excel percobaan dengan normalisasi saat k = 3
36
37
