VOTING FEATURE INTERVAL 5
LINA HERLINA TRESNAWATI
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
i
SISTEM PAKAR UNTUK IDENTIFIKASI SHOREA
MENGGUNAKAN ALGORITME
VOTING FEATURE INTERVAL 5
LINA HERLINA TRESNAWATI
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Komputer pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
i
ABSTRACT
LINA HERLINA TRESNAWATI. Expert System for Shorea Identification using Voting Feature Intervals 5 Algorithm. Supervised by AZIZ KUSTIYO and IWAN HILWAN.
Shorea is a kind of meranti species that have high value. Shorea is a genus name with 194 species and belong to the Dipterocarpaceae family. Shorea has a considerable number of benefits. It is the most important timber source. Shorea can be used to produce varnish, paint and other chemical materials. One kind of Shorea is better known as tengkawang and can produce a high price oil that can be used to make cosmetics and food.
The morphological similarity of Shorea makes it difficult to distinguish one Shorea to another. The identification is usually done by experts. Unfortunately, there is limited time and resource of experts to identify. Expert system is a computer system that emulates the decision making ability of human expert.
This research aims to develop an expert system to identify Shorea based on morphological characteristics of Shorea. The expert system being built uses Voting Feature Intervals 5 (VFI5) algorithm to identify Shorea. The acquistion of data is done with expert to examine Shorea morphological characteristics. The acquisition is generating identification of determination key as comparison to VFI5 algoritm. The identification using VFI5 algorithm produced 99% average accuracy, and identification of Shorea performed by an expert produced 90% accuracy.
ii Judul Skripsi : Sistem Pakar untuk Identifikasi Shorea Menggunakan Algoritme Voting Feature
Interval 5
Nama : Lina Herlina Tresnawati
NRP : G64096037
Disetujui,
Pembimbing I
Aziz Kustiyo SSi MKom NIP. 19700719 199802 1 001
Pembimbing II
Ir Iwan Hilwan MS NIP. 19600204 198601 1 002
Diketahui,
Ketua Departemen
Dr Ir Agus Buono MSi MKom NIP. 19660702 199302 1 001
iii
PRAKATA
Bismillahirrohmanirrohim,
Segala puji bagi Allah subhanahuwata’ala atas segala limpahan rahmat dan karunia-Nya yang
telah diberikan. Semoga sholawat serta salam tetap tercurahkan kepada Nabi Muhammad SAW sehingga penulis dapat menyelesaikan karya ilmiah ini. Judul penelitian ini adalah Sistem Pakar untuk Identifikasi Shorea Menggunakan Algoritme Voting Feature Intervals 5. Penyelesaian penelitian ini tidak luput dari bantuan dan dukungan dari banyak pihak. Untuk itu saya ingin menyampaikan terima kasih kepada:
1 Orang tua tercinta Bapak Acep Suryana dan ibu Dede Ratnawati, saudaraku Hendra
Andriana Saputra dan Venny Febriani Putri, serta keluarga besar yang senantiasa memberikan do’a dan dukungannya.
2 Bapak Aziz Kustiyo SSi MKom dan Bapak Ir Iwan Hilwan MS selaku pembimbing
dalam menjalankan proses pembuatan karya ilmiah ini.
3 Bapak Toto Haryanto SKom MSi dan Bapak Mushthofa SKom MSc selaku dosen
penguji.
4 Bapak Aulia dan pihak Konservasi Kebun Raya Bogor atas sampel daun Shorea-nya.
5 Seluruh dosen pengajar dan civitas akademika Departemen Ilmu Komputer FMIPA IPB
6 Teman-teman satu bimbingan yang bersama-sama berjuang dalam proses penyelesaian
skripsi.
7 Hafiz, Yuni, Wahyu, Nela, dan semua teman seangkatan Alih Jenis Ilkom angkatan 4
untuk semua bantuan dan motivasinya.
8 Intan, Diah, teman-teman kosan dan DKSI untuk semua dukungan dan pengertiannya.
Akhirnya penulis berharap semoga pernulisan karya ilmiah ini dapat bermanfaat bagi semua pihak yang membutuhkan. Amin.
Bogor, Juni 2012
iv
RIWAYAT HIDUP
Penulis dilahirkan di Cicalengka pada tanggal 03 Mei 1988. Penulis adalah anak pertama dari tiga bersaudara, pasangan Bapak Acep Suryana dan Ibu Dede Ratnawati.
v
DAFTAR ISI
Halaman
DAFTAR TABEL... vi
DAFTAR GAMBAR ... vi
DAFTAR LAMPIRAN ... vi
PENDAHULUAN Latar Belakang ... 1
Tujuan ... 1
Ruang Lingkup ... 1
TINJAUAN PUSTAKA Shorea ... 1
Sistem Pakar ... 2
K-Fold Cross Validation ... 3
Kunci Determinasi ... 3
Voting Feature Intervals 5 ... 3
Confusion Matrix ... 3
METODE PENELITIAN Identifikasi Masalah ... 4
Akuisisi Pengetahuan ... 4
Representasi Pengetahuan ... 4
Pengembangan Mesin Inferensi ... 4
Implementasi ... 4
Pengujian... 4
Spesifikasi aplikasi ... 5
HASIL DAN PEMBAHASAN Tahap Identifikasi Masalah ... 5
Tahap Akuisis Pengetahuan ... 5
Tahap Representasi Pengetahuan ... 5
Tahap Pengembangan Mesin Inferensi ... 6
Fold I ... 7
Fold II ... 7
Fold III ... 7
Tahap Implementasi ... 7
Tahap Pengujian ... 7
Perbandingan dengan Penelitian Terkait ... 8
KESIMPULAN DAN SARAN Kesimpulan ... 9
Saran ... 9
DAFTAR PUSTAKA ... 9
vi
DAFTAR TABEL
Halaman
1 Confusion matrix ... 4
2 Fitur nominal Shorea ... 5
3 Susunan data pelatihan dan pengujian ... 6
4 Confusion matrix fold I ... 7
5 Confusion matrix fold II ... 7
6 Confusion matrix fold III ... 7
7 Akurasi rata-rata ... 7
DAFTAR GAMBAR
Halaman 1 Pohon Shorea pinanga Scheff. ... 12 Shorea javanica Koord. & Val. ... 2
3 Shorea johorensis Foxwf... 2
4 Shorea leprosula Miq. ... 2
5 Shorea platyclados Slooten. ... 2
6 Shorea seminis Slooten. ... 2
7 Elemen sistem pakar (Fu 1994) ... 2
8 Tahapan alur penelitian ... 4
9 Grafik perbandingan jawaban responden ... 8
10 Grafik perbandingan jenis jawaban Shorea yang benar teridentifikasi ... 8
11 Hasil uji pakar ... 8
DAFTAR LAMPIRAN
Halaman 1 Sampel data Shorea untuk data numerik ... 112 Sampel data Shorea untuk data nominal ... 12
3 Kunci determinasi ... 13
4 Selang fitur pada pelatihan fold III ... 14
5 Screenshot sistem ... 22
PENDAHULUAN
Latar Belakang
Shorea merupakan nama marga yang memiliki 194 spesies dan termasuk dalam suku Dipterocarpaceae. Shorea merupakan penghasil kayu terpenting, digunakan untuk pernis, cat, dan pengolahan kimiawi lainnya. Salah satu jenis Shorea yang lebih dikenal sebagai tengkawang (buah meranti-merantian) bisa mengeluarkan minyak berharga tinggi dan biasa digunakan untuk kosmetik dan makanan.
Karena manfaat Shorea tersebut, diperlukan identifikasi untuk menentukan jenis Shorea yang tepat sesuai dengan kebutuhan. Terdapat kesulitan identifikasi karena ada kemiripan jenis Shorea yang satu dengan yang lainnya (khususnya pada pertulangan daun). Identifikasi biasanya dilakukan oleh pakar, namun terdapat keterbatasan waktu identifikasi yang dilakukan oleh pakar. Oleh karena itu, diperlukan suatu sistem yang dapat mewakili pakar tersebut. Sistem ini biasanya dikenal dengan istilah sistem pakar.
Nurjayanti (2011) mengidentifikasi Shorea
menggunakan k-Nearest Neigbour
menghasilkan akurasi 100% setelah
normalisasi. Hasibuan (2010) memprediksi
penyakit kencing manis menggunakan
algoritme Voting Feature Interval 5 dengan akurasi 90%. Susanti (2012) mengidentifikasi Shorea menggunakan algoritme Voting Feature Interval 5 menghasilkan akurasi 88%. Pada penelitian Nurjayanti dan Susanti, data Shorea yang digunakan meliputi lima jenis Shorea, menggunakan 10 fitur, dan sistem masih untuk identifikasi.
Penelitian ini dikerjakan menggunakan sepuluh jenis Shorea, menggunakan 21 fitur dengan menghilangkan fitur panjang, lebar, keliling, dan luas karena keempat fitur tersebut merupakan nilai vote yang salah. Aplikasi dibuat dengan melakukan akuisisi bersama pakar.
Sistem pakar yang dikembangkan
menggunakan algoritme Voting Feature
Interval 5 (VFI5). VFI5 ini dipilih karena kokoh terhadap fitur yang tidak relevan (Demiroz & Guvenir 1997). Penelitian ini diharapkan dapat membantu pihak-pihak terkait (seperti orang yang bekerja di lembaga penelitian) untuk mengidentifikasi jenis Shorea.
Tujuan
Penelitian ini bertujuan membangun sistem pakar untuk mengidentifikasi jenis Shorea menggunakan algoritme VFI5.
Ruang Lingkup
Ruang lingkup penelitian ini meliputi:
1 melakukan identifikasi dengan
menggunakan karakteristik morfologi daun dan tangkai Shorea,
2 fitur yang digunakan sebanyak 21 fitur
yang terbagi menjadi data numerik dan data nominal, serta mencapai 180 cm, beranggotakan sekitar 194 spesies, terutama berupa pohon penghuni hutan tropika, dari suku Dipterocarpaceae. Marga ini dinamai demikian untuk menghormati Sir John Shore, Gubernur Jenderal British East India Company periode 1793-1798. Shorea menyebar terutama di Asia Tenggara ke barat hingga Srilanka, dan India utara, serta ke timur hingga Filipina dan Maluku. Kayu meranti banyak dipergunakan sebagai kayu pertukangan, kayu lapis, papan pertikel, peti pengepak, mebel, alat musik, bahan bangunan rumah, dan perkapalan. Gambar Shorea dapat dilihat pada Gambar 1.
Gambar 1 Pohon Shorea pinanga Scheff.
Dipterocarpaceae sulit untuk diidentifikasi sampai tingkat jenis hutan, terutama di Kalimantan yang memiliki jumlah jenis terbanyak. Ketidakmampuan untuk mengenal
individu Dipterocarpaceae di hutan
dipusatkan pada beberapa jenis yang dikenal dengan baik, khususnya meranti merah Shorea.
Berikut ini akan dijelaskan ciri diagnostik dari Shorea javanica Koord. & Val., Shorea johorensis Foxwf., Shorea leprosula Miq., Shorea platyclados Slooten., dan Shorea seminis Slooten.
Shorea javanica Koord. & Val. Memiliki pertulangan sekunder di bawah dan kesan raba licin, pertulangan sekunder 19-25 pasang, bila
mengering berwarna lebih tua daripada
permukaan daun lebih bawah. Tangkai daun 1.4
– 2.4 cm, pangkal daun membundar. Shorea
menyebar di daerah Sumatera, Jawa, Leuweung Sancang Jawa Barat, umumnya ditanam di Jawa dan Kalimantan (Muara Teweh) untuk diambil damarnya. Gambar Shorea javanica Koord. & Val. dapat dilihat pada Gambar 2.
Gambar 2 Shorea javanica Koord. & Val.
Pada Shorea johorensis Foxwf., daun mengering coklat atau tengguli, terdapat domatia, dan pertulangan daun sekunder 9-12 pasang. Gambar Shorea johorensis Foxwf. dapat dilihat pada Gambar 3.
Gambar 3 Shorea johorensis Foxwf.
Shorea leprosula Miq. mempunyai Pangkal
daun membundar, ujung daun lancip,
permukaan atas licin, permukaan bawah kasar,
pertulangan sekunder 10-16 pasang,
pertulangan tersier hampir tidak terlihat jelas, terdapat domatia. Gambar Shorea leprosula Miq. dapat dilihat pada Gambar 4.
Gambar 4 Shorea leprosula Miq.
Shorea platyclados Slooten mempunyai tangkai daun 0.9 - 2 cm, ujung daun lancip, pangkal membundar, permukaan atas bila mengering coklat agak lembayung atau coklat, permukaan bawah bila mengering coklat,
pertulangan sekunder 12 – 25 pasang,
pertulangan tersier hampir tidak kelihatan, tegak lurus, dan domatia tidak ada. Gambar Shorea platyclados Slooten. dapat dilihat pada Gambar 5.
Gambar 5 Shorea platyclados Slooten.
Shorea seminis Slooten. tumbuh di tepi sungai. Tangkai daunnya bila mengering hitam, agak pendek. Daun berbulu jarang coklat kelabu pada pertulangan bagian bawah. Buah tidak bersayap, kelopak daun membentuk cuping pendek dan berkayu (Newman et al. 1999). Gambar Shorea seminis Slooten dapat dilihat pada Gambar 6.
Gambar 6 Shorea seminis Slooten.
Sistem Pakar
Sistem pakar adalah suatu sistem komputer
yang menyamai (emulates) kemampuan
pengambilan keputusan dari seorang pakar (Arhami 2004). Elemen sistem pakar menurut Fu (1994) dapat dilihat pada Gambar 7.
Knowledge Engineer Domain Expert
Gambar 7 Elemen sistem pakar (Fu 1994).
Berikut ini merupakan penjelasan dari elemen sistem pakar (Fu 1994):
1 Knowledge base (basis pengetahuan)
menyimpan pengetahuan ke dalam sistem.
Knowledge base mengandung
merupakan informasi tentang obyek dalam area permasalahan tertentu, sedangkan aturan merupakan informasi tentang cara memperoleh fakta baru dari fakta yang telah diketahui.
2 Inference engine merupakan program
komputer yang memberikan metode untuk penalaran tentang informasi yang ada dalam basis pengetahuan sehingga dapat membuat kesimpulan sendiri.
3 Explanation facility (fasilitas penjelas)
merupakan komponen tambahan yang menggambarkan penalaran sistem kepada pemakai.
4 User interface (antarmuka pengguna)
merupakan mekanisme yang digunakan oleh pengguna dan sistem pakar untuk
berkomunikasi. Antarmuka menerima
informasi dari pemakai dan mengubahnya ke dalam bentuk yang dapat diterima oleh sistem. Selain itu, antarmuka menerima informasi dari sistem dan menyajikannya dalam bentuk yang dapat dimengerti oleh pemakai.
5 Knowledge enginer adalah orang yang
merepresentasikan pengetahuan dari pakar ke sistem.
8 Expert system building tool merupakan
alat yang digunakan untuk membangun sistem pakar.
K-Fold Cross Validation
Metode k-fold cross validation membagi sebuah himpunan menjadi k himpunan bagian lain (subset). Dilakukan ulangan sebanyak k kali, dan pada setiap ulangan terdapat subset sebagai pelatihan dan pengujian (Fu 1994).
Tingkat akurasi dapat dihitung dengan membagi jumlah hasil klasifikasi yang benar dari k-fold dengan semua jumlah instance pada data awal (Han & Kamber 2001).
Kunci Determinasi
Kunci determinasi merupakan salah satu cabang dari ilmu taksonomi yang mempelajari tentang penetapan suatu jenis tumbuhan atau segolongan dengan tumbuh-tumbuhan yang telah diketahui dalam buku kunci. Djamhuri
(1981) mengemukakan kegiatan kegiatan
identifikasi dapat dilakukan dengan
menggunakan literature yang sudah ada atau
membandingkan dengan tumbuh-tumbuhan
yang sudah diketahui identitasnya. Penggunaan kunci determinasi pertama kali diperkenalkan oleh Carolus Linnaeus.
Djamhuri (1981) mengemukakan bahwa untuk kegiatan determinasi dapat dilakukan dengan cara sebagai berikut:
1 Membandingkan atau menyamakan
tumbuhan yang dijumpai di lapangan dengan herbarium yang telah diketahui sifat-sifatnya dan namanya.
2 Membandingkan atau menyamakan
tumbuhan yang ingin diketahui dengan gambar-gambar yang ada dalam buku manual.
3 Menggunakan kunci determinasi.
4 Bertanya kepada orang yang benar-benar
telah mengetahui berbagai jenis
tumbuhan.
Voting Feature Intervals 5
Algoritme klasifikasi VFI5
merepresentasikan sebuah konsep yang
mendeskripsikan konsep selang antarfitur. Algoritme ini dikembangkan oleh Gulsen Demiroz dan Halil Altay Guvenir pada tahun 1997. Algoritme VFI ini termasuk dalam algoritme yang supervised, yaitu algoritme yang memiliki target berupa kelas-kelas data dan bersifat non-incremental yang berarti semua data pelatihan diproses secara bersamaan (Demiroz & Guvenir 1997).
Terdapat dua proses pada algoritme VFI5:
1 Pelatihan
Proses pelatihan ini bertujuan untuk mencari model yang akan digunakan untuk proses klasifikasi. Pada proses pelatihan ini, akan dihasilkan selang pada setiap fitur. Sebuah selang mewakili himpunan nilai-nilai dari fitur yang diberikan.
2 Klasifikasi
Pada setiap kelas, vote diberi nilai awal 0 karena semua fitur pada awalnya belum memberikan vote, kemudian dicari selang untuk instance pengujian yang jatuh pada selang tersebut untuk setiap fitur. Setelah
mendapat selang fiturnya, dilakukan
penjumlahan untuk semua fitur yang ada pada satu instance. Hasil penjumlahan yang paling besar akan diidentifikasi sebagai kelasnya.
Confusion Matrix
Confusion matrix merupakan informasi tentang penggambaran data aktual yang direpresentasikan pada baris matriks dan kelas data hasil prediksi pada sebuah algoritme yang
direpresentasikan pada kolom matriks
didasarkan pada proporsi antara data uji yang diprediksi secara tepat dengan total prediksi (Tan 2006).
Tabel 1 Confusion matrix
Data Prediksi
berhasil diprediksi dengan benar sebagai kelas 1,
b adalah jumlah instance kelas 1 yang tidak
berhasil diprediksi dengan benar karena diprediksi sebagai kelas 2,
c adalah jumlah instance kelas 2 yang tidak
berhasil diprediksi dengan benar karena diprediksi sebagai kelas 1, serta
d adalah jumlah instance kelas 2 yang
berhasil diprediksi dengan benar sebagai kelas 2.
METODE PENELITIAN
Penelitian ini dilakukan dengan beberapa tahapan proses. Untuk memperoleh hasil akurasi dari algoritme VFI5, data dibagi menjadi tiga buah fold. Tahapan alur penelitian dapat dilihat pada Gambar 8.
Identifikasi
Gambar 8 Tahapan alur penelitian (Marimin 2009).
Identifikasi Masalah
Keanekaragaman jenis Shorea dan
kemiripan ciri morfologinya menyebabkan kesulitan dalam membedakan jenis Shorea yang satu dengan yang lainnya. Diperlukan seorang ahli (pakar) untuk mengidentifikasi jenis
Shorea. Keterbatasan pakar dapat
mengakibatkan kesalahan dalam identifikasi
jenis Shorea. Kesalahan tersebut dapat
mengakibatkan penggunaan kayu yang kurang tepat sehingga dapat menyebabkan eksploitasi. Oleh karena itu, dibuatlah sistem pakar untuk mengidentifikasi jenis-jenis Shorea.
Akuisisi Pengetahuan
Akuisisi pengetahuan dilakukan dengan mencari berbagai sumber referensi yang berkaitan dengan Shorea. Salah satunya adalah dengan melakukan kunjungan ke perpustakaan
Seameo Biotrop. Selain itu, dilakukan
konsultasi dengan pakar, yaitu Ir Iwan Hilwan MS dari Departemen Silvikultur Fakultas Kehutanan IPB, untuk membahas ciri-ciri morfologi dari Shorea.
Representasi Pengetahuan
Pengembangan sistem pakar ini
menggunakan algoritme VFI5. Pada
representasi pengetahuan, dilakukan proses pelatihan, yaitu data latih yang telah ditentukan digunakan sebagai input. Ciri-ciri morfologi Shorea digunakan sebagai fitur, dan jenis Shorea digunakan sebagai kelasnya. Hasil representasi pengetahuan merupakan selang yang memiliki nilai vote dari proses pelatihan.
Pengembangan Mesin Inferensi
Metode inferensi yang digunakan adalah dengan melakukan klasifikasi yang terdiri atas tiga tahap, yaitu menentukan nilai vote pada data uji, menjumlahkan setiap instance, dan menentukan kelas prediksi.
Implementasi
Sistem ini dikembangkan menggunakan Visual Studio 2005 untuk proses pelatihan dan klasifikasi metode VFI5.
Pengujian
Tahap pengujian dilakukan dengan uji coba semua fold, uji coba kunci determinasi kepada mahasiswa, dan uji coba sampel Shorea kepada pakar.
Tahap akhir dari metode ini adalah menghitung nilai akurasi dari hasil yang diperolah pada tahap pengolahan menggunakan metode VFI5. Akurasi dapat dihitung dengan:
∑data uji benar klasifikasi
Spesifikasi aplikasi
Aplikasi ini akan dikembangkan berbasis desktop, dengan implementasi perangkat keras dan perangkat lunak sebagai berikut:
Perangkat Keras
1 Processor Intel Pentium P6100, 2 GHz 2 RAM kapasitas 2 GB
3 Hard disk kapasitas 320 GB
Perangkat lunak
1 Sistem Operasi Microsoft Windows 7
2 Microsoft Visual Studio 2005
3 Microsoft Excel 2010
HASIL DAN PEMBAHASAN
Tahap Identifikasi Masalah
Keanekaragaman jenis Shorea dan
kemiripan ciri morfologinya menyebabkan kesulitan dalam membedakan jenis Shorea yang satu dengan yang lainnya. Diperlukan seorang ahli (pakar) untuk mengidentifikasi jenis
Shorea. Keterbatasan pakar dapat
mengakibatkan kesalahan dalam identifikasi
jenis Shorea. Kesalahan tersebut dapat
mengakibatkan penggunaan kayu yang kurang tepat sehingga dapat menyebabkan eksploitasi.
Oleh karena itu, dibuatlah sistem pakar untuk mengidentifikasi jenis-jenis Shorea yang dapat mewakili pakar. Tujuan dari pembuatan sistem ini adalah mengidentifikasi jenis Shorea berdasarkan ciri morfologi daun dan ranting
sehingga sistem dapat digunakan oleh
pengguna, yaitu orang yang bekerja di pusat penelitian, orang yang bekerja di hutan untuk mengidentifikasi Shorea, dan orang yang bekerja sebagai operator sistem untuk mewakili pakar.
Tahap Akuisis Pengetahuan
Akuisisi pengetahuan dilakukan dengan cara melakukan wawancara secara langsung dengan pakar dan melakukan studi pustaka di perpustakaan Seameo Biotrop. Dari wawancara dan studi pustaka tersebut, didapatkan bahwa terdapat kemiripan antara ciri-ciri morfologi Shorea. Kemiripan pada ciri morfologi tersebut menyebabkan kesulitan dalam membedakan jenis Shorea yang satu dengan yang lain. Dari hasil akuisisis dengan pakar, identifikasi dapat
dilakukan dengan menggunakan kunci
determinasi. Kunci determinasi digunakan untuk mengidentifikasi Shorea dari fitur-fitur nominal dan sebagai pembanding dengan identifikasi yang dilakukan oleh sistem. Kunci determinasi yang telah dibuat dapat dilihat pada Lampiran 3.
Tahap Representasi Pengetahuan
Pada tahap ini, data dibagi menjadi data numerik dan data nominal. Data numerik terdiri atas sepuluh fitur:
1 Jumlah tulang daun.
2 Jarak tangkai.
Data nominal dapat dilihat pada Tabel 2.
Tabel 2 Fitur nominal Shorea
No Fitur Nominal
7 Pangkal daun Meruncing
Runcing
11 Stipula Memanjang
Data yang digunakan terdiri atas sepuluh kelas jenis shorea, yaitu :
1 JOH : Shorea johorensis Foxwf.
7 PLA : Shorea platyclados Slooten.
8 JAV : Shorea javanica koord. & Val.
9 PAL : Shorea palembanica Miq.
10 SEM : Shorea seminis Slooten.
Data keseluruhan sebanyak 90 instance yang terlebih dahulu dibagi menjadi tiga buah himpunan bagian yang ukurannya sama satu
dengan yang lainnya. Pembagian data
keseluruhan menghasilkan himpunan bagian yang disebut sebagai himpunan bagian S1, himpunan bagian S2, dan himpunan bagian S3. Pembagian data keseluruhan ini menghasilkan himpunan bagian yang masing-masing memiliki jumlah instance sebanyak 60 data latih dan 30 data uji.
Pada penelitian ini, pelatihan dan pengujian dilakukan sebanyak tiga kali. Susunan data yang digunakan sebagai data pelatihan dan pengujian pada setiap fold disajikan pada Tabel 3.
Tabel 3 Susunan data pelatihan dan pengujian
Fold Pelatihan Pengujian Fold I
Hasil representasi pengetahuan adalah nilai selang yang sudah memiliki nilai vote untuk masing-masing fitur.
Proses Voting Feature Interval 5 terdiri atas lima tahap:
1 Menampilkan nilai pelatihan.
2 Mencari nilai minimum dan maksimum
dari masing-masing kelas sebagai nilai endpoint.
3 Mengurutkan nilai endpoint sebagai
rentang nilai fitur dan menghitung jumlah nilai fitur yang sama dengan nilai yang ada pada rentang untuk setiap kelas.
4 Normalisasi data, dengan membagi suatu
nilai dengan penjumlahan semua nilai yang ada pada satu kolom.
Di bawah ini merupakan selang untuk fitur jarak tangkai dan pertulangan tersier.
Pada selang di bawah, rentang nilai berupa point interval dan range interval. Point interval dengan nilai 0.8, nilai vote yang digunakan adalah 0.19 untuk kelas LPR, 0.60 untuk kelas PLA, 0.19 untuk kelas PAL, dan nilai vote 0
untuk kelas JOH, PIN, MAC, LEP, MAT, JAV, dan SEM.
Selang fitur jarak tangkai untuk selang 0-1
JOH 0 0 0 0 0 0 0 0
Selang fitur pertulangan tersier
JOH 0 0.12
Nilai selang fitur pertulangan tersier hanya berupa point interval karena fitur pertulangan tersier merupakan fitur nominal, jadi tidak memiliki range interval. Untuk sampel endpoint 1, nilai vote yang digunakan adalah 0.50 untuk kelas PIN dan PLA, dan nilai vote 0 untuk kelas JOH, MAC, LPR, LEP, MAT, JAV, PAL, dan SEM.
Hasil selang fitur dari proses pelatihan dapat dilihat pada Lampiran 4.
Tahap Pengembangan Mesin Inferensi
Penentuan jenis Shorea menggunakan 21 fitur. Tahap klasifikasinya terdiri atas tiga tahapan, yaitu:
1 Menentukan nilai vote pada data uji.
Nilai vote ditentukan dengan cara melihat nilai tersebut berada pada selang fitur hasil pelatihan. Nilai ini dicocokan untuk semua fitur.
2 Menjumlahkan setiap instance.
dari nilai vote yang sudah ditentukan,
kemudian dijumlahkan untuk setiap
instance-nya.
3 Menentukan kelas prediksi.
Kelas prediksi ditentukan dengan
mengambil nilai maksimum dari jumlah
masing-masing kelas yang sudah
Fold I
Pada fold I, data pelatihan yang digunakan yaitu data himpunan S2 dan S3, sedangkan data himpunan S1 menjadi data ujinya. Hasil dari fold I menghasilkan prediksi pada Tabel 4.
Tabel 4 Confusion matrix fold I
Data data diprediksi benar sebagai kelasnya. Akurasi dari fold I sebesar 100 %.
Fold II
Pada fold II, data pelatihan yang digunakan yaitu data himpunan S1 dan S3, sedangkan data himpunan S2 menjadi data ujinya. Hasil dari fold II dapat dilihat pada Tabel 5.
Tabel 5 Confusion matrix fold II
Data
Dari tabel di atas, dapat dilihat bahwa semua data diprediksi benar sebagai kelasnya. Akurasi dari fold II adalah sebesar 100 %.
Fold III
Pada fold III, data pelatihan yang digunakan ialah data himpunan S1 dan S2, sedangkan data himpunan S3 menjadi data ujinya. Hasil dari fold III, menghasilkan prediksi yang benar dan salah pada Tabel 6.
Tabel 6 Confusion matrix fold III hampir semua data dapat diprediksi dengan benar. Untuk kelas JAV, data yang diprediksi benar sebanyak dua instance, dan satu instance diprediksi salah karena diidentifikasi sebagai kelas LEP. Akurasi dari fold III sebesar 97 %.
Instance JAV diidentifikasi sebagai kelas LEP karena terdapat kemiripan fitur pada diameter ranting, permukaan atas, pertulangan tersier, diameter ranting, ujung daun, sifat helai daun, dan stipula.
Tahap Implementasi
Pada tahap implementasi, inputan berupa fitur-fitur Shorea yang disajikan graphical user interface (GUI) sehingga pengguna dapat memasukan nilai fitur dari morfologi Shorea. Selanjutnya, sistem akan menghasilkan satu jenis Shorea sebagai hasil identifikasi. Hasil
tersebut diharapkan dapat mendekati
kesimpulan pakar. Sistem pakar ini
menggunakan Visual Studio 2005. Contoh screenshot untuk identifikasi dapat dilihat pada Lampiran 5.
Tahap Pengujian
Pada tahap ini, pengujian terbagi tiga, yaitu
pengujian semua fold, pengujian kunci
determinasi, dan pengujian dengan pakar. Pengujian semua fold dengan memasukan ciri-ciri morfologi dari Shorea. Hasil perhitungan akurasi dapat dilihat pada Tabel 7.
Tabel 7 Akurasi rata-rata
Fold Akurasi
I 100 %
II 100 %
III 97 %
Rata-rata 99 %
Pengujian kunci determinasi dilakukan
dengan menyebarkan kuesioner kepada
fitur-fitur nominal kunci determinasi. Kuesioner kunci determinasi dapat dilihat pada Lampiran 6, dan hasilnya dapat dilihat pada Gambar 4 dan Gambar 9 di bawah ini:
Gambar 9 Grafik perbandingan jawaban responden.
Gambar 9 menunjukkan perbandingan jawaban dari 18 orang responden yang mengisi jawaban benar. Terdapat 12 orang yang mengisi sepuluh pertanyaan dengan benar, yang mengisi
benar sembilan pertanyaan dan enam
pertanyaan masing-masing ada satu orang, dan empat orang mengisi delapan jawaban yang benar.
Gambar 10 Grafik perbandingan jenis jawaban Shorea yang benar
Teridentifikasi.
Gambar 10 menunjukkan perbandingan jenis Shorea yang dijawab dengan benar. Untuk kelas PIN, MAC, LPR, LEP, dan PLA,
semuanya diidentifikasi benar oleh 18
responden, kelas MAT dan PAL diidentifikasi
benar oleh 17 responden, kelas JAV
diidentifikasi benar oleh 16 responden, kelas SEM diidentifikasi benar oleh 15 responden, dan kelas JOH diidentifikasi benar oleh responden sebanyak delapan jawaban.
Pengujian dengan pakar dilakukan dengan menunjukan sampel Shorea kepada pakar untuk diidentifikasi jenis Shoreanya. Hasil yang
diperoleh ditunjukkan pada Gambar 11.
Gambar 11 Hasil uji pakar.
Gambar 11 menunjukkan perbandingan hasil prediksi sistem dengan jenis Shorea aktual yang sudah teridentifikasi benar oleh pakar. Sistem sudah dapat mengidentifikasi sembilan jenis Shorea dengan benar, yaitu untuk kelas JOH, PIN, MAC, LEP, MAT, PLA, JAV, PAL, dan SEM. Kelas MAC masih salah karena diidentifikasi sebagai kelas MAC.
Perbandingan dengan Penelitian Terkait
Susanti (2012) menggunakan lima jenis Shorea, dan penelitian ini menggunakan sepuluh jenis Shorea dengan jenis yang sama untuk Shorea palembanica Miq. dan Shorea lepida Blume.
Susanti (2012) menggunakan sepuluh fitur Shorea dari daun saja, sedangkan penelitian ini sudah menggunakan 21 fitur Shorea dari daun dan tangkai. Fitur yang sama adalah permukaan daun, ujung daun, pangkal daun, sudut antartulang daun, dan jumlah tulang daun. Fitur tambahan pada penelitian ini adalah jarak tangkai, jarak buku, rasio daun, panjang stipula, lebar stipula, diameter ranting, pertulangan tersier, bentuk diameter ranting, arah ranting, sifat helai daun, domatia, stipula. Perbedaannya pada sudut terbagi tiga, yaitu sudut pangkal, sudut tengah dan sudut ujung. Permukaan daun dibagi dua menjadi permukaan atas dan permukaan bawah.
Metode yang digunakan sama-sama
menggunakan voting feature interval 5. Susanti
(2012) tidak menggunakan pakar dan
menghasilkan akurasi sebesar 88%. Penelitian ini sudah melakukan akuisisi dengan pakar dan menghasilkan akurasi 99%. Peningkatan akurasi diperoleh karena penelitian ini sudah tidak menggunakan fitur panjang daun, lebar daun, keliling daun, dan luas daun (keempat fitur ini merupakan nilai vote yang salah pada penelitian Susanti, sehingga tidak digunakan kembali).
KESIMPULAN DAN SARAN
Kesimpulan
Algoritme VFI5 berhasil mengidentifikasi jenis Shorea. Data yang digunakan diambil dari Kebun Raya Bogor. Jumlah keseluruhan data yang digunakan sebanyak 90 data yang terdiri atas sepuluh kelas Shorea, menghasilkan akurasi rata-rata sebesar 99%. Penelitian ini
menggunakan 3-fold cross validation.
Percobaan dibagi ke dalam tiga fold dengan masing-masing kombinasi data latih dan data uji yang berbeda.
Saran
Penelitian berikutnya diharapkan dilakukan pengembangan sistem berbasis website.
DAFTAR PUSTAKA
Arhami M. 2004. Konsep Dasar Sistem Pakar. Yogyakarta: ANDI.
Djamhuri E. 1981. Kunci Pengenalan Jenis-jenis Pohon di Sekitar Kampus Fakultas Kehutanan IPB Bogor. Bogor : IPB Press.
Fu L. 1994. Neural Networks in Computer Intelligence. Singapura: McGraw-Hill.
Demiroz G, Guvenir HA. 1997. Classification by voting feature intervals.
http://resources.metapress.com/pdf-preview.axd?code=m213h74590431w27&si ze=largest [5 Mei 2012]
Han J, Kamber M. 2001. Data Mining
Concepts & Techniques. Boston:
Academic Press.
Hasibuan EH. 2010. Prediksi Penyakit Kencing Manis (Diabetes Mellitus) menggunakan
Algoritme Klasifikasi Voting Feature
Intervals 5 [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
Marimin. 2009. Teori dan Aplikasi Sistem Pakar dalam Teknologi Manajerial. Bogor: IPB Press.
Newman MF, Burgess PF, Whitmore TC. 1999.
Pedoman Identifikasi Pohon-Pohon
Dipterocarpaceae. Bogor: PROSEA
INDONESIA.
Nurjayanti B. 2011. Identifikasi Shorea
menggunakan k-Nearest Neigbour
Berdasarkan karakteristik Morfologi Daun. [skripsi]. Bogor : Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
Susanti D. 2007. Pengukuran Pertumbuhan dan Pembuatan Kunci Determinasi Tanaman
Dipterocarpaceae di Sekitar Kampus
Fakultas Kehutanan IPB Darmaga [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
Susanti E. 2011. Identifikasi Jenis Shorea (Meranti) menggunakan Algoritme Voting
Feature Intervals 5 berdasarkan
Karakteristik Morfologi Daun [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.
Lampiran 1 Sampel data Shorea untuk data numerik
Shorea /Fitur
Jml tulang
daun Jarak Tangkai
Jarak Buku
Sudut daun (derajat) Rasio daun (Panjang/Lebar)
Stipula diameter ranting
Pangkal Tengah Ujung panjang lebar
JOH 16.00 1.60 6.00 70.00 75.00 65.00 1.80 2.00 0.30 0.40
JOH 16.00 1.20 8.00 70.00 70.00 55.00 1.94 2.00 0.30 0.40
PIN 11.00 1.80 6.20 70.00 55.00 60.00 2.31 0.80 0.40 0.30
PIN 11.00 1.80 7.70 70.00 55.00 55.00 2.13 0.80 0.40 0.30
MAC 8.00 1.70 4.50 45.00 60.00 35.00 1.91 0.40 0.10 0.30
MAC 9.00 1.70 5.30 55.00 60.00 40.00 1.91 0.40 0.10 0.30
LPR 21.00 0.80 6.00 60.00 65.00 60.00 2.26 0.80 0.40 0.30
LPR 21.00 0.70 5.20 60.00 65.00 60.00 3.60 0.80 0.40 0.30
LEP 12.00 1.20 2.90 55.00 65.00 55.00 3.54 0.60 0.30 0.30
LEP 13.00 1.20 3.30 55.00 65.00 55.00 2.98 0.60 0.30 0.30
MAT 17.00 1.20 5.20 45.00 50.00 45.00 2.72 0.70 0.30 0.30
MAT 19.00 1.20 5.20 40.00 45.00 40.00 2.82 0.70 0.30 0.30
PLA 17.00 0.90 3.50 40.00 35.00 40.00 3.12 1.40 0.40 0.30
PLA 14.00 0.90 4.00 30.00 35.00 45.00 3.08 1.40 0.40 0.30
JAV 16.00 1.90 5.00 45.00 40.00 45.00 2.54 2.00 0.40 0.30
JAV 19.00 0.90 4.50 35.00 40.00 45.00 3.20 2.00 0.40 0.30
PAL 15.00 1.00 1.50 35.00 30.00 45.00 2.65 0.60 0.30 0.30
PAL 15.00 1.00 1.50 40.00 40.00 45.00 2.55 0.60 0.30 0.30
SEM 13.00 1.30 2.00 40.00 40.00 45.00 2.38 1.20 0.20 0.40
Lampiran 2 Sampel data Shorea untuk data nominal
Shorea /Fitur
Permukaan Atas
permukaan Bawah
Pertulangan
Tersier Diameter
Permukaan Ranting
Arah Ranting
Pangkal daun
Ujung daun
Helai
daun Domatia Stipula
JOH 1 2 2 2 2 2 3 4 2 2 1
PIN 1 2 1 1 1 2 3 3 3 1 1
MAC 1 1 2 2 1 1 4 1 1 1 1
LPR 1 2 2 2 2 1 3 1 1 2 2
LEP 1 1 2 2 1 1 2 1 2 1 1
MAT 1 2 2 2 2 2 3 1 1 2 2
PLA 1 1 1 2 1 1 4 1 2 1 1
JAV 1 2 2 2 2 2 3 1 2 2 1
PAL 1 2 2 2 1 1 4 2 2 1 2
Lampiran 3 Kunci determinasi
Bentuk ranting 1
(a) Bentuk ranting pipih
(b) Bentuk
membundar Shorea leprosula Miq.
(b) Permukaan bawah daun halus
6 -(a) Permukaan
bawah daun kasar Shorea palembanica
(b) Sifat helai daun sedang (a) Sifat helai
daun tipis Shorea macroptera Dyer.
Shorea seminis
(b) Ujung daun meruncing, membundar, runcing
9 -(a) Ujung
daun tumpul (a) Shorea johorensis Foxwf.
(b) Stipula membundar (a) Stipula
memanjang Shorea javanica Koord. & Val.
Shorea materialis Ridley. Shorea lepida Blume.
1. a) Bentuk ranting pipih ... Shorea pinanga Scheff. b) Bentuk ranting silindris ... 2
2. a) Pertulangan tersier tegak lurus ... Shorea platyclados Slooten.
b) Pertulangan tersier diagonal ... 3 3. a) Arah ranting lurus... 4 b) Arah ranting zigzag ... 7
4. a) Pangkal daun membundar ... Shorea leprosula Miq.
b) Pangkal daun tumpul ... 5
5. a) Permukaan bawah daun kasar ... Shorea palembanica Miq.
b) Permukaan bawah daun halus ... 6
6. a) Sifat helai daun tipis ... Shorea macroptera Dyer. b) Sifat helai daun sedang ... Shorea lepida Blume. 7. a) Permukaan ranting licin ... Shorea seminis Slooten.
b) Permukaan ranting kasab ... 8
8. a) Ujung daun tumpul ... Shorea johorensis Foxwf. b) Ujung daun meruncing, membundar, runcing ... 9
Lampiran 4 Selang fitur pada pelatihan fold III
Jumlah tulang daun
JOH 0 0 0 0 0 0 0 0 0 0.80 0.33 0 0 0 0 0 0
PIN 0 0 0 0.50 0 0 0 0 0 0 0 0 0 0 0 0 0
MAC 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
LPR 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0
LEP 0 0 0 0.50 1 1 0.50 0 0 0 0 0 0 0 0 0 0
MAT 0 0 0 0 0 0 0 0 0 0 0.16 0 0.16 0 0 1 0
PLA 0 0 0 0 0 0 0 1 0 0.19 0.16 0 0 0 0 0 0
JAV 0 0 0 0 0 0 0 0 0.28 0 0.33 0 0.33 0 0 0 0
PAL 0 0 0 0 0 0 0 0 0.71 0 0 0 0 0 0 0 0
SEM 0 0 0 0 0 0 0.50 0 0 0 0 0 0.50 0 0 1 0
8 9 10 11 13 14 15 16 17 18 19 20 21 22
Jarak tangkai
JOH 0 0 0 0 0 0 0 0 0 0 0 0.19 0.33 0.60 0 0 0 0 0
PIN 0 0 0 0 0 0 0 0 0 0.18 0 0.19 0.16 0 0 0.67 0 1 0
MAC 0 0 0 0 0 0 0 0 0 0 0 0.19 0.16 0.19 1 0.32 0 0 0
LPR 0 1 1 0.19 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
LEP 0 0 0 0 0 0 0 0.25 0.50 0.27 0 0 0 0 0 0 0 0 0
MAT 0 0 0 0 0 0 0 0.12 0 0.18 0 0 0 0 0 0 0 0 0
PLA 0 0 0 0.60 0 0.50 0 0 0 0 0 0 0 0 0 0 0 0 0
JAV 0 0 0 0 0 0.16 0 0.12 0.50 0.27 0 0 0 0 0 0 0 0 0
PAL 0 0 0 0.19 0 0.16 0 0.50 0 0 0 0 0 0 0 0 0 0 0
SEM 0 0 0 0 0 0 0 0 0 0.88 0 0.40 0.33 0.19 0 0 0 0 0
Lampiran 4 Selang fitur pada pelatihan fold III (lanjutan)
Jarak buku
JOH 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
PIN 0 0 0 0 0 0 0 0 0 0 0 0.50 0 0 0 0 0 0 0 0 0 0 0 0
MAC 0 0 0 0 0 0.20 0 0 0.50 0 1 0 0 0 1 0 0 0 0.10 0 0 0 0 1
LPR 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.60 0 0 0
LEP 0 0 0 0.25 0.50 0.38 1 0 0.50 0 0 0.50 0 0 0 0 0 0 0 0 0 0 0 0
MAT 0 0 0 0 0 0 0 0 0 0 0 0 0 0.28 0 0 0 0 0.10 0 0.39 0 0 0
PLA 0 0 0 0 0 0 0 0 0 1 0 0 0 0.57 0 1 0 0 0 0 0 0 0 0
JAV 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0.44 1 0 0 0 0
PAL 0 1 0 0.75 0.50 0.38 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
SEM 0 0 0 0 0 0 0 1 0 0 0 0 0 0.13 0 0 0 0 0.33 0 0 0 0 0
1.2 1.5 1.8 2 3.2 3.3 3.5 4 4.1 5 5.2 5.3
JOH 0 0 0 0 0 0.75 0.19 0 0 1 0
PIN 0 0 0 0 0 0 0.80 1 0 0 0
MAC 0 0 0 0 0 0 0 0 0 0 0
LPR 0 0 0 0 1 0.25 0 0 0 0 0
LEP 0 0 0 0 0 0 0 0 0 0 0
MAT 0 0 0 1 0 0 0 0 0 0 0
PLA 0 0 0 0 0 0 0 0 0 0 0
JAV 0 0 0 0 0 0 0 0 0 0 0
PAL 0 0 0 0 0 0 0 0 0 0 0
SEM 0 1 0 0 0 0 0 0 0 0 0
Lampiran 4 Selang fitur pada pelatihan fold III (lanjutan)
Sudut pangkal
JOH 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0.37 1 0.50 0
PIN 0 0 0 0 0 0 0 0 0 0 0 0 0 0.16 0 0.50 0 0.50 0
MAC 0 0 0 0 0 0.09 0 0.60 0 0 0 0.33 0 0 0 0 0 0 0
LPR 0 0 0 0 0 0 0 0 0 0 0 0 0 0.67 1 0.12 0 0 0
LEP 0 0 0 0 0 0 0 0 0 1 0 0.68 0 0.16 0 0 0 0 0
MAT 0 0.50 0 0 0 0.30 0 0.19 0 0 0 0 0 0 0 0 0 0 0
PLA 0 0.50 0 0.33 0 0.09 0 0 0 0 0 0 0 0 0 0 0 0 0
JAV 0 0 0 0.33 0.33 0 0 0.19 0 0 0 0 0 0 0 0 0 0 0
PAL 0 0 0 0.22 0.33 0.20 0 0 0 0 0 0 0 0 0 0 0 0 0
SEM 0 0 0 0.10 0.33 0.30 0 0 0 0 0 0 0 0 0 0 0 0 0
25 30 40 45 50 55 60 70 80
Sudut tengah
JOH 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
PIN 0 0 0 0 0 0 0 0 0 0 0 0.80 0 0.14 0 0.09 0 0 0 0 0
MAC 0 0 0 0 0 0 0 0 0 0 0 0 0 0.57 0 0.09 0 0.50 0 0 0
LPR 0 0 0 0 0 0 0 0 0 0 0 0 0 0.14 0 0.40 0 0.50 0 0 0
LEP 0 0 0 0 0 0 0 0 0 0 0 0.19 0 0.14 0 0.40 0 0 0 0 0
MAT 0 0 0 0.09 0 0.33 0 0.28 0 1 0 0 0 0 0 0 0 0 0 0 0
PLA 0 0.33 0 0.40 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
JAV 0 0.16 0 0.30 0 0.33 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
PAL 0 0.50 0 0.20 0 0.16 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
SEM 0 0 0 0 0 0.16 0 0.71 0 0 0 0 0 0 0 0 0 0 0 0 0
Lampiran 4 Selang fitur pada pelatihan fold III (lanjutan)
Sudut ujung
JOH 0 0 0 0 0 0 0 0 0 0 0 0.20 0 1 0
PIN 0 0 0 0 0 0.07 0 0.28 0 0.28 0 0.09 0 0 0
MAC 0 0.50 0 0.13 0 0.03 0 0.28 0 0.28 0 0 0 0 0
LPR 0 0 0 0 0 0 0 0 0 0 0 0.40 0 0 0
LEP 0 0 0 0 0 0 0 0.43 0 0.43 0 0.30 0 0 0
MAT 0 0 0 0.43 0 0.11 0 0 0 0 0 0 0 0 0
PLA 0 0.50 0 0.43 0 0.07 0 0 0 0 0 0 0 0 0
JAV 0 0 0 0 0 0.23 0 0 0 0 0 0 0 0 0
PAL 0 0 0 0 0 0.23 0 0 0 0 0 0 0 0 0
SEM 0 0 0 0 0 0.23 0 0 0 0 0 0 0 0 0
35 40 45 50 55 60 65
Rasio daun
JOH 0 1 1 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
PIN 0 0 0 0 0 1 0 0 0.80 0 0 0 0 0.50 0 0 0 0 0 0 0 0 0
MAC 0 0 0 1 0 0 0 0 0.20 0.50 0 0 0.32 0 0 0 0 1 0 0 0 0 0
LPR 0 0 0 0 0 0 0 0 0 0.50 0 0.50 0 0.50 0 0 0 0 1 0 0.16 0 0
LEP 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
MAT 0 0 0 0 0 0 0 0 0 0 0 0.50 0.67 0 0 0 0 0 0 0 0.16 0 0
PLA 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
JAV 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
PAL 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0.67 1 0
SEM 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0
Lampiran 4 Selang fitur pada pelatihan fold III (lanjutan)
Rasio daun (lanjutan)
JOH 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
PIN 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
MAC 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
LPR 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0
LEP 0 0 0 0 0 0 1 0 0 0 0 0 0 1 0 1 1 0
MAT 0 0.25 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
PLA 0 0 0 0 0 0 0 0 1 0.80 1 0 0 0 0 0 0 0
JAV 1 0 0 0.75 0 0 0 0 0 0.20 0 0 1 0 0 0 0 0
PAL 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
SEM 0 0.75 0 0.25 1 0 0 0 0 0 0 0 0 0 0 0 0 0
2.67 2.82 2.93 2.98 3.02 3.19 3.20 3.60 4
Panjang stipula
JOH 0 0 0 0 0 0 0 0 0 0 0 0 0 0.50 0
PIN 0 0 0 0 0 0 0 0.50 0 0 0 0 0 0 0
MAC 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0
LPR 0 0 0 0 0 0 0 0.50 0 0 0 0 0 0 0
LEP 0 0 0 0.50 0 0 0 0 0 0 0 0 0 0 0
MAT 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0
PLA 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0
JAV 0 0 0 0 0 0 0 0 0 0 0 0 0 0.50 0
PAL 0 0 0 0.50 0 0 0 0 0 0 0 0 0 0 0
SEM 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0
Lampiran 4 Selang fitur pada pelatihan fold III (lanjutan)
Lebar stipula
JOH 0 0 0 0 0 0.25 0 0 0
PIN 0 0 0 0 0 0 0 0.25 0
MAC 0 1 0 0 0 0 0 0 0
LPR 0 0 0 0 0 0 0 0.25 0
LEP 0 0 0 0 0 0.25 0 0 0
MAT 0 0 0 0 0 0.25 0 0 0
PLA 0 0 0 0 0 0 0 0.25 0
JAV 0 0 0 0 0 0 0 0.25 0
PAL 0 0 0 0 0 0.25 0 0 0
SEM 0 0 0 1 0 0 0 0 0
0.1 0.2 0.3 0.4
Bentuk diameter ranting
JOH 0 0 0 0.5 0
PIN 0 0.125 0 0 0
MAC 0 0.125 0 0 0
LPR 0 0.125 0 0 0
LEP 0 0.125 0 0 0
MAT 0 0.125 0 0 0
PLA 0 0.125 0 0 0
JAV 0 0.125 0 0 0
PAL 0 0.125 0 0 0
SEM 0 0 0 0.5 0
0.3 0.4
Permukaan atas
JOH 0.1
PIN 0.1
MAC 0.1
LPR 0.1
LEP 0.1
MAT 0.1
PLA 0.1
JAV 0.1
PAL 0.1
SEM 0.1
1
Permukaan bawah
JOH 0 0.16
PIN 0 0.16
MAC 0.25 0
LPR 0 0.16
LEP 0.25 0
MAT 0 0.16
PLA 0.25 0
JAV 0 0.16
PAL 0 0.16
SEM 0.25 0
Lampiran 4 Selang fitur pada pelatihan fold III (lanjutan)
Pertulangan tersier
JOH 0 0.125
PIN 0.50 0
MAC 0 0.125
LPR 0 0.125
LEP 0 0.125
MAT 0 0.125
PLA 0.50 0
JAV 0 0.125
PAL 0 0.125
SEM 0 0.125
1 2
Bentuk diameter ranting
JOH 0 0.11
PIN 1 0
MAC 0 0.11
LPR 0 0.11
LEP 0 0.11
MAT 0 0.11
PLA 0 0.11
JAV 0 0.11
PAL 0 0.11
SEM 0 0.11
1 2
Permukaan ranting
JOH 0 0.25
PIN 0.16 0
MAC 0.16 0
LPR 0 0.25
LEP 0.16 0
MAT 0 0.25
PLA 0.16 0
JAV 0 0.25
PAL 0.16 0
SEM 0.16 0
1 2
Arah ranting
JOH 0 0.20
PIN 0 0.20
MAC 0.20 0
LPR 0.20 0
LEP 0.20 0
MAT 0 0.20
PLA 0.20 0
JAV 0 0.20
PAL 0.20 0
SEM 0 0.20
Lampiran 4 Selang fitur pada pelatihan fold III (lanjutan)
Pangkal daun
JOH 0 0.20 0
PIN 0 0.20 0
MAC 0 0 0.25
LPR 0 0.20 0
LEP 1 0 0
MAT 0 0.20 0
PLA 0 0 0.25
JAV 0 0.20 0
PAL 0 0 0.25
SEM 0 0 0.25
2 3 4
Ujung daun
JOH 0 0 0 1
PIN 0 0 1 0
MAC 0 0 0 0
LPR 0 0 0 0
LEP 0 0 0 0
MAT 0 0 0 0
PLA 0 0 0 0
JAV 0 0 0 0
PAL 0 1 0 0
SEM 1 0 0 0
1 2 3 4
Sifat helai daun
JOH 0 0.20 0
PIN 0 0 1
MAC 0.25 0 0
LPR 0.25 0 0
LEP 0 0.20 0
MAT 0.25 0 0
PLA 0 0.20 0
JAV 0 0.20 0
PAL 0 0.20 0
SEM 0.25 0 0
1 2 3
Domatia Stipula
JOH 0.16 0 JOH 0 0.25
PIN 0.16 0 PIN 0.16 0
MAC 0.16 0 MAC 0.16 0
LPR 0 0.25 LPR 0 0.25
LEP 0.16 0 LEP 0.16 0
MAT 0 0.25 MAT 0 0.25
PLA 0.16 0 PLA 0.16 0
JAV 0.16 0 JAV 0 0.25
PAL 0 0.25 PAL 0.16 0
SEM 0 0.25 SEM 0.16 0
Lampiran 5 Screenshot sistem
Screenshot identifikasi Shorea
Lampiran 6 Kuesioner kunci determinasi
Responden yang terhormat.
Saya Lina Herlina Tresnawati mahasiswa ekstensi Ilmu Komputer Institut Pertanian Bogor sedang melakukan penelitian skripsi dengan judul “Sistem Pakar untuk Identifikasi Shorea menggunakan Algoritme Voting Feature Interval 5”. Melalui survei ini. Saya ingin mengetahui hasil identifikasi dari kunci determinasi yang telah dibuat.
1. a) Bentuk ranting pipih ... Shorea pinanga Scheff. b) Bentuk ranting silindris ... 2
2. a) Pertulangan tersier tegak lurus ... Shorea platyclados Slooten. b) Pertulangan tersier diagonal ... 3
3. a) Arah ranting lurus ... 4 b) Arah ranting zigzag... 7
4. a) Pangkal daun membundar ... Shorea leprosula Miq.
b) Pangkal daun tumpul ... 5
5. a) Permukaan bawah daun kasar ... Shorea palembanica Miq.
b) Permukaan bawah daun halus... 6
6. a) Sifat helai daun tipis ... Shorea macroptera Dyer. b) Sifat helai daun sedang ... Shorea lepida Blume. 7. a) Permukaan ranting licin ... Shorea seminis Slooten.
b) Permukaan ranting kasab ... 8
8. a) Ujung daun tumpul... Shorea johorensis Foxwf. b) Ujung daun meruncing, membundar, runcing ... 9
Lampiran 6 Kuesioner kunci determinasi (lanjutan)
Nama : ...
Departemen / Fakultas : ... / ...
No Bentuk
ranting
Pertulangan tersier
Arah ranting
Pangkal daun
Permukaan bawah
Sifat helai daun
Permukaan
ranting Ujung daun stipula Jenis Shorea
1 Silindris Tegak lurus Lurus Tumpul Halus Sedang Licin Meruncing Memanjang
2 Silindris Diagonal Lurus Membundar Kasar Tipis Kasab Meruncing Membundar
3 Silindris Diagonal Lurus Tumpul Kasar Sedang Licin Runcing Membundar
4 Pipih Tegak lurus Zigzag Membundar Kasar Tebal Licin Membundar Memanjang
5 Silindris Diagonal Lurus Tumpul Halus Tipis Licin Meruncing Memanjang
6 Silindris Diagonal Lurus Tumpul Halus Sedang Licin Meruncing Memanjang
7 Silindris Diagonal Zigzag Tumpul Halus Tipis Licin Meruncing Membundar
8 Silindris Diagonal Zigzag Membundar Kasar Sedang Kasab Meruncing Memanjang
9 Silindris Diagonal Zigzag Tumpul Kasar Sedang Kasab Meruncing Membundar
10 Silindris Diagonal Zigzag Membundar Kasar Sedang Kasab Tumpul Memanjang
i
ABSTRACT
LINA HERLINA TRESNAWATI. Expert System for Shorea Identification using Voting Feature Intervals 5 Algorithm. Supervised by AZIZ KUSTIYO and IWAN HILWAN.
Shorea is a kind of meranti species that have high value. Shorea is a genus name with 194 species and belong to the Dipterocarpaceae family. Shorea has a considerable number of benefits. It is the most important timber source. Shorea can be used to produce varnish, paint and other chemical materials. One kind of Shorea is better known as tengkawang and can produce a high price oil that can be used to make cosmetics and food.
The morphological similarity of Shorea makes it difficult to distinguish one Shorea to another. The identification is usually done by experts. Unfortunately, there is limited time and resource of experts to identify. Expert system is a computer system that emulates the decision making ability of human expert.
This research aims to develop an expert system to identify Shorea based on morphological characteristics of Shorea. The expert system being built uses Voting Feature Intervals 5 (VFI5) algorithm to identify Shorea. The acquistion of data is done with expert to examine Shorea morphological characteristics. The acquisition is generating identification of determination key as comparison to VFI5 algoritm. The identification using VFI5 algorithm produced 99% average accuracy, and identification of Shorea performed by an expert produced 90% accuracy.
PENDAHULUAN
Latar Belakang
Shorea merupakan nama marga yang memiliki 194 spesies dan termasuk dalam suku Dipterocarpaceae. Shorea merupakan penghasil kayu terpenting, digunakan untuk pernis, cat, dan pengolahan kimiawi lainnya. Salah satu jenis Shorea yang lebih dikenal sebagai tengkawang (buah meranti-merantian) bisa mengeluarkan minyak berharga tinggi dan biasa digunakan untuk kosmetik dan makanan.
Karena manfaat Shorea tersebut, diperlukan identifikasi untuk menentukan jenis Shorea yang tepat sesuai dengan kebutuhan. Terdapat kesulitan identifikasi karena ada kemiripan jenis Shorea yang satu dengan yang lainnya (khususnya pada pertulangan daun). Identifikasi biasanya dilakukan oleh pakar, namun terdapat keterbatasan waktu identifikasi yang dilakukan oleh pakar. Oleh karena itu, diperlukan suatu sistem yang dapat mewakili pakar tersebut. Sistem ini biasanya dikenal dengan istilah sistem pakar.
Nurjayanti (2011) mengidentifikasi Shorea
menggunakan k-Nearest Neigbour
menghasilkan akurasi 100% setelah
normalisasi. Hasibuan (2010) memprediksi
penyakit kencing manis menggunakan
algoritme Voting Feature Interval 5 dengan akurasi 90%. Susanti (2012) mengidentifikasi Shorea menggunakan algoritme Voting Feature Interval 5 menghasilkan akurasi 88%. Pada penelitian Nurjayanti dan Susanti, data Shorea yang digunakan meliputi lima jenis Shorea, menggunakan 10 fitur, dan sistem masih untuk identifikasi.
Penelitian ini dikerjakan menggunakan sepuluh jenis Shorea, menggunakan 21 fitur dengan menghilangkan fitur panjang, lebar, keliling, dan luas karena keempat fitur tersebut merupakan nilai vote yang salah. Aplikasi dibuat dengan melakukan akuisisi bersama pakar.
Sistem pakar yang dikembangkan
menggunakan algoritme Voting Feature
Interval 5 (VFI5). VFI5 ini dipilih karena kokoh terhadap fitur yang tidak relevan (Demiroz & Guvenir 1997). Penelitian ini diharapkan dapat membantu pihak-pihak terkait (seperti orang yang bekerja di lembaga penelitian) untuk mengidentifikasi jenis Shorea.
Tujuan
Penelitian ini bertujuan membangun sistem pakar untuk mengidentifikasi jenis Shorea menggunakan algoritme VFI5.
Ruang Lingkup
Ruang lingkup penelitian ini meliputi:
1 melakukan identifikasi dengan
menggunakan karakteristik morfologi daun dan tangkai Shorea,
2 fitur yang digunakan sebanyak 21 fitur
yang terbagi menjadi data numerik dan data nominal, serta mencapai 180 cm, beranggotakan sekitar 194 spesies, terutama berupa pohon penghuni hutan tropika, dari suku Dipterocarpaceae. Marga ini dinamai demikian untuk menghormati Sir John Shore, Gubernur Jenderal British East India Company periode 1793-1798. Shorea menyebar terutama di Asia Tenggara ke barat hingga Srilanka, dan India utara, serta ke timur hingga Filipina dan Maluku. Kayu meranti banyak dipergunakan sebagai kayu pertukangan, kayu lapis, papan pertikel, peti pengepak, mebel, alat musik, bahan bangunan rumah, dan perkapalan. Gambar Shorea dapat dilihat pada Gambar 1.
Gambar 1 Pohon Shorea pinanga Scheff.
Dipterocarpaceae sulit untuk diidentifikasi sampai tingkat jenis hutan, terutama di Kalimantan yang memiliki jumlah jenis terbanyak. Ketidakmampuan untuk mengenal
individu Dipterocarpaceae di hutan
dipusatkan pada beberapa jenis yang dikenal dengan baik, khususnya meranti merah Shorea.
Berikut ini akan dijelaskan ciri diagnostik dari Shorea javanica Koord. & Val., Shorea johorensis Foxwf., Shorea leprosula Miq., Shorea platyclados Slooten., dan Shorea seminis Slooten.
Shorea javanica Koord. & Val. Memiliki pertulangan sekunder di bawah dan kesan raba licin, pertulangan sekunder 19-25 pasang, bila
mengering berwarna lebih tua daripada
permukaan daun lebih bawah. Tangkai daun 1.4
– 2.4 cm, pangkal daun membundar. Shorea
menyebar di daerah Sumatera, Jawa, Leuweung Sancang Jawa Barat, umumnya ditanam di Jawa dan Kalimantan (Muara Teweh) untuk diambil damarnya. Gambar Shorea javanica Koord. & Val. dapat dilihat pada Gambar 2.
Gambar 2 Shorea javanica Koord. & Val.
Pada Shorea johorensis Foxwf., daun mengering coklat atau tengguli, terdapat domatia, dan pertulangan daun sekunder 9-12 pasang. Gambar Shorea johorensis Foxwf. dapat dilihat pada Gambar 3.
Gambar 3 Shorea johorensis Foxwf.
Shorea leprosula Miq. mempunyai Pangkal
daun membundar, ujung daun lancip,
permukaan atas licin, permukaan bawah kasar,
pertulangan sekunder 10-16 pasang,
pertulangan tersier hampir tidak terlihat jelas, terdapat domatia. Gambar Shorea leprosula Miq. dapat dilihat pada Gambar 4.
Gambar 4 Shorea leprosula Miq.
Shorea platyclados Slooten mempunyai tangkai daun 0.9 - 2 cm, ujung daun lancip, pangkal membundar, permukaan atas bila mengering coklat agak lembayung atau coklat, permukaan bawah bila mengering coklat,
pertulangan sekunder 12 – 25 pasang,
pertulangan tersier hampir tidak kelihatan, tegak lurus, dan domatia tidak ada. Gambar Shorea platyclados Slooten. dapat dilihat pada Gambar 5.
Gambar 5 Shorea platyclados Slooten.
Shorea seminis Slooten. tumbuh di tepi sungai. Tangkai daunnya bila mengering hitam, agak pendek. Daun berbulu jarang coklat kelabu pada pertulangan bagian bawah. Buah tidak bersayap, kelopak daun membentuk cuping pendek dan berkayu (Newman et al. 1999). Gambar Shorea seminis Slooten dapat dilihat pada Gambar 6.
Gambar 6 Shorea seminis Slooten.
Sistem Pakar
Sistem pakar adalah suatu sistem komputer
yang menyamai (emulates) kemampuan
pengambilan keputusan dari seorang pakar (Arhami 2004). Elemen sistem pakar menurut Fu (1994) dapat dilihat pada Gambar 7.
Knowledge Engineer Domain Expert
Gambar 7 Elemen sistem pakar (Fu 1994).
Berikut ini merupakan penjelasan dari elemen sistem pakar (Fu 1994):
1 Knowledge base (basis pengetahuan)
menyimpan pengetahuan ke dalam sistem.
Knowledge base mengandung
merupakan informasi tentang obyek dalam area permasalahan tertentu, sedangkan aturan merupakan informasi tentang cara memperoleh fakta baru dari fakta yang telah diketahui.
2 Inference engine merupakan program
komputer yang memberikan metode untuk penalaran tentang informasi yang ada dalam basis pengetahuan sehingga dapat membuat kesimpulan sendiri.
3 Explanation facility (fasilitas penjelas)
merupakan komponen tambahan yang menggambarkan penalaran sistem kepada pemakai.
4 User interface (antarmuka pengguna)
merupakan mekanisme yang digunakan oleh pengguna dan sistem pakar untuk
berkomunikasi. Antarmuka menerima
informasi dari pemakai dan mengubahnya ke dalam bentuk yang dapat diterima oleh sistem. Selain itu, antarmuka menerima informasi dari sistem dan menyajikannya dalam bentuk yang dapat dimengerti oleh pemakai.
5 Knowledge enginer adalah orang yang
merepresentasikan pengetahuan dari pakar ke sistem.
8 Expert system building tool merupakan
alat yang digunakan untuk membangun sistem pakar.
K-Fold Cross Validation
Metode k-fold cross validation membagi sebuah himpunan menjadi k himpunan bagian lain (subset). Dilakukan ulangan sebanyak k kali, dan pada setiap ulangan terdapat subset sebagai pelatihan dan pengujian (Fu 1994).
Tingkat akurasi dapat dihitung dengan membagi jumlah hasil klasifikasi yang benar dari k-fold dengan semua jumlah instance pada data awal (Han & Kamber 2001).
Kunci Determinasi
Kunci determinasi merupakan salah satu cabang dari ilmu taksonomi yang mempelajari tentang penetapan suatu jenis tumbuhan atau segolongan dengan tumbuh-tumbuhan yang telah diketahui dalam buku kunci. Djamhuri
(1981) mengemukakan kegiatan kegiatan
identifikasi dapat dilakukan dengan
menggunakan literature yang sudah ada atau
membandingkan dengan tumbuh-tumbuhan
yang sudah diketahui identitasnya. Penggunaan kunci determinasi pertama kali diperkenalkan oleh Carolus Linnaeus.
Djamhuri (1981) mengemukakan bahwa untuk kegiatan determinasi dapat dilakukan dengan cara sebagai berikut:
1 Membandingkan atau menyamakan
tumbuhan yang dijumpai di lapangan dengan herbarium yang telah diketahui sifat-sifatnya dan namanya.
2 Membandingkan atau menyamakan
tumbuhan yang ingin diketahui dengan gambar-gambar yang ada dalam buku manual.
3 Menggunakan kunci determinasi.
4 Bertanya kepada orang yang benar-benar
telah mengetahui berbagai jenis
tumbuhan.
Voting Feature Intervals 5
Algoritme klasifikasi VFI5
merepresentasikan sebuah konsep yang
mendeskripsikan konsep selang antarfitur. Algoritme ini dikembangkan oleh Gulsen Demiroz dan Halil Altay Guvenir pada tahun 1997. Algoritme VFI ini termasuk dalam algoritme yang supervised, yaitu algoritme yang memiliki target berupa kelas-kelas data dan bersifat non-incremental yang berarti semua data pelatihan diproses secara bersamaan (Demiroz & Guvenir 1997).
Terdapat dua proses pada algoritme VFI5:
1 Pelatihan
Proses pelatihan ini bertujuan untuk mencari model yang akan digunakan untuk proses klasifikasi. Pada proses pelatihan ini, akan dihasilkan selang pada setiap fitur. Sebuah selang mewakili himpunan nilai-nilai dari fitur yang diberikan.
2 Klasifikasi
Pada setiap kelas, vote diberi nilai awal 0 karena semua fitur pada awalnya belum memberikan vote, kemudian dicari selang untuk instance pengujian yang jatuh pada selang tersebut untuk setiap fitur. Setelah
mendapat selang fiturnya, dilakukan
penjumlahan untuk semua fitur yang ada pada satu instance. Hasil penjumlahan yang paling besar akan diidentifikasi sebagai kelasnya.
Confusion Matrix
Confusion matrix merupakan informasi tentang penggambaran data aktual yang direpresentasikan pada baris matriks dan kelas data hasil prediksi pada sebuah algoritme yang
direpresentasikan pada kolom matriks
didasarkan pada proporsi antara data uji yang diprediksi secara tepat dengan total prediksi (Tan 2006).
Tabel 1 Confusion matrix
Data Prediksi
berhasil diprediksi dengan benar sebagai kelas 1,
b adalah jumlah instance kelas 1 yang tidak
berhasil diprediksi dengan benar karena diprediksi sebagai kelas 2,
c adalah jumlah instance kelas 2 yang tidak
berhasil diprediksi dengan benar karena diprediksi sebagai kelas 1, serta
d adalah jumlah instance kelas 2 yang
berhasil diprediksi dengan benar sebagai kelas 2.
METODE PENELITIAN
Penelitian ini dilakukan dengan beberapa tahapan proses. Untuk memperoleh hasil akurasi dari algoritme VFI5, data dibagi menjadi tiga buah fold. Tahapan alur penelitian dapat dilihat pada Gambar 8.
Identifikasi
Gambar 8 Tahapan alur penelitian (Marimin 2009).
Identifikasi Masalah
Keanekaragaman jenis Shorea dan
kemiripan ciri morfologinya menyebabkan kesulitan dalam membedakan jenis Shorea yang satu dengan yang lainnya. Diperlukan seorang ahli (pakar) untuk mengidentifikasi jenis
Shorea. Keterbatasan pakar dapat
mengakibatkan kesalahan dalam identifikasi
jenis Shorea. Kesalahan tersebut dapat
mengakibatkan penggunaan kayu yang kurang tepat sehingga dapat menyebabkan eksploitasi. Oleh karena itu, dibuatlah sistem pakar untuk mengidentifikasi jenis-jenis Shorea.
Akuisisi Pengetahuan
Akuisisi pengetahuan dilakukan dengan mencari berbagai sumber referensi yang berkaitan dengan Shorea. Salah satunya adalah dengan melakukan kunjungan ke perpustakaan
Seameo Biotrop. Selain itu, dilakukan
konsultasi dengan pakar, yaitu Ir Iwan Hilwan MS dari Departemen Silvikultur Fakultas Kehutanan IPB, untuk membahas ciri-ciri morfologi dari Shorea.
Representasi Pengetahuan
Pengembangan sistem pakar ini
menggunakan algoritme VFI5. Pada
representasi pengetahuan, dilakukan proses pelatihan, yaitu data latih yang telah ditentukan digunakan sebagai input. Ciri-ciri morfologi Shorea digunakan sebagai fitur, dan jenis Shorea digunakan sebagai kelasnya. Hasil representasi pengetahuan merupakan selang yang memiliki nilai vote dari proses pelatihan.
Pengembangan Mesin Inferensi
Metode inferensi yang digunakan adalah dengan melakukan klasifikasi yang terdiri atas tiga tahap, yaitu menentukan nilai vote pada data uji, menjumlahkan setiap instance, dan menentukan kelas prediksi.
Implementasi
Sistem ini dikembangkan menggunakan Visual Studio 2005 untuk proses pelatihan dan klasifikasi metode VFI5.
Pengujian
Tahap pengujian dilakukan dengan uji coba semua fold, uji coba kunci determinasi kepada mahasiswa, dan uji coba sampel Shorea kepada pakar.
Tahap akhir dari metode ini adalah menghitung nilai akurasi dari hasil yang diperolah pada tahap pengolahan menggunakan metode VFI5. Akurasi dapat dihitung dengan:
∑data uji benar klasifikasi