Analisis Taksonometri Pada Karakter Morfologi

1
PENDAHULUAN
Latar Belakang
Dunia biologi mengenal adanya konsep
identifikasi untuk setiap organisme di dunia
yang telah dilakukan penelitian atasnya. Cara
yang umum digunakan untuk mengidentifikasi
suatu organisme adalah melalui taksonomi.
Sejak bermulanya pada abad ke-4 sebelum
Masehi, ilmu taksonomi telah mengalami
perkembangan yang pesat. Penggunaan
teknologi komputer sebagai alat bantu pada
taksonomi modern melahirkan bidang baru
yang dinamakan taksonomi numerik atau
taksonometri (Tjitrosoepomo 2005).
Stace (1980) memberikan lima cara yang
sering
digunakan
untuk
melakukan
identifikasi terhadap tumbuhan. Kelima cara
tersebut yaitu melalui karakteristik morfologi
dan anatomi tumbuhan, unsur kimiawi
penyusun tumbuhan, struktur kromosom,
breeding system, dan lokasi geografis serta
ekologi dari tumbuhan.
Jika ditinjau dari segi kemudahan dan
kecepatan dalam mendapatkan data, maka
karakteristik morfologi dan anatomi menjadi
acuan pertama dalam proses identifikasi
tumbuhan. Karakteristik ini dapat diamati
pada organ vegetatif tumbuhan, seperti daun,
batang, dan cabang, serta pada organ generatif
tumbuhan, seperti bunga dan buah pada
tumbuhan dikotiledon. Kedua organ tumbuhan
ini memiliki perbedaan waktu observasi.
Organ generatif tumbuhan hanya dapat
diamati pada waktu tertentu, sedangkan organ
vegetatif tumbuhan cenderung tersedia
sebagai sumber pengamatan sepanjang waktu.
Sebagai salah satu organ vegetatif
tumbuhan, karakter morfologi daun khususnya
pada
tumbuhan
dikotiledon
diketahui
mempunyai pola tertentu yang memperlihatkan
keteraturan,
sehingga
dapat
dikelompokkan secara sistematis. Di lain
pihak, karakter ini memiliki beberapa
kelemahan, antara lain sifatnya yang kurang
stabil akibat pengaruh lingkungan, adanya
morfologi yang serupa pada anggota taksa
yang tidak saling berhubungan, dan sifat
polimorfisme yang terdapat pada tahap
tertentu pertumbuhan daun (Hickey 1973
dalam Rasnovi 2001).
Pengkajian terhadap pemakaian karakter
morfologi daun dalam identifikasi jenis telah
dilakukan dalam beberapa penelitian. Rasnovi
(2001) dalam tesisnya menyimpulkan bahwa
karakter morfologi daun dapat memisahkan
species contoh dengan indikasi nilai
separation coefficient gabungan bernilai satu.
Klasifikasi citra daun menggunakan PNN
(Probabilistic Neural Network) dengan data
berupa 12 fitur citra daun yang dilakukan oleh
Wu et al. (2007) menghasilkan akurasi hingga
melebihi 90%. Morfologi daun juga telah
digunakan bersama dengan karakter bunga
dan buah dalam identifikasi species Endospermum duodenum (Salwana et al. 2007).
Data spesimen daun yang berupa data
kualitatif dapat diolah dalam proses
identifikasi kesamaan ciri menggunakan selforganizing maps (SOM) Kohonen (Madarum
2006). Penelitian tersebut menghasilkan nilai
cluster recall sebesar 0.429 dan cluster
precision sebesar 0.530. Hasil yang belum
optimal ini membuka peluang bagi penelitian
lebih lanjut untuk membangun model
taksonometri tumbuhan berdasarkan karakter
morfologi daun dengan hasil yang lebih baik.
Tujuan
1
2
Penelitian ini bertujuan :
Mengimplementasikan algoritme SOM
Kohonen dalam clustering data spesimen
daun dikotiledon kelas Magnoliopsida
untuk membentuk model taksonometri
tumbuhan.
Mendapatkan karakteristik data hasil
taksonometri dan membandingkannya
dengan taksonomi tumbuhan yang telah
ditentukan oleh pakar taksonomi.
Ruang Lingkup
Penelitian ini meliputi pembuatan model
taksonometri tumbuhan menggunakan ciri
organ vegetatif tumbuhan berupa morfologi
daun dikotiledon kelas Magnoliopsida.
Metode yang digunakan untuk membangun
model taksonometri adalah jaringan SOM
Kohonen satu dimensi, dengan jumlah
karakter morfologi daun sebanyak 16 karakter.
Tingkatan taksa yang menjadi target
penelitian adalah tingkat family, ordo, dan
subclass. Jumlah neuron output pada setiap
model taksonometri ditentukan berdasarkan
jumlah taksa yang bersesuaian. Sebanyak 126
data spesimen daun, yang terdiri atas 21
family, 17 ordo, dan 4 subclass, kesemuanya
merupakan anggota dari kelas Magnoliopsida.
Manfaat
Proses clustering dari SOM Kohonen
akan menghasilkan pengelompokan data