Templat tugas akhir S1

IDENTIFIKASI VARIETAS KUNYIT BERDASARKAN CIRI
FISIK MENGGUNAKAN ALGORITME C4.5
RAHMI JUWITA SUKMA
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
INSTITUT PERTANIAN BOGOR
BOGOR
2013
PERNYATAAN MENGENAI SKRIPSI DAN
SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA
Dengan ini saya menyatakan bahwa skripsi berjudul Identifikasi Varietas
Kunyit Berdasarkan Ciri Fisik Menggunakan Algoritme C4.5 adalah benar karya
saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk
apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau
dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah
disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir
skripsi ini.
Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut
Pertanian Bogor.
Bogor, November 2013
Rahmi Juwita Sukma
G64104060
ABSTRAK
RAHMI JUWITA SUKMA. Identifikasi Varietas Kunyit Berdasarkan Ciri Fisik
Menggunakan Algoritme C4.5. Dibimbing oleh MUSHTHOFA.
Kunyit merupakan salah satu koleksi tanaman obat yang berdasarkan
manfaatnya telah diproses melalui seleksi dalam program pemuliaan dan telah
diperoleh sebanyak tiga varietas unggul kunyit dengan potensi produksi dan mutu
kurkumin tinggi, yaitu varietas Turina-1, Turina-2, dan Turina-3. Sistem
identifikasi kunyit dapat membantu petani dan pedagang dalam mengidentifikasi
varietas kunyit secara cepat. Telah dilakukan penelitian sebelumnya yaitu
memakai algoritme fuzzy untuk mengidentifikasi varietas kunyit, dengan akurasi
mencapai 85%. Klasifikasi varietas kunyit juga dilakukan sebelumnya dengan
memakai genetic programming dengan akurasi mencapai 95%. Penelitian kali ini
menggunakan algoritme C4.5 yaitu salah satu metode klasifikasi data mining
yang juga digunakan untuk mengidentifikasi variatas unggul dari tanaman kunyit
dengan membentuk sebuah pohon keputusan dengan memilih atribut yang sangat
mempengaruhi klasifikasi varietas kunyit sebagai simpul dari sebuah decision tree
yaitu atribut yang memiliki gain ratio tertinggi. Akurasi terbaik yang dihasilkan
dari penelitian ini mencapai 95%. Keunggulan menggunakan algoritma C4.5
adalah pohon keputusan yang dihasilkan mudah dipahami dan bisa digunakan
secara manual.
Kata kunci: data mining, algoritme C4.5, decision tree, varietas kunyit
ABSTRACT
RAHMI JUWITA SUKMA. Turmeric Variety Identification Based On Physical
Characteristics Using C4.5 Algorithm. Supervised by MUSHTHOFA.
Turmeric is one type of medicinal plants which through a selection in the
breeding program has acquired three varieties with high curcumin potential and
high quality, the varieties are Turina-1, Turina-2, and Turina-3. Turmeric
identification system can help farmers and traders in identifying varieties of
turmeric quickly and accurately. Previous research implemented fuzzy algorithms
to identify the varieties of turmeric, with accuracy reaching 85%. Another
research used genetic programming with an accuracy of 95%. The present study
use the C4.5 algorithm which is one of data mining classification methods which
are used to identify varieties of turmeric plants by creating a decision tree by
selecting the attributes that have the highest gain ratio as a node of a decision tree.
The best accuracy obtained in this research is 95%. The advantages of using C4.5
algorithm is the decision tree produced is easy to understand and used manually.
Keyword : data mining, C4.5 algorithm, decision tree, varieties of turmeric plant
IDENTIFIKASI VARIETAS KUNYIT BERDASARKAN CIRI
FISIK MENGGUNAKAN ALGORITME C4.5
RAHMI JUWITA SUKMA
Skripsi
sebagai salah satu syarat untuk memperoleh gelar
Sarjana Ilmu Komputer
pada
Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER
FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
INSTITUT PERTANIAN BOGOR
BOGOR
2013
Penguji:
1 Dr Imas S Sitanggang, SKom MKom
2 Karlina Khiyarin Nisa, SKom MT
Judul Skripsi : Identifikasi Varietas Kunyit Berdasarkan Ciri Fisik Menggunakan
Algoritme C4.5
Nama
: Rahmi Juwita Sukma
NIM
: G64104060
Disetujui oleh
Mushthofa, SKom MSc
Pembimbing
Diketahui oleh
Dr Ir Agus Buono, MSi MKom
Ketua Departemen Ilmu Komputer
Tanggal Lulus:
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas
segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang
dipilih dalam penelitian yang dilaksanakan sejak bulan Maret 2012 ini ialah
Identifikasi Varietas Kunyit Berdasarkan Ciri Fisik Menggunakan Algoritme C4.5
Terima kasih penulis ucapkan kepada Bapak Mushthofa, SKom MSc selaku
pembimbing serta kepada Ibu Dr Imas S Sitanggang, SKom MKom, dan Ibu
Karlina Khiyarin Nisa, SKom MT selaku dosen penguji yang telah memberikan
arahan dan saran selama penelitian ini berlangsung hingga selesai. Ungkapan
terima kasih juga disampaikan kepada orangtua ibu Sukmanirwati dan bapak
Zamzami, kakak Franka Hendra Sukma, Ari Suzana Sukma, Try Jayanti Sukma,
Dona Andika sukma dan Fauzan Alawy, serta seluruh keluarga dan teman-teman,
atas segala doa dan kasih sayangnya.
Penulis menyadari bahwa masih terdapat kekurangan dalam penulisan
skripsi ini.
Semoga karya ilmiah ini bermanfaat.
Bogor, November 2013
Rahmi Juwita Sukma
DAFTAR ISI
DAFTAR TABEL
vii
DAFTAR GAMBAR
vii
DAFTAR LAMPIRAN
vii
PENDAHULUAN
1
Latar Belakang
1
Tujuan Penelitian
2
Manfaat Penelitian
2
Ruang Lingkup Penelitian
2
TINJAUAN PUSTAKA
3
Data Mining
3
Machine Learning
3
Klasifikasi
3
Algoritme C 4.5
3
METODE
4
Pengambilan Data
5
Tranformasi Data
5
K-Fold Cross Validation
5
Algoritme C4.5
5
Aturan Klasifikasi
6
Evaluasi dan Analisis Hasil
6
Lingkungan Pengembangan
6
HASIL DAN PEMBAHASAN
7
Transformasi data
7
K-Fold Cross Validation
7
Algoritme C4.5
8
Analisa dan Hasil
10
Implementasi Sistem
12
SIMPULAN DAN SARAN
14
Simpulan
14
Saran
14
DAFTAR PUSTAKA
15
LAMPIRAN
16
RIWAYAT HIDUP
34
DAFTAR TABEL
1
2
3
4
5
6
7
8
9
Jumlah bunga per tandan
Tinggi tanaman
Pembagian subset
Pembagian subset untuk data latih dan data uji
Akurasi masing-masing subset
Matriks konfusi untuk pohon keputusan tanpa transformasi data
Matriks konfusi untuk pohon keputusan setelah tranformasi data
Matriks konfusi memakai genetic programming
Contoh data uji varietas kunyit Turina-1
7
7
7
8
10
11
11
12
13
DAFTAR GAMBAR
1
2
3
4
5
6
7
Flow chart data mining
Flow chart penelitian
Decision tree dengan 20 data uji
Perbandingan akurasi algoritme identifikasi varietas kunyit
Tampilan awal sistem
Tampilan masuk ke sistem
Hasil klasifikasi pada contoh pengujian
3
4
11
12
13
13
14
DAFTAR LAMPIRAN
1 Data varietas kunyit
2 Data kunyit yang telah di tranformasi
3 Jumlah anakan
4 Panjang daun
5 Lebar daun
6 Berat rimpang per rumpun
7 Jumlah rimpang induk
8 Jumlah rimpang primer
9 Jumlah rimpang sekunder
10 Kadar kurkumin
11 Tree yang dihasilkan untuk warna daging rimpang (WDR) cabang 1
12 Tree yang dihasilkan untuk warna daging rimpang (WDR) cabang 2
13 Tree yang dihasilkan untuk warna daging rimpang (WDR) cabang 3
14 Tree yang dihasilkan untuk warna daging rimpang (WDR) cabang 4
15 Data uji yang diujikan pada decision tree
16 Data kunyit yang salah klasifikasi
16
21
26
26
26
26
26
26
26
27
28
29
30
31
32
33
1
PENDAHULUAN
Latar Belakang
Komputer digunakan untuk mempermudah pekerjaan manusia dalam
berbagai bidang, termasuk dalam cabang ilmu farmasi, salah satunya yaitu dengan
mengidentifikasi varietas sebuah tanaman yang nantinya akan dijadikan bahan
untuk pembuatan obat. Tentunya diperlukan sebuah metode dan algoritme yang
tepat untuk pengolahan data tersebut dan diharapkan nantinya akan mendapatkan
hasil dengan akurasi tinggi, dan hasil yang didapatkan juga dapat dibuktikan
kebenaranya.
Kunyit (Curcuma domestica Val.) merupakan salah satu tanaman obat
temu-temuan yang berpotensi untuk dibudidayakan (Syukur et al. 2006). Rimpang
kunyit dapat digunakan antara lain mengobati gusi bengkak, luka, sesak nafas,
sakit perut, bisul, sakit limpa, usus buntu, encok, gangguan pencernaan, perut
kembung, dan menurunkan tekanan darah. Kunyit merupakan salah satu koleksi
tanaman obat yang berdasarkan manfaatnya telah diproses melalui seleksi dalam
program pemuliaan dan telah diperoleh sebanyak tiga varietas unggul kunyit
dengan potensi produksi dan mutu kurkumin tinggi, yaitu varietas Turina-1,
Turina-2, dan Turina-3 (Syukur et al. 2011). Dengan berkembangnya ketiga
varietas tersebut, maka kebutuhan benih murni akan semakin meningkat dan
keragaman genetik kunyit yang berkembang di masyarakat akan semakin sempit.
Hal ini menyebabkan sulitnya membedakan dari varietas-varietas unggul, karena
berdasarkan data fisik dan morfologi yang ada di BALITTRO hampir mirip,
sehingga sulit menentukan ciri pembedanya.
Identifikasi varietas kunyit sebelumnya telah dilakukan oleh Bursatriannyo
(2012) menggunakan algoritme fuzzy dengan akurasi mencapai 85%, tetapi
terdapat kelemahan dalam pemakaian algoritme ini yaitu semua kemungkinan
rule harus dibuat. Ciri fisik dari varietas unggul dengan varietas yang tidak
unggul sulit dibedakan sehingga pakar juga sulit membedakan, hal ini otomatis
akan mengurangi akurasi dengan pemakaian algoritme ini.
Data mining merupakan proses untuk menemukan informasi tersembunyi
dari sebuah data. Klasifikasi merupakan salah satu metode data mining yang dapat
melihat pengelompokan data sesuai ciri tertentu. Pada penelitian sebelumnya yang
telah dilakukan oleh Sudharmono (2012) bahwa identifikasi tanaman bisa
dilakukan dengan sebuah metode klasifikasi yaitu genetic programming. Akurasi
dari penelitian tersebut mencapai 95 %, tetapi juga terdapat kelemahan dalam
penelitian ini, yaitu tree yang dihasilkan nantinya tergantung banyak kelas yang
terbentuk, data yang akan diolah harus dijadikan data boolean terlebih dahulu
sehingga praproses data berlangsung lama, dan tree dihasilkan didapatkan dengan
cara acak yaitu dengan mengkombinasikan rule.
Memperbaiki kelemahan dari kedua penelitian sebelumya, pada penelitian
kali ini identifikasi varietas kunyit berdasarkan ciri fisik menggunakan metode
klasifikasi yang menghasilkan pohon keputusan berdasarkan data latih yaitu
algoritme C4.5. Algoritme C4.5 memiliki kelebihan yaitu pohon keputusan yang
dihasilkan hanya satu untuk semua kelas dan waktu komputasi yang lebih cepat.
2
Penggunaan algoritme ini nantinya diharapkan akan mendapatkan akurasi yang
lebih tinggi dari penelitian sebelumnya.
Tujuan Penelitian
Penelitian ini bertujuan untuk:
1 Mengimplementasikan algoritme C4.5 dalam mengidentifikasi varietas kunyit
2 Menghasilkan pohon keputusan yang nantinya dapat digunakan untuk
pengambilan keputusan
3 Menguji akurasi dari pohon keputusan yang dihasilkan dari algoritme C4.5 dan
membandingkan hasil akurasi dengan implementasi algoritme C4.5 tanpa
transformasi data.
4 Membandingkan hasil akurasi memakai algoritme C4.5 dengan penelitian
sebelumnya.
Manfaat Penelitian
1
2
3
4
Manfaat dari penelitian ini ialah:
Pohon keputusan identifikasi varietas kunyit yang baik dapat digunakan untuk
identifikasi dengan cepat sehingga membantu masyarakat untuk memilih
varietas unggul.
Mengetahui bahwa algoritme C4.5 dapat diterapkan dalam identifikasi varietas
kunyit berdasarkan ciri fisik.
Mengetahui atribut mana saja yang mempengaruhi identifikasi varietas kunyit.
Mengetahui algoritme yang cocok dalam identifikasi varietas kunyit
Ruang Lingkup Penelitian
Ruang lingkup dalam penelitian ini ialah:
1 Data yang digunakan ialah data dari BALITTRO, sebanyak 100 data yang
terdiri dari empat kelas dimana masing-masing kelas memiliki 25 data dan
terdiri dari 13 ciri,
2 Variabel data yang digunakan ialah warna bunga (WB), jumlah bunga per
tandan (JPT), tinggi tanaman (TT), jumlah anakan (JA), panjang daun (PD),
lebar daun (LD), bentuk pangkal daun (BPD), warna daging rimpang (WDR),
berat rimpang per rumpun (BRR), jumlah rimpang induk (JRI), jumlah
rimpang primer (JRP), jumlah rimpang sekunder (JRS), dan kadar kurkumin
(KK).
3 Penelitian ini memakai algoritme decision tree C4.5.
3
TINJAUAN PUSTAKA
Data Mining
Data mining adalah suatu istilah yang digunakan untuk menemukan
informasi yang tersembunyi di dalam database. Data mining merupakan proses
semi otomatik yang menggunakan teknik statistik, matematika, kecerdasan buatan,
dan machine learning untuk mengekstraksi dan mengidentifikasi informasi
pengetahuan potensial dan berguna yang bermanfaat yang tersimpan di dalam
database besar (Rajaraman et al. 2010). Alur proses data mining dapat dilihat
pada Gambar 1.
Gambar 1 Flow chart data mining
Machine Learning
Machine learning merupakan ilmu algoritme peningkatan kemampuan
sebuah komputer yang dilakukan dengan otomatis menggunakan data training
(Mitchell 1997).
Secara umum, machine learning menggunakan penalaran berpikir secara
induktif, yaitu suatu cara berpikir dengan berdasarkan pada pengalaman yang
diulang-ulang.
Klasifikasi
Klasifikasi merupakan proses untuk menemukan sekumpulan model atau
fungsi yang membedakan kelas data agar dapat digunakan untuk melakukan
prediksi kelas dari suatu objek yang tidak diketahui label kelasnya tetapi label
kelas telah ditentukan sebelumnya (Han dan Kamber 2007).
Algoritme C 4.5
Algoritme C4.5 adalah salah satu metode untuk membuat decision tree
berdasarkan data training yang telah disediakan. Algoritme C4.5 merupakan
4
pengembangan dari ID3. Beberapa pengembangan yang dilakukan pada C4.5
adalah sebagai antara lain bisa mengatasi missing value, bisa mengatasi
continuous data, dan pruning (Quinlan 1993).
METODE
Pada setiap penelitian dibutuhkan alur yang jelas guna mempermudah
peneliti untuk melakukan sebuah penelitian sehingga pekerjaan akan teratur sesuai
aturan yang telah dibuat. Dalam penelitian ini terdapat alur metode penelitian
dapat dilihat pada Gambar 2.
Mulai
Pengambilan Data
Pengambilan Data
Tranformasi data
Tranformasi data
K-Fold Cross Validation
K-Fold Cross Validation
Data Uji
Data Uji
Data Latih
Data Latih
C 4.5
Menentukan Atribut
Menentukan
Atribut
Akar
(gain ratio)
Akar (gain ratio)
Buat cabang masingBuat cabang
masingmasing
nilai atribut
masing nilai atribut
Apakah stop
Apakah stop Ya
condition
condition
terpenuhi?
terpenuhi?
Tidak
Ulangi untuk setiap
Ulangi
untuk setiap
cabang
cabang
Pohon Keputusan
Pohon Keputusan
Evaluasi
Evaluasi
Analisis Hasil
Analisis Hasil
Selesai
Selesai
Gambar 2 Flow chart penelitian
5
Pengambilan Data
Data yang digunakan ialah data varietas kunyit yang terdiri atas 100 data
dan empat kelas. Data diperoleh dari database plasma nutfah tanaman rempah dan
obat BALITTRO. Kelas data dibagi menjadi Turina-1, Turina-2, Turina-3, dan
bukan varietas. Kelas bukan varietas merupakan varietas yang tidak memiliki
label atau ciri. data varietas kunyit dapat dilihat pada Lampiran 1.
Tranformasi Data
Proses tranformasi data adalah sebuah proses yang dilakukan untuk
merubah bentuk data agar data tersebut lebih mudah diproses. Penelitian kali ini
data dirubah dari data kontinu menjadi data diskret, dengan cara membagi data
menggunakan metode range frekuensi, kemudian kelompok data tersebut
dimisalkan menjadi data numerik.
K-Fold Cross Validation
Proses pembagian data ini dilakukan dengan cara (Kohavi 1995):
1 Mengelompokkan data berdasarkan masing-masing kelas
2 Membagi data masing-masing kelas menjadi sebanyak k fold
Pada penelitian ini data latih yang digunakan adalah sebanyak 20 pada
masing-masing kelas, sedangkan untuk data uji diambil 5 data dari masing-masing
kelas.
Algoritme C4.5
Secara umum algoritme C4.5 untuk membangun pohon keputusan adalah
sebagai berikut (Quinlan 1993):
1 Pilih atribut sebagai akar
2 Buat cabang untuk masing-masing nilai atribut
3 Bagi kasus dalam cabang
4 Ulangi proses untuk masing-masing cabang sampai semua kasus pada cabang
memiliki kelas yang sama
Untuk memilih atribut sebagai akar, didasarkan pada nilai gain tertinggi dari
atribut-atribut yang ada. Untuk menghitung gain digunakan rumus seperti tertera
dalam Rumus 1 (Quinlan 1993).
Gain (S,A)=Entropy (S) Dengan
S : Himpunan kasus dari nilai A
A : Atribut
n : Jumlah partisi atribut A
|Si| : Jumlah kasus pada partisi ke-i
Entropy (Si)
(1)
6
|S | : Jumlah kasus dalam S
Sedangkan perhitungan nilai entropy dapat dilihat pada Persamaan 2.
Entropy (S)= -
pi log2 pi
(2)
Dengan
S : Himpunan Kasus
p : Proporsi dari Si terhadap S
Rumus untuk ratio gain dapat dilihat pada Persamaan 3.
Gain Ratio(A) =
(3)
Dengan nilai splitInfo didapatkan dari Persamaan 4.
SplitInfo (A) = -
log2
(4)
Aturan Klasifikasi
Aturan klasifikasi didapatkan secara otomatis dari proses C4.5. Aturan ini
akan diujikan terhadap data uji yang telah ditentukan. Proses ini dilakukan
sebanyak empat kali sesuai banyak kelas terhadap pohon keputusan dengan aturan
yang dihasilkan yang berlaku untuk semua kelas.
Evaluasi dan Analisis Hasil
Evaluasi dilakukan untuk memeriksa akurasi dengan cara membandingkan
antara hasil prediksi dengan hasil yang aktual yaitu dengan rumus yang tertera
pada Persamaan 5.
(5)
Dengan
Nbenar : Klasifikasi kelas yang benar
N
: Jumlah semua data varietas kunyit
Lingkungan Pengembangan
1
2
3
Penelitian ini dilakukan dengan menggunakan notebook dengan spesifikasi:
Processor Intel Core 2 Duo T5550
Memory DDR2 SDRAM 3 GB
Hard disk 250 GB
1
2
Perangkat lunak yang digunakan:
MATLAB 7.7.0 R2008b
Microsoft Excel 2007
7
HASIL DAN PEMBAHASAN
Transformasi data
Data varietas kunyit yang didapat dari database plasma nutfah tanaman
rempah dan obat BALITTRO ditransformasikan, yang dapat dilihat pada
Lampiran 2. Transformasi data kunyit dilakukan dengan cara membagi data
menggunakan range frekuensi lalu dijadikan ordinal agar lebih representatif dan
kemudian dijadikan data numerik dengan menggunakan angka untuk setiap nilai
ordinal, hal ini digunakan agar pemprosesan data lebih mudah dan akurasi lebih
tinggi, contoh transformasi data dapat dilihat pada Tabel 1 dan Tabel 2 dan dapat
dilihat pada Lampiran 3 sampai dengan Lampiran 10.
Tabel 1 Jumlah bunga per tandan
Range frekuensi
Ordinal
Numerik
8−12
Sedikit
1
13−15
Sedang
2
16−18
Banyak
3
Tabel 2 Tinggi tanaman
Range frekuensi
Ordinal
147.0−157.4
158.1−174.1
174.2−177.0
Sedikit
Sedang
Banyak
Numerik
1
2
3
K-Fold Cross Validation
Dalam k-fold cross validation data akan dibagi menjadi k buah partisi
dengan ukuran yang sama S1, S2, S3, … Sk. Pelatihan dan pengujian dilakukan
sebanyak k kali. Dalam iterasi ke-i, partisi Si akan menjadi data uji dan yang
lainya menjadi data latih.
Penggunaan metode 5-fold cross validation, data varietas kunyit dibagi
berdasarkan kelasnya masing-masing yaitu Turina-1, Turina-2, Turina-3 dan
bukan varietas, kemudian masing masing kelas dibagi menjadi 5 subset.
Tabel 3 Pembagian subset
Jumlah data
Subset
S1
20
S2
20
S3
20
S4
20
S5
20
Jumlah data
100
8
Tabel 4 Pembagian subset untuk data latih dan data uji
Percobaan
Data latih
Data uji
Subset 1
S2, S3, S4, S5
S1
Subset 2
S1, S3, S4, S5
S2
Subset 3
S1, S2, S4, S5
S3
Subset 4
S1, S2, S3, S5
S4
Subset 5
S1, S2, S3, S4
S5
Algoritme C4.5
1 Menentukan atribut yang berhak menjadi root dari sebuah tree. Atribut yang
digunakan ialah warna bunga (WB), jumlah bunga per tandan (JPT), tinggi
tanaman (TT), jumlah anakan (JA), panjang daun (PD), lebar daun (LD),
bentuk pangkal daun (BPD), warna daging rimpang (WDR), berat rimpang per
rumpun (BRR), jumlah rimpang induk (JRI), jumlah rimpang primer (JRP),
jumlah rimpang sekunder (JRS), dan kadar kurkumin (KK) dengan mengitung
nilai gain yang dipadatkan dari perhitungan entropy kemudian dicari gain ratio
dari masing masing atribut dan dibandingkan, sehingga atribut dengan nilai
gain ratio tertinggi akan menjadi root.
Perhitungan entropy total :
Data varietas kunyit terdiri atas 100 data yang dibagi kedalam 4 kelas dan
masing–masing kelas memiliki 25 data.
 Entropy (S)= -
pi log2 pi
Entropy (25,25,25,25)=
log2
log2
log2
log2
=1
Jika perbandingan keempat kelas sama rasionya, maka nilai entropi
bernilai 1, sedangkan apabila satu set terdiri dari satu kelas maka
entropinya bernilai 0. Misalkan kita akan menghitung nilai entropi dari
atribut warna bunga. Nilai dari atribut warna bunga (WB) yaitu putih,
putih kuning pucat, putih kuning coklat, kuning dan coklat.
 Warna bunga= Putih
Terdapat 29 data yang memiliki nilai warna bunga sama dengan putih
yaitu pada kelas 1 dan kelas 4.
Entropy(25,0,0,4) =
log2
log2
= 0.1846 – 0 – 0 –(– 0.3942)
= 0.5788
log2
log2
9
 Warna bunga= Putih Kuning Pucat
Terdapat 29 data yang memiliki nilai warna bunga sama dengan putih
kuning pucat yaitu pada kelas 2 dan kelas 4.
Entropy(0,25,0,4) =
log2
log2
log2
log2
= 0 – 0.1846 – 0 – (– 0.3942)
= 0.5788
 Warna bunga= Putih Kuning Coklat
Terdapat 28 data yang memiliki nilai warna bunga sama dengan putih
kuning coklat yaitu pada kelas 3 dan kelas 4.
Entropy(0,0,25,3) =
log2
log2
log2
log2
= 0 – 0 – 0.1460 – (– 0.4079)
= 0.5533
 Warna bunga= Kuning
Terdapat 6 data yang memiliki nilai warna bunga sama dengan kuning
yaitu hanya pada kelas 4.
Entropy(0,0,0,6) =
log2
log2
log2
log2
=0
 Warna bunga= Coklat
Terdapat 7 data yang memiliki nilai warna bunga sama dengan coklat
yaitu hanya pada kelas 4.
Entropy(0,0,0,7) =
log2
log2
log2
log2
=0
Entropy (WB) =
(0.5788) +
(0.5788)+
(0.5533)+0+0 = 0.4906
 Information Gain
Gain (S,A) = Entropy (S) =1
Entropy (Si)
(0.5788)
(0)
= 1 0.1678
(0)
0.1678 – 0.1549 – 0 – 0
= 0.5095
 Gain Ratio
SplitInfo (A) = -
(0.5788)
log2
(0.5533)
10
=
log2
log2
log2
log2
log2
= 0.518 + 0.518 + 0.514 + 0.268 + 0.243
= 1.547
Gain Ratio(A) =
=
= 0.329
Jadi, gain ratio untuk atribut warna bunga adalah 0.329
Lakukan semua perhitungan di atas agar mendapatkan gain ratio untuk
setiap atribut kunyit.
2 Buat cabang untuk masing-masing nilai gain. Bagi kasus dalam cabang untuk
atribut yang tidak terpilih sebelumnya, kemudian lakukan perhitungan yang
sama untuk kedua belas atribut kunyit yang tersisa untuk mendapatkan nilai
gain ratio tertinggi guna menjadi root berikutnya.
3 Proses perhitungan akan selalu sama untuk setiap atribut kunyit, ulangi proses
untuk masing-masing cabang sampai semua kasus pada cabang memiliki kelas
yang sama yaitu Turina-1, Turina-2, Turina-3 dan bukan varietas.
Proses di atas akan menghasilkan sebuah pohon keputusan untuk
mengidentifikasi sebuah varietas kunyit. Contoh decision tree yang dihasilkan
dapat dilihat pada Lampiran 11 sampai dengan lampiran 14 yaitu decision tree
yang dihasilkan dari subset 3 dengan warna daging rimpang (WDR) menjadi root.
Tree yang dihasilkan sangat besar, sehingga tree tersebut dibagi menjadi empat
bagian sebanyak nilai atribut dari warna daging rimpang (WDR). Simpul
berwarna hitam menandakan cabang tersebut tidak memiliki keputusan
berdasarkan data latih yang ada pada subset 3.
Pada Gambar 3 terdapat decision tree yang digunakan untuk klasifikasi 20
data uji. Dua puluh data uji yang diujikan pada decision tree pada subset 3 tidak
ada yang salah klasifikasi, hal ini diketahui dari 20 data uji yang ada ditelusuri
terhadap tree, kelas yang dihasilkan sesuai dengan kelas sebenarnya. Data uji
dapat dilihat pada Lampiran 15.
Analisa dan Hasil
Hasil akurasi yang didapatkan dari masing-masing subset dapat dilihat
pada Tabel 5.
Tabel 5 Akurasi masing-masing subset
Akurasi
Subset
Subset 1
85%
Subset 2
95%
Subset 3
100%
Subset 4
100%
Subset 5
95%
Rata-rata
95%
11
Matriks konfusi dari gabungan semua subset identifikasi varietas kunyit
memakai algoritme C4.5 yang diperoleh dari data yang belum mengalami
transformasi dapat dilihat pada Tabel 6.
Tabel 6 Matriks konfusi untuk pohon keputusan tanpa transformasi data
Turina-1
Turina-2
Turina-3
Bukan varietas unggul
Turina-1
Turina-2
Turina-3
23
0
0
3
0
24
1
2
0
0
23
3
Bukan
varietas
unggul
Tidak
teridentifikasi
0
1
1
14
0
0
0
3
Gambar 3 Decision tree dengan 20 data uji
Matriks konfusi dari gabungan semua subset identifikasi varietas kunyit
memakai algoritme C4.5 yang diperoleh dari data yang sudah mengalami
transformasi dapat dilihat pada Tabel 7 dan data yang salah klasifikasi dapat
dilihat pada Lampiran 16.
Tabel 7 Matriks konfusi untuk pohon keputusan setelah tranformasi data
Turina-1
Turina-2
Turina-3
Bukan varietas unggul
Turina-1
25
0
0
2
Turina-2
0
24
0
2
Turina-3
0
0
25
0
Bukan varietas unggul
0
1
0
21
Matriks konfusi dari gabungan semua subset identifikasi varietas kunyit
memakai genetic programming yang diperoleh dari data yang sudah mengalami
transformasi dapat dilihat pada Tabel 8.
12
Tabel 8 Matriks konfusi memakai genetic programming
Turina-1
Turina-2
Turina-3
Bukan varietas unggul
Turina-1
25
0
0
3
Turina-2
0
25
0
1
Turina-3
0
0
25
1
Bukan varietas unggul
0
0
0
20
Perbandingan akurasi antara algoritme C4.5 tanpa transformasi data,
algoritme C4.5 dengan transormasi data dan genetic programming dalam
identifikasi varietas kunyit dapat dilihat pada Gambar 4.
95%
100%
95%
85%
90%
80%
Akurasi
70%
60%
50%
40%
30%
20%
10%
0%
C4.5 tanpa transformasi data
C4.5 dengan transformasi data
genetic programming
Gambar 4 Perbandingan akurasi algoritme identifikasi varietas kunyit
Implementasi Sistem
Pada sistem yang dikembangkan, peneliti menggunakan matlab untuk
membantu user dalam klasifikasi varietas unggul kunyit. Tampilan awal dari
sistem dapat dilihat pada Gambar 5.
Pilih tombol masuk untuk masuk ke sistem identifikasi kunyit, atau pilih
tombol keluar untuk keluar dari sistem. Tampilan sistem identifikasi varietas
kunyit dapat dilihat pada Gambar 6. Masukkan nilai atribut kunyit yang akan di
identifikasi pada menu pengujian, kemudian pilih subset sebelum memilih tombol
klasifikasi. Subset pada pilihan menu dropdown menghasilkan tree yang berbeda
tergantung data latih yang digunakan. Terdapat 5 subset dan tanpa subset pada
menu tersebut. Apabila user memilih tanpa subset maka tree yang dihasilkan
merupakan yang dihasilkan dari semua data varietas kunyit.
Hasil klasifikasi akan muncul ketika tombol klasifikasi dipilih. Hasil
klasifikasi yang akan muncul yaitu 1 untuk Turina-1, 2 untuk Turina-2, 3 untuk
Turina-3 dan 4 untuk bukan varietas unggul.
Contoh pengujian sistem:
Terdapat 13 nilai atribut dari varietas kunyit kelas Turina-1 yang dapat
dilihat pada Tabel 9.
13
Tabel 9 Contoh data uji varietas kunyit Turina-1
WB
BPD
WDR
JBT
TT
JA
PD
LD
BRR
JRI
JRP
JRS
KK
Putih
Oval
Orange
16
150.5
7
9.5
5.9
1515
2
10
5
8
Semua nilai atribut dimasukkan ke form pengujian, kemudian pilih subset
sebelum menekan tombol klasifikasi. Hasil yang didapatkan adalah kelas Turina-1
untuk semua subset yang digunakan. Hasil pengujian dapat dilihat pada Gambar 7.
Gambar 5 Tampilan awal sistem
Gambar 6 Tampilan masuk ke sistem
14
Gambar 7 Hasil klasifikasi pada contoh pengujian
SIMPULAN DAN SARAN
Simpulan
Hasil penelitian menunjukkan teknik algoritme C4.5 dapat digunakan untuk
mencari aturan klasifikasi dengan akurasi yang baik. Data yang diujikan sebanyak
100 data, masing-masing 25 data untuk kelas Turina-1, Turina-2, Turina-3, dan
bukan varietas. Terdapat 95 data yang diklasifikasikan dengan benar dan 5 yang
data salah diklasifikasikan. Pada perbandingan hasil klasifikasi Tabel 7 dan Tabel
8 dapat dilihat bahwa kelas yang sering salah pengklasifikasianya adalah kelas
yang bukan varietas unggul. Hal ini disebabkan karena data pada kelas bukan
varietas itu tidak terlalu mencirikan kelas tersebut, dapat dikatakan 25 data yang
ada pada kelas tersebut mirip dengan atribut pada kelas lainya, sehingga
memungkinkan kesalahan klasifikasi.
Akurasi pada penelitian dengan algoritme C4.5 mengalami kenaikan
dibandingkan dengan akurasi pada penelitian sistem pakar identifikasi varietas
tanaman kunyit oleh Bursatriannyo (2012), yaitu sebesar 89%. Akurasi dengan
algoritme C4.5 ini sama dengan akurasi pada penelitian Sudharmono (2012) yaitu
95%.
Pada penelitian kali ini juga dapat disimpulkan bahwa dari 13 atribut untuk
klasifikasi varietas kunyit hanya ada 9 atribut yang berguna untuk identifikasi
varietas kunyit, atribut tersebut diantaranya warna daging rimpang (WDR), tinggi
tanaman (TT), warna bunga (WB), kadar kurkumin (KK), berat rimpang per
rumpun (BRR), jumlah bunga pertandan (JBT), lebar daun (LD), dan bentuk
pangkal daun (BPD). Sehingga dapat disimpulkan bahwa 4 atribut lainya tidak
mempengaruhi dalam identifikasi varietas kunyit.
Saran
Pada kasus yang memiliki nilai atribut yang hampir mirip antara satu kelas
dengan kelas lainya, lebih baik menggunakan algoritme C5.0 yang memiliki fitur
boosting yaitu beberapa pohon keputusan yang dihasilkan dikombinasikan untuk
meningkatkan prediksi, sehingga diharapkan akurasi yang didapatkan akan lebih
baik nantinya dibandingkan dengan memakai algoritme C4.5.
15
DAFTAR PUSTAKA
Bursatriannyo. 2012. Sistem pakar identifikasi varietas tanaman kunyit [skripsi].
Bogor (ID): Institut Pertanian Bogor.
Han J, Kamber M. 2007. Data Mining Concepts and Techniques. 2nd ed. San
Francisco (US): Morgan Kaufmann.
Kohavi R. 1995. A study of cross-validation and bootstrap for accuracy estimation
and model selection. Di dalam: Proceedings of the 14th International Joint
Conference on Artificial Intelligence, 1995 Agu 20-25; Quebec (US). hlm
1137-1143.
Mitchell T. 1997. Machine Learning. Portland (US): McGraw-Hill.
Quinlan JR. 1993. C4.5: Programs for Machine Learning. San Francisco (US):
Morgan Kaufmann.
Rajaraman A, Leskovec J, Ullman JD. 2010. Mining of Massive Datasets.
Cambridge (GB): Cambridge University Pr.
Sudharmono M. 2012. Pengenalan varietas kunyit berdasarkan ciri morfologi
menggunakan genetic programming dengan praproses booleanizing
[skripsi]. Bogor (ID): Institut Pertanian Bogor.
Syukur C, Rostiana O, Syahid S, Udarno L. 2006. Petunjuk Pelaksanaan
Pengolahan Plasma Nutfah Kunyit (Curcuma Domestica Val.). Bogor (ID):
Puslitbang Perkebunan.
Syukur C, Rostiana O, Sukarman, Nova N, Rukmin D. 2011. Laporan Akhir
Konservasi 100 Jenis, Rejuvenasi, Karakterisasi dan Evaluasi 8 Jenis Serta
Dokumentasi Plasma Nutfah Tanaman Obat dan Aromatik. Bogor (ID):
BALITTRO.
16
Lampiran 1 Data varietas kunyit
WB
PUTIH
PUTIH
PUTIH
PUTIH
PUTIH
PUTIH
PUTIH
PUTIH
PUTIH
PUTIH
PUTIH
PUTIH
PUTIH
PUTIH
PUTIH
PUTIH
PUTIH
PUTIH
PUTIH
PUTIH
PUTIH
PUTIH
BPD
WDR
JBT
TT
JA
PD
LD
BRR
JRI
JRP
JRS
KK
VK
OVAL
OVAL
OVAL
OVAL
OVAL
OVAL
OVAL
OVAL
OVAL
OVAL
OVAL
OVAL
OVAL
OVAL
OVAL
OVAL
OVAL
OVAL
OVAL
OVAL
OVAL
OVAL
ORANGE
ORANGE
ORANGE
ORANGE
ORANGE
ORANGE
ORANGE
ORANGE
ORANGE
ORANGE
ORANGE
ORANGE
ORANGE
ORANGE
ORANGE
ORANGE
ORANGE
ORANGE
ORANGE
ORANGE
ORANGE
ORANGE
16
11
12
15
17
13
14
18
16
14
8
12
10
13
16
12
8
14
10
12
16
18
150.5
148.0
148.5
150.0
151.0
149.0
149.5
151.5
152.0
151.7
149.6
151.4
151.1
150.8
150.5
150.2
149.9
148.7
149.3
149.0
148.4
148.1
7
6
7
6
6
6
7
7
6
7
6
6
7
6
7
6
7
7
7
6
6
7
9.5
8.0
8.1
9.0
10.1
8.3
8.6
10.8
11.6
12.5
15.3
13.5
13.8
14.1
14.4
14.7
15.0
14.0
15.7
16.0
12.0
10.0
5.9
5.2
5.5
6.0
5.8
5.8
6.1
5.7
5.6
5.5
6.0
5.4
5.3
5.2
5.4
5.6
5.8
5.6
6.2
5.9
5.3
5.5
1515
500
703
1312
1718
906
1109
1921
1665
1409
939
1153
897
641
516
657
798
1362
1080
1221
1503
1644
2
1
2
1
1
1
2
2
1
2
1
1
2
1
2
1
2
2
2
1
1
2
10
5
6
9
11
7
8
5
6
7
7
8
9
10
11
5
6
10
8
9
11
5
5
5
7
13
6
9
11
7
8
9
8
10
11
12
13
14
5
5
11
14
6
7
8.0
7.5
7.6
7.9
8.1
7.7
7.8
8.2
8.3
8.4
9.1
8.5
8.6
8.7
8.8
8.9
9.0
9.4
9.2
9.3
9.5
9.6
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
1
Lampiran 1 Lanjutan
WB
PUTIH
PUTIH
PUTIH
PUTIH KUNING PUCAT
PUTIH KUNING PUCAT
PUTIH KUNING PUCAT
PUTIH KUNING PUCAT
PUTIH KUNING PUCAT
PUTIH KUNING PUCAT
PUTIH KUNING PUCAT
PUTIH KUNING PUCAT
PUTIH KUNING PUCAT
PUTIH KUNING PUCAT
PUTIH KUNING PUCAT
PUTIH KUNING PUCAT
PUTIH KUNING PUCAT
PUTIH KUNING PUCAT
PUTIH KUNING PUCAT
PUTIH KUNING PUCAT
PUTIH KUNING PUCAT
PUTIH KUNING PUCAT
PUTIH KUNING PUCAT
BPD
WDR
JBT
OVAL
OVAL
OVAL
OVAL
OVAL
OVAL
OVAL
OVAL
OVAL
OVAL
OVAL
OVAL
OVAL
OVAL
OVAL
OVAL
OVAL
OVAL
OVAL
OVAL
OVAL
OVAL
ORANGE
ORANGE
ORANGE
KUNING ORANGE
KUNING ORANGE
KUNING ORANGE
KUNING ORANGE
KUNING ORANGE
KUNING ORANGE
KUNING ORANGE
KUNING ORANGE
KUNING ORANGE
KUNING ORANGE
KUNING ORANGE
KUNING ORANGE
KUNING ORANGE
KUNING ORANGE
KUNING ORANGE
KUNING ORANGE
KUNING ORANGE
KUNING ORANGE
KUNING ORANGE
15
12
18
19
21
20
19
18
18
21
19
21
19
20
20
18
20
21
20
21
18
19
TT
148.3
148.6
148.9
173.1
176.7
175.5
174.3
176.9
174.5
173.6
175.4
176.8
175.8
174.7
176.3
176.4
175.6
174.8
173.6
173.2
174.4
174.0
JA
6
7
6
6
7
6
7
6
6
7
7
7
7
6
6
6
6
6
7
6
7
6
PD
8.0
8.4
8.8
9.8
13.4
12.2
11.0
14.6
14.3
14.8
13.8
12.8
15.8
15.3
13.3
12.3
11.3
10.3
11.2
11.9
9.8
10.5
LD
BRR
JRI
JRP
JRS
KK
VK
5.7
5.9
6.1
4.2
4.8
5.2
4.7
4.4
4.9
5.1
4.7
4.3
4.7
5.0
4.5
4.4
4.6
4.8
5.1
5.2
4.9
5.0
1785
1926
1996
500
890
760
630
1020
1548
1410
1686
1962
1150
1280
1824
2095
2361
2229
1438
1175
1964
1701
1
2
2
1
2
1
2
1
1
2
2
2
2
1
1
1
1
1
2
1
2
1
7
9
11
3
6
5
4
7
6
5
6
4
3
4
3
5
7
4
7
3
5
6
8
9
10
4
10
8
6
12
8
9
7
5
11
10
6
4
10
11
5
8
9
7
9.7
9.8
9.5
9.5
10.1
9.9
9.7
10.3
10.1
10.4
9.8
9.6
10.5
10.7
9.5
9.8
10.2
10.6
9.8
9.5
10.8
10.3
1
1
1
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
2
17
18
Lampiran 1 Lanjutan
WB
PUTIH KUNING PUCAT
PUTIH KUNING PUCAT
PUTIH KUNING PUCAT
PUTIH KUNING PUCAT
PUTIH KUNING PUCAT
PUTIH KUNING PUCAT
PUTIH KUNING COKLAT
PUTIH KUNING COKLAT
PUTIH KUNING COKLAT
PUTIH KUNING COKLAT
PUTIH KUNING COKLAT
PUTIH KUNING COKLAT
PUTIH KUNING COKLAT
PUTIH KUNING COKLAT
PUTIH KUNING COKLAT
PUTIH KUNING COKLAT
PUTIH KUNING COKLAT
PUTIH KUNING COKLAT
PUTIH KUNING COKLAT
PUTIH KUNING COKLAT
PUTIH KUNING COKLAT
PUTIH KUNING COKLAT
BPD
WDR
JBT
TT
JA
PD
LD
BRR
JRI
JRP
JRS
KK
VK
OVAL
OVAL
OVAL
OVAL
OVAL
OVAL
RUNCING
RUNCING
RUNCING
RUNCING
RUNCING
RUNCING
RUNCING
RUNCING
RUNCING
RUNCING
RUNCING
RUNCING
RUNCING
RUNCING
RUNCING
RUNCING
KUNING ORANGE
KUNING ORANGE
KUNING ORANGE
KUNING ORANGE
KUNING ORANGE
KUNING ORANGE
ORANGE
ORANGE
ORANGE
ORANGE
ORANGE
ORANGE
ORANGE
ORANGE
ORANGE
ORANGE
ORANGE
ORANGE
ORANGE
ORANGE
ORANGE
ORANGE
18
19
21
20
19
21
16
19
20
16
17
18
17
20
19
20
18
19
16
19
20
17
173.5
176.0
175.2
174.1
173.8
174.4
173.0
175.9
176.1
173.8
174.0
174.2
173.2
173.7
174.3
174.5
173.4
173.5
174.6
173.5
173.7
174.8
7
7
7
7
6
6
6
6
7
8
6
7
7
7
8
6
8
6
7
6
7
8
12.6
11.8
10.8
14.0
13.3
14.7
15.8
20.4
20.7
16.8
17.0
17.2
16.0
16.6
17.4
17.7
16.2
16.4
18.0
16.5
16.8
18.3
5.0
4.5
4.7
4.6
4.8
4.4
3.8
4.4
4.6
4.3
4.4
4.5
3.9
4.2
4.6
4.7
4.0
4.1
4.8
4.2
4.4
4.9
912
2228
2494
1152
649
1655
500
1994
2077
915
998
1081
583
832
1164
1247
666
749
1330
751
836
1413
2
2
2
2
1
2
1
1
2
3
1
2
2
2
3
1
3
1
2
1
2
3
4
6
3
6
5
7
6
10
11
11
12
6
7
10
7
8
8
9
9
6
8
10
11
7
13
7
9
5
10
12
13
15
16
17
11
14
10
11
12
13
12
13
14
13
9.7
10.0
10.4
9.6
9.4
10.7
7.7
8.7
8.8
8.2
8.3
8.4
7.8
8.1
8.5
8.6
7.9
8.0
8.7
8.0
8.1
8.8
2
2
2
2
2
2
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
3
Lampiran 1 Lanjutan
WB
PUTIH KUNING COKLAT
PUTIH KUNING COKLAT
PUTIH KUNING COKLAT
PUTIH KUNING COKLAT
PUTIH KUNING COKLAT
PUTIH KUNING COKLAT
PUTIH KUNING COKLAT
PUTIH KUNING COKLAT
PUTIH KUNING COKLAT
PUTIH
KUNING
PUTIH
KUNING
COKLAT
KUNING
PUTIH KUNING PUCAT
KUNING
PUTIH
PUTIH
KUNING
PUTIH
KUNING
BPD
WDR
JBT
TT
JA
PD
LD
BRR
JRI
JRP
JRS
KK
VK
RUNCING
RUNCING
RUNCING
RUNCING
RUNCING
RUNCING
RUNCING
RUNCING
RUNCING
OVAL
BULAT
OVAL
MERUNCING
BULAT
BULAT
OVAL
MERUNCING
BULAT
BULAT
OVAL
OVAL
OVAL
ORANGE
ORANGE
ORANGE
ORANGE
ORANGE
ORANGE
ORANGE
ORANGE
ORANGE
ORANGE
KUNING
ORANGE
KUNING
KUNING MUDA
KUNING
KUNING ORANGE
KUNING
KUNING MUDA
KUNING
KUNING MUDA
ORANGE
KUNING ORANGE
18
16
19
20
17
18
16
17
18
16
11
12
21
11
14
17
20
17
14
11
13
15
175.0
175.4
175.1
175.3
175.6
175.8
176.3
176.5
176.6
176.0
177.0
150.0
177.0
147.0
147.9
148.8
149.7
150.6
151.5
152.4
153.3
154.2
6
6
7
8
7
8
8
6
7
6
8
7
8
6
7
8
6
7
8
6
7
8
18.6
19.5
18.9
19.2
19.8
20.1
21.0
21.3
21.6
17.0
8.0
9.0
23.0
8.0
9.1
10.2
11.3
12.4
13.5
14.6
15.7
16.8
5.0
3.8
5.1
5.2
4.0
4.2
4.8
5.0
5.2
5.0
6.4
4.0
6.4
3.6
3.9
4.3
4.6
4.9
5.2
5.5
5.8
6.1
1496
1745
1579
1662
1828
1911
2160
2245
2330
1900
2500
600
2500
500
653
806
959
1112
1265
1418
1571
1724
1
1
2
3
2
3
3
1
2
1
1
2
3
1
2
3
1
2
3
1
2
3
11
7
12
6
8
9
12
6
8
10
12
5
12
3
4
5
6
7
8
9
10
11
14
17
15
16
10
11
14
15
16
16
4
5
17
4
5
6
7
8
9
10
11
12
8.9
9.2
9.0
9.1
9.3
8.6
8.9
9.0
9.1
10.8
11.0
8.0
11.0
7.1
7.4
7.7
8.0
8.3
8.6
8.9
9.2
9.5
3
3
3
3
3
3
3
3
3
4
4
4
4
4
4
4
4
4
4
4
4
4
19
20
Lampiran 1 Lanjutan
WB
KUNING
COKLAT
PUTIH KUNING COKLAT
COKLAT
COKLAT
PUTIH KUNING PUCAT
PUTIH KUNING COKLAT
PUTIH KUNING PUCAT
COKLAT
PUTIH KUNING COKLAT
PUTIH KUNING PUCAT
COKLAT
BPD
WDR
JBT
TT
JA
PD
LD
BRR
JRI
JRP
JRS
KK
VK
OVAL
OVAL
RUNCING
OVAL
OVAL
BULAT
OVAL
RUNCING
MERUNCING
MERUNCING
MERUNCING
RUNCING
ORANGE
KUNING MUDA
ORANGE
KUNING ORANGE
ORANGE
KUNING MUDA
KUNING ORANGE
KUNING MUDA
KUNING
KUNING MUDA
KUNING
ORANGE
17
19
21
18
15
12
13
14
15
16
17
18
155.1
156.0
156.7
157.4
158.1
158.8
159.5
160.2
160.9
161.6
162.3
163.0
6
7
8
6
7
8
6
7
8
6
7
8
17.9
19.0
20.1
21.2
19.6
18.0
16.4
14.8
13.2
11.5
9.9
8.2
5.6
5.1
4.6
4.1
4.4
4.7
5.0
5.3
5.6
5.9
6.2
6.0
1877
2030
2183
2336
2489
2280
2071
1862
1653
1444
1235
1026
1
2
3
1
2
3
1
2
3
1
2
3
12
10
8
6
4
5
6
7
8
9
10
11
13
14
15
16
17
14
11
8
5
7
9
11
9.8
10.1
10.4
10.7
10.5
10.3
10.1
9.9
9.7
9.5
9.3
9.1
4
4
4
4
4
4
4
4
4
4
4
4
Lampiran 2 Data kunyit yang telah di tranformasi
WB
1
2
3
1
1
2
3
4
1
2
3
1
1
2
3
4
1
2
3
5
1
2
BPD
1
1
2
1
1
1
2
3
1
1
2
1
1
1
2
4
1
1
2
3
1
1
WDR
1
2
1
1
1
2
1
3
1
2
1
1
1
2
1
3
1
2
1
4
1
2
JBT
3
3
3
3
1
3
3
1
1
3
3
1
2
3
3
3
3
3
3
1
2
3
TT
1
2
2
3
1
3
3
3
1
3
3
1
1
3
2
3
1
3
2
1
1
3
JA
2
1
1
1
1
2
1
3
2
1
2
2
1
2
3
3
1
1
1
1
1
1
PD
1
1
2
3
1
2
3
1
1
2
3
1
1
1
3
3
1
2
3
1
1
2
LD
3
1
1
2
2
2
1
3
3
2
2
1
3
2
1
3
3
1
1
1
3
2
BRR
3
1
1
4
1
1
4
4
1
1
4
1
2
1
1
4
3
2
2
1
1
3
JRI
2
1
1
1
1
2
1
1
2
1
2
2
1
2
3
3
1
1
1
1
1
1
JRP
3
1
2
3
1
2
3
3
2
1
3
1
2
1
3
3
3
2
3
1
2
2
JRS
1
1
2
3
1
2
2
1
1
2
2
1
2
1
3
3
1
2
3
1
2
2
KK
1
2
1
3
1
3
2
3
1
2
2
1
1
2
1
3
1
3
1
1
1
3
VK
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
21
22
Lampiran 2 Lanjutan
WB
3
4
1
2
3
2
1
2
3
4
1
2
3
1
1
2
3
1
1
2
3
4
1
BPD
2
3
1
1
2
1
1
1
2
4
1
1
2
3
1
1
2
3
1
1
2
1
1
WDR
1
3
1
2
1
2
1
2
1
3
1
2
1
4
1
2
1
3
1
2
1
4
1
JBT
3
2
2
3
3
3
3
3
3
3
3
3
3
3
2
3
3
2
1
3
3
1
1
TT
2
1
1
2
3
1
1
3
2
1
1
3
3
1
1
3
3
1
1
3
2
1
1
JA
2
2
2
2
2
3
2
2
2
1
1
2
3
2
2
2
1
3
1
1
3
1
1
PD
3
1
1
2
3
1
1
2
3
1
1
2
3
2
2
2
3
2
2
2
3
2
2
LD
1
1
3
2
1
1
3
2
1
2
3
1
2
2
3
2
2
2
3
2
1
3
2
BRR
1
1
2
3
2
1
4
3
1
2
3
4
2
2
2
2
2
2
2
2
1
3
2
JRI
2
2
2
2
2
3
2
2
2
1
1
2
3
2
2
2
1
3
1
1
3
1
1
JRP
3
1
2
1
2
1
1
2
2
2
2
1
2
2
2
1
2
2
2
1
2
2
2
JRS
3
1
2
2
3
1
1
1
2
1
2
1
2
2
2
2
2
2
2
2
2
2
2
KK
1
1
1
3
1
1
1
2
1
1
1
2
2
1
1
3
2
2
2
3
1
2
2
VK
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
Lampiran 2 Lanjutan
WB
2
3
1
1
2
3
4
1
2
3
4
1
2
3
5
1
2
3
3
1
2
3
5
BPD
1
2
1
1
1
2
1
1
1
2
1
1
1
2
1
1
1
2
2
1
1
2
1
WDR
2
1
3
1
2
1
4
1
2
1
3
1
2
1
1
1
2
1
4
1
2
1
1
JBT
3
3
2
1
3
3
2
2
3
3
3
3
3
3
3
1
3
3
3
1
3
3
3
TT
3
2
1
1
3
3
1
1
3
2
1
1
3
2
1
1
2
3
1
1
2
3
1
JA
1
1
2
2
1
2
3
1
1
1
1
2
1
2
2
1
2
3
3
2
1
1
1
PD
2
3
2
2
2
3
3
2
1
3
3
2
1
3
3
2
1
3
3
2
1
3
3
LD
1
1
3
2
1
2
3
2
2
1
3
2
2
1
2
3
2
2
2
3
2
2
1
BRR
3
1
3
1
4
2
3
1
4
1
4
1
4
1
4
1
3
3
4
1
2
3
4
JRI
1
1
2
2
1
2
3
1
1
1
1
2
1
2
2
1
2
3
3
2
1
1
1
JRP
1
2
3
2
1
2
3
3
2
2
3
3
1
2
3
1
2
3
2
2
1
3
2
JRS
1
2
2
2
1
2
2
2
2
2
2
2
2
3
3
3
1
2
3
1
2
3
3
KK
2
1
2
2
2
2
2
2
3
1
2
2
3
1
3
2
2
2
3
2
2
2
3
VK
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
23
24
Lampiran 2 Lanjutan
WB
1
2
3
5
1
2
3
2
1
2
3
3
1
2
3
2
1
2
3
5
1
2
3
BPD
1
1
2
1
1
1
2
3
1
1
2
1
1
1
2
2
1
1
2
4
1
1
2
WDR
1
2
1
2
1
2
1
1
1
2
1
4
1
2
1
1
1
2
1
2
1
2
1
JBT
2
3
3
2
1
3
3
1
1
3
3
2
3
3
3
2
3
3
3
2
2
3
3
TT
1
3
3
2
1
2
3
2
1
2
3
2
1
3
3
2
1
3
3
2
1
3
3
JA
2
2
1
2
2
1
2
3
1
2
3
1
1
2
2
2
2
2
3
3
1
2
3
PD
2
1
3
3
2
1
3
3
3
2
3
3
2
1
3
2
1
1
3
2
1
2
3
LD
3
2
1
1
3
2
2
2
3
2
2
2
2
1
1
2
3
2
1
3
3
2
2
BRR
2
4
3
4
2
3
3
4
2
1
3
4
3
4
3
4
3
4
4
3
3
2
4
JRI
2
2
1
2
2
1
2
3
1
2
3
1
1
2
2
2
2
2
3
3
1
2
3
JRP
3
1
2
1
2
2
3
1
2
1
2
2
3
2
2
2
1
1
2
2
2
2
3
JRS
1
2
3
3
2
1
3
3
3
2
3
2
1
1
2
2
1
2
2
1
2
1
3
KK
2
3
2
3
2
3
2
3
2
2
2
3
2
3
2
2
2
3
2
2
2
2
2
VK
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
Lampiran 2 Lanjutan
WB
3
1
2
3
2
1
2
3
5
BPD
4
1
1
2
4
1
1
2
2
WDR
1
1
2
1
4
1
2
1
2
JBT
3
1
3
3
3
3
3
3
3
TT
2
1
2
3
2
1
3
3
2
JA
1
2
1
1
2
1
1
2
3
PD
1
1
2
3
1
1
2
3
1
LD
3
3
2
2
3
3
1
2
3
BRR
3
4
1
4
2
4
3
4
2
JRI
1
2
1
1
2
2
2
2
3
JRP
2
2
1
2
3
3
2
2
3
JRS
1
2
2
3
2
2
1
3
2
KK
2
2
2
2
2
2
3
2
2
VK
4
1
2
3
4
1
2
3
4
25
26
Lampiran 3 Jumlah anakan
Range frekuensi
Ordinal
6
Sedikit
7
Sedang
8
Banyak
Numerik
1
2
3
Lampiran 4 Panjang daun
Range frekuensi
Ordinal
8.0−11.9
Pendek
12.0−15.8
Sedang
16.0−23.0
Panjang
Numerik
1
2
3
Lampiran 5 Lebar daun
Range frekuensi
Ordinal
3.6−4.5
Kecil
4.6−5.4
Sedang
5.5−6.4
Lebar
Numerik
1
2
3
Lampiran 6 Berat rimpang per rumpun
Range frekuensi
Ordinal
Numerik
500− 915
Kecil
1
939−1409
Sedang
2
1410−1828
Lebar
3
1862−2500
Sangat lebar
4
Lampiran 7 Jumlah rimpang induk
Ordinal
Numerik
Sedikit
1
Sedang
2
Banyak
3
Lampiran 8 Jumlah rimpang primer
Range frekuensi
Ordinal
3− 5
Sedikit
6− 9
Sedang
10−12
Banyak
Numerik
1
2
3
Lampiran 9 Jumlah rimpang sekunder
Range frekuensi
Nominal
Numerik
4− 7
Sedikit
1
8−13
Sedang
2
14−18
Banyak
3
27
Lampiran 10 Kadar kurkumin
Range frekuensi
Ordinal
7.1− 8.4
Sedikit
8.5− 9.9
Sedang
10.0−11.0
Banyak
Numerik
1
2
3
28
Lampiran 11 Tree yang dihasilkan untuk warna daging rimpang (WDR) cabang 1
Lampiran 12 Tree yang dihasilkan untuk warna daging rimpang (WDR) cabang 2
29
30
Lampiran 13 Tree yang dihasilkan untuk warna daging rimpang (WDR) cabang 3
Lampiran 14 Tree yang dihasilkan untuk warna daging rimpang (WDR) cabang 4
31
32
Lampiran 15 Data uji yang diujikan pada decision tree
WDR
1
2
1
4
1
2
1
3
1
2
1
4
1
2
1
3
1
2
1
1
BPD
WB
TT
LD
BRR
KK
VK
1
1
2
1
1
1
2
1
1
1
2
1
1
1
2
1
1
1
2
1
1
2
3
4
1
2
3
1
1
2
3
4
1
2
3
4
1
2
3
5
1
3
2
1
1
3
2
1
1
3
3
1
1
3
2
1
1
3
2
1
3
2
1
3
2
1
1
3
2
1
2
3
2
2
1
3
2
2
1
2
2
2
1
3
2
3
1
3
1
4
2
3
1
4
1
4
1
4
1
4
2
3
1
2
2
2
1
2
2
2
2
2
2
3
1
2
2
3
1
3
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
1
2
3
4
Lampiran 16 Data kunyit yang salah klasifikasi
WB
PUTIH KUNING PUCAT
PUTIH
PUTIH
PUTIH KUNING PUCAT
PUTIH KUNING PUCAT
BPD
OVAL
OVAL
OVAL
OVAL
RUNCING
WDR
KUNING ORANGE
ORANGE
ORANGE
KUNING ORANGE
KUNING MUDA
JBT
19
16
12
17
14
TT
173.1
176.0
150.0
148.8
160.2
JA
6
6
7
8
7
PD
9.8
17.0
9.0
10.2
14.8
LD
4.2
5.0
4.0
4.3
5.3
BRR
500
1900
600
806
1862
JRI
1
1
2
3
2
JRP
3
10
5
5
7
JRS
4
16
5
6
8
KK
9.5
10.8
8.0
7.7
9.9
VK
2
4
4
4
4
33
34
RIWAYAT HIDUP
Penulis dilahirkan di Pakan Sinayan tanggal 30 September 1989 dari Ibu
Sukmanirwati dan Bapak Zamzami. Penulis merupakan anak kelima dari lima
bersaudara. Pada tahun 2007, penulis lulus dari Sekolah Menengah Atas (SMA)
Negeri 1 Tilatang Kamang, dan pada tahun yang sama diterima di Diploma
Institut Pertanian Bogor Program Keahlian Teknik Komputer. Pada tahun 2010
penulis lulus dari Diploma Institut Pertanian Bogor dan melanjutkan pendidikan
di Program Alih Jenis Ilmu Komputer, Fakultas Matematika dan Ilmu
Pengetahuan Alam, IPB.
Selama menjalani perkuliahan penulis pernah menjadi asisten dosen di
Direktorat Program Diploma Institut Pertanian Bogor pada tahun 2012 sampai
2013.