IDENTIFIKASI JAMUR BERACUN PADA JENIS JAMUR FAMILI LEPIOTA BERDASARKAN KLASIFIKASI

Artikel Skripsi Universitas Nusantara PGRI Kediri

IDENTIFIKASI JAMUR BERACUN PADA JENIS JAMUR FAMILI AGARICUS DAN LEPIOTA BERDASARKAN KLASIFIKASI

SKRIPSI Diajukan Untuk Memenuhi Sebagian Syarat Guna Memperoleh Gelar Sarjana Komputer (S.Kom.) Pada Program Studi Teknik Informatika

OLEH : GALIEH ADI SURYA PRADANA NPM: 12.1.03.02.0284

FAKULTAS TEKNIK UNIVERSITAS NUSANTARA PERSATUAN GURU REPUBLIK INDONESIA UN PGRI KEDIRI 2016

Galieh Adi Surya Pradana | 12..1.03.02.0284 Fakultas Teknik – Teknik Inforrmatika

simki.unpkediri.ac.id || 1||








IDENTIFIKASI JAMUR BERACUN PADA JENIS JAMUR FAMILI AGARICUS DAN LEPIOTA BARDASARKAN KLASIFIKASI Galieh Adi Surya Pradana 12.1.03.02.0284 Fakultas ultas Teknik – Program gram Studi Teknik Informatika Email : [email protected] Rini Indriati, S.Kom., M.Kom dan Rizky Aswi Ramadhani, M.Kom UNIVERSITAS NUSANTARA PGRI KEDIRI ABSTRAK Jamur merupakan salah satu jenis tumbuhan yang banyak dijumpai di alam, sehingga sejak dahulu banyak orang yang memanfaatkannya sebagai bahan konsums konsumsi. i. Salah satu jenis jamur yang sering dijumpai adalah jenis jamur famili Agaricus dan Lepiota. Jenis jamur famili agaricus dan lepiota ada yang beracun dan ada juga yang aman untuk dikonsumsi. Jamur famili agaricus dan lepiota yang bersifat beracun dapat menyebabkan sakit terhadap seseorang yang mengkonsumsinya, bahkan juga dapat menyebabkan kematian. Untuk membedakan antara jamur famili agaricus dan lepiota yang beracun dan yang aman sangatlah sulit. Oleh sebab itu diperlukan sebuah aplikasi sistem pakar yang dapat membantu mengidentifikasi jamur tersebut. aplikasi sistem pakar ini bertujuan untuk mengidentifikasi jamur famili agaricus dan lepiota kedalam kelas dapat dikonsumsi dan beracun menggunakan metode naive bayes. Naive bayes mengklasifikasikan data jamur famili agaricus dan lepiota menggunakan teknik probabilitas sehingga menghasilkan bahwa jamur famili agaricus dan lepiota yang telah diinputkan dengan kriteria-kriteria kriteria tertentu termasuk kedalam jenis jamur yang aman un untuk tuk dikonsumsi atau beracun. Dalam proses klasifikasi tentunya dibutuhkan sebuah data jamur famili agaricus dan lepiota yang nantinya akan dijadikan acuan dalam menentukan hasil klasifikasi. Data yang digunakan pada pembuatan apli aplikasi kasi ini berupa kumpulan data jamur (famili ( Agaricus dan Lepiota)) yang diambil dari UCI repository of machine learning database.. Kumpulan data jamur ini terdiri atas 23 spesies jamur yang berbeda. Setiap jamur digambarkan dengan 21 atribut yang berbeda. Kumpulan mpulan data jamur ini berjumlah 8124 instance,, dimana data tersebut terdiri dari 4028 jenis jamur yang dapat dikonsumsi (edible)) dan 3916 jenis jamur yang beracun ((poisonous). ). Data tersebut nantinya akan dijadikan acuan dalam pembuatan apliaksi identifikas identifikasii jamur beracun berdasarkan berd jamur famili agaricusdanlepiota. Kata Kunci : sistem pakar, jamur, agaricus, lepiota, metode naive bayes.

1.

PENDAHULUAN

A. Latar Belakang Jamur merupakan salah satu jenis tumbuhan yang banyak dijumpai di alam,

Dan tentu saja dari berbagai jenis jamur tidak

semua

jamur

dapat

dikonsumsi

(poisonous), ), tetapi juga tidak sedikit pula p jenis jamur yang dapat dikonsumsi (edible). (

sehingga sejak dahulu banyak orang yang

Di Indonesia, jenis jamur yang sangat

memanfaatkannya sebagai bahan konsumsi.

banyak dibudidayakan adalah jenis jamur

Seiring dengan berjalannya waktu telah

yang termasuk kedalam Famili Agaricus dan

dikenal ratusan bahkan ribuan jenis jamur.

Lepiota. Famili Agaricus dan Lepiota dapat




hidup di alam terbuka dengan bentuk yang

Data yang digunakan pada penelitian ini

beraneka neka ragam, warna yang bermacam bermacam-

berupa

macam serta sifat yang belum banyak

Agaricus dan Lepiota) Lepiota yang diambil dari

diketahui, pada umumnya sebagian beracun

UCI

untuk dikonsumsi dan sebagian aman untuk

database

dikonsumsi. Famili Agaricus dan Lepiota

jamur ini terdiri atas tas 23 spesies jamur yang

yang bersifat beracun dapat menyebabkan

berbeda. Setiap jamur digambarkan dengan

sakit

yang

21 atribut yang berbeda (bentuk tudung,

dapat

permukaan tudung, warna tudung, kondisi

terhadap

seseorang

mengkonsumsinya,

bahkan

jjuga

menyebabkan kematian Untuk

kumpulan

repository

data

of

(1987-2008). 2008).

jamur

(famili (

machine

learning

Kumpulan

data

jamur, aroma jamur, pelekatan insang, jamur

famili

kerapatan garis-garis garis insang, ukuran insang,

yang

dapat

warna insang, bentuk tangkai, tangk bentuk bagian

dikonsumsi dan yang beracun berdasarkan

bawah tangkai, permukaan tangkai di atas

bentuk, sifat dan keadaannya sangat sukar

cincin, permukaan tangkai di bawah cincin,

untuk dilakukan. Hal ini dikarenakan adanya

warna tangkai di atas cincin, warna tangkai

bentuk yang hampir sama dari spesies famili

di

Agaricus dan Lepiota antara jamur yang

pembungkus, banyaknya cincin, tipe cincin,

aman dan jamur yang beracun. Dalam

warna cetakan spora, populasi jamur dan

penelitian ini akan digunakan algoritma

habitat jamur). Kumpulan data jamur ini

NAIVE BAYES untuk mengklasifikasi

berjumlah 8124 instance, instance dimana data

antara jamur yang dapat dikonsumsi atau

tersebut terdiri dari 4028 jenis jamur yang

beracun berdasarkan dataset yang telah

dapat dikonsumsi (edible edible) dan 3916 jenis

dibuat.

jamur yang beracun (poisonous poisonous).

Agaricus

membedakan dan

Dalam

Lepiota

proses

pengujian

akan

bawah

cincin,

warna

membran

digunakan metode k-fold fold cross validation

Pembuatan aplikasi identifikasi jamur

dan perhitungannya menggun menggunakan naive

famili agaricus dan lepiota kedalam kelas

bayes,

nilai

aman dan beracun berdasarkan klasifikasi

akan

bertujuan

akurasi.

sehingga

akan

Metode

dihasilkan

naive

bayes

untuk

meminimalisir

menentukan jamur tersebut masuk kedalam

(masyarakat)

kelas yang aman atau beracun dengan cara

dikarenakan kurangnya pengetahuan lebih

menghitung probabilitas berdasarkan kriteria

tentang jamur. Diharapkan nantinya dengan

yang telah dimasukkan, sehingga akan

adanya

menghasilkann keputusan antara jamur yang

mengetahui getahui apakah jamur famili agaricus

aman atau berbahaya.

dan lepiota yang akan dikonsumsi tersebut


akibat

aplikasi

ini

keracunan

korban

pengguna

jamur

dapat



termasuk kedalam jamur yang aman atau

agaricus dan lepiota kedalam jenis

beracun untuk dikonsumsi.

yang aman atau beracun sesuai

B. Pembatasan Masalah

dengan

Penelitian

ini

menggunakan

bataasan bataasan2.

dapat

menentukan

jenis

jamur

beracun

famili agaricus dan lepiota aman

berdasarkan famili Agaricus dan

atau beracun sesuai dengan dataset

Lepiota.

yang ada.

2. Pengambilan

ataukah

sudah

Bagaimana algoritma Naïve Bayes Ba

1. Aplikasi hanya menentuka menentukan apakah aman

yang

ditentukan.

batasan masalah sebagai berikut :

jamur

kriteria

dataset

berdasarkan

D. Tujuan Penelitian

jenis jamur yang telah diidentifikasi

Tujuan dari penulis membuat penelitian ini

UCI repository of machine learning

adalah sebagai berikut :

database. 3. Kriteria

1. Membuat yang

digunakan

untuk

aplikasi

untuk

mengklasifikasi famili Agaricus dan

klasifikasi hanya berdasarkan kriteria

Lepiota

menggunakan

algoritma

bentuk tudung, permukaan tudung,

NAIVE BAYES kedalam kelas aman

warna tudung, kondisi jamur, aroma

atau beracun.

jamur, pelekatan insang, kerapatan

2. Untuk menentukan apakah Jamur

garis-garis garis insang, ukuran insang,

famili agaricus dan lepiota tersebut

warna insang, bentuk tangkai, bentuk

aman untuk dikonsumsi ataukah

bagian bawah tangkai, permukaan

beracun menggunakan metode naive

tangkai di atas cincin, permukaan

bayes. Sehingga dapat meminimalisir

tangkaii di bawah cincin, warna

korban

tangkai di atas cincin, warna tangkai

famili agaricus dan lepiota dengan

di bawah cincin, warna membran

menggunakan aplikasi ini.

akibat

pembungkus, banyaknya cincin, tipe

2.

cincin, warna cetakan spora, populasi

A. Sistem Pakar

jamur dan habitat jamur. C. Rumusan Masalah

keracunan k

Jamur

Landasan Teori

Sistem pakar (expert expert system) system adalah suatu sistem komputer berbasis pengetahuan

Berdasarkan latar belakang yang telah

yang menyamai kemampuan pengambilan

dijelaskan diatas, maka dapat dirumuskan

keputusan dari seorang pakar. Adapun

masalah sebagai berikut:

beberapa definisi tentang sistem pakar

1.

Bagaimana cara membuat aplikasi

(expert system)) lainnya, adalah sebagai

untuk mengidentifikasi jamur famili

berikut :




1. Menurut Kus [6], sistem pakar didefinisikan

sebagai

(rule)

IF..THEN

(jika..maka).

:

Walaupun aupun cara diatas sangat sederhana,

“Sistem Sistem pakar adalah suatu sistem

namun banyak hal yang berarti dalam

yang

membangun

berusaha

berikut

aturan

mengadopsi

sistem

pakar

dengan

pengetahuan manusia ke komputer,

mengekspresikan pengetahuan pakar dalam

agarkomputer dapat menyelesaikan

bentuk aturan diatas.

masalah

seperti

yang

biasa

dilakukan oleh para ahli ahli”.

mengandung beberapa unsur atau elemen,

2. Menurut Muh [8], sistem pakar didefinisikan

sebagai

Konsep dasar dari suatu sistem pakar

berikut

:

yaitu keahlian, ahli, pengalihan keahlian, inferesi,

aturan

dan

kemampuan

“Sistem Sistem pakar adalah salah satu

menjelaskan. Keahlian merupakan suatu

cabang dari artificial intelligence

penguasaan pengetahuan dibidang tertentu

yang membuat penggunaan secara

yang didapatkan dari pelatihan, membaca

luas knowledge yang kkhusus untuk

atau pengalaman. Seorang ahli adalah

penyelesaian

seorang

masalah

tingkat

manusia yang pakar”. Sistem

pakar

mempunyai

pengetahuan

tertentu u dan mampu menjelaskan suatu untuk

tanggapan, mempelajari hal-hal hal baru seputar

dalam

topik permasalahan (domain), ( menyusun

berbagai bidang, antara lain matematika,

kembali pengetauan jika dipandang perlu,

teknik, kedokteran, ilmu komputer, sampai

dan menentukan relevan atau tidaknya

bidang hukum. Walaupun sistem pakar

keahlian mereka.

memecahkan

sebagai

sistem stem

telah

yang

dibuat

masalah-masalah masalah

komputer

yang

dalam

Pengalihan keahlian dari para ahli untuk

berbagai hal bekerjanya jauh lebih baik dari

kemudian dialihkan lagi ke orang lain yang

manusia atau ahli, tetapi kita tidak bisa

bukan ahli, merupakan tujuan utama dari

menghilangkan begitu saja faktor manusia

sistem pakar. Proses ini membutuhkan

dan digantikan oleh sistem komputer, karena

empat

pada banyak situasi keahlian manusia tetap

pengetahuan dari para ahli atau sumbersumber

dibutuhkan, sebabb kemampuan komputer

sumber lainnya, representasi pengetahuan

terbatas.

kedalam komputer, inferensi pengetahuan peng

aktivitas,

yaitu

tambahan

Pengetahuan dari suatu sistem pakar

dan pengalihan pengetahuan ke pengguna.

mungkin dapat direpresentasikan dalam

Pengetahuan yang disimpan dikomputer

sejumlah cara. Salah satu metode yang

dinamakan

paling

(knowledge base).

umum

untuk

merepresentasikan

dengan

basis

pengetahuan

pengetahuan adalah dalam bentuk tipe Galieh Adi Surya Pradana | 12..1.03.02.0284 Fakultas Teknik – Teknik Inforrmatika



Salah satu fitur yang harus dimiliki oleh sistem pakar adalah kemampuan untuk

format tertentu, sedemikian rupa sehingga user sulit mengartikannya.

menalar (reasoning). ). Jika keahlian keahlian-keahlian

Disk

(working ing

memory) memory

adalah

sudah tersimpan sebagai basis pengetahuan

sejumlah modul memory yang menyimpan

dan sudah tersedia program yang mampu

informasi sementara dari suatu proses

mengakses basis data, maka komputer harus

konsultasi. Setiap proses baru dijalankan,

dapat diprogram untuk membuat inferensi.

memory tersebut akan di set ke kondisi

Proses ini dibuat dalam bentuk motor

awal. Dalam menjalankan proses, memory

inferensi (inference engine).

tersebut menyimpan informasi dari rule-rule rule

Sistem

pakar

menggunak menggunakan

basis

yang dipakai dalam knowledge base. base

pengetahuan (knowldege base)) sebagai dasar

Oleh

pemikirannya. Knowledge base tersebut

perancangan

terdiri dari heuristik dan sejumlah rule-rule

mengikuti urutan sebagai berikut :

dan aturan-aturan aturan yang tersusun secara

karena

itu,

sistem

1. Menentukan

langkah-langkah langkah pakar

sebaiknya

batasan-batasan batasan

sistematis dan spesifik, juga relasi antara

bidang

data dan aturan (rule)) dalam pengambi pengambilan

sistem pakar yang akan dirancang.

kesimpulan.

Knowledge

base

tersebut

Sedangkan

sebagai

suatu

rancangan

aplikasi

pusat

3. Membuat pohon keputusan (decision ( tree).

yang

4. Menuliskan IF--THEN rules.

berfungsi untuk memberikan pertanyaan dan menerima

input

dari

user,

5. Merancang

kkemudian

antarmuka

3.

knowledge

A. Model del Pengembangan

yang

tersedia,

untuk

selanjutnya menghasilkan output berupa

pengguna

(user interface). ).

melakukan proses logika sesuai dengan base

sebuah

diambil.

pemrosesannya adalah inference engine engine, yaitu

dari

2. Memilih jenis keputusan kepu apa yang

disimpan dalam sebuah basis data pada database.

konsentrasi

atau

Metode Pengembangan

Berdasarkan latar belakang dan tujuan,

suatu kesimpulan atau bisa juga berupa

maka

penelitian

ini

menggunakan

keputusan sebagai hasil akhir konsultasi.

pendekatan penelitian dan pengembangan

Knowledge acquisition source berfungsi

atau Research and Development (R&D).

sebagai penterjemah dari knowledge base

Penelitian dan pengembangan adalah suatu

menjadi

proses

sebuah

bahasa

yang

dapat

atau

langkah-langkah langkah

untuk

dimengerti oleh user. Bagian ini diperlukan

mengembangkan suatu produk prod baru atau

karena knowledge base yang disimpan

menyempurnakan produk yang telah ada,

dalam sebuah database, disimpan dalam

yang


dapat

dipertanggungjawabkan simki.unpkediri.ac.id || 8||


(Sukmadinata, dan

2010).

Metode penelitian

pengembangan

penelitian

yang

menghasilkan menguji

adalah

metode

digunakan

produk

keefektifan ektifan

untuk

tertentu produk

dan

tersebut

(Sugiyono, 2010). Pengembangan lebih diarahkan

pada

upaya

menghasilkan

produk siap untuk digunakan secara riil di lapangan, bukan hanya menemukan pengetahuan atau menguji hipotesis atau teori

tertentu.

Penelitian itian

dan

pengembangan yang dilakukan difokuskan pada pembuatan aplikasi untuk klasifikasi jamur yang dapat dikonsumsi dan tidak dapat dikonsumsi menggunakan metode naive bayes. B. Prosedur Pengembangan Prosedur

pengembangan

langkah-langkah langkah

merupakan

membangun atau membuat sebuah sistem. Menurut pembahasan sebelumnya, maka penelitian

ini

menggunakan

metode

waterfall dalam pembuatan aplikasi ini. Mulai dari langkah awal untuk menganalisa sampai langkah akhir ir terciptanya sebuah aplikasi.

Dalam

Gambar 1 Prosedur Pengembangan

yang dilakukan dalam

penelitian

prosedur

pengembangan yang digun digunakan sebagai berikut :

1) Analisis Kebutuhan Pada tahap awal penelitian, dilakukan analisis mengenai kebutuhan serta masalahmasalah masalah yang perlu diselesaikan. d Analisis kebutuhan adalah suatu tahap pengumpulan informasi yang dapat dijadikan sebagai bahan untuk membuat aplikasi. Aplikasi yang dihasilkan adalah Aplikasi Klasifikasi Jamur Kedalam Kelas Aman Atau Beracun. Tahap ini membutuhkan sumber yang yan dapat dipercaya dan mengerti benar mengenai jamur

itu

penilaian

sendiri yang

seta

kriteria-kriteria kriteria

digunakan.

Informasi

tersebut diperoleh dari UCI Repository of Macine learning database. database Informasi yang




didapat berupa dataset yang dihasilkan dari

perbandingan jumlah kelas yang hampir

penelitian jamur yang termasuk kedalam

sama. Pembagian ian data ini digunakan

famili Agaricus dan Lepiota.

untuk

2) Pengumpulan Data

didapatakan akurasi data. Satu subset

Data yang digunakan pada penelitian ini berupa

kumpulan

data

jamur

(famili

(data

pengujian

uji)

pengujian,

akan

data

sehingga

digunakan

sedangkan

untuk

subset-subset

Agaricus dan Lepiota)) yang diambil dari

(data latih) lainnya akan digunakan

UCI

untuk pelatihan.

repository

of

machine

learning

database.. Kumpulan data jamur ini terdiri

b.

atas 23 spesies jamur yang berbeda. Setiap

Pelatihan Subset

data

pelatihan

akan

jamur digambarkan dengan 21 atribut yang

digunakan n untuk input pada algoritma

berbeda.

Naive Bayes.. Langkah pertama adalah

Kumpulan

data

jamur

ini

berjumlah 8124 instance,, dimana data

menentukan data latih

tersebut terdiri darii 4028 jenis jamur yang

digunkan untuk data input, karena

dapat dikonsumsi (edible)) dan 3916 jenis

menggunakan 5-fold fold cross validation

jamur yang beracun (poisonous poisonous).

maka akan terdapat 5 kali pengujian

3) Pengujian

data dengan kombinasi data latih dan

Pengujian

dilaksanakan

dengan

menggunakan metode fold cross validation validation.

yang akan

data uji yang berbeda. rbeda. c.

Sistem pengujian fold cross validation

Klasifikasi Klasifikasi

atau

pengujian

adalah membagi data yang ada menjadi

merupakan pengujian dari data latih

beberapa eberapa

kelompok kelompok-

terhadap data uji. Pengujian dilakukan

kelompok tersebut akan dibagi lagi menjadi

sesuai dengan class masing-masing.

kelompok uji dan kelompok penguji, berikut

Pengujian dilaksanakan sesuai dengan

langkah-langkah pengujian :

iterasi

a.

kelompok

dimana

yang

telah

ditentukan

Data Latih dan Data Uji

sebelumnya. Data uji yang digunakan digunak

Pada penelitian ini, pembagian data

sesuai dengan subset yang sebenarnya.

latih dan data uji dilaksanakan dengan

Data latih dan data uji merupakan data

menggunakan

yang

metode

55-fold

cross

dihasilkan

dari

pembagian

validation. 5-fold fold cross validation akan

kelompok awal yang menggunakan

membagi dataset menjadi 5 subset

metode fold cross validation.

dimana pembagian ini dilaksanakan

d.

secara acak dan masing--masing subset memiliki

jumlah

instance

dan


Akurasi Akurasi

yang

merupakan

digunakan

untuk

perhitungan mengacu



seberapa akurat hasil asil yang didapatkan dari

subset

berdasarkan

yang

telah

perhitungan

Naive Bayes

b.

dibuat

Membuat desain DFD Data Flow Diagram (DFD) adalah

algoritma

suatu

dengan menggunakan

diagram

notasi-notasi notasi

yang

untuk

menggunakan menggambarkan

metode pengujian 5 - fold cross

arus dari data sistem. sistem

validation, perhitungan dapat dilakukan

c.

sebagai berikut :

Desain interface merupakan langkah

Membuat desain Interface

awal dalam pembuatan aplikasi. aplikasi

∑

∑

5) Pengembangan Tahap pengembangan adalah tahap dimulainya pengerjaan yang nantinya akan

100%

menghasilkan sebuah produk. TahapanTahapan Tingkat tingkat

akurasi

kebenaran

menunjukkan

tahapannya adalah sebagai berikut :

pengklasifikasian

a.

terhadap kelas sebenarnya. Semakin

Pembuatan Tampilan Aplikasi Tahapan

ini

adalah

tahapan

tampilan

aplikasi

rendah tingkat akurasi maka semakin

pembuatan

tinggi kesalahan. Tingkat akurasi yang

sebagai gambaran aplikasi sebenarnya. seb

baik

Tampilan

adalah

nilai

aakurasi

yang

mendekati 100%.

awal

tersebut

implementasi dari desain interface yang sebelumnya telah dibuat.

4) Desain

b.

Dalam pembuatan aplikasi klasifikasi

Penulisan Kode Aplikasi Langkah

jamur kedalam kelas aman atau beracun,

selanjutnya

aplikasi yang telah dibuat kemudian

desain aplikasi untuk menentukan fungsi fungsi-

diberi perintah-perintah perintah berupa b kode

fungsi yang akan dimuat didalam aplikasi.

aplikasi agar dapat berjalan sesuai

Ini dilakukan supaya mempermudah dalam

dengan fungsinya.

menerjemahkan maksud dari penelitian ini kedalam bahasa pemrograman. Tahapan

4.

desain sebagai berikut :

A. Analisa Kebutuh han

yang

adalah

mempunyai

menggambarkan

bagan bagan-bagan arus

Deskripsi dan Interprestasi

Analisis

Membuat desain flowchart Flowchart

yang

langkah langkah-langkah

adalah

penulisan kode aplikasi, yaitu tampilan

perlu dilakukan terlebih dahulu pembuatan

a.

merupakan

kebutuhan

berdasarkan

fungsional sebagai berikut : 1.

Pengguna dapat memahami jenis jamur apa yang dapat diklasifikasikan

penyelesaian suatu masalah. Galieh Adi Surya Pradana | 12..1.03.02.0284 Fakultas Teknik – Teknik Inforrmatika



2.

Pengguna dapat menggunakan aplikasi

1.

dengan baik.

Data Latih Data latih merupakan merupak data yang akan

diujicobakan. Data latih ini nanti akan diuji

B. Pengumpulan Data Tahap pengumpulan data adalah tahap

berdasarkan dataset atau data penguji yang

persiapan, yaitu dimulainya tahap tahap-tahap

telah disiapkan. Data yang akan dijadikan

pengumpulan

dibutuhkan.

data latih memiliki 21 atribut dengan 2 kelas

Bahan-bahan bahan yang perlu dipersiapkan untuk

seperti pada lampiran 1. Pada metode k-fold

mengembangkan aplikasi klasifikasi jamur

croos validation,, cara untuk menentukan

beracun atau aman adalah sebagai berikut :

antara data latih dan data d uji dengan cara

1.

Data dari UCI Repository of Machine

membagi data yang sebenarnya menjadi

Learning Database.

beberapa kelompok yang memiliki jumlah

Perangkat Keras (Hardware) (Hardware), dengan

data yang tidak jauh berbeda. Jumlah

spesifikasi sebagai berikut :

kelompok tergantung dari peneliti, dalam

a.

Sistem Operasi Windows 8 64 64-bit.

penelitian ini jumlah kelompok ditentukan

b.

Processor

menjadi njadi 5 kelompok, sehingga dari 8124

2.

bahan

yang

Intel

Celeron

CPU

N2940. c. 3.

akan kan dibagi menjadi 5 kelompok. kelompok

RAM 2 GB.

Tabel 1 Pembagian Kelompok

Perangkat Lunak (Software Software), perangkat

Kelompok

Jumlah data

lunak yang dibutuhkan sebagai berikut :

K–1

1626 data

a.

Delphi 7 sebagai software utama utama.

K–2

1625 data

b.

MySQL sebagai software utama.

K–3

1625 data

ODBC

software

K–4

1624 data

dengan

K–5

1624 data

penghubung

sebagai Delphi

7

MySQL. C. Pengujian

2.

Pelatihan Pelatihan merupakan penentuan data

Tahap pengujian adalah tahap yang

yang akan dijadikan input untuk pengujian

digunakan untuk menghitung seberapa besar

menggunakan metode Naive Bayes. Data

akurasi yang dihasilkan dari pengolahan

yang akan dijadikan input adalah data dari d

data menggunakan k-fold fold croos validation

kelompok-kelompok kelompok yang telah dibagi pada

dan perhitungan menggunakan naive bayes

tabel 1, maka berdasarkan metode fold cross

serta layak atau tidak metode naive bayes

validation,

diterapkan untuk menentukan klasifikasi

akan dibagi lagi menjadi 5 kelompok yang

jamur. Beberapa tahapan dalam pengujian

nantinya akan digunakan untuk pengujian,

kelompok-kelompok kelompok

tersebut

sebagai berikut : Galieh Adi Surya Pradana | 12..1.03.02.0284 Fakultas Teknik – Teknik Inforrmatika



sehingga dihasilkan data latih seperti pada

Pengujian

Data Latih

Data Uji

tabel 2

P–1

DL – 1

K–5

P–2

DL – 2

K–4

Jumlah

P–3

DL – 3

K–3

Data

P–4

DL – 4

K–2

6501 data

P–5

DL – 5

K–1

Tabel 2 Data Latih atih Data

Kelompok

Latih DL – 1

K – 1, K – 2, K – 3, K–4

DL – 2

Langkah-langkah langkah

K – 1, K – 2, K – 3,

6501 data

K–5 DL – 3

6500 data

K–5 6500 data

K–5 K – 2, K – 3, K – 4,

6499 data

uji

pengujian

akan

dilakukan

setiap dataset aset yang terdapat pada data latih

metode Naive Bayes.. Untuk pengujian ke2, ke3, ke4 dan ke5 dilakukan langkah-langkah

Data Uji Data

maka

akan diujikan padaa data uji menggunakan

K–5 3.

sebagai berikut. Setelah lah ditentukan data latih

menggunakan metode Naive Bayes, dimana

K – 1, K – 3, K – 4,

DL – 5

pertama

(DL-1), dan n data uji pada kelompok 5 (K-5), (K

K – 1, K – 2, K – 4,

DL – 4

pengujian

pengujian sama dengan pengujian yang merupakan

data

yang

pertama, hanya data latih dan data uji yang

digunakan untuk menguji data latih. Pada

berbeda.

metode fold cross validation,, data uji juga

5.

Akurasi

dihasilkan dari pembagian kelompok data

Akurasi merupakan seberapa besar

asli, jumlah kelompok data uji sama dengan

akurasi atau presentase yang dihasilkan dari

jumlah kelompok data latih, sehingga hasil

pengujian data. Dari pengujian yang telah

pembagian seperti pada tabel 1 sebelumnya.

dilakukan maka didapatkan didapat akurasi seperti

4.

pada tabel 4.

Klasifikasi Klasifikasi merupakan proses pengujian

data

berdasarkan

metode

cross

Pengujian Jml.

Jml.

validation dan perhitungan pada proses

Data

Data

pengujian

Latih Uji

menggunakan

fold

Tabel 4.4 Hasil asil akurasi pengujian

Naive

Bayes Bayes.

Berdasarkan metode fold cross validation validation,

P–1

maka data latih dan data uji akan digunakan untuk

pengujian,

dan

pengujian

akan

P–2

dilakukan berdasarkan erdasarkan pada tabel 3. Tabel 4.3 Pengujian engujian data


P–3

Salah Akurasi

6501 1624 29

99,55

data

%

data

data

6501 1624 55

99,15

data

%

data

data

6500 1625 9

99,86



P–4

P–5

data

data

data

6500

1625 13

data

data

6499

1626 39

99,40

data

data

%

data

data

% 99,80 %

Berdasarkan data akurasi dari setiap iterasi diatas, maka didapat dapatkan rata-rata akurasi yang dihasilkan sebagai gai berikut :

Gambar 3 Rancan ngan Tampilan Sistem

99,55 99,15 99,86 99 99,80 99, 40

5

Proses Identifikasi Keterangan Menu :

99,552

a. Tombol Prosess Identifikasi

Hasil dari pengujian data menggunakan metode

fold

croos

validation

b. Tombol Reset Menu M

dimana

c. Tombol Keluarr

perhitungannya menggunakan naive bayes didapatkan hasil akurasi sebesar 99,552 %.

5.

Hasil tersebut sudah cukup besar untuk

A. Kesimpulan

dilanjutkan pembuatan aplikasi aplikasi.

Kesimpulan dan Saran

Berdasarkan

penelitian

dan

hasil

A. Desain

analisis yang telah dilakukan, maka dapat

1.

ditarik kesimpulan sebagai berikut :

Flowchart Sistem

1.

Langkah-langkah langkah aplikasi

pembuatan

untuk

mengidentifikasi

jamur kedalam jenis yang aman atau beracun adalah sebagai s berikut : Analisis kebutuhan, Pengumpulan data,

Pengujian,

Desain

dan

Pengembangan. Sistem ini nantinya akan terus mengembangkan data yang ada sesuai dengan data baru Gambar 2 Alur S Sistem 2.

Rancangan Tampilan Siistem

sebagai

hasil

olah

data

yang

dihasilkan oleh pengguna, sehingga data

akan

terus

berkembang be

layaknya machine learning pada




UCI

2.

repository

of

machine

learning.

University, 2 mei 2008. New York:

Hasil klasifikasi yang didapatkan

Seidenberg School of CSIS. hlm

dengan

B2.1-B2.9

menggunakan

metode

Naive Bayes ini, berdasarkan atas input yang berupa kriteria kriteria-kriteria tertentu dimana kriteria kriteria-kriteria ini nanti akan dihitung ihitung menggunakan metode perhitungan Naive Bayes sehingga sebuah

dapat kelas

menghasilkan aman

untuk

dikonsumsi atau beracun untuk dikonsumsi yang sesuai dengan kriteria-kriteria kriteria tersebut.

Data

Mining:

Concept

And

Technique. San Fransisco: Morgan Kaufmann Publishers. Kusrini dan Emba Taufiq Lutfhi, 2009. Algoritma data mining. Andi offset. Yogyakarta. Natalius talius Samuel, 2010. “Metode Naive

pada Klasifikasi Dokumen”. URL:

Penelitian ini tentunya masih terdapat banyak kekurangan

dan

hal-hal

yang

masih perlu dikaji dan dikembangkan. Peneliti memiliki saran antara lain: Perlu

adanya

dikarenakan masih

subjek

terbatas

Aplikasi

masih

http://xa.yimg.com/.../Transfusi+Dar ah+FK+ Unjani+(Dinyar+S,+dr,+SpPK)hProb stat2010-017.pdf 017.pdf

tambahan

data,

Diakses

pada

tanggal 20 Juni 2016.

penelitian

kedalam

jamur

terbatas

Nugroho, Yuda Septian. Data Mining Menggunakan

famili agaricus dan lepiota. 2.

Han, Jiawei. Kamber, Micheline. 2001.

Bayes Classifier dan Penggunaanya

B. Saran

1.

Student-Faculty Faculty Research Day; Pace

dalam

Algoritma

Naïve

Bayes Untuk Klasifikasi Kelulusan

lingkup komputer, perl perlu adanya

Mahasiswa

pengembangan untuk merambah ke

Nuswantoro.

aplikasi dalam bentuk ponsel atau

Tengah: Jurusan Sistem Informasi,

smartphone

Fakultas Ilmu Komputer, Universitas

sehingga

pengguna

6. Daftar Pustaka

Putra,

Eusebi C, Gliga C, John D, Maisonave 2008.

Data

Mining

on

a

Mushroom Database. Proceedings of


Dian

Semarang,

Jawa

Dian Nuswantoro.

lebih leluasa dalam penggunaan.

A.

Universitas

Bayu

Mahardika,

2008.

Klasifikasi Jamur Kedalam Kelas Dapat Dikonsumsi Atau Beracun Menggunakan

Algoritma

VFI

5



(Studi Kasus : Famili Agaricus dan Lepiota). Putra,

System and Intelligent System : Andi

Nusa.

(2012).

Research

&

Development. Jakarta: Rajawali Pers. Sarle

W.

Turban, E. dkk, Decision Support

2004.

validation

What

and

are

cross cross-

bootsrapping?.

http://www.faqs/aifaq/neuralnets/part w.faqs/aifaq/neuralnets/part 3/section12.html. [16 Agustus 2008].


Offset, 2005. Zhang, Harry, 2004. ”The Optimality of Naive

Bayes”.

URL:

http://www.cs.unb.ca/profs/hzhang/p ublications/FLAIRS04ZhangH.pdf AIRS04ZhangH.pdf Diakses pada tanggal 18 Juni 2016.


IDENTIFIKASI JAMUR BERACUN PADA JENIS JAMUR FAMILI LEPIOTA BERDASARKAN KLASIFIKASI

Recommend Documents