KLASIFIKASI JAMUR KE DALAM KELAS DAPAT DIKONSUMSI ATAU BERACUN MENGGUNAKAN ALGORITMA VFI 5 (STUDI KASUS : FAMILI AGARICUS DAN LEPIOTA)

KLASIFIKASI JAMUR KE DALAM KELAS DAPAT DIKONSUMSI ATAU BERACUN MENGGUNAKAN ALGORITMA VFI 5 (STUDI KASUS : FAMILI AGARICUS DAN LEPIOTA)

BAYU MAHARDHIKA PUTRA

DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2008

KLASIFIKASI JAMUR KE DALAM KELAS DAPAT DIKONSUMSI ATAU BERACUN MENGGUNAKAN ALGORITMA VFI 5 (STUDI KASUS : FAMILI AGARICUS DAN LEPIOTA)

Skripsi Sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor

Oleh: BAYU MAHARDHIKA PUTRA G64104045

DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR 2008

ABSTRAK BAYU MAHARDHIKA PUTRA. Klasifikasi Jamur ke dalam Kelas Dapat Dikonsumsi atau Beracun Menggunakan Algoritma VFI5 (Studi kasus : famili Agaricus dan Lepiota). Dibimbing oleh AZIZ KUSTIYO dan SHELVIE NIDYA NEYMAN. Jamur merupakan salah satu jenis tumbuhan yang banyak dijumpai di alam, sehingga sejak dahulu jamur banyak dijadikan sebagai bahan konsumsi utama. Salah satu jenis jamur yang banyak dikonsumsi adalah famili Agaricus dan Lepiota. Di alam terbuka jenis jamur famili Agaricus dan Lepiota ada yang bersifat beracun dan dapat dikonsumsi. Untuk membedakan jamur famili Agaricus dan Lepiota yang dapat dikonsumsi dengan jenis yang beracun didasarkan pada bentuk, sifat, dan keadaannya, sangat sukar dilakukan. Penelitian ini bertujuan untuk mengklasifikasikan jamur famili Agaricus dan Lepiota ke dalam kelas dapat dikonsumsi dan beracun menggunakan voting feature intervals (VFI5). Data yang digunakan pada penelitian ini berupa kumpulan data jamur (famili Agaricus dan Lepiota) yang diambil dari UCI repository of machine learning database. Kumpulan data jamur ini terdiri atas gambaran hipotesis dari 23 spesies jamur yang berbeda. Setiap jamur menggambarkan 22 kumpulan bentuk (atribut) yang berbeda. Hal ini memungkinkan untuk mendeskripsikan spesies dari jamur ini berdasarkan 22 fitur yang berbeda. Kumpulan data jamur famili Agaricus dan Lepiota berjumlah 8124 instance, terdiri dari 4028 instance yang digolongkan pada jamur yang dapat dikonsumsi dan 3916 instance yang digolongkan pada jamur yang beracun. Akurasi dari klasifikasi yang dihasilkan oleh algoritma VFI5 cukup tinggi untuk setiap tahap pengujian. Pada pengujian tahap pertama, dihasilkan nilai akurasi tertinggi sebesar 87.70% dengan menggunakan 22 fitur pada data jamur. Pada pengujian tahap kedua dihasilkan nilai akurasi sebesar 94.85% dengan menggunakan 9 fitur yang merupakan ciri khas dari kelas jamur. Kata Kunci : voting feature intervals, mushroom, Agaricus, Lepiota

Judul : Klasifikasi Jamur ke dalam Kelas Dapat Dikonsumsi atau Beracun Menggunakan Algoritma VFI5 (Studi kasus : Famili Agaricus dan Lepiota) Nama : Bayu Mahardhika Putra NRP : G64104045

Menyetujui:

Pembimbing I,

Pembimbing II,

Aziz Kustiyo, S.Si, M.Kom NIP 132206241

Shelvie Nidya Neyman, S.Kom, M.Si NIP 132311916

Mengetahui: Dekan Fakultas Matematika Dan Ilmu Pengetahuan Alam Institut Pertanian Bogor

Dr. drh. Hasim, DEA NIP 131578806

Tanggal Lulus:

RIWAYAT HIDUP Penulis dilahirkan di Padang pada tanggal 19 Februari 1987. Penulis merupakan anak pertama dari dua bersaudara pasangan Yulifri dan Monalisa Yusran. Pada tahun 2004, penulis lulus dari SMU Negeri 3 Padang dan pada tahun yang sama diterima menjadi mahasiswa S1 Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor melalui jalur USMI (Undangan Seleksi Masuk IPB). Pada bulan Februari 2008, penulis melaksanakan Praktik Kerja Lapangan di Divisi IT SMP Insan Kamil Bogor.

PRAKATA Alhamdulillahi robbil alamin, puji dan syukur penulis panjatkan kepada Allah SWT atas segala karunia dan rahmat-Nya sehingga tugas akhir dengan judul Klasifikasi Jamur ke dalam Kelas Dapat Dikonsumsi atau Beracun Menggunakan Algoritma VFI5 (Studi kasus : Famili Agaricus and Lepiota), dapat diselesaikan. Terima kasih penulis ucapkan kepada semua pihak yang telah membantu dalam penelitian ini, antara lain kepada orang tua penulis Ayah dan Bunda atas kasih sayang, dukungan dan doa yang terus mengalir. Bapak Aziz Kustiyo, S.Si, M.Kom selaku pembimbing pertama atas bimbingan dan arahannya selama penelitian dan penyusunan karya tulis ini. Ibu Shelvie Nidya Neyman, S.Kom, M.Si selaku pembimbing kedua atas bimbingan dan motivasi selama penyusunan karya tulis ini. Adikku Puti Sari Mayang atas perhatian dan kasih sayang. Bapak Sony Hartono Wijaya, S.Kom, M.Kom atas kesediaannya menjadi moderator seminar dan dosen penguji. Jeff Schlimmer atas data jamur yang telah digunakan. Penulis juga mengucapkan terima kasih kepada Adhita Ramadhan atas semangat, motivasi, dan bantuannya dalam senang maupun susah. Imam, Hasan, Teny Handayani, M. Rafi, Gananda, Andreas, Henry, Toro, Wawan, Tim futsal ilkom 41, Toenk Auto Club, Pak Pendi, Pak Soleh, dan teman-teman ilkomerz 41 terima kasih atas pertemanan selama kuliah dan bantuannya. Teman satu bimbingan David Aulia Akbar untuk kebersamaan dan bantuan selama bimbingan. Seluruh dosen Ilkom terima kasih atas bimbingan dan ilmu yang telah diberikan selama kuliah, staf Ilkom dan keluarga besar ilkomerz. Kepada semua pihak lainnya yang telah membantu dalam penyelesaian tugas akhir ini yang tidak dapat disebut satu per satu, penulis ucapkan terima kasih. Semoga penelitian ini dapat bermanfaat.

Bogor, November 2008

Bayu Mahardhika Putra

DAFTAR ISI

Halaman DAFTAR TABEL ...................................................................................................................vi DAFTAR GAMBAR...............................................................................................................vi DAFTAR LAMPIRAN ...........................................................................................................vi PENDAHULUAN ....................................................................................................................1 Latar Belakang .................................................................................................................1 Tujuan Penelitian..............................................................................................................1 Ruang Lingkup Penelitian ................................................................................................1 TINJAUAN PUSTAKA ...........................................................................................................1 Jamur ................................................................................................................................1 Klasifikasi Jamur..............................................................................................................1 Agaricales ........................................................................................................................2 Famili Agaricus dan Lepiota ............................................................................................2 sJamur Beracun ................................................................................................................3 Edible vs Poisonous Mushroom .......................................................................................3 Klasifikasi ........................................................................................................................4 Voting Feature Intervals 5 (VFI5) ...................................................................................4 K-Fold Cross Validation ..................................................................................................5 METODE PENELITIAN .........................................................................................................5 Studi Pustaka ....................................................................................................................5 Data. .................................................................................................................................5 Praproses ..........................................................................................................................6 Klasifikasi Algoritma VFI5..............................................................................................6 Pembagian Data Latih dan Data Uji .................................................................................6 Pelatihan...........................................................................................................................6 Pengujian..........................................................................................................................6 Perhitungan Akurasi .........................................................................................................6 Spesifikasi dan Implementasi ...........................................................................................6 HASIL DAN PEMBAHASAN ................................................................................................7 Pembagian Data Latih dan Uji .........................................................................................7 Pengujian Tahap Pertama.................................................................................................7 Iterasi Pertama..........................................................................................................7 Iterasi Kedua ............................................................................................................8 Iterasi Ketiga ............................................................................................................9 Hasil Pelatihan dan Pengujian Tahap Pertama .................................................................9 Pengujian Tahap Kedua .................................................................................................10 Iterasi Pertama................................................................................................................10 Iterasi Kedua ..................................................................................................................11 Iterasi Ketiga .........................................................................................................11 Hasil Pelatihan dan Pengujian Tahap Kedua.................................................................11

_Toc208304507

KESIMPULAN DAN SARAN ..............................................................................................12 Kesimpulan ....................................................................................................................12 Saran...............................................................................................................................12 DAFTAR PUSTAKA.............................................................................................................12 LAMPIRAN ...........................................................................................................................14

DAFTAR TABEL Halaman 1 Spesifikasi data yang digunakan............................................................................................7 2 Hasil pembagian data keseluruhan.........................................................................................7 3 Susunan data pelatihan dan data pengujian............................................................................7 4 Komposisi jumlah instance per kelas pada data pelatihan dan data pengujian ......................7 5 Hasil prediksi iterasi pertama ................................................................................................8 6 Komposisi jumlah instance per kelas pada data pelatihan dan data pengujian ......................8 7 Hasil prediksi iterasi kedua....................................................................................................8 8 Komposisi jumlah instance per kelas pada data pelatihan dan data pengujian ......................9 9 Hasil prediksi iterasi ketiga....................................................................................................9 10 Fitur-fitur dengan point interval 1 pada setiap iterasi..........................................................9 11 Akurasi dari setiap iterasi pengujian tahap pertama ..........................................................10 12 Hasil prediksi dari iterasi pertama .....................................................................................10 13 Hasil prediksi dari iterasi kedua.........................................................................................11 14 Hasil prediksi dari itersi ketiga ..........................................................................................11 15 Akurasi dari setiap iterasi pengujian tahap kedua..............................................................12

DAFTAR GAMBAR 1 Jamur yang dapat dikonsumsi (Agaricus bisporus) ...............................................................1 2 Urutan taksonomi Fungi ........................................................................................................2 3 Cetakan spora Agaricus .........................................................................................................2 4 Makro Fungi ..........................................................................................................................3 5 Amanita sp .............................................................................................................................3 6 Lepiota americana .................................................................................................................3 7 Chlorophyllum molybdites.....................................................................................................3 8 Metode penelitian ..................................................................................................................5

DAFTAR LAMPIRAN Halaman 1 Dua puluh dua fitur famili Agaricus dan Lepiota ..............................................................15 2 Beberapa contoh gambar fitur jamur ...................................................................................16 3 Nama fitur, lambang variabel, dan nama Atribut.................................................................18 4 Interval hasil proses pelatihan iterasi pertama .....................................................................19 5 Kecenderungan fitur-fitur yang menjadi ciri khas jamur setiap iterasi. ...............................21 6 Interval hasil proses pelatihan iterasi kedua ........................................................................22 7 Interval hasil proses pelatihan iterasi ketiga ........................................................................24 8 Interval hasil proses pelatihan tahap kedua iterasi pertama .................................................26 9 Interval hasil proses pelatihan tahap kedua iterasi kedua ....................................................27 10 Interval hasil proses pelatihan tahap kedua iterasi ketiga ..................................................28

PENDAHULUAN Latar Belakang Jamur merupakan salah satu jenis tumbuhan yang banyak dijumpai di alam, sehingga sejak dahulu jamur dijadikan sebagai bahan konsumsi utama. Seiring dengan berkembangnya waktu, telah diketahui bahwa terdapat lebih dari ribuan jamur dengan berbagai jenis. Tidak semua jenis jamur dapat dikonsumsi (edible). Banyak pula jenis jamur yang beracun (poisonous). Salah satu jenis jamur yang banyak dikonsumsi adalah Agaricus bisporus. Agaricus bisporus adalah jamur pangan yang berbentuk hampir bulat seperti kancing berwarna putih bersih, krem atau coklat muda. Agaricus bisporus merupakan jamur yang paling banyak dibudidayakan di dunia. Jamur ini dikenal juga dengan sebutan table mushroom, cultivated mushroom atau button mushroom yang merupakan kelas edible mushroom. Agaricus bisporus dalam kingdom Fungi termasuk ke dalam famili Agaricus dan Lepiota. Famili Agaricus dan Lepiota yang secara liar hidup di alam terbuka dengan bentuk yang beraneka ragam, warna yang bermacammacam serta sifat yang belum banyak diketahui, pada umumnya bersifat racun. Famili Agaricus dan Lepiota yang beracun dapat menyebabkan sakit pada seseorang yang memakannya, dapat menyebabkan kematian. Famili Agaricus dan Lepiota yang hidup di alam liar ada juga yang dapat dikonsumsi, bahkan ada yang dijadikan sebagai obat. Untuk membedakan jamur famili Agaricus dan Lepiota yang dapat dikonsumsi dengan jenis yang beracun berdasarkan pada bentuk, sifat, dan keadaannya, sangat sukar untuk dilakukan. Hal ini dikarenakan adanya bentuk yang hampir sama dari spesies jamur famili Agaricus dan Lepiota yang dapat di konsumsi dengan spesies jamur lain yang beracun. Pada penelitian ini akan digunakan algoritma VFI5 untuk membedakan jamur famili Agaricus dan Lepiota ke dalam kelas dapat dikonsumsi atau beracun. Tujuan Tujuan dari penelitian ini adalah mengklasifikasikan famili Agaricus dan Lepiota menggunakan algoritma VFI 5 ke dalam kelas dapat dikonsumsi atau beracun.

Ruang Lingkup Ruang meliputi :

lingkup

pada

penelitian

ini

1.

Penerapan algoritma VFI5 pada data jamur (famili Agaricus dan Lepiota) yang bersumber dari UCI repository of machine learning database (http://archive.ics.uci.edu/ml/datasets/Mu shroom).

2.

Bobot setiap fitur pada algoritma VFI5 diasumsikan sama, yaitu satu.

TINJAUAN PUSTAKA Jamur Jamur adalah tubuh-buah yang tampak di permukaan media tumbuh dari sekelompok Fungi (Basidiomycota) yang berbentuk seperti payung, terdiri dari bagian yang tegak (batang) dan bagian yang mendatar atau membulat. Secara teknis biologis, tubuh buah ini disebut basidium. Beberapa jamur aman dimakan manusia bahkan beberapa dianggap berkhasiat obat, dan beberapa yang lain beracun (Ulloa 2001). Gambar 1 merupakan jamur yang dapat dikonsumsi.

Gambar 1 Jamur yang dapat dikonsumsi (Agaricus bisporus) (Sumber : www.mykoweb.com) Klasifikasi Jamur Dalam klasifikasi tumbuhan, kingdom Fungi dibagi ke dalam empat filum. Filum dari kingdom Fungi yaitu: Chytridiomycota, Ascomycota, Zygomycota, dan Basidiomycota (Ulloa 2001). Setiap filum dibagi ke dalam kelas, setiap kelas dibagi ke dalam ordo dan setiap ordo dibagi ke dalam famili. Contohya: jamur yang dibudidayakan (Agaricus bisporus), termasuk ke dalam filum Basidiomycota, dimana terdiri dari semua Fungi yang memproduksi spora dalam bentuk struktur mikroskopik yang biasa dikenal basidia.

1

Agaricus bisporus termasuk ke dalam kelas Hymenomycetes, kelompok dari kelas ini juga didasarkan pada karakteristik spora yang mikroskopik dan cara pelepasan spora. Agaricales, merupakan ordo dari Agaricus bisporus (terdiri dari semua jamur yang memiliki insang) dan jamur ini termasuk ke dalam famili Agaricaceae, dimana merupakan spesies Agaricus. Famili lebih lanjut dibagi ke dalam genus (singular, genus), dan genus dibagi ke dalam spesies (Lincoff 1981). Gambar 2 merupakan urutan taksonomi dari Fungi.

ditutupi rumput (grassy area), halaman rumput dan di sepanjang pinggir jalan. Sebagian dari Agaricaceae merupakan jamur yang baik untuk dikonsumsi, sebagian lain adalah jamur yang beracun, dan sebagian kecil jamur yang mematikan. Delapan genus ditemukan pada North America : Agaricus (± 200 spesies), Chlorophyllum (1 spesies), Cystoderma (20 spesies), Dissoderma (1 spesies), Lepiota (± 100 spesies), Melanophyllum ( 1 spesies), Phaeolepiota (1 spesies), dan Squamanita (2 spesies). Ciri-ciri Agaricaceae, yaitu: memiliki sisik pada butiran-butiran kecil di daerah tudung dan insang yang terpisah dari batang. Agaricaceae, semuanya memiliki tudung membran, kebanyakan diantaranya memiliki cincin yang melekat pada batang. Pada genus seperti Lepiota dan Melanophyllum, cincin sering tidak ditemukan (hilang). Cetakan spora kemungkinan berwarna putih, hijau gelap, coklat tua, kemerah-merahan, keungu-unguan, dan coklat. Jamur ini dikelompokan dalam single famili atas dasar sebuah hubungan dari karakteristik bentuk mikroskopik dan bahan kimia, seperti: daging insang yang tidak pernah berlainan (seperti pada Amanita), spora biasanya halus, berdinding tipis, dan di bagian ujung memiliki pori-pori (Lincoff 1981). Gambar 3 merupakan bentuk cetakan spora Agaricus.

Gambar 2 Urutan taksonomi Fungi Agaricales Agaricales terdiri dari Lima belas famili yang ditemukan atas dasar kemiripan bentuk (shape), warna spora (spore print colour), alat insang (gill), bentuk mikroskopik, dan reaksi kimia (Lincoff 1981). Salah satu ordo Agaricales adalah famili Agaricus dan Lepiota (Agaricaceae) yang termasuk ke dalam kingdom Fungi (Mycota), dan berasal dari filum Basidiomycota. Famili Agaricus dan Lepiota ( Agaricaceae) Agaricaceae merupakan famili dari jamur yang umumnya dibudidayakan (Agaricus bisporus) dan biasanya banyak ditemukan pada daerah kota dan daerah pinggiran kota. Walupun demikian Agaricaceae banyak tumbuh di hutan, batang kayu, daerah yang

Gambar 3 Cetakan spora Agaricus (Sumber : www.mushroomexpert.com) Beberapa jenis famili Agaricus dan Lepiota termasuk ke dalam makro Fungi karena memiliki bentuk yang besar, dapat dilihat dengan mata telanjang dan dapat dipegang dengan tangan (Ulloa 2001). Salah satu bentuk makro Fungi disajikan pada Gambar 4.

2

khususnya insang dengan warna kemerah mudaan, kecoklat-coklatan, ungu kecoklatan atau kehitaman. 3.

Menghindari kesalahan yang lebih banyak dalam menentukan/identifikasi spesies jamur.

Hanya sedikit jamur yang dapat menyebabkan sakit parah dan yang lainnya dapat menyebabkan penyakit yang lebih ringan. Jamur beracun dapat juga menyebabkan Hallucinogenic (Fly) dan terkadang menimbulkan reaksi yang tidak dapat diprediksi (Lincoff 1981). Edible vs Poisonous Mushroom

Gambar 4 Makro Fungi (Agaricaceae) (Sumber : www.visualdictionaryonline.com) Jamur Beracun Untuk menentukan jamur ke dalam kelas dapat dikonsumsi atau beracun sangat sukar dilakukan. Salah satu cara untuk menentukannya adalah dengan mengetahui dengan tepat spesies dari jamur tersebut. Pengalaman sangat menentukan dalam mengenali karakteristik perbedaan jamur yang dapat dikonsumsi dengan spesies beracun. Berikut ini adalah beberapa aturan dari petunjuk yang dapat membantu untuk mengindari jamur beracun: 1.

Untuk menentukan jamur ke dalam kelas dapat dikonsumsi atau beracun sangat sukar dilakukan. Salah satu cara untuk menentukanya adalah dengan mengetahui secara tepat spesies dari jamur tersebut (Lincoff 1981), namun menentukan spesies jamur dapat dikonsumsi bukanlah hal yang mudah. Contohnya, Lepiota americana merupakan spesies dari jamur yang dapat dikonsumsi. Bahkan jamur spesies ini sangat bagus untuk dikonsumsi. Akan tetapi dalam identifikasi bentuk insang dan warna spora harus berhati-hati untuk menentukan spesies jamur ini, karena bisa saja merupakan spesies dari jamur beracun (Chlorophyllum molybdites). Lepiota americana disajikan pada Gambar 6 dan Chlorophyllum molybdites disajikan pada Gambar 7.

Jamur yang tidak boleh dimakan yaitu, spesies Amanita dan khususnya yang harus diperhatikan dalam mengidentifikasi jamur yang menyerupai spesies Amanita atau berbagai jamur putih lainnya. Amanita sp. disajikan pada Gambar 5. Gambar 6 Lepiota americana (Sumber : Lincoff 1981)

Gambar 5 Amanita sp. (Sumber : www.mykoweb.com) 2.

Menghindari jamur yang berwarna coklat dan jamur yang berwarna coklat muda,

Gambar 7 Chlorophyllum molybdites (Sumber : Lincoff 1981)

3

Klasifikasi Klasifikasi adalah proses menemukan sebuah himpunan model (fungsi) yang menggambarkan dan membedakan kelas-kelas data atau berbagai konsep. Tujuanya adalah untuk meramalkan kelas dari objek-objek yang label kelasnya belum diketahui (Han & Kamber 2001). Proses menemukan sebuah model dilakukan pada sebuah himpunan data training (data pelatihan). Untuk proses klasifikasi atau prediksi pada data testing (data pengujian) dilakukan berdasarkan model yang diturunkan data pelatihan tersebut. Voting Feature Intervals 5 (VFI5) Voting Feature Intervals 5 merupakan algoritma klasifikasi yang dikembangkan oleh Demiröz dan Güvenir (Demiröz 1997). Semua instance pelatihan diproses bersamaan. Algoritma VFI5 terdiri atas dua tahap, yaitu tahap pelatihan dan klasifikasi. 1

Pelatihan

Pada tahap pelatihan, awalnya ditentukan nilai end point suatu feature f pada kelas data c. End point untuk feature linier adalah feature yang nilainya memiliki urutan dan bisa dibandingkan tingkatannya yaitu berupa nilai minimum dan nilai maksimum setiap kelas c. End point untuk feature nominal adalah feature yang nilainya tidak memiliki urutan dan tidak bisa dibandingkan tingkatannya yaitu semua nilai yang berbeda yang ada pada feature kelas yang sedang diamati. Selanjutnya end points tersebut diurutkan menjadi interval untuk feature f. Terdapat dua jenis interval, yaitu point interval dan range interval. Point interval dibentuk dari setiap nilai yang berbeda dari end points. Range interval dibentuk dari dua nilai end points yang berdekatan tetapi tidak termasuk end points tersebut (Güvenir 1997). Tahap selanjutnya ialah menghitung jumlah instance pelatihan setiap kelas c dengan feature f yang nilainya jatuh pada interval i, direpresentasikan sebagai interval_class_count [f,i,c]. Untuk setiap instance pelatihan, dicari interval i di mana nilai feature f dari instance pelatihan e (ef) tersebut jatuh. Jika interval i merupakan point interval dan nilai ef sama dengan nilai pada batas bawah atau batas atas maka jumlah kelas instance tersebut (ef) pada interval i ditambah 1. Jika interval i merupakan range interval dan nilai ef jatuh pada interval tersebut, maka

jumlah kelas instance ef pada interval i ditambah 1. Hasil dari proses tersebut merupakan jumlah vote kelas c pada interval i. Jumlah vote kelas c untuk feature f pada interval i dibagi dengan jumlah instance pada kelas c (class_count[c]) untuk menghilangkan perbedaan distribusi setiap kelas. Hasil normalisasi direpresentasikan dalam interval_class_vote [f,i,c]. Nilai-nilai pada interval_class_vote [f,i,c] dinormalisasi sehingga jumlah vote dari beberapa kelas pada setiap feature sama dengan 1. Normalisasi ini bertujuan agar setiap fitur memiliki kekuatan voting yang sama pada proses klasifikasi yang tidak dipengaruhi ukuranya. Berikut ini adalah pseudocode tahap pelatihan dari algoritma VFI5. train (TrainingSet); begin for each feature f if f is linear for each class c EndPoints[f] = EndPoints[f]U find_end_points(TrainingSet,f, c); sort (EndPoints[f]); for each end point p in EndPoints[f] form a point interval from end point p form a range interval between p and the next endpoint p else /*if f is nominal*/ form a point interval for each value of f for each interval i on feature f for each class c interval_class_count[f,i,c]=0; count_instances(f,TrainingSet); for each interval i on feature f for each class c normalize interval_class_vote[f,i,c]; /* such that c

interval_class_vote[f,i,c] = 1 */

end

2

Klasifikasi

Pada tahap awal klasifikasi dilakukan proses inisialisasi awal nilai vote masingmasing kelas dengan nilai 0. Untuk setiap feature f dicari nilai interval i di mana ef jatuh, ef adalah nilai feature f dari instance tes e. Jika ef tidak diketahui, maka feature tersebut tidak disertakan dalam voting (memberi nilai vote 0 untuk masing-masing kelas). Feature yang nilainya tidak diketahui diabaikan.

4

Jika ef diketahui maka interval tersebut ditemukan. Interval tersebut dapat menyimpan instances pelatihan dari beberapa kelas. Kelaskelas dalam sebuah interval direpresentasikan oleh vote kelas-kelas tersebut pada interval itu. Untuk setiap kelas c, feature f memberikan vote yang sama dengan interval_class_vote[f,i,c]. Notasi tersebut merepresentasikan vote feature f yang diberikan untuk kelas c.

METODE PENELITIAN Metode penelitian disajikan pada Gambar 8.

yang

digunakan

Setiap feature f mengumpulkan nilai vote kemudian dijumlahkan untuk memperoleh total vote. Kelas c yang memiliki nilai vote tertinggi diprediksi sebagai kelas dari instance tes e. Pseudocode untuk tahap klasifikasi dapat dilihat di bawah ini (Güvenir et al. 1998). classify (e) begin for each class c vote[c] = 0 for each feature f for each class c feature_vote[f,c] = 0; /*vote of feature f for class c*/ if ef value is known i = find_interval(f,ef) feature_vote[f,c] = interval_class_vote [f,i,c] for each class c vote[c] = vote[c] + feature_vote[f,c]*weight[f]; return class c with highes vote[c]; end

K-Fold Cross Validation K-fold cross validation merupakan metode untuk memperkirakan generalisasi galat berdasarkan ”resampling” (Weiss & kulikowski 1991 diacu dalam Sarle 2004). Hasil diperkirakan dari generalisasi galat biasanya digunakan untuk pemilahan diantara model yang bervariasi. Dalam k-fold cross validation, data dibagi secara acak menjadi k himpunan bagian yang ukurannya hampir sama satu sama lain. Himpunan bagian yang dihasilkan yaitu S1, S2, S3,....., S`k digunakan sebagai pelatihan dan pengujian yang masingmasing diulang sebanyak k kali. Pada iterasi ke-i, himpunan bagian Si digunakan sebagai data pengujian dan himpunan bagian yang lainnya digunakan sebagai data pelatihan, dan seterusnya. Dalam klasifikasi dengan algoritma VFI5 disarankan menggunakan Kfold cross validation dengan nilai k lebih besar dari 2, dan akan lebih baik lagi menggunakan nilai k sebesar mungkin karena semakin besar nilai k maka akurasi yang di dapatkan akan cenderung tetap atau meningkat (Ramdan 2007).

Gambar 8 Metode penelitian Studi Pustaka Pada tahap ini dilakukan studi pustaka yang berhubungan dengan penelitian yang akan dilakukan. Dalam hal ini, studi pustaka meliputi jamur dapat dikonsumsi atau beracun pada famili Agaricus dan Lepiota dan penerapan algoritma VFI 5. Data Data yang digunakan pada penelitian ini berupa kumpulan data jamur (famili Agaricus dan Lepiota) yang diambil dari UCI repository of machine learning database (http://archive.ics.uci.edu/ml/datasets/Mushro om). Kumpulan data jamur ini terdiri atas gambaran hipotesis dari 23 spesies jamur yang berbeda dalam famili Agaricus dan Lepiota. Setiap jamur menggambarkan 22 kumpulan bentuk (atribut) yang berbeda. Bentuk yang beraneka ragam dari famili Agaricus dan Lepiota memungkinkan untuk mendeskripsikan sepesies dari jamur ini

5

berdasarkan 22 fitur yang berbeda. Kumpulan data jamur famili Agaricus dan Lepiota berjumlah 8124 instances yang berbeda. Jumlah data ini terdiri dari 4028 yang digolongkan pada jamur yang dapat dikonsumsi, 3916 digolongkan pada jamur yang beracun. Dua puluh dua fitur jamur famili Agaricus dan Lepiota disajikan pada Lampiran 1. Beberapa contoh gambar fitur jamur disajikan pada Lampiran 2. Praproses Pada tahap ini data yang sudah didapat diubah menjadi data numerik untuk masingmasing atribut. Hal ini digunakan untuk mempermudah dalam memasukan (input) data pada pembuatan program. Klasifikasi Algoritma VFI 5 Tahapan klasifikasi Voting Feature Intervals 5 terdiri dari dua proses yaitu pelatihan dan klasifikasi. Data yang digunakan pada tahapan ini juga dibagi menjadi dua bagian yaitu data pelatihan dan data pengujian. Pembagian Data Latih dan Data Uji Penelitian ini menggunakan metode 3fold cross validation. Oleh karena itu, data yang digunakan dibagi menjadi tiga subset secara acak yang masing-masing subset memiliki jumlah instance dan perbandingan jumlah kelas yang hampir sama. Pembagian data ini digunakan pada proses iterasi klasifikasi. Iterasi dilakukan sebanyak tiga kali. Setiap iterasi, satu subset digunakan untuk pengujian sedangkan subset-subset lainya digunakan untuk pelatihan. Pelatihan Subset data pelatihan digunakan sebagai input bagi algoritma Voting Feature Intervals 5 pada tahapan pelatihan. Langkah pertama yang dilakukan pada tahapan pelatihan yaitu membuat interval dari masing-masing fitur berdasarkan nilai end point masing-masing fitur untuk setiap kelasnya. Setelah end point masing-masing fitur terbentuk maka dimulailah proses voting pada algoritma. Voting yang dilakukan yaitu menghitung jumlah data untuk setiap kelas pada interval tertentu. Masing-masing kelas pada rentang interval tertentu memiliki nilai vote yang berbeda-beda. Nilai vote tersebut akan dinormalisasi untuk mendapatkan nilai vote akhir pada masing-masing fitur.

Pengujian Pada tahapan pengujian atau klasifikasi setiap nilai fitur dari data pengujian akan diperiksa letaknya pada interval. Nilai vote setiap kelas untuk setiap fitur pada interval yang bersesuaian diambil nilainya dan kemudian dijumlahkan. Kelas dengan nilai vote tertinggi menjadi kelas prediksi dari data pengujian tersebut. Tahapan pengujian menggunakan data uji yang telah ditentukan sebelumnya dalam proses iterasi. Data uji yang digunakan disesuaikan dengan subset data pelatihan yang digunakan. Perhitungan Akurasi Pada penelitian ini ingin diketahui akurasi yang dicapai algoritma VFI5. Tingkat akurasi dihitung dengan cara : Tingkat akurasi =

Data uji benar diklasifik asi X 100% Total data uji

Tingkat akurasi menunjukan tingkat kebenaran pengklasifikasian data terhadap kelas sebenarnya. Semakin rendah nilai akurasi maka semakin tinggi kesalahan klasifikasi. Tingkat akurasi yang baik adalah tingkat akurasi yang mendekati nilai 100%. Spesifikasi Implementasi Aplikasi yang digunakan pada penelitian ini dibangun dengan menggunakan perangkat keras dan perangkat lunak dengan spesifikasi sebagai berikut: Perangkat keras berupa computer mobile: 1.

Processor Intel Pentium M 1,73 GHz

2.

RAM kapasitas 512 MB

3.

Harddisk kapasitas 40 GB

4.

Monitor pada resolusi 1024×768 pixels

5.

Keyboard dan Mouse

Perangkat lunak: 1.

Sistem Operasi : Microsoft Windows XP Home Edition

2.

XAMPP 1.4.16 yang terdiri dari Web Server Apache 2.0 dan sistem manajemen basis data MySQL dengan alat bantu pengolahan data menggunakan PHPMyAdmin

3.

Bahasa Pemrograman: PHP 5.0

4.

Browser: Mozilla Firefox 3.0

6

HASIL DAN PEMBAHASAN Data yang digunakan dalam penelitian ini adalah data famili Agaricus dan Lepiota. Data ini merupakan kumpulan data jamur yang berjumlah 8124 instance. Semua instance yang memiliki nilai atribut yang tidak lengkap tetap digunakan karena algoritma VFI5 memiliki mekanisme voting yang mampu menangani nilai atribut yang tidak diketahui. Dengan demikian, tidak ada pengurangan jumlah instance dari data awal dan instanceinstance tersebut digunakan sebagai data pelatihan maupun data pengujian. Pada data jamur famili Agaricus dan Lepiota terdapat 22 fitur. Setiap fitur yang dimiliki oleh data jamur masing-masing memiliki atribut yang berbeda. Seluruh fitur yang terdapat pada data ini merupakan fitur nominal. Spesifikasi data yang digunakan pada penelitian ini disajikan pada Tabel 1. Tabel 1 Spesifikasi data yang digunakan Nama data Jumlah Jumlah Jumlah instance fitur kelas Famili Agaricus 8124 22 2 Lepiota Dua puluh dua fitur yang terdapat pada data ini masing-masing dilambangkan secara berturut-turut dengan variabel F1,F2,..,F22. Dalam implementasi seluruh nilai atribut yang digunakan dikonversi terlebih dahulu ke bentuk bilangan numerik. Nama fitur, lambang variabel, dan nama atribut tersebut dapat dilihat pada Lampiran 3. Pembagian Data Latih dan Data Uji Data keseluruhan yang berjumlah 8124 instance tersebut terlebih dahulu dibagi secara acak menjadi 3 himpunan bagian yang ukurannya hampir sama satu sama lain. Pembagian data keseluruhan secara acak menghasilkan himpunan bagian yang disebut sebagai himpunan bagian S1, himpunan bagian S2, dan himpunan bagian S3. Hasil pembagian data keseluruhan disajikan pada Tabel 2. Tabel 2 Hasil pembagian data keseluruhan Himpunan Dapat Beracun bagian dikonsumsi (instance) (instance) S1 1400 1300 S2 1400 1300 S3 1408 1316 Total 4208 3916

Dengan metode 3-fold cross validation, maka akan dilakukan tiga kali iterasi dengan menggunakan dua himpunan bagian sebagai data latih dan satu himpunan bagian sebagai data uji. Susunan data yang digunakan sebagai data pelatihan dan data pengujian pada setiap iterasi disajikan pada Tabel 3. Tabel 3

Susunan data pelatihan dan data pengujian Iterasi Pelatihan Pengujian Iterasi pertama S1 & S2 S3 Iterasi kedua S2 & S3 S1 Iterasi ketiga S1 & S3 S2

Penelitian ini akan dilakukan dalam dua tahap pengujian. Tahap pertama adalah penelitian dengan menggunakan semua fitur yang ada dalam proses pelatihan dan proses pengujian. Tahap kedua adalah menggunakan fitur yang merupakan ciri khas dari kelas jamur dapat dikonsumsi atau kelas beracun berdasarkan pengujian tahap pertama. Data pelatihan dan data pengujian pada setiap iterasi akan digunakan dalam dua tahap pengujian. Pengujian Tahap Pertama Pada pengujian tahap pertama akan dilakukan pengujian dengan menggunakan 22 fitur yang ada pada data jamur famili Agaricus dan Lepiota. Iterasi Pertama Pada iterasi pertama, himpunan bagian S1 dan himpunan bagian S2 digunakan sebagai data pelatihan sedangkan himpunan bagian S3 digunakan sebagai data pengujian. Komposisi jumlah instance per kelas pada data pelatihan dan data pengujian pada iterasi ini disajikan pada Tabel 4. Tabel 4 Komposisi jumlah instance per kelas pada data pelatihan dan data pengujian Kelas Pelatihan Pengujian (instances) (instances) Dapat 2800 1408 dikonsumsi Beracun 2600 1316 Total 5400 2724 Proses pelatihan pada iterasi ini menghasilkan interval-interval fitur. Setiap interval suatu fitur tertentu memilki nilai-nilai vote yang didistribusikan fitur tersebut untuk kelas dapat dikonsumsi dan kelas beracun.

7

Interval tersebut beserta nilai vote setiap kelasnya disajikan pada Lampiran 4. Untuk fitur F1 sampai dengan fitur F22, dapat dilihat nilai distribusi fitur-fitur tersebut pada suatu interval yang dihasilkan oleh proses pelatihan yang mencerminkan kecenderungan fitur-fitur tersebut untuk menjadi ciri khas kelas dapat dikonsumsi atau kelas beracun. Pada iterasi ini terdapat kecenderungan fitur yang menjadi ciri khas kelas dapat dikonsumsi saja atau kelas beracun saja. Fitur-fitur tersebut disajikan pada Lampiran 5. Pengujian yang dilakukan pada iterasi ini sebagai klasifikasi pada data pengujian S3 menghasilkan akurasi sebesar 82.97 %. Terdapat 464 instance pada data pengujian S3 yang kelas prediksinya tidak sesuai dengan kelas sebenarnya pada data famili Agaricus dan Lepiota. Instance tersebut diprediksi oleh algoritma VFI5 termasuk ke dalam kelas beracun, sedangkan pada data famili Agaricus dan Lepiota kelas sebenarnya pada instance tersebut adalah kelas dapat dikonsumsi. Hasil prediksi dari iterasi ini disajikan pada Tabel 5. Tabel 5 Hasil prediksi dari iterasi pertama. Kelas Kelas Kelas Salah awal prediksi prediksi Dapat 1408 944 464 dikonsumsi Beracun 1316 1316 0 Kesalahan dalam proses klasifikasi terjadi karena pada proses pelatihan dalam iterasi ini kecenderungan memberikan nilai vote yang lebih besar pada kelas beracun, sehingga total vote pada kelas beracun memiliki total nilai vote yang lebih besar dibandingkan dengan kelas dapat dikonsumsi. Rataan normalisasi (peluang) dari instance pengujian yang salah prediksi pada kelas dapat dikonsumsi sebesar 0.47 sedangkan pada kelas beracun sebesar 0.53. Instance pengujian yang salah prediksi memiliki nilai peluang mendekati 0.5 untuk setiap kelasnya. Ini berarti instance pengujian tersebut mempunyai peluang yang hampir sama untuk masing-masing kelasnya. Iterasi Kedua Pada iterasi kedua, himpunan bagian S2 dan himpunan bagian S3 digunakan sebagai data pelatihan sedangkan himpunan bagian S1 digunakan sebagai data pengujian. Komposisi jumlah instance per kelas pada data pelatihan dan data pengujian pada iterasi ini disajikan pada Tabel 6.

Tabel 6 Komposisi jumlah instance per kelas pada data pelatihan dan data pengujian Kelas Pelatihan Pengujian (instance) (instance) Dapat 2808 1400 dikonsumsi Beracun 2616 1300 Total 5424 2700 Proses pelatihan pada iterasi ini menghasilkan interval-interval fitur. Seperti pada iterasi pertama, setiap interval suatu fitur tertentu memilki nilai-nilai vote yang didistribusikan fitur tersebut untuk kelas dapat dikonsumsi dan kelas beracun. Interval tersebut beserta nilai vote setiap kelasnya disajikan pada Lampiran 6. Seperti pada iterasi pertama untuk fitur F1 sampai dengan fitur F22, dapat dilihat nilai distribusi fitur-fitur tersebut pada suatu interval yang dihasilkan oleh proses pelatihan yang mencerminkan kecenderungan fitur-fitur tersebut untuk menjadi ciri khas kelas dapat dikonsumsi atau kelas beracun. Pada iterasi ini terdapat kecenderungan fitur yang menjadi ciri khas kelas dapat dikonsumsi saja atau kelas beracun saja. Fitur-fitur tersebut disajikan pada Lampiran 5. Pengujian yang dilakukan pada iterasi ini sebagai klasifikasi pada data pengujian S1 menghasilkan akurasi sebesar 82.93 %. Terdapat 461 instance pada data pengujian S1 yang kelas prediksinya tidak sesuai dengan kelas sebenarnya pada data famili Agaricus dan Lepiota. Instance tesebut diprediksi oleh algoritma VFI5 termasuk ke dalam kelas dapat dikonsumsi, sedangkan pada data famili Agaricus dan Lepiota kelas sebenarnya pada instance tersebut adalah kelas beracun. Hasil prediksi dari iterasi ini disajikan pada Tabel 7. Tabel 7 Hasil prediksi dari iterasi kedua. Kelas Kelas Kelas Salah awal prediksi prediksi Dapat 1400 1400 0 dikonsumsi Beracun 1300 839 461 Kesalahan dalam proses klasifikasi terjadi karena pada proses pelatihan dalam iterasi ini kecenderungan memberikan nilai vote yang lebih besar pada kelas dapat dikonsumsi, sehingga total vote pada kelas dapat dikonsumsi memiliki total nilai vote yang lebih besar dibandingkan dengan kelas beracun. Rataan normalisasi (peluang) dari

8

instance pengujian yang salah prediksi pada kelas dapat dikonsumsi sebesar 0.57 sedangkan pada kelas beracun sebesar 0.43. Iterasi Ketiga Pada iterasi ketiga, himpunan bagian S1 dan himpunan bagian S3 digunakan sebagai data pelatihan sedangkan himpunan bagian S2 digunakan sebagai data pengujian. Komposisi jumlah instance per kelas pada data pelatihan dan data pengujian pada iterasi ini disajikan pada Tabel 8. Tabel 8

Komposisi jumlah instance per kelas pada data pelatihan dan data pengujian Kelas Pelatihan Pengujian (instance) (instances) Dapat 2808 1400 dikonsumsi Beracun 2616 1300 Total 5424 2700

Proses pelatihan pada iterasi ini menghasilkan interval-interval fitur. Seperti pada iterasi pertama dan iterasi kedua, setiap interval suatu fitur tertentu memilki nilai-nilai vote yang didistribusikan fitur tersebut untuk kelas dapat dikonsumsi dan kelas beracun. Interval tersebut beserta nilai vote setiap kelasnya disajikan pada Lampiran 7. Seperti pada iterasi pertama dan kedua, untuk fitur F1 sampai dengan fitur F22, dapat dilihat nilai distribusi fitur-fitur tersebut pada suatu interval yang dihasilkan oleh proses pelatihan yang mencerminkan kecenderungan fitur-fitur tersebut untuk menjadi ciri khas kelas dapat dikonsumsi atau kelas beracun. Pada iterasi ini terdapat kecenderungan fitur yang menjadi ciri khas kelas dapat dikonsumsi saja atau kelas beracun saja. Fitur-fitur tersebut disajikan pada Lampiran 5. Pengujian yang dilakukan pada iterasi ini sebagai klasifikasi pada data pengujian S2 menghasilkan akurasi sebesar 87.70 %. Terdapat 332 instance pada data pengujian S2 yang kelas prediksinya tidak sesuai dengan kelas sebenarnya pada data famili Agaricus dan Lepiota. Keseluruhan instance tesebut diprediksi oleh algoritma VFI5 termasuk ke dalam kelas dapat dikonsumsi, sedangkan pada data famili Agaricus dan Lepiota kelas sebenarnya pada instance tersebut adalah kelas beracun. Hasil prediksi dari iterasi ini disajikan pada Tabel 9.

Tabel 9 Hasil prediksi dari iterasi ketiga. Kelas Kelas Kelas Salah awal prediksi prediksi Dapat 1400 1400 0 dikonsumsi Beracun 1300 968 332 Seperti pada iterasi kedua kesalahan dalam proses klasifikasi terjadi karena pada proses pelatihan dalam iterasi ini kecenderungan memberikan nilai vote yang lebih tinggi pada kelas dapat dikonsumsi, sehingga total vote pada kelas dapat dikonsumsi memiliki total nilai vote yang lebih besar dibandingkan dengan kelas beracun. Rataan normalisasi (peluang) dari instance pengujian yang salah prediksi pada kelas dapat dikonsumsi sebesar 0.56 sedangkan pada kelas beracun sebesar 0.44. Hasil Pelatihan dan Hasil Pengujian Tahap Pertama Proses pelatihan yang dilakukan pada setiap iterasi menghasilkan interval-interval fitur. Interval-interval untuk setiap fiturnya mempunyai nilai vote untuk kelas dapat dikonsumsi dan kelas beracun. Untuk setiap fitur yang merupakan ciri khas dari setiap kelas, terdapat interval dengan nilai vote 1 dimana nilai vote pada interval ini mencerminkan kecenderungan fitur tersebut untuk menjadi ciri khas dari kelas yang ada. Pada setiap iterasi terdapat fitur-fitur yang konsisten menjadi ciri khas kelas dapat dikonsumsi saja atau kelas beracun saja. Fitur-fitur tersebut disajikan pada Tabel 10. Tabel 10 Fitur-fitur dengan point interval 1 pada setiap iterasi Fitur

Nama Fitur

F1

Cap-shape

nilai vote 1 Dapat Beracun dikonsumsi Conical Almond

Creosote

Anise

Fishy

F5

Odor

F9

Gill-color

F11

Stalk-root

Rooted

F14

Stalk-colorabove-ring

Gray

Foul Spicy Buff Buff

9

Tabel 10 Lanjutan nilai vote 1 Dapat Beracun dikonsumsi Gray Buff White

Fitur

Nama Fitur

F15

Stalk-colorbellow-ring

F19

Ring-type

Large

F20

Spore-printcolor

Green

F21

Population

Abundant Numerous

Selain karena total nilai vote yang lebih besar dibandingkan nilai vote kelas prediksi, beberapa kesalahan klasifikasi pada setiap iterasi terjadi karena adanya kesamaan bentuk setiap instance pengujian terhadap setiap kelas. Hal ini dapat dilihat dari peluang untuk masing-masing kelas prediksi yang mendekati nilai 0.5 (hampir sama setiap kelas). Sehingga mempengaruhi tingkat akurasi yang diperoleh pada setiap iterasi. Proses pengujian pada setiap iterasi menghasilkan akurasi. Akurasi dari setiap iterasi pada proses pengujian tahap pertama disajikan pada Tabel 11. Tabel 11 Akurasi dari setiap iterasi pengujian tahap pertama Iterasi Akurasi Pertama 82.97% Kedua 82.93% Ketiga 87.70% Rata-rata 84.53% Standar deviasi 2.74 % Dengan menggunakan 22 fitur yang ada pada data jamur famili Agaricus dan Lepiota algoritma VFI 5 memberikan rata-rata akurasi sebesar 84.53 % dan standar deviasi sebesar 2.74%. Hal ini menunjukan algoritma VFI 5 cukup mampu melakukan klasifikasi dengan baik. Pengujian Tahap Kedua Pada pengujian tahap ini akan dilakukan pengujian terhadap fitur yang konsisten menjadi ciri khas kelas dapat dikonsumsi saja atau kelas beracun saja berdasarkan pengujian tahap pertama. Terdapat 9 fitur yang akan digunakan dalam proses pelatihan dan pengujian yang diperoleh dari pengujian tahap pertama. Fitur-fitur yang disertakan pada tahapan ini adalah fitur dengan lambang variabel: F1, F5, F9, F11, F14, F15, F19, F20, F21.

Pembagian data yang digunakan pada pengujian tahap kedua sama persis seperti pada pembagian data tahap pertama. Susunan data yang digunakan sebagai data pelatihan dan data pengujian pada tahap kedua menggunakan susunan data yang sama seperti pada pengujian tahap pertama. Hal ini dilakukan agar dapat terlihat pengaruh dari penggunaan fitur yang konsisten menjadi ciri khas kelas dapat dikonsumsi saja atau kelas beracun saja pada akurasi yang dihasilkan. Iterasi Pertama Proses pelatihan dan pengujian iterasi pertama pada pengujian tahap kedua menggunakan data latih dan data uji seperti pada pengujian tahap pertama pada iterasi pertama. Seperti pada iterasi pertama di pengujian tahap pertama, proses pelatihan menghasilkan interval fitur yang memilki nilai-nilai vote untuk kelas dapat dikonsumsi dan kelas beracun. Interval tersebut beserta nilai vote setiap kelasnya disajikan pada Lampiran 8. Pengujian yang dilakukan pada iterasi ini sebagai klasifikasi pada data pengujian S3 menghasilkan akurasi sebesar 90.53 %. Terdapat 258 instance pada data pengujian S3 yang kelas prediksinya tidak sesuai dengan kelas sebenarnya pada data famili Agaricus dan Lepiota. Hasil prediksi dari iterasi ini disajikan pada Tabel 12. Tabel 12 Hasil prediksi dari iterasi pertama. Kelas Kelas Kelas Salah awal prediksi prediksi Dapat 1408 1151 257 dikonsumsi Beracun 1316 1315 1 Sama seperti pada pengujian tahap pertama iterasi pertama, kesalahan dalam proses klasifikasi terjadi karena pada proses pelatihan dalam iterasi ini kecenderungan memberikan nilai vote yang lebih besar pada kelas beracun, sehingga total vote pada kelas beracun memiliki total nilai vote yang lebih besar dibandingkan dengan kelas dapat dikonsumsi. Dari 257 instance yang salah prediksi pada kelas dapat dikonsumsi, rataan normalisasi (peluang) dari instance pengujian yang salah prediksi memberikan peluang nilai vote sebesar 0.46 untuk kelas dapat dikonsumsi dan 0.54 untuk kelas beracun. Pada kelas beracun terdapat satu instance yang salah prediksi. Instance tersebut memberikan peluang nilai vote sebesar 0.48

10

untuk kelas dapat dikonsumsi dan 0.52 untuk kelas beracun. Instance pengujian yang salah prediksi tersebut memiliki nilai peluang mendekati 0.5 untuk setiap kelasnya. Ini berarti instance pengujian tersebut mempunyai peluang yang hampir sama untuk masing-masing kelasnya.

pada pengujian tahap pertama pada iterasi ketiga. Seperti pada iterasi ketiga di pengujian tahap pertama, proses pelatihan menghasilkan interval fitur yang memilki nilai-nilai vote untuk kelas dapat dikonsumsi dan kelas beracun. Interval tersebut beserta nilai vote setiap kelasnya disajikan pada Lampiran 10.

Iterasi Kedua

Proses pelatihan iterasi ketiga pada pengujian tahap kedua menggunakan data pelatihan seperti pada pengujian tahap pertama pada iterasi ketiga. Pengujian yang dilakukan pada iterasi ini sebagai klasifikasi pada data pengujian S2 menghasilkan akurasi sebesar 94.85 %. Terdapat 139 instance pada data pengujian S2 yang kelas prediksinya tidak sesuai dengan kelas sebenarnya pada data jamur famili Agaricus dan Lepiota. Hasil prediksi dari iterasi ini disajikan pada Tabel 14.

Proses pelatihan dan pengujian iterasi kedua pada pengujian tahap kedua menggunakan data latih dan data uji seperti pada pengujian tahap pertama pada iterasi kedua. Seperti pada iterasi kedua di pengujian tahap pertama, proses pelatihan menghasilkan interval fitur yang memilki nilai-nilai vote untuk kelas dapat dikonsumsi dan kelas beracun. Interval tersebut beserta nilai vote setiap kelasnya disajikan pada Lampiran 9. Pengujian yang dilakukan pada iterasi ini sebagai klasifikasi pada data pengujian S1 menghasilkan akurasi sebesar 83.19 %. Terdapat 454 instance pada data pengujian S1 yang kelas prediksinya tidak sesuai dengan kelas sebenarnya pada data famili Agaricus dan Lepiota. Hasil prediksi dari iterasi ini disajikan pada Tabel 13. Tabel 13 Hasil prediksi dari iterasi kedua. Kelas Kelas Kelas Salah awal prediksi prediksi Dapat 1400 1400 0 dikonsumsi Beracun 1300 846 454 Seperti pada iterasi kedua di pengujian tahap pertama, kesalahan dalam proses klasifikasi terjadi karena pada proses pelatihan dalam iterasi ini kecenderungan memberikan nilai vote yang lebih besar pada kelas dapat dikonsumsi, sehingga total vote pada kelas dapat dikonsumsi memiliki total nilai vote yang lebih besar dibandingkan dengan kelas beracun. Rataan normalisasi (peluang) dari instance pengujian yang salah prediksi pada kelas dapat dikonsumsi sebesar 0.67 sedangkan pada kelas beracun sebesar 0.33. Rasio peluang dari setiap kelas pada iterasi ini cukup besar. Hal ini disebabkan karena pada proses pengujian beberapa fitur kelas beracun memberikan nilai vote 0, sehingga total vote kelas beracun lebih kecil dari kelas dapat dikonsumsi. Iterasi Ketiga Proses pelatihan dan pengujian iterasi ketiga pada pengujian tahap kedua menggunakan data latih dan data uji seperti

Tabel 14 Hasil prediksi dari iterasi ketiga. Kelas Kelas Kelas Salah awal prediksi prediksi Dapat 1400 1400 0 dikonsumsi Beracun 1300 1161 139 Seperti pada iterasi kedua, kesalahan dalam proses klasifikasi terjadi karena pada proses pelatihan dalam iterasi ini kecenderungan memberikan nilai vote yang lebih besar pada kelas dapat dikonsumsi, sehingga total vote pada kelas dapat dikonsumsi memiliki total nilai vote yang lebih besar dibandingkan dengan kelas beracun. Rataan peluang dari instance pengujian yang salah prediksi pada kelas dapat dikonsumsi sebesar 0.56 dan kelas beracun sebesar 0.44. Hasil Pengujian Tahap Kedua Seperti pada pengujian tahap pertama proses pelatihan menghasilkan interval fitur yang memilki nilai-nilai vote untuk kelas dapat dikonsumsi dan kelas beracun. Nilai vote dan interval yang dihasilkan pada pengujian tahap ini sama dengan nilai vote dan interval pengujian tahap pertama. Hal ini terjadi karena susunan anggota setiap himpunan bagian pada pengujian tahap kedua ini sama dengan pengujian tahap pertama. Pada setiap iterasi dalam pengujian tahap kedua terjadi peningkatan akurasi. Sehingga rata-rata akurasi pada pengujian ini mengalami peningkatan. Akurasi tertinggi yaitu sebesar 94.85 % terdapat pada iterasi ketiga. Hal ini menunjukan bahwa

11

menggunakan fitur yang merupakan ciri khas dari jamur dapat dikonsumsi atau beracun dapat meningkatkan akurasi dari klasifikasi pada algoritma VFI5.

rata akurasi yang dihasilkan pada pengujian tahap pertama oleh algoritma VFI5 adalah sebesar 84.53% dan standar deviasi sebesar 2.74%.

Kesalahan klasifikasi pada setiap iterasi terjadi karena total nilai vote yang lebih kecil pada kelas sebenarnya. Akurasi yang didapatkan pada setiap iterasi dalam pengujian tahap kedua ini disajikan pada Tabel 15.

Perbandingan hasil akurasi pada pengujian tahap kedua jauh lebih baik daripada pengujian tahap pertama. Pada pengujian tahap kedua akurasi yang diperoleh cenderung meningkat pada setiap iterasi. Hal ini menunjukan bahwa pada pengujian tahap kedua penggunaan fitur yang menjadi ciri khas suatu kelas jamur akan meningkatkan akurasi klasifikasi jamur. Penelitian dengan menggunakan algoritma VFI 5 dapat dikatakan berhasil. Ini ditunjukan oleh hasil akurasi tertinggi algoritma VFI 5 sebesar 94.85% yang mendekati hasil akurasi dari penelitian sebelumnya.

Tabel 15 Akurasi dari setiap iterasi pengujian tahap kedua Iterasi Akurasi Pertama 90.53 % Kedua 83.19 % Ketiga 94.85 % Rata-rata 89.52 % Standar deviasi 5.89 % Berdasarkan akurasi yang didapatkan pada pengujian tahap kedua ini algoritma VFI 5 mampu mengklasifikasikan jamur ke dalam kelas dapat dikonsumsi atau beracun dengan rata-rata akurasi sebesar 89.52 % dan standar deviasi sebesar 5.89 %. Penelitian ini dapat dikatakan berhasil karena akurasi tertinggi yang didapatkan sebesar 94.85 %, hampir sama seperti pada penelitian sebelumnya yaitu sebesar 95% menggunakan data yang sama dengan metode sistem pembelajaran terawasi (supervised) berdasarkan kepada decision trees (Schlimmer 1987 diacu dalam Eusebi et al. 2008).

KESIMPULAN DAN SARAN Kesimpulan Algoritma voting feature intervals (VFI5) digunakan untuk melakukan klasifikasi. Data yang digunakan adalah data jamur famili Agaricus dan Lepiota. Proses pelatihan pada setiap iterasi menghasilkan interval-interval fitur. Nilai vote 1 pada interval fitur mencerminkan kecenderungan fitur tersebut menjadi ciri khas kelas dapat dikonsumsi atau kelas beracun. Terdapat 9 fitur (F1, F5 , F9, F11, F14, F15, F19, F20, dan F21) yang merupakan ciri khas dari kelas dapat dikonsumsi saja atau kelas beracun saja (nilai vote 1). Akurasi dari klasifikasi yang dihasilkan oleh algoritma VFI5 cukup tinggi untuk setiap iterasinya. Pada pengujian tahap pertama, iterasi pertama menghasilkan akurasi sebesar 82.97%, iterasi kedua menghasilkan akurasi sebesar 82.93%, dan iterasi ketiga menghasilkan akurasi sebesar 87.70%. Rata-

Saran Penelitian ini menggunakan bobot fitur yang seragam yaitu satu. Hal ini masih dapat dikembangkan lebih lanjut dengan menggunakan bobot yang berbeda untuk setiap fitur. Pemberian bobot untuk fitur yang menjadi ciri khas dari kelas jamur beracun sebaiknya lebih tinggi. Hal ini dikarenakan bahaya yang lebih besar ketika terjadi kesalahan dalam klasifikasi pada kelas jamur beracun.

DAFTAR PUSTAKA Demiröz G. 1997. Non-Incremental Classification Learning Algorithms Based on Voting Feature Intervals. http://www.cs.bilkent.edu.tr/techreports/1997/BU-CEIS-9715.pdf [16 Agustus 2008]. Eusebi C, Gliga C, John D, Maisonave A. 2008. Data Mining on a Mushroom Database. Proceedings of Student-Faculty Research Day; Pace University, 2 mei 2008. New York: Seidenberg School of CSIS. hlm B2.1-B2.9 Güvenir HA. 1998. A Classification Learning Algorithm Robust to Irrelevant Features. http://www.cs.bilkent.edu.tr/ tech-report/1998/BU-CEIS-9810.pdf [16 Agustus 2008]. Güvenir HA, Demiröz, lter N. 1998. Learning Differential Diagnosis of Erythemato-Squamous Diseases Using Voting Feature Intervals. Artificial Intelegence in Medicine, 13 (3), 147-165.

12

Han J, Kamber M. 2001. Data Mining Concepts &Techniques. USA: Academic Press. Lincoff GH. 1981. The Audubon Society Field Guide to North American Mushrooms. New York: Alfred A. Knopf Press. Ramdan G. 2007. Pengaruh Banyaknya Subset Validasi Silang Terhadap Kinerja Algoritma VFI5 [Skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Sarle W. 2004. What are cross-validation and bootsrapping?. http://www.faqs/aifaq/neuralnets/part3/section12.html. [16 Agustus 2008] Ulloa M, Richard TH. 2001. Illustrated Dictionary of Mycology. Minnesota: APS Press.

13

LAMPIRAN

14

Lampiran 1 Dua Puluh Dua Fitur famili Agaricus dan Lepiota No

1

Nama Fitur

Cap-Shapes

2

Cap-Surface

3

Cap-Color

4

5

6

Bruises

Odor

Gill-Attachment

7

Gill-Spacing

8

Gill-Size

9

Gill-Collor

10

Stalk-Shape

11

Stalk-Root

12

Stalk-SurfaceAbove-Ring

Nama Atribut Bell Conical Covex Flat knobbed sunken Fibrous grooves scally Smooth Brown Buff Cinnamon Gray Green Pink Purple Red White Yellow No Bruises Almond Anise Creosote Fishy Foul Musty None Pungent Spicy Attached Descending Free Notched Close Crowded Distant Broad Narrow Black Brown Buff Chocolate Gray Green Orange Pink Purple Red White Yellow Enlarging Tapering Bulbous Club Cup Equal Rhizomorphs Rooted Missing Ibrous Scaly Silky

Variabel b c x f k s f g y s n b c g r p u e w y t f a l c y f m n p s a d f n c w d b n k n b h g r o p u e w y e t b c u e z r ? f y k

13

Stalk-SurfaceBelow-Ring

14

Stalk-colorabove-ring

15

Stalk-colorbelow-ring

16

Veil-type

17

Veil-color

18

Ring-number

19

Ring-type

20

Spore-printcolor

21

Population

22

Habitat

Smooth Ibrous Scaly Silky Smooth Brown Buff Cinnamon Gray Orange Pink Red White Yellow Brown Buff Cinnamon Gray Orange Pink Red White Yellow Partial Universal Brown Orange White Yellow None One Two Cobwebby Evanescent Flaring Large None Pendant Sheathing Zone Black Brown Buff Chocolate Green Orange Purple White Yellow Abundant Clustered Numerous Scattered Several Solitary Grasses Leaves Meadows Paths Urban Waste woods

s f y k s n b c g o p e w y n b c g o p e w y p u n o w y n o t c e f l n p s z k n b h r o u w y a c n s v y g l m p u w d

15

Lampiran 2 Beberapa contoh gambar fitur jamur

16

Lampiran 2 Lanjutan

17

Lampiran 3 Nama Fitur, Lambang variabel, dan Nama Atribut. Nama Fitur

CapShapes

Lambang Variabel

F1

CapSurface

F2

Cap-Color

F3

Bruises

Odor

F4

F5

GillAttachment

F6

GillSpacing

F7

Gill-Size

F8

Gill-Collor

F9

StalkShape

F10

Stalk-Root

F11

StalkSurfaceAbove-

F12

Nama Atribut Bell Conical Covex Flat knobbed sunken Fibrous grooves scally Smooth Brown Buff Cinnamon Gray Green Pink Purple Red White Yellow No Bruises Almond Anise Creosote Fishy Foul Musty None Pungent Spicy Attached Descending Free Notched Close Crowded Distant Broad Narrow Black Brown Buff Chocolate Gray Green Orange Pink Purple Red White Yellow Enlarging Tapering Bulbous Club Cup Equal Rhizomorphs Rooted Missing Ibrous Scaly Silky

Variabel Konversi 0 1 2 3 4 5 0 1 2 3 0 1 2 3 4 5 6 7 8 9 0 1 0 1 2 3 4 5 6 7 8 0 1 2 3 0 1 2 0 1 0 1 2 3 4 5 6 7 8 9 10 11 0 1 0 1 2 3 4 5 6 0 1 2

Ring StalkSurfaceBelowRing

F13

Stalkcolorabove-ring

F14

Stalkcolorbelow-ring

F15

Veil-type

F16

Veil-color

F17

Ringnumber

F18

Ring-type

F19

Sporeprint-color

F20

Population

F21

Habitat

F22

Smooth Ibrous Scaly Silky Smooth Brown Buff Cinnamon Gray Orange Pink Red White Yellow Brown Buff Cinnamon Gray Orange Pink Red White Yellow Partial Universal Brown Orange White Yellow None One Two Cobwebby Evanescent Flaring Large None Pendant Sheathing Zone Black Brown Buff Chocolate Green Orange Purple White Yellow Abundant Clustered Numerous Scattered Several Solitary Grasses Leaves Meadows Paths Urban Waste woods

3 0 1 2 3 0 1 2 3 4 5 6 7 8 0 1 2 3 4 5 6 7 8 0 1 0 1 2 3 0 1 2 0 1 2 3 4 5 6 7 0 1 2 3 4 5 6 7 8 0 1 2 3 4 5 0 1 2 3 4 5 6

18

Lampiran 4 Interval hasil proses pelatihan iterasi pertama F1 e:0.84 e:0.00 e:0.52 e:0.43 e:0.00 e:1.00 p:0.16 p:1.00 p:0.48 p:0.57 p:1.00 p:0.00 0

1

2

3

4

5

F2 e:0.59 e:0.00 e:0.43 e:0.48 p:0.41 p:1.00 p:0.57 p:0.52 0

1

2

3

F3 e:0.66 e:0.00 e:0.00 e:0.44 e:0.00 e:0.00 e:0.00 e:0.61 e:0.62 e:0.36 p:0.34 p:1.00 p:0.00 p:0.56 p:0.00 p:1.00 p:0.00 p:0.39 p:0.38 p:0.64 0

1

2

3

4

5

6

7

8

9

F4 e:0.29 e:0.74 p:0.71 p:0.26 0

1

F5 e:1.00 e:1.00 e:0.00 e:0.00 e:0.00 e:0.00 e:0.94 e:0.00 e:0.00 p:0.00 p:0.00 p:1.00 p:1.00 p:1.00 p:0.00 p:0.06 p:1.00 p:1.00 0

1

2

3

4

5

6

7

8

F6 e:0.00 e:0.00 e:0.50 e:0.00 p:0.00 p:0.00 p:0.50 p:0.00 0

1

2

3

F7 e:0.42 e:0.89 e:0.00 p:0.58 p:0.11 p:0.00 0

1

2

F8 e:0.59 e:0.16 p:0.41 p:0.84 0

1

F9 e:0.83 e:0.86 e:0.00 e:0.25 e:0.22 e:0.00 e:0.00 e:0.47 e:0.84 e:0.00 e:0.67 e:0.00 p:0.17 p:0.14 p:1.00 p:0.75 p:0.78 p:1.00 p:0.00 p:0.53 p:0.16 p:0.00 p:0.33 p:0.00 0

1

2

3

4

5

6

7

8

9

10

11

F10 e:0.29 e:0.71 p:0.71 p:0.29

0

1

F11 e:0.38 e:1.00 e:0.00 e:0.76 e:0.00 e:1.00 e:0.00 p:0.62 p:0.00 p:0.00 p:0.24 p:0.00 p:0.00 p:0.00

0 1 2 3 Keterangan : e = Edible p = Poisonous

4

5

6

19

Lampiran 4 Lanjutan F12 e:0.71 e:0.00 e:0.00 e:0.71 p:0.29 p:0.00 p:1.00 p:0.29

0

1

2

3

F13 e:0.71 e:0.85 e:0.00 e:0.70 p:0.29 p:0.15 p:1.00 p:0.30

0

1

2

3

F14 e:0.00 e:0.00 e:0.00 e:1.00 e:0.00 e:0.35 e:0.64 e:0.00 e:0.00 p:1.00 p:1.00 p:0.00 p:0.00 p:0.00 p:0.65 p:0.36 p:0.00 p:0.00

0

1

2

3

4

5

6

7

8


0

1

2

3

4

5

6

7

8

F16 e:0.50 e:0.00 p:0.50 p:0.00

0

1

F17 e:0.00 e:0.00 e:0.50 e:0.00 p:0.00 p:0.00 p:0.50 p:0.00

0

1

2

3

F18 e:0.00 e:0.51 e:0.00 p:0.00 p:0.49 p:1.00

0

1

2

F19 e:0.00 e:0.59 e:0.00 e:0.00 e:0.00 e:0.70 e:0.00 e:0.00 p:0.00 p:0.41 p:0.00 p:1.00 p:0.00 p:0.30 p:0.00 p:0.00

0

1

2

3

4

5

6

7


0

1

2

3

4

5

6

7

8

F21 e:1.00 e:0.00 e:1.00 e:0.65 e:0.30 e:0.50 p:0.00 p:1.00 p:0.00 p:0.35 p:0.70 p:0.50

0

1

2

3

4

5


0 1 2 3 Keterangan : e = Edible p = Poisonous

4

5

6

20

Lampiran 5 Kecenderungan fitur-fitur yang menjadi ciri khas jamur setiap iterasi Iterasi Kedua Iterasi Ketiga Iterasi pertama point vote = 1 point vote = 1 point vote = 1 Variabel Variabel Variabel e p e p e p CapSunken Conical CapCapConical Sunken Conical shape shape Knobbed CapCapCapGreen Grooves Grooves color Purple surface CapBuff CapGreen Creosote color Pink color Purple Fishy Almond Creosote Almond Creosote Almond Foul Odor Anise Fishy Anise Fishy Anise Musty Odor Odor Foul Foul Pungent Pungent Musty Spicy Spicy Spicy GillOrange Buff GillBuff Black color Red color Green GillBrown Buff StalkRooted root StalkClub color Orange Green root Rooted Purple StalkBuff colorStalkRed Gray Cinnamon surfaceStalkEqual aboveOrange White Silky ring aboveroot Rooted ring StalkBuff StalkBuff colorGray Cinnamon Gray Cinnamon StalkSilky surfaceaboveOrange White belowOrange White ring belowring StalkBuff VeilBrown Yellow Gray Cinnamon color Orange StalkcolorBrown belowOrange White RingTwo None Gray number aboveBuff ring VeilBrown RingLarge Flaring Yellow StalkBrown color Orange type None colorBuff RingSporeBuff None Gray Green printbelowWhite Orange ring RingLarge color White Flaring Ringtype None Abundant Two Population number Black Numerous RingLarge SporeBrown Habitat Waste Green type printBuff SporeChocolate color Orange printGreen White color Abundant Population Abundant Numerous Population Clustered Numerous Habitat Waste Habitat Leaves Keterangan : e = Edible p = poisonous

21

Lampiran 6 Interval hasil proses pelatihan iterasi kedua F1 e:0.76 e:0.00 e:0.56 e:0.51 e:0.26 e:0.00 p:0.24 p:1.00 p:0.44 p:0.49 p:0.74 p:0.00 0

1

2

3

4

5

F2 e:0.84 e:0.00 e:0.44 e:0.33 p:0.16 p:1.00 p:0.56 p:0.67 0

1

2

3


1

2

3

4

5

6

7

8

9

F4 e:0.27 e:0.84 p:0.73 p:0.16 0

1


1

2

3

4

5

6

7

8

F6 e:0.91 e:0.00 e:0.48 e:0.00 p:0.09 p:0.00 p:0.52 p:0.00 0

1

2

3

F7 e:0.44 e:0.97 e:0.00 p:0.56 p:0.03 p:0.00 0

1

2

F8 e:0.75 e:0.05 p:0.25 p:0.95 0

1


1

2

3

4

5

6

7

8

9

10

11

F10 e:0.55 e:0.48 p:0.45 p:0.52 0

1

F11 e:0.66 e:0.32 e:0.00 e:1.00 e:0.00 e:1.00 e:0.00 p:0.34 p:0.68 p:0.00 p:0.00 p:0.00 p:0.00 p:0.00 0 1 2 3 Keterangan : e = Edible p = Poisonous

4

5

6

22

Lampiran 6 Lanjutan F12 e:0.57 e:0.65 e:0.09 e:0.68 p:0.43 p:0.35 p:0.91 p:0.32 0

1

2

3

F13 e:0.62 e:0.25 e:0.09 e:0.68 p:0.38 p:0.75 p:0.91 p:0.32 0

1

2

3


1

2

3

4

5

6

7

8


1

2

3

4

5

6

7

8

F16 e:0.50 e:0.00 p:0.50 p:0.00 0

1

F17 e:1.00 e:1.00 e:0.48 e:0.00 p:0.00 p:0.00 p:0.52 p:1.00 0

1

2

3

F18 e:0.00 e:0.46 e:0.88 p:1.00 p:0.54 p:0.12 0

1

2

F19 e:0.00 e:0.22 e:1.00 e:0.00 e:0.00 e:0.86 e:0.00 e:0.00 p:0.00 p:0.78 p:0.00 p:1.00 p:1.00 p:0.14 p:0.00 p:0.00 0

1

2

3

4

5

6

7


1

2

3

4

5

6

7

8

F21 e:1.00 e:0.84 e:1.00 e:0.70 e:0.30 e:0.77 p:0.00 p:0.16 p:0.00 p:0.30 p:0.70 p:0.23 0

1

2

3

4

5


4

5

6

23

Lampiran 7 Interval hasil proses pelatihan iterasi ketiga F1 e:0.99 e:0.00 e:0.47 e:0.52 e:0.27 e:1.00 p:0.01 p:1.00 p:0.53 p:0.48 p:0.73 p:0.00 0

1

2

3

4

5

F2 e:0.58 e:0.00 e:0.46 e:0.49 p:0.42 p:0.00 p:0.54 p:0.51 0

1

2

3


1

2

3

4

5

6

7

8

9

F4 e:0.31 e:0.85 p:0.69 p:0.15 0

1


1

2

3

4

5

6

7

8

F6 e:0.91 e:0.00 e:0.48 e:0.00 p:0.09 p:0.00 p:0.52 p:0.00 0

1

2

3

F7 e:0.42 e:0.89 e:0.00 p:0.58 p:0.11 p:0.00 0

1

2

F8 e:0.73 e:0.13 p:0.27 p:0.87 0

1


1

2

3

4

5

6

7

8

9

10

11

F10 e:0.53 e:0.47 p:0.47 p:0.53 0

1


4

5

6

24

Lampiran 7 Lanjutan F12 e:0.94 e:0.65 e:0.08 e:0.67 p:0.06 p:0.35 p:0.92 p:0.33 0

1

2

3

F13 e:0.95 e:0.80 e:0.08 e:0.64 p:0.05 p:0.20 p:0.92 p:0.36 0

1

2

3


1

2

3

4

5

6

7

8


1

2

3

4

5

6

7

8

F16 e:0.50 e:0.00 p:0.50 p:0.00 0

1

F17 e:1.00 e:1.00 e:0.48 e:0.00 p:0.00 p:0.00 p:0.52 p:1.00 0

1

2

3

F18 e:0.00 e:0.45 e:1.00 p:1.00 p:0.55 p:0.00 0

1

2


1

2

3

4

5

6

7


1

2

3

4

5

6

7

8

F21 e:1.00 e:0.86 e:1.00 e:0.73 e:0.24 e:0.55 p:0.00 p:0.14 p:0.00 p:0.27 p:0.76 p:0.45 0

1

2

3

4

5


4

5

6

25

Lampiran 8 Interval hasil proses pelatihan tahap kedua iterasi pertama

F1 e:0.84 e:0.00 e:0.52 e:0.43 e:0.00 e:1.00 p:0.16 p:1.00 p:0.48 p:0.57 p:1.00 p:0.00 0

1

2

3

4

5


1

2

3

4

5

6

7

8


1

2

3

4

5

6

7

8

9

10

11


0

1

2

3

4

5

6


0

1

2

3

4

5

6

7

8


0

1

2

3

4

5

6

7

8

F19 e:0.00 e:0.59 e:0.00 e:0.00 e:0.00 e:0.70 e:0.00 e:0.00 p:0.00 p:0.41 p:0.00 p:1.00 p:0.00 p:0.30 p:0.00 p:0.00

0

1

2

3

4

5

6

7


0

1

2

3

4

5

6

7

8

F21 e:1.00 e:0.00 e:1.00 e:0.65 e:0.30 e:0.50 p:0.00 p:1.00 p:0.00 p:0.35 p:0.70 p:0.50

0

1

2

3

4

5

Keterangan : e = Edible p = Poisonous

26

Lampiran 9 Interval hasil proses pelatihan tahap kedua iterasi kedua F1 e:0.76 e:0.00 e:0.56 e:0.51 e:0.26 e:0.00 p:0.24 p:1.00 p:0.44 p:0.49 p:0.74 p:0.00 0

1

2

3

4

5


1

2

3

4

5

6

7

8


1

2

3

4

5

6

7

8

9

10

11

F11 e:0.66 e:0.32 e:0.00 e:1.00 e:0.00 e:1.00 e:0.00 p:0.34 p:0.68 p:0.00 p:0.00 p:0.00 p:0.00 p:0.00 0

1

2

3

4

5

6


1

2

3

4

5

6

7

8


1

2

3

4

5

6

7

8


1

2

3

4

5

6

7


1

2

3

4

5

6

7

8

F21 e:1.00 e:0.84 e:1.00 e:0.70 e:0.30 e:0.77 p:0.00 p:0.16 p:0.00 p:0.30 p:0.70 p:0.23 0

1

2

3

4

5


27

Lampiran 10 Interval hasil proses pelatihan tahap kedua iterasi ketiga F1 e:0.99 e:0.00 e:0.47 e:0.52 e:0.27 e:1.00 p:0.01 p:1.00 p:0.53 p:0.48 p:0.73 p:0.00 0

1

2

3

4

5


1

2

3

4

5

6

7

8

F9 e:0.79 e:0.83 e:0.00 e:0.29 e:0.42 e:0.00 e:1.00 e:0.54 e:0.78 e:1.00 e:0.87 p:0.21 p:0.17 p:1.00 p:0.71 p:0.58 p:0.00 p:0.00 p:0.46 p:0.22 p:0.00 p:0.13 0

1

2

3

4

5

6

7

8

9

10

e:0.00 p:0.00 11

F11 e:0.44 e:0.91 e:0.00 e:0.67 e:0.00 e:1.00 e:0.34 p:0.56 p:0.09 p:0.00 p:0.33 p:0.00 p:0.00 p:0.66 0

1

2

3

4

5

6


1

2

3

4

5

6

7

8


1

2

3

4

5

6

7

8


1

2

3

4

5

6

7


1

2

3

4

5

6

7

8

F21 e:1.00 e:0.86 e:1.00 e:0.73 e:0.24 e:0.55 p:0.00 p:0.14 p:0.00 p:0.27 p:0.76 p:0.45 0

1

2

3

4

5


28

KLASIFIKASI JAMUR KE DALAM KELAS DAPAT DIKONSUMSI ATAU BERACUN MENGGUNAKAN ALGORITMA VFI 5 (STUDI KASUS : FAMILI AGARICUS DAN LEPIOTA)

Recommend Documents