KLASIFIKASI SAYAP LEBAH APIS CERANA DAN APIS KOSCHEVNIKOVI MENGGUNAKAN CONDITIONAL INFERENCE TREE
ROIHAN ADIYAT
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2015
PERNYATAAN MENGENAI SKRIPSI DAN SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA Dengan ini saya menyatakan bahwa skripsi berjudul Klasifikasi Sayap Lebah Apis cerana dan Apis koschevnikovi Menggunakan Conditional Inference Tree adalah benar karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apa pun kepada perguruan tinggi mana pun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam Daftar Pustaka di bagian akhir skripsi ini. Dengan ini saya melimpahkan hak cipta dari karya tulis saya kepada Institut Pertanian Bogor. Bogor, Maret 2015 Roihan Adiyat NIM G64100026
ABSTRAK ROIHAN ADIYAT. Klasifikasi Sayap Lebah Apis cerana dan Apis koschevnikovi Menggunakan Conditional Inference Tree. Dibimbing oleh HARI AGUNG ADRIANTO dan BERRY JULIANDI. Sayap merupakan salah satu ciri biometrik dari lebah. Struktur pola venasi sayap merupakan penanda unik yang membedakan jenis lebah. Struktur venasi terlihat mirip sehingga sukar dibedakan dengan mata manusia. Tujuan dari penelitian ini adalah untuk mengetahui fitur kunci pola venasi pada sayap lebah dan akurasi metode Conditional Inference Tree dalam mengklasifikasikan spesies Apis cerana dan Apis koschevnikovi. Pada penelitian ini 19 titik percabangan pada struktur venasi sayap lebah digunakan sebagai objek pengamatan. Data yang digunakan berjumlah 89 data sayap A. cerana dan 239 data sayap A. koschevnikovi. Setiap titik pada tiap spesies sudah terurut berdasarkan posisinya. Ekstraksi ciri dilakukan dengan menghitung jarak pasangan titik percabangan venasi dan dinormalisasi. Proses ekstraksi ciri menghasilkan 171 fitur yaitu p1p171. Kemudian dilakukan pelatihan dan pengujian dengan metode Conditional Inference Tree. Fitur kunci pada sayap lebah adalah fitur p77 yang merupakan pasangan titik 5 dan 16 dan fitur p27 yang merupakan pasangan titik 2 dan 11. Fitur p76 yang merupakan pasangan titik 5 dan 15 adalah fitur penting yang digunakan pada tahap ekstraksi ciri. Penggunaan metode ini menghasilkan akurasi sebesar 97.78%. Kata kunci: klasifikasi, sayap lebah, Conditional Inference Tree.
ABSTRACT ROIHAN ADIYAT. Classification of Apis cerana and Apis koschevnikovi wings of bees using the Conditional Inference Tree algorithm. Supervised by HARI AGUNG ADRIANTO and BERRY JULIANDI. The wing of a bee is one of its biometric features. The structure of the wing venation pattern is a unique identifier that distinguishes types of bees. Venation structure looks similar so that it is difficult to distinguish by human eyes. The purpose of this study is to determine the key features on the venation pattern of bees and the accuracy of the Conditional Inference Tree method in classifying Apis cerana and Apis koschevnikovi species. In this study 19 branching points on the structure of the wing venation of bees are used as objects of observation. The data contain 89 wings of A. cerana and 239 wings of A. koschevnikovi. Each point on each species has been aligned sequentially by positions. Feature extraction was done by calculating and normalizing the distance between a pair of venation branching points. The feature extraction process produces 171 features. Then the classifier is trained and tested with Conditional Inference Tree method. Key features on the wings of bees are p77 (a pair of points 5 and 16) and p27 (a pair of points 2 and 11). Feature p76 (a pair of points 5 and 15) is an important feature used in the feature extraction stage. This method achieves accuracy of 97.78%. Keywords : classification, bees wings, Conditional Inference Tree.
KLASIFIKASI SAYAP LEBAH APIS CERANA DAN APIS KOSCHEVNIKOVI MENGGUNAKAN CONDITIONAL INFERENCE TREE
ROIHAN ADIYAT
Skripsi sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2015
PRAKATA Puji dan syukur penulis panjatkan kepada Allah subhanahu wa ta’ala atas segala karunia-Nya sehingga karya ilmiah ini berhasil diselesaikan. Tema yang dipilih dalam penelitian yang dilaksanakan sejak bulan Agustus 2014 ini ialah klasifikasi sayap lebah, dengan judul Klasifikasi Sayap Lebah Apis cerana dan Apis koschevnikovi Menggunakan Conditional Inference Tree. Terima kasih penulis ucapkan kepada Bapak Hari Agung Adrianto, SKom, MSi dan Bapak Dr Berry Juliandi, MSi selaku pembimbing. Ungkapan terima kasih juga disampaikan kepada ayah, ibu, serta seluruh keluarga, dan Ema Maryati atas segala doa dan kasih sayangnya. Semoga karya ilmiah ini bermanfaat.
Bogor, Maret 2015 Roihan Adiyat
DAFTAR ISI DAFTAR TABEL
vi
DAFTAR GAMBAR
vi
DAFTAR LAMPIRAN
vi
PENDAHULUAN
1
Latar Belakang
1
Perumusan Masalah
2
Tujuan Penelitian
2
Manfaat Penelitian
3
Ruang Lingkup Penelitian
3
TINJAUAN PUSTAKA
3
Apis cerana dan Apis koschevnikovi
3
Conditional Inference Tree
4
METODE
6
Akusisi Data
7
Ekstraksi Ciri
7
Conditional Inference Tree
8
Pengujian
8
Akurasi
8
Lingkungan Pengembangan
8
HASIL DAN PEMBAHASAN
8
Akusisi Data
8
Ekstraksi Ciri
9
Conditional Inference Tree
10
Pengujian
11
SIMPULAN DAN SARAN
12
Simpulan
12
Saran
12
DAFTAR PUSTAKA
12
RIWAYAT HIDUP
14
DAFTAR TABEL 1 2 3 4 5
Data jarak dari 3 pasangan titik p1, p2 dan p3 yang sudah dinormalisasi Data dari fitur p1 yang siap dipermutasi Contoh permutasi yang mungkin dilakukan Contoh tabel data sayap lebah Hasil pengujian
4 5 5 9 11
DAFTAR GAMBAR 1 2 3 4 5 6 7 8 9 10
Apis cerana (a) dan Apis koschevnikovi (b). Nomor 1 – 19 adalah titik percabangan venasi yang digunakan dalam percobaan kali ini Diagram Alur Penelitian Mencari jarak antartitik untuk menghilangkan pengaruh dilatasi dan rotasi Normalisasi data untuk menghilangkan pengaruh pada penskalaan Plot dari Tabel 3 Plot pasangan titik 5 dan 15 Plot dari hasil ekstraksi ciri. Hitam merupakan Apis cerana dan hijau merupakan Apis koschevnikovi Model pohon keputusan dengan menggunakan metode Conditional Inference Tree Plot pasangan titik 5 dan 16 Plot pasangan titik 2 dan 11
3 6 8 7 9 10 10 10 11 11
PENDAHULUAN Latar Belakang Lebah madu Afrikanisasi (Africanized honey bees-AHBs), dikenal juga sebagai killer bees, adalah jenis lebah hibrida yang dihasilkan dari perkawinan silang antara lebah Afrika, Apis mellifera scutellata dengan berbagai jenis lebah madu Eropa seperti A. m. ligustica dan A. m. iberiensis (Kenneth dan Ugoro 1999). Lebah ini adalah jenis lebah penghasil madu yang paling produktif di antara jenis lebah madu lain. Akan tetapi, keberadaan lebah madu tersebut sangat dilarang masuk ke Indonesia karena lebah tersebut tergolong sebagai lebah penginvasi dan memiliki kecenderungan mendominasi lebah lokal. Para peternak lebah di Indonesia memiliki kekhawatiran mengenai perkembangan bisnis mereka dengan menyebarnya lebah Afrikanisasi secara luas (Sheppard 1999). Saat ini penelitian dasar untuk mendeteksi lebah madu Afrikanisasi masih dilakukan dengan uji lab. Uji lab dilakukan dengan pengambilan gen dan DNA lebah untuk mengetahui spesiesnya (Sambrook et al. 1989). Cara seperti itu sangat membutuhkan biaya yang tinggi dan waktu yang lama. Orang awam sulit membedakan antara lebah Afrikanisasi dan lebah madu bukan Afrikanisasi dengan hanya melihat morfologi dari lebah. Morfologi dari lebah meliputi bentuk, warna, dan pola pada sayap lebah tesebut. Sayangnya untuk mengidentifikasi lebah dengan menggunakan karakter morfologi dibutuhkan seorang pakar yang jumlahnya masih sangat terbatas. Karakter morfologi telah lama digunakan untuk mengukur jarak dan hubungan kekerabatan dalam pengkategorian variasi dalam taksonomi. Karakter morfologi meliputi studi morfometrik dan meristik dari lebah madu. Morfometrik adalah ciri yang berkaitan dengan ukuran tubuh atau bagian tubuh lebah madu misalnya panjang total dan panjang baku. Ukuran ini merupakan salah satu hal yang dapat digunakan sebagai ciri taksonomik saat mengidentifikasi lebah madu. Morfometrik telah digunakan secara luas untuk mengidentifikasi ras lebah madu karena kepraktisan tinggi dan biaya rendah. Daly dan Baling (1978) telah melakukan analisis dengan statistik multivariat untuk mengidentifikasi lebah madu dengan menggunakan 25 karakter dari sayap, sternites dan kaki dengan mikrometer okular. Salah satu karakter morfometrik pada lebah adalah struktur venasi sayap lebah. Hal ini disebabkan karena sayap pada tiap jenis lebah memiliki bentuk dan struktur venasi yang berbeda. Pola venasi sayap diturunkan secara genetis dan tidak dapat dipengaruhi oleh lingkungan. Struktur venasi sayap lebah juga dapat digunakan untuk mengetahui subspecies pada lebah (Tofilski 2004), wilayah penyebaran (Marghitas et al. 2008), kemurnian ras (Radloff et al. 2003), prediksi produktivitas koloni (Edriss et al. 2002), dan memonitor perubahan populasi pada koloni (Abou-Shaara et al. 2012). Oleh karena itu struktur venasi sayap adalah karakter morfometrik yang dapat digunakan sebagai fitur untuk klasifikasi spesies. Lebah madu Afrikanisasi belum dapat dibahas dalam penelitian ini karena lebah ini dilarang masuk ke Indonesia dan belum ada data lebah madu Afrikasisasi yang dapat digunakan. Sehingga pada penelitian ini klasifikasi dilakukan pada kerabat dekatnya yaitu Apis cerana dan Apis koschevnikovi.
2 Salah satu metode klasifikasi yang dapat digunakan adalah metode Conditional Inference Tree. Metode Conditional Inference Tree pertama diperkenalkan oleh Hothorn, Hornik dan Zeileis (2006). Metode ini memperkirakan hubungan regresi dengan partisi rekursif biner dalam kerangka kesimpulan bersyarat. Metode ini memiliki kelebihan dari metode pohon keputusan biasa antara lain dapat mengatasi overfitting. Overfitting adalah situasi dimana model yang terlalu akurat untuk data yang ditrainingkan akan menjadi model yang terlalu eksklusif. Akan menghasilkan output yang baik untuk data yang ditrainingkan saja, tapi tidak bisa menghasilkan output yang baik untuk data validasi (data yang tidak termasuk dalam fase training). Metode ini juga dapat mengatasi „bias‟ yang berkaitan dengan pemilihan kovariabel dengan banyak kemungkinan perpecahan (Monlar 2012). Sayangnya belum ada literatur yang membahas klasifikasi morfometrik lebah dengan menggunakan metode tersebut. Fokus pada penelitian ini adalah menerapkan metode Conditional Inference Tree untuk mengklasifikasi data morfometrik berupa koordinat percabangan venasi pada sayap lebah. Data sayap yang akan digunakan dalam penelitian ini merupakan sayap dari spesies Apis cerana dan Apis koschevnikovi. A. cerana dan A. koschevnikovi dipilih dalam penelitian ini karena bentuknya yang hampir serupa dan spesiesnya banyak ditemukan di wilayah Indonesia sebagai lebah madu ternak.
Perumusan Masalah Sayap merupakan salah satu ciri biometrik pada lebah. Pola venasi pada sayap lebah merupakan karakter morfometrik yang dapat digunakan sebagai fitur dalam mengklasifikasi spesies lebah. Data titik percabangan venasi pada sayap dijadikan objek pengamatan dalam penelitian ini. Salah satu metode klasifikasi yang dapat digunakan adalah adalah metode Conditional Inference Tree. Metode ini menghasilkan model pohon regresi berdasarkan hubungan regresi antara variabel bebas dan variabel respon. Model pohon regresi yang dihasilkan adalah pohon regresi dengan variabel bebas yang berpengaruh sebagai penciri menjadi simpul-simpulnya. Pada penelitian ini akan digunakan metode Conditional Inference Tree untuk mengklasifikasi spesies lebah dengan menggunakan data morfometrik berupa titik percabangan venasi sebagai objek pengamatan. Sayangnya belum ada penelitian yang menerapkan metode ini pada kasus klasifikasi spesies lebah berdasarkan pola venasi sayap. Pada penelitian ini akan dicari fitur kunci pada sayap lebah dan dilihat apakah metode ini dapat menghasilkan akurasi yang baik dalam mengklasifikasi sayap lebah.
Tujuan Penelitian Tujuan dari penelitian ini adalah untuk mengetahui fitur kunci pada struktur venasi sayap lebah dan mengetahui tingkat akurasi metode Conditional Inference Tree dalam mengklasifikasikan spesies A.cerana dan A. koschevnikovi.
3
Manfaat Penelitian Hasil dari penelitian ini diharapkan dapat berguna untuk pembangunan sistem pengidentifikasi spesies lebah.
Ruang Lingkup Penelitian 1
2
Ruang lingkup penelitian ini meliputi: Data yang digunakan adalah data sayap lebah dari spesies A. cerana dan A. koschevnikovi koleksi Dr Rika Raffiudin dan Dr Berry Juliandi, MSi dari Departemen Biologi Institut Pertanian Bogor. Fitur yang digunakan dalam proses klasifikasi adalah koordinat percabangan pada venasi sayap lebah yang berjumlah 19 titik.
TINJAUAN PUSTAKA Apis cerana dan Apis koschevnikovi Lebah madu A. koschevnicovi hidup simpatrik dengan A. cerana. Secara umum kedua lebah tersebut terlihat sama bentuknya tetapi A. kosvhevnikovi berukuran lebih besar dan berwarna lebih merah (Koeniger et al. 1994). Woyke (1997) melaporkan kasta pekerja A. koschevnikovi yang berasal dari Sabah, Malaysia, berwarna kuning-oranye pada sebagian besar bagian tubuhnya berwarna coklat. Lebah pekerja A. koschevnkovi yang berasal dari Sabah memiliki ukuran indeks kubital 7.64 ± 1.40 mm, sayap depan dengan panjang: 8.46 ± 0.11 mm dan lebar: 2.98 ± 0.05 mm, sedangkan A. cerana memiliki ukuran indeks kubital 3.74 ± 0.23, sayap depan dengan panjang: 7.42 ± 0.09 mm dan lebar: 2.60 ± 0.05 mm (Tingek et al. 1996). Tampilan dari sayap kedua lebah tersebut dapat dilihat pada Gambar 1.
(a) (b) Gambar 1 Apis cerana (a) dan Apis koschevnikovi (b). Nomor 1 – 19 adalah titik percabangan venasi yang digunakan dalam percobaan kali ini Walaupun A. cerana dan A. koschevnikovi hidup secara simpatrik, namun demikian terdapat barrier perkawinan antara kedua spesies berupa kler prezigotik dalam hal “mating flight time” yaitu A. koschevnikovi pada pukul 16.15 – 18.15, dan A. cerana pada 13.45 – 15.30 (Koeniger et al. 1988) serta adanya perbedaan bentuk dan ukuran struktur endophaullus (alat kelamin jantan) yang spesifik untuk
4 setiap spesies (Koeniger et al. 1991). Otis (1991) menyebutkan bahwa habitat lebah A. koschevnicovi adalah daerah hutan sementara A. cerana dapat hidup pada daerah yang rawan gangguan (ramai).
Conditional Inference Tree Menurut Yanchang (2012) algoritme Conditional Inference Tree memperkirakan hubungan regresi dengan partisi rekursif biner dalam kerangka kesimpulan bersyarat. Secara ringkas algoritme bekerja sebagai berikut: 1 Menentukan kriteria berhenti: a. Diuji H0: Tidak ada hubungan antara peubah bebas (X) dan peubah respon (Y) atau antara kedua peubah Xj dan Y bersifat saling bebas. Dalam rumus H0 dapat ditulis : ( | ) dimana ( ). b. Jika H0 diterima maka proses rekursif berhenti. 2 Memilih variabel Xj dengan korelasi paling kuat yaitu variabel Xj yang memiliki P – Value terkecil. 3 Mencari split point terbaik untuk Xj dengan melakukan uji C lalu partisi data. 4 Ulangi langkah 1, 2 dan 3 untuk kedua partisi Pengujian H0 dilakukan dengan uji permutasi. Uji permutasi dilakukan berdasarkan kepada asumsi sebaran. Berikut adalah contoh sederhana dari tes permutasi dari data tekanan darah pada Tabel 1. Tabel 1 Data jarak dari 3 pasangan titik p1, p2 dan p3 yang sudah dinormalisasi No 1 2 3 4 5 6
1 2 3
p1 0.494157 0.487459 0.4704 0.526267 0.515774 0.508631
p2 1 1 1 1 1 1
p3 0.615372 0.601295 0.602366 0.554624 0.548202 0.563463
Label A. cerana A. cerana A. cerana
A. koschevnikovi A. koschevnikovi A. koschevnikovi
Diketahui ada 2 jenis lebah yaitu lebah A. cerana dan A. koschevnikovi. Variabel pengukurannya adalah pasangan titik yang sudah dinormalisasi yaitu p1, p2 dan p3. Uji permutasi dilakukan pada setiap pasangan titik p1, p2 dan p3 untuk mendapatkan nilai p-value pada setiap fitur. Fitur p1, p2 dan p3 disusun menjadi tabel yang siap dipermutasi seperti pada Tabel 2.
5 Tabel 2 Data dari fitur p1 yang siap dipermutasi Label A. cerana
A. koschevnikovi 4 5
1 0.494157 0.526267
3 0.470400 0.508631
Pertanyaannya adakah perbedaan nilai pasangan titik p1 antara lebah A. cerana dan A. koschevnikovi? Atau bisa ditulis apakah µA ≠ µB? Definisikan statistik uji pada percobaan ini dengan persamaan | ̂
6
Menentukan hipotesis
7
Nilai dari statistik uji | ̂
8
2 0.487459 0.515774
̂ |
̂ |.
|
|
Setelah itu data pada fitur p1 dipermutasi seperti pada Tabel 3. Permutasi dilakukan dengan menggunakan permutasi blok. Tabel 3 Contoh permutasi yang mungkin dilakukan Label A. cerana
A. koschevnikovi 9 10
1 0.515774 0.526267
2 0.494157 0.487459
3 0.470400 0.508631
Hitung uji statistik T untuk setiap permutasi. Hasilnya adalah distribusi uji statistik dikondisikan pada sampel.
P-value dan keputusan apakah terima H0 atau tidak diperoleh dengan tahapan seperti berikut. 1
Menghitung nilai K dengan persamaan sebagai berikut : *
̂
| ̂
2
Dari nilai K yang didapatkan lalu hitung persamaan berikut :
3
Melihat apakah
|
| ̂
̂ |+ dengan
. Jika iya, H0 dapat ditolak.
6 Uji C dilakukan dengan tahapan sebagai berikut. 1 ( 2
)
(∑
(
) dengan persamaan berikut:
) ( ) )
̅ ̅
(
)
Menghitung statistik uji C untuk setiap kemungkinan split dengan persamaan berikut. |
3
(
Menghitung statistik uji
(̅
̅
*
)|
+
Memilih split point yang mempunyai nilai C terbesar.
METODE Pelaksanaan penelitian ini meliputi beberapa tahapan proses yang dimulai dengan ekstraksi ciri terhadap data sayap lebah yang dimiliki Dr Rika Raffiudin dan Dr Berry Juliandi, MSi dari Departemen Biologi Institut Pertanian Bogor, yang nantinya akan digunakan pada tahap pelatihan dan pengujian. Tahapan tersebut dirangkum dalam suatu metode penelitian yang dapat dilihat dalam Gambar 2. Mulai
Akusisi Data
Ekstraksi Ciri
Data Latih
Data Uji
Pelatihan
Pengujian
Conditional Inference Tree
Akurasi
Selesai
Gambar 2 Diagram Alur Penelitian
7 Akusisi Data Data yang diakusisi adalah sayap lebah koleksi Dr Rika Raffiudin dan Dr Berry Juliandi, Msi dari Departemen Biologi Institut Pertanian Bogor. Sebagian data morfometrik sayap lebah tersebut telah dipublikasikan oleh Hadisoesilo et al (2008). Hadisoesilo et al (2008) mengambil sampel lebah dari 48 koloni yang tersebar di 19 wilayah Indonesia (Sumatera dan Kalimantan) dan Malaysia (Sabah, Peninsula dan Sarawak). Selanjutnya sampel lebah diawetkan dalam alkohol 70% dan diambil sayap depannya. Selanjutnya sayap depan difoto dengan menggunakan mikroskop stereo dengan OptiLab dan diekstrak titik percabangan venasinya dengan software tpsDig (Rohlf 2005) oleh Dr Berry Juliandi, MSi di Bagian Biosistematika dan Ekologi Hewan, Departemen Biologi, Institut Pertanian Bogor. Titik percabangan venasi yang diekstrak berjumlah 19 titik koordinat percabangan venasi sayap lebah A. cerana dan A. koschevnikovi dan sudah terurut berdasarkan posisinya. Ke-19 titik ini dipilih karena titik-titik tersebut merupakan titik biologis pada sayap lebah yang tidak dapat dipengaruhi lingkungan. Masing-masing berjumlah 89 dan 239 data.
Ekstraksi Ciri Proses ekstraksi ciri dilakukan dengan 2 tahap, pertama jarak antartitik koordinat pada percabangan venasi dicari dengan menggunakan metode Euclidean distance. Pencarian jarak antarkoordinat dilakukan untuk menghilangan pengaruh pada dilatasi dan rotasi dengan asumsi bahwa citra lebah yang diambil tidak selalu berada di tengah dan posisinya tidak selalu melintang dari kiri ke kanan seperti terlihat pada Gambar 3. Kedua dilakukan normalisasi data dengan membagi data berdasarkan data jarak terbesar dengan asumsi citra sayap lebah yang diambil tidak memiliki ukuran yang sama besar. Normalisasi dilakukan untuk menghilangkan pengaruh penskalaan seperti terlihat pada Gambar 4.
Gambar 3 Mencari jarak antartitik untuk menghilangkan pengaruh dilatasi dan rotasi
Gambar 4 Normalisasi data untuk menghilangkan pengaruh pada penskalaan
8 Conditional Inference Tree Hasil dari ekstraksi ciri selanjutnya dibagi menjadi data uji dan data latih. Masing masing berjumlah 70% dan 30% dari seluruh data. Pemilihan data uji dan data latih dilakukan dengan pemilihan acak. Hasil dari pemilihan tersebut selanjutnya diproses dengan metode Conditional Inference Tree. Metode ini memperkirakan hubungan regresi dengan partisi rekursif biner dalam kerangka inferensi bersyarat.
Pengujian Pengujian model dilakukan dengan memasukan data uji ke dalam model Conditional Inference Tree.
Akurasi Akurasi model Conditional Inference Tree dapat dihitung dengan cara menjumlahkan data uji yang berhasil diidentifikasi dengan benar dibagi total data yang digunakan untuk pengujian. ∑ ∑
Lingkungan Pengembangan Perangkat lunak yang digunakan dalam penelitian yaitu: Windows 7 Ultimate R versi 3.0.2 Microsoft Excel 2010 Perangkat keras yang digunakan dalam penelitian yaitu: 1 Intel® Core™2 Duo Processor T5870 (2 GHz, FSB 800, Cache 2 MB) 2 RAM 4GB 1 2 3
HASIL DAN PEMBAHASAN Akusisi Data Fitur yang digunakan dalam proses klasifikasi adalah koordinat percabangan pada venasi sayap lebah yang berjumlah 19 titik dan sudah terurut berdasarkan posisinya. Masing-masing spesies berjumlah 89 dan 239 data. Salah satu contoh data sayap lebah bisa dilihat pada Tabel 4 dan Gambar 5.
9 Tabel 4 Contoh tabel data sayap lebah Titik 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
X 959 932 759 700 693 1048 1067 1063 1141 1062 1148 1118 1235 1362 1735 1495 1466 1364 1388
Y 793 737 623 603 535 455 541 624 692 733 806 846 795 812 874 680 670 708 540
Gambar 5 Plot dari Tabel 3
Ekstraksi Ciri Ekstraksi ciri dilakukan dengan 2 tahap, yaitu mencari jarak antara titik koordinat pada percabangan venasi dengan menggunakan metode Euclidean distance, lalu dinormalkan untuk menghilangkan pengaruh penskalaan. Pencarian jarak antarkoordinat dilakukan untuk menghilangan pengaruh pada dilatasi dan rotasi. Setelah itu dilakukan normalisasi data dengan membagi data dengan data jarak terbesar yaitu fitur p76 yang merupakan pasangan titik 5 dan 15. Fitur p76 dapat dilihat pada Gambar 6. Hasil dari proses ekstraksi ciri dapat dilihat pada Gambar 7.
10
Gambar 6 Plot pasangan titik 5 dan 15
Gambar 7 Plot dari hasil ekstraksi ciri. Hitam merupakan Apis cerana dan hijau merupakan Apis koschevnikovi Hasil dari ekstraksi ciri ini menghasilkan 171 fitur yang didapat dari 19x18 titik untuk mencari banyaknya pasangan titik lalu dibagi 2 karena pasangan titik 1 dan 2 dengan 2 dan 1 sama.
Conditional Inference Tree Klasifikasi sayap lebah dengan menggunakan metode Conditional Inference Tree ini menggunakan 238 data training dan 171 fitur yang merupakan hasil dari menghitung jarak antartitik pada proses ekstraksi ciri. Ke-171 fitur tersebut diberi nama p1-p171. Pelatihan data dengan menggunakan metode ini menghasilkan model pohon keputusan seperti pada Gambar 8.
Gambar 8 Model pohon keputusan dengan menggunakan metode Conditional Inference Tree
11 Node 3, node 4, dan node 5 merupakan daun dari model pohon keputusan yang dihasilkan oleh metode Conditional Inference Tree. Warna abu-abu merupakan kelas A. cerana dan warna hitam kelas A. konchevnikovi. Node 3 merupakan kelas A. konchevnikovi karena jumlah A. konchevnikovi dominan pada node tersebut. Dari model pohon keputusan di atas dapat dilihat fitur-fitur penting pada sayap lebah adalah fitur p77 dan p27. Fitur p77 merupakan pasangan titik 5 dan 16 sementara fitur p27 merupakan pasangan titik pasangan titik 2 dan 11. Fitur p77 dan p27 dapat dilihat pada Gambar 9 dan Gambar 10.
Gambar 9 Plot pasangan titik 2 dan 11
Gambar 10 Plot pasangan titik 5 dan 16 Penggunaan metode ini menghasilkan Rule seperti di bawah ini. 1) p77 <= 0.7366533; criterion = 1, statistic = 191.291 2) p27 <= 0.2190521; criterion = 0.99, statistic = 16.119 3)* weights = 7 2) p27 > 0.2190521 4)* weights = 162 1) p77 > 0.7366533 5)* weights = 69
Pengujian Pengujian dilakukan dengan mencobakan data uji ke dalam model pohon keputusan. Hasil pengujian dapat dilihat dalam Tabel 5. Tabel 5 Hasil pengujian Apis cerana Apis cerana Apis koschevnikovi
17 2
Apis koschevnikovi 0 71
12 Pada kategori A. cerana dari 17 data seluruhnya masuk pada A. cerana. Pada kategori A. koschevnikovi dari 73 data, sebanyak 2 data terklasifikasi sebagai A. cerana, sisanya 71 data masuk A. koschevnikovi. Jika dilihat secara keseluruhan, tingkat akurasi untuk A. cerana sebesar 100%, untuk A. koschevnikovi sebesar 97.26%. Secara keseluruhan penggunaan metode Contitional Inference Tree untuk mengklasifikasi sayap lebah A. cerana dan A. koschevnikovi menghasilkan akurasi sebesar 97.78%.
SIMPULAN DAN SARAN Simpulan Penggunaan metode Conditional Inference Tree untuk mengklasifikasikan sayap lebah A. cerana dan A. koschevnikovi menghasilkan akurasi sebesar 97.78%. Fitur kunci dalam mengklasifikasi sayap lebah A. cerana dan A. koschevnikovi adalah fitur p77 yang merupakan pasangan titik 5 dan 16 dan fitur p27 yang merupakan pasangan titik 2 dan 11. Fitur p76 yang pasangan titik 5 dan 15 merupakan fitur penting yang digunakan dalam proses ekstraksi ciri karena p76 merupakan jarak pasangan titik terjauh.
Saran Pada penelitian selanjutnya disarankan untuk hanya menggunakan kombinasi dari pasangan titik 2, 5, 11, 15, dan 16 saja untuk mempermudah proses komputasi. Gunakan lebih banyak spesies lagi untuk mendapatkan rule yang lebih baik.
DAFTAR PUSTAKA Abou-Shaara HF, Al-Ghamdi AA. 2012. Studies on wings symmetry and honey bee races discrimination by using standard and geometric morphometrics. Biotechnology in Animal Husbandry, 28 (3): 575-584. Daly HV, Balling SS. 1978. Identification of Africanized honeybees in the Western Hemisphere by discriminant analysis, J. Kans. Entomol. Soc. 51, 857– 869. Edriss MA, Mostajeran M, Ebadi R. 2002. Correlation between honey yield and morphological traits of honey bee in Isfahan. Journal of Science and Technology of Agriculture and Natural Resources, 6(2): 91-103. Hadisoesilo S, Raffiudin R, Susanti W, Atmowidi T, Hepburn C, Radloff SE, Fuchs S, Hepburn HR. 2008. Morphometric analysis and biogeography of Apis koschevnikovi Enderlein (1906). Apidologie. 39:495-503. Hothorn T, Hornik K, ZeileisA. 2008. Alaboratory for recursive partitioning. http://cran.r-project.org/web/packages/party/party.pdf Accessed February 28, 2015.
13 Kenneth TK & Oguro J. 1999. Update on the status of Africanized honeybees in the Western States. British Medical Association. West J Med 170:220-222. Koeniger N, Koeniger G, Tingek S, Mardan M, Rinderer T. 1988. Reproductive isolation by different time of drone flight between Apis cerana Fabricus, 1793 and Apis vechti (Maa, 1953). Apidologie 19:103-106. Koeniger G, Koeniger N, Mardan M, Otis G. Wongsiri S. 1991. Comparative anatomy of male genital organs in the genus Apis.Apidologie 22:539-552. Koeniger G, Koeniger N, Tingek S. 1994. Mating flight, number of spermatozoa, sperm transfer and degree of polyandry in Apis koschevnikovi (Buttel-Reepen, 1996. Apidologie 25:224-238). Marghitas AL, Paniti-Teleky O, Dezmirean D, et al. 2008. Morphometric differences between honey bees (Apis mellifera carpatica) Populations from Transylvanian area, Zootehnie Si Biotehnologii, 41(2): 309-315. Monlar C, Most S. 2012. Conditional Trees or Unbiased Recursive Partitioning a Conditional Inference. Framework. California : Loyola Marymount University Press. Otis GW. 1991. A Review of the Diversity of Spesies Within Apis. In Smith DR, editor. Diversity in The Genus Apis. Westview Press. Rohlf FJ. 2005. tpsDig, version 2.04, Department of Ecology and Evolution, State University of New York, Stony Brook. Ruttner F. 1988. Biogeography and taxonomy of honey bees. Springer, Berlin. Sambrooks J, Fritsch EF, Maniatis T. 1989. Molecular Cloning a Laboratory Manual. Ed ke-2. New York: Cold Spring Harbor Pr. Sheppard et al. 1999. Analysis of Africanized honeybee mitochondrial DNA reveals further diversity origin. Genet Mol Biol 22:1415-1757. Tingek S, Koeniger G, Koeniger N. 1996. Deskription of a new cavity nesting species of Apis (Apis nuluensis n.sp.) from Sabah, Borneo, with notes on its occurrence and reproductive biology. Senckenbergiana Biol. 76:115-119. Tofilski A. 2004. DrawWing, a program for numerical description of insect wings, J. Insect Sci. 4, 17–22. Woyke J. 1997. The Biology of the Honey Bee. Cambrige: Harvard University press. Yanchang Zhao. 2012. R and Data Mining: Examples and Case Studies. Elsevier, ISBN 978-0-12-396963-7.
14
RIWAYAT HIDUP Penulis skripsi ini adalah Roihan Adiyat. Terlahir 21 Februari 1992 di Jakarta. Berpendidikan menengah atas di SMAN 21 Jakarta dan lulus tahun 2010. Sekarang sedang menyelesaikan studi di Departemen Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Prestasi yang pernah diraih selama duduk dibangku kuliah adalah Finalis Lomba Cipta Elektronik Nasional di ITS Surabaya. Selama kuliah penulis juga aktif dalam berbagai organisasi dan kegiatan. Penulis pernah menjabat sebagai ketua Himpunan Mahasiswa Ilmu Komputer IPB periode 2012-2013. Pada tahun yang sama penulis juga tergabung sebagai anggota Forum Silaturahmi Lembaga Kemahasiswaan FMIPA dan Forum Komunikasi dan Informasi IPB. Kegiatan kepanitiaan yang pernah diikuti penulis antara lain Divisi Logstran Programing Competition IPB, Divisi Acara Olimpiade Mahasiswa IPB, Divisi Acara IT Today 2012, Divisi Master of Disipliner Masa Perkenalan Departemen Ilmu Komputer IPB, Divisi Medis Masa Perkenalan Fakultas Matematika dan Ilmu Pengetahuan IPB, Ketua Workshop Teknologi Himalkom IPB, dan Ketua Umum Programing Competition IPB.
