PENGENALAN VARIETAS KUNYIT BERDASARKAN CIRI FISIK MENGGUNAKAN GENETIC PROGRAMMING DENGAN PRAPROSES BOOLEANIZING
MOCHAMMAD SUDHARMONO
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2012
PENGENALAN VARIETAS KUNYIT BERDASARKAN CIRI FISIK MENGGUNAKAN GENETIC PROGRAMMING DENGAN PRAPROSES BOOLEANIZING
MOCHAMMAD SUDHARMONO
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 2012
ABSTRACT MOCHAMMAD SUDHARMONO. Turmeric Variety Identification Based on Physical Features Using Genetic Programming With Booleanizing Preprocessing. Supervised by MUSHTHOFA. Turmeric is one of medicinal plant that can be used to treat swollen gums, sores, shortness of breath, abdominal pain, ulcers, sore spleen, appendix, gout, indigestion, flatulence, and lowers blood pressure. Turmeric have been processed through a selection in a breeding program and has acquired three varieties of turmeric with curcumin production potential and high quality, the variety of turmeric is Turina-1, Turina-2, and Turina-3. The pure seed requirement will increase and genetic diversity in turmeric growing community will be more narrow. This causes difficulties in distinguishing of high yielding varieties, as based on existing physical data Balittro almost identical, making it difficult to determine distinguishing characteristics. This research aims to develop an identification system to identify turmeric based on physical feature. This system identifies 3 variety of turmeric. The identification system being built uses Genetic Programming with Booleanizing preprocessing.The data are divided into three subset. The three subset are used as training data and test data. The Genetic Programming using 100 data to kinds of turmeric. The identification using Genetic Programing with Booleanizing preprocessing produced 95% accuracy. Keywords : booleanizing, genetic programming, turmeric
Judul Skripsi Nama NIM
: Pengenalan Varietas Kunyit Berdasarkan Ciri Fisik Menggunakan Genetic Programming dengan Praproses Booleanizing : Mochammad Sudharmono : G64096041
Disetujui: Pembimbing
Mushthofa, S.Kom, M.Sc NIP 198203252009121003
Diketahui: Ketua Departemen
Dr. Ir. Agus Buono, M.Si, M.Kom NIP 196607021993021001
Tanggal Lulus:
KATA PENGANTAR Puji dan syukur penulis panjatkan ke hadirat Allah Subhanahu Wa Ta’ala atas segala curahan rahmat dan karunia-Nya sehingga penulis dapat menyelesaikan skripsi yang berjudul Pengenalan Varietas Kunyit Berdasarkan Ciri Fisik Menggunakan Genetic Programming dengan Praproses Booleanizing. Penulis sadar bahwa tugas akhir ini tidak akan terselesaikan tanpa bantuan dari berbagai pihak. Pada kesempatan ini, penulis ingin mengucapkan terima kasih kepada 1 Orang tua tercinta Bapak Yusrimin Dadi dan Ibu Eka Suwarsih. 2 Bapak Mushthofa, S.Kom, M.Sc selaku dosen pembimbing tugas akhir atas dukungan dan kesabarannya dalam penyelesaian tugas akhir ini. 3 Bapak Hari Agung Adrianto, S.Kom, M.Si dan Bapak Dr. Ir. Agus Buono, M.Si, M.Kom selaku penguji tugas akhir ini, serta seluruh dosen dan staf Departemen Ilmu Komputer IPB. 4 Debby Puspa Bahri atas dukungan dan segala bantuan. 5 Sahabat-sahabat Anis, Kaka Adhit, Nina Maria, Mameto, Achul, Hafiz, dan seluruh temanteman X4 X-Ilkom IPB. 6 Kolega yang terbaik Mustafa Fadliel Sangaji, Abdul Charris, Irfan Kurniawan, Reyhan Affandie, Bapak Mukhaidor, dan Bapak Bambang Adia Putra serta rekan-rekan di PT Xsis Mitra Utama, atas waktu dan kesempatan yang diberikan agar penulis dapat menyelesaikan tugas akhir ini. 7 Seluruh pihak yang turut membantu baik secara langsung maupun tidak langsung dalam proses penyelesaian tugas akhir ini.
Bogor, Desember 2012
Mochammad Sudharmono
RIWAYAT HIDUP Penulis dilahirkan di Banjarbaru pada tanggal 13 Maret 1988. Penulis merupakan anak ketiga dari tiga bersaudara dari pasangan Bapak Yusrimin Dadi dan Ibu Eka Suwarsih. Penulis lulus dari SMU Muhammadiyah 1 Yogyakarta pada tahun 2005. Penulis melanjutkan pendidikannya di D3 Ilmu Komputer dan Sistem Informasi, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Gadjah Mada melalui program reguler dan lulus pada tahun 2009. Penulis kemudian melanjutkan pendidikan ke jenjang S1 Ilmu Komputer Penyelenggaraan Khusus, Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor. Saat ini penulis bekerja di PT Xsis Mitra Utama sebagai programmer.
DAFTAR ISI Halaman DAFTAR TABEL .................................................................................................................... viii DAFTAR GAMBAR ................................................................................................................ viii DAFTAR LAMPIRAN ............................................................................................................. viii PENDAHULUAN Latar Belakang ........................................................................................................................ 1 Tujuan ..................................................................................................................................... 1 Ruang Lingkup ........................................................................................................................ 1 TINJAUAN PUSTAKA Klasifikasi ............................................................................................................................... 2 Machine Learning ................................................................................................................... 2 Genetic Programming ............................................................................................................. 2 Booleanize............................................................................................................................... 3 Seleksi..................................................................................................................................... 3 Crossover ................................................................................................................................ 3 Mutasi ..................................................................................................................................... 4 Terminasi Genetic Programming ............................................................................................. 4 K-Fold Cross Validation .......................................................................................................... 4 METODE PENELITIAN Pengambilan data .................................................................................................................... 4 Booleanize............................................................................................................................... 4 3-Fold Cross Validation .......................................................................................................... 5 Genetic Programming ............................................................................................................. 5 Aturan Klasifikasi.................................................................................................................... 5 Evaluasi .................................................................................................................................. 6 Penggabungan Aturan .............................................................................................................. 6 Evaluasi dan Analisis Hasil ...................................................................................................... 6 Lingkungan Pengembangan ..................................................................................................... 6 HASIL DAN PEMBAHASAN Pengambilan data .................................................................................................................... 6 Booleanize............................................................................................................................... 6 3-Fold Cross Validation .......................................................................................................... 7 Genetic Programming ............................................................................................................. 8 Evaluasi .................................................................................................................................. 9 Penggabungan Aturan .............................................................................................................. 9 Evaluasi dan Analisis Hasil .................................................................................................... 10 KESIMPULAN DAN SARAN Kesimpulan ........................................................................................................................... 10 Saran ..................................................................................................................................... 10 DAFTAR PUSTAKA ................................................................................................................ 10 LAMPIRAN .............................................................................................................................. 12
v
DAFTAR TABEL Halaman 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
Contoh beberapa fungsi yang ada pada genetic programming ................................................. 3 Data numerik ke biner ............................................................................................................ 5 Data nominal ke biner ............................................................................................................ 5 Warna bunga ......................................................................................................................... 6 Bentuk pangkal daun.............................................................................................................. 6 Warna daging rimpang ........................................................................................................... 6 Jumlah bunga per tandan (JBT) .............................................................................................. 7 Tinggi tanaman (TT) .............................................................................................................. 7 Jumlah anakan ....................................................................................................................... 7 Panjang daun (PD) ................................................................................................................. 7 Lebar daun (LD) .................................................................................................................... 7 Berat rimpang per rumpun (BRR) .......................................................................................... 7 Jumlah rimpang induk ............................................................................................................ 7 Jumlah rimpang primer (JRP) ................................................................................................. 7 Jumlah rimpang sekunder (JRS) ............................................................................................. 7 Kadar kurkumin (KK) ............................................................................................................ 7 Pembagian data per fold ......................................................................................................... 7 Contoh Evaluasi Fitness ......................................................................................................... 8 Parameter Genetic Programming............................................................................................ 9 Aturan Kelas Turina-1 ........................................................................................................... 9 Aturan Kelas Turina-2 ........................................................................................................... 9 Aturan Kelas Turina-3 ........................................................................................................... 9 Pengurutan Aturan ............................................................................................................... 10 Matriks konfusi akurasi aturan ............................................................................................. 10
DAFTAR GAMBAR Halaman 1 Skema Genetic Programming (Koza 1998). .............................................................................. 2 2 Single Point Crossover............................................................................................................. 3 3 Metode penelitian. ................................................................................................................... 4 4 Contoh aturan .......................................................................................................................... 8 5 Contoh aturan untuk evaluasi ................................................................................................... 8 6 Contoh operasi crossover ........................................................................................................ 8 7 Contoh operasi mutasi.............................................................................................................. 8
DAFTAR LAMPIRAN Halaman 1 2 3 4 5 6 7
Data kunyit ............................................................................................................................ 13 Hasil booleanize data ........................................................................................................... 178 Akurasi pengujian .................................................................................................................. 21 Pembagian fold data ............................................................................................................... 29 Aturan terbaik Turina-1 ......................................................................................................... 30 Aturan terbaik Turina-2 ......................................................................................................... 31 Aturan terbaik Turina-3 ......................................................................................................... 33
vi
1
PENDAHULUAN Latar Belakang Teknologi komputer yang terus berkembang dapat mendukung manusia dalam mendapatkan informasi. Informasi yang baik didapatkan dari hasil pengolahan data yang terjamin kebenarannya. Untuk melakukan pengolahan data, diperlukan suatu sistem yang mampu mengolah data secara tepat dan akurat serta dapat diandalkan dalam membantu pengambilan keputusan. Masalah klasifikasi banyak dijumpai dalam kehidupan sehari-hari, seperti dalam penentuan diterima atau tidaknya pengajuan kredit dalam dunia perbankan hingga diagnosis penyakit di bidang kedokteran. Masalah penentuan keputusan dalam klasifikasi seringkali disebabkan oleh kurangnya tenaga ahli. Oleh karena itu, diperlukan suatu metode alternatif dalam menentukan suatu solusi permasalahan, dalam hal ini untuk klasifikasi data. Konsep kecerdasan buatan dapat digunakan untuk memberikan jawaban terhadap suatu permasalahan klasifikasi. Kecerdasan buatan memiliki kemampuan menebak suatu jawaban seperti pada perilaku otak manusia. Salah satu solusi kecerdasan buatan yang dapat digunakan dalam permasalahan klasifikasi ialah genetic programming. Genetic programming digunakan untuk mempelajari pola dari suatu data. Menurut Sakprasat dan Sinclair (2007), motivasi utama untuk menggunakan genetic programming dalam classification rule mining ialah ketahanan dan metode pencarian yang adaptif sehingga lebih efektif dalam menemukan pola. Kunyit (Curcuma domestica Val.) merupakan salah satu tanaman obat temutemuan yang berpotensi untuk dibudidayakan (Syukur et al. 2006, dalam Bursatriannyo 2012). Rimpang kunyit dapat digunakan antara lain untuk mengobati gusi bengkak, luka, sesak nafas, sakit perut, bisul, sakit limpa, usus buntu, encok, gangguan pencernaan, perut kembung, dan menurunkan tekanan darah. Kunyit merupakan salah satu koleksi tanaman obat yang berdasarkan manfaatnya telah diproses melalui seleksi dalam program pemuliaan dan telah diperoleh sebanyak tiga varietas unggul kunyit dengan potensi produksi dan mutu kurkumin tinggi, yaitu varietas Turina-1, Turina-2, dan Turina3 (Syukur et al. 2011, dalam Bursatriannyo 2012). Dengan berkembangnya ketiga varietas tersebut, kebutuhan benih murni akan semakin
meningkat dan keragaman genetik kunyit yang berkembang di masyarakat akan semakin sempit. Hal ini menyebabkan sulitnya membedakan kunyit biasa dari varietasvarietas unggul, karena berdasarkan data fisik yang ada di Balittro hampir mirip sehingga ciri pembedanya sulit ditemukan. Pada penelitian Bursatriannyo (2012) dengan topik penelitian Sistem Pakar Identifikasi Varietas Tanaman Kunyit, dilakukan penelitian untuk melakukan klasifikasi varietas kunyit dengan data yang diuji berupa ciri fisik, data produksi, dan mutu dari ketiga varietas kunyit. Penelitian tersebut memiliki kekurangan pada sisi aturan pakar Belum ada standar mengenai aturan atau ciriciri utama untuk varietas Turina dan aturan yang kompleks sehingga menyulitkan proses pengembangan dan maintenance sistem. Oleh karena itu, diperlukan penelitian untuk menentukan aturan terbaik untuk klasifikasi. Penelitian ini akan menggunakan genetic programming untuk menentukan aturan klasifikasi. Tujuan Penelitian ini bertujuan: 1 menentukan aturan klasifikasi yang terbaik pada varietas kunyit menggunakan genetic programming, 2 menguji akurasi aturan klasifikasi tersebut dalam menentukan jenis varietas. Ruang Lingkup Ruang lingkup dalam penelitian ini ialah: 1 data yang digunakan ialah data dari Balittro. Data berjumlah 100 data yang terdiri atas empat kelas. Masing-masing kelas memiliki 25 data dan 13 ciri, 2 variabel data yang digunakan ialah aspek fisik: warna bunga (WB), jumlah bunga per tandan (JPT), tinggi tanaman (TT), jumlah anakan (JA), panjang daun (PD), lebar daun (LD), bentuk pangkal daun (BPD), warna daging rimpang (WDR), berat rimpang per rumpun (BRR), jumlah rimpang induk (JRI), jumlah rimpang primer (JRP), dan jumlah rimpang sekunder (JRS) serta aspek mutu berupa kadar kurkumin (KK), 3 metode praproses yang digunakan ialah booleanizing.
2
TINJAUAN PUSTAKA Klasifikasi Klasifikasi adalah proses untuk menemukan sekumpulan model atau fungsi yang menjelaskan dan membedakan kelas data dengan agar dapat digunakan untuk melakukan prediksi kelas dari suatu objek yang tidak diketahui label kelasnya (Han & Kamber 2001). Klasifikasi merupakan metode dari supervised learning. Adapun perbedaan supervised learning dan unsupervised learning ialah: a Supervised Learning, yaitu menemukan pola baru dalam data yang menghubungkan pola data yang sudah ada dengan data yang baru. b Unsupervised Learning, yaitu data belum memiliki pola sehingga harus menemukan pola dalam sebuah data.
1 membuat populasi awal secara acak. Individu memiliki ukuran yang sama 2 secara berulang, langkah di bawah ini akan dilakukan sampai kriteria terminasi terpenuhi (Termination Criterion Satisfied) atau jumlah generasi maksimum (Gen) terpenuhi. a evaluasi fitness pada setiap individu pada populasi, b membuat populasi baru. Proses ini dilakukan hingga jumlah populasi baru (i) sama dengan jumlah populasi sebelumnya (M) menggunakan individu terbaik (i:=M?) berdasarkan fitness yang diberikan operasi genetika, yang dipilih berdasarkan peluang operasi genetika. i operasi reproduksi (Pr). ii operasi mutasi (Pm). iii operasi rekombinasi (Pc). 3 individu yang terbaik akan dihasilkan (Designate Result).
Machine Learning
Gen := 0
Machine learning adalah ilmu mengenai algoritme komputer yang ditingkatkan kemampuannya secara otomatis berdasarkan pengalaman (Mitchell 1997). Secara umum, machine learning menggunakan penalaran berpikir secara induktif, yaitu suatu cara berpikir dengan berdasarkan pada pengalaman yang diulang-ulang. Genetic Programming
Create Initial Random Population Yes Termination Criterion Satisfied?
Designate Result
No Evaluate Fitness of Each Individual in Population
End
i:= 0 Yes Gen:=Gen+1
i=M? No
Genetic programming menurut Poli et al. (2008) adalah suatu evolusi teknik komputasi yang secara otomatis memecahkan masalah tanpa membutuhkan pengguna untuk mengetahui atau menentukan bentuk atau struktur solusi di awal masalah. Genetic programming lebih bersifat dinamis dibandingkan dengan algoritme genetika. Secara umum, individu yang digunakan pada genetic programming adalah program komputer. Teknik yang digunakan ialah pengoptimalan sejumlah populasi program komputer berdasarkan fungsi fitness yang ditentukan oleh kemampuan program untuk melakukan fungsi komputasional. Pada penelitian ini, individu yang digunakan pada genetic programming ialah aturan klasifikasi. Populasi dibentuk dari sejumlah aturan yang dibentuk secara acak. Setiap aturan akan dievaluasi berdasarkan fitness tertentu. Pada Gambar 1, dapat dilihat proses genetic programming secara keseluruhan. Ada tiga langkah utama dalam operasi genetic programming:
Pr
Select One Individual Based on Fitness
Select Genetic Operation Probabilistically Pc Select Two Individuals Based on Fitness
Pm
Select One Individual Based on Fitness
i:=i+1 Perform Reproduction
Copy into New Population
Perform Crossover Perform Mutation
Insert Two Offspring into New Population
Insert Mutant into New Population
i:=i+1
Gambar 1 Skema Genetic Programming (Koza 1998). Untuk membangkitkan sebuah individu, beberapa keputusan perlu dibuat. Berikut ini ialah langkah-langkah persiapan yang diperlukan (Poli 2008): 1 Terminal Set
3
Kumpulan terminal terdiri atas masukan dari luar program, fungsi tanpa argumen, dan konstanta. 2 Function Set Function set yang digunakan pada genetic programming biasanya didorong oleh sifat dari masalah domain. Sebagai contoh, pada fungsi numerik sederhana, function set hanya terdiri atas fungsi aritmatika (+, -, *, /). Tabel 1 menunjukkan beberapa contoh dari penggunaan function set yang ada pada genetic programming. Tabel 1
Contoh beberapa fungsi yang ada pada genetic programming Function Set Jenis Primitif Contoh Arithmetic +, *, / Mathematical sin, cos, exp Boolean AND, OR, NOT Conditional IF-THEN-ELSE Looping FOR, REPEAT
3 Fitness Measure Perhitungan fitness dari individu. Contohnya ialah perhitungan jumlah kesalahan dari perbandingan hasil yang didapat dan hasil yang diharapkan.
Roulette Wheel memilih individu dengan nilai peluang berdasarkan nilai fitness (Al Jadaan et al. 2008). Sebuah bilangan interval S merupakan jumlah dari keseluruhan nilai fitness dari individu dalam populasi. Individu akan dipetakan one-to-one ke dalam interval dengan kisaran [0, S]. Ukuran interval dari sebuah individu berhubungan dengan nilai fitness dari individu tersebut. Individu yang memiliki fitness paling tinggi memiliki interval terbesar, sedangkan individu yang memiliki fitness terkecil memiliki interval terkecil. Untuk memilih individu, dilakukan pengacakan sebuah angka di dalam interval [0,S] dan individu yang termasuk dalam nomor segmen acak yang muncul akan terpilih. Proses dilakukan sampai jumlah individu yang diinginkan berhasil didapatkan. 2
Tournament Metode seleksi ini menurut Koza (1998) adalah sekumpulan individu yang telah ditetapkan dipilih secara acak dari populasi dan individu dengan fitness terbaik akan dipilih. Ketika dua individu saling diadu, hasil dari seleksi tournament ini adalah satu individu yang terbaik. Crossover
4 Parameter Beberapa parameter genetic programming yang digunakan antara lain ukuran populasi, peluang operasi genetika, dan ukuran generasi.
Crossover ialah proses pemilihan dua individu yang akan kromosomnya akan dipotong pada posisi yang acak (Afenzeller et al. 2009). Jenis dari crossover ialah sebagai berikut:
5 Termination Criterion Termination Criterion dapat berupa jumlah maksimum dari generasi yang akan dijalankan atau memenuhi target fitness.
1
Booleanize Booleanize (Imberman & Domanski 1999) adalah transformasi dari nilai suatu tipe data ke nilai biner berdasarkan nilai threshold. Terdapat beberapa cara dalam melakukan booleanize data, antara lain dengan menggunakan threshold: 1 mean, 2 median, 3 modus, 4 pemisahan menjadi dua kelompok menggunakan teknik clustering, dan 5 kuartil. Seleksi Beberapa metode dalam melakukan seleksi pada genetic programming ialah: 1
Roulette Wheel
Single Point Pemotongan tunggal secara acak menghasilkan dua head section dan dua tail section seperti pada Gambar 2. Dua tail section akan ditukar untuk menjadi dua individu baru. Crossover Point Parents Crossover Children
Gambar 2 Single Point Crossover. 2
Multi Point Pemotongan multi point ini dilakukan hampir sama dengan single point. Hanya saja, multi point menghasilkan banyak hasil pemotongan sebanyak n dan dilakukan pertukaran sebanyak n pula.
4
dan fold 3 digunakan sebagai data latih, sedangkan fold 1 sebagai data uji.
Mutasi Hal yang paling mendasar dalam mutasi pada kode biner ialah perubahan nilai bit. Mutasi dilakukan secara acak dan sangat jarang. Peluang terjadi mutasi kurang dari 10% (Afenzeller et al. 2009).
METODE PENELITIAN Metode penelitian yang digunakan pada penelitian ini ditunjukkan pada Gambar 3.
Terminasi Genetic Programming
Pengambilan data
Syarat penghentian proses pada genetic programming ialah ketika stop condition terpenuhi atau maksimum generasi telah tercapai (Silva & Almeida 2003).
Data yang digunakan ialah data varietas kunyit yang terdiri atas 100 data dan empat kelas. Data diperoleh dari database plasma nutfah tanaman rempah dan obat Balittro. Kelas data dibagi menjadi Turina-1, Turina-2, Turina-3, dan bukan varietas. Kelas bukan varietas merupakan varietas yang tidak memiliki label atau ciri.
K-Fold Cross Validation Langkah pertama dalam metode ini ialah membagi data ke dalam K bagian sama rata. Dilakukan percobaan sebanyak K iterasi. Pada setiap iterasi, K-1 fold digunakan untuk pelatihan dan validasi (Refaeilzadeh et al. 2008), sedangkan K fold digunakan untuk pengujian.
Booleanize Pada proses booleanize dilakukan pengubahan tipe data numerik dan nominal ke nilai biner yang berupa angka 0 dan 1. Proses yang dilakukan dalam booleanize ialah sebagai berikut:
Contohnya ialah menggunakan 3-fold cross validation. Pada langkah pertama, fold 1 dan fold 2 digunakan sebagai data latih, sedangkan fold 3 digunakan sebagai data uji. Pada langkah kedua, fold 1 dan fold 3 digunakan sebagai data latih, sedangkan fold 2 sebagai data uji. Pada langkah ketiga, fold 2
1 Mengubah data numerik ke dalam empat kelompok berdasarkan kuartil. Sebagai contoh, penggunaannya pada data tinggi tanaman (TT) yang menggunakan kuartil dalam penentuan threshold dapat dilihat Start Pengambilan Pengambilan Data Data
Booleanize Booleanize
Kelas Turina-1
3-Fold Cross 3-Fold Cross Validation Validation Data Latih Data Latih
Kelas Turina-3
3-Fold Cross Kelas Turina-2 3-Fold Cross Validation Validation
Data Uji Data Uji
Data Latih Data Latih
Genetic Programming
Data Uji Data Uji
3-Fold Cross 3-Fold Cross Validation Validation Data Latih Data Latih
Genetic Programming
Genetic Programming
Generate Rule Generate Rule
Generate Rule Generate Rule
Generate Rule Generate Rule
Evaluasi Fitness Evaluasi Fitness
Evaluasi Fitness Evaluasi Fitness
Evaluasi Fitness Evaluasi Fitness
Apakah stop Ya Apakah stop condition condition terpenuhi? terpenuhi?
Aturan Aturan Klasifikasi Klasifikasi
Tidak Operasi Genetika Operasi Genetika
Apakah stop Ya Apakah stop condition condition terpenuhi? terpenuhi?
Aturan Aturan Klasifikasi Klasifikasi
Tidak Evaluasi Evaluasi
Data Uji Data Uji
Apakah stop Ya Apakah stop condition condition terpenuhi? terpenuhi?
Aturan Aturan Klasifikasi Klasifikasi
Tidak
Operasi Genetika Operasi Genetika
Evaluasi Evaluasi
Penggabungan Penggabungan Aturan Aturan Evaluasi dan Evaluasi dan Analisis Hasil Analisis Hasil End End
Gambar 3 Metode penelitian.
Operasi Genetika Operasi Genetika
Evaluasi Evaluasi
5
pada Tabel 2. Tabel 2 Data numerik ke biner X1 X2 Threshold TT <= 150.9 0 0 150.9 < TT <= 173.2 0 0 173.2 < TT <= 174.9 0 1 174.9 <= TT 1 0
X3
X4
0 1 0 0
1 0 0 0
2 Mengubah data nominal yang berjumlah n data unik ke dalam n-digit data biner. Sebagai contoh, penggunaannya pada data warna daging rimpang dapat dilihat pada Tabel 3. Tabel 3 Data nominal ke biner Data asli
Y1
Y2
Y3
Y4
KUNING
0 0
0 0
0 1
1 0
KUNING ORANGE
0
1
0
0
ORANGE
1
0
0
0
KUNING MUDA
Pada tahap ini, dilakukan pemisahan kelas data menggunakan klasifikasi biner. Kelas yang akan dicari aturannya akan bernilai 1 dan kelas selainnya bernilai 0. Berdasarkan data kelas, proses pencarian aturan akan dipisahkan menjadi tiga proses tersendiri dengan menggunakan klasifikasi biner tersebut. 3-Fold Cross Validation Proses pembagian data ini dilakukan dengan cara: 1 mengelompokkan data berdasarkan kelas yang dicari bernilai 1 dan bernilai 0 untuk kelas selainnya, 2 membagi data kelas menjadi 3 fold, dan 3 memisahkan dua fold data latih dan satu fold data uji. Genetic Programming Proses yang dilakukan pada programming, yaitu:
genetic
1 Generate rule Pada tahap ini, aturan akan dibuat sesuai jumlah populasi dengan cara memilih secara acak function dan terminals yang telah ditentukan sebelumnya. Individu yang berupa aturan yang memiliki ketinggian tree mulai dari dua sampai maksimum ketinggian, yaitu 17. Metode yang digunakan merupakan perpaduan antara Full Method yang membuat tree yang memiliki ketinggian maksimum dengan Grow Method yang
membuat tree yang memiliki ketinggian mulai dari satu sampai ketinggian maksimum. 2 Evaluasi fitness Evaluasi fitness yang digunakan pada tahap ini berupa jumlah kesalahan prediksi yang dibandingkan dengan hasil sebenarnya. Nilai fitness dari individu berbanding terbalik dengan jumlah kesalahan. Semakin sedikit jumlah kesalahan, semakin baik individu tersebut. Nilai fitness dalam penelitian ini dihitung dengan memasukkan data ke dalam aturan yang telah dipilih. Nilai fitness dari aturan yang telah dipilih dinilai berdasarkan jumlah kesalahan klasifikasi. Semakin sedikit kesalahan dalam klasifikasi, aturan tersebut memiliki fitness yang semakin baik. 3 Operasi genetika Tahap awal pada operasi genetika ialah menentukan operasi yang akan digunakan berdasarkan peluang operasi crossover, elitisme, dan mutasi telah ditentukan. Crossover dilakukan dengan dua individu terbaik dengan cara menyilangkan bagian dari individu tersebut. Elitisme dilakukan pada individu dengan nilai akurasi fitness terbaik. Elitisme merupakan penyalinan ulang individu terbaik. Operasi ini akan dilakukan sampai jumlah populasi baru terpenuhi. Operasi mutasi dilakukan dengan mengubah suatu bagian pada individu. 4 Stop condition Kondisi penghentian operasi genetic programming yang digunakan ialah jika proses telah mencapai generasi maksimum yang telah ditentukan atau nilai akurasi fitness telah tercapai. Jika kondisi stop condition belum tercapai, proses akan masuk ke tahap generate rule kembali. Contoh dari stop condition ini ialah memenuhi jumlah maksimum generasi sebanyak 100 generasi. Aturan Klasifikasi Aturan klasifikasi didapatkan secara otomatis dari proses genetic programming. Aturan ini diujikan terhadap data yang telah ditentukan. Proses ini dilakukan sebanyak jumlah kelas data. Satu aturan hanya digunakan untuk satu kelas. Nilai hasil untuk kelas yang benar bernilai 1 dan 0 untuk kelas yang selainnya.
6
Evaluasi Evaluasi dilakukan untuk memeriksa akurasi dengan cara membandingkan hasil prediksi dan hasil yang aktual. Proses ini dilakukan pada masing-masing kelas. Penggabungan Aturan Penggabungan aturan dilakukan setelah dihasilkan aturan terbaik dari masing-masing proses kelas. Penggabungan dilakukan dengan cara mengombinasikan urutan aturan dari masing-masing kelas. Evaluasi dan Analisis Hasil Pada tahap evaluasi dan analisis hasil, masing-masing aturan yang telah dikombinasikan akan diujikan terhadap seluruh data. Terdapat enam buah kombinasi aturan, dan hanya satu buah kombinasi gabungan aturan yang diambil yang memiliki akurasi terbaik yang akan digunakan sebagai aturan secara keseluruhan. Lingkungan Pengembangan Penelitian ini dilakukan dengan menggunakan notebook dengan spesifikasi: 1 processor AMD Athlon X2, 2 memory DDR2 2 GB, dan 3 hard disk 250 GB. Perangkat lunak yang digunakan ialah: 1 MATLAB 7.7.0 R2008b, dan 2 Microsoft Excel 2007.
HASIL DAN PEMBAHASAN Pengambilan data Data yang digunakan ialah data varietas kunyit yang terdiri atas 100 data dan empat kelas. Data diperoleh dari database plasma nutfah tanaman rempah dan obat Balittro. Kelas data dibagi menjadi Turina-1, Turina-2, Turina-3, dan bukan varietas. Kelas bukan varietas merupakan varietas yang tidak memiliki label atau ciri. Masing-masing kelas memiliki 25 data. Tipe data yang terdapat pada data varietas ialah nominal dan numerik. Data varietas dapat dilihat pada Lampiran 1. Booleanize Dalam melakukan operasi booleanize, data akan dipisahkan berdasarkan menjadi variabel. Tipe data asli akan diubah menjadi nilai biner. Untuk data yang memiliki tipe nominal, masing-masing data diubah menjadi nilai
tunggal. Data unik pertama diubah menjadi 1 dan selainnya diubah menjadi 0. Begitu pula selanjutnya, data unik kedua akan diubah menjadi 1 dan selainnya diubah menjadi 0. Untuk tipe data interval, data akan diurutkan terlebih dahulu dari nilai minimum ke nilai maksimum untuk dicari nilai kuartilnya. Kuartil digunakan untuk membagi jumlah data sama besar dengan mengesampingkan nilai yang ada. Kuartil yang digunakan sejumlah empat. Hasil dari booleanize dapat dilihat pada Tabel 4 hingga Tabel 16. Ciri warna bunga pada varietas kunyit ialah warna coklat, kuning, putih, putih kuning coklat, dan putih kuning pucat. Tabel 4 Warna bunga Data asli X1A X1B COKLAT 0 0 KUNING 0 0 PUTIH 0 0 PUTIH 0 1 KUNING COKLAT PUTIH KUNING PUCAT
1
0
X1C 0 0 1 0
X1D 0 1 0 0
X1E 1 0 0 0
0
0
0
Ciri bentuk pangkal daun pada varietas kunyit ialah bulat, meruncing, oval, dan runcing. Tabel 5 Bentuk pangkal daun Data asli BULAT MERUNCING OVAL RUNCING
X2A 0 0 0 1
X2B 0 0 1 0
X2C 0 1 0 0
X2D 1 0 0 0
Ciri warna daging rimpang ialah yaitu kuning, kuning muda, kuning orange, dan orange. Tabel 6 Warna daging rimpang Data asli X3A X3B X3C KUNING 0 0 0 KUNING 0 0 1 MUDA KUNING ORANGE ORANGE
X4D 1 0
0
1
0
0
1
0
0
0
Jumlah bunga per tandan pada varietas kunyit berjumlah antara 8 sampai 21 bunga.
7
Tabel 7 Jumlah bunga per tandan (JBT) Threshold X4A X4B X4C X4D JBT <= 14 0 0 0 1 15 < JBT <= 17 0 0 1 0 18 < JBT <= 19 0 1 0 0 JBT >= 20 1 0 0 0 Tinggi tanaman ada pada kisaran 147 sampai 177 mm. Tabel 8 Tinggi tanaman (TT) Threshold X5A X5B TT <= 150.9 0 0 150.9 < TT <= 173.2 0 0 173.2 < TT <= 174.9 0 1 174.9 <= TT 1 0
X5C 0 1 0 0
X5D 1 0 0 0
Jumlah anakan ialah 6, 7, dan 8 anakan.
Jumlah rimpang primer ada pada kisaran 3 sampai 12 rimpang. Tabel 14 Jumlah rimpang primer (JRP) Threshold X11A X11B X11C X11D JRP <=5 0 0 0 1 5<JRP<=7 0 0 1 0 7<JRP<=9 0 1 0 0 9<=JRP 1 0 0 0 Jumlah rimpang sekunder ada pada kisaran 4 sampai 17 rimpang. Tabel 15 Jumlah rimpang sekunder (JRS) Threshold JRS<=7 7<JRS<=10 10<JRS<=13
Tabel 9 Jumlah anakan Data asli X6A 6 0 7 0 8 1
13<=JRS
X6B 0 1 0
X6C 1 0 0
Panjang daun berada pada kisaran 8 sampai 23 cm. Tabel 10 Panjang daun (PD) Threshold X7A X7B PD <= 11.1 0 0 11.1 < PD <= 14.2 0 0 14.2 < PD <= 16.9 0 1 16.9 <= PD 1 0
X7C 0 1 0 0
X7D 1 0 0 0
Lebar daun ada pada kisaran 3.6 sampai 6.4 cm. Tabel 11 Lebar daun (LD) Threshold X8A X8B LD <= 4.5 0 0 4.5 < LD <= 5 0 0 5 < LD <= 5.55 0 1 5.55 < LD <= 6.4 1 0
X8C 0 1 0 0
X8D 1 0 0 0
X12A 0 0 0 1
X12B 0 0 1 0
X12C 0 1 0 0
X12D 1 0 0 0
Kadar kurkumin ada pada kisaran 7.1% sampai 11%. Tabel 16 Kadar kurkumin (KK) Threshold X13A X13B X13C KK<=8.4 0 0 0 8.4
X13D 1 0 0 0
Hasil keseluruhan booleanize data dapat dilihat pada Lampiran 2. Setiap operasi pada masing-masing kelas dilakukan secara bergantian. Sebagai contoh untuk operasi pelatihan pada kelas Turina-1, data kelas Turina-1 bernilai 1 dan selain kelas Turina-1 bernilai 0. Untuk operasi Turina-2, data kelas Turina-2 bernilai 1 dan selain kelas Turina-2 bernilai 0. Untuk operasi Turina-3, data kelas Turina-3 bernilai 1 dan selain kelas Turina-3 bernilai 0. 3-Fold Cross Validation
Berat rimpang per rumpun ada pada kisaran 500 sampai 2500 gram.
Hasil dari pembagian data berdasarkan fold dapat dilihat pada Tabel 17.
Tabel 12 Berat rimpang per rumpun (BRR) X9A X9B X9C X9D Threshold BRR <= 913.5 0 0 0 1 913.5
Tabel 17 Pembagian data per fold
Jumlah rimpang induk berjumlah 1, 2, dan 3 rimpang. Tabel 13 Jumlah rimpang induk Data asli X10A X10B 1 0 0 2 0 1 3 1 0
X10C 1 0 0
Kelas
Fold 1
Fold 2
Fold 3
Total
Turina 1 Turina 2 Turina 3
8 8 8 8
8 8 8 8
9 9 9 9
25 25 25 25
32
32
36
100
Bukan Varietas
Total
Tabel 17 merupakan hasil dari pengelompokkan kelas yang kemudian akan dibagi menjadi tiga fold. Tiga fold ini akan dibagi menjadi dua fold data latih dan satu
8
fold data uji secara bergantian. Pembagian data secara keseluruhan dapat dilihat pada Lampiran 4. Genetic Programming Proses yang dilakukan pada programming ialah:
genetic
1 Generate rule Pada tahap ini, aturan akan dibuat secara acak sesuai jumlah populasi yang telah ditentukan. Aturan yang dibuat berbentuk pohon. Contoh aturan dapat dilihat pada Gambar 4. NAND
OR
OR
NOR
AND
X5A
X9A
OR
AND
X6C
X5A
NOR
AND
X5A
X1B
NOR
X7B
NOR
X7D
NOR
X7B
OR
NOT
X13B
X4C
X2D
NAND
X1A
NOT
X4C
X7D
Gambar 4 Contoh Aturan. 2 Evaluasi fitness Evaluasi fitness dilakukan dengan cara mengujikan aturan yang dihasilkan terhadap data latih. Evaluasi dilakukan secara otomatis oleh sistem. Nilai fitness berbanding terbalik dengan nilai kesalahan yang dihasilkan. Semakin kecil nilai kesalahan, semakin baik individu tersebut. Sebagai contoh aturan terbaik pada Gambar 5 dan proses evaluasi pada Tabel 18, aturan dimasukkan ke dalam tiga buah data. Dua individu memiliki kelas 1 dan satu individu memiliki kelas 0. Pada proses evaluasi, aturan pada Gambar 5 melakukan prediksi dengan hasil ketiganya merupakan kelas 1. Hal ini memiliki arti bahwa aturan tersebut memiliki satu buah kesalahan atau memiliki akurasi 66.67%. AND
X1C
Gambar 6 Contoh operasi crossover. Operasi mutasi akan mengambil satu aturan terbaik untuk dilakukan perubahan di dalam gen dari aturan tersebut. Contoh operasi mutasi dapat dilihat pada Gambar 7. Node yang berisikan variabel X2A mengalami perubahan node menjadi X2B.
NAND
NAND
X1E
3 Operasi genetika Operasi genetika diawali dengan penentuan operasi genetika yang akan digunakan dengan cara menghitung peluang dari elitisme, crossover, dan mutasi. Kemudian, proses berlanjut untuk melakukan seleksi terhadap aturan menggunakan metode tournament. Metode tournament dilakukan dengan cara mengambil empat aturan secara acak, kemudian dibandingkan untuk mengambil satu aturan yang terbaik. Operasi elitisme akan mengambil satu aturan terbaik untuk disalin ulang ke dalam populasi. Operasi crossover akan mengambil dua aturan terbaik untuk melakukan pertukaran gen. Contoh dari operasi crossover dapat dilihat pada Gambar 6. Pada parent individu terjadi pertukaran bagian gen. Individu kiri memotong bagian X11B NAND X5D, sedangkan pada individu kanan memotong pada bagian X13A NAND X8C. Sehingga terjadi pertukaran antar bagian yang dipotong dari masing-masing parent.
X2B
NOT
X2B
Gambar 5 Contoh Aturan untuk Evaluasi. Gambar 7 Contoh operasi mutasi. Tabel 18 Contoh evaluasi Fitness Data 1 2 3
X1C 1 1 1
X1E 0 0 0
X2B 1 1 1
Kelas 1 0 1
Prediksi 1 1 1
4 Stop condition Kondisi penghentian operasi genetic programming yang digunakan ialah jika proses telah mencapai maksimum generasi yang telah ditentukan atau nilai akurasi fitness telah tercapai. Jika stop condition belum tercapai, individu akan masuk ke
9
tahap generate rule kembali sampai tercapai kondisi stop condition. Stop condition yang dipakai ialah kondisi fitness 100% atau jumlah error sebanyak nol kesalahan dan jumlah generasi telah tercapai sebanyak nilai masukan dari percobaan, yaitu 100 generasi, 200 generasi, dan 400 generasi.
Tabel 21 Aturan Kelas Turina-2 KELAS
TURINA-2 NOT
BOOLEAN
NOT
AND
NOT
NOT
OR
AND
Evaluasi Evaluasi dilakukan untuk memperoleh akurasi aturan yang dihasilkan oleh sistem untuk setiap parameter. Parameter yang digunakan untuk percobaan terdapat pada Tabel 19.
AND
X1B
Tabel 20 Aturan kelas Turina-1 KELAS
ATURAN
AKURASI
KELAS
OR
X2D
X3B
X1B
TURINA-3 AND
BOOLEAN NAND
NOT
NOT
NOT
X1B
X3A
NAND
X7A NOT
ATURAN X1E
AKURASI
AND
99%
NAND
NAND
ATURAN
X1A
X12C
Tabel 22 Aturan kelas Turina-3
AND
X1C
NOT
IF (WARNA BUNGA != “COKLAT”) AND (WARNA BUNGA != “KUNING”) AND (BENTUK PANGKAL DAUN != “BULAT”) AND (WARNA DAGING RIMPANG = “KUNING ORANGE” OR (3.6 < LEBAR DAUN <= 4.5 OR 7 < RIMPANG SEKUNDER <= 10) THEN TURINA-2
TURINA-1
BOOLEAN
NOT
X8D
Tabel 19 Parameter Genetic Programming Parameter Nilai Generasi 100, 200, 400 Populasi 40, 50, 60 Peluang Crossover 0.75, 0.8, 0.9 Peluang Mutasi 0.01, 0.02 Elitisme 1, 2, 3 Dalam setiap pengujian, masing-masing kelas akan memiliki tiga aturan berdasarkan pengujian fold. Dari kombinasi parameter pada Tabel 19, diperoleh aturan terbaik untuk masing-masing kelas yang ditunjukkan pada Tabel 20, Tabel 21, dan Tabel 22. Akurasi yang ditunjukkan ialah akurasi untuk keberhasilan mengklasifikasikan dengan benar satu kelas tertentu saja.
NOT
X2B
X2B
IF (WARNA BUNGA = “PUTIH”) AND ( BENTUK PANGKAL DAUN = “OVAL”) AND NOT( WARNA BUNGA = “COKLAT” AND BENTUK PANGKAL DAUN = “OVAL” ) THEN TURINA-1 97%
AKURASI
X1C
IF (WARNA DAGING RIMPANG = “ORANGE”) AND (WARNA BUNGA != “PUTIH”) AND (WARNA BUNGA != “KUNING”) AND NOT (16.9 < PANJANG DAUN <= 23) THEN TURINA-3 98%
Penggabungan Aturan Proses penggabungan aturan dilakukan dengan cara mengombinasikan urutan dari aturan terbaik dari setiap kelas. Penggabungan aturan dapat dilihat pada Tabel 23.
10
Tabel 23 Pengurutan aturan No Urutan Aturan IF RuleT1 true THEN Turina1 1
2
3
4
5
6
Terdapat 95 data diklasifikasikan dengan benar dan 5 data diklasifikasikan salah. Hal ini disebabkan adanya kemiripan ciri dari varietas. Secara umum, sistem yang dibangun dengan menggunakan data varietas kunyit memiliki akurasi sebesar 95%. Akurasi pada penelitian ini mengalami kenaikan dibandingkan dengan akurasi pada penelitian sistem pakar identifikasi varietas tanaman kunyit oleh Bursatriannyo (2012), yaitu sebesar 89%. Pada penelitian tersebut, aturan dibuat oleh tenaga ahli (pakar), sedangkan pada penelitian ini aturan dibuat oleh sistem. Terjadi penurunan kompleksitas aturan pada penelitian ini. Hanya dibutuhkan beberapa variabel yang merupakan ciri penting dari seluruh data varietas dibandingkan dengan penelitian Bursatriannyo (2012) yang menggunakan seluruh variabel data.
ELSEIF RuleT2 true THEN Turina2 ELSEIF RuleT3 true THEN Turina3 ELSE Other IF RuleT1 true THEN Turina1 ELSEIF RuleT3 true THEN Turina3 ELSEIF RuleT2 true THEN Turina2 ELSE Other IF RuleT2 true THEN Turina2 ELSEIF RuleT1 true THEN Turina1 ELSEIF RuleT3 true THEN Turina3 ELSE Other IF RuleT2 true THEN Turina2 ELSEIF RuleT3 true THEN Turina3 ELSEIF RuleT1 true THEN Turina1 ELSE Other IF RuleT3 true THEN Turina3 ELSEIF RuleT1 true THEN Turina1 ELSEIF RuleT2 true THEN Turina2 ELSE Other IF RuleT3 true THEN Turina3 ELSEIF RuleT2 true THEN Turina2 ELSEIF RuleT1 true THEN Turina1 ELSE Other
Saran
Evaluasi dan Analisis Hasil Setelah dilakukan enam kombinasi penggabungan urutan aturan untuk keseluruhan kelas, untuk mendapatkan akurasi dari penggabungan aturan tersebut dilakukan pengujian terhadap seluruh data. Dari enam kombinasi pengurutan, diperoleh urutan aturan terbaik pada pengurutan nomor 1 dari Tabel 23 memiliki akurasi yang terbaik dengan nilai akurasi 95%. Hasil pengujian pada urutan terbaik dapat dilihat pada Tabel 24. Tabel 24 Matriks konfusi akurasi aturan
Aktual
Prediksi Turina1
Turina2
Turina3
25 0 0 3
0 25 0 1
0 0 25 1
Turina1 Turina2 Turina3 Bukan Varietas
Bukan Varietas 0 0 0 20
KESIMPULAN DAN SARAN Kesimpulan Hasil penelitian menunjukkan teknik genetic programming dengan menggunakan metode booleanizing dapat digunakan untuk mencari aturan klasifikasi dengan akurasi baik. Data yang diujikan sebanyak 100 data, masing-masing 25 data untuk kelas Turina-1, Turina-2, Turina-3, dan bukan varietas.
Pada penelitian selanjutnya, data yang akan digunakan untuk menentukan aturan dari suatu kelas memiliki jumlah record yang lebih besar dan menggunakan metode lain seperti ID3 dan J45 untuk menghasilkan aturan yang berbentuk pohon dan memiliki waktu komputasi yang lebih singkat.
DAFTAR PUSTAKA Affenzeler M, Winkler S, Wagner S, Beham A. 2009. Genetic Algorithms and Genetic Programming Modern Concepts and Practical Applications. Florida: CRC Press. Al-Jadaan O, Rajamani L, Rao CR. 2008. Improved selection operator for GA. Journal of Theoretical and Applied Information Technology 4(4):269-277. Bursatriannyo. 2012. Sistem pakar identifikasi varietas tanaman kunyit [skripsi]. Bogor: Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Han J, Kamber M. 2001. Data Mining Concepts and Techniques. San Francisco: Academic Press. Imberman S, Domanski B. 1999. Finding Association Rules From Quantitative Data Using Data Booleanization. New York: City University of New York.
11
Koza JR. 1998. Genetic Programming On the Programming of Computers by Means of Natural Selection. Cambridge: The MIT Press. Mitchell T. 1997. Machine Portland: McGraw-Hill.
Learning.
Poli R, Langdon WB, McPhee NF. 2008. A Field Guide to Genetic Programming. Intelligent Information System. Essex: Lulu Enterprises UK Ltd. Refaeilzadeh P, Tang L, Liu H. 2009. Encyclopedia of Database System. Atlanta: Springer. Sakprasat S, Sinclair MC. 2007. Classification rule mining for automatic credit approval using genetic programming. IEEE
Congress on Evolutionary Computation 7:548-555. Silva S, Almeida J. 2003. GPLAB – A Genetic Programming Toolbox for MATLAB. Coimbra: University of Coimbra Portugal. Syukur C, Rostiana O, Syahid SF, Udarno L. 2006. Petunjuk Pelaksanaan Pengelolaan Plasma Nutfah Kunyit. Bogor: Puslitbang Perkebunan. Syukur C, Rostiana O, Sukarman, Nova N, Rukmin D et al. 2011. Laporan Akhir Konservasi 100 Jenis, Rejuvenasi, Karakterisasi dan Evaluasi 8 Jenis serta Dokumentasi Plasma Nutfah Tanaman Obat dan Aromatik. Bogor: Balittro.
12
LAMPIRAN
13
Lampiran 1 Data kunyit WB
BPD
WDR
JBT
TT
PUTIH
OVAL
ORANGE
16
PUTIH
OVAL
ORANGE
PUTIH
OVAL
ORANGE
PUTIH
OVAL
PUTIH
JA
150,5
7
11
148
12
148,5
ORANGE
15
OVAL
ORANGE
PUTIH
OVAL
PUTIH
PD
LD
BRR
JRI
JRP
JRS
KK
VK
9,5
5,9
1515
2
10
5
8
1
6
8
5,2
500
1
5
5
7,5
1
7
8,1
5,5
703
2
6
7
7,6
1
150
6
9
6
1312
1
9
13
7,9
1
17
151
6
10,1
5,8
1718
1
11
6
8,1
1
ORANGE
13
149
6
8,3
5,8
906
1
7
9
7,7
1
OVAL
ORANGE
14
149,5
7
8,6
6,1
1109
2
8
11
7,8
1
PUTIH
OVAL
ORANGE
18
151,5
7
10,8
5,7
1921
2
5
7
8,2
1
PUTIH
OVAL
ORANGE
16
152
6
11,6
5,6
1665
1
6
8
8,3
1
PUTIH
OVAL
ORANGE
14
151,7
7
12,5
5,5
1409
2
7
9
8,4
1
PUTIH
OVAL
ORANGE
8
149,6
6
15,3
6
939
1
7
8
9,1
1
PUTIH
OVAL
ORANGE
12
151,4
6
13,5
5,4
1153
1
8
10
8,5
1
PUTIH
OVAL
ORANGE
10
151,1
7
13,8
5,3
897
2
9
11
8,6
1
PUTIH
OVAL
ORANGE
13
150,8
6
14,1
5,2
641
1
10
12
8,7
1
PUTIH
OVAL
ORANGE
16
150,5
7
14,4
5,4
516
2
11
13
8,8
1
PUTIH
OVAL
ORANGE
12
150,2
6
14,7
5,6
657
1
5
14
8,9
1
PUTIH
OVAL
ORANGE
8
149,9
7
15
5,8
798
2
6
5
9
1
PUTIH
OVAL
ORANGE
14
148,7
7
14
5,6
1362
2
10
5
9,4
1
PUTIH
OVAL
ORANGE
10
149,3
7
15,7
6,2
1080
2
8
11
9,2
1
PUTIH
OVAL
ORANGE
12
149
6
16
5,9
1221
1
9
14
9,3
1
PUTIH
OVAL
ORANGE
16
148,4
6
12
5,3
1503
1
11
6
9,5
1
PUTIH
OVAL
ORANGE
18
148,1
7
10
5,5
1644
2
5
7
9,6
1
14
Lampiran 1 Lanjutan WB
BPD
WDR
JBT
TT
JA
PD
LD
BRR
JRI
JRP
JRS
KK
VK
PUTIH
OVAL
ORANGE
15
148,3
6
8
5,7
1785
1
7
8
9,7
1
PUTIH PUTIH
OVAL
ORANGE
12
148,6
7
8,4
5,9
1926
2
9
9
9,8
1
OVAL
ORANGE
18
148,9
6
8,8
6,1
1996
2
11
10
9,5
1
PUTIH KUNING PUCAT
OVAL
KUNING ORANGE
19
173,1
6
9,8
4,2
500
1
3
4
9,5
2
PUTIH KUNING PUCAT
OVAL
KUNING ORANGE
21
176,7
7
13,4
4,8
890
2
6
10
10,1
2
PUTIH KUNING PUCAT
OVAL
KUNING ORANGE
20
175,5
6
12,2
5,2
760
1
5
8
9,9
2
PUTIH KUNING PUCAT
OVAL
KUNING ORANGE
19
174,3
7
11
4,7
630
2
4
6
9,7
2
PUTIH KUNING PUCAT
OVAL
KUNING ORANGE
18
176,9
6
14,6
4,4
1020
1
7
12
10,3
2
PUTIH KUNING PUCAT
OVAL
KUNING ORANGE
18
174,5
6
14,3
4,9
1548
1
6
8
10,1
2
PUTIH KUNING PUCAT
OVAL
KUNING ORANGE
21
173,6
7
14,8
5,1
1410
2
5
9
10,4
2
PUTIH KUNING PUCAT
OVAL
KUNING ORANGE
19
175,4
7
13,8
4,7
1686
2
6
7
9,8
2
PUTIH KUNING PUCAT
OVAL
KUNING ORANGE
21
176,8
7
12,8
4,3
1962
2
4
5
9,6
2
PUTIH KUNING PUCAT
OVAL
KUNING ORANGE
19
175,8
7
15,8
4,7
1150
2
3
11
10,5
2
PUTIH KUNING PUCAT
OVAL
KUNING ORANGE
20
174,7
6
15,3
5
1280
1
4
10
10,7
2
PUTIH KUNING PUCAT
OVAL
KUNING ORANGE
20
176,3
6
13,3
4,5
1824
1
3
6
9,5
2
PUTIH KUNING PUCAT
OVAL
KUNING ORANGE
18
176,4
6
12,3
4,4
2095
1
5
4
9,8
2
PUTIH KUNING PUCAT
OVAL
KUNING ORANGE
20
175,6
6
11,3
4,6
2361
1
7
10
10,2
2
PUTIH KUNING PUCAT
OVAL
KUNING ORANGE
21,1
174,8
6
10,3
4,8
2229
1
4
11
10,6
2
PUTIH KUNING PUCAT
OVAL
KUNING ORANGE
20
173,6
7
11,2
5,1
1438
2
7
5
9,8
2
PUTIH KUNING PUCAT
OVAL
KUNING ORANGE
21
173,2
6
11,9
5,2
1175
1
3
8
9,5
2
PUTIH KUNING PUCAT
OVAL
KUNING ORANGE
18
174,4
7
9,8
4,9
1964
2
5
9
10,8
2
15
Lampiran 1 Lanjutan WB
BPD
WDR
JBT
TT
JA
PD
LD
BRR
JRI
JRP
JRS
KK
VK
PUTIH KUNING PUCAT
OVAL
KUNING ORANGE
19
174
6
10,5
5
1701
1
6
7
10,3
2
PUTIH KUNING PUCAT PUTIH KUNING PUCAT
OVAL
KUNING ORANGE
18
173,5
7
12,6
5
912
2
4
11
9,7
2
OVAL
KUNING ORANGE
19
176
7
11,8
4,5
2228
2
6
7
10
2
PUTIH KUNING PUCAT
OVAL
KUNING ORANGE
21
175,2
7
10,8
4,7
2494
2
3
13
10,4
2
PUTIH KUNING PUCAT
OVAL
KUNING ORANGE
20
174,1
7
14
4,6
1152
2
6
7
9,6
2
PUTIH KUNING PUCAT
OVAL
KUNING ORANGE
19
173,8
6
13,3
4,8
649
1
5
9
9,4
2
PUTIH KUNING PUCAT
OVAL
KUNING ORANGE
21
174,4
6
14,7
4,4
1655
2
7
5
10,7
2
PUTIH KUNING COKLAT
RUNCING
ORANGE
16
173
6
15,8
3,8
500
1
6
10
7,7
3
PUTIH KUNING COKLAT
RUNCING
ORANGE
19
175,9
6
20,4
4,4
1994
1
10
12
8,7
3
PUTIH KUNING COKLAT
RUNCING
ORANGE
20
176,1
7
20,7
4,6
2077
2
11
13
8,8
3
PUTIH KUNING COKLAT
RUNCING
ORANGE
16
173,8
8
16,8
4,3
915
3
11
15
8,2
3
PUTIH KUNING COKLAT
RUNCING
ORANGE
17
174
6
17
4,4
998
1
12
16
8,3
3
PUTIH KUNING COKLAT
RUNCING
ORANGE
18
174,2
7
17,2
4,5
1081
2
6
17
8,4
3
PUTIH KUNING COKLAT
RUNCING
ORANGE
17
173,2
7
16
3,9
583
2
7
11
7,8
3
PUTIH KUNING COKLAT
RUNCING
ORANGE
20
173,7
7
16,6
4,2
832
2
10
14
8,1
3
PUTIH KUNING COKLAT
RUNCING
ORANGE
19
174,3
8
17,4
4,6
1164
3
7
10
8,5
3
PUTIH KUNING COKLAT
RUNCING
ORANGE
20
174,5
6
17,7
4,7
1247
1
8
11
8,6
3
PUTIH KUNING COKLAT
RUNCING
ORANGE
18
173,4
8
16,2
4
666
3
8
12
7,9
3
PUTIH KUNING COKLAT
RUNCING
ORANGE
19
173,5
6
16,4
4,1
749
1
9
13
8
3
PUTIH KUNING COKLAT
RUNCING
ORANGE
16
174,6
7
18
4,8
1330
2
9
12
8,7
3
PUTIH KUNING COKLAT
RUNCING
ORANGE
19
173,5
6
16,5
4,2
751
1
6
13
8
3
16
Lampiran 1 Lanjutan WB
BPD
WDR
JBT
TT
JA
PD
LD
BRR
JRI
JRP
JRS
KK
VK
PUTIH KUNING COKLAT
RUNCING
ORANGE
20
173,7
7
16,8
4,4
836
2
8
14
8,1
3
PUTIH KUNING COKLAT PUTIH KUNING COKLAT
RUNCING
ORANGE
17
174,8
8
18,3
4,9
1413
3
10
13
8,8
3
RUNCING
ORANGE
18
175
6
18,6
5
1496
1
11
14
8,9
3
PUTIH KUNING COKLAT
RUNCING
ORANGE
16
175,4
6
19,5
3,8
1745
1
7
17
9,2
3
PUTIH KUNING COKLAT
RUNCING
ORANGE
19
175,1
7
18,9
5,1
1579
2
12
15
9
3
PUTIH KUNING COKLAT
RUNCING
ORANGE
20
175,3
8
19,2
5,2
1662
3
6
16
9,1
3
PUTIH KUNING COKLAT
RUNCING
ORANGE
17
175,6
7
19,8
4
1828
2
8
10
9,3
3
PUTIH KUNING COKLAT
RUNCING
ORANGE
18
175,8
8
20,1
4,2
1911
3
9
11
8,6
3
PUTIH KUNING COKLAT
RUNCING
ORANGE
16
176,3
8
21
4,8
2160
3
12
14
8,9
3
PUTIH KUNING COKLAT
RUNCING
ORANGE
17
176,5
6
21,3
5
2245
1
6
15
9
3
PUTIH KUNING COKLAT
RUNCING
ORANGE
18
176,6
7
21,6
5,2
2330
2
8
16
9,1
3
PUTIH
OVAL
ORANGE
16
176
6
17
5
1900
1
10
16
10,8
-
KUNING
BULAT
KUNING
11
177
8
8
6,4
2500
1
12
4
11
-
PUTIH
OVAL
ORANGE
12
150
7
9
4
600
2
5
5
8
-
KUNING
MERUNCING
KUNING
21
177
8
23
6,4
2500
3
12
17
11
-
COKLAT
BULAT
KUNING MUDA
11
147
6
8
3,6
500
1
3
4
7,1
-
KUNING
BULAT
KUNING
14
147,9
7
9,1
3,9
653
2
4
5
7,4
-
PUTIH KUNING PUCAT
OVAL
KUNING ORANGE
17
148,8
8
10,2
4,3
806
3
5
6
7,7
-
KUNING
MERUNCING
KUNING
20
149,7
6
11,3
4,6
959
1
6
7
8
-
PUTIH
BULAT
KUNING MUDA
17
150,6
7
12,4
4,9
1112
2
7
8
8,3
-
PUTIH
BULAT
KUNING
14
151,5
8
13,5
5,2
1265
3
8
9
8,6
-
17
Lampiran 1 Lanjutan WB
BPD
WDR
JBT
TT
JA
PD
LD
BRR
JRI
JRP
JRS
KK
VK
KUNING
OVAL
KUNING MUDA
11
152,4
6
14,6
5,5
1418
1
9
10
8,9
-
PUTIH KUNING
OVAL
ORANGE
13
153,3
7
15,7
5,8
1571
2
10
11
9,2
-
OVAL
KUNING ORANGE
15
154,2
8
16,8
6,1
1724
3
11
12
9,5
-
KUNING
OVAL
ORANGE
17
155,1
6
17,9
5,6
1877
1
12
13
9,8
-
COKLAT
OVAL
KUNING MUDA
19
156
7
19
5,1
2030
2
10
14
10,1
-
PUTIH KUNING COKLAT
RUNCING
ORANGE
21
156,7
8
20,1
4,6
2183
3
8
15
10,4
-
COKLAT
OVAL
KUNING ORANGE
18
157,4
6
21,2
4,1
2336
1
6
16
10,7
-
COKLAT
OVAL
ORANGE
15
158,1
7
19,6
4,4
2489
2
4
17
10,5
-
PUTIH KUNING PUCAT
BULAT
KUNING MUDA
12
158,8
8
18
4,7
2280
3
5
14
10,3
-
PUTIH KUNING COKLAT
OVAL
KUNING ORANGE
13
159,5
6
16,4
5
2071
1
6
11
10,1
-
PUTIH KUNING PUCAT
RUNCING
KUNING MUDA
14
160,2
7
14,8
5,3
1862
2
7
8
9,9
-
COKLAT
MERUNCING
KUNING
15
160,9
8
13,2
5,6
1653
3
8
5
9,7
-
PUTIH KUNING COKLAT
MERUNCING
KUNING MUDA
16
161,6
6
11,5
5,9
1444
1
9
7
9,5
-
PUTIH KUNING PUCAT
MERUNCING
KUNING
17
162,3
7
9,9
6,2
1235
2
10
9
9,3
-
COKLAT
RUNCING
ORANGE
18
163
8
8,2
6
1026
3
11
11
9,1
-
18
Lampiran 2 Hasil booleanize X 1
X 2
X 3
X 4
X 5
X 6
X 7
X 8
X 9
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
X 1 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
X 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
X 1 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
X 1 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
X 1 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 1 0 1 0 1 1 0 1 1 1
X 1 5 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1 1 0 0 1 1 1 0 1 0 1 0 0 1 0 0 0
X 1 6 1 0 0 1 1 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
X 1 7 0 1 1 0 0 1 1 0 0 1 1 1 1 1 0 1 1 1 1 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
X 1 8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 1 0 0 1 1 1 0 1 1 1 0 0
X 1 9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 0 0 0 1 0 0 0 1 1
X 2 0 0 0 0 0 1 0 0 1 1 1 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
X 2 1 1 1 1 1 0 1 1 0 0 0 1 0 0 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
X 2 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
X 2 3 1 0 1 0 0 0 1 1 0 1 0 0 1 0 1 0 1 1 1 0 0 1 0 1 0 0 1 0 1 0 0 1 1 1 1 0 0 0 0 0 1
X 2 4 0 1 0 1 1 1 0 0 1 0 1 1 0 1 0 1 0 0 0 1 1 0 1 0 1 1 0 1 0 1 1 0 0 0 0 1 1 1 1 1 0
X 2 5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
X 2 6 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 1 1 0 1 1 0 0 0 0 0 0 0 0 0 1 1 1 0 0 1 1 0 0 0 0 0
X 2 7 0 0 0 0 0 0 0 0 1 1 0 1 1 1 0 0 0 1 0 0 1 0 0 0 0 0 1 1 0 0 0 0 1 1 0 0 1 1 1 0 1
X 2 8 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 0 0 1 0 0 0 0 0 0 0 0 0 0 1 0
X 2 9 1 0 0 1 1 1 1 1 1 0 1 0 0 0 0 1 1 1 1 1 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
X 3 0 0 1 1 0 0 0 0 0 0 1 0 1 1 1 1 0 0 0 0 0 1 1 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 1
X 3 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 1 0 1 0 1 1 0 0 1 1 0
X 3 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 1 0 0 1 1 0 0 0
X 3 3 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 0 1 0 0 0 1 1 1 0
X 3 4 1 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 1 0 1 0 0 0 1 0 0 0 1
X 3 5 0 0 0 1 0 0 1 0 0 1 1 1 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 0 0 1 0 1 0 0 1 1 0 0 0 0 0
X 3 6 0 1 1 0 0 1 0 0 0 0 0 0 1 1 1 1 1 0 0 0 0 0 0 0 0 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0
X 3 7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
X 3 8 1 0 1 0 0 0 1 1 0 1 0 0 1 0 1 0 1 1 1 0 0 1 0 1 1 0 1 0 1 0 0 1 1 1 1 0 0 0 0 0 1
X 3 9 0 1 0 1 1 1 0 0 1 0 1 1 0 1 0 1 0 0 0 1 1 0 1 0 0 1 0 1 0 1 1 0 0 0 0 1 1 1 1 1 0
X 4 0 1 0 0 0 1 0 0 0 0 0 0 0 0 1 1 0 0 1 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
X 4 1 0 0 0 1 0 0 1 0 0 0 0 1 1 0 0 0 0 0 1 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
X 4 2 0 0 1 0 0 1 0 0 1 1 1 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 1 0 0 1 1 0 1 0 0 0 0 0 1 0 1
X 4 3 0 1 0 0 0 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 1 0 1 1 0 0 1 0 1 1 1 1 1 0 1 0
X 4 4 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
X 4 5 0 0 0 1 0 0 1 0 0 0 0 0 1 1 1 0 0 0 1 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 0 1 0
X 4 6 0 0 0 0 0 1 0 0 1 1 1 1 0 0 0 0 0 0 0 0 0 0 1 1 1 0 1 1 0 0 1 1 0 0 0 1 0 0 1 0 0
X 4 7 1 1 1 0 1 0 0 1 0 0 0 0 0 0 0 0 1 1 0 0 1 1 0 0 0 1 0 0 1 0 0 0 1 1 0 0 1 1 0 0 1
X 4 8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 1 1 1 0 0 1 1 0 0 1 1 0
X 4 9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 1 1 1 1 1 1 0 0 1 0 0 0 1 1 0 0 1 1 0 0 1
X 5 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
X 5 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
19
Lampiran 2 Lanjutan X 1
X 2
X 3
X 4
X 5
X 6
X 7
X 8
X 9
1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0
1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 1
X 1 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 1 0 0
X 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
X 1 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1
X 1 3 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0
X 1 4 1 0 0 0 0 1 1 0 1 0 0 1 0 0 0 0 1 0 1 0 0 0 0 1 0 0 0 0 1 0 0 0 0 0 0 0 0 1 0
X 1 5 0 1 1 1 1 0 0 1 0 0 1 0 0 0 1 0 0 1 0 1 1 0 1 0 0 1 0 1 0 0 1 0 0 1 0 0 0 0 0
X 1 6 0 0 0 0 0 0 0 0 0 1 0 0 1 1 0 1 0 0 0 0 0 1 0 0 1 0 1 0 0 1 0 1 1 0 1 0 0 0 0
X 1 7 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 1
X 1 8 0 0 0 0 1 1 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 0 1 0
X 1 9 0 1 1 1 0 0 1 1 1 0 0 0 1 1 1 0 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0
X 2 0 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
X 2 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1
X 2 2 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 1 0 0 0 0 1 0 0 0 1 0 1 1 0 0 0 1 0 1 0
X 2 3 0 1 0 1 1 1 1 0 0 0 0 1 0 0 1 1 1 0 0 0 0 1 0 1 0 0 0 1 0 1 0 0 0 1 0 0 1 0 0
X 2 4 1 0 1 0 0 0 0 1 1 1 1 0 0 1 0 0 0 0 1 0 1 0 1 0 0 1 1 0 0 0 0 0 1 0 1 0 0 0 1
X 2 5 0 0 0 0 0 0 0 0 0 0 1 1 0 1 1 0 0 1 1 0 0 1 0 0 1 1 1 1 1 1 1 1 1 1 1 0 0 1 0
X 2 6 0 0 0 0 0 0 0 0 1 1 0 0 1 0 0 1 1 0 0 1 1 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
X 2 7 1 0 0 1 1 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
X 2 8 0 1 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 1
X 2 9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0
X 3 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 1 0 0 0 0 0
X 3 1 0 1 1 1 0 1 1 1 0 0 0 1 0 0 0 0 0 1 1 0 0 1 0 0 1 1 0 0 0 0 0 1 1 0 1 0 0 0 0
X 3 2 0 0 0 0 1 0 0 0 1 1 1 0 1 1 1 1 1 0 0 1 1 0 1 1 0 0 1 0 0 1 1 0 0 0 0 0 1 0 1
X 3 3 0 1 0 0 1 1 0 0 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 0 1 0
X 3 4 0 0 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0
X 3 5 1 0 0 0 0 0 1 0 0 0 0 0 1 1 1 0 0 1 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
X 3 6 0 0 0 1 0 0 0 1 0 1 0 0 0 0 0 1 1 0 0 1 1 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1
X 3 7 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 1 0 0 0 0 1 0 0 0 1 0 1 1 0 0 0 0 0 1 0
X 3 8 0 1 0 1 1 1 1 0 1 0 0 1 0 0 1 1 1 0 0 0 0 1 0 1 0 0 0 1 0 1 0 0 0 1 0 0 1 0 0
X 3 9 1 0 1 0 0 0 0 1 0 1 1 0 0 1 0 0 0 0 1 0 1 0 1 0 0 1 1 0 0 0 0 0 1 0 1 1 0 0 1
X 4 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 0 0 1 0 0 0 0 0 0 0 1 1 0 1 0 0 0 1 0 0 1 1 0 1 0
X 4 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 0 1 0 0 0 0 0 1 1 0 0 1 0 0 0 0 0
X 4 2 0 0 1 0 1 0 1 0 1 1 0 0 0 0 1 1 0 1 0 0 0 0 1 0 0 0 1 0 1 0 0 0 1 0 0 0 0 0 0
X 4 3 1 1 0 1 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1
X 4 4 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 0 1 0 0 0 0 0 0 1 0 1 1 1 1 0 0 1 1 1 1 0 0 1 0
X 4 5 0 0 0 1 0 1 0 0 0 0 1 1 0 0 0 1 0 0 1 1 1 1 1 0 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0
X 4 6 1 1 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0
X 4 7 0 0 1 0 1 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 1
X 4 8 0 1 1 0 1 1 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 1 0
X 4 9 1 0 0 1 0 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0
X 5 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 1 1 0 0 1 0 0 1 1 1 1 1 0 1 1 1 1 0 0 0 0 0
X 5 1 0 0 0 0 0 0 0 0 0 1 0 0 1 1 1 1 1 0 0 1 1 0 1 1 0 0 0 0 0 0 0 0 0 0 0 0 1 0 1
20
Lampiran 2 Lanjutan X 1
X 2
X 3
X 4
X 5
X 6
X 7
X 8
X 9
0 1 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0 0 1 0
0 0 0 0 0 0 0 0 0 0 1 0 0 0 1 0 0 1 0 0
0 0 0 1 1 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0
1 0 1 0 0 1 0 1 1 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0 0 0 0 1 0 1 1 0 0 0 1 0 0 1
0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 1 0 0 0 1
0 1 0 0 0 1 1 1 1 1 0 1 1 0 1 0 0 0 0 0
0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 0
1 0 0 1 1 0 0 0 0 0 0 0 0 1 0 0 0 0 0 0
X 1 0 0 0 0 0 0 0 1 0 1 0 1 0 1 0 0 0 0 0 0 1
X 1 1 0 1 0 0 0 0 0 1 0 0 0 1 0 0 1 0 0 0 0 0
X 1 2 0 0 0 1 0 1 0 0 0 1 0 0 0 1 0 1 0 1 0 0
X 1 3 1 0 1 0 1 0 0 0 0 0 0 0 0 0 0 0 1 0 1 0
X 1 4 0 0 1 0 0 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0
X 1 5 0 0 0 0 0 0 0 0 0 1 0 1 0 0 0 0 0 0 0 1
X 1 6 0 1 0 1 0 0 0 1 1 0 0 0 1 0 0 0 1 1 1 0
X 1 7 1 0 0 0 1 1 1 0 0 0 0 0 0 1 1 1 0 0 0 0
X 1 8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
X 1 9 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
X 2 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
X 2 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
X 2 2 0 1 0 0 1 0 0 1 0 0 1 0 0 1 0 0 1 0 0 1
X 2 3 1 0 0 1 0 0 1 0 0 1 0 0 1 0 0 1 0 0 1 0
X 2 4 0 0 1 0 0 1 0 0 1 0 0 1 0 0 1 0 0 1 0 0
X 2 5 0 0 0 0 0 0 0 0 1 1 1 1 1 1 0 0 0 0 0 0
X 2 6 0 0 0 0 0 1 1 1 0 0 0 0 0 0 1 1 0 0 0 0
X 2 7 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0
X 2 8 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1
X 2 9 0 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 1 1 1 1
X 3 0 0 0 0 0 1 1 0 0 0 1 0 0 0 0 0 1 0 0 0 0
X 3 1 0 0 1 1 0 0 0 0 0 0 1 0 0 1 1 0 0 0 0 0
X 3 2 1 1 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0
X 3 3 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 0 0 0 0 0
X 3 4 0 0 0 0 0 1 1 1 1 0 0 0 0 0 0 1 1 1 0 0
X 3 5 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1
X 3 6 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
X 3 7 0 1 0 0 1 0 0 1 0 0 1 0 0 1 0 0 1 0 0 1
X 3 8 1 0 0 1 0 0 1 0 0 1 0 0 1 0 0 1 0 0 1 0
X 3 9 0 0 1 0 0 1 0 0 1 0 0 1 0 0 1 0 0 1 0 0
X 4 0 0 0 0 0 0 0 1 1 1 1 0 0 0 0 0 0 0 0 1 1
X 4 1 0 0 0 0 1 1 0 0 0 0 1 0 0 0 0 0 1 1 0 0
X 4 2 0 0 1 1 0 0 0 0 0 0 0 1 0 0 1 1 0 0 0 0
X 4 3 1 1 0 0 0 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0
X 4 4 0 0 0 0 0 0 0 0 0 1 1 1 1 1 0 0 0 0 0 0
X 4 5 0 0 0 0 0 0 1 1 1 0 0 0 0 0 1 0 0 0 0 1
X 4 6 0 0 0 1 1 1 0 0 0 0 0 0 0 0 0 1 0 0 1 0
X 4 7 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 0 0
X 4 8 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 0 0 0 0
X 4 9 0 0 0 0 0 0 0 1 1 0 0 0 0 0 0 0 1 1 1 0
X 5 0 0 0 0 0 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 1
X 5 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
21
Lampiran 3 Akurasi pengujian TURINA-1 GENERASI
POPULASI
Pc
Pm
0,01 0,75 0,02
0,01 40
ELITISME
TURINA-2
FOLD 1
FOLD 2
FOLD 3
1
81,82
100,00
2
100,00
100,00
3
93,94
1
TURINA-3
FOLD 1
FOLD 2
FOLD 3
FOLD 1
FOLD 2
FOLD 3
35,29
24,24
100,00
88,24
100,00
100,00
52,94
85,29
100,00
100,00
88,24
100,00
100,00
91,18
100,00
85,29
100,00
100,00
88,24
87,88
100,00
91,18
100,00
100,00
58,82
100,00
48,48
88,24
100,00
100,00
91,18
2
75,76
100,00
85,29
100,00
100,00
88,24
100,00
100,00
91,18
3
75,76
100,00
85,29
100,00
100,00
88,24
100,00
100,00
91,18
1
100,00
100,00
67,65
100,00
100,00
88,24
100,00
100,00
91,18
2
100,00
84,85
85,29
100,00
100,00
88,24
100,00
100,00
91,18
3
72,73
24,24
85,29
100,00
100,00
88,24
100,00
100,00
91,18
1
100,00
87,88
70,59
100,00
100,00
85,29
100,00
72,73
91,18
2
100,00
100,00
85,29
100,00
100,00
88,24
100,00
100,00
91,18
3
100,00
100,00
85,29
100,00
30,30
76,47
100,00
100,00
52,94
1
100,00
100,00
85,29
100,00
100,00
88,24
100,00
42,42
91,18
2
100,00
24,24
85,29
100,00
100,00
47,06
81,82
100,00
91,18
3
100,00
100,00
85,29
100,00
100,00
88,24
100,00
100,00
91,18
0,8
100
0,02
0,01 0,9 0,02
50
0,75
1
93,94
81,82
85,29
63,64
100,00
88,24
100,00
100,00
91,18
2
100,00
100,00
85,29
100,00
100,00
88,24
100,00
100,00
91,18
3
100,00
100,00
85,29
100,00
39,39
88,24
100,00
100,00
91,18
1
100,00
100,00
85,29
100,00
100,00
88,24
100,00
100,00
91,18
2
100,00
100,00
85,29
100,00
100,00
88,24
100,00
100,00
67,65
0,01
22
Lampiran 3 Lanjutan TURINA-1 GENERASI
POPULASI
Pc
TURINA-2
TURINA-3
Pm
ELITISME
FOLD 1
FOLD 2
FOLD 3
FOLD 1
FOLD 2
FOLD 3
FOLD 1
FOLD 2
FOLD 3
0,01
3
100,00
100,00
85,29
100,00
100,00
88,24
100,00
30,30
91,18
1
100,00
81,82
67,65
100,00
100,00
88,24
100,00
100,00
70,59
2
100,00
100,00
85,29
100,00
100,00
64,71
81,82
100,00
91,18
3
93,94
100,00
88,24
100,00
100,00
88,24
100,00
100,00
91,18
1
93,94
75,76
85,29
100,00
100,00
88,24
93,94
100,00
91,18
2
100,00
100,00
55,88
100,00
100,00
88,24
100,00
100,00
91,18
3
100,00
24,24
85,29
84,85
100,00
55,88
24,24
100,00
91,18
1
100,00
87,88
85,29
100,00
100,00
88,24
100,00
100,00
91,18
2
100,00
100,00
85,29
100,00
100,00
88,24
100,00
100,00
91,18
3
81,82
100,00
85,29
100,00
100,00
88,24
100,00
75,76
55,88
1
100,00
100,00
82,35
100,00
100,00
88,24
93,94
75,76
91,18
2
100,00
87,88
85,29
100,00
100,00
88,24
100,00
63,64
91,18
3
93,94
100,00
55,88
100,00
100,00
47,06
100,00
100,00
91,18
1
100,00
100,00
85,29
100,00
96,97
88,24
100,00
100,00
91,18
2
100,00
100,00
67,65
100,00
100,00
79,41
100,00
100,00
91,18
3
100,00
96,97
58,82
100,00
100,00
88,24
100,00
84,85
91,18
1
93,94
84,85
85,29
100,00
100,00
73,53
100,00
100,00
91,18
2
100,00
100,00
85,29
100,00
100,00
88,24
100,00
100,00
91,18
3
100,00
87,88
85,29
100,00
100,00
88,24
100,00
100,00
91,18
1
100,00
87,88
64,71
100,00
51,52
64,71
100,00
100,00
91,18
0,75 0,02
0,01 0,8 50 0,02 100 0,01 0,9 0,02
0,01 60
0,75 0,02
23
Lampiran 3 Lanjutan TURINA-1 GENERASI
POPULASI
Pc
Pm
0,75
0,02
0,01
TURINA-2
TURINA-3
ELITISME
FOLD 1
FOLD 2
FOLD 3
FOLD 1
FOLD 2
FOLD 3
FOLD 1
FOLD 2
FOLD 3
2
100,00
100,00
61,76
100,00
100,00
88,24
100,00
100,00
73,53
3
100,00
84,85
73,53
100,00
100,00
88,24
100,00
100,00
52,94
1
100,00
100,00
85,29
100,00
100,00
88,24
100,00
100,00
91,18
2
100,00
100,00
58,82
100,00
100,00
50,00
100,00
100,00
91,18
3
93,94
100,00
35,29
100,00
100,00
88,24
100,00
100,00
91,18
1
100,00
100,00
85,29
100,00
100,00
88,24
100,00
100,00
76,47
2
100,00
100,00
85,29
100,00
100,00
88,24
100,00
100,00
67,65
3
100,00
100,00
85,29
100,00
100,00
88,24
33,33
100,00
91,18
1
100,00
100,00
85,29
100,00
100,00
55,88
100,00
100,00
91,18
2
93,94
84,85
85,29
100,00
100,00
88,24
100,00
100,00
70,59
3
93,94
100,00
67,65
100,00
100,00
88,24
100,00
63,64
91,18
1
36,36
100,00
85,29
100,00
100,00
88,24
100,00
100,00
91,18
2
63,64
87,88
85,29
100,00
100,00
88,24
100,00
100,00
91,18
3
100,00
100,00
82,35
100,00
87,88
88,24
100,00
100,00
91,18
1
100,00
100,00
85,29
93,94
48,48
88,24
100,00
100,00
91,18
2
75,76
100,00
85,29
100,00
100,00
88,24
100,00
100,00
91,18
3
93,94
100,00
85,29
100,00
100,00
76,47
100,00
87,88
91,18
1
90,91
100,00
47,06
100,00
100,00
58,82
100,00
100,00
91,18
2
100,00
100,00
85,29
100,00
100,00
50,00
100,00
100,00
91,18
3
100,00
100,00
85,29
100,00
100,00
88,24
93,94
100,00
85,29
0,8 0,02 100
60
0,01 0,9 0,02
0,01 200
40
0,75 0,02
24
Lampiran 3 Lanjutan TURINA-1 GENERASI
POPULASI
Pc
Pm
0,01
TURINA-2
TURINA-3
ELITISME
FOLD 1
FOLD 2
FOLD 3
FOLD 1
FOLD 2
FOLD 3
FOLD 1
FOLD 2
FOLD 3
1
100,00
100,00
85,29
100,00
84,85
88,24
100,00
100,00
70,59
2
93,94
100,00
85,29
78,79
78,79
88,24
100,00
100,00
91,18
3
100,00
81,82
85,29
100,00
100,00
88,24
81,82
100,00
91,18
1
100,00
78,79
41,18
100,00
100,00
47,06
81,82
100,00
67,65
2
100,00
100,00
85,29
100,00
100,00
88,24
100,00
100,00
91,18
3
100,00
100,00
85,29
100,00
100,00
88,24
100,00
100,00
91,18
1
100,00
100,00
82,35
100,00
100,00
88,24
100,00
100,00
79,41
2
100,00
24,24
58,82
100,00
100,00
88,24
100,00
100,00
91,18
3
72,73
100,00
85,29
100,00
84,85
55,88
24,24
100,00
91,18
1
100,00
100,00
73,53
100,00
100,00
88,24
100,00
100,00
67,65
2
93,94
100,00
67,65
100,00
100,00
88,24
24,24
100,00
91,18
3
60,61
100,00
85,29
100,00
100,00
73,53
100,00
30,30
91,18
1
100,00
100,00
85,29
100,00
100,00
88,24
100,00
100,00
91,18
2
78,79
100,00
85,29
100,00
100,00
88,24
100,00
87,88
91,18
3
93,94
100,00
85,29
100,00
100,00
88,24
100,00
90,91
91,18
1
100,00
87,88
85,29
100,00
100,00
88,24
100,00
75,76
91,18
2
100,00
100,00
61,76
100,00
100,00
88,24
100,00
100,00
91,18
3
100,00
100,00
85,29
100,00
100,00
88,24
100,00
100,00
91,18
1
100,00
81,82
47,06
90,91
100,00
88,24
100,00
100,00
91,18
2
100,00
100,00
85,29
100,00
100,00
88,24
100,00
100,00
91,18
0,8 0,02 40 0,01 0,9 200 0,02
0,01 0,75 50 0,02
0,8
0,01
25
Lampiran 3 Lanjutan TURINA-1 GENERASI
POPULASI
Pc
TURINA-2
TURINA-3
Pm
ELITISME
FOLD 1
FOLD 2
FOLD 3
FOLD 1
FOLD 2
FOLD 3
FOLD 1
FOLD 2
FOLD 3
0,01
3
100,00
100,00
85,29
100,00
100,00
88,24
100,00
100,00
61,76
1
66,67
100,00
85,29
100,00
90,91
88,24
100,00
75,76
91,18
2
100,00
100,00
85,29
100,00
100,00
88,24
100,00
100,00
91,18
3
100,00
100,00
85,29
100,00
100,00
64,71
100,00
100,00
91,18
1
93,94
100,00
85,29
100,00
100,00
88,24
100,00
100,00
91,18
2
69,70
100,00
85,29
100,00
100,00
88,24
100,00
100,00
91,18
3
100,00
100,00
85,29
100,00
100,00
88,24
100,00
100,00
91,18
1
100,00
100,00
85,29
100,00
100,00
73,53
81,82
100,00
91,18
2
100,00
63,64
85,29
100,00
100,00
88,24
100,00
100,00
91,18
3
100,00
100,00
85,29
100,00
100,00
50,00
100,00
100,00
91,18
1
100,00
100,00
85,29
100,00
100,00
88,24
100,00
100,00
58,82
2
100,00
100,00
85,29
84,85
100,00
88,24
100,00
100,00
91,18
3
100,00
100,00
85,29
100,00
100,00
88,24
100,00
100,00
91,18
1
100,00
100,00
85,29
100,00
100,00
88,24
100,00
100,00
91,18
2
100,00
100,00
44,12
100,00
100,00
88,24
100,00
100,00
91,18
3
100,00
100,00
85,29
100,00
100,00
88,24
100,00
30,30
91,18
1
100,00
81,82
73,53
100,00
100,00
88,24
100,00
75,76
91,18
2
100,00
100,00
85,29
100,00
100,00
88,24
100,00
100,00
91,18
3
100,00
100,00
85,29
100,00
100,00
88,24
100,00
100,00
91,18
1
100,00
87,88
85,29
100,00
100,00
47,06
100,00
100,00
91,18
0,8 0,02
50 0,01 0,9 0,02 200 0,01 0,75 0,02 60
0,01 0,8 0,02
26
Lampiran 3 Lanjutan TURINA-1 GENERASI
POPULASI
Pc
Pm
0,8
0,02
0,01 200
TURINA-2
TURINA-3
ELITISME
FOLD 1
FOLD 2
FOLD 3
FOLD 1
FOLD 2
FOLD 3
FOLD 1
FOLD 2
FOLD 3
2
100,00
100,00
61,76
100,00
100,00
88,24
100,00
100,00
91,18
3
100,00
87,88
100,00
100,00
87,88
88,24
100,00
100,00
70,59
1
100,00
100,00
85,29
100,00
100,00
88,24
100,00
100,00
91,18
2
100,00
100,00
85,29
100,00
100,00
88,24
100,00
100,00
91,18
3
100,00
87,88
85,29
100,00
100,00
88,24
100,00
100,00
91,18
1
100,00
87,88
85,29
100,00
100,00
88,24
100,00
100,00
91,18
2
100,00
100,00
79,41
100,00
100,00
88,24
100,00
100,00
91,18
3
100,00
100,00
85,29
100,00
100,00
88,24
100,00
100,00
91,18
1
100,00
100,00
85,29
100,00
100,00
88,24
100,00
100,00
91,18
2
78,79
100,00
85,29
100,00
100,00
88,24
100,00
100,00
91,18
3
100,00
100,00
85,29
100,00
54,55
88,24
100,00
100,00
91,18
1
100,00
100,00
50,00
30,30
100,00
88,24
81,82
100,00
91,18
2
100,00
100,00
85,29
100,00
100,00
70,59
100,00
90,91
91,18
3
78,79
100,00
85,29
66,67
100,00
88,24
63,64
100,00
91,18
1
100,00
100,00
85,29
100,00
100,00
88,24
100,00
100,00
58,82
2
100,00
84,85
85,29
100,00
100,00
88,24
100,00
100,00
91,18
3
100,00
100,00
85,29
100,00
78,79
47,06
100,00
100,00
91,18
1
100,00
100,00
85,29
100,00
100,00
88,24
100,00
100,00
61,76
2
100,00
100,00
67,65
100,00
100,00
88,24
100,00
100,00
76,47
3
100,00
100,00
85,29
100,00
93,94
64,71
100,00
100,00
91,18
60 0,9 0,02
0,01 0,75 0,02 400
40 0,01 0,8 0,02
27
Lampiran 3 Lanjutan TURINA-1 GENERASI
POPULASI
Pc
Pm
0,01 40
TURINA-2
TURINA-3
ELITISME
FOLD 1
FOLD 2
FOLD 3
FOLD 1
FOLD 2
FOLD 3
FOLD 1
FOLD 2
FOLD 3
1
93,94
100,00
85,29
100,00
100,00
88,24
100,00
100,00
91,18
2
15,15
100,00
85,29
100,00
100,00
88,24
100,00
30,30
91,18
3
100,00
81,82
85,29
100,00
100,00
85,29
100,00
100,00
91,18
1
100,00
100,00
70,59
100,00
100,00
88,24
100,00
100,00
91,18
2
93,94
100,00
85,29
100,00
100,00
88,24
100,00
100,00
91,18
3
42,42
100,00
85,29
100,00
100,00
88,24
100,00
100,00
91,18
1
75,76
100,00
85,29
100,00
100,00
88,24
100,00
100,00
91,18
2
93,94
18,18
85,29
100,00
100,00
88,24
100,00
100,00
91,18
3
81,82
100,00
55,88
100,00
100,00
88,24
100,00
48,48
91,18
1
100,00
100,00
85,29
100,00
100,00
88,24
100,00
100,00
91,18
2
100,00
100,00
85,29
100,00
72,73
72,73
100,00
100,00
91,18
3
100,00
100,00
85,29
100,00
100,00
94,12
100,00
100,00
91,18
1
100,00
87,88
85,29
96,97
72,73
88,24
100,00
100,00
91,18
2
100,00
100,00
85,29
100,00
100,00
88,24
78,79
100,00
91,18
3
100,00
100,00
85,29
100,00
100,00
88,24
100,00
100,00
91,18
1
93,94
100,00
85,29
100,00
100,00
88,24
100,00
100,00
91,18
2
75,76
100,00
85,29
100,00
100,00
88,24
100,00
100,00
70,59
3
100,00
100,00
85,29
100,00
100,00
88,24
100,00
100,00
91,18
1
69,70
84,85
85,29
100,00
100,00
88,24
100,00
100,00
91,18
2
100,00
100,00
85,29
100,00
100,00
88,24
100,00
100,00
91,18
3
100,00
100,00
91,18
100,00
100,00
88,24
100,00
100,00
67,65
0,9 0,02
0,01 0,75 400
0,02
50
0,01 0,8 0,02
0,9
0,01
28
Lampiran 3 Lanjutan TURINA-1 GENERASI
POPULASI
50
Pc
0,9
Pm
0,02
0,01
TURINA-2
TURINA-3
ELITISME
FOLD 1
FOLD 2
FOLD 3
FOLD 1
FOLD 2
FOLD 3
FOLD 1
FOLD 2
FOLD 3
1
93,94
81,82
85,29
100,00
100,00
47,06
100,00
100,00
91,18
2
93,94
100,00
85,29
100,00
100,00
88,24
100,00
100,00
91,18
3
100,00
100,00
55,88
90,91
100,00
88,24
100,00
100,00
91,18
1
93,94
100,00
85,29
100,00
100,00
88,24
100,00
100,00
91,18
2
100,00
100,00
85,29
100,00
100,00
88,24
90,91
100,00
91,18
3
93,94
100,00
85,29
100,00
100,00
88,24
100,00
100,00
91,18
1
100,00
100,00
85,29
100,00
100,00
88,24
100,00
100,00
91,18
2
100,00
100,00
44,12
100,00
100,00
85,29
100,00
100,00
91,18
3
93,94
100,00
52,94
100,00
100,00
88,24
45,45
100,00
91,18
1
100,00
100,00
85,29
100,00
100,00
47,06
24,24
100,00
91,18
2
100,00
100,00
44,12
100,00
100,00
88,24
100,00
100,00
91,18
3
100,00
100,00
85,29
100,00
100,00
88,24
100,00
100,00
91,18
1
100,00
100,00
85,29
100,00
100,00
88,24
100,00
100,00
91,18
2
93,94
100,00
64,71
100,00
100,00
88,24
100,00
100,00
38,24
3
100,00
69,70
85,29
100,00
100,00
88,24
100,00
100,00
91,18
1
100,00
100,00
64,71
100,00
100,00
61,76
63,64
100,00
91,18
2
45,45
100,00
70,59
100,00
100,00
88,24
100,00
87,88
91,18
3
100,00
100,00
55,88
100,00
100,00
47,06
100,00
100,00
91,18
1
100,00
84,85
85,29
100,00
100,00
88,24
100,00
100,00
91,18
2
100,00
100,00
85,29
100,00
100,00
88,24
100,00
100,00
91,18
3
100,00
100,00
73,53
100,00
100,00
88,24
100,00
100,00
91,18
0,75 0,02
400
0,01 60
0,8 0,02
0,01 0,9 0,02
29
Lampiran 4 Pembagian fold data
Baris
Turina1 1 2 3 4 5 6 7 8
Turina2 26 27 28 29 30 31 32 33
Fold 1 Turina3 51 52 53 54 55 56 57 58
Bukan Varietas 76 77 78 79 80 81 82 83
Turina1 9 10 11 12 13 14 15 16
Turina2 34 35 36 37 38 39 40 41
Fold 2 Turina3 59 60 61 62 63 64 65 66
Bukan Varietas 84 85 86 87 88 89 90 91
Turina1 17 18 19 20 21 22 23 24 25
Turina2 42 43 44 45 46 47 48 49 50
Fold 3 Turina3 67 68 69 70 71 72 73 74 75
Bukan Varietas 92 93 94 95 96 97 98 99 100
30
Lampiran 5 Aturan terbaik Turina-1 Aturan Boolean NOT
NAND
X1C
NOR
X1B
X3B
NOR
X10A
NOR
X1C
X6A
NOT
OR
OR
NOR
X1B
NOT
NOT
X1C
X1D
AND
X4B
X9C
AND
X10
OR
NAND
NOR
NOR
X3D
OR
X2B
X1A
NAND
X3A
X5C
X4D
AND
X1C
NAND
NAND
X1E
NOT
X2B
X2B
OR
AND
NAND
X4D
X4B
NOT
AND
X3A
NOR
NOT
NOT
NOR
X1C
X12A
X7A
NAND
X1C
X4B
X1C
OR
X5B
X9C
31
Lampiran 6 Aturan terbaik Turina-2 Aturan Boolean NOT
NOT
NOR
NOT
AND
X1A
X7A
X11D
NOT
NAND
NOR
NAND
AND
NOT
X1B
X12C
NAND
X1B
X8D
NOR
X2D
X3B
X1B
NOR
AND
NOT
NOR
OR
X3D
NAND
NAND
NAND
X13B
X12B
X12C
X6A
X11C
NOT
NOT
NOT
X12A
X1A
NAND
OR
OR
NOR
OR
AND
X5A
AND
X9A
X6C
NOR
AND
X5A
X5A
X1B
NOR
X7B
NOR
X7D
NOR
X7B
OR
NAND
NOT
X13B
X4C
X1A
X4C
X7D
AND
X3B
NAND
NAND
AND
X1C
X3A
X11B
X5D
AND
X3B
OR
NAND
X7B
NAND
X3A
X13A
X8C
OR
AND
NAND
OR
X5D
X11C
AND
X3C
X12C
NAND
NOT
NOT
NOT
AND
X1A
X7C
X5B
NAND
NOT
X12B
NOT
AND
X1E
X11A
X2D
32
Lampiran 6 Lanjutan Aturan Boolean NOR
NAND
NOT
X1C
OR
X8A
X2B
X2B
AND
OR
X1A
NOT
NOR
OR OR
X13D
OR
X2C
X2A
X4B
X4A
X11A
NOT
NOT
AND
NOT
NOT
OR
AND
AND
X1B
X12C
NOT
NOT
NOT
X1A
AND
OR
X8D
X2D
X3B
X1B
33
Lampiran 7 Aturan terbaik Turina-3 Aturan Boolean NOR
AND
X2C
NOT
X4D
X2A
NOR
OR
X11D
NOT
OR
X13A
X5A
X8D
NAND
OR
NOT
NOT
OR
X2A
X1C
AND
X7C
X3D
X9B
AND
NOT
NOR
X2B
NOT
X8A
NAND
NOT
X13A
X8A
OR
OR
NAND
AND
X8D
AND
X11B
X2D
X7B
NAND
X9D
AND
NAND
NAND
X7A
X1C
NOT
NOT
NOT
X1B
X3A
X10A
NOT
X1B