SISTEM IDENTIFIKASI FAMILI SECARA OTOMATIS BERBASIS TEKS MENGGUNAKAN DOKUMEN ETNOFITOMEDIKA
RYANTIE OCTAVIANI SUGANDA
DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2013
SISTEM IDENTIFIKASI FAMILI SECARA OTOMATIS BERBASIS TEKS MENGGUNAKAN DOKUMEN ETNOFITOMEDIKA
RYANTIE OCTAVIANI SUGANDA
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 2013
ABSTRACT RYANTIE OCTAVIANI SUGANDA. Text Based Automatic Family Identification System Using Etnofitomedika Document. Supervised by YENI HERDIYENI and ELLYN K. DAMAYANTI. This research represents a text-based system that can be used for automatic identification of plant families according to the taxonomy of plants. The identification was done by utilizing information from etnofitomedika documents on plant characteristics that can represent the family of each plant including morphology, habitats, habitus, and biochemical compounds. The method used in this research is Chi-Square method to select important words in each document and Naïve Bayes method to classify the words. The experimental results showed that the critical value using significance level of 0,001 had better accuracy than the critical value using significance level of 0,01. The accuracy of classification systems based on family category using K-fold cross validation with significance value of 0,001 was 85,5%. It was found this system is useful in helping users especially researchers and taxonomists for plant family identification. Furthermore, it can help strengthening the knowledge on biodiversity and the use of medical plants.
Keywords: chi–square, document classification, document identification, k-fold cross validation, naive bayes classifier.
Judul Skripsi Nama NIM
: Sistem Identifikasi Famili Secara Otomatis Berbasis Teks Menggunakan Dokumen Etnofitomedika : Ryantie Octaviani Suganda : G64080030
Menyetujui: Pembimbing
Pembimbing
Dr. Yeni Herdiyeni, S.Si., M.Kom. NIP. 19750923 200012 2 001
Ellyn K. Damayanti,Ph.D.Agr.
Mengetahui: Ketua Departemen Ilmu Komputer
Dr. Ir. Agus Buono, M.Si, M.Kom NIP.196607021993021001
Tanggal Lulus:
PRAKATA Puji dan syukur penulis panjatkan ke hadirat Allah subhanahu wa-ta'ala atas segala rahmat dan hidayah-Nya sehingga penulis dapat menyelesaikan tugas akhir dengan judul Sistem Identifikasi Famili secara Otomatis Berbasis Teks Terhadap Dokumen Etnofitomedika. Penelitian ini dilaksanakan mulai Desember 2011 sampai dengan Januari 2013 dan bertempat di Departemen Ilmu Komputer Institut Pertanian Bogor. Penulis juga menyampaikan terima kasih kepada pihak-pihak yang telah membantu dalam penyelesaian tugas akhir ini,yaitu: 1 2
3 4
5
6 7 8
Ayahanda Suganda, Ibunda Dharma Astuti, adikku Ferdimas, dan MUSA big family yang selalu memberikan kasih sayang, semangat, dan doa. Ibu Dr. Yeni Herdiyeni, S.Si., M.Kom. dan Ibu Ellyn K. Damayanti, Ph.D.Agr. selaku dosen pembimbing yang telah memberikan arahan dan bimbingan dengan sabar kepada penulis dalam menyelesaikan skripsi ini. Bapak Endang Purnama Giri,S.Kom, M.Kom selaku dosen penguji. Mayanda Mega Santoni, Ni Kadek Sri Wahyuni, Oki Maulana, Siska Susanti, Kak Pauzi, Pak Rico, Mbak Gibtha, Kak Rahmat, Kak Muchlis dan teman-teman satu bimbingan yang selalu memberikan masukan, saran, dan semangat kepada penulis, specially for Ka Desta yang telah banyak membantu dan memberi semangat dalam melakukan penelitian ini. Para sahabat seperjuangan Hafizhia Dhikrul A, Ilman Dwi S, Putrantio J, Anita Dly, Tiara Mitra Lia, Niken Eka, Meri Marliana, Cut Malisa Irwan, Annisa A, Ardini yang selalu mendukung dan selalu bersama penulis dikala senang maupun sedih. Para sahabat Hutomo Triasmoro, M. Rifkiansyah, Rahmat Hafid, M.Wahyu, Jaka Ahmad, Tenri T. Talkanda, dan Irvan Raditya Putra yang selalu member semangat dan motivasi. Rekan-rekan di Departemen Ilmu Komputer IPB angkatan 45 atas segala kebersamaan, canda tawa, dan kenangan indah yang telah mengisi kehidupan penulis selama di kampus. Teman-teman Genggong, kostan putri Asy-Syifa, DBM F.L.C, DBM Depok, DBM Timur, Transformatika, dan AGRIC IPB.
Penulis menyadari bahwa masih banyak kekurangan yang ditemukan dalam tugas akhir ini. Penulis berharap adanya saran dan kritik yang membangun dari semua pihak yang membaca tulisan ini. Semoga tulisan ini bermanfaat dan dapat menambah wawasan ilmu pengetahuan bagi penulis khususnya dan pembaca umumnya.
Bogor, Januari 2013
Ryantie Octaviani Suganda
RIWAYAT HIDUP Penulis dilahirkan di Tengerang pada tanggal 17 Oktober 1990 dari ayah Suganda dan ibu Dharma Astuti. Penulis merupakan putri pertama dari dua bersaudara. Penulis merupakan lulusan dari SMAN 101Jakarta (2005-2008), SMPN 142Jakarta (2002-2005), SDNSudimara 7 Ciledug (1996-2002) dan TK Islam Al-Azhar (1994-1996). Saat ini penulis sedang menempuh studi S1 di Departemen Ilmu Komputer, Fakultas MIPA, Institut Pertanian Bogor, sejak tahun 2008 sampai dengan sekarang. Selama mengikuti perkuliahan, penulis aktif dalam kegiatan kampus seperti kepanitiaan dalam suatu acara di IPB maupun acara yang diselenggarakan oleh Departemen Ilmu Komputer. Penulis berkedudukan sebagai staff Marketing and Relationship (MR) di HIMALKOM, dan anggota UKM Basket IPB. Pada bulan Juli hingga Agustus 2011, penulis melaksanakan kegiatan Praktik Kerja Lapangan di Bank Indonesia. Selain kuliah, penulis juga aktif sebagai asisten praktikum. Mata kuliah yang pernah diamanahkan kepada penulis yaitu Basis Data. Penulis dapat dihubungi melalui email di alamat
[email protected].
DAFTAR ISI Halaman DAFTAR TABEL ......................................................................................................................vi DAFTAR GAMBAR ..................................................................................................................vi DAFTAR LAMPIRAN ...............................................................................................................vi PENDAHULUAN .......................................................................................................................1 Latar Belakang ........................................................................................................................1 Tujuan Penelitian.....................................................................................................................1 Ruang Lingkup ........................................................................................................................1 TINJAUAN PUSTAKA ..............................................................................................................2 Etnofitomedika ........................................................................................................................2 Taksonomi ..............................................................................................................................2 Pemilihan Fitur Dokumen ........................................................................................................2 Klasifikasi ...............................................................................................................................2 Chi-Kuadrat (χ2)......................................................................................................................2 Naïve Bayes Classifier .............................................................................................................3 Confusion Matrix ....................................................................................................................4 K-Fold Cross Validation ..........................................................................................................4 METODE PENELITIAN .............................................................................................................4 Wawancara..............................................................................................................................5 Dokumen Etnofitomedika ........................................................................................................5 Praproses Data.........................................................................................................................6 Pembagian Data.......................................................................................................................6 Pemilihan Fitur ........................................................................................................................6 KlasifikasiNaive Bayes ............................................................................................................6 Evaluasi ..................................................................................................................................7 Lingkungan Pengembangan Sistem ..........................................................................................7 HASIL DAN PEMBAHASAN ....................................................................................................7 Dokumen Etnofitomedika ........................................................................................................7 Praproses Data.........................................................................................................................7 Pemilihan Fitur ........................................................................................................................7 Evaluasi Kinerja Sistem Klasifikasi .........................................................................................7 Analisis Dokumen ............................................................................................................... 7 Analisis waktu eksekusi....................................................................................................... 9 Evaluasi K-fold cross validation............................................................................................. 10 KESIMPULAN DAN SARAN .................................................................................................. 10 Kesimpulan ........................................................................................................................... 10 Saran ..................................................................................................................................... 10 DAFTAR PUSTAKA ................................................................................................................ 10 LAMPIRAN .............................................................................................................................. 12
v
DAFTAR TABEL Halaman 1 2 3 4 5 6 7 8
Kategori dan golongan tumbuhan ............................................................................................. 2 Tabel kontingensi..................................................................................................................... 3 Nilai kritis χ2 dengan derajat bebas satu dan taraf nyata α ......................................................... 3 Confusion matrix untuk klasifikasi biner ................................................................................... 4 Distribusi dokumen famili ........................................................................................................ 7 Persamaan ciri pada famili Rutaceae dan Myrtacea ................................................................... 8 Ciri atau karakteristik ordo Rutales dan Myrtales (Tjitrosoepomo 1994).................................... 9 Hasil akurasi menggunakan k-fold .......................................................................................... 10
DAFTAR GAMBAR Halaman 1 2 3 4 5
Metode penelitian .................................................................................................................... 5 Format koleksi dokumen .......................................................................................................... 5 Grafik hasil klasifikasi dokumen etnofitomedika....................................................................... 8 Grafik kinerja rataan pemilihan fitur ......................................................................................... 9 Alur taksonomi famili Rutacea dan famili Myrtaceae .............................................................. 10
DAFTAR LAMPIRAN Halaman 1 2 3 4
Daftar jenis tumbuhan obat Indonesia yang digunakan dalam penelitian .................................. 13 Tabel distribusi chi-kuadrat pada berbagai tingkat signifikansi dan derajat bebas tertentu ........ 16 Confusionmatrix untuk kelas family pada nilai signifikansi 0.001 ............................................ 17 Perbandingan antara dokumen dengan buku panduan.............................................................. 18
vi
1
PENDAHULUAN Latar Belakang Indonesia sebagai negara tropis memiliki keanekaragaman hayati yang tinggibaik secara kualitas maupun kuantitas, salah satunya yaitu tumbuhan obat. Terdapat 38.000 spesies tumbuhan di Indonesia dengan jumlah spesies endemik sebanyak 55% (Damayanti et al. 2011). Sampai tahun 2001, Laboratorium Konservasi Tumbuhan, Fakultas Kehutanan IPB hanya dapat mengidentifikasikan 2.039 spesies tumbuhan obat yang berasal dari ekosistem hutan Indonesia (Zuhud 2009). Keanekaragaman tumbuhan obat dapat dikategorikan kedalam kelompok famili, habitat, habitus, pemanfaatan, dan bagian tanaman yang digunakan sebagai obat. Penggunaan tumbuhan sebagai obat-obatan selalu dengan cara tradisional yaitu dengan resep yang diwariskan oleh nenek moyang bangsa Indonesia. Potensi tumbuhan obat di Indonesia sebagian besar disimpan dalam bentuk pengetahuan masyarakat tradisional atau etnis suatu daerah. Pengetahuan ini memunculkan bidang kajian baru dalam dunia ilmu pengetahuan, yaitu etnofitomedika yang merupakan pengetahuan pemanfaatan potensi tumbuhan untuk obat tradisional yang erat kaitannya dengan kebiasaan atau tradisi serta kebudayaan setempat (Sangat 2000).Indonesia memiliki lebih dari 550 etnis yang menyebar dari bagian barat Pulau Sumatera ke bagian timur Indonesia (Damayanti et al. 2011). Antar etnis dapat menggunakan spesies dan bagian tumbuhan yang sama atau berbeda. Hal ini tergantung pada pengalaman mereka dan mewariskan resep dari nenek moyang mereka. Adapun masalah yang ditemukan dalam keanekaragaman tersebut yaitu dalam pengidentifikasian spesies. Keterbatasan pengetahuan penduduk setempat akan keanekaragaman dan penggunaan tumbuhan obat menjadi salah satu masalah dalam pengidentifikasian. Selain itu ada beberapa masalah lainnya, seperti terbatasnya jumlah buku identifikasi dan banyaknya halaman di setiap buku identifikasi atau buku panduan yang menyulitkan untuk dibawa kelapangan, terbatasnya jumlah instansi yang berwenang dan fasilitas untuk identifikasi tumbuhan, terbatasnya jumlah taksonom di setiap instansi yang dapat mengidentifikasi
tumbuhan secara ilmiah, dan banyaknya tenaga, waktu, dan uang yang diperlukan untuk melakukan identifikasi tersebut. Saat ini sudah banyak riset yang meneliti tentang etnofitomedika. Banyak informasi yang terkandung dalam tiap dokumen, misalnya informasi mengenai deskripsi tumbuhan seperti ciri-ciri atau karakteristik dan famili tumbuhan, manfaat tumbuhan, etnis, kandungan kimia yang terkandung dalam tumbuhan dan masih banyak informasi lainnya. Saat ini klasifikasi dilakukan secara manual, yaitu dengan cara mengamati lingkungan sekitar dan menganalisa ciri atau karakteristik dari tumbuhan obat secara langsung atau mencocokkan pada tiap dokumen. Cara tersebut membutuhkan waktu lama dan merepotkan sehingga perlu adanya sistem pengidentifikasian otomatis pada dokumen etnofitomedika. Pada penelitian sebelumnya telah dilakukan perbandingan mengenai ekstraksi ciri dokumen tumbuhan obat menggunakan Chi-Kuadratdan menggunakan teknik document thresholding frequency (df) dengan klasifikasi Naïve Bayes (Herawan 2011) dan ekstraksi ciri dokumen tumbuhan obat menggunakan Chi-Kuadrat dengan klasifikasi algoritma KNN Fuzzy (Paskianti 2011). Pengelompokan atau klasifikasi tumbuhan obat perlu dilakukan dengan cara mengembangkan teknologi untuk mengatasi masalah dalam identifikasi tumbuhan. Hal tersebut menjadi tantangan bagi ilmuwan di bidang komputer dan teknologi informasi untuk memahami bagaimana taksonomis mengidentifikasi tumbuhan. Oleh sebab itu, pada penelitian ini akan dikembangkan sistem identifikasi otomatis berdasarkan kelompok famili berbasis teks dengan menggunakan dokumen etnofitomedika. Tujuan Penelitian Tujuan penelitian ini adalah 1
Mengembangkan sistem berbasis teks yang dapat digunakan untuk pengidentifikasian famili secara otomatis sesuai dengan taksonomi.
2
Mengetahui akurasi kinerja sistem.
Ruang Lingkup Ruang lingkup penelitian ini adalah dokumen etnofitomedika yang didapatkan dari berbagai sumber buku dan hasil riset yang sudah ada. Pengelompokkan atau
2
pengklasifikasian etnofitmedika berdasarkan kategori famili.
hanya
TINJAUAN PUSTAKA Etnofitomedika Menurut Damayanti (2010), etnofitomedika adalah keterkaitan pengetahuan lokal etnis tertentu yang menghuni kawasan hutan dengan keanekaragaman spesies tumbuhan yang dapat dijadikan bahan pengobatan yang berkaitan dengan tumbuhan obat. Sangat (2000) menyatakan bahwa etnofitomedika merupakan pengetahuan pemanfaatan potensi tumbuhan untuk obat tradisional yang erat kaitannya dengan kebiasaan atau tradisi serta kebudayaan setempat (local knowledge). Taksonomi Taksonomi tumbuhan merupakan ilmu yang mempelajari tentang berbagai penelusuran jenis tumbuhan, penyimpanan herbarium tumbuhan, pengenalan atau identifikasi tumbuhan, pengelompokan atau klasifikasi tumbuhan, dan pemberian nama tumbuhan (Tjitrosoepomo 1994). Taksonomi tumbuhan lebih banyak mempelajari aspek penanganan sampel-sampel (spesimen) tumbuhan dan pengelompokan (klasifikasi). Ilmu taksonomi tumbuhan mengalami banyak perubahan cepat semenjak digunakannya berbagai teknik biologi molekular dalam berbagai kajiannya. Contoh kategori dan golongan tumbuhan dapat dilihat pada Tabel 1.
dokumen. Kata tersebut merupakan himpunan dari semua kata yang ada pada data latih. Pemilihan fitur dokumen memiliki dua tujuan utama, yaitu membuat data latih yang diterapkan oleh sistem klasifikasi menjadi lebih sederhana serta untuk meningkatkan akurasi sistem klasifikasi. Peningkatan akurasi sistem klasifikasi disebabkan oleh dihilangkannya kata-kata yang bukan merupakan penciri dokumen yang dilakukan pada proses penghilangan fitur (Manning et al.2008). Dalam penelitian ini, data yang digunakan adalah dokumen etnofitomedika yang berasal dari beberapa dokumen hasil riset dan buku tumbuhan obat. Dokumen yang digunakan dibuat dalam format xml. Data dari himpunan tersebut akan digunakan sebagai penciri dokumen yang akan diklasifikasikan. Klasifikasi Klasifikasi adalah proses untuk menentukan kelas dari suatu objek tertentu. Proses klasifikasi dibagi menjadi dua tahap, yaitu tahapan pembelajaran dan pengujian. Pada tahap pembelajaran, sebagian data yang telah diketahui kelasnya yang disebut sebagai data latih digunakan untuk membuat model klasifikasi. Tahap pengujian adalah tahap menguji data uji dengan model klasifikasi untuk mengetahui akurasi model klasifikasi tersebut. Jika akurasi cukup maka model tersebut dapat digunakan untuk memprediksi kelas data yang belum diketahui (Han dan Kamber 2006).
Kategori
Golongan
Kingdom
Plantae
Divisio
Spermatophyta
Sub-divisio
Angiospermae
Pada klasifikasi dokumen, permasalahan yang muncul adalah sebagai berikut: diberikan sebuah deskripsi d ∈ X dari sebuah dokumen dimana X merupakan ruang dokumen. Sebuah himpunan tetapkelas C = c1, c2, c3, …,cj , dengan menggunakan algoritma pembelajaran, dilakukan proses pembelajaran terhadap fungsi klasifikasi γ sehingga dapat memetakan dokumen 𝛾 pada kelas C.
Classis
Dicotyledoneae
γ: X→C
Ordo
Guttiferales
Familia
Dipterocarpaceae
Genus
Shorea
Species
Shorea pinanga
Tabel 1 Kategori dan golongan tumbuhan
Pemilihan Fitur Dokumen Pemilihan fitur dokumen merupakan suatu proses memilih kata terbaik pada tiap
Chi-Kuadrat (χ2 ) Chi-Kuadrat (χ2 ) merupakan pengujian hipotesis mengenai perbandingan antara frekuensi sampel yang benar-benar terjadi (frekuensi observasi) dengan frekuensi harapan yang didasarkan atas hipotesis tertentu pada setiap kasus atau data (frekuensi harapan atau ekspetasi). Sampel berukuran N diambil dari suatu populasi normal berdeviasi standar σ. Untuk setiap
3
sampel dihitung nilai χ2 sehingga diperoleh distribusi sampling untuk χ2 yang disebut distribusi Chi-Kuadrat. Distribusi Chi-Kuadrat tergantung pada satu parameter, yaitu derajat kebebasan (df). Berikut adalah rumus untuk menghitung besarnya jumlah derajat bebas dari suatu kasus dan menghitung derajat bebas saat menggunakan tabel kontingensi v = N-1 v = R-1 x C-1 dengan N adalah ukuran sampel yang diambil, R adalah jumlah baris dan C adalah jumlah kolom. Hipotesis H0 dapat digunakan untuk menguji pengaruh antara frekuensi observasi dengan frekuensi harapan. Hipotesis nol berarti tidak ada perbedaan yang signifikan antara frekuensi observasi dengan frekuensi harapan. Hipotesis nol dapat diterima apabila nilai 𝜒2 < nilai kritis pada derajat bebas dan tingkat nilai signifikan tertentu, sedangkan hipotesis nol ditolak ketika nilai 𝜒2 > nilai kritis pada derajat bebas dan tingkat nilai signifikan tertentu. Perhitungan nilai Chi-Kuadratdapat dibantu dengan tabel kontingensi. Nilai pada tabel kontingensi merupakan nilai frekuensi observasi dari suatu kata terhadap kelas.Tabel kontingensi dapat dilihat pada Tabel 2. Tabel 2 Tabel kontingensi Kelas
Kelas = 1
Kelas = 0
Kata = 1
A
B
Kata = 0
C
D
Kata
Perhitungan nilai Chi-Kuadrat berdasarkan tabel kontingensi disederhanakan sebagai berikut: X(t, c)2 =
N(AD-CB)
2
A+C B+D A+B (C+D)
(1)
Dari rumus diatas, t merupakan kata yang sedang diujikan terhadap suatu kelas c. Jumlah dokumen latih dilambangkan dengan N. Banyaknya dokumen pada kelas c yang memuat kata t dilambangkan dengan A, banyaknya dokumen yang tidak berada di kelas c namun memuat kata t dilambangkan dengan huruf B, banyaknya dokumen yang
berada di kelas c namun tidak memiliki kata t dilambangkan dengan huruf C, danbanyaknya dokumen yang bukan merupakan dokumen kelas c dan tidak memuat kata t dilambangkan dengan huruf D. Pengambilan keputusan berdasarkan nilai χ2 dari masing-masing kata. Kata yang memiliki nilai χ2 di atas nilai kritis pada tingkat signifikasi α adalah kata yang dipilih sebagai penciri dokumen, sehingga kata yang dipilih sebagai penciri dokumen merupakan kata yang memiliki pengaruh terhadap kelas c. Nilai kritis 𝜒2 dengan derajat bebas satu dan taraf nyata 𝛼 ditunjukkan oleh Tabel 3. Tabel distribusi chi-kuadrat pada berbagai tingkat signifikansi dan derajat bebas tertentu dapat dilihat pada Lampiran 2. Tabel 3 Nilai kritis χ2 dengan derajat bebas satu dan taraf nyata α 𝛼
Nilai Kritis
0,1
2,71
0,05
3,84
0,01
6,63
0,005
7,83
0,001
10,83
Naïve Bayes Classifier Metode klasifikasi yang mengasumsikan seluruh atribut yang bersifat independent satu sama lain pada konteks kelas yaitu metode Naïve Bayes (McCallum dan Nigam 1998). Peluang Bayes dapat digunakan untuk menghitung peluang bersyarat, yaitu peluang kejadian apabila suatu kejadian diketahui. Metode ini dapat memprediksi kemungkinan anggota suatu kelas berdasarkan sampel yang berasal dari anggota kelas tersebut (Manning 2008). Klasifikasi Naïve Bayes termasuk dalam model multinomial yang mengambil jumlah kata yang muncul pada sebuah dokumen. Pada model ini sebuah dokumen terdiri atas beberapa kejadian kata. Berdasarkan asumsi Bayes, kemungkinan tiap kejadian kata dalam tiap dokumen adalah bebas, tidak terpengaruh dengan konteks kata dan posisi kata dalam dokumen. Berdasarkan teori Bayes, peluang dokumen d untuk masuk ke
4
dalam kelas c atau P c d ditunjukkan pada Persamaan 2: Pcd =
P d c P(c) P(d)
Class = 1
(3)
Rumus untuk menghitung nilai peluang dokumen masuk ke dalam kelas c dan peluang kemunculan dokumen d berada pada kelas c adalah
Pc =
Nc danP d c = N
Tcd d∈V Tcd
Dengan Nc adalah banyaknya dokumen dalam kelas c, N adalah total dokumen, Tcd adalah banyaknya d dalam dokumen latih dari kelas c. Menurut Manning et al. (2008) kelas yang paling sesuai bagi dokumen d adalah kelas yang memiliki nilai 𝑃 𝑐 𝑑 paling tinggi yaitu seperti ditunjukkan pada Persamaan 4: max P d c P(c) c ∈C
Predicted Class
(2)
dengan P(d|c) adalah peluang kemunculan dokumen d di kelas c, 𝑃 𝑐 adalah peluang awal suatu dokumen masuk ke dalam kelas c, dan P(d) adalah peluang awal kemunculan dokumen d. Peluang awal kemunculan dokumen d dapat diabaikan karena memiliki nilai yang sama untuk seluruh kelas c, sehingga Persamaan 2 dapat disederhanakan dalam Persamaan 3: P cd =P dc P c
Tabel 4 Confusion matrix untuk klasifikasi biner
(4)
Nilai peluang awal P(c) dapat diestimasi dengan melihat jumlah dokumen yang dimiliki oleh kelas c relatif terhadap jumlah seluruh dokumen yang ada. Confusion Matrix Confusion matrix merupakan sebuah tabel yang terdiri atas banyaknya baris data uji yang diprediksi benar dan salah oleh model klasifikasi, yang digunakan untuk menentukan kinerja suatu model klasifikasi. Data uji diujikan untuk mendapatkan tingkat akurasi hasil prediksi yang berupa jumlah true positive, true negative, false positive, dan false negative seperti yang dilihat pada Tabel 4 (Herawan 2011).
Actual Class
Class = 0
Class = 1
F11
F10
Class = 0
F01
F00
Keterangan untuk Tabel sebagai berikut:
4
dinyatakan
F11, yaitu jumlah dokumen dari kelas 1 yang benar diklasifikasikan sebagai kelas 1.
F00, yaitu jumlah dokumen dari kelas 0 yang benar diklasifikasikan sebagai kelas 0.
F01, yaitu jumlah dokumen dari kelas 0 yang salah diklasifikasikan sebagai kelas 1.
F10, yaitu jumlah dokumen dari kelas 1 yang salah diklasifikasikan sebagai kelas 0. Perhitungan akurasi Persamaan 5.
dinyatakan
dalam
F11+F00
Akurasi = F11+F10+F01+F00 (5) K-Fold Cross Validation Dalam K-fold cross validation data akan dibagi ke dalam k buah partisi dengan ukuran yang sama D1 , D2 , D3 ,…, Dk. Pelatihan dan pengujian dilakukan sebanyak k kali. Dalam iterasi kei, partisi 𝐷𝑖 akan menjadi data uji, selainnya menjadi data latih. Pada iterasi pertama, D1 akan menjadi data uji, D2 , D3 , …, Dk akan menjadi data latih. Selanjutnya iterasi ke-2, D2 akan menjadi data uji, D1 , D3 , …, Dk menjadi data latih, dan seterusnya (Han dan Kamber 2006).
METODE PENELITIAN Penelitian ini dilaksanakan dalam beberapa tahapan. Tahap awal pada penelitian ini yaitu peneliti melakukan tahap wawancara kepada para pakar etnofitomedika. Data yang diproses dalam sistem ini adalah koleksi dokumen etnofitomedika, seperti dokumen hasil riset maupun buku tentang etnofitomedika.
5
Dokumen tersebut diubah menjadi bentuk format xml. Daftar kata buang atau stopwords merupakan input lain yang akan digunakan pada tahapan praproses data. Tahap selanjutnya adalah pembagian dokumen yaitu data latih dan data uji yang dilakukan melalui dua cara yaitu dengan mebagi 70 : 30 dan dengan menggunakan metode K-fold cross validationdengan K=2, kemudian dilakukan proses pemilihan fitur pada dokumen latih dan hasilnya digunakan sebagai landasan dalam pembuatan vector space model yang akan dimanfaatkan untuk melakukan pembobotan terhadap kata sehingga akan merepresentasikan dokumen dalam bentuk vektor. Tahap berikutnya adalah melakukan klasifikasi menggunakan Naive Bayes pada dokumen uji yang belum diketahui kelasnya yang bertujuan untuk membangun model klasifikasi.Tahapan pada penelitian ini diilustrasikan pada Gambar 1. Wawancara
Wawancara Pada penelitian ini dilakukan wawancara terhadap salah satu pakar tumbuhan obat. (Hikmat Agus 3 Januari 2012, komunikasi pribadi) menyatakan bahwa etnofitomedika merupakan interaksi antara manusia dengan tumbuhan obat yang berhubungan dengan suatu etnis tertentu. Tiap entis memiliki tumbuhan obat yang beraneka ragam. Tidak semua penduduk setempat mengetahui jenis dan manfaat dari tumbuhan tersebut. Saat ini sudah banyak riset yang meneliti tentang etnofitomedika tetapi masih dalam bentuk laporan atau makalah dan tidak terstruktur. Masyarakat pada umumnya membutuhkan informasi mengenai tumbuhan obat di tiap etnis yang berbeda. Adapun informasi yang dibutuhkan untuk mengidentifikasikan etnofitomedika, yaitu berupa etnis, penyakit, nama lokal, nama ilmiah, famili, penggunaan, bagian, dan deskripsi. Dokumen Etnofitomedika
Dokumen Etnofitomedika
Praproses
Pembagian Data
Data Latih
Data Uji
Dokumen yang digunakan pada penelitian ini adalah suatu data yang memuat informasi mengenai satu jenis tumbuhan obat. Informasi tersebut didapatkan dari beberapa laporan atau makalah hasil riset dan buku tumbuhan obat. Dokumen tersebut dibentuk dalam format xml. Koleksi dokumen dijadikan sebagai korpus. Tiap dokumen merepresentasikan informasi mengenai jenistumbuhan obat berdasarkan etnisyang berada di Indonesia yang meliputi etnis, penyakit, nama lokal, nama ilmiah, famili, penggunaan, bagian, dan deskripsi. Koleksi dokumen bertipe file.xml dengan contoh format dokumen yang terdapat pada Gambar 2.
Pemilihan Fitur
Klasifikasi Naïve Bayes
Model Klasifikasi
Evaluasi Gambar 1 Metode penelitian Gambar 2 Format koleksi dokumen
6
Dokumen dikelompokkan ke dalam tag sebagai berikut:
<dok>, tag ini mewakili keseluruhan dokumen dan melingkupi tag-tag lain yang lebih spesifik.
, tag ini menunjukkan id dari dokumen.
<etnis>, tag ini menunjukkan etnis dari tiap tumbuhan obat.
, tag ini menunjukkan penyakit yang dapat disembuhkan dari jenis tumbuhan obat.
, tag ini menunjukkan nama dari suatu jenis tanaman obat.
, tag ini menunjukkan nama ilmiah dari tumbuhan obat.
, tag ini menunjukkan nama famili dari tanaman obat.
, tag ini menunjukkan cara penggunaan dari tanaman obat.
, tag ini menunjukkan bagian yang digunakan dari tanaman obat.
<deskripsi>, tag ini mewakili isi dari dokumen meliputi deskripsi tumbuhan obat.
Praproses Data Ada tiga tahap awal praproses data yaitu lowercasing, tokenisasi, dan pembuangan stopwords. Lowercasing adalah proses untuk mengubah semua huruf menjadi non-capitalagar menjadi case-insensitive pada saat dilakukan pemrosesan teks dokumen, sedangkan tahap pemrosesan teks masukan (input) yang dibagi menjadi unit-unit kecil (token atau term) dapat berupa suatu kata atau angka disebut sebagai tokenisasi. Stopwords adalah daftar kata yang dianggap tidak memiliki makna yaitu kata yang sering muncul di setiap dokumen dan tidak bisa dijadikan sebagai penciri suatu dokumen, lalu daftar kata tersebut dibuang dan tidak diikut sertakan pada tahap selanjutnya. Pembagian Data Dokumen etnofitomedika yang telah melewati tahap praproses dibagi menjadi dua, yaitu data latih dan data uji. Pembagian
data tersebut menggunakan metode K-fold cross validation dengan K=2. Data latih digunakan sebagai input pelatihan dalam pengklasifikasian Naive Bayes dan data uji digunakan untuk menguji model hasil pelatihan Naive Bayes. Pemilihan Fitur Menurut Manning (2008), pemilihan fitur memilik dua tujuan, yaitu mengurangi jumlah kata yang digunakan dan meningkatkan akurasi hasil klasifikasi. Pemilihan fitur dilakukan pada vector term hasil dari tahap praproses dengan menggunakan metode uji chi-kuadrat, lalu fitur tersebut digunakan pada tahap klasifikasi dokumen. Teknik chikuadrat memilih fitur berpengaruh dengan menghitung nilai antara kata dengan kelas yang dinyatakan dalam Persamaan 1. Pemilihan fitur dilakukan pada dua tingkat signifikansi, yaitu 0,01 dan 0,001. Kata yang terpilih pada tingkat signifikansi α=0,01 adalah kata yang memiliki nilai diatas nilai kritis 6,63, sedangkan kata yang terpilih pada tingkat signifikansi α=0,001 adalah kata yang memiliki nilai di atas nilai kritis 10,83. Fitur yang dihasilkan pada tahap ini akan digunakan untuk membuat vector space model. Model terdiri atas beberapa dokumen yang direpresentasikan sebagai vektor dari frekuensi kemunculan fitur. KlasifikasiNaive Bayes Ada 11 famili dokumen, yaitu:
hasil
klasifikasi
1: Menispremaeceae
7: Apiaceae
2: Lamiaceae
8: Crassulaceae
3: Euphorbiaceae
9: Myrtaceae
4: Rutaceae
10: Araliaceae
5: Dioscoreaceae
11: Acanthaceae
6: Malvaceae Pada Tabel 5 dijelaskan tentang distribusi dokumen pada kategori kelas famili. Hasil matriks kata pada vector space model yang dihasilkan pada pemilihan fitur digunakan untuk menglasifikasikan dokumen baru. Tahap awal yang dilakukan yaitu dengan menghitung peluang kata terhadap dokumen latih yang dicerminkan oleh suatu kelas. Nilai peluang kata yang diperoleh digunakan untuk melakukan perhitungan Naive Bayes pada dokumen uji, lalu diambil nilai peluang terbesar dan nilai ini merupakan kelas dari
7
dokumen uji. Dokumen yang ditampilkan diurutkan berdasarkan ranking dari tiap dokumen. Tabel 5 Distribusi dokumen famili No
Kelas
Jumlah Dokumen
1
Menispremaeceae
12
2
Lamiaceae
26
3
Euphorbiaceae
22
4
Rutaceae
27
5
Dioscoreaceae
2
6
Malvaceae
9
7
Apiaceae
22
8
Crassulaceae
17
9
Myrtaceae
18
10
Araliaceae
2
11
Acanthaceae
13
Evaluasi Evaluasi dilakukan pada model klasifikasi. Evaluasi terhadap kinerja model penglasifikasi Naive Bayes dilakukan dengan menghitung persentase ketepatan suatu dokumen etnofitomedika masuk ke dalam kelas tertentu. Evaluasi untuk model penglasifikasi Naive Bayes dinyatakan dalam bentuk confusion matrix. Perhitungan nilai akurasi terhadap model klasifikasi diperoleh melalui Persamaan 5. Lingkungan Pengembangan Sistem Penelitian ini menggunakan perangkat lunak dan perangkat keras dengan spesifikasi adalah sebagai berikut:
HASIL DAN PEMBAHASAN Dokumen Etnofitomedika Penelitian ini menggunakan 170 dokumen etnofitomedika yang mencangkup 18 jenis tumbuhan obat, dapat dilihat pada Lampiran 1. Dokumen tersebut terbagi menjadi dua jenis data yaitu data latih dan data uji. Pembagian data dengan menggunakan perbandingan 70 : 30 menghasilkan 117 data latih dan 53 data uji. Praproses Data Praproses data menghasilkan daftar term yang sudah melewati tahap tokenisasi dan pembuangan stopwords. Jumlah stopwords sebanyak adalah 662 kata.Kata atau term akhir yang dihasilkan dari tahap praproses berjumlah 12.137 untuk data latih famili. Pemilihan Fitur Vektor kata unik yang telah dihasilkan dari tahap praproses kemudian diproses pada tahap pemilihan fitur dengan menggunakan metode Chi-Kuadrat. Pemilihan fitur dilakukan pada dua nilai signifikansi (Tabel 2), yaitu nilai signifikansi 0,01 dan 0,001. Berdasarkan teori terpenuhinya hipotesis, nilai signifikansi 0,01 diartikan sebagai kriteria kata yang dipilih adalah kata yang memiliki nilai χ2 diatas 6,63 dan nilai signifikansi 0,001 dapat diartikan bahwa kriteria kata yang dipilih adalah kata yang memiliki nilai χ2 diatas 10,83. Tahap pemilihan fitur menghasilkan 1.143 kata penciri untuk signifikansi 0,01dan 865 kata peciri untuk signifikansi 0,001. Kumpulan kata yang dihasilkan pada tahapan pemilihan fitur inilah yang kemudian akan diolah pada sistem klasifikasi. Evaluasi Kinerja Sistem Klasifikasi
a.
Perangkat lunak yang digunakan pada penelitian ini adalah Sistem operasi Microsoft Windows 7, Notepad++ sebagai code editor, Server XAMPP, Perangkat lunak MySQL untuk database, Web Browser (melalui Local Area Connection): Mozilla Firefox dan Google Chrome
Pengelompokkan atau pengklasifikasian dokumen dilakukan pada kelas famili.Kelas tersebut dapat diidentifikasikan melalui informasi yang memuat ciri atau karakteristik dari suatu tumbuhan obat pada tiap dokumen. Akurasi yang dihasilkan pada klasifikasi dokumen dengan menggunakan nilai signifikansi 0,001 adalah 77,35%.
b.
Perangkat keras yang digunakan pada penelitian ini adalah Intel Core i3 @2.2 Ghz ,Memory 2GB RAM, harddisk dengan kapasitas sisa 500GB, mouse dan keyboard.
Analisis Dokumen Pada penelitian ini ada tujuh kategori famili yang dokumennya teridentifikasi dengan baik, salah satunya yaitu famili Apiaceae.Semua dokumen yang merupakan famili Apiaceae dapat teridentifikasi dengan
8
baik, sehingga hasil klasifikasi dokumen tersebut bernilai 100%. Hal itu disebabkan oleh informasi yang terdapat pada tiap dokumen mengandung ciri atau karakteristik famili Apiacae. Perbandingan antara informasi ciri atau karakteristik yang terkandung dalam dokumen dengan informasi pada buku panduan mengenai ciri atau karakteristik famili tersebut disajikan pada Lampiran 4. Jumlah dokumen yang benar dalam pengklasifikasian kelas famili dapat dilihat pada Gambar 3. Jumlah Dokumen
Tabel 6 Persamaan ciri pada famili Rutaceae dan Myrtacea Rutacea
1 2 3 4 5 6 7 8 9 10 11 Kategori Famili 1 Acanthaceae
2 Apiaceae
3 Araliaceae
4 Crassulaceae
5 Dioscoreaceae
6 Euphorbiaceae
7 Lamiaceae
8 Malvaceae
9 Menispremaceae
Kesalahan pelabelan pada kelas famili disebabkan oleh informasi yang terdapat pada dokumen etnofitomedika tersebut, salah satunya adalah tumbuhan Jambu Biji yang memiliki kelas famili Myrtaceae.Pada sistem identifikasi, tumbuhan Jambu Biji masuk kedalam kelas Rutaceae. Hal tersebut disebabkan oleh kemiripan ciri atau karakteristik yang yang dimiliki oleh kelas famili Myrtaceae dan kelas famili Rutaceae. Persamaan ciri dari kedua famili tersebut dapat dilihat pada Tabel 6.
10 Myrtaceae
11 Rutaceae Gambar 3 Grafik hasil klasifikasi dokumen etnofitomedika Pada kelas Acanthaceae, Araliaceae, dan Menispermaceae jumlah dokumen yang benar dalam pengklasifikasian kelas tersebut adalah 0. Kelas Acanthaceae bernilai 0 disebabkan oleh informasi yang terdapat pada dokumen tersebut memiliki beberapa kesamaan ciri pada dokumen yang memuat kelas Lamiaceae dan Myrtaceae, kelas Araliaceae bernilai 0 disebabkan oleh sedikitnya jumlah dokumen latih dan dokumen uji sehingga kurangnya fitur yang merepresentasikan kelas Araliacea, dan kelas Menispermaceae bernilai 0 disebabkan oleh informasi yang terdapat pada tumbuhan Arcangelisia flava L. memiliki beberapa kesamaan ciri dengan tumbuhan yang berada di kelas Apiaceae dan Euphorbiaceae.
1
Perdu kecil
2
Batangnya keras, beralur dan tidak berduri
3
Daunnya bundar telur
4
Bunga berwarna putih dan muncul dari ketiak daun
Myrtaceae 1
Perdu
2
Batangnya keras
3
Daunnya bulat telur dan berukuran besar
4
Bunga berwarna putih dan muncul dari ketiak daun
Kemiripan yang terdapat pada dokumen tersebut menyebabkan kesalahan dalam pelabelan pada kategori kelas family. Pada Tabel 1 telah dipaparkan contoh kategori dan golongan tumbuhan. Pada buku taksonomi tumbuhan obat-obatan (Gembong 1994), ada lima divisi pada tumbuhan obat yaitu divisi Schizophyta (tumbuhan belah), divisi Thallophyta (tumbuhan talus) yang mempunyai tiga anak divisi yaitu Algae (ganggang), Fungi (jamur, cendawan), dan Lichenes (lumut kulit), divisi Bryophyta (lumut), divisi Pteridophyta, dan divisi Spematophyta yang mempunyai tiga anakdivisi yaitu Coniferospermae, Chlamydospermae, dan Angiospermae. Ordo dari famili Rutaceae adalah Rutales dan ordo dari Myrtaceae adalah Myrtales. Kedua ordo tersebut termasuk kedalam Dialypetaleae yang merupakan anak kelas dari Dicotyledoneacea (tumbuhan biji belah). Dicotyledoneacea adalah salah satu
9
kelas dari Angiospermae yang merupakan anak divisi dari Spematophyta. Ciri dari Dialypetaleae yaitu adanya hiasan bunga yang ganda. Hiasan bunga tersebut terdiri atas kelopak dan mahkota, yang daundaunnya saling bebas.Kedua ordo memiliki ciri atau karakteristik umum yang hampir sama yang disajikan pada Tabel 7. Tabel 7 Ciri atau karakteristik ordo Rutales dan Myrtales (Tjitrosoepomo 1994) Rutales 1
Bakal buah kebanyakan beruang empat
2
Daun tunggal
2 Daun majemuk
3
Mempunyai kelopak dan mahkota berdaun bebas dan berjumlah empat.
3
Tidak mempunyai daun penumpu
4
Sebagian besar terdiri dari tumbuhan yang berbatang berkayu
5 Sebagian besar terdiri dari tumbuhan yang berbatang berkayu
5
4 3.5
Bakal buah kebanyakan beruang lima
Mempunyai kelopak dan mahkota berdaun bebas dan berjumlah lima Tidak mempunyai daun penumpu
Begitu pula dengan ciri atau karakteristik dari famili Rutaceae dan Myrtaceae, kedua famili tersebut memiliki beberapa kemiripan. Kemiripan ciri atau karakteristik yang dimiliki menyebabkan kedua famili tersebut berada dalam satu jenjang takson yang sama. Kedua ordo masuk kedalam anak kelas (Sub-Class), kelas (Class), anak divisi (Sub-Division), dan divisi (Division) yang sama. Alur taksonomi famili Rutacea dan famili Myrtacea dapat dilihat pada Gambar 5. Analisis waktu eksekusi Waktu eksekusi pada proses klasifikasi dipengaruhi oleh pemilihan nilai signifikansi taraf nyata (α). Perbandingan waktu rataan kinerja dalam pemilihan fitur disajikan pada Gambar 4.
α = 0,001
3
α = 0,01
2.5 2
Myrtales 1
4
3.95
1.5
1.21
1 0.5 0 Waktu rataan (menit)
Gambar 4 Grafik kinerja rataan pemilihan fitur Pada grafik tersebut dapat disimpulkan bahwa semakin besar nilai taraf nyata (α) yang dipilih, maka semakin banyak kata atau term penciri yang dihasilkan sehingga semakin informatif tetapi waktu eksekusi yang dibutuhkan dalam proses klasifikasi atau pelabelan dokumen semakin banyak. Pada penelitian ini, proses klasifikasi untuk fitur dengan nilai signifikansi α=0,01 membutuhkan waktu yang lebih lama dibandingkan dengan fitur yang menggunakan nilai signifikansi α=0,001. Hal tersebut disebabkan karena jumlah kata atau term penciri yang dihasilkan oleh α=0,01 lebih banyak yaitu 1.1432 kata penciri dibandingkan dengan jumlah kata penciri yang dihasilkan oleh α=0,001 yang berjumlah 865 kata peciri. Jumlah kata atau term penciri akan sangat berpengaruh pada saat penghitungan nilai similaritas antara dokumen uji dengan dokumen latih. Semakin banyak kata atau term penciri yang digunakan, semakin banyak waktu yang dibutuhkan untuk menghitung similaritas antara dokumen uji dengan setiap dokumen latih.
10
Division Spermatophyta
Sub-Division Angiospermae
Class Dicotyledoneacea
Sub-Class Dialypetaleae
Family Rutaceae
Ordo Rutales
Family Myrtaceae
Ordo Myrtales
Gambar 5 Alur taksonomi famili Rutacea dan famili Myrtaceae
Evaluasi K-fold cross validation Pada penelitian ini peneliti mencoba menggunakan model evaluasi menggunakan cross validation dengan metode K-fold atau disebut K-fold cross validation. K-fold cross validation bertujuan untuk menentukan sample yang terbaik.Nilai K yang digunakan yaitu dua (K=2). Hasil akurasi yang dihasilkan dapat dilihat pada Tabel 8.
KESIMPULAN DAN SARAN Kesimpulan Dari hasil yang disimpulkan bahwa:
Nilai Akurasi
K=1
75,9%
K=2
85,5%
Iterasi 1menghasilkan nilai akurasi sebesar 75,9% dan iterasi dua menghasilkan nilai akurasi sebesar 85,5%. Oleh sebab itu, jika dilihat dari kedua nilai akurasi pada tiap iterasi maka sample dokumen yang dipilih adalah sample dokumen pada iterasi dua. Nilai akurasi menggunakan K-fold cross validation lebih tinggi dibandingkan dengan nilai akurasi sebelum menggunkan Kfoldcross validation, hal ini disebabkan karena pada K-fold setiap data berperan sebagai data latih. Dari hasil yang sudah ada, maka akurasi sistem klasifikasi pada penelitian ini bernilai 85,5% dan pembagian data yang dipilih yaitu dengan menggunakan metode k-fold cross validation.
dapat
Sistem berbasis teks dengan metode Chi-Kuadrat dan Naïve Bayes dapat digunakan untuk mengidentifikasi famili secara otomatis sesuai dengan ilmu taksonomi tumbuhan.
Akurasi kinerja sistem klasifikasi pada kategori famili adalah sebesar 85,5% dengan menggunakan metode K-fold cross validation dalam pembagian datanya.
Tabel 8 Hasil akurasi menggunakan k-fold Nilai K
diperoleh
Saran Hal yang perlu dikembangkan dalam penelitian ini adalah menambah jumlah korpus etnofitomedika.
DAFTAR PUSTAKA Damayanti EK. 2010. Etnofitomedika. Bogor (ID): Fakultas Kehutanan, Institut Pertanian Bogor. Damayanti EK, Hikmat A, Zuhud EAM. 2011. Indonesian tropical medicinal plants diversity: problems and challenges in identification. Di dalam: 2011 International Workshop on Linking Biodiversity and Computer Vision
11
Technology to Enhance Sustainable Utilization of Indonesian Tropical Medicinal Plants; Bogor, 11 Agu 2011. Bogor (ID): Institut Pertanian Bogor. Han J, Kamber M. 2006. Data Mining: Concepts and Techniques. San Francisco (US-CA): Morgan Kaufmann. Herawan Y. 2011. Ekstraksi ciri dokumen tumbuhan obat menggunakan chi-kuadrat dengan klasifikasi naive Bayes [skripsi]. Bogor (ID): Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor. Manning CD, Raghavan P, Schütze H. 2009. An Introduction to Information Retrieval. Cambridge (UK): Cambridge University Press. McCalum A, Nigam K. 1998. A comparison of event models for naïve Bayes text classification. Di dalam: AAAI-98 Workshop on Learning for Text Categorization; Madison (US-WI), 27 Jul 1998. hlm 41-48. Paskianti K. 2011. Klasifikasi dokumen tumbuhan obat menggunakan algoritme fuzzy KNN [skripsi]. Bogor (ID): Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor Sangat HM, Zuhud EAM, Damayanti EK. 2000. Kamus Penyakit dan Tumbuhan Obat Indonesia (Etnofitomedika). Jakarta (ID): Pustaka Populer Obor. Tjitrosoepomo G. 1994. Taksonomi Tumbuhan Obat-Obatan. Yogyakarta (ID): Gadjah Mada University Press. Zuhud EAM. 2009. Potensi hutan tropika Indonesia sebagai penyangga bahan obat alam untuk kesehatan bangsa. Jurnal Bahan Alam Indonesia 6(6).
LAMPIRAN
13 Lampiran 1 Daftar jenis tumbuhan obat Indonesia yang digunakan dalam penelitian No
1
2
3
4
5
6
7
8
NamaLatin
Arcangelisia flava L.
Ocimum basilicum
Coleusscutellarioides Linn, Benth
Nama Akar Kuning , Akar Kunyit
Talang Mamak, Ambon, Atoni, Anak Dalam (Orang Rimbo)
AkarTigaTali, Sokondo Urat
Melayu Tradisional
Peron
Sunda
MongkoLawak
Saluan
Merkunyit
Kutai
Selasih
Kutai, Samawa, Sunda
Sorawung
Sunda
Telasih
DayakTunjung
Serikati
Rejang
Jawer Kotok
Sunda
Orthosiphon aristatus (B1) Kumis Kucing Miq.
Jatropha curcas L.
Citrus aurantifolia Swingle
Sakai, Melayu Tradisional, Ambon, Bolaangmongondow, Dayak, Bali, Jawa
Remujung
Jawa
Nawah
Aceh
Jarak kandang
Rejang
Jarak kosta
Sunda
Jarak pagar
Sunda
Kaliki
Sunda
Damar Putih
Atoni, Sumba
Belacai
Saluan
Jarak
Samawa,Bali, Madura
Kuyun Padi
Aceh
Lemon Nipis
Ambon, Madura, Jawa
LimoAsam
Atoni
Jeruk Lawar
Samawa
Jeruk Nipis
Jawa, Sunda, Melayu Tradisional
Dioscorea hispida Dennst. Gadung
Urenalobata L
Etnis
Bali, Sunda
Pulut-pulut
Melayu Tradisional
Pupuli
Sakai
Pulutan
Jawa
Apupuliut
Mentawai
Celopai
DayakTunjung
Ampulut
Dayak
14 Lampira 1 Lanjutan
9
10
11
12
Centellaasiatica (Linn) Urban.
Pungpurutan
Sunda
Pegagan
Ambon, Melayu, Madura, Jawa
Daun kaki kuda
Ambon, Bolaangmongondow
Antanan Rambat
Sunda
Antanan
Sunda
Ki Antanan
Sunda
Kuku Kuda
Menado
Pinduk, TapalKuda
Bali
Sedingin
Anak Dalam (Orang Rimbo),TalangMamak
Bangun Muku
Menado
Buntiris
Sunda
CocorBebek
Bolaangmongondow, Punan Lisum, Bali
Buntianak
Atoni
Dan Surga
Kutai
Sedingin
Anak Dalam(Orang Rimbo)
Tumbuh Daun
DayakKedayan
Gelimah
Aceh
JambuBatu
Sunda, Sakai
JambuBiji
Bali, Rejang,Menado, Bolaangmongondow
Jambu
Sunda
Jambu Klutuk
Madura, Kutai
Kujawas
Antoni
Kuncek
DayakTunjung
Mangkok
Bali
Dadap
Dayak Nganjuk
Kalanchoepinnata (Lam.)Pers
Psidium guajavaL.
Nothopanax scutellarium Merr
13
Clinacanthus nutans Lindau
Kitajam
Sunda
14
Acanthus ilicifoliusL
Jaruju
Sunda
Puding
Aceh
Susok Fatima
Talang Mamak
Puding Hitam
Melayu Tradisional
Hembalang
Rejang
15
Graptophyllumpictum Griffith
15
Lampira 1 Lanjutan
16
17
18
Odiaeumveriegatum L.
Coleusatropurpureus Benth
Handeuleum
Sunda
Temen
Bali
Wungu
Jawa
Kereta Emas
Kutai
DaunMayana
Ambon
Miana
Bali
Jawer Kotok
Sunda
Kemuning
Bali
Kamuning
Suda
Murraya paniculata [L.] Jack
16
Lampiran 2 Tabel distribusi chi-kuadrat pada berbagai tingkat signifikansi dan derajat bebas tertentu d.f 1 2 3 4 5 6 7 8 9 10 11
1.32 2.77 4.11 5.39 6.63 7.84 9.04 10.2 11.4 12.5 13.7
2.71 4.61 6.25 7.78 9.24 10.6 12 13.4 14.7 16 17.3
3.84 5.99 7.81 9.49 11.1 12.6 14.1 15.5 16.9 18.3 19.7
5.02 7.38 9.35 11.1 12.8 14.5 16 17.5 19 20.5 21.9
6.63 9.21 11.3 13.3 15.1 16.8 18.5 20.1 21.7 23.2 24.7
7.88 10.6 12.8 14.9 16.7 18.5 20.3 22 23.6 25.2 26.8
10.8 13.8 16.3 18.5 20.5 22.5 24.3 26.1 27.9 29.6 31.3
12 13 14 15 16 17
14.8 16 17.1 18.2 19.4 20.5
18.5 19.8 21.1 22.3 23.5 24.8
21 22.4 23.7 25 26.3 27.6
23.3 24.7 26.1 27.5 28.8 30.2
26.2 27.7 29.1 30.6 32 33.4
28.3 29.8 31.3 32.8 34.3 35.7
32.9 34.5 36.1 37.7 39.3 40.8
18 19
21.6 22.7
26 27.2
28.9 30.1
31.5 32.9
34.8 36.2
37.2 38.6
42.3 32.8
20 21
23.8 24.9
28.4 29.6
31.4 32.7
34.2 35.5
37.6 38.9
40 41.4
45.3 46.8
22 23 24 25 26 27
26 27.1 28.2 29.3 30.4 31.5
30.8 32 33.2 34.4 35.6 36.7
33.9 35.2 36.4 37.7 38.9 40.1
36.8 38.1 39.4 40.6 42.9 43.2
40.3 41.6 32 44.3 45.6 47
42.8 44.2 45.6 46.9 48.3 49.6
48.3 49.7 51.2 52.6 54.1 55.5
28 29 30 40 50 60
32.6 33.7 34.8 45.6 56.3 67
37.9 39.1 40.3 51.8 63.2 74.4
41.3 42.6 43.8 55.8 67.5 79.1
44.5 45.7 47 59.3 71.4 83.3
48.3 49.6 50.9 63.7 76.2 88.4
51 52.3 53.7 66.8 79.5 92
56.9 58.3 59.7 73.4 86.7 99.6
70 77.6 85.5 90.5 95 100 104 112 80 88.1 96.6 102 107 112 116 125 80 98.6 108 113 118 124 128 137 100 109 118 124 130 136 140 149 Sumber: RonaldJ.Wonnacoltand Thomas H. Wonnacot. Statistics: Discovering Its Power, New York: John Willeyand Sons, 1982, hal352.
17
Lampiran 3 Confusionmatrix untuk kelas family pada nilai signifikansi 0.001 Keterangan :
Nama Famili A A
7
B
3
C D
B
C
D
E
F
G
H
I
J
K
A =Euphorbiaceae B = Menispermaceae
1
C = Rutaceae
5
3
D =Apiaceae
7
E
E =malvaceae 3
F
F =Crassulaceae 5
G
G = Lamiaceae 8
H
H = Myrtaceae 5
I = Acanthaceae
I J K
1 1 : Famili yang tidak terindentifikasi.
J =Dioscoreaceae K =Araliaceae
18
Lampiran 4 Perbandingan antara dokumen dengan buku panduan No
Dokumen
Buku Panduan (Tjitrosoepomo 1994)
1
Terna liar
Terna berumur pendek atau panjang.
2
Akar keluar dari setiap bonggol, banyak bercabang yang membentuk tumbuhan baru
Bunya majemuk berupa bunga paying atau bunga paying bersusun (kapitulum).
3
Berada di Asia Tropis. terna menahun tanpa batang, tetapi dengan rimpang pendek dan stolon-stolon yang merayap dengan panjang 1-80 cm
Berada di daerah tropic, di Jawa terutama di bagian barat dari dataran rendah sampai 2500 m antara lai, tempat-tempat yang basah dan mendapatkan cukup sinar atau sedikit keteduhan.
4
Kadang-kadang ditanam sebagai penutup tanah di perkebunan atau sebagai tanaman sayuran (sebagai lalap), terdapat sampai ketinggian 2.500 meter di atas permukaan laut.
Daun tersebar, berseling atau berhadapan, majemuk ganda atau banyak berbagi. Tanpa daun penumpu. Mempunyai pelepah yang besar dan pipih yang disebut perikladium dan tidak membalut batang.
5
Menyukai tanah yang agak lembap dan cukup mendapat sinar matahari atau teduh, seperti di padang rumput, pinggir selokan, sawah, dan sebagainya.
Batang berongga sebelah dalam dan beralur atau bergerigi membujur pada permukaannya.
6
Helai daun tunggal, berbentuk ginjal. Tepinya bergerigi atau beringgit, dengan penampang 1 -7 cm tersusun dalam roset yang terdiri atas 2-10 helai daun, kadangkadang agak berambut.
Bunga kecil, kebanyakan banci, aktinomorf atau sedikit zigomorf, berbilang 5. Kelopak seringkali amat kecil, daun mahkota 5 dengan ujungnya yang melengkung kedalam berwarna kuning atau keputih-putihan, jarang merah jambu atau lembayung.
7
Bunga berwarna putih atau merah muda, tersusun dalam karangan berupa payung, tunggal atau 3-5 bersama-sama keluar dari ketiak daun.
Benang sari 5, berseling dengan daun mahkota.
