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