SEMINAR TUGAS AKHIR ANALISIS TAKSONOMETRI PADA KARAKTER MORFOLOGI DAUN DIKOTILEDON KELAS MAGNOLIOPSIDA MENGGUNAKAN SOM KOHONEN Nur Hasanah G64104022 Di bawah bimbingan : Aziz Kustiyo, S.Si., M.Kom. Arief Ramadhan, S.Kom. Departemen Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor 2009

Latar Belakang Tujuan Taksonomi  Taksonomi numerik (Taksonometri) PENDAHULUAN Latar Belakang Taksonomi  Taksonomi numerik (Taksonometri) Karakter morfologi daun pada tumbuhan dikotiledon  memiliki pola yang memperlihatkan keteraturan Identifikasi kesamaan ciri  SOM Kohonen Tujuan Mengimplementasikan metode SOM Kohonen untuk membangun model taksonometri Mendapatkan karakteristik data (representasi pengetahuan) hasil taksonometri

Ruang Lingkup Manfaat SOM Kohonen satu dimensi PENDAHULUAN Ruang Lingkup SOM Kohonen satu dimensi Fokus pada tingkatan taksa family, ordo, subclass 126 data spesimen daun : 21 family, 17 ordo, 4 subclass, 16 karakter morfologi daun Representasi pengetahuan dari hasil clustering Manfaat Mengetahui efektivitas pengelompokan SOM Kohonen pada ketiga tingkatan taksa tumbuhan berdasarkan karakter morfologi daun Mengetahui hubungan antara karakter morfologi daun dengan taksonomi tumbuhan

Taksonomi - Taksonometri TINJAUAN PUSTAKA Taksonomi - Taksonometri Taksonomi : studi keragaman dalam organisme untuk menciptakan sistem klasifikasi (Stace 1980) Taksonometri : metode evaluasi kuantitatif terhadap kemiripan sifat dalam organisme dan penggolongan berdasarkan analisis cluster (Sokal & Sneath 1963) Analisis Cluster Mekanisme pengelompokan data sehingga derajat asosiasi maksimum di dalam cluster dan minimum antar cluster (Astel et al. 2007) Taksonometri : membentuk kelompok taksa dengan pengukuran kemiripan karakter (Tjitrosoepomo 2005) Kingdom

Self-Organizing Maps (SOM) Kohonen TINJAUAN PUSTAKA Self-Organizing Maps (SOM) Kohonen Metode pemetaan bersifat nonlinear dan terurut dari data input dengan dimensi tinggi ke array tujuan dengan dimensi lebih rendah (Kohonen 2001). Metode pembelajaran unsupervised (Freeman & Skapura 1991). Keunggulan SOM Kohonen (Tirozzi et al. 2007) : Dimensi jaringan rendah Struktur sederhana Representasi tidak rumit, dengan penggunaan vektor bobot yang berasosiasi dengan neuron output Kemampuan memetakan topologi data input ke dalam bobot jaringan Sistem pembelajaran unsupervised

Self-Organizing Maps (SOM) Kohonen TINJAUAN PUSTAKA Self-Organizing Maps (SOM) Kohonen Algoritme SOM Kohonen (Kohonen 2001) : Kompetisi. Tentukan simpul pemenang dengan jarak minimum. Kooperasi. Identifikasi lingkungan simpul pemenang : fungsi tetangga h(t). Adaptasi. Perbaharui bobot pada setiap simpul : wj(t+1) = wj(t) + h(t) * [xni – wj(t)] Perbaharui learning rate () dan lebar tetangga () Hentikan perlakuan setelah kriteria pemberhentian tercapai. Struktur SOM Kohonen satu dimensi (Fausett 1994) :

Self-Organizing Maps (SOM) Kohonen TINJAUAN PUSTAKA Self-Organizing Maps (SOM) Kohonen Fungsi Jarak Jarak Mahalanobis (Tan et al. 2004) : D(wj,xn) = (wj-xi) -1 (wj-xi)T ; Fungsi Tetangga Fungsi Gauss (Kohonen 2001) : Perubahan lebar tetangga : (Tirozzi et al. 2007) Laju Pembelajaran Perubahan laju pembelajaran : (Kohonen 2001)

K-Fold Cross Validation TINJAUAN PUSTAKA K-Fold Cross Validation Metode estimasi error dengan pengulangan sebanyak k-kali untuk himpunan data sebanyak k-subset (Fu 1994) Indeks Davies-Bouldin Metode validasi hasil clustering : memaksimalkan nilai separation dan meminimalkan nilai compactness. (Bolshakova & Azuaje 2002; Gunter & Bunke 2002) Jarak inter-cluster : dkl = ||Ck – Cl|| Jarak intra-cluster : IDB :

Cluster Recall & Precision TINJAUAN PUSTAKA Cluster Recall & Precision Cluster recall : proporsi data yang tercluster dengan benar dibandingkan dengan data dalam kelas yang sebenarnya. Cluster precision : proporsi jumlah data yang tercluster dengan benar dibandingkan dengan jumlah data dalam kelas hasil clustering.

METODE PENELITIAN

METODE PENELITIAN

METODE PENELITIAN

HASIL & PEMBAHASAN Praproses 126 data spesimen daun : 86 species, 44 genus, 21 family, 17 ordo, dan 4 subclass dari class Magnoliopsida Kodefikasi karakter dan state : Seleksi karakter : pembuangan 5 dari 21 karakter menjadi 16 karakter Analisis korelasi : terdapat korelasi antar karakter 1 Jenis daun berdasarkan ada tidaknya anak daun (N.A.) Daun majemuk --- beranak daun satu 2 Daun majemuk --- beranak daun lebih dari satu 3 Tidak ada anak daun --- daun tunggal

HASIL & PEMBAHASAN Data Latih & Data Uji 126 data spesimen daun dibagi ke tiga subset, masing-masing sebanyak 42 data Proporsi data pada setiap subset tidak seluruhnya menyamai proporsi data awal Taksa Subset Data 1 2 3 Family 15 17 14 (%) 71.4 81.0 66.7 Ordo 12 13 70.6 82.4 76.5 Subclass 4 100

Pembentukan Model Taksonometri Family HASIL & PEMBAHASAN Pembentukan Model Taksonometri Family No i i IDB i1 i2 i3 1 20 0.9 2.2927 2.6748 2.2685 2 0.5 2.1805 2.3523 2.0757 3 0.1 2.6070 2.9469 2.0662 4 15 2.3809 2.5357 2.1454 5 2.4007 2.4009 2.3710 6 2.7792 2.5270 2.7729 7 10 2.0864 2.2365 2.0058 8 2.1811 2.2274 2.0577 9 2.4340 2.4466 2.4214 2.0375 2.2499 2.0180 11 2.1906 2.2510 2.1581 12 2.4754 2.4135 2.4327 IDB terbaik: i = 10 i = 0.9

Pembentukan Model Taksonometri Ordo HASIL & PEMBAHASAN Pembentukan Model Taksonometri Ordo No i i IDB i1 i2 i3 1 15 0.9 2.3973 2.8046 2.3445 2 0.5 2.5375 2.4261 2.6177 3 0.1 2.6703 2.8765 2.6882 4 10 2.5004 2.6509 2.3908 5 2.2628 2.9411 2.2241 6 2.8514 2.5170 2.7447 7 2.4523 2.8411 2.0514 8 2.7577 2.4289 2.2943 9 2.4080 2.9693 2.7500 IDB terbaik: i = 5 i = 0.9

Pembentukan Model Taksonometri Subclass HASIL & PEMBAHASAN Pembentukan Model Taksonometri Subclass No i i IDB i1 i2 i3 1 3 0.9 3.2962 1.6569 1.5763 2 0.5 3.7115 3.1906 3.1228 0.1 3.9759 3.9374 3.6133 4 3.6428 5 3.6722 3.1894 1.5662 6 3.9005 3.7575 3.4860 7 8 3.7085 3.1886 1.5608 9 3.7857 3.7543 jaringan underfitting IDB terbaik: i = 3 i = 0.5

Evaluasi Cluster Recall & Precision HASIL & PEMBAHASAN Evaluasi Cluster Recall & Precision Model Taksonometri CP CR Family 0.601 0.636 Ordo 0.596 0.626 Subclass 0.691 0.669 Rata-rata 0.629 0.644 Nilai CP dan CR yang ideal = 1 Kurang optimalnya nilai CP dan CR disebabkan oleh penggunaan karakter tumbuhan untuk clustering yang terbatas pada karakter morfologi daun

Representasi Pengetahuan secara Umum HASIL & PEMBAHASAN Representasi Pengetahuan secara Umum Ketiga model taksonometri tidak dapat memisahkan sepenuhnya setiap tingkatan taksa, karena adanya variasi morfologi daun yang cukup tinggi Variasi morfologi daun yang tinggi terdapat pada family Euphorbiaceae, ordo Euphorbiales : tersebar ke 13 cluster family dan 12 cluster ordo Variasi morfologi daun yang rendah terdapat pada family Myrtaceae, genus Syzygium, yang terkelompok dalam satu cluster pada ketiga model taksonometri Terdapat konsistensi hasil taksonometri dari ketiga model tersebut

Penutup Kesimpulan Model taksonometri ketiga taksa belum dapat memisahkan sepenuhnya setiap tingkatan taksa ke dalam cluster-cluster yang berbeda sesuai dengan taksonomi pakar Terdapat konsistensi dari hasil taksonometri family, ordo, dan subclass  sesuai dengan prinsip taksonomi SOM Kohonen dapat digunakan untuk taksonometri pada tingkatan taksa yang lebih tinggi Karakter morfologi daun memiliki potensi untuk digunakan dalam identifikasi dan klasifikasi tumbuhan

Penutup Saran Peningkatan kinerja SOM Kohonen untuk taksonometri pada karakter morfologi daun: Data pelatihan yang tersebar merata Pemilihan terhadap karakter morfologi daun Pemilihan terhadap parameter SOM Kohonen Percobaan dengan metode clustering lainnya Penggunaan metode clustering yang berbeda Perbandingan antara SOM Kohonen dengan metode lainnya Eksplorasi taksonometri secara umum Penggunaan karakter morfologi tumbuhan lainnya, co. bunga Penggabungan beberapa karakter morfologi, co. bunga dan daun

Terima kasih どうもありがとうございます

Classification of Living Things Rujukan Classification of Living Things Five Kingdoms (Whittaker 1969) Three Domains (Woese et al. 1990) Three-domain : Archaea (mikroba prokariot yang sangat tua : heat-loving & salt-loving bacteria) Eubacteria (mikroba prokariot yang lebih tinggi : cyanobacter, carbon-eating bacteria) Eukaryota (organisme eukariot : tumbuhan, hewan, protista, jamur) Five-domain : Monera (prokariot) Protista (eukariot satu sel) Fungi Plantae Animalia Back

Rujukan Back Three-domain : Archaea (mikroba prokariot yang sangat tua : heat-loving & salt-loving bacteria) Eubacteria (mikroba prokariot yang lebih tinggi : cyanobacter, carbon-eating bacteria) Eukaryota (organisme eukariot : tumbuhan, hewan, protista, jamur) Five-domain : Monera (prokariot) Protista (eukariot satu sel) Fungi Plantae Animalia

Analisis Korelasi Spearman Rujukan Analisis Korelasi Spearman Ketentuan: Data terdiri dari beberapa pasang data Data dapat diurutkan dari yang terkecil ke terbesar Data memiliki skala interval atau ordinal Rumus: Nilai akhir: -1 hingga 1 Back

Seleksi Karakter Lima karakter yang dibuang : Kode Karakter 4 Rujukan Seleksi Karakter Lima karakter yang dibuang : Kode Karakter 4 Ada tidaknya stipel : (1) Tidak ada 10 Tangkai daun atau ibu tangkai daun : (2) Ada 15 Ada tidaknya duri : (1) Tidak ada 20 Ada tidaknya domatia : (1) Tidak ada 21 Paralel tidaknya urat daun sekunder : (2) Tidak Back

Apocynaceae (Asteridae - Gentiales) Rujukan Apocynaceae (Asteridae - Gentiales)

Loganiaceae (Asteridae - Gentiales) Rujukan Loganiaceae (Asteridae - Gentiales)

Verbenaceae (Asteridae - Lamiales) Rujukan Verbenaceae (Asteridae - Lamiales)

Rubiaceae (Asteridae - Rubiales) Rujukan Rubiaceae (Asteridae - Rubiales)

Elaeocarpaceae (Dilleniidae - Malvales) Rujukan Elaeocarpaceae (Dilleniidae - Malvales)

Myrsinaceae (Dilleniidae - Primulales) Rujukan Myrsinaceae (Dilleniidae - Primulales)

Clusiaceae (Dilleniidae - Theales) Rujukan Clusiaceae (Dilleniidae - Theales)

Lauraceae (Magnoliidae - Laurales) Rujukan Lauraceae (Magnoliidae - Laurales)

Annonnaceae (Magnoliidae - Magnoliales) Rujukan Annonnaceae (Magnoliidae - Magnoliales)

Sabiaceae (Magnoliidae - Ranunculales) Rujukan Sabiaceae (Magnoliidae - Ranunculales)

Fabaceae (Rosidae - Fabales) Rujukan Fabaceae (Rosidae - Fabales)

Burseraceae (Rosidae - Sapindales) Rujukan Burseraceae (Rosidae - Sapindales)

Sapindaceae (Rosidae - Sapindales) Rujukan Sapindaceae (Rosidae - Sapindales)