KLASIFIKASI SAYAP LEBAH APIS CERANA DAN APIS …

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


Pengujian 8

Akurasi 8

Lingkungan Pengembangan 8

HASIL DAN PEMBAHASAN 8

Akusisi Data 8

Ekstraksi Ciri 9


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


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


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.


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


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



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.

http://cran.r-project.org/web/packages/party/party.pdf

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.

Documents

KLASIFIKASI SAYAP LEBAH APIS CERANA DAN APIS …