SISTEM KLASIFIKASI KHASIAT FORMULA JAMU

DENGAN METODE VOTING FEATURE

INTERVAL 5

YUDA RISTYAWAN

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2014

PERNYATAAN MENGENAI SKRIPSI DAN

SUMBER INFORMASI SERTA PELIMPAHAN HAK CIPTA

Dengan ini saya menyatakan bahwa skripsi berjudul Sistem Klasifikasi

Khasiat Formula Jamu dengan Metode Voting Feature Interval 5 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, Juni 2014

Yuda Ristyawan

NIM G64100082

ABSTRAK

YUDA RISTYAWAN. Sistem Klasifikasi Khasiat Formula Jamu dengan Metode

Voting Feature Interval 5. Dibimbing oleh WISNU ANANTA KUSUMA dan

AZIZ KUSTIYO.

Jamu adalah obat tradisional Indonesia yang terdiri atas dedaunan, buah-

buahan, akaran dan bahan-bahan alami lainnya. Jamu memiliki banyak variasi

formula yang tersusun dari kombinasi ratusan tanaman obat sehingga proses

klasifikasi formula jamu menjadi permasalahan yang menarik untuk diteliti. Tujuan

penelitian ini adalah membuat sistem klasifikasi khasiat jamu berdasarkan

komposisi tanaman menggunakan metode Voting Feature Intervals 5 (VFI5).

Penelitian ini juga mencoba memberikan pembobotan pada tanaman penyusun

formula jamu berdasarkan intensitas kemunculan tanaman pada bahan penyusun

formula jamu tersebut. Hasil penelitian ini akan dibandingkan dengan penelitian

sebelumnya yang menggunakan metode Partial Least Square Discriminant Anaysis

(PLS – DA) dan metode Support Vector Machine (SVM). Metode VFI5 memiliki

nilai akurasi yang sebanding dengan penelitian sebelumnya, yaitu sebesar 94%.

Namun metode ini memiliki keunggulan dibandingkan dengan PLS-DA dan SVM,

yaitu memiliki waktu komputasi yang lebih cepat. Selain itu penelitian ini dapat

digunakan untuk menemukan tanaman yang menyebabkan terjadinya kesalahan

klasifikasi.

Kata kunci: Jamu, obat herbal, obat tradisional, klasifikasi, VFI5

ABSTRACT

YUDA RISTYAWAN. A Classification System for Jamu Efficacy Using Vector

Feature Intervals 5. Supervised by WISNU ANANTA KUSUMA and AZIZ

KUSTIYO.

Jamu is Indonesian traditional medicine consisting of foliage, fruits, roots and

other ingredients natural materials. Herbal medicine has variations of formula

comprising a combination of hundreds of medicinal plants herbal formula so that

the classification process is an interesting issue to be investigated. The purpose of

this research is to create a classification system based on the composition of

medicinal properties of plants using Voting Feature Intervals 5 (VFI5) method. This

study also tried to generate the weights of each plant as the important information

in the formula of Jamu. The weights are yielded based on the intensity of the

occurencies of plant in Jamu ingredients. The results of this study will be compared

to the previous studies using Partial Least Square – Discriminant Analysis ( PLS-

DA ) and Support Vector Machine (SVM). The accuracy of the proposed method

is 94% comparable to those of the previous studies using PLS-DA and SVM.

However, the proposed method perform faster than those of using PLS-DA and

SVM in term of computation time. In addition, this research can be used to find

existing plants that cause incorect results in the classification process.

Keywords: Jamu, herbal medicine, tradicional medicine, classification, VFI5

Skripsi

sebagai salah satu syarat untuk memperoleh gelar

Sarjana Komputer

pada

Departemen Ilmu Komputer

SISTEM KLASIFIKASI KHASIAT FORMULA JAMU

DENGAN METODE VOTING FEATURE

INTERVAL 5

YUDA RISTYAWAN

DEPARTEMEN ILMU KOMPUTER

FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM

INSTITUT PERTANIAN BOGOR

BOGOR

2014

Penguji:

Rudi Heryanto, Ssi MSi

Judul Skripsi : Sistem Klasifikasi Khasiat Formula Jamu Dengan Metode Voting

Feature Interval 5

Nama : Yuda Ristyawan

NIM : G64100082

Disetujui oleh

Dr Wisnu Ananta Kusuma, ST MT

Pembimbing I

Aziz Kustiyo, SSi MKom

Pembimbing II

Diketahui oleh

Dr Ir Agus Buono, MSi MKom

Ketua Departemen

Tanggal Lulus:

PRAKATA

Puji dan syukur penulis panjatkan kepada Tuhan Yesus Kristus atas berkat

dan karunia-Nya sehingga skripsi ini berhasil diselesaikan. Tema yang dipilih

dalam penelitian yang dilaksanakan sejak bulan November 2013 sampai Juni 2014

ini adalah klasifikasi khasiat formula jamu, dengan judul Sistem Klasifikasi Khasiat

Formula Jamu dengan Metode Voting Feature Interval 5.

Terima kasih penulis ucapkan kepada Bapak Dr Wisnu Ananta Kusuma, ST

MT dan Bapak Aziz Kustiyo, SSi MKom atas bimbingannya, Bapak Dr Farit

Mochamad Afendi, SSi MSi dan Bapak Sony Hartono Wijaya, SKom MKom yang

telah memberikan data dan masukan ide untuk penelitian ini, serta Bapak Ahmad

Ridha, SKom MSc yang telah memberi saran. Penulis juga mengucapkan terima

kasih kepada Aries Fitriawan yang telah memberikan saran dan bimbingan secara

online sehingga membantu terselesaikannya penelitian ini. Ungkapan terima kasih

juga disampaikan kepada kedua orang tua penulis Krismulyono dan Sulastri serta

kakak penulis, Ardyan Ristanto atas doa, dukungan dan kasih sayangnya. Penulis

juga mengucapkan terima kasih kepada Delly, Huda, Alfat, Gerry serta seluruh

keluarga besar Ilkomerz 47 dan kakak angkatan Ilkomerz 46 yang tidak dapat

penulis tuliskan satu demi satu yang secara langsung dan tidak langsung telah

membantu penulis dalam melakukan penelitian ini.

Besar harapan penulis agar laporan penelitian ini dapat dimanfaatkan dan

dikembangkan dengan lebih baik lagi.

Bogor, Juni 2014

Yuda Ristyawan

NIM G64100082

DAFTAR ISI

DAFTAR TABEL vi

DAFTAR GAMBAR vi

DAFTAR LAMPIRAN vi

PENDAHULUAN 1

Latar Belakang 1

Perumusan Masalah 2

Tujuan Penelitian 2

Manfaat Penelitian 2

Ruang Lingkup Penelitian 3

METODE 3

Analisis Data 4

K-Fold Cross Validation 5

Algoritme Voting Feature Interval 5 5

Pelatihan Data Menggunakan VFI5 5

Klasifikasi Voting Feature Interval 5 6

Evaluasi dan Perbandingan Hasil 7

Percobaan I Evaluasi Algoritme VFI5 7

Percobaan II Evaluasi Algoritme VFI5 8

Percobaan I Pembobotan 8

Percobaan II Pembobotan 9

Implementasi 9

HASIL DAN PEMBAHASAN 9

Pembahasan 11

SIMPULAN DAN SARAN 15

Simpulan 15

Saran 16

DAFTAR PUSTAKA 16

LAMPIRAN 17

RIWAYAT HIDUP 27

DAFTAR TABEL

1 Contoh data formula jamu 8

2 Contoh data formula jamu yang sudah merujuk pada vote VFI5 8 3 Perbandingan hasil akurasi algoritme VFI5 pada Data I dan Data II 10 4 Perbandingan hasil akurasi pembobotan pada Data I dan Data II 10

DAFTAR GAMBAR

1 Skema metode penelitian 3 2 Hubungan antara data jamu, komposisi tanaman, dan khasiat 4 3 Pseudocode algoritme pelatihan VFI5 6

4 Pseudocode algoritme klasifikasi VFI5 7 5 Perbandingan akurasi Percobaan I dan Percobaan II Evaluasi

Algoritme VFI5 pada Data I 11 6 Perbandingan akurasi Percobaan I dan Percobaan II Evaluasi

Algoritme VFI5 pada Data II 12 7 Perbandingan akurasi Percobaan I dan Percobaan II Pembobotan VFI5

pada Data I 12 8 Perbandingan akurasi Percobaan I dan Percobaan II Pembobotan VFI5

pada Data II 13 9 Perbandingan akurasi Percobaan Evaluasi Algoritme VFI5 dan

Percobaan Pembobotan pada Data I 13 10 Perbandingan akurasi Percobaan Evaluasi Algoritme VFI5 dan

Percobaan Pembobotan pada Data II 14 11 Perbandingan akurasi antara metode PLS-DA, SVM dan VFI5 15

DAFTAR LAMPIRAN

1 Contoh vote VFI5 yang dapat menentukan tanaman yang sesuai

dengan suatu khasiat 17

2 Daftar tanaman berdasarkan khasiatnya yang merupakan hasil

pengklasifikasian menggunakan VFI5 18 3 Visualisasi hubungan antara tanaman dengan khasiatnya 22

4 Daftar formula jamu yang digunakan untuk mencoba sistem 23 5 Screenshot tampilan aplikasi 25

PENDAHULUAN

Latar Belakang

Jamu adalah obat tradisional Indonesia yang dibuat dari bahan-bahan alami,

berupa bagian dari tumbuhan seperti rimpang (akar-akaran), daun-daunan, kulit

batang, dan buah. Jamu sebagai salah satu bentuk pengobatan tradisional,

memegang peranan penting dalam pengobatan penduduk di negara berkembang.

Diperkirakan sekitar 70%–80% populasi di negara berkembang memiliki

ketergantungan pada obat tradisional (Wijisekera 1991; Mahady 2001). Khasiat

jamu telah teruji oleh waktu, zaman dan sejarah, serta bukti empiris langsung pada

manusia selama ratusan tahun (Winarno 1997). Secara umum jamu dianggap tidak

beracun dan tidak menimbulkan efek samping. Namun belum ada bukti ilmiah yang

menjelaskan keterkaitan antar formula dan komposisi bahan bahan alami dengan

khasiatnya. Berbeda dengan jamu, saat ini TCM (Traditional Chinese Medicine)

memiliki dua fitur yang potensial dan berbeda yaitu dapat diprediksi dan sistematis.

Pendekatan ini berbeda dengan metode tradisional “trial and error”. Pendekatan

statistika ini dapat membuat proses penemuan obat diprediksi karena kemampuan

komputasi pendekatan ini dan kapasitas untuk mengelola data yang besar. Selain

itu pendekatan ini juga berbeda dari metode reduksionis dan dapat membuat

penelitian sistematis formula herbal tercapai (Li dan Zhang 2013). Jamu sebagai

jenis pengobatan yang sama dengan TCM akan diubah menuju arah baru

moderinisasi obat herbal yang lebih sistematis dan ilmiah.

Pendekatan sistematis sudah dilakukan oleh Afendi et al. (2010) melalui

penelitian menggunakan pendekatan statistika sehingga ditemukan suatu hubungan

antara komposisi tanaman dan khasiatnya. Penelitian tersebut menghasilkan sebuah

hipotesis bahwa sebuah formula jamu harus terdiri atas 4 tanaman, yaitu 3 tanaman

pendukung (tanaman yang masing masing memiliki karakteristik analgesik,

antimikroba, dan anti-peradangan) dan tanaman utama yang memiliki efek

langsung dengan penyakit sehingga harus memiliki khasiat tertentu. Selanjutnya

Afendi et al. (2012) melakukan penelitian lebih lanjut pada 3138 sampel jamu dan

mengandung 1 sampai 16 sampel tanaman yang diambil dari 465 tanaman

menggunakan metode Partial Least Squares Discriminant Analysis (PLS-DA) yang

diklasifikasikan ke dalam 9 jenis efficacy atau khasiat. Klasifikasi menggunakan

metode ini menunjukan variasi formula jamu dengan akurasi 5-fold cross validation

sebesar 71.6%. Akurasi meningkat secara signifikan setelah dilakukan data

cleaning (94.21%) (Afendi et al. 2012). Selanjutnya Fitriawan (2013) juga

melakukan penelitian terhadap hubungan komposisi dan khasiat jamu

menggunakan metode Support Vector Machine (SVM). Klasifikasi menggunakan

metode ini menunjukkan bahwa akurasi metode SVM lebih rendah dibandingkan

dengan metode PLS-DA pada data yang belum direduksi, yaitu sebesar 71%, tetapi

memiliki akurasi yang lebih tinggi pada data yang telah direduksi, yaitu sebesar

95.34%.

Dari hasil pengujian, diperoleh bahwa bebrapa hasil prediksi khasiat dari

kedua metode masih memberikan kesimpulan yang berbeda, sehingga irisan

terhadap hasil dari kedua metode tersebut yang diimplementasikan pada aplikasi

berbasis web Sistem Informasi Indonesia Jamu Herbs (SIIJAH), hanya

2

menginformasikan kandidat formula jamu dalam jumlah yang sedikit. Oleh karena

itu dibutuhkan sebuah metode yang dapat memperkuat hasil prediksi khasiat sebuah

formula jamu. Irisan yang terbentuk dari hasil prediksi ketiga metode tersebut dapat

menginformasikan kandidat formula jamu yang lebih banyak. Dengan tiga metode,

diperoleh empat kemungkinan irisan hasil prediksi, yaitu tiga irisan dari dua

metode, dan satu irisan dari ketiga metode. Dengan demikian, diperoleh kandidat

formula jamu untuk khasiat jamu yang lebih bervariasi.

Metode klasifikasi sangat beragam, salah satunya adalah Voting Feature

Interval 5. Algoritme VFI5 dipilih karena algoritme ini merupakan algoritme

klasifikasi dan kokoh terhadap fitur yang tidak relevan sehingga mampu

memberikan hasil yang baik. Algoritme klasifikasi VFI5 merepresentasikan sebuah

konsep yang mendeskripsikan konsep selang antar fitur. Hasil pengklasifikasian

dengan menggunakan VFI5 pada penelitian ini akan dibandingkan dengan hasil dari

metode PLS-DA yang diperoleh Afendi et al. (2012) dan hasil dari medote SVM

yang diperoleh Fitriawan (2013). Oleh sebab itu, untuk melakukan perbandingan

yang adil digunakan dataset yang sama seperti yang digunakan dalam penelitian

Afendi et al. (2012) dan data pada penelitian Fitriawan (2013).

Perumusan Masalah

Perumusan masalah pada penelitian ini adalah:

1 Apakah VFI5 mampu melakukan klasifikasi formula jamu?

2 Apakah metode VFI5 dapat menjadi metode alternatif dalam memberikan

kepastian khasiat dari sebuah formula jamu?

3 Bagaimana akurasi VFI5 terhadap metode PLS-DA dan SVM?

Tujuan Penelitian

Tujuan dari penelitian ini adalah:

1 Menganalisis dan membuat sistem klasifikasi khasiat formula jamu

berdasarkan komposisinya dengan metode Voting Feature Interval 5

(VFI5).

2 Membandingkan nilai akurasi antara metode SVM, metode PLS-DA serta

metode VFI5.

3 Menjadi metode alternatif bagi sistem klasifikasi khasiat formula jamu yang

berbeda dari metode yang sudah ada (PLS-DA, SVM).

Manfaat Penelitian

Hasil dari penelitian ini diharapkan dapat memperbaiki sistem klasisfikasi

dan penentuan khasiat formula jamu yang sudah ada yaitu Sistem Informasi

Indonesia Jamu Herbs (SIIJAH). Selain itu hasil penelitian ini dapat menjadi suatu

pemacu perkembangan pengobatan tradisional menjadi lebih baik lagi atau di

kemas lebih modern.

3

Ruang Lingkup Penelitian

Ruang lingkup dalam penelitian ini adalah:

1 Tanaman yang dikenali terbatas pada 465 jenis tanaman dari 3138 jamu

hasil praproses dari penelitian sebelumnya (Afendi et al. 2010).

2 Data reduksi menggunakan data yang sama dengan penelitian sebelumnya,

data ini terdiri atas 231 jenis tanaman dari 2748 jamu (Afendi et al. 2010).

3 Perhitungan peluang setiap tanaman terhadap setiap efikasi, dan akurasinya

dilakukan menggunakan pemograman PHP.

METODE

Sebuah metode dan rancangan penelitian sangat dibutuhkan pada penelitian

ini agar penelitian ini menjadi penelitian yang baik. Alur kerja penelitian ini dapat

dilihat pada Gambar 1.

Gambar 1 Skema metode penelitian

Klasifikasi Voting

Feature Interval 5

Pelatihan Data

menggunakan VFI5

Evaluasi

Percobaan I Evaluasi

algoritme VFI5

Percobaan II Evaluasi

algoritme VFI5

Percobaan I

Pembobotan Percobaan II

Pembobotan

Implementasi

Analisis

Data K-Fold Cross

Validation Voting Feature

Interval 5

4

Analisis Data

Penelitian ini menggunakan data yang sama seperti yang digunakan pada

penelitian Afendi et al. (2010) dan Fitriawan (2013) yaitu 3138 buah jamu yang

terdaftar di Badan Pengawas obat dan Makanan (Badan POM) dan 465 jenis

tanaman yang menyusun data formula jamu. Pada mulanya terdapat 6533 data jamu.

Setelah melalui tahap praproses berupa penghapusan redudansi data sebanyak 1223

buah jamu maka diperoleh 5310 buah jamu. Namun sama dengan penelitian Afendi

et al. (2010) dan Fitriawan (2013), penelitian ini mengambil 3138 data jamu yang

dianggap mewakil data yang dibutuhkan untuk dianalisis, selanjutnya data ini

disebut Data I. Penelitian ini juga menggunakan data yang sama dengan Fitriawan

(2013) yang merupakan data yang telah direduksi melalui proses data cleaning

yang didapatkan dari hasil penelitian sebelumnya. Data ini terdiri atas 231 jenis

tanaman dari 2748 jamu (Data II). Kedua data ini masing–masing tersebar ke dalam

9 jenis khasiat, yaitu urinary related problems (URI), disorder of apetite (DOA),

disorder of mood and behavior (DMB), gastrointestinal disorders (GST), female

reproductive organ problems (FML), muskuloskeletal and connective tissue

disorders (MSC), pain and inflammation (PIN), respiratory disease (RSP), dan

wounds and skin infections (WND).

Representasi data jamu yang digunakan pada penelitian ini dapat dijelaskan

sebagai berikut. Sebuah formula akan memiliki kombinasi dari beberapa tanaman.

Komposisi tanaman penyusun sebuah tanaman ditandai dengan nilai biner. Jika

sebuah tanaman menyusun suatu formula maka akan diberi nilai 1, sebaliknya jika

tanaman tersebut tidak menjadi penyusun sebuah formula, maka nilai tanaman

tersebut ditetapkan sebagai 0. Tabel 1 menunjukan contoh fitur data jamu, J1 sampai

JN mewakili sampel jamu dan P1 sampai Pk mewakili komposisi tanaman yang

digunakan. Sebagai contoh, jamu J3 disusun oleh P1 dan P3 memiliki khasiat yang

diwakili dengan khasiat ke-3 (disorder of mood and behavior).

Gambar 2 Hubungan antara data jamu, komposisi tanaman, dan khasiat

5

K-Fold Cross Validation

Pelatihan data dilakukan menggunakan metode VFI5. Untuk mencari akurasi

dari data latih digunakan metode K-Fold Cross Validation dengan nilai K sebesar

5. Pada seluruh data set yang ada dibagi menjadi 5 subset yaitu fold 1, fold 2, fold

3, fold 4, dan fold 5. Pembagian subset dilakukan secara merata dan diambil secara

acak. Setelah pembagian subset, data akan dilatih secara berulang dan pada setiap

pengulangan empat fold akan menjadi data latih, sedangkan satu fold akan menjadi

data uji. Hal ini akan dilakukan terus menerus sampai semua subset atau fold

berperan sebagai data uji dan data latih. Dalam setiap pengulangan akan dihitung

nilai akurasi dan akurasi terakhir diperoleh dari nilai rata–rata akurasi setiap

perulangan. Hal ini dilakukan untuk mencari nilai akurasi yang terbaik. Proses ini

diterapkan pada kedua jenis data.

Algoritme Voting Feature Interval 5

Voting Feature Interval generasi 5 adalah algoritme klasifikasi non-

incremental dan supervised yang merepresentasikan deskripsi sebuah konsep oleh

sekumpulan interval nilai-nilai fitur atau atribut. Klasifikasi instance baru

dilakukan berdasarkan voting pada klasifikasi yang dibuat oleh nilai tiap-tiap fitur

secara terpisah (Demiroz dan Guvenir 1997). Algortima VFI5 membuat interval

yang berupa range atau point interval yang terdiri atas seluruh end point secara

berturut-turut untuk setiap feature. Range interval terdiri atas nilai-nilai antara 2 end

point yang berdekatan namun tidak termasuk kedua end point tersebut. Keunggulan

algoritme VFI5 adalah algoritme ini cukup kokoh (robust) terhadap fitur yang tidak

relevan namun mampu memberikan hasil yang baik pada real-world datasets yang

ada. VFI5 mampu menghilangkan pengaruh yang kurang menguntungkan dari fitur

yang tidak relevan dengan mekanisme voting-nya (Guvenir 1998).

Pelatihan Data Menggunakan VFI5

Proses pelatihan ini bertujuan mencari model yang akan digunakan untuk

proses klasifikasi sehingga dihasilkan selang pada setiap fitur. Nilai-nilai dari fitur

yang diberikan diwakili oleh sebuah selang. Sebuah selang fitur dapat dihasilkan

jika end point pada selang diketahui terlebih dahulu. Fitur liniear dan fitur nominal

memiliki cara yang berbeda dalam menemukan end point. End point pada fitur

liniear dapat diketahui dengan cara mencari nilai maksimum dan minimum pada

fitur tersebut untuk setiap kelas. Nilai nilai fitur liniear memiliki urutan dan dapat

dibandingkan tingkatannya. Sebaliknya, fitur nominal memiliki nilai-nilai yang

tidak memiliki urutan dan tidak dapat dibandingkan tingkatannya. Untuk

menentukan end point pada fitur nominal dengan cara mencatat semua nilai yang

berada pada fitur tersebut. Fitur nominal hanya menghasilkan point interval saja,

sedangkan fitur linear, selangnya menghasilkan point interval dan range interval

serta jumlah maksimal end point.

Setiap selang i dari sebuah fitur f dihitung jumlah instance pelatihan setiap

kelas c yang jatuh pada selang i dan hasilnya disimpan sebagai interval_class_count

[f,i,c]. Hasil dari proses ini merupakan vote kelas c pada selang i. jumlah instance

6

untuk setiap kelas c dapat berbeda-beda, sehingga dilakukan normalisasi pada vote

kelas c untuk fitur f dan selang i, untuk menghilangkan efek perbedaan distribusi

setiap kelas. Normalisasi dilakukan dengan cara membagi jumlah instance

pelatihan setiap kelas c yang ada pada selang i sebuah fitur f dengan jumlah instance

pada setiap kelas c, kemudian hasilnya disimpan sebagai interval_class_vote [f,i,c].

Nilai yang ada pada interval_class_vote[f,i,c] dinormalisasi kembali sehingga

jumlah vote setiap kelas c pada selang i untuk fitur f sama dengan pseudocode

Algoritme pelatihan VFI5 pada Gambar 3.

Klasifikasi Voting Feature Interval 5

Setiap kelas c diberi nilai awal nol karena pada awalnya semua fitur belum

memberikan vote. Jika instance pengujian jatuh pada selang tertentu untuk setiap

fitur f, selang i dicari. Sebuah fitur akan bernilai 0 apabila diasumsikan tidak

memberikan vote. Hal tersebut dapat terjadi jika nilai suatu fitur dari instance

pengujian hilang atau tidak diketahui. Setelah instance pengujian jatuh pada selang

i, maka semua vote setiap kelas c pada selang tersebut disimpan dalam sebuah

vektor <feature_vote[f,Ci], …., feature_vote[f,Cj], …, feature_vote[f,Ck]>,

feature_vote[f,Cj] merupakan fitur untuk kelas Cj dan k adalah jumlah kelas. Nilai-

nilai vote dari setiap fitur pada selang i dijumlahkan dalam vektor vote

<vote[Ci],…,vote[Ck]> ketika instance pengujian mendapat gilirannya. Kelas

train(TrainingSet):

begin

for each feature f

if f is linear

for each class c

EndPoints[f] = EndPoints[f] U

find_end_points(TrainingSet,f,c);

sort(EndPoints[f]);

for each end point p in EndPoints[f]

form a point interval from end point p

form a range interval between p and next EndPoints ≠

p

else /* f is nominal */

form a point interval for each value of ffor each

interval i on feature dimension f

for each class c

interval_class_count[f,i,c] = count_instances(f, i, c);

for each interval i on feature dimension f

for each class c

interval_class_vote[f,i,c] =

interval_class_count[f,i,c] / class_count[c]

normalize interval_class_vote[f,i,c];

/*such that Σc interval_class_count[f,i,c]=1*/

end.

Gambar 3 Pseudocode algoritme pelatihan VFI5

7

prediksi akan diperoleh atau diramalkan dari kelas dengan jumlah vote terbesar.

Gambar 4 merupakan pseudocode Algoritme klasifikasi VFI5.

Evaluasi dan Perbandingan Hasil

Percobaan Voting Feature Interval 5 dilakukan dengan beberapa cara atau

perlakuan terhadap data uji setiap fold. Hal ini dilakukan karena ada beberapa

perbedaan konsep antara algoritme pelatihan Voting Feature Iterval 5 dan logika

peracikan formula jamu. Penelitian ini melakukan 2 jenis percobaan yaitu

percobaan untuk mengevaluasi algoritme VFI5 dan percobaan pembobotan

berdasarkan intensitas kemunculan tanaman pada data.

Percobaan I Evaluasi Algoritme VFI5

Percobaan Evaluasi Algoritme VFI5 dilakukan untuk melihat kinerja

algoritme VFI5 terhadap data jamu yang hanya terdiri atas nilai 0 dan 1. Percobaan

ini terdiri atas 2 percobaan, yaitu percobaan I dan percobaan II. Percobaan I

dilakukan untuk melihat kinerja algoritme VFI5. Artinya percobaan I menggunakan

aturan algoritme VFI5 secara penuh. Pada percobaan I semua data akan merujuk

pada tabel vote VFI5, baik itu tanaman yang bernilai 0 ataupun 1. Sebagai contoh

dapat dilihat pada Gambar 3. Jamu J3 terdiri atas tanaman P1 yang bernilai 1,

tanaman P2 dan P3 yang bernilai 0, dan seterusnya sampai Pk. Jika suatu tanaman

bernilai 1 maka tanaman tersebut akan merujuk ke tabel vote VFI5 yang merupakan

hasil voting interval 1 pada semua khasiat, sedangkan jika suatu tanaman bernilai

0, tanaman tersebut akan merujuk ke tabel vote VFI5 yang merupakan hasil voting

interval 0 pada semua khasiat.

classify(e):

/*e is example to be classified*/

begin

for each class c

vote[c]=0 */sum of vote of class c*/

for each feature f

for each class c

feature_vote[f,c]=0

/*vote of feature f for class c*/

if f value is known

i= find_interval(f, ef)

feature_vote[f, c]=interval_class_vote[f,i,c]

for each class c

vote[c]= vote[c] + (feature_vote[f, c] *

w(f));

return class c with highest vote[c];

end

Gambar 4 Pseudocode algoritme klasifikasi VFI5

8

Tabel 1 Contoh data formula jamu

Jamu P1 P2 P3 ... Pk

J1 1 0 0 ... 1

Dari Tabel 1 yang merupakan data uji akan merujuk ke tabel vote VFI5

sehingga diperoleh hasil seperti pada Tabel 2.

Tabel 2 Contoh data formula jamu yang sudah merujuk pada vote VFI5

Khasiat P1 P2 P3 ... Pk Total

E1 0 0.1 0.1 ... 1 28.3

E2 0 0.1 0.2 ... 0 25.3

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

E9 0 0.1 0.1 ... 0 25.3

Setelah semua nilai di Tabel 1 telah merujuk pada tabel vote VFI5, semua

nilai tanaman dijumlahkan sehingga diperoleh nilai total formula jamu pada setiap

khasiat. Kemudian kita pilih nilai terbesar dari semua khasiat sehingga nilai terbesar

itu menunjukKan khasiat dari formula jamu tersebut, dalam kasus ini nilai total E1

adalah yang terbesar sehingga formula jamu J1 memiliki khasiat khasiat 1. Pada

tanaman P1 bernilai 0, hal tersebut bukan berarti bahwa tanaman P1 tidak dipilih,

melainkan nilai pada tabel vote yang merupakan hasil voting nilai 1 ada yang

bernilai 0.

Percobaan II Evaluasi Algoritme VFI5

Percobaan II menggunakan perlakuan yang sedikit berbeda dengan pelatihan

I yaitu tidak merujuk pada tabel vote VFI5 yang bernilai 0 atau dapat dikatakan

formula jamu hanya merujuk pada tabel vote VFI5 yang bernilai 1. Untuk

pengambilan keputusan prediksi pada suatu formula, dilakukan menggunakan cara

yang sama dengan percobaan I evaluasi algoritme VFI5.

Percobaan I Pembobotan

Percobaan ini menggunakan metode pembobotan. Bobot yang diperoleh

merupakan nilai yang menunjukan intensitas kemunculan setiap tanaman pada

semua formula jamu. Bobot diperoleh dengan menggunakan rumus 1:

𝑊𝑘 =∑9𝑖=1

∑ ∑9𝑖=1231𝑘=1

(1) Wk Pki

Pki

9

Dimana Wk adalah bobot tanaman k, Pki adalah jumlah voting 1 pada tanaman

ke-k pada khasiat ke-i. Pada percobaan I pembobotan ini memiliki perhitungan yang

hampir sama dengan percobaan evaluasi algoritme VFI5. Setelah semua tanaman

merujuk ke tabel vote VFI5 yang merupakan hasil voting interval 1, kemudian

dikalikan dengan bobot setiap tanaman. Setelah itu semua nilai tanaman

dijumlahkan sehingga diperoleh nilai total formula jamu pada setiap khasiat dan

kemudian cari nilai terbesarnya.

Percobaan II Pembobotan

Percobaan ini dilakukan dengan mengalikan hasil rujukan setiap tanaman

pada tabel Normalisasi hasil voting interval 1 dengan bobot dan kemudian

menjumlahkannya dengan nilai rujukan tabel Normalisasi hasil voting interval 0.

Pelatihan ini dapat juga dituliskan mengggunakan rumus 2:

NRk=(R1k*Wk)+R0k

dimana nilai NRk adalah nilai rujukan tanaman ke-k, R1k adalah rujukan tabel

vote VFI5 pada interval voting 1 terhadap tanaman ke-k, dan R0k adalah rujukan

tabel vote VFI5 pada interval voting 0 terhadap tanaman ke-k.

Implementasi

Implementasi sistem dilakukan dalam lingkungan pengembangan aplikasi

perhitungan VFI5 terhadap jamu menggunakan bahasa pemograman PHP dan

MySQL sebagai sistem manajemen basis data. Sistem yang dikembangkan

memiliki fungsi untuk melakukan perhitungan klasifikasi VFI5 untuk memperoleh

vote setiap tanaman terhadap kelas khasiat, bobot setiap tanaman, dan akurasi.

HASIL DAN PEMBAHASAN

Hasil

Pembuatan Sistem Perhitungan VFI5 Menggunakan PHP

Langkah awal dari penelitian ini adalah membuat program sederhana

menggunakan PHP dan MYSQL untuk mengolah data yang digunakan. Data yang

digunakan harus diolah sedemikian rupa menjadi format CSV untuk dapat

dimasukan ke dalam database MySQL dan kemudian diolah menggunakan program

sederhana pengolahan data menggunakan VFI5 berbasis PHP.

(2)

10

Percobaan Evaluasi Algoritme VFI5

Percobaan evaluasi algoritme VFI5 dilakukan untuk menguji penerapan

algoritme VFI5 terhadap konsep peracikan formula jamu. Hasil dari percobaan

evaluasi algoritme VFI5 dapat dilihat pada Tabel 3.

Tabel 3 Perbandingan hasil akurasi algoritme VFI5 pada Data I dan Data II

Fold ke-

Data I

Akurasi(%)

Data II

Akurasi(%)

Percobaan I Percobaan II Percobaan I Percobaan II

Fold 1 50.0 53.5 94.0 86.7

Fold 2 52.1 51.1 91.6 89.1

Fold 3 56.2 52.4 89.5 86.9

Fold 4 58.4 52.5 92.4 89.3

Fold 5 57.9 55.8 92.2 88.2

Rata – Rata 54.9 53.1 91.9 88.0

Dari Tabel 3 dapat dilihat bahwa percobaan I evaluasi algoritme VFI5 yang

sepenuhnya menggunakan aturan algoritme VFI5 mempunyai hasil akurasi lebih

baik dibandingkan percobaan II evaluasi algoritme VFI5 yang hanya menggunakan

tabel vote VFI5 pada interval 1 saja.

Percobaan Pembobotan

Percobaan pembobotan ini dilakukan untuk membuktikan hipotesis bahwa

intensitas kemunculan suatu tanaman pada dataset dapat digunakan sebagai

pembobotan awal. Pembobotan awal ini dilakukan karena data yang digunakan

hanya berupa data 0 dan 1 sehingga penelitian ini mencoba menambahkan bobot

pada setiap tanaman dengan harapan terjadi perubahan akurasi. Hasil dari

percobaan pembobotan dapat dilihat pada Tabel 4.

Tabel 4 Perbandingan hasil akurasi pembobotan pada Data I dan Data II

Dari Tabel 4 dapat terlihat bahwa Percobaan I pembobotan yang melakukan

pembobotan pada semua vote VFI5 lebih baik dibandingan percobaan II

pembobotan yang hanya melakukan pembobotan pada vote interval 1 saja.

Fold ke-

Data I

Akurasi(%)

Data II

Akurasi(%)

Percobaan I Percobaan II Percobaan I Percobaan II

Fold 1 47.0 31.9 82.9 48.7

Fold 2 47.8 32.6 86.7 50.9

Fold 3 50.2 32.8 82.0 53.3

Fold 4 51.5 32.5 88.9 46.1

Fold 5 50.4 32.4 86.7 49.3

Rata – Rata 49.6 32.4 85.4 49.7

11

Klasifikasi VFI5

Penelitian ini menghasilkan vote VFI5 yang nantinya digunakan untuk

melakukan prediksi pada sistem. Vote VFI5 pada interval 1 dapat digunakan

sebagai acuan untuk mengelompokan tanaman yang sesuai dengan suatu khasiat.

Nilai vote VFI5 yang memiliki akurasi 94% dapat dilihat di Lampiran 1. Daftar

tanaman yang telah diklasifikasikan berdasarkan khasiatnya menggunakan VFI5

dapat dilihat di Lampiran 2.

Pembahasan

Percobaan Evaluasi Algoritme VFI5

Pada percobaan evaluasi algoritme VFI5 dapat terlihat bahwa pada hampir

setiap fold percobaan I memiliki akurasi lebih baik daripada percobaan II untuk

kedua jenis data (Data I dan Data II). Hal ini membuktikan bahwa hipotesis awal

mengenai perbedaan antara konsep algoritme VFI5 dengan konsep peracikan jamu

adalah salah. Pada algoritme VFI5 memiliki konsep melakukan voting pada setiap

interval nilai (0 dan 1) kemudian melakukan perhitungan dengan merujuk pada vote

setiap fitur pada setiap interval nilai. Sedangkan pada logika peracikan, sebuah

tanaman akan memiliki nilai 1 pada data jikatanaman tersebut menyusun suatu

formula jamu, sehingga secara logika jika menggunakan VFI5, kita hanya merujuk

pada tabel vote VFI5 dengan interval 1 saja. Akan tetapi, pada penelitian ini telah

dibuktikan bahwa konsep peracikan formula jamu tidak berlaku pada algoritme

VFI5.

50

.0%

52

.1%

56

.2%

58

.4%

57

.9%

53

.5%

51

.1%

52

.4%

52

.5%

55

.8%

0.0%

10.0%

20.0%

30.0%

40.0%

50.0%

60.0%

70.0%

80.0%

90.0%

100.0%

F O LD 1 F O LD 2 F O LD 3 F O LD 4 F O LD 5

AK

UR

AS

I

FOLD

Data I Percobaan I Evaluasi Agloritma VFI5 Data I Percobaan II Evaluasi Agloritma VFI5

Gambar 5 Perbandingan akurasi Percobaan I dan Percobaan II Evaluasi Algoritme

VFI5 pada Data I

P

erba

ndi

nga

n

aku

rasi

Per

cob

aan

I

dan

Per

cob

aan

II

Pe

P

erba

ndi

nga

n

aku

rasi

Per

cob

aan

I

dan

Per

cob

aan

II

Pe

Algoritme Algoritme

12

Percobaan Pembobotan

Percobaan pembobotan ini dapat terlihat bahwa percobaan I pembobotan

memiliki akurasi lebih baik dibandingkan percobaan II pembobotan. Hal ini

dikarenakan pembobotan pada percobaan I dilakukan di semua tabel vote baik pada

interval 0 maupun interval 1. Ini berarti bahwa percobaan I pembobotan memiliki

konsep yang sama dengan percobaan I evaluasi algoritme VFI5, namun yang

membedakan pada percobaan I pembobotan semua vote dikalikan dengan bobot

masing masing tanaman. sedangkan pada percobaan II pembobotan, bobot hanya

dikalikan dengan vote VFI5 yang berinterval 1 saja sedangkan vote VFI5 yang

berinterval 0 tidak dikalikan dengan bobot namun pada proses perhitungan VFI5,

vote interval 0 tetap digunakan.

94

.0%

91

.6%

89

.5%

92

.4%

92

.2%

86

.7%

89

.1%

86

.9%

89

.3%

88

.2%

0.0%

10.0%

20.0%

30.0%

40.0%

50.0%

60.0%

70.0%

80.0%

90.0%

100.0%

F O LD 1 F O LD 2 F O LD 3 F O LD 4 F O LD 5

AK

UR

AS

I

FOLD

Data II Percobaan I Evaluasi Agloritma VFI5 Data II Percobaan II Evaluasi Agloritma VFI5

Gambar 6 Perbandingan akurasi Percobaan I dan Percobaan II Evaluasi Algoritme

VFI5 pada Data II

47

.0%

47

.8%

50

.2%

51

.5%

50

.4%

31

.9%

32

.6%

32

.8%

32

.5%

32

.4%

0.0%

10.0%

20.0%

30.0%

40.0%

50.0%

60.0%

70.0%

80.0%

90.0%

100.0%

F O LD 1 F O LD 2 F O LD 3 F O LD 4 F O LD 5

AK

UR

AS

I

FOLD

Data I Percobaan I Pembobotan Data I Percobaan II pembobotan

Algoritme

Algoritme

Gambar 7 Perbandingan akurasi Percobaan I dan Percobaan II Pembobotan VFI5

pada Data I

P

erba

ndi

nga

n

aku

rasi

Per

cob

aan

I

dan

Per

cob

aan

II

Pe

mb

obo

tan

VFI

5

pad

a

Dat

a II

Algoritme

13

Perbandingan Hasil Percobaan Evaluasi AlgoritmeVFI5 Dengan Percobaan

Pembobotan

Total percobaan yang dilakukan adalah 4 percobaan dengan rincian 2

percobaan untuk mengevaluasi algoritme VFI5 dan 2 percobaan yang lain pada

percobaan pembobotan. Dari keempat percobaan tersebut percobaan I Evaluasi

Agoritma VFI5 memiliki akurasi lebih baik dibandingkan 3 percobaan yang lain.

Hal ini membuktikan bahwa algoritme VFI5 pada penelitian jamu ini tidak

dipengaruhi oleh konsep awal peracikan formula jamu.

Selain itu percobaan Pembobotan memiliki hasil akurasi lebih rendah

dibandingkan dengan hasil akurasi percobaan evaluasi algoritme VFI5. Hal ini

membuktikan bahwa pada penelitian ini intensitas kemunculan tanaman pada

dataset tidak dapat digunakan sebagai acuan untuk melakukan pembobotan. Selain

82

.9%

86

.7%

82

.0%

88

.9%

86

.7%

48

.7%

50

.9%

53

.3%

46

.1%

49

.3%

0.0%

10.0%

20.0%

30.0%

40.0%

50.0%

60.0%

70.0%

80.0%

90.0%

100.0%

F O LD 1 F O LD 2 F O LD 3 F O LD 4 F O LD 5

AK

UR

AS

I

FOLD

Data II Percobaan I Pembobotan Data II Percobaan II Pembobotan

50

.0%

52

.1%

56

.2%

58

.4%

57

.9%

53

.5%

51

.1%

52

.4%

52

.5%

55

.8%

47

.0%

47

.8%

50

.2%

51

.5%

50

.4%

31

.9%

32

.6%

32

.8%

32

.5%

32

.4%

0.0%

10.0%

20.0%

30.0%

40.0%

50.0%

60.0%

70.0%

80.0%

90.0%

100.0%

F O LD 1 F O LD 2 F O LD 3 F O LD 4 F O LD 5

AK

UR

AS

I

FOLD

Data I Percobaan I Evaluasi Algoritma VFI5 Data I Percobaan II Evaluasi Algoritma VFI5

Data I Percobaan I Pembobotan Data I Percobaan II Pembobotan

Gambar 9 Perbandingan akurasi Percobaan Evaluasi Algoritme VFI5 dan

Percobaan Pembobotan pada Data I

Gambar 8 Perbandingan akurasi Percobaan I dan Percobaan II Pembobotan VFI5

pada Data II

P

erba

ndi

nga

n

aku

rasi

Per

cob

aan

I

dan

Per

cob

P

erba

ndi

nga

n

aku

rasi

Per

cob

aan

I

dan

Per

cob

Algoritme Algoritme

14

itu pembobotan menggunakan intensitas kemunculan tanaman pada data set tidak

bisa digunakan sebagai pengganti persentase komposisi tanaman pada setiap

formula.

Klasifikasi VFI5

Klasifikasi tanaman yang dihasilkan oleh vote VFI5 dapat digunakan untuk

digunakan sebagai acuan bagi para peneliti untuk menentukan tanaman yang cocok

untuk setiap activity penyusun formula jamu (antiinflamantory, antibacterial,

analgesic, dan activity utama). Untuk mempermudah pengguna dalam melihat

tanaman sesuai khasiatnya, pada penelitian ini mencoba mengvisualisasikan

tanaman yang sudah diklasifikasikan menggunakan perangkat lunak Gephi 0.8.2

beta sehingga diperoleh tampilan seperti Lampiran 3.

Dengan visualisasi ini, pengguna dengan mudah melihat khasiat yang terkait

pada suatu tanaman. Dalam visualisasi ini terlihat setiap tanaman memiliki pola

warna yang sesuai dengan khasiatnya masing-masing, serta apabila suatu tanaman

memiliki beberapa khasiat, maka tanaman tersebut akan memiliki warna yang

merupakan campuran dari warna khasiat-khasiatnya. Dilihat dari perbandingan

hasil akurasi metode penelitian yang dilakukan Afendi et al. (2012) menggunakan

PLS – DA dan metode SVM yang dilakukan Fitriawan (2013) pada Data I, metode

VFI5 lebih rendah dibandingkan dengan metode lain. Pada Data I, metode PLS –

DA memiliki akurasi 71.60% dan SVM memiliki akurasi 71% sedangkan metode

VFI5 memiliki akurasi 54.91%. Akan tetapi pada Data II metode VFI5 memiliki

akurasi yang tidak berbeda nyata yaitu sebesar 94% sedangkan metode PLS-DA

94.21 % dan metode SVM 95.34 %. Meskipun demikian, penelitian ini memiliki

keunggulan tersendiri. Sistem pengolahan data yang digunakan (SIIJAH) dibuat

sedemikian rupa sehingga pengguna dengan mudah dapat melakukan pelatihan data

secara langsung untuk mendapatkan vote VFI5 yang baru. Tampilan antar muka

pengolahan data lebih userfriendly sehingga pengguna tidak mudah menjadi bosan.

Pada penelitian Afendi et al. (2012) menggunakan perangkat lunak R untuk

94

.0%

91

.6%

89

.5%

92

.4%

92

.2%

86

.7%

89

.1%

86

.9%

89

.3%

88

.2%

82

.9%

86

.7%

82

.0%

88

.9%

86

.7%

48

.7%

50

.9%

53

.3%

46

.1%

49

.3%

0.0%

10.0%

20.0%

30.0%

40.0%

50.0%

60.0%

70.0%

80.0%

90.0%

100.0%

F O LD 1 F O LD 2 F O LD 3 F O LD 4 F O LD 5

AK

UR

AS

I

FOLD

Data II Percobaan I Evaluasi Algoritma VFI5 Data II Percobaan II Evaluasi Algoritma VFI5

Data II Percobaan I Pembobotan Data II Percobaan II Pembobotan

Gambar 10 Perbandingan akurasi Percobaan Evaluasi Algoritme VFI5 dan

Percobaan Pembobotan pada Data II

Algoritme Algoritme

15

mengolah data sehingga pengembang selanjutnya tidak bisa mengintegrasikan R

dengan sistem SIIJAH sehingga membutuhkan hasil pengolahan dari perangkat

lunak R. Sedangkan pada penelitian Fitriawan (2013) menggunakan libSVM yang

bisa dikatakan sebagai metode blackbox karena pengembang selanjutnya tidak

dapat melihat proses pembentukan model yang terjadi pada LibSVM.

Pengujian Prediksi Sistem

Untuk mengetahui hasil prediksi menggunakan metode VFI5, sistem yang

dibuat telah dicoba untuk memprediksi 50 jenis formula jamu yang sama digunakan

pada penelitian Fitriawan (2013). Formula jamu yang digunakan untuk mencoba

sistem dapat dilihat pada Lampiran 3. Formula jamu tersebut diuji menggunakan

vote VFI5 yang dihasilkan dari pengolahan Data I dan Data II. Hasil prediksi masih

menampilkan hasil yang beragam untuk setiap jenis data. Hal ini dikarenakan

jumlah data pada Data I dan Data II berbeda karena tanaman yang digunakan pada

Data I tidak semuanya digunakan pada tanaman II.

SIMPULAN DAN SARAN

Simpulan

Penelitian ini telah berhasil mengembangkan sistem klasifikasi khasiat jamu

dengan menggunakan metode VFI5. Akurasi sistem yang dikembangkan ini adalah

94%, dapat disejajarkan dengan akurasi sistem klasifikasi formula jamu yang sudah

dikembangkan sebelumnya, yaitu sistem yang menggunakan SVM (Fitriawan

2013) dan PLS-DA (Afendi et al. 2012). Selain itu, sistem formulasi jamu

menggunakan metode VFI5 ini memberikan kemudahan dalam melakukan

pelatihan data, sehingga pengguna dapat dengan mudah mengubah data latih.

Penelitian ini juga berhasil mengelompokkan tanaman sesuai khasiat yang dimiliki

oleh tanaman tersebut serta mengvisualisasikan klasifikasi tanaman tersebut.

Pengelompokan tanaman ini dapat membantu peneliti untuk memilih kandidat

formula jamu yang akan diuji dalam tahap selanjutnya, yaitu uji in vivo dan in vitro.

71.6% 71.0%

54.9%

94.2% 95.3% 94.0%

0.0%

10.0%

20.0%

30.0%

40.0%

50.0%

60.0%

70.0%

80.0%

90.0%

100.0%

PLS-DA SVM VFI5

Akura

si

Metode

Data I Data II

Gambar 11 Perbandingan akurasi antara metode PLS-DA, SVM dan VFI5

16

Saran

Saran untuk penelitian selanjutnya:

1 Mencoba penelitian jamu menggunakan data yang lebih representatif yaitu

data yang memiliki informasi komposisi setiap tanaman pada suatu formula

sehingga apabila penelitian selanjutnya akan mencoba menggunakan VFI5

lagi, maka interval yang dimiliki akan lebih bervariasi

2 Lebih menitikberatkan pada bagian penelitian praproses data jamu bagi

penelitian selanjutnya serta mencoba melakukan optimasi pada hasil

klasifikasinya menggunakan Ant colony algorithm.

3 Melakukan pengujian in vivo dan in vitro pada hasil prediksi formula jamu

yang dihasilkan pada metode VFI5 sehingga dapat dilihat akurasi prediksi

dari metode VFI5

DAFTAR PUSTAKA

Afendi FM, Darusman LK, Hirai A, Amin MA, Takahashi H, Nakamura K, Kanaya

S. 2010. System biology approach for elucidating the relationship between

Indonesia herbal plants and the efficacy of jamu. Di dalam: Fan W, Hsu W,

Webb GI, Liu B, Zhang C, Gunopulos D, Wu X, editor. 2010 IEEE

International Conference on Data Mining Workshops; 2010 Des 14; Sydney,

Australia. Sydney (AU): Conference Publishing Services.

Afendi FM, Darusman LK, Morita AH, Altaf-Ul-Amin M, Takahashi H, Nakamura

K, Tanaka K, Kanaya S. 2012. Efficacy prediction of jamu formulations by

PLS modeling. Curr Comput Aided Drug Des. 9(1):46-59. PubMed PMID:

23106776.

Demiröz G dan Güvenir HA. 1997. Classification by Voting Feature Intervals.

http://www.cs.ucf.edu/~ecl/papers/demiros97classification.pdf. [Mei 2014].

Guvenir HA. 1998. A Classification Learning Algorithm Robust to Irrelevant

Features. http://www.cs.bilkent.edu.tr /techreports/1998/BU-CEIS-

9810.ps.gz [Mei 2014].

Fitriawan A. 2013. Sistem Klasifikasi Khasiat Formula Jamu Dengan Metode

Support Vector Machine [skripsi]. Bogor: Fakultas Matematika dan Ilmu

Pengetahuan Alam, Institut Pertanian Bogor.

Li S, Zhang B.Traditional Chinese medicine network pharmacology:theory,

methodology and application. Chinese Journal of Natural Medicines 2013,

11(2): 0110-0120 doi: 10.3724/SP.J.1009.2013.00110

Mahady GB. 2001. Global harmonization of health claim. J.Nutr. 131:1120S –

1123S.

Wijisekera ROB. 1991. Plant – derived medicines and their role in global health.

Di dalam: Wijisekera ROB, editor. The Medicinal Plant Industry.

Florida(USA):CRC Press. Hlm 1 – 18.

Winarno FG. 1997. Naskah Akademis Keamanan Pangan. Bogor(ID), Institut

Pertanian Bogor.

17

LAMPIRAN

Lampiran 1 Contoh vote VFI5 yang dapat menentukan tanaman yang sesuai

dengan suatu khasiat

Efficacy E1 E2 E3 E4 E5 E6 E7 E8 E9

P0001 0.000 0.000 0.000 0.200 0.000 0.000 0.252 0.393 0.000

P0002 0.000 0.000 0.000 0.080 0.000 0.000 0.000 0.107 0.000

P0003 0.000 0.005 0.000 0.000 0.000 0.000 0.000 0.000 0.000

P0004 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.214 0.000

P0006 0.154 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000

P0007 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000

P0008 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.018

P0013 0.000 0.000 0.000 0.000 0.013 0.000 0.000 0.000 0.000

P0020 0.000 0.000 0.000 0.000 0.007 0.000 0.000 0.000 0.000

P0021 0.000 0.000 0.000 0.000 0.129 0.000 0.000 0.000 0.000

P0026 0.000 0.000 0.000 0.000 0.000 0.014 0.000 0.000 0.000

P0029 0.000 0.224 0.400 0.000 0.000 0.000 0.000 0.000 0.000

P0031 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000

P0033 0.000 0.000 0.000 0.000 0.000 0.000 0.009 0.000 0.000

P0034 0.000 0.000 0.000 0.061 0.000 0.000 0.000 0.000 0.000

P0040 0.000 0.000 0.000 0.000 0.070 0.000 0.000 0.000 0.018

P0042 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.018

P0044 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.070

P0045 0.038 0.000 0.000 0.000 0.000 0.000 0.000 0.060 0.000

P0048 0.000 0.000 0.000 0.000 0.007 0.000 0.000 0.000 0.000

P0053 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.061

P0055 0.000 0.000 0.000 0.024 0.000 0.000 0.000 0.000 0.000

P0059 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.012 0.000

P0061 0.000 0.000 0.000 0.000 0.000 0.431 0.000 0.000 0.000

P0066 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.123

P0067 0.000 0.000 0.000 0.000 0.000 0.008 0.000 0.000 0.000

P0068 0.000 0.000 0.000 0.000 0.000 0.000 0.226 0.298 0.000

P0072 0.019 0.000 0.000 0.000 0.000 0.000 0.000 0.000 0.000

P0073 0.000 0.005 0.000 0.000 0.000 0.000 0.000 0.000 0.000

18

Lampiran 2 Daftar tanaman berdasarkan khasiatnya yang merupakan hasil

pengklasifikasian menggunakan VFI5

Khasiat 1 : Urinary Related Problems Khasiat 2 : Disorder of Apetite

Orthosiphon stamineus

Strobilanthes crispus

Sonchus arvensis

Imperata cylindrica

Phyllanthus urinaria

Serenoa repens

Plantago major

Soya max

Cucurbita pepo

Merremia mammosa

Zea mays

Smilax zeylanica

Pygeum africanum

Solanum lycopersicum

Paeonia suffruticosa

Wolfiporia extensa

Prunus cerasus

Alisma orientalis

Guazuma ulmifolia

Parameria laevigata

Murraya paniculata

Zingiber purpureum

Curcuma heyneana

Punica granatum

Rheum tanguticum

Kaempferia pandurata

Galla lusitania

Theae sinensis

Curcuma aeruginosa

Cassia angustifolia

Caesalpinia sappan

Garcinia cambogia

Laminaria japonica

Polygonum multiflorum

Crataegus pinnatifida

Cassia fistula

Terminalia catappa

Litsea chinensis

Phyllanthus acidus

Khasiat 3 : Disorder Of Mood And

Behavior

Khasiat 4 : Gastrointestinal Disorders

Valeriana javanica

Zingiber purpureum

Myristica fragrans

Baeckea frutescens

Carica papaya

Eleutherococcus senticosus

Polygala glomerata

Ipomoea reptana

Leucas lavandulifolia

Brassica nigrae

Melaleuca leucadendra

Foeniculum vulgare

Cocos nucifera

Andrographis paniculata

Morinda citrifolia

Nigella sativa

Clausena anisum-olens

Curcuma aeruginosa

Allium sativum

Phaleria papuana

Psidium guajava

Momordica charantia

Apium graveolens

Olea europaea

Symplocos odoratissima

Pandanus conoideus

Daucus carota

Spirulina

Magnolia officinalis

Schisandra chinensis

19

Silybum marianum

Syzygium cumini

Pandanus amaryllifolius

Citrus amblycarpa

Grewia salutaris

Euphorbia thymifolia

Khasiat 5 : Female Reproductive Organ

Problems

Khasiat 6 : Muskuloskeletal And

Connetive Tissue Disorders

Curcuma longa

Parameria laevigata

Piper betle

Lepiniopsis ternatensis

Punica granatum

Coriandrum sativum

Galla lusitania

Kaempferia pandurata

Quercus lusitanica

Tamarindus indica

Areca catechu

Baeckea frutescens

Nigella sativa

Kaempferia angustifolia

Pluchea indica

Elephantopus scaber

Terminalia bellirica

Sauropus androgynus

Nyctanthes arbor-tritis

Curcuma zedoaria

Ocimum sanctum

Solanum verbacifolium

Ligusticum acutilobum

Phaseolus radiatus

Psophocarpus tetragonolobus

Elaeocarpus grandiflora

Ficus deltoidea

Tetranthera brawas

Sesbania grandiflora

Canangium odoratum

Prunus persica

Sparganium stoloniferum

Garcinia atroviridis

Cimicifuga racemosa

Achillea santolina

Artemisia cina

Trifolium pratense

Hemigraphis colorata

Lantana camara

Zingiber officinale

Curcuma xanthorrhiza

Piper retrofractum

Kaempferia galanga

Piper nigrum

Zingiber aromaticum

Languas galanga

Myristica fragrans

Eurycoma longifolia

Panax ginseng

Orthosiphon stamineus

Syzygium polyanthum

Zingiber zerumbet

Oryza sativa

Alpinia galanga

Plantago major

Cinnamomum sintok

Massoia aromatica

Cyperus rotundus

Sonchus arvensis

Equisetum debile

Talinum paniculatum

Dioscorea opposite

Pimpinella pruatjan

Sida rhombifolia

Cola acuminata

Panax pseudoginseng

Pausinystalia yohimbe

Cola nitida

Justicia gendarussa

Angelica sinensis

Tribulus terrestris

Atractylodis Macrocephala

Euchresta horsfieldii

Cordyceps sinensis

Epimedium brevicornum

Clematis chinensis

Cibotium barometz

Cistanches salsa

20

Spatholobus suberectus

Khasiat 7 : Pain And Inflammotion Khasiat 8 : Respiratory Disease

Zingiber officinale

Foeniculum vulgare

Syzygium aromaticum

Mentha arvensis

Parkia roxburghii

Cymbopogon nardus

Cocos nucifera

Blumea balsamifera

Mentha piperita

Graptophyllum pictum

Helicteres isora

Usnea misaminensis

Alstonia scholaris

Gaultheria punctata

Curcuma zedoaria

Gynura segetum

Echinacea purpurea

Carthamus tinctorius

Panax pseudoginseng

Moschosma polystachium

Coleus scutellarioides

Cinnamomum camphora

Cinnamomum cassia

Angelica sinensis

Allium cepae

Cinnamomum cullilawan

Sanguisorba officinalis

Commiphora myrrha

Asarum sieboldii

Zingiber officinale

Typhonium flagelliforme

Cinchona succirubra

Pistacia lentiscus

Sophora japonica

Pinus merkusii

Notopterygium incisum

Rubia cordifolia

Hedyotis corymbosa

Zingiber officinale

Glycyrrhiza uralensis

Foeniculum vulgare

Strobilanthes crispus

Piper betle

Syzygium aromaticum

Mentha arvensis

Clerodendron squamatum

Kaempferia galanga

Harpagophytum procumbens

Blumea balsamifera

Forsythia suspensa

Clausena anisum-olens

Citrus aurantium

Plantago major

Amomum compactum

Echinacea purpurea

Elephantopus scaber

Merremia mammosa

Piper cubeba

Vitex trifolia

Eriobotrya japonica

Messua ferrea

Costus speciosus

Euphorbia hirta

Illicium verum

Prunus armeniaca

Ceiba pentandra

Abrus precatorius

Nasturtium indicum

Thymus vulgaris

Fritillaria cirrhosa

Borreria hispida

Salix alba

Khasiat 9 : Wounds And Skin

Infections

Cocos nucifera

Oryza sativa

Andrographis paniculata

Citrus aurantium

Aloe vera

21

Hydrocotyle asiatica

Santalum album

Tinospora tuberculata

Curcuma heyneana

Citrus hystrix

Strychnos ligustrina

Cymbopogon nardus

Rosa chinensis

Pogostemon cablin

Mentha piperita

Vetiveria zizanioides

Lavandula angustifolia

Carica papaya

Jasminum sambac

Olea europaea

Pluchea indica

Trigonella foenum-graecum

Cassia siamea

Dioscorea opposite

Aleurites moluccana

Theobroma cacao

Citrus sinensis

Eclipta prostrata

Canangium odoratum

Melaleuca alternifolia

Zanthoxylum acanthopodium

Pachyrrhizus erosus

Anacardium occidentale

Aquilaria sinensis

Elettaria speciosa

Tagetes erecta

Cassia alata

Cucumis sativus

Hibiscus sabdariffa

Phyllanthus emblica

Portulaca oleracea

Vanilla planifolia

Salvia coccinea

22

Lampiran 3 Visualisasi hubungan antara tanaman dengan khasiatnya

23

Lampiran 4 Daftar formula jamu yang digunakan untuk mencoba sistem

No. Jamu Tanaman

1 2 3 4

1 Jb0001 Tamarindus

indica Curcuma longa

Languas

galanga Piper betle

2 Jb0002 Piper retrofractum

Terminalia bellirica

Helicteres isora

Notopterygium incisum

3 Jb0003 Mentha piperita Melaleuca

alternifolia

Syzygium

cumini

Zingiber

officinale

4 Jb0004 Gaultheria

punctata Panax ginseng

Eclipta

prostrata

Commiphora

myrrha

5 Jb0005 Zanthoxylum acanthopodium

Commiphora myrrha

Cola acuminata

Panax pseudoginseng

6 Jb0006 Borreria hispida Terminalia

bellirica

Cinchona

succirubra

Solanum

verbacifolium

7 Jb0007 Hydrocotyle

asiatica Syzygium cumini

Quercus

lusitanica Messua ferrea

8 Jb0008 Illicium verum Helicteres isora Notopterygium

incisum

Echinacea

purpurea

9 Jb0009 Eriobotrya

japonica

Pistacia

lentiscus

Mentha

arvensis

Wolfiporia

extensa

10 Jb0010 Sida rhombifolia Spatholobus

suberectus

Canangium

odoratum Ocimum sanctum

11 Jb0011 Schisandra chinensis

Crataegus pinnatifida

Phellodendron chinense

Parameria laevigata

12 Jb0012 Curcuma longa Piper nigrum Aloe vera Tamarindus

indica

13 Jb0013 Apium graveolens Santalum album Zingiber

officinale

Canangium

odoratum

14 Jb0014 Aloe vera Oryza sativa Trifolium pratense

Theobroma cacao

15 Jb0015 Nigella sativa Lavandula

angustifolia

Foeniculum

vulgare

Glycyrrhiza

uralensis

16 Jb0016 Thymus vulgaris Punica

granatum Panax ginseng

Coriandrum

sativum

17 Jb0017 Typhonium flagelliforme

Piper nigrum Foeniculum vulgare

Plantago major

18 Jb0018 Psidium guajava Curcuma longa Alpinia

galanga Languas galanga

19 Jb0019 Melaleuca

leucadendra

Myristica

fragrans

Hydrocotyle

asiatica

Curcuma

xanthorrhiza

20 Jb0020 Kaempferia

pandurata

Syzygium

aromaticum

Phaleria

papuana

Hibiscus

sabdariffa

21 Jb0021 Theae sinensis Curcuma xanthorrhiza

Melaleuca leucadendra

Curcuma longa

22 Jb0022 Mentha piperita Garcinia

atroviridis

Psidium

guajava

Anacardium

occidentale

23 Jb0023 Zingiber

officinale

Coriandrum

sativum

Phaleria

papuana

Garcinia

atroviridis

24 Jb0024 Dioscorea opposite

Anacardium occidentale

Orthosiphon stamineus

Morinda citrifolia

25 Jb0025 Curcuma longa Piper nigrum Tamarindus

indica

Melaleuca

leucadendra

26 Jb0026 Psidium guajava Curcuma longa Carica papaya Garcinia

atroviridis

27 Jb0027 Tamarindus indica

Cassia alata Phaleria papuana

Cymbopogon nardus

28 Jb0028 Psidium guajava Caesalpinia

sappan

Orthosiphon

stamineus Languas galanga

29 Jb0029 Coriandrum

sativum

Morinda

citrifolia

Syzygium

aromaticum

Aquilaria

sinensis

30 Jb0030 Guazuma

ulmifolia

Melaleuca

leucadendra

Orthosiphon

stamineus

Merremia

mammosa

31 Jb0031 Amomum compactum

Aloe vera Morinda citrifolia

Tamarindus indica

32 Jb0032 Syzygium

aromaticum

Guazuma

ulmifolia

Melaleuca

leucadendra Cassia alata

No Jamu Tanaman

24

1 2 3 4

33 Jb0033 Amomum

compactum

Orthosiphon

stamineus

Phaleria

papuana

Zanthoxylum

acanthopodium

34 Jb0034 Amomum

compactum

Melaleuca

leucadendra

Languas

galanga

Andrographis

paniculata

35 Jb0035 Orthosiphon stamineus

Curcuma longa Morinda citrifolia

Syzygium aromaticum

36 Jb0036 Guazuma

ulmifolia

Cinchona

succirubra Aloe vera

Phaleria

papuana

37 Jb0037 Canangium

odoratum Piper betle

Curcuma

xanthorrhiza

Melaleuca

leucadendra

38 Jb0038 Mentha piperita Theae sinensis Daucus carota Psidium guajava

39 Jb0039 Orthosiphon stamineus

Hydrocotyle asiatica

Melaleuca leucadendra

Cassia alata

40 Jb0040 Curcuma xanthorrhiza

Syzygium aromaticum

Zingiber officinale

Psidium guajava

41 Jb0041 Aloe vera Phaleria

papuana

Mentha

piperita

Merremia

mammosa

42 Jb0042 Psidium guajava Canangium

odoratum

Mentha

piperita

Hibiscus

sabdariffa

43 Jb0043 Kaempferia pandurata

Curcuma xanthorrhiza

Melaleuca leucadendra

Curcuma longa

44 Jb0044 Phaleria papuana Piper betle Curcuma

xanthorrhiza

Zanthoxylum

acanthopodium

45 Jb0045 Tamarindus

indica

Phaleria

papuana

Mentha

piperita Theae sinensis

46 Jb0046 Piper betle Psidium guajava Piper nigrum Mentha piperita

47 Jb0047 Phaleria papuana Mentha piperita Theae sinensis Daucus carota

48 Jb0048 Curcuma xanthorrhiza

Syzygium aromaticum

Zingiber officinale

Morinda citrifolia

49 Jb0049 Aloe vera Mentha piperita Merremia

mammosa Psidium guajava

50 Jb0050 Psidium guajava Mentha piperita Theae sinensis Tamarindus

indica

keterangan indeks prediksi

1 = urinary related problems (URI)

2 = disorder of apetite (DOA)

3 = disorder of mood and behavior (DMB)

4 = gastrointestinal disorders (GST)

5 = female reproductive organ problems (FML)

6 = muskuloskeletal and connective tissue disorders (MSC)

7 = pain and inflammation (PIN)

8 = respiratory disease (RSP)

9 = wounds and skin infections (WND)

25

Tampilan pemilihan efikasi dan jumlah formula

Tampilan pemilihan tanaman

Tampilan pengungahan file data uji dan data latih

Lampiran 5 Screenshot tampilan aplikasi

26

Tampilan nilai vote dari setiap tanaman pada semua efikasi dan intervalnya

Tampilan hasil akurasi dan confusion matrix

27

RIWAYAT HIDUP

Penulis dilahirkan di Bantul pada tanggal 7 November 1992 dari pasangan

Krismulyono dan Sulastri. Penulis adalah putra kedua dari dua bersaudara. Tahun

2010 penulis lulus dari SMA Negeri 2 Kebumen dan pada tahun yang sama penulis

lulus seleksi masuk Institut Pertanian Bogor (IPB) melalui Undangan Seleksi

Masuk IPB dan diterima di Departemen Ilmu Komputer, Fakultas Matematika dan

Ilmu Pengetahuan Alam.

Selama mengikuti perkuliahan, penulis aktif menjadi asisten praktikum

Rangkaian Digital pada tahun ajaran 2012/2013, asisten praktikum Penerapan

Komputer pada tahun ajaran 2013/2014. Penulis juga aktif mengajar mata kuliah

Fisika di responsi yang diselenggarakan Persekutuan Mahasiswa Kristen IPB.

Kegiatan lain penulis adalah sebagai Ketua Redaksi majalah Persekutuan

Mahasiswa Kristen IPB. Pada bulan Juli-Agustus 2013 penulis melaksanakan

Praktik Kerja Lapang di Pusat Studi Biofarmaka IPB dalam pengembangan aplikasi

Sistem Informasi Indonesia Jamu Herbs, yaitu sebuah aplikasi untuk meracik

formula jamu menggunakan konsep komputasi dan statistika. Penulis juga pernah

sebagai pemakalah di Seminar Nasional dan Rapat Tahunan IPB dalam

memaparkan makalah yang berjudul Sistem Klasifikasi Khasiat Formula Jamu

menggunakan metode VFI5.