KLASIFIKASI PADANG LAMUN DENGAN METODE C4.5 (PEMETAAN DIGITAL DI KABUPATEN BINTAN Dede Tri Arnando, Nerfita Nikentari, ST, M.Cs, Martaleli Bettiza, S.Si, M.Sc Jurusan Teknik Informatika, Fakultas Teknik, Universitas Maritim Raja Ali Haji (UMRAH) Jl. Politeknik Senggrang, Tanjungpinang 29115 E-MAIL:
[email protected],
[email protected],
[email protected]
ABSTRAK Penelitian ini bertujuan untuk membangun sebuah sistem informasi geografis yang mengkasifikasikan jenis-jenis lamun di Kabupaten Bintan, dengan adanya sitem informasi geografis ini berfungsi untuk menampilkan informasi letak lamun beserta jenis-jenisnya. Dalam menentukan jenis lamun digunakan perhitungan klasifikasi algoritma C4.5, perhitungan klasifikasi ini menggunakan atribut yaitu bentuk daun, jumlah tulang, panjang daun, lebar daun, bentuk ujung daun, dan bengtuk pinggir daun. Hasil dari penelitian ini adalah bentuk ujung yang menjadi mayoritas utama dan setelah itu adalah jumlah tulang dan lebar. Pada penelitian ini metode algoritma C4.5 dalam melakukan klasifikasi jenis-jenis lamun meghasilkan klasifikasi yang berbeda. Dari 33 data sample yang ada, 6 diantara nya berbeda dan 27 menghasilkan jenis lamun yang sama dengan data lapangan. Kata kunci : padang lamun, klasifikasi, metode algoritma C4.5
ABSTRAC This research aims to develop a geographic information system that clarified seagrass kind’s at bintan regency, with the presence of it purpose to show the seagrass place information and it’s kinds. In determining the type of seagrass used calculations C4.5 classification algorithm, this calculation classification used attribute that is leafes, amount of bone, long leaves, leaf width, shape of the tip, form the edge of the leaf. The results is that the majority of primary hip and after that is amount of bone and leaf width. In this research method C4.5 algorithm within the classification types of seagrass produced the different classification with field data. From 33 existing sample data, 6 of them is different and 27 others produce the same type of grass with field data. Key words: seagrass, classification, the method of C4.5 algorithm
I.
Pendahuluan
Indonesia yang memiliki panjang garis pantai 81.000 km, mempunyai padang lamun yang luas bahkan terluas di daerah tropika. Luas padang lamun yang terdapat di perairan Indonesia mencapai sekitar 30.000 km² (Kiswara dan Winardi, 1994). Jika dilihat dari pola zonasi lamun secara
horizontal, maka dapat dikatakan ekosistem lamun terletak di antara dua ekosistem bahari penting yaitu ekosistem mangrove dan ekosistem terumbu karang. Dengan letak yang berdekatan dengan dua ekosistem pantai tropik tersebut, ekosistem lamun tidak terisolasi berinteraksi
atau
berdiri
dengan
sendiri
kedua
tetapi
ekosistem
1
tersebut. oleh karena itu Indonesia di kenal
Langkah berikutnya yaitu membagi kasus
sebagai Negara Maritim. Perairan laut
dalam cabang. Kemudian ulangi proses
Indonesia kaya akan berbagai biota laut baik
untuk setiap cabang sampai semua kasus
flora maupun fauna. Demikian luas serta
pada cabang memiliki kelas yang sama,
keragaman jasad-jasad hidup di dalam yang
dengan
kesemuanya
mengklasifikasikan jenis-jenis lamun yang
kehidupan
membentuk di
laut
dinamika
yang
saling
algoritma
ini
kita
dapat
ada di pulau Bintan.
berkesinambungan.
Berdasarkan penjelasan di atas
Padang lamun merupakan salah
melatar belakangi penulis untuk membuat
satu komunitas yang paling produktif, selain
suatu penelitian yang berjudul “Analisa
hutan mangrove dan terumbu karang pada
Klasifikasi
perairan pesisir pantai. Sejak tahun 1950-an,
Metode
daerah yang tertutup oleh padang zosterasa
Kabupaten Bintan)” yang dapat digunakan
marina telah merosot akibat populasi,
sebagai suatu alat dalam menampilkan
reklamasi dan urbanisasi disekeliling pantai
informasi
(Komatus, 1996).
klasifikasi dari jenis-jenis lamun yang ada di
Oleh karna itu, padang lamun harus
dan lautan yang perlu dilestarikan karena memberikan kontribusi pada peningkatan hasil
perikanan dan pada sektor lainya
seperti pariwisata, untuk pemantauan padang lamun diperlukan sebuah sistem, sistem yang dapat membantu hal tersebut adalah sistem informasi geografis.
Geografis adalah suatu sistem informasi yang dapat memadukan antara data grafis (spasial) dengan data teks (atribut) objek yang dihubungkan secara geogrfis di bumi (georeference). C4.5
merupakan
pembangun pohon keputusan hal pertama dilakukan
yaitu
memilih
atribut
sebagai akar. Kemudian dibuat cabang untuk tiap-tiap
nilai
seputar
didalam
Digital
lokasi-lokasi
di
dan
. II.
Kerangka Teori A. Pohon Keputusan J R Quinlan (1993). Pohon Keputusan (Decision Tree) merupakan metode klasifikasi dan prediksi yang sangat kuat dan terkenal. Metode pohon keputusan mengubah fakta yang sangat besar menjadi pohon keputusan yang
dengan mudah dipahami dengan bahasa alami.
Aturan
akar
tersebut.
ini
juga
dapat
diekspresikan dalam bentuk bahasa basis data seperti SQL untuk mencari record pada kategori tertentu. Pohon keputusan
Algoritma
(Pemetaan
Dengan
merepresentasikan aturan. Aturan dapat
Anon (2001) Sistem Informasi
yang
C4.5
Lamun
pulau Bintan.
di pantau karna lamun merupakan bagian dari beberapa ekosistem dari wilayah pesisir
Jenis-jenis
juga
mengeksplorasi
berguna data,
untuk
menemukan
hubungan tersembunyi antara sejumlah calon variabel input dengan sebuah variabel target. Karena pohon keputusan memadukan antara eksplorasi data dan
2
pemodelan, pohon keputusan ini sangat
keputusan untuk memodelkan himpunan
bagus sebagai langkah awal dalam
data yang belum terklasifikasi.
proses
pemodelan
bahkan
ketika
Kelebihan dari metode pohon
dijadikan sebagai model akhir dari
keputusan adalah:
beberapa teknik lain.
1.
Daerah
pengambilan
keputusan
Tan dkk (2004). Dalam situasi
yang sebelumnya kompleks dan sangat
lain kemampuan untuk menjelaskan
global, dapat diubah menjadi lebih
alasan pengambilan keputusan adalah
simpel dan spesifik.
sesuatu yang sangat penting. Misalnya
2.
Eliminasi perhitungan-perhitungan
pada perusahaan asuransi ada larangan
yang
resmi
mendeskriminasi
ketika menggunakan metode pohon
berdasarkan variabel-variabel tertentu.
keputusan maka sampel diuji hanya
Perusahaan
berdasarkan
untuk
asuransi
dapat
mencari
sendiri keadaan yang mencerminkan bahwa
mereka
deskriminasi
tidak yang
menggunakan ilegal
tidak
diperlukan,
kriteria
atau
karena
kelas
tertentu. 3.
Fleksibel untuk memilih fitur dari
dalam
node internal yang berbeda, fitur
memutuskan seseorang diterima atau
yang terpilih akan membedakan
ditolak. Sebuah pohon keputusan adalah
suatu kriteria dibandingkan kriteria
sebuah struktur yang dapat digunakan
yang lain dalam node yang sama.
untuk membagi kumpulan data yang
Kefleksibelan
besar
menjadi
keputusan
record
yang
himpunan-himpunan lebih
menerapkan
kecil
dengan
serangkaian
metode ini
pohon
meningkatkan
kualitas keputusan yang dihasilkan
aturan
jika
dibandingkan
ketika
keputusan. Anggota himpunan hasil
menggunakan
menjadi mirip satu dengan yang lain
penghitungan satu tahap yang lebih
dengan
konvensional.
masing-masing
pembagian. keputusan
Sebuah
model
4.
Dalam analisis multivarian, dengan kriteria dan kelas yang jumlahnya
sejumlah
sangat banyak, seorang penguji
populasi yang heterogen menjadi lebih
biasanya perlu mengestimasikan
kecil,
dengan
baik itu distribusi dimensi tinggi
memperhatikan pada variabel tujuannya.
ataupun parameter tertentu dari
Sebuah
distribusi kelas tersebut. Metode
untuk
membagi
lebih
pohon
dibangun
dari
pohon
sekumpulan
aturan
terdiri
rangkaian
metode
homogen
keputusan
dengan
seksama
mungkin secara
pohon
keputusan
manual, atau dapat tumbuh secara
menghindari
otomatis dengan menerapkan salah satu
permasalahan
atau
menggunakan
beberapa
algoritma
pohon
dapat munculnya
ini kriteria
dengan yang
3
jumlahnya lebih sedikit pada setiap node
internal
mengurangi
tanpa
kualitas
c.
banyak keputusan
Parameter
atribut
4.
tepat
digunakan
dalam
melakukan
teknik
Terjadi overlapping terutama ketika
satunya adalah dengan menggunakan
kelas-kelas
yang
information gain.Sebelum mencari
digunakan jumlahnya sangat banyak.
nilai gain, terlebih dahulu mencari
Hal tersebut juga dapat menyebabkan
peluang kemunculan suatu record
meningkatnya
dalam atribut (entropy)
dan
kriteria
waktu
pengambilan 1.
Penghitungan Nilai Entropy Untuk
diperlukan.
mendapatkan nilai information gain,
Pengakumulasian jumlah kesalahan
terlebih
dari setiap tingkat dalam sebuah
mengetahui parameter lain yang
pohon keputusan yang besar.
mempengaruhi nilai gain, dimana
Kesulitan dalam mendesain pohon
parameter
keputusan yang optimal.
untuk
Hasil
kualitas dari
keputusan
yang
metode
pohon
dahulu
ini
entropy.Parameter
heterogenitas
menuju
ke
arah
ekstraksi data ke dalam bentuk model tree, tentumya ada beberapa proses
yang
harus
nilai
gain. adalah
ini
untuk suatu
sering mengukur kumpulan
dapat
menggunakan
dihitung formula
dengan sebagai
berikut : Entropy (S) =
𝑐 𝑖=1 −
𝑃𝑖 × log 2 𝑃𝑖
diperhatikan
dalam pembentukan struktur pohon
C = jumlah nilai yang ada pada atribut target (jumlah kelas)
ini, yaitu: Pilih root berdasarkan gain ratio terbesar
Pi = jumlah sampel pada kelas i Dari formula diatas dapat kita cermati
Pilih internal root /cabang root berdasar gain ratio terbesar setelah menghapus
diperlukan
sampel data. Secara matematis nilai entropy
kita
harus
tersebut
bagaimana pohon tersebut didesain.
Sebelum
sangat
Parameter
digunakan
Tree
kita
mendapatkan
keputusan sangat tergantung pada
B. Perhitungan Data Menjadi Model
b.
yang
pengklasifikasian sampel data, salah
didapatkan
a.
atribut
keputusan adalah:
keputusan dan jumlah memori yang
3.
semua
untuk mengukur efektifitas suatu
Kekurangan pada pohon
2.
sampai
terhitung nilai gain rationya.
yang dihasilkan.
1.
Ulangi
atribut
terpilih sebagai root.
yang
telah
bahwa apabila hanya terdapat 2 kelas dan dari kedua kelas tersebut memiliki komposisi jumlah sampel yang sama, maka entropynya = 0.
4
2.
Perhitungan information gain
Sumber : Achmad Basuki dan Iwan Syarif.
Ketika kita sudah mendapatkan nilai
2003
entropy, maka langkah selanjutnya adalah
melakukan
terhadap
C. Algoritma C4.5
perhitungan
information
Berikut ini adalah algoritma C4.5 :
gain.
Input : sample training, label training,
Berdasarkan perhitungan matematis information gain dari suatu atribut A dapat
diformulasikan
atribut.
sebagai
yang dibuat
berikut : Gain (S, A) = Entropy(S) – (
𝑆𝑣
𝑛 𝑖=1 𝑆
Jika semua sample positif, berhenti dengan suatu pohon dengan satu
Entropy(Si))
simpul akar, beri label (+)
A : atribut V : menyatakan suatu nilai yang mungkin untuk atribut A Values
Membuat simpul akar untuk pohon
Jika semua sample negatif, berhenti
(A) : himpunan nilai-nilai yang
dengan suatu pohon degan satu
mungkin untuk atribut A .
simpul akar, beri label (-)
|Sv| : jumlah smpel untuk nilai v
Jika atribut kosong, berhenti dengan
|S| : jumlah seluruh sampel data
suatu pohon dengan satu simpul akar,
Entropy (S) : entropy untuk sampel-
dengan
sampel yang memiliki nilai v
terbanyak
label
sesuai
nilai
yang
ada
pada
label
yang
training 3.
Gain ratio
Untuk yang lain, mulai o
yang
perlu ketahui suatu term baru yang
mengklasifikasikan
sampel
disebut
dengan
split
information.
Split
hasil
terbantik
(berdasarkan gain ratio)
information dihitung dengan formula o
sebagai berikut:
Atribut
keputusan
untuk
simpul akar A
Dimana : 𝑆𝑖 𝑐 𝑡=1 𝑆
Split information = –
log
o
𝑆𝑖 𝑆
S1 sampai Sc adalah c subset yang dihasilkan dari pemecahan S dengan menggunakan
atribut
A
yang
mempunyai banyak C nilai. Selanjutnya
gain
dengan cara Gain ratio =
A
atribut
Untuk menghitung gain ratio kita
𝐺𝑎𝑖𝑛 𝑠𝑝𝑙𝑖𝑡 𝑖𝑛𝑓𝑜𝑟𝑚𝑎𝑡𝑖𝑜𝑛
ratio
dihitung
Untuk setiap nilai Vi yang mungkin untuk A
Sumber : Achmad Basuki dan Iwan Syarif. 2003
III.
Kajian Terdahulu
A. Amin Khairul Rafik, Indwiarti dan Sibaroni Yuliant Implementasi Klasifikasi Decision Tree Dengan Pengambilan
Algoritma C4.5 Dalam Keputusan
Permohonan
Kredit Oleh Debitur. Menjelaskan dalam
5
jurnalnya
bagaimana
kinerja
algoritma
pohon keputusan C4.5 pada identifikasi kelayakan kredit oleh debitur. Dimana pada
IV.
algoritma C4.5 pemilihan root dan parent
METODE PENELITIAN A. Metode Pengumpulan Data
bukan hanya berdasar information gain saja
Pengumpulan data dalam penelitian
tetapi
untuk
ini dari Keputusan Mentri Negara
mendapatkan Gain Ratio. Dataset yang
ingkungan Hidup No 200 Tahun
digunakan
yaitu
2004,Dinas Kelautan dan Perikanan
sebanyak 1000 data dengan proporsi 70%
Kabupaten Bintan, terjun kepalangan
disetujui dan 30% data debitur yang ditolak.
secara
juga
split
dalam
information
penelitian
ini
B. Sunjana menjelaskan dalam jurnalnya yang
langsung
dan
wawancara
terhadap beberapa responden dalam
berjudul Klasifikasi Data Nasabah Sebuah
pembangunan aplikasi ini..
Asuransi Menggunakan Algoritma C4.5
B. Perancangan Sistem
tentang penambangan data (data mining)
Perancangan system ini seperti yang
nasabah sebuah perusahaan asuransi untuk
tampak pada gambar-gambar berikut;
mengetahui lancar atau tidaknya nasabah tersebut. Ia menganalisis data yang ada dengan
mengunakan
pohon
keputusan
algoritma C4.5 sehingga dapat diketahui data nasabah mana yang dikelompokan ke kelas lancar atau tidak lancar. Kemudian Gambar 1. DFD Level 0
pola yang telah dibuat digunakan untuk memperkirakan nasabah yang bergabung,
DFD
sehingga
menggambarkan bagaimana system
perusahaan
bisa
mengambil
Level
0
digunakan
untuk
akan dibangun.
keputusan menerima atau menoak calon nasabah tersebut C. Dai wei dan Ji wei (2014) dalam jurnalnya yang
berjudul
A
Map
Reduce
V.
PEMBAHASAN A. Penentuan Attribut
Implementation of C4.5 Decision Tree
Atribut yang ditetapkan pada studi
Algorithm menjelaskan tentang bagaimana
kasus ini ada 6 parameter / atribut.
menggunakan
Tabel di bawah ini adalah tabel
algoritma
C4.5
menjadi
serangkaian peta kecil. Dalam penelitian ini
atribut
dilakukan
padang lamun dari morfologi daun.
pendesignan
beberapa
data
untuk
menentukan
jenis
struktur dan juga melakukan percobaan yang luas pada dataset kemudian pada hasil akhir akan
tampak
keefisienan
waktu
dan
skalabilitas dari pemetaan yang dibuat.
6
Tabel 1 Tabel Atribut Padang Lamun Daun No
Bentuk
Jumlah Tulang
Panjang
Lebar
Bentuk ujung
Bentuk pingggir
Lamun
1.
Pita
2-6
300 – 1500 mm
13 – 17 mm
Tumpul
Rata
Enhalus acoroides
2.
Pita
10-17
100 – 300 mm
4– 10 mm
Bulat
Rata
Thalassia hempricii
3.
Oval
10-25
11- 40 mm
3 - 10 mm
Bulat
Halus
Halophila ovalis
4.
Linier
<3
200 mm
0,5 – 5 mm
Trisula
Begigi
Halodule uninervis
5.
Pita
13-17
150 mm
10 mm
Tumpul
Gergaji
Cymodocea serrulata
B. Menghitung Entropy, Information gain, Split information dan Gain ratio Pada tahap ini akan menghitung Entropy dan Information Gain, Split Information dan Gain Ratio menggunakan persamaan 2.1, persamaan 2.2, persamaan 2.3 dan persamaan 2.4 pada bab II. Dimana untuk menghitung entropy, information gain, split information dan gain ratio membutuhkan data sample padang lamun dengan hasil ditujukan pada table 5, 6 dan 7.
7
Tabel 2 Tabel Data Training Stasiun 1 Daun No
Bentuk
Jumlah Tulang
Panjang
Lebar
Bentuk ujung
Bentuk pingggir
Lamun
1.
Pita
3
377
13
Tumpul
Rata
Enhalus acoroides
2.
Pita
3
399
13
Tumpul
Rata
Enhalus acoroides
3.
Pita
3
325
15
Tumpul
Rata
Enhalus acoroides
4.
Pita
12
183
8
Bulat
Rata
Thalassia hempricii
5.
Pita
13
134
8
Bulat
Rata
Thalassia hempricii
6.
Pita
11
175
9
Bulat
Rata
Thalassia hempricii
7.
Oval
24
14
13
Bulat
Halus
Halophila ovalis
8.
Oval
20
13
16
Bulat
Halus
Halophila ovalis
9.
Oval
24
11
16
Bulat
Halus
Halophila ovalis
10.
Linier
1
167
2.5
Trisula
Begigi
Halodule uninervis
11.
Linier
1
164
2.5
Trisula
Begigi
Halodule uninervis
12.
Linier
1
117
3
Trisula
Begigi
Halodule uninervis
13.
Pita
13
123
7
Tumpul
Gergaji
Cymodocea serrulata
14.
Pita
13
100
7
Tumpul
Gergaji
Cymodocea serrulata
15.
Pita
13
68
6
Tumpul
Gergaji
Cymodocea serrulata
Tabel 3 Data Training Stasiun 2 Daun No
Bentuk
Jumlah Tulang
Panjang
Lebar
Bentuk ujung
Bentuk pingggir
Lamun
1.
Pita
3
423
16
Tumpul
Rata
Enhalus acoroides
2.
Pita
3
430
16
Tumpul
Rata
Enhalus acoroides
3.
Pita
3
336
15
Tumpul
Rata
Enhalus acoroides
4.
Pita
11
113
10
Bulat
Rata
Thalassia hempricii
5.
Pita
11
160
8
Bulat
Rata
Thalassia hempricii
6.
Pita
14
102
8
Bulat
Rata
Thalassia hempricii
7.
Oval
20
12
13
Bulat
Halus
Halophila ovalis
8
8.
Oval
24
12
13
Bulat
Halus
Halophila ovalis
9.
Oval
20
11
13.5
Bulat
Halus
Halophila ovalis
10.
Linier
1
161
2.5
Trisula
Begigi
Halodule uninervis
11.
Linier
1
170
2.5
Trisula
Begigi
Halodule uninervis
12.
Linier
1
190
2.5
Trisula
Begigi
Halodule uninervis
13.
Pita
14
134
7
Tumpul
Gergaji
Cymodocea serrulata
14.
Pita
13
181
8
Tumpul
Gergaji
Cymodocea serrulata
15.
Pita
14
110
10
Tumpul
Gergaji
Cymodocea serrulata
Tabel 4 Data Training Stasiun 3 Daun No
Bentuk
Jumlah Tulang
Panjang
Lebar
Bentuk ujung
Bentuk pingggir
Lamun
1.
Pita
3
330
13
Tumpul
Rata
Enhalus acoroides
2.
Pita
3
380
15
Tumpul
Rata
Enhalus acoroides
3.
Pita
3
320
15
Tumpul
Rata
Enhalus acoroides
Tabel 5 Perhitungan node 1 Node
Attribut (A)
1
Total
Jumlah kasus (S)
Enhalus acoroides (S1)
Thalassia hempricii (S2)
Halophila ovalis (S3)
Halodule uninervis (S4)
Cymodocea serrulata (S5)
Entropy
33
9
6
6
6
6
2.2996
Bentuk Pita
21
9
6
0
0
6
1.5564
Oval
6
0
0
6
0
0
0
Linier
6
0
0
0
6
0
0
Jumlah tulang 2-6
9
9
0
0
0
0
0
10-17
12
0
6
0
0
6
1
10-25
18
0
6
6
0
6
1.5861
6
0
0
0
6
0
0
<3
Gain
Info split
Gain ratio
1.3093
1.3091
1.0001
0.8742
2.4615
9
0.3351
13-17
8
0
2
0
0
6
0.8111
Panjang 100299
18
0
6
6
0
6
1.5846
3001500
9
9
0
0
0
0
0
11- 40
6
0
0
0
6
0
0
200
0
0
0
0
0
0
0
150
0
0
0
0
0
0
0
Lebar 13-17
15
9
0
6
0
0
0.9707
4-10
12
0
6
0
0
6
1
3-10
13
0
6
0
1
6
1.3141
0.5-5
6
0
0
0
6
0
0
10
2
0
1
0
0
1
1
Bentuk ujung
p
Tumpul
15
9
0
0
0
6
0.9707
Bulat
12
0
6
0
0
6
1
6
0
0
0
6
0
0
Trisula Bentuk pinggir Rata
15
9
6
0
0
0
0.9707
Halus
6
0
0
6
0
0
0
Bergigi
6
0
0
0
6
0
0
Gergaji
6
0
0
0
0
6
0
1.4354
1.4351
1000209
0.9167
2.0977
0.4370
1.4950
1.4946
1.000267
1.8585
1.8582
1.0001
Tabel 6 data perhitungan node 1.1 Node
Attribut (A)
Jumlah kasus (S)
Enhalus acoroides (S1)
Thalassia hempricii (S2)
Halophila ovalis (S3)
Halodule uninervis (S4)
Cymodocea serrulata (S5)
Entropy
1.1
Bentuk ujung – Tumpul
15
9
0
0
0
6
0.9707
Bentuk
Gain
Info split
0
Gain ratio
0
10
0
Pita
15
9
0
0
0
6
0.9707
Oval
0
0
0
6
0
0
0
Linier
0
0
0
0
6
0
0
Jumlah tulang 2-6
9
9
0
0
0
0
0
10-27
6
0
0
0
0
6
0
10-25
6
0
0
0
0
6
0
<3
0
0
0
0
0
0
0
13-17
6
0
0
0
0
6
0
Panjang 100299
6
0
0
0
0
6
0
3001500
9
9
0
0
0
0
0
11- 40
0
0
0
0
0
0
0
200
0
0
0
0
0
0
0
150
0
0
0
0
0
0
0
Lebar
13-17
9
9
0
0
0
0
0
4-10
6
0
0
0
0
6
0
3-10
6
0
0
0
0
6
0
0.5-5
0
0
0
0
0
0
0
10
1
0
0
0
0
1
0
Bentuk pinggir Rata
9
9
0
0
0
0
0
Halus
0
0
0
0
0
0
0
Bergigi
0
0
0
0
0
0
0
Gergaji
6
0
0
0
0
6
0
0.9707
2.0281
0.3929
0.9707
0.9707
1
0. 9707
1.7597
0.5137
0.9707
0. 9707
1
11
Tabel 7 Data perhitungan node 1.2 Node
Attribut (A)
Jumlah kasus (S)
Enhalus acoroides (S1)
Thalassia hempricii (S2)
Halophila ovalis (S3)
Halodule uninervis (S4)
Cymodocea serrulata (S5)
Entropy
1.2
Bentuk ujung – bulat
12
0
0
6
0
6
1
Bentuk Pita
6
0
0
0
0
6
0
Oval
6
0
0
6
0
0
0
Linier
0
0
0
0
6
0
0
Jumlah tulang 2-6
0
9
0
0
0
0
0
10-27
6
0
0
0
0
6
0
10-25
12
0
0
6
0
6
1
<3
0
0
0
0
0
0
0
13-17
6
0
0
0
0
6
0
Panjang 100300
12
0
0
6
0
6
0
3001500
0
0
0
0
0
0
0
11- 40
0
0
0
0
0
0
0
200
0
0
0
0
0
0
0
150
0
0
0
0
0
0
0
Lebar 13-17
6
0
0
6
0
0
0
4-10
6
0
0
0
0
6
0
3-10
6
0
0
0
0
6
0
0.5-5
0
0
0
0
0
0
0
10
1
0
0
0
0
1
0
Gain
Info split
Gain ratio
1
1
1
0
1
0
0
0
0
1
1.7986
12
0.5559
Bentuk pinggir
1
Rata
0
0
0
0
0
0
0
Halus
6
0
0
6
0
0
0
Bergigi
0
0
0
0
0
0
0
Gergaji
6
0
0
0
0
6
0
1
13
1
C. Proses
Pohon
Keputusan
2.
Diharapkan sistem ini dapat
Algoritma C4.5
berkembang sesuai zaman dan
Dari tabel 5, 6, dan 7 dapat di ketahui
tidak berbasis web lagi tetapi
hasil perhitungan Algoritma C4.5 dan
dapat
dapat dibuat hasil pohon keputusan
berjalan di platform seperti
akhir dari Algoritma C4.5
Android, IOS dan Blackbery.
dikembanggkan
dan
VII. DAFTAR PUSTAKA Anon, 2001. Sistem Informasi Geografis (SIG) “http://mbojo.wordpress.com/20 07/04/08/sistem-informasigeografi-sig/”. Di akses tanggal 14 Oktober 2014. Gambar 2 Pohon keputusan akhir
VI.
KESIMPULAN DAN SARAN A. KESIMPULAN Kesimpulan yang dapat diambil dari klasifikasi lamun dengan metode C4.5 (pemetaan digital di Kabupaten Bintan) yaitu
dapat
jenis
–
memberikan
jenis
diklasifikasi
lamun
dari
informasi
yang
sistem
telah
informasi
geografis yang telah dibagun. B. SARAN Ada beberapa saran yang perlu disampaikan
dalam
penelitian
ini,
dengan harapan akan menjadi saran yang bermanfaat, yaitu : 1.
Pada sistem ini, lamun yang tersedia hanya di Kabupaten Bintan sehingga diharapkan dapat
ditambah
didaerah lainnya.
untuk
Amin Khairul Rafik, Indwiarti dan Sibaroni Yuliant. 2014. Implementasi Klasifikasi Decision Tree Dengan Algoritma C4.5 Dalam Pengambilan Keputusan Permohonan Kredit Oleh Debitur. Dalam “http://openlibrary.telkomunivers ity.ac.id/pustaka/files/100441/jur nal_eproc/implementasiklasifikasi-decision-tree-denganalgoritma-c4-5-dalampengambilan-keputusanpermohonan-kredit-oleh-debiturstudi-kasus-bank-pasar-daerahistimewa-yogyakarta-.pdf” diakses tanggal 07 Juni 2015. Basuki, Achmad, Iwan Syarif. 2003. Decision Tree. Politeknik Elektronika Negeri Surabaya. Keputusan Menteri Negara Lingkungan Hidup Nomor 200 Tahun 2004 Tentang Kriteria Baku Kerusakan dan Pedoman Penelitian Status Padang Lamun. Kiswara, W, Winardi. 1994. Keanekaragaman dan Sebaran Lamun di Teluk Kuta dan Teluk Gerupuk Lombok Selatan. Dalam: W. Kiswara, M..K. Moosa dan M. Hutomo (Eds.), Struktur Komunitas Biologi Padang Lamun di Pantai Selatan
14
Lombok dan Kondisi Lingkungannya. Puslitbang Oseanologi-LIPI, Jakarta. hal. 15-33. Quinlan JR. 1993. C4.5: Programs for machine learning. San Mateo: Morgan Kaufmann. Sunjana. 2010. Klasifikasi Data Nasabah Sebuah Asuransi Menggunakan Algoritma C4.5. Dalam “http://www.journal.uii.ac.id/ind ex.php/Snati/article/download/19 23/169” diakses tanggal 07 Juni 2015. Tan, M. 2004. Nurturing Scientific and Technological Literacy through Environmental Education. Journal of International Cooperation in Education., Vol.7, No. 1: 115. Wei, Dai, Wei Ji. 2014. A MapReduce Implementation of C4.5 Decision Tree Algorithm. Dalam “http://www.chinacloud.cn/uploa d/2014-03/14031920373451” diakses tanggal 07 Juni 2015.
15
