KLASIFIKASI TERUMBU KARANG DENGAN METODE ID3 (PEMETAAN DIGITAL DI KABUPATEN BINTAN
Wan Yali Irmansah, 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 Terumbu karang merupakan ekosistem yang sangat rentan dan mudah mengalami kerusakan akibat eksploitasi sumberdaya lautan, labuh jangkar, limbah rumah tangga, industri, pertanian, penggunaan bahan peledak dan penangkapan ikan, penambangan karang, dan kekeruhan perairan akibat aktivitas daratan. Dalam meminimalkan kerusakan terumbu karang dibutuhkan sistem yang bisa memantau dan menentukan lokasi. Untuk mengolah dan menganalisa data klasifikasi Terumbu Karang pihak Dinas Kelautan dan Perikanan masih melakukan pendataan maupun pengolahan data secara manual, yang belum terhitung dengan efisien. Akibatnya waktu lebih banyak terbuang dan dari segi hasil perhitungan juga belum tentu akurat, tentu diperlukan waktu tambahan guna mengoptimalkan data klasifikasi terumbu karang tersebut. Dalam penelitian ini peneliti membangun aplikasi berbasis web untuk menyelesaikan masalah penentuan Klasifikasi dengan menggunakan Standar Kriteria Baku Keputusan Menteri Negara Lingkungan Hidup Nomor 04 tahun 2001 tentang Terumbu Karang dan Keputusan Kementerian Lingkungan Hidup Nomor 51 Tahun 2004 tentang Mutu Air Laut menggunakan metode algoritma ID3 dan Naive Bayes. Dengan metode algoritma ID3 dan Naive Bayes variabel yang digunakan dalam menentukan klasifikasi terumbu karang ialah tutupan, suhu, dan kecerahan. Dari penelitian yang dilakukan terhadap 30 lokasi data sample, metode algoritma ID3 menghasilkan hasil klasifikasi dengan akurasi 80 % dan Naive Bayes dengan tingkat akurasi 86%. Kata kunci : Terumbu Karang, Klasifikasi, ID3, Naive Bayes.
ABSTRAC Coral reefs ecosystem is very vulnerable and easily damaged due to the exploitation of resources of the ocean , anchor , household waste , industry , agriculture , the use of explosives and fishing , coral mining , and clouding the waters due to the activity of the mainland .In minimizing damage to coral reefs needed a system that can monitor and determining the location .To cultivate and analyzes data on the classification of coral reefs the department of marine and fisheries are still doing data collection and data processing manually , who has not been effective with efficient. As a result more time wasted and in terms of the calculations also not necessarily accurate , of course needed extra time in order to optimize data classification of the coral reefs .In this study researchers built webbased applications to solve the problems the determination of the classification of using standard criteria raw decision of the minister environmental number 04 year 2001 on coral reefs and the decision of the environmental ministry number 51 2004 about the quality of sea water using methods and id3 algorithms naive bayes. With the methods and algorithms id3 bayes ' naive variables that were used in determining classifications coral reefs is dungeon, temperature, and the brightness of.A research done on location data 30 sample a method of id3 algorithms produce results classifications with accuracy 80 % and naive bayes ' with the level of accuracy of 86 %. Key Word: Coral Reefs, Classification, ID3, Naive Bayes
1
maupun
I. Pendahuluan
situasi lokasi tersebut diperlukan sebuah sistem
Perairan ini memiliki berbagai ekosistem laut
untuk menentukan lokasi. Sistem yang dapat
yang merupakan tempat hidup dan memijah
membantu hal tersebut adalah sistem informasi
ikan-ikan laut seperti ekosistem mangrove,
geografis.
lamun dan terumbu karang. Mengingat 95,7%
Sistem Informasi Geografis (SIG) sebagai
wilayah Provinsi Kepulauan Riau berupa laut,
salah satu alat yang bermanfaat untuk menangani
ekonomi kelautan dapat menjadi keunggulan
data spasial dan menyimpan format digital.
kompetitif menuju Provinsi Kepulauan Riau
Sistem Informasi Geografis (SIG) juga dapat
yang maju, adil-makmur, dan bermartabat.
digunakan sebagai alat bantu utama yang
Ekosistem terumbu karang merupakan
interaktif, menarik, dan menantang di dalam
bagian dari ekosistem laut yang penting karena
usaha-usaha untuk meningkatkan pemahaman,
menjadi sumber kehidupan bagi beraneka ragam
pengertian,
biota laut. Di dalam ekosistem terumbu karang
lokasi,
ini biasa hidup lebih dari 300 jenis karang, yang
Rusak. Sehingga Klasifikasi Terumbu Karang tersebut efektif dan akurat. Metode Naive Bayes menghitung peluang
karang dapat berkembang dengan baik didaerah
kriteria – kriteria terumbu karang dari masing –
tropis. memijah, berkembangnya larva, dan
masing
mencari maka bagi banyak sekali biota laut yang
kelompok
atribut
yang
ada,
dan
menentukan klasifikasi yang optimal.
sebagaian besar mempunyai nilai ekonomis
Berdasarkan penjelasan di atas, yang
tinggi dan (2) hilangnya pelindung pulau dari
melatar belakangi penulis untuk membuat suatu
dampak kenaikan permukaan laut. Jika tidak ada
penelitian yang berjudul Klasifikasi Terumbu
karang batu yang menghasilkan sedimen kapur,
Karang Dengan Metode ID3 dan Naive Bayes
maka fungsi terumbu karang sebagai pemecah karena
unsur-unsur
Terumbu Karang dengan klasifikasi Baik dan
fungsi-fungsi
yaitu (1) hilangnya habitat tempat terumbu
berkurang
dan
Metode ID3 mengolah berbagai kriteria - kriteria
dapat
ekologis terumbu karang yang sangat penting,
akan
(spasial),
konsep
Terumbu Karang adalah ID3 dan Naive Bayes.
lamun dan biota lainnya (Dahuri, 2000).
ombak
ruang
mengenai
Metode yang digunakan untuk klasifikasi
puluh jenis moluska, crustacean, sponge, alga,
terganggunya
pembelajaran
geografis yang terdapat di permukaan bumi.
terdiri dari sekitar 200 jenis ikan dan berpuluh-
mengakibatkan
yang
karang itu sendiri. Untuk mengetahui tingkat
yang cukup andal bila dikelola dengan baik.
karang
kepunahan
tidak mengetahui penting dan manfaat terumbu
Kepulauan Riau memiliki potensi sumberdaya
terumbu
dari
diakibatan oleh ulah segelintir masyarakat yang
Sumber daya pesisir, Kabupaten Bintan
Rusaknya
ditangani
(Pemetaan Digital di Kabupaten Bintan) dapat
semakin
digunakan
dalamnya air sehingga abrasi pantai akan secara
sebagai
suatu
alat
dalam
menampilkan informasi Terumbu Karang.
perlahan semakin intensif (Mahmudi, 2003). Oleh karena itu, terumbu karang yang ada II.
dari yang masih baik maupun yang kritis. Agar
Kerangka Teori A. Algoritma ID3 Algoritma ID3 atau Iterative Dichotomiser
kelestarian
3 (ID3) merupakan sebuah metode yang
di Kabupaten Bintan perlu dipantau lokasinya
Terumbu
Karang
dapat
dijaga
2
digunakan untuk membuat pohon keputusan
semua data telah termasuk dalam kelas
yang telah dikembangkan oleh J. Ross Quinlan
yang sama. Atribut yang telah dipilih tidak
tahun 1986. Algoritma ini menggunakan
diikutkan lagi dalam perhitungan nilai
konsep dari entropy informasi. Algoritma ID3
information gain.
dapat diimplementasikan menggunakan fungsi rekursif (fungsi yang memanggil dirinya
B.
sendiri (Holisatul, 2013)
Naive Bayes Metode algoritma Bayesian merupakan
langkah kerja Algoritma ID3 sebagai
pendekatan statistik untuk melakukan inferensi
berikut :
induksi pada persoalan klasifikasi. Klasifikasi
1. Hitung Entropy dan Information gain dari
Bayesian adalah klasifikasi statistik yang bisa
setiap atribut dengan menggunakan rumus:
memprediksi
probabilitas
Klasifikasi Bayesian Entropy (S) =- P+ log2 P+ – P- log2 P-
sebuah
kelas.
ini dihitung berdasarkan
Teorema Bayes ini:
S = ruang (data) sample yang digunakan P (Ci|X) =
untuk training. P+
=
jumlah
yang
bersolusi
positif
(mendukung) pada data sample untuk kriteria
X : Data dengan kelas yang belum diketahui
tertentu.
Ci : Hipotesis data X merupakan suatu class
P- = jumlah yang bersolusi negatif (tidak
spesifik
mendukung) pada data sample untuk kriteria
P(Ci|X) : probabilitas hipotesis Ci berdasarkan X
tertentu.
P (Ci) : probabilitas hipotesis Ci P (X|Ci) : Probabilitas X berdasarkan kondisi
Gain (S, A) = Entropy (S) -
pad hipotesis Ci
Entropy (Sv)
Untuk menentukan pilihan kelas, digunakan S = ruang (data) sample yang digunakan untuk
peluag maksimal dari Ci dengan fungsi :
training. A = atribut. argamax =
V = suatu nilai yang mungkin untuk atribut A Nilai(A) = himpunan yang mungkin untuk
karena nilai P(X) konsan untuk semua kelas,
atribut A. |Sv| = jumlah sample untuk nilai V.
maka P(X) dapat diabaikan sehingga menghasil
|S| = jumlah seluruh sample data.
fungsi :
Entropy(Sv) = entropy untuk sample-sample argamax = P(X|Ci) P(Ci)
yang memiliki nilai V. 2. Pilih
atribut
yang
memiliki
nilai III. Kajian Terdahulu
information gain terbesar.
A. Jurnal Mapping and assessment of protection
3. Bentuk simpul yang berisi atribut tersebut.
of mangrove habitats in Brazil,
4. Ulangi proses perhitungan information gain
Rafael
Almeida Magris dan Raquel Barreto. Studi
yang akan terus dilaksanakan sampai
3
ini telah
memetakan
habitat
melindungi
lingkungan
kawasan
lindung
menggunakan terintegrasi
ini
citra dengan
mangrove di
B. Perancangan Sistem
seluruh
Perancangan
pesisir
dengan
tampak pada gambar-gambar berikut;
satelit
Landsat
sistem
system
ini
seperti
yang
informasi
geografis (GIS) di seluruh pantai Brasil. B. Menurut Bagus dkk (2012) penelitian
tentang
melakukan
Perancangan
Dan
Implementasi Sistem Pendukung Keputusan Untuk Jalan Menggunakan Metode ID3 (Studi Kasus Bappeda Kota Salatiga). Sistem ini
dibuat
untuk
Gambar 2. DFD Level 0
mengawasi,
menyelenggarakan, dan merawat jalan yang
V.
berada di Kota Salatiga.
PEMBAHASAN 1. ID3
C. International Journal of Engineering and
A. Penentuan Attribut
Technology (IJET), Ramanathan, Saksham
Atribut yang ditetapkan pada studi kasus
Dhanda, Suresh Kumar. Melakukan studi
ini ada 3 parameter / atribut. Tabel di bawah
membahas tentang bagaimana memperediksi
ini adalah tabel atribut untuk menentukan
hasil kinerja siswa dengan metode ID3 untuk
kriteria baku terumbu karang yang diperoleh
peningkatan kualitas pendidikan tinggi. D. Menurut
Hersa
melakukan Informasi tingkat
Farida
Qoriani
penelitian
tenteng
dari Keputusan Menteri Negara Lingkungan
(2012)
Geografis
untuk
mengetahui
pencemaran
limba
pabrik
Kabupaten
Sidoarjo.
Sistem
Hidup Nomor 04 tahun 2001 tentang kriteria
Sistem
baku
kerusakan
terumbu
karang
dan
Keputusan Menteri Negara Lingkungan Hidup
di
Nomor 51 tahun 2004 tentang kriteria baku
Informasi
mutu air laut.
Geografis ini dibuat berbasis web, pada penelitian
ini
sistem
informasi
Atribut Tutupan
ini
menggunakan ketentuan baku mutu limbah cair
kawasan industry surat keputusan
Mentri Negara Lingkungan Hidup, dengan
Suhu
perhitungan ini dapat diketahui pencemaran Kecerahan
limba cair yang dihasilkan pabrik dikawasan
Value Buruk Sedang Baik Baik Sekali Baik Buruk Baik Buruk
Range 0 – 24,9 25 – 49,9 50 – 74,9 75 – 100 28 – 30 < 28 – >30 >5 <5
Ket Persen %
Dalam ºC Dalam (m)
Sidoarjo. B. Menghitung Entropy Dan Information gain Pada tahap ini akan menghitung Entropy
IV. METODE PENELITIAN
dan
A. Metode Pengumpulan Data
Information
Gain
menggunakan
Pengumpulan data- data yang dibutuhkan
persamaan 2.1 dan persamaan 2.2 pada bab II.
dari dinas terkait yaitu Dinas Kelautan dan
Dimana
Perikanan Kabupaten Bintan.
information gain membutuhkan data sample
untuk
menghitung
entropy
dan
terumbu karang dengan hasil yang ditentukan
4
dari persaman 2.3 yang menentukan kualitas
Gain (S, Kecerahan)
= 0.721928095 –
terumbu karang. = 0.0679 Hitung entropy :
Tabel 3 Hasil Hitung Entropy Dan Information Gain
Entropy (S) [18+,12-] = -
log2
log2
= 0,9709 Hitung Gain dari tutupan, suhu kecerahan untuk
Atribut
Kategori
Tutupan
Baik Sekali Baik Sedang Buruk Baik Buruk Baik Buruk
menentukan gain: Attibut tutupan dengan nilai = baik sekali, baik,
Suhu
sedang, buruk Kecerahan S Baik sekali [5+, 0-] = –
log2
log2
log2
log2
Entropy 0 0,9852 1 0 0,9182 0,5665 0,9975 0,7793
Information gain 0,5410
0.2285 0.0679
=0 Berdasarkan hasil perhitungan information gain, S Baik [4+, 3-]
= –
tampak bahwa atribut tutupan akan menyediakan
= 0,9852 S Sedang [3+, 3-]
=–
prediksi terbaik untuk target atribut hasil.
log2
log2
log2
log2
Tutupan
=1 Baik Sekali
S Buruk [0+, 12-] = – =0
Baik
Gain (S, Tutupan) = 0,9709 –
Baik
Sedang
???
Buruk
Rusak
Rusak
Gambar 3 Pohon 1 Gambar 3 menjelaskan bahwa kriteria tutupan
1–
menjadi prioritas utama dalam menentukan hasil
= 0,5410
kriteria terumbu karang, dan diketahui jika nilai
Attibut suhu dengan nilai = baik, buruk
tutupan buruk dan sedang maka hasilnya rusak, jika S Baik [10+, 5-]
= –
log2
log2
nilai tutupan baik sekali maka hasilnya diterima jika
= 0,9182 S Buruk [2+, 13-] = –
log2
nilai kriteria baik maka akan dilanjutkan ke langkah selanjutnya untuk mencari kriteria yang akan
log2
menjadi penilaian. Tabel menunjukan data sample
= 0,5665 Gain (S, Suhu)
terumbu karang dengan kriteria tutupan yang
= 0.9709 –
bernilai baik untuk mencari atribut selanjutnya. Tabel 4 Tabel Data Tutupan Kriteria Baik = 0.2285
Label Tutupan Training C3 Baik C8 Baik C11 Baik C17 Baik C18 Baik C24 Baik C3 Baik Hitung entropy:
Attibut Kecerahan dengan nilai = baik, buruk S Baik [9+, 8-]
= –
log2
log2
= 0,9975 S Buruk [3+, 10-] = –
log2
log2
= 0,7793
5
Suhu
Kecerahan
Hasil
Buruk Baik Baik Baik Buruk Buruk Buruk
Buruk Baik Buruk Buruk Buruk Buruk Buruk
Rusak Baik Baik Baik Rusak Rusak Rusak
Entropy (S) [4+,3-] = - log2
terlihat tutupan menjadi prioritas utama, disusul
log2
dengan suhu dan kecerahan. Maka dapat dibuat
= 0,9852
peraturan sebagai berikut:
Attibut suhu dengan nilai = baik, buruk S Baik [3+, 0-]
= – log2
If tutupan = baik sekali Then hasil = rusak
log2
If tutupan = sedang Then hasil = rusak If tutupan = buruk Then hasil = rusak
=0 S Buruk [0+, 2-]
= – log2
If tutupan = baik And suhu = baik Then hasil = baik
log2
If tutupan = baik And suhu = buruk Then hasil =
=0 Gain (S, Suhu)
rusak
= 0.9852 –
If tutupan = baik And kecerahan = baik Then hasil =
= 0,9852
baik
Attibut kecerahan dengan nilai = baik, buruk
If tutupan = baik And kecerahan = buruk Then hasil
S Baik [1+, 0-]
= rusak
= – log2
log2
=0 2. Naive Bayes S Buruk [0+, 2-]
= – log2
log2
A. Hitung Probabilitas Hasil ( P(Ci) )
=1 Gain (S, Suhu)
P(Ci|X) =
= 0.9183 –
Sehingga diasumsikan :
= 0,7852
P (Cbaik) = P(Crusak) =
Tabel 5 Hasil hitung entropy dan information gain Atribut
Kategori
Suhu
Baik Buruk Baik Buruk
Kecerahan
Entropy 0 0 0 1
B. Hitung Probabilitas Kategori Berdasarkan
Information gain 0,9852
Kelayakan ( P(Ci|X) ) P(Kriteria|i) =
0,7852
Hasil Baik : P(tutupan | Baik) =
Tutupan
Baik Sekali
Baik
Sedang
P(suhu | Baik) =
Buruk
P(kecerahan | Baik) = Suhu
Baik
Rusak
Rusak
Hasil Rusak : Baik
Buruk
Baik
P(tutupan | Rusak) =
Kecerahan
Baik
Baik
P(suhu | Rusak) =
Buruk
P(kecerahan | Rusak) = C. Hitung
Rusak
Nilai
Bayesian
(argamax
P(X|Ci)P(Ci)) Gambar 4 Pohon Akhir P (Cbaik | X)
Gambar 4 merupakan hasil pohon keputusan dari
= = 0,0824
data sample terumbu karang. Dari pohon keputusan
6
x
=
P (Crusak | X)
=
Keputusanunutk
x
Metode
= 0,0103
diketahui
nilai
tertinggi
disimpulkan
bahwa
Kasus
Bappeda
Vol. 9. No.2, Agustus 2012 : 101 – 200
dari
Baker dan Kaeoniam,1986 dalam Damanhuri.
perhitungan di atas adalah : 0,0824. Sehingga dapat
(Studi
Menggunakan
Salatiga). Jurnal Teknologi Informasi-Aiti,
Dari hasil contoh perhitungan di atas, maka dapat
ID3
Jalan
H., 2003. Terumbu Karang Kita. Jurnal
menghasilkan
Mangrove dan Pesisir Vol. III No. 2. Pusat
klasifikasi Baik.
Kajian Mangrove dan Kawasan Pesisir Universitas Bung Hatta. Hal. 28 – 33.
VI. KESIMPULAN DAN SARAN
Dahuri, R. 2000. Pendayagunaan sumberdaya
A. KESIMPULAN
kelautan untuk kesejahteraan masyarakat.
1. Hasil perbandingan dengan metode ID3
LISPI. Jakarta.
dan Naive Bayes dari penelitian yang
Darwin,
dilakukan terhadap 30 data sample, metode
25. Coral Reef. Elsevier. Amsterdam. 1990.
Dinas Kelautan Dan Perikanan Kabupaten
Elly, Muhamad Jafar. 2009. Sistem Informasi
Bintan. Data kesamaan ID3 dengan dinas
Geografi Menggunakan Aplikasi ArcView
data 24 data dengan persentase kesamaan
3.2
80 % dan kesamaan data Naive Bayes dinas
26
data
menjadi
metode yang
ERMapper
6.4.
Yogyakarta:
Harudin. A, Edi Purwanto, Sri Budiastuti. 2011.
tingkat
Dampak
Terumbu
kesamaan lebih tinggi diatas ID3
Kerusakan
Karang
Ekosistem
Terhadap
Hasil
Penangkapan Ikan Oleh Nelayan Secara
B. SARAN Ada
dan
Penerbit Graha Ilmu.
dengan
persentase 86 %. Sehingga metode Naive Bayes
and
ed. Pages 1 – 8 p. Ecosystems of the Workd
kesamaan hasil klasifikasi berdasarkan data
data
1842. The Structure
Distribution of Coral Reefs in Dubinsky, Z.
ID3 dan Naive Bayes menghasilkan jumlah
dengan
C.R.
beberapa
saran
yang
Tradisional di Pulau Siompu Kabupaten
perlu
Buton Provinsi Sulawasi Tenggara. Jurnal
disampaikan dalam penelitian ini, yaitu :
EKOSAINS, Vol. III, No. 3, November
1. Pada sistem ini, Terumbu Karang yang
2011.
tersedia hanya di Kabupaten Bintan
Holisatul Munawaroh, Bain Kusnul, Yeni
sehingga diharapkan dapat ditambah
Kustiyahningsih.
untuk didaerah lainnya.
2013.
Perbandingan
Algoritma ID3 dan C5.0 Dalam Identifikasi
2. Diharapkan Sistem ini dapat berkembang
Penjurusan Siswa SMA. Vol. 1, No. 1, Juni
susuai zaman dan tidak berbasis web lagi
2013, hlm 1-12.
tetapi dapat dikembanggkan dan berjalan
Mahmudi M, 2003. Studi Kondisi Ekosistem
di platform seperti Android, IOS dan
Terumbu
Blackbery.
Karang
Serta
Strategi
Pengelolaannya (Studi Kasus Di Teluk Semut Sendang Biru Malang) Pengantar Falsafah
VII. DAFTAR PUSTAKA Bagus,
dkk.
Implementasi
2012.
Perancangan Sistem
Sains
(PPS702)
Program
Pascasarjana/S3 Institut Pertanian Bogor.
Dan
Pendukung
7
Meadows
dan
Campbell,
1988
dalam
Wahyudin.
2009.
Metode
Iterative
Damanhuri. H., 2003. Terumbu Karang
Dichotomizer 3 ( ID3 ) Untuk Penyeleksian
Kita. Jurnal Mangrove dan Pesisir Vol. III
Penerimaan
No.
Pendidikan
Teknologi
Kawasan Pesisir Universitas Bung Hatta.
Komunikasi
(PTIK),
Hal. 28 – 33.
Desember 2009
2.
Pusat Kajian Mangrove
dan
Nash, S.V. 1989. Reef Diversity Index Survey Method
For
Nonspecialist.
Welly Marthen.
Tropical
Mahasiswa
2001.
Baru.
Jurnal
Informasi Vol.
2.
Terumbu
dan
No.
Karang
Lestari. Pusat Pendidikan Lingkungan
Coastal Area Management Newsletter.
Hidup
Philippines. 4(3) : 14 – 17.
Foundation. Cetakan I, Juli 2001. 14 Hal.
Prahasta, Eddy. 2009. Konsep-Konsep Dasar Sistem Informasi Geografis.
Bandung:
Penerbit Informatika Bandung. Rafael Almeida Magris, Raquel Barreto “ Mapping and assessment of protection of mangrove habitats in Brazil”. Jurnal Penelitian PANAMJAS Volume 5, No. 4, Agustus 2010. Ramanathan, Saksham Dhanda, Suresh Kumar. Predicting Students’ Performance using Modified
ID3
Algorithm.
International
Journal of Engineering and Technology (IJET), Vol 5 No 3 Jun-Jul 2013 Saenger, P., E.J. Hegerl & J.D.S. Davie. 1983. Global Status of mangrove Ecosystems. IUCN Commission on Ecology Papers. Soerianegara, I. 1987. Masalah Penentuan Batas Lebar Jalur Hijau Hutan Mangrove. Prosiding
Seminar
III
Ekosistem
Mangrove. Jakarta. Tazin Malgundkar, Madhuri Rao, Dr. S.S. Mantha.
GIS
Driven
Urban
Traffic
Analysis Based On Ontology. International Journal
of
Managing
2
Information
Technology Volume 4, No. 1, February 2012 Veron, J. E. N. 1986. Coral of Australia and The Indo-Pasific. The Australian Institute of Marine Science. Angus & Roberton Publishers. Australia. 644 p.
8
Bali.
PPLH
Bali
dan
PADI
