simpanan karbon padang lamun di kawasan pantai sanur, kota ...
KLASIFIKASI PADANG LAMUN DENGAN METODE C4.5...
Transcript of KLASIFIKASI PADANG LAMUN DENGAN METODE C4.5...
1
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]
A B S T R A K
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
A B S T R A C
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 atau berdiri sendiri tetapi
berinteraksi dengan kedua ekosistem
2
tersebut. oleh karena itu Indonesia di kenal
sebagai Negara Maritim. Perairan laut
Indonesia kaya akan berbagai biota laut baik
flora maupun fauna. Demikian luas serta
keragaman jasad-jasad hidup di dalam yang
kesemuanya membentuk dinamika
kehidupan di laut yang saling
berkesinambungan.
Padang lamun merupakan salah
satu komunitas yang paling produktif, selain
hutan mangrove dan terumbu karang pada
perairan pesisir pantai. Sejak tahun 1950-an,
daerah yang tertutup oleh padang zosterasa
marina telah merosot akibat populasi,
reklamasi dan urbanisasi disekeliling pantai
(Komatus, 1996).
Oleh karna itu, padang lamun harus
di pantau karna lamun merupakan bagian
dari beberapa ekosistem dari wilayah pesisir
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.
Anon (2001) Sistem Informasi
Geografis adalah suatu sistem informasi
yang dapat memadukan antara data grafis
(spasial) dengan data teks (atribut) objek
yang dihubungkan secara geogrfis di bumi
(georeference).
Algoritma C4.5 merupakan
pembangun pohon keputusan hal pertama
yang dilakukan yaitu memilih atribut
sebagai akar. Kemudian dibuat cabang untuk
tiap-tiap nilai didalam akar tersebut.
Langkah berikutnya yaitu membagi kasus
dalam cabang. Kemudian ulangi proses
untuk setiap cabang sampai semua kasus
pada cabang memiliki kelas yang sama,
dengan algoritma ini kita dapat
mengklasifikasikan jenis-jenis lamun yang
ada di pulau Bintan.
Berdasarkan penjelasan di atas
melatar belakangi penulis untuk membuat
suatu penelitian yang berjudul “Analisa
Klasifikasi Jenis-jenis Lamun Dengan
Metode C4.5 (Pemetaan Digital di
Kabupaten Bintan)” yang dapat digunakan
sebagai suatu alat dalam menampilkan
informasi seputar lokasi-lokasi dan
klasifikasi dari jenis-jenis lamun yang ada di
pulau Bintan.
.
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
merepresentasikan aturan. Aturan dapat
dengan mudah dipahami dengan bahasa
alami. Aturan ini juga dapat
diekspresikan dalam bentuk bahasa
basis data seperti SQL untuk mencari
record pada kategori tertentu. Pohon
keputusan juga berguna untuk
mengeksplorasi data, menemukan
hubungan tersembunyi antara sejumlah
calon variabel input dengan sebuah
variabel target. Karena pohon keputusan
memadukan antara eksplorasi data dan
3
pemodelan, pohon keputusan ini sangat
bagus sebagai langkah awal dalam
proses pemodelan bahkan ketika
dijadikan sebagai model akhir dari
beberapa teknik lain.
Tan dkk (2004). Dalam situasi
lain kemampuan untuk menjelaskan
alasan pengambilan keputusan adalah
sesuatu yang sangat penting. Misalnya
pada perusahaan asuransi ada larangan
resmi untuk mendeskriminasi
berdasarkan variabel-variabel tertentu.
Perusahaan asuransi dapat mencari
sendiri keadaan yang mencerminkan
bahwa mereka tidak menggunakan
deskriminasi yang ilegal dalam
memutuskan seseorang diterima atau
ditolak. Sebuah pohon keputusan adalah
sebuah struktur yang dapat digunakan
untuk membagi kumpulan data yang
besar menjadi himpunan-himpunan
record yang lebih kecil dengan
menerapkan serangkaian aturan
keputusan. Anggota himpunan hasil
menjadi mirip satu dengan yang lain
dengan masing-masing rangkaian
pembagian. Sebuah model pohon
keputusan terdiri dari sekumpulan
aturan untuk membagi sejumlah
populasi yang heterogen menjadi lebih
kecil, lebih homogen dengan
memperhatikan pada variabel tujuannya.
Sebuah pohon keputusan mungkin
dibangun dengan seksama secara
manual, atau dapat tumbuh secara
otomatis dengan menerapkan salah satu
atau beberapa algoritma pohon
keputusan untuk memodelkan himpunan
data yang belum terklasifikasi.
Kelebihan dari metode pohon
keputusan adalah:
1. Daerah pengambilan keputusan
yang sebelumnya kompleks dan sangat
global, dapat diubah menjadi lebih
simpel dan spesifik.
2. Eliminasi perhitungan-perhitungan
yang tidak diperlukan, karena
ketika menggunakan metode pohon
keputusan maka sampel diuji hanya
berdasarkan kriteria atau kelas
tertentu.
3. Fleksibel untuk memilih fitur dari
node internal yang berbeda, fitur
yang terpilih akan membedakan
suatu kriteria dibandingkan kriteria
yang lain dalam node yang sama.
Kefleksibelan metode pohon
keputusan ini meningkatkan
kualitas keputusan yang dihasilkan
jika dibandingkan ketika
menggunakan metode
penghitungan satu tahap yang lebih
konvensional.
4. Dalam analisis multivarian, dengan
kriteria dan kelas yang jumlahnya
sangat banyak, seorang penguji
biasanya perlu mengestimasikan
baik itu distribusi dimensi tinggi
ataupun parameter tertentu dari
distribusi kelas tersebut. Metode
pohon keputusan dapat
menghindari munculnya
permasalahan ini dengan
menggunakan kriteria yang
4
jumlahnya lebih sedikit pada setiap
node internal tanpa banyak
mengurangi kualitas keputusan
yang dihasilkan.
Kekurangan pada pohon
keputusan adalah:
1. Terjadi overlapping terutama ketika
kelas-kelas dan kriteria yang
digunakan jumlahnya sangat banyak.
Hal tersebut juga dapat menyebabkan
meningkatnya waktu pengambilan
keputusan dan jumlah memori yang
diperlukan.
2. Pengakumulasian jumlah kesalahan
dari setiap tingkat dalam sebuah
pohon keputusan yang besar.
3. Kesulitan dalam mendesain pohon
keputusan yang optimal.
4. Hasil kualitas keputusan yang
didapatkan dari metode pohon
keputusan sangat tergantung pada
bagaimana pohon tersebut didesain.
B. Perhitungan Data Menjadi Model
Tree
Sebelum kita menuju ke arah
ekstraksi data ke dalam bentuk
model tree, tentumya ada beberapa
proses yang harus diperhatikan
dalam pembentukan struktur pohon
ini, yaitu:
a. Pilih root berdasarkan gain ratio
terbesar
b. Pilih internal root /cabang root
berdasar gain ratio terbesar setelah
menghapus atribut yang telah
terpilih sebagai root.
c. Ulangi sampai semua atribut
terhitung nilai gain rationya.
Parameter yang tepat digunakan
untuk mengukur efektifitas suatu
atribut dalam melakukan teknik
pengklasifikasian sampel data, salah
satunya adalah dengan menggunakan
information gain.Sebelum mencari
nilai gain, terlebih dahulu mencari
peluang kemunculan suatu record
dalam atribut (entropy)
1. Penghitungan Nilai Entropy Untuk
mendapatkan nilai information gain,
terlebih dahulu kita harus
mengetahui parameter lain yang
mempengaruhi nilai gain, dimana
parameter ini sangat diperlukan
untuk mendapatkan nilai gain.
Parameter tersebut adalah
entropy.Parameter ini sering
digunakan untuk mengukur
heterogenitas suatu kumpulan
sampel data. Secara matematis nilai
entropy dapat dihitung dengan
menggunakan formula sebagai
berikut :
Entropy (S) = − 𝑃𝑖 × log2 𝑃𝑖𝑐𝑖=1
C = jumlah nilai yang ada pada atribut
target (jumlah kelas)
Pi = jumlah sampel pada kelas i
Dari formula diatas dapat kita cermati
bahwa apabila hanya terdapat 2 kelas
dan dari kedua kelas tersebut
memiliki komposisi jumlah sampel
yang sama, maka entropynya = 0.
5
2. Perhitungan information gain
Ketika kita sudah mendapatkan nilai
entropy, maka langkah selanjutnya
adalah melakukan perhitungan
terhadap information gain.
Berdasarkan perhitungan matematis
information gain dari suatu atribut A
dapat diformulasikan sebagai
berikut :
Gain (S, A) = Entropy(S) – ( 𝑆𝑣
𝑆 𝑛𝑖=1 Entropy(Si))
A : atribut V : menyatakan suatu nilai
yang mungkin untuk atribut A Values
(A) : himpunan nilai-nilai yang
mungkin untuk atribut A .
|Sv| : jumlah smpel untuk nilai v
|S| : jumlah seluruh sampel data
Entropy (S) : entropy untuk sampel-
sampel yang memiliki nilai v
3. Gain ratio
Untuk menghitung gain ratio kita
perlu ketahui suatu term baru yang
disebut split information. Split
information dihitung dengan formula
sebagai berikut:
Dimana :
Split information = – 𝑆𝑖
𝑆 log
𝑆𝑖
𝑆 𝑐𝑡=1
S1 sampai Sc adalah c subset yang
dihasilkan dari pemecahan S dengan
menggunakan atribut A yang
mempunyai banyak C nilai.
Selanjutnya gain ratio dihitung
dengan cara
Gain ratio =𝐺𝑎𝑖𝑛
𝑠𝑝𝑙𝑖𝑡 𝑖𝑛𝑓𝑜𝑟𝑚𝑎𝑡𝑖𝑜𝑛
Sumber : Achmad Basuki dan Iwan Syarif.
2003
C. Algoritma C4.5
Berikut ini adalah algoritma C4.5 :
Input : sample training, label training,
atribut.
Membuat simpul akar untuk pohon
yang dibuat
Jika semua sample positif, berhenti
dengan suatu pohon dengan satu
simpul akar, beri label (+)
Jika semua sample negatif, berhenti
dengan suatu pohon degan satu
simpul akar, beri label (-)
Jika atribut kosong, berhenti dengan
suatu pohon dengan satu simpul akar,
dengan label sesuai nilai yang
terbanyak yang ada pada label
training
Untuk yang lain, mulai
o A atribut yang
mengklasifikasikan sampel
dengan hasil terbantik
(berdasarkan gain ratio)
o Atribut keputusan untuk
simpul akar A
o 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 Algoritma C4.5 Dalam
Pengambilan Keputusan Permohonan
Kredit Oleh Debitur. Menjelaskan dalam
6
jurnalnya bagaimana kinerja algoritma
pohon keputusan C4.5 pada identifikasi
kelayakan kredit oleh debitur. Dimana pada
algoritma C4.5 pemilihan root dan parent
bukan hanya berdasar information gain saja
tetapi juga split information untuk
mendapatkan Gain Ratio. Dataset yang
digunakan dalam penelitian ini yaitu
sebanyak 1000 data dengan proporsi 70%
disetujui dan 30% data debitur yang ditolak.
B. Sunjana menjelaskan dalam jurnalnya yang
berjudul Klasifikasi Data Nasabah Sebuah
Asuransi Menggunakan Algoritma C4.5
tentang penambangan data (data mining)
nasabah sebuah perusahaan asuransi untuk
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
pola yang telah dibuat digunakan untuk
memperkirakan nasabah yang bergabung,
sehingga perusahaan bisa mengambil
keputusan menerima atau menoak calon
nasabah tersebut
C. Dai wei dan Ji wei (2014) dalam jurnalnya
yang berjudul A Map Reduce
Implementation of C4.5 Decision Tree
Algorithm menjelaskan tentang bagaimana
menggunakan algoritma C4.5 menjadi
serangkaian peta kecil. Dalam penelitian ini
dilakukan pendesignan beberapa data
struktur dan juga melakukan percobaan yang
luas pada dataset kemudian pada hasil akhir
akan tampak keefisienan waktu dan
skalabilitas dari pemetaan yang dibuat.
IV. METODE PENELITIAN
A. Metode Pengumpulan Data
Pengumpulan data dalam penelitian
ini dari Keputusan Mentri Negara
ingkungan Hidup No 200 Tahun
2004,Dinas Kelautan dan Perikanan
Kabupaten Bintan, terjun kepalangan
secara langsung dan wawancara
terhadap beberapa responden dalam
pembangunan aplikasi ini..
B. Perancangan Sistem
Perancangan system ini seperti yang
tampak pada gambar-gambar berikut;
Gambar 1. DFD Level 0
DFD Level 0 digunakan untuk
menggambarkan bagaimana system
akan dibangun.
V. PEMBAHASAN
A. Penentuan Attribut
Atribut yang ditetapkan pada studi
kasus ini ada 6 parameter / atribut.
Tabel di bawah ini adalah tabel
atribut untuk menentukan jenis
padang lamun dari morfologi daun.
7
Tabel 1 Tabel Atribut Padang Lamun
No
Daun
Lamun Bentuk Jumlah
Tulang
Panjang Lebar Bentuk
ujung
Bentuk
pingggir
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.
8
Tabel 2 Tabel Data Training Stasiun 1
No
Daun
Lamun Bentuk Jumlah Tulang
Panjang Lebar Bentuk ujung
Bentuk pingggir
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
No
Daun
Lamun Bentuk Jumlah
Tulang
Panjang Lebar Bentuk
ujung
Bentuk
pingggir
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
9
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
No
Daun
Lamun Bentuk Jumlah
Tulang
Panjang Lebar Bentuk
ujung
Bentuk
pingggir
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)
Jumlah
kasus
(S)
Enhalus
acoroides
(S1)
Thalassia
hempricii
(S2)
Halophila
ovalis
(S3)
Halodule
uninervis
(S4)
Cymodocea
serrulata
(S5)
Entropy Gain Info
split
Gain
ratio
1 Total 33 9 6 6 6 6 2.2996
Bentuk 1.3093 1.3091 1.0001
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
0.8742 2.4615 0.3351
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
<3 6 0 0 0 6 0 0
10
13-17 8 0 2 0 0 6 0.8111
Panjang 1.4354 1.4351 1000209
100-299
18 0 6 6 0 6 1.5846
300-
1500
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 0.9167 2.0977 0.4370
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 1.4950 1.4946 1.000267
Tumpul 15 9 0 0 0 6 0.9707
Bulat 12 0 6 0 0 6 1
Trisula 6 0 0 0 6 0 0
Bentuk
pinggir
1.8585 1.8582 1.0001
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
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 Gain Info split
Gain ratio
1.1 Bentuk
ujung – Tumpul
15 9 0 0 0 6 0.9707
Bentuk 0 0 0
11
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
0.9707 2.0281 0.3929
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 0.9707 0.9707 1
100-
299
6 0 0 0 0 6 0
300-
1500
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 0.
9707
1.7597 0.5137
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
0.9707 0.
9707
1
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
12
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 Gain Info split
Gain ratio
1.2 Bentuk
ujung –
bulat
12 0 0 6 0 6 1
Bentuk 1 1 1
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
0 1 0
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 0 0 0
100-
300
12 0 0 6 0 6 0
300-
1500
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 1 1.7986 0.5559
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
13
Bentuk
pinggir
1 1 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
14
C. Proses Pohon Keputusan
Algoritma C4.5
Dari tabel 5, 6, dan 7 dapat di ketahui
hasil perhitungan Algoritma C4.5 dan
dapat dibuat hasil pohon keputusan
akhir dari Algoritma C4.5
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 memberikan informasi
jenis – jenis lamun yang telah
diklasifikasi dari sistem 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 untuk
didaerah lainnya.
2. Diharapkan sistem ini dapat
berkembang sesuai zaman dan
tidak berbasis web lagi tetapi
dapat dikembanggkan dan
berjalan di platform seperti
Android, IOS dan Blackbery.
VII. DAFTAR PUSTAKA
Anon, 2001. Sistem Informasi
Geografis (SIG)
“http://mbojo.wordpress.com/20
07/04/08/sistem-informasi-
geografi-sig/”. Di akses tanggal
14 Oktober 2014.
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/implementasi-
klasifikasi-decision-tree-dengan-
algoritma-c4-5-dalam-
pengambilan-keputusan-
permohonan-kredit-oleh-debitur-
studi-kasus-bank-pasar-daerah-
istimewa-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
15
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.