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

mailto:[email protected]

mailto:[email protected]

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



4. Pita 12 183 8 Bulat Rata Thalassia hempricii



7. Oval 24 14 13 Bulat Halus Halophila ovalis



10. Linier 1 167 2.5 Trisula Begigi Halodule uninervis


12. Linier 1 117 3 Trisula Begigi Halodule uninervis

13. Pita 13 123 7 Tumpul Gergaji Cymodocea serrulata



Tabel 3 Data Training Stasiun 2

No

Daun

Lamun Bentuk Jumlah

Tulang


ujung

Bentuk

pingggir








9


9. Oval 20 11 13.5 Bulat Halus Halophila ovalis







Tabel 4 Data Training Stasiun 3

No

Daun

Lamun Bentuk Jumlah

Tulang


ujung

Bentuk

pingggir




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

http://mbojo.wordpress.com/2007/04/08/sistem-informasi-geografi-sig/



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.

KLASIFIKASI PADANG LAMUN DENGAN METODE C4.5...

Documents

Transcript of KLASIFIKASI PADANG LAMUN DENGAN METODE C4.5...