KLASIFIKASI TERUMBU KARANG DENGAN METODE ID3
KLASIFIKASI TERUMBU KARANG DENGAN METODE ID3 (PEMETAANDIGITAL DI KABUPATEN BINTANWan Yali Irmansah, Nerfita Nikentari, ST, M.Cs, Martaleli Bettiza, S.Si, M.ScJurusan Teknik Informatika, Fakultas Teknik, Universitas Maritim Raja Ali Haji (UMRAH)Jl. Politeknik Senggrang, Tanjungpinang 29115E-MAIL: wanyali@ymail.com, private.niken@gmail.com, mbettiza@gmail.comABSTRAKTerumbu karang merupakan ekosistem yang sangat rentan dan mudah mengalamikerusakan 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 terumbukarang dibutuhkan sistem yang bisa memantau dan menentukan lokasi. Untuk mengolahdan menganalisa data klasifikasi Terumbu Karang pihak Dinas Kelautan dan Perikananmasih melakukan pendataan maupun pengolahan data secara manual, yang belum terhitungdengan efisien. Akibatnya waktu lebih banyak terbuang dan dari segi hasil perhitungan jugabelum tentu akurat, tentu diperlukan waktu tambahan guna mengoptimalkan data klasifikasiterumbu karang tersebut. Dalam penelitian ini peneliti membangun aplikasi berbasis webuntuk menyelesaikan masalah penentuan Klasifikasi dengan menggunakan Standar KriteriaBaku Keputusan Menteri Negara Lingkungan Hidup Nomor 04 tahun 2001 tentangTerumbu Karang dan Keputusan Kementerian Lingkungan Hidup Nomor 51 Tahun 2004tentang Mutu Air Laut menggunakan metode algoritma ID3 dan Naive Bayes. Denganmetode algoritma ID3 dan Naive Bayes variabel yang digunakan dalam menentukanklasifikasi terumbu karang ialah tutupan, suhu, dan kecerahan. Dari penelitian yangdilakukan terhadap 30 lokasi data sample, metode algoritma ID3 menghasilkan hasilklasifikasi dengan akurasi 80 % dan Naive Bayes dengan tingkat akurasi 86%.Kata kunci : Terumbu Karang, Klasifikasi, ID3, Naive Bayes.ABSTRACCoral reefs ecosystem is very vulnerable and easily damaged due to the exploitation ofresources of the ocean , anchor , household waste , industry , agriculture , the use ofexplosives and fishing , coral mining , and clouding the waters due to the activity of themainland .In minimizing damage to coral reefs needed a system that can monitor anddetermining the location .To cultivate and analyzes data on the classification of coral reefsthe department of marine and fisheries are still doing data collection and data processingmanually , who has not been effective with efficient. As a result more time wasted and interms of the calculations also not necessarily accurate , of course needed extra time inorder 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 usingstandard criteria raw decision of the minister environmental number 04 year 2001 on coralreefs and the decision of the environmental ministry number 51 2004 about the quality ofsea water using methods and id3 algorithms naive bayes. With the methods and algorithmsid3 bayes ' naive variables that were used in determining classifications coral reefs isdungeon, temperature, and the brightness of.A research done on location data 30 sample amethod of id3 algorithms produce results classifications with accuracy 80 % and naivebayes ' with the level of accuracy of 86 %.Key Word: Coral Reefs, Classification, ID3, Naive Bayes1
maupunI. Pendahuluansituasi lokasi tersebut diperlukan sebuah sistemPerairan ini memiliki berbagai ekosistem lautuntuk menentukan lokasi. Sistem yang dapatyang merupakan tempat hidup dan memijahmembantu hal tersebut adalah sistem informasiikan-ikan laut seperti ekosistem mangrove,geografis.lamun dan terumbu karang. Mengingat 95,7%Sistem Informasi Geografis (SIG) sebagaiwilayah Provinsi Kepulauan Riau berupa laut,salah satu alat yang bermanfaat untuk menanganiekonomi kelautan dapat menjadi keunggulandata spasial dan menyimpan format digital.kompetitif menuju Provinsi Kepulauan RiauSistem Informasi Geografis (SIG) juga dapatyang maju, adil-makmur, dan bermartabat.digunakan sebagai alat bantu utama yangEkosistem terumbu karang merupakaninteraktif, menarik, dan menantang di dalambagian dari ekosistem laut yang penting karenausaha-usaha untuk meningkatkan pemahaman,menjadi sumber kehidupan bagi beraneka ragampengertian,biota laut. Di dalam ekosistem terumbu karanglokasi,ini biasa hidup lebih dari 300 jenis karang, yangRusak. Sehingga Klasifikasi Terumbu Karangtersebut efektif dan akurat.Metode Naive Bayes menghitung peluangkarang dapat berkembang dengan baik didaerahkriteria – kriteria terumbu karang dari masing –tropis. memijah, berkembangnya larva, danmasingmencari maka bagi banyak sekali biota laut yangkelompokatributyangada,danmenentukan klasifikasi yang optimal.sebagaian besar mempunyai nilai ekonomisBerdasarkan penjelasan di atas, yangtinggi dan (2) hilangnya pelindung pulau darimelatar belakangi penulis untuk membuat suatudampak kenaikan permukaan laut. Jika tidak adapenelitian yang berjudul Klasifikasi Terumbukarang batu yang menghasilkan sedimen kapur,Karang Dengan Metode ID3 dan Naive Bayesmaka fungsi terumbu karang sebagai pemecahkarenaunsur-unsurTerumbu Karang dengan klasifikasi Baik danfungsi-fungsiyaitu (1) hilangnya habitat tempat terumbuberkurangdanMetode ID3 mengolah berbagai kriteria - kriteriadapatekologis terumbu karang yang sangat penting,akan(spasial),konsepTerumbu Karang adalah ID3 dan Naive Bayes.lamun dan biota lainnya (Dahuri, 2000).ombakruangmengenaiMetode yang digunakan untuk klasifikasipuluh jenis moluska, crustacean, sponge, alga,terganggunyapembelajarangeografis yang terdapat di permukaan bumi.terdiri dari sekitar 200 jenis ikan dan berpuluh-mengakibatkanyangkarang itu sendiri. Untuk mengetahui tingkatyang cukup andal bila dikelola dengan baik.karangkepunahantidak mengetahui penting dan manfaat terumbuKepulauan Riau memiliki potensi sumberdayaterumbudaridiakibatan oleh ulah segelintir masyarakat yangSumber daya pesisir, Kabupaten BintanRusaknyaditangani(Pemetaan Digital di Kabupaten Bintan) dapatsemakindigunakandalamnya air sehingga abrasi pantai akan secarasebagaisuatualatdalammenampilkan informasi Terumbu Karang.perlahan semakin intensif (Mahmudi, 2003).Oleh karena itu, terumbu karang yang adaII.dari yang masih baik maupun yang kritis. AgarKerangka TeoriA. Algoritma ID3Algoritma ID3 atau Iterative Dichotomiserkelestarian3 (ID3) merupakan sebuah metode yangdi Kabupaten Bintan perlu dipantau lokasinyaTerumbuKarangdapatdijaga2
digunakan untuk membuat pohon keputusansemua data telah termasuk dalam kelasyang telah dikembangkan oleh J. Ross Quinlanyang sama. Atribut yang telah dipilih tidaktahun 1986. Algoritma ini menggunakandiikutkan lagi dalam perhitungan nilaikonsep dari entropy informasi. Algoritma ID3information gain.dapat diimplementasikan menggunakan fungsirekursif (fungsi yang memanggil dirinyaB.sendiri (Holisatul, 2013)Naive BayesMetode algoritma Bayesian merupakanlangkah kerja Algoritma ID3 sebagaipendekatan statistik untuk melakukan inferensiberikut :induksi pada persoalan klasifikasi. Klasifikasi1. Hitung Entropy dan Information gain dariBayesian adalah klasifikasi statistik yang bisasetiap atribut dengan menggunakan rumus:memprediksiprobabilitasKlasifikasi BayesianEntropy (S) - P log2 P – P- log2 P-sebuahkelas.ini dihitung berdasarkanTeorema Bayes ini:S ruang (data) sample yang digunakanP (Ci X) untuk training.P jumlahyangbersolusipositif(mendukung) pada data sample untuk kriteriaX : Data dengan kelas yang belum diketahuitertentu.Ci : Hipotesis data X merupakan suatu classP- jumlah yang bersolusi negatif (tidakspesifikmendukung) pada data sample untuk kriteriaP(Ci X) : probabilitas hipotesis Ci berdasarkan Xtertentu.P (Ci) : probabilitas hipotesis CiP (X Ci) : Probabilitas X berdasarkan kondisiGain (S, A) Entropy (S) -pad hipotesis CiEntropy (Sv)Untuk menentukan pilihan kelas, digunakanS ruang (data) sample yang digunakan untukpeluag maksimal dari Ci dengan fungsi :training.A atribut.argamax V suatu nilai yang mungkin untuk atribut ANilai(A) himpunan yang mungkin untukkarena 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-sampleargamax P(X Ci) P(Ci)yang memiliki nilai V.2. PilihatributyangmemilikinilaiIII. Kajian Terdahuluinformation gain terbesar.A. Jurnal Mapping and assessment of protection3. Bentuk simpul yang berisi atribut tersebut.of mangrove habitats in Brazil,4. Ulangi proses perhitungan information gainRafaelAlmeida Magris dan Raquel Barreto. Studiyang akan terus dilaksanakan sampai3
ini diB. Perancangan SistemseluruhPerancanganpesisirdengantampak pada gambar-gambar formasigeografis (GIS) di seluruh pantai Brasil.B. Menurut Bagus dkk ementasi Sistem Pendukung KeputusanUntuk Jalan Menggunakan Metode ID3(Studi Kasus Bappeda Kota Salatiga). SisteminidibuatuntukGambar 2. DFD Level 0mengawasi,menyelenggarakan, dan merawat jalan yangV.berada di Kota Salatiga.PEMBAHASAN1. ID3C. International Journal of Engineering andA. Penentuan AttributTechnology (IJET), Ramanathan, SakshamAtribut yang ditetapkan pada studi kasusDhanda, Suresh Kumar. Melakukan studiini ada 3 parameter / atribut. Tabel di bawahmembahas tentang bagaimana memperediksiini adalah tabel atribut untuk menentukanhasil kinerja siswa dengan metode ID3 untukkriteria baku terumbu karang yang diperolehpeningkatan kualitas pendidikan tinggi.D. penelitiantentengdari Keputusan Menteri Negara limbapabrikKabupatenSidoarjo.SistemHidup Nomor 04 tahun 2001 tentang an Menteri Negara Lingkungan HidupdiNomor 51 tahun 2004 tentang kriteria bakuInformasimutu air laut.Geografis ini dibuat berbasis web, enggunakan ketentuan baku mutu limbahcairkawasan industry surat keputusanMentri Negara Lingkungan Hidup, denganSuhuperhitungan ini dapat diketahui pencemaranKecerahanlimba cair yang dihasilkan pabrik dikawasanValueBurukSedangBaikBaik SekaliBaikBurukBaikBurukRange0 – 24,925 – 49,950 – 74,975 – 10028 – 30 28 – 30 5 5KetPersen %Dalam ºCDalam (m)Sidoarjo.B. Menghitung Entropy Dan Information gainPada tahap ini akan menghitung EntropyIV. METODE PENELITIANdanA. Metode Pengumpulan DataInformationGainmenggunakanPengumpulan data- data yang dibutuhkanpersamaan 2.1 dan persamaan 2.2 pada bab II.dari dinas terkait yaitu Dinas Kelautan danDimanaPerikanan Kabupaten Bintan.information gain membutuhkan data sampleuntukmenghitungentropydanterumbu karang dengan hasil yang ditentukan4
dari persaman 2.3 yang menentukan kualitasGain (S, Kecerahan) 0.721928095 –terumbu karang. 0.0679Hitung entropy :Tabel 3 Hasil Hitung Entropy Dan Information GainEntropy (S) [18 ,12-] -log2log2 0,9709Hitung Gain dari tutupan, suhu kecerahan untukAtributKategoriTutupanBaik SekaliBaikSedangBurukBaikBurukBaikBurukmenentukan gain: Attibut tutupan dengan nilai baik sekali, baik,Suhusedang, burukKecerahanS Baik sekali [5 , 0-] 9750,7793Informationgain0,54100.22850.0679 0Berdasarkan hasil perhitungan information gain,S Baik [4 , 3-] –tampak bahwa atribut tutupan akan menyediakan 0,9852S Sedang [3 , 3-] –prediksi terbaik untuk target atribut hasil.log2log2log2log2Tutupan 1Baik SekaliS Buruk [0 , 12-] – 0BaikGain (S, Tutupan) 0,9709 –BaikSedang?BurukRusakRusakGambar 3 Pohon 1Gambar 3 menjelaskan bahwa kriteria tutupan1–menjadi prioritas utama dalam menentukan hasil 0,5410kriteria terumbu karang, dan diketahui jika nilai Attibut suhu dengan nilai baik, buruktutupan buruk dan sedang maka hasilnya rusak, jikaS Baik [10 , 5-] –log2log2nilai tutupan baik sekali maka hasilnya diterima jika 0,9182S Buruk [2 , 13-] –log2nilai kriteria baik maka akan dilanjutkan ke langkahselanjutnya untuk mencari kriteria yang akanlog2menjadi penilaian. Tabel menunjukan data sample 0,5665Gain (S, Suhu)terumbu karang dengan kriteria tutupan yang 0.9709 –bernilai baik untuk mencari atribut selanjutnya.Tabel 4 Tabel Data Tutupan Kriteria Baik ikC18BaikC24BaikC3BaikHitung entropy: Attibut Kecerahan dengan nilai baik, burukS Baik [9 , 8-] –log2log2 0,9975S Buruk [3 , 10-] –log2log2 BaikBaikRusakRusakRusak
Entropy (S) [4 ,3-] - log2terlihat tutupan menjadi prioritas utama, disusullog2dengan suhu dan kecerahan. Maka dapat dibuat 0,9852peraturan sebagai berikut: Attibut suhu dengan nilai baik, burukS Baik [3 , 0-] – log2If tutupan baik sekali Then hasil rusaklog2If tutupan sedang Then hasil rusakIf tutupan buruk Then hasil rusak 0S Buruk [0 , 2-] – log2If tutupan baik And suhu baik Then hasil baiklog2If tutupan baik And suhu buruk Then hasil 0Gain (S, Suhu)rusak 0.9852 –If tutupan baik And kecerahan baik Then hasil 0,9852baik Attibut kecerahan dengan nilai baik, burukIf tutupan baik And kecerahan buruk Then hasilS Baik [1 , 0-] rusak – log2log2 02. Naive BayesS Buruk [0 , 2-] – log2log2A. Hitung Probabilitas Hasil ( P(Ci) ) 1Gain (S, Suhu)P(Ci X) 0.9183 –Sehingga diasumsikan : 0,7852P (Cbaik) P(Crusak) Tabel 5 Hasil hitung entropy dan information Entropy0001B. Hitung Probabilitas Kategori BerdasarkanInformationgain0,9852Kelayakan ( P(Ci X) )P(Kriteria i) 0,7852 Hasil Baik :P(tutupan Baik) TutupanBaik SekaliBaikSedangP(suhu Baik) BurukP(kecerahan Baik) SuhuBaikRusakRusak Hasil Rusak :BaikBurukBaikP(tutupan Rusak) KecerahanBaikBaikP(suhu Rusak) BurukP(kecerahan Rusak) C. HitungRusakNilaiBayesian(argamaxP(X Ci)P(Ci))Gambar 4 Pohon AkhirP (Cbaik X)Gambar 4 merupakan hasil pohon keputusan dari 0,0824data sample terumbu karang. Dari pohon keputusan6x
P (Crusak X) KeputusanunutkxMetode BappedaVol. 9. No.2, Agustus 2012 : 101 – 200dariBaker dan Kaeoniam,1986 dalam Damanhuri.perhitungan di atas adalah : 0,0824. Sehinggadapat(StudiMenggunakanSalatiga). Jurnal Teknologi Informasi-Aiti,Dari hasil contoh perhitungan di atas, makadapatID3JalanH., 2003. Terumbu Karang Kita. JurnalmenghasilkanMangrove dan Pesisir Vol. III No. 2. Pusatklasifikasi Baik.Kajian Mangrove dan Kawasan PesisirUniversitas Bung Hatta. Hal. 28 – 33.VI. KESIMPULAN DAN SARANDahuri, R. 2000. Pendayagunaan sumberdayaA. KESIMPULANkelautan untuk kesejahteraan masyarakat.1. Hasil perbandingan dengan metode ID3LISPI. Jakarta.dan Naive Bayes dari penelitian yangDarwin,dilakukan terhadap 30 data sample, metode25. Coral Reef. Elsevier. Amsterdam. 1990.Dinas Kelautan Dan Perikanan KabupatenElly, Muhamad Jafar. 2009. Sistem InformasiBintan. Data kesamaan ID3 dengan dinasGeografi Menggunakan Aplikasi ArcViewdata 24 data dengan persentase kesamaan3.280 % dan kesamaan data Naive Bayesdinas26datamenjadimetode yangERMapper6.4.Yogyakarta:Harudin. A, Edi Purwanto, Sri Budiastuti.2011.tingkatDampakTerumbukesamaan lebih tinggi diatas n Ikan Oleh Nelayan SecaraB. SARANAdadanPenerbit Graha Ilmu.denganpersentase 86 %. Sehingga metode NaiveBayesanded. Pages 1 – 8 p. Ecosystems of the Workdkesamaan hasil klasifikasi berdasarkan datadata1842. The StructureDistribution of Coral Reefs in Dubinsky, Z.ID3 dan Naive Bayes menghasilkan jumlahdenganC.R.beberapasaranyangTradisional di Pulau Siompu KabupatenperluButon Provinsi Sulawasi Tenggara. Jurnaldisampaikan dalam penelitian ini, yaitu :EKOSAINS, Vol. III, No. 3, November1. Pada sistem ini, Terumbu Karang yang2011.tersedia hanya di Kabupaten BintanHolisatul Munawaroh, Bain Kusnul, Yenisehingga diharapkan dapat ditambahKustiyahningsih.untuk didaerah lainnya.2013.PerbandinganAlgoritma ID3 dan C5.0 Dalam Identifikasi2. Diharapkan Sistem ini dapat berkembangPenjurusan Siswa SMA. Vol. 1, No. 1, Junisusuai zaman dan tidak berbasis web lagi2013, hlm 1-12.tetapi dapat dikembanggkan dan berjalanMahmudi M, 2003. Studi Kondisi Ekosistemdi platform seperti Android, IOS nya (Studi Kasus Di TelukSemut Sendang Biru Malang) PengantarFalsafahVII. DAFTAR mSains(PPS702)ProgramPascasarjana/S3 Institut Pertanian Bogor.DanPendukung7
erativeDamanhuri. H., 2003. Terumbu KarangDichotomizer 3 ( ID3 ) Untuk PenyeleksianKita. Jurnal Mangrove dan Pesisir Vol. IIIPenerimaanNo.PendidikanTeknologiKawasan Pesisir Universitas Bung Hatta.Komunikasi(PTIK),Hal. 28 – 33.Desember 20092.Pusat Kajian MangrovedanNash, S.V. 1989. Reef Diversity Index SurveyMethodForNonspecialist.Welly Vol.2.TerumbudanNo.KarangLestari. Pusat Pendidikan LingkunganCoastal Area Management Newsletter.HidupPhilippines. 4(3) : 14 – 17.Foundation. Cetakan I, Juli 2001. 14 Hal.Prahasta, Eddy. 2009. Konsep-Konsep DasarSistem Informasi Geografis.Bandung:Penerbit Informatika Bandung.Rafael Almeida Magris, Raquel Barreto “Mapping and assessment of protection ofmangrove habitats in Brazil”. JurnalPenelitian PANAMJAS Volume 5, No. 4,Agustus 2010.Ramanathan, Saksham Dhanda, Suresh Kumar.Predicting Students’ Performance usingModifiedID3Algorithm.InternationalJournal of Engineering and Technology(IJET), Vol 5 No 3 Jun-Jul 2013Saenger, P., E.J. Hegerl & J.D.S. Davie. 1983.Global Status of mangrove Ecosystems.IUCN Commission on Ecology Papers.Soerianegara, I. 1987. Masalah PenentuanBatas Lebar Jalur Hijau Hutan Mangrove.ProsidingSeminarIIIEkosistemMangrove. Jakarta.Tazin Malgundkar, Madhuri Rao, Dr. S.S.Mantha.GISDrivenUrbanTrafficAnalysis Based On Ontology. gy Volume 4, No. 1, February2012Veron, J. E. N. 1986. Coral of Australia andThe Indo-Pasific. The Australian Instituteof Marine Science. Angus & RobertonPublishers. Australia. 644 p.8Bali.PPLHBalidanPADI
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, s
PENELITIAN Metode penelitian yang digunakan dapat dipilih sesuai dengan masalah dan tujuan penelitian yang hendak dicapai. Secara umum, metode yang digunakan dalam penelitian yaitu (a) metode deskriptif, (b) metode eksperimen, (c) metode historis, (d) metode pengembangan, (e) metode tindakan, dan (f) metode kualitatif.
7. Metode Exstended Quadratic Interior Point (EQIP) Sama dengan metode Karmakar, metode EQIP merupakan salah satu metode untuk menyelesaikan masalah program linier. Metode EQIP adalah metode deterministik yang merupakan pengembangan metode Karmakar. Metode EQIP dikembangakan oleh James A. Momoh. Metode EQIP bisa digunakan untuk
tropis kelompok target tersebut adalah 30 % dari jenis yang biasa hidup di terumbu karang. Jadi pada lokasi tertentu di perairan pulau-pulau terluar Nanggroe Aceh memiliki jenis ikan konsumsi yang relatif tinggi dari normalnya, meskipun dari sisi jumlah individu
Metode drill dan metode demonstrasi merupakan metode yang cocok digunakan untuk melatih kemandirian anak tunagrahita menjalankan ibadah mahdhah. Sebab mereka memiliki keterbatasan IQ, memori yang sangat pendek dan selalu bergantung dengan orang lain. Dan kedua metode tersebut bisa digabungkan dengan metode-metode yang
Terdapat beberapa metode perhitungan curah hujan, antara lain; metode perhitungan rata-rata aljabar, metode . isohyet, dan metode poligon . thiessen. Metode perhitungan rata-rata aritmatik atau juga disebut . arithmatic mean . merupakan cara sederhana yang dapat digunakan dalam menghitung curah hujan. Metode . arithmatic mean. biasanya digunakan untuk daerah yang datar dengan jumlah pos curah .
2). Bagaimana dampak lingkungan sosial terhadap kenakalan remaja di desa karang tengah. Adapun tujuan penelitian ini adalah untuk mengetahui gambaran kenakalan remaja pada masyarakat desa karang, untuk mengetahui seberapa besar pengaruh lingkungan masyarakat terhadap kenakalan remaja di desa karang tengah. Untuk mengungkap persoalan
biasa digunakan dalam pembelajaran IPA diantaranya metode ceramah, demonstrasi, eksperimen dan diskusi. Selain itu ada metode-metode lain yang dapat dilakukan seperti metode proyek, brainstorming, bermain peran dan karyawisata. Pada pelaksanaannya setiap metode pembelajaran memiliki langkah-langkah yang berbeda.
1 Overview ramminglanguagethatcanbeused byGuidoVanRossuminthe .
