Sistem Penunjang Keputusan Untuk Identifikasi Kelelawar Menggunakan Random Forest Dan C5.0
View/ Open
Date
2016Author
Hidayat, Deden Sumirat
Sitanggang, Imas Sukaesih
Semiadi, Gono
Metadata
Show full item recordAbstract
Identifikasi kelelawar secara morfometris dan morfologi merupakan suatu
cara konvensional dan membutuhkan ketelitian, pengalaman yang signifikan,
pengetahuan ensiklopedik, serta waktu yang cukup lama karena pengamatan harus
dilakukan terhadap banyak individu spesies dan banyak parameter, sehingga
dibutuhkan keakuratan data koleksi referensi yang baik dan literatur yang relevan.
Beberapa ciri morfologi itu terkadang menyerupai dengan ciri spesies lain.
Berdasarkan beberapa penelitian sebelumnya metode klasifikasi yang digunakan
beragam, dari beberapa metode tersebut diperoleh hasil rata-rata akurasi
klasifikasi di atas 80%, dengan algoritme pohon keputusan random forest dan
C5.0 yang memiliki akurasi yang paling tinggi di atas 90%. Kunci identifikasi
atau fitur kelelawar yang ada sekarang ternyata belum dapat sepenuhnya dipakai
oleh banyak pihak dalam menentukan spesies secara akurat, karena terbatasnya
pengetahuan fitur yang paling berpengaruh menentukan spesies dan korelasi antar
fitur. Bahkan pada beberapa kasus hanya dengan beberapa fitur dapat menentukan
satu jenis kelelawar tanpa memperhatikan fitur lainnya.
Tujuan dari penelitian ini adalah menerapkan dan melakukan analisis
algoritme random forest dan C5.0 untuk mengetahui karakteristik dan identifikasi
jenis kelelawar serta membangun sistem penunjang keputusan (DSS) untuk
mengetahui karakteristik dan mengidentifikasi jenis kelelawar. Algoritme random
forest bekerja untuk menghasilkan aturan-aturan klasifikasi yang diturunkan dari
pohon keputusan yang selanjutnya aturan-aturan tersebut akan digunakan pada
dataset yang baru. Algoritme C5.0 berfungsi sebagai algoritme pembanding yang
akan melakukan klasifikasi data.
Algoritme random forest dan C5.0 diterapkan untuk mengetahui
karakteristik dan identifikasi jenis kelelawar kategori spesies umum, algoritme
C5.0 unggul dan terpilih dengan hasil rata-rata akurasi 98.98% sedangkan
algoritme random forest memiliki rata-rata akurasi 97.26%. Sebanyak 39 Aturan
spesies yang terpilih kemudian ditambah satu aturan untuk default class, sehingga
aturan yang akan diimplementasikan di DSS untuk mengidentifikasi spesies
umum adalah sebanyak 40 aturan. Selanjutnya aturan spesies umum tersebut
digabungkan dengan aturan hasil rekomendasi pakar sebanyak 11 aturan.
Sehingga total aturan yang akan diimplementasikan dalam DSS untuk
mengidentifikasi spesies umum (dengan atribut morfologi dan morfometri) dan
spesies langka (dengan atribut morfologi) adalah sebanyak 51 aturan. DSS
meliputi fitur utama identifikasi kelelawar, pengelolaan data spesies untuk
memperbaharui data spesies, dan pengelolaan atribut data kelelawar untuk
memperbaharui data atribut.