Optimasi Klasifikasi Random Forest dengan Algoritme Genetika untuk Identifikasi Mutu Beras
View/ Open
Date
2019Author
Ekasatria, Hendri
Hermadi, Irman
Arkeman, Yandra
Metadata
Show full item recordAbstract
Beras dianggap sebagai komoditas strategis yang dominan dalam
perekonomian Indonesia karena beras merupakan makanan pokok bagi sebagian
besar masyarakat. Namun, ada banyak masalah terkait komoditas ini, terutama yang
berkaitan dengan identifikasi kualitas. Teknik penilaian kualitas beras yang banyak
digunakan masih bersifat konvensional, sehingga peluang untuk mengembangkan
teknik penilaian kualitas beras berbasis teknologi komputasi dengan memanfaatkan
metode Machine Learning yang salah satunya adalah Random Forest, masih sangat
terbuka.
Random Forest adalah metode ensemble learning untuk klasifikasi dan
regresi dengan membentuk kombinasi beberapa pohon keputusan (CART Decision
Trees). Tujuan dari penelitian ini adalah untuk menemukan kombinasi pohon
keputusan- pohon keputusan yang memberikan akurasi tertinggi untuk model
klasifikasi Random Forest yang dibangun melalui optimasi dengan Algoritme
Genetika. Data yang digunakan adalah data sekunder berupa 4 set varietas padi
yang diperoleh dari Pusat Penelitian dan Pengembangan Pascapanen Pertanian,
Badan Penelitian dan Pengembangan Pertanian, Bogor. Berdasarkan hasil optimasi
diperoleh hasil akurasi optimal untuk masing-masing model klasifikasi Random
Forest yang telah dibangun. Akurasi optimal untuk varietas Cirata, Inpari 13, Inpari
19 dan Muncul Cimalaya secara berturut-turut adalah 97.50%, 94,00%, 97,24% dan
100%. Penggunaan metode stratifikasi gen memberikan hasil yang positif terhadap
peningkatan akurasi ketika proses optimasi Algoritme Genetika dilakukan terutama
optimasi model klasifikasi Random Forest untuk varietas Cirata dan Inpari 13.