Optimasi Klasifikasi Random Forest dengan Algoritme Genetika untuk Identifikasi Mutu Beras

Abstract

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.