Sistem Penunjang Keputusan Untuk Identifikasi Kelelawar Menggunakan Random Forest Dan C5.0

Abstract

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.