KLASIFIKASI DATA PRODUKSI PADI PULAU JAWA MENGGUNAKAN ALGORITMECLASSIFICATION VERSION 4.5 (C4.5)

Transkripsi

1 KLASIFIKASI DATA PRODUKSI PADI PULAU JAWA MENGGUNAKAN ALGORITMECLASSIFICATION VERSION 4.5 (C4.5) Dwi Seyowai, Yuliana Susani, Supriyadi Wibowo Program Sudi Maemaika Fakulas Maemaika dan Ilmu Pengeahuan Alam Universias Sebelas Mare ABSTRAK. Padi merupakan anaman pangan yang banyak diproduksi masyaraka Indonesia. Jumlah penduduk Indonesia yang semakin meningka mengakibakan semakin inggi kebuuhan konsumsi pangan khususnya padi. Kebuuhan pangan yang meningka harus diimbangi dengan jumlah produksi yang meningka pula. Unuk menghindari jumlah impor beras yang berlebihan, perlu dilakukan opimalisasi produksi padi di koa/kabupaen. Peneliian ini berujuan mengklasifikasi daa produksi padi Pulau Jawa. Meode yang digunakan adalah klasifikasi dengan Algorime C4.5. Daa yang digunakan bersumber dari Badan Pusa Saisik. Berdasarkan hasil peneliian, klasifikasi daa produksi padi Pulau Jawa menghasilkan model pohon kepuusan dengan 9 auran klasifikasi dan 4 klasifikasi saus koa/kabupaen. Tingka keakuraan yang diperoleh dari pohon kepuusan sebesar 83.19% sehingga pohon kepuusan yang erbenuk cukup layak dalam mengklasifikasi produksi padi Pulau Jawa. Kaa kunci: klasifikasi, produksi padi, algorime C PENDAHULUAN Padi merupakan anaman pangan yang dikonsumsi oleh mayorias masyaraka Indonesia.Sampai saa ini keerganungan masyaraka Indonesia erhadap anaman pangan khususnya padi masih sanga besar. Menuru Las [9], padi merupakan makanan pokok yang dikonsumsi lebih dari seengah penduduk dunia dan padi mengandung sekiar 60-70% kalori.produksi padi di Indonesia dipengaruhi oleh fakor luar (eksernal) dan dalam (inernal).menuru Ina [7], fakor luar yang mempengaruhi produksi padi yaiu keadaan iklim dan geografis.keadaan iklim melipui curah hujan, suhu, cahaya maahari, air, dan musim.keadaan geografis melipui keinggian empa dan luas lahan.menuru Hanum [6], curah hujan yang cocok unuk perumbuhan anaman padi yaiu mm/ahun.padi umbuh subur pada keinggian mdpl dengan suhu 22 C-27 C sera pada keinggian mdpl dengan suhu 19 C-23 C. Indonesia juga merupakan penghasil komodias pangan erbesar eruama padi. Hampir di seiap daerah menghasilkan anaman pangan padi, salah saunya 1

2 di Pulau Jawa. Badan Pusa Saisik (BPS) mencaa bahwa angka produksi padi ahun 2015 mengalami kenaikan dibandingkan ahun 2014, yaiu sebanyak 2,31 jua on [1]. Produksi padi yang idak diimbangi dengan banyaknya kebuuhan padi dapa berdampak pada impor beras. Oleh karena iu, unuk menghindari impor beras perlu dilakukan sraegi yaiu mengopimalkan produksi padi koa/kabupaen di Pulau Jawa dengan eknik klasifikasi. Klasifikasi merupakan salah sau eknik dalam daa mining yang menggunakan pohon kepuusan unuk membenuk daa dalam grup aau kelas.salah sau algorime yang digunakan dalam pohon kepuusan adalah Algorime C4.5. Pada peneliian ini, dilakukan penerapan Algorime C4.5 unuk mengklasifikasi daa produksi padi Pulau Jawa ahun 2015 yang menghasilkan pohon kepuusan dan auran klasifikasi, sehingga dapa mengeahui saus koa/kabupaen di Pulau Jawa. 2. DATA MINING Daa mining didefinisikan sebagai proses menemukan pola dalam daa. Proses ini bekerja secara oomais aau semi oomais dan menghasilkan pola yang memberikan kemudahan bagi penelii. Pola ersebu diidenifikasi, divalidasi, dan digunakan unuk membua sebuah prediksi (Wien e al. [12]). Sebagaimana diulis oleh Larose [8], salah sau eknik yang dimiliki daa mining berdasarkan ujuan yang dicapai, yaiu klasifikasi. Klasifikasi merupakan proses yang berujuan membedakan kelas daa dalam beberapa kaegori. Menuru Han dan Kamber [5], pohon kepuusan adalah salah sau meode klasifikasi paling popular dan mudah unuk diinerpreasikan. Pohon kepuusan juga berguna unuk mengeksplorasi daa dan menemukan hubungan ersembunyi anara sejumlah variabel inpu (independen) dengan sebuah variabel arge (dependen). 3. ALGORITME C4.5 Algorime Classificaion Version 4.5 (C4.5) merupakan pengembangan dari Algorime Ieraive Dichoomiser 3 (ID3) yang diperkenalkan oleh Quinlan ahun 1993 (Quinlan [10]). Idenya yaiu membua pohon kepuusan dengan simpul awal sebagai aribu yang paling signifikan. Kelebihan dari Algorime C4.5 yaiu dapa menangani daa diskri dan koninyu. Langkah-langkah menggunakan Algorime C4.5 dalam membua sebuah pohon kepuusan (Florin [4]) yaiu: 2

3 1. Mempersiapkan daa raining, yaiu daa yang sudah dikaegorikan ke dalam kelas-kelas erenu. 2. Menghiung nilai gain raiosebagai percabangan awal. Ada beberapa langkah unuk menghiung nilai gain raio sebagai beriku. a. Enropy. Enropy adalah ukuran keberagaman dalam suau kumpulan daa. Semakin inggi nilai enropy maka semakin inggi ingka keberagaman. n Enropy(S) = i=1 p i x log 2 (p i ) (2.1) dengan S adalah himpunan kasus, n adalah banyaknya kelas, dan p i adalah proporsi S i erhadap S. b. Gain. Gain adalah ukuran efekivias dari aribu daa. n Gain(S, A) = Enropy(S) S i i=1 x Enropy(S) (2.2) dengan A adalah aribu, S i adalah banyakya kasus dalam S i, dan S adalah banyaknya kasus dalam S. c. Spli Informaion. Unuk menghiung gain raio perlu dikeahui suau erm baru yang disebu pemisahan informasi (spli informaion). n Spli Informaion = j=1 p j x log 2 (p j ) (2.3) dengan p j adalah proporsi S j erhadap S. d. Gain Raio. Gain raio digunakan dalam menenukan aribu sebagai simpul (Wei Ji, e al. [11]). Gain Raio = Gain Spli Informaion S. (2.4) 3. Ulangi langkah ke 2 dan langkah ke 3 hingga semua record erparisi. 4. Proses parisi pohon kepuusan akan berheni saasemua record dalam simpul A mendapa kelas yang sama. 4. CONFUSION MATRIX Menuru Bramer [2], confusion marix merupakan abel yang mencaa hasil kerja klasifikasi. Meode ini menggunakan abel mariks seperi pada Tabel 1. Correc Classificaion Tabel 1. Model Confusion Marix Classified Marix rue posiive false negaive - false Posiive rue negaive 3

4 Pengujian daa berdasarkan nilai akurasi, yaiu ukuran dari seberapa baikmodel mengkorelasi anara hasil dengan aribu dalam daa (Han dan Kamber [5]). Akurasi (%) = Jumlah daa yang benar jumlah daa yang diuji x 100% (2.5) Semakin inggi nilai akurasi maka semakin inggi keepaan model pohon kepuusan dalam melakukan proses klasifikasi. 5. METODE PENELITIAN Meode yang dierapkan dalam peneliian ini adalah Algorime C4.5. Langkah-langkah menggunakan AlgorimeC4.5 sebagai beriku. 1. Menghiung jumlah kasus unuk daa produksi di aas median aau di bawah median pada seiap aribu. 2. Menghiung nilai enropy, gain, spli informaion, dan gain raio menggunakan persamaan (2.1), (2.2), (2.3), dan (2.4). 3. Meneapkan salah sau aribu dengan nilai gain raio eringgi sebagai akar dan aribu dengan nilai gain raio eringgi berikunya sebagai cabang. 4. Proses akan berheni apabila semua kasus pada cabang memiliki kelas yang sama. Hasil yang diperoleh yaiu pohon kepuusan dan menginepreasikan pohon kepuusan berupa auran klasifikasi.unuk mengeahui keakuraan dari pohon kepuusan yang erbenuk, maka dilakukan pengujian akurasi erhadap daa yang elah diklasifikasi menggunakan Algorime C HASIL DAN PEMBAHASAN 6.1. Deskripsi Aribu Daa. Aribu yang digunakan erdiri dari suhu, curah hujan, luas panen, dan keinggian wilayah. Aribu berfungsi sebagai variabel inpu yang digunakan dalam penenuan variabel arge (produksi padi) yang diunjukkan pada Tabel Tabel 2.Kaegori Variabel Targe Jumlah Produksi (on) Produksi Padi di aas median <

5 Selain variabel arge, variabel inpu juga dikaegorikanke dalam kelas-kelas erenu sebagai ahapan proses klasifikasi. Pengkaegorian variabel inpu berdasarkan pendapa ahli yang diunjukkan pada Tabel 3 (Hanum [6]). Tabel 3. Kaegori Variabel Inpu Variabel Kaegori Keerangan > Ha Luas Luas Panen Ha Ha Sedang < Ha Sempi Keinggian mdpl > 27 C Tinggi Suhu 22 C 27 C Cukup Keinggian mdpl > 23 C Tinggi 19 C 23 C Cukup > 2000 mm/ahun Tinggi Curah Hujan mm/ahun Cukup < 1500 mm/ahun Rendah Keinggian mdpl Rendah mdpl Tinggi 7.1. Analisis Algorime C4.5. Beriku adalah penjelasan dalam pembenukan pohon kepuusan menggunakan Algorime C Menenukan node akar. Langkah awal yang dilakukan yaiu menghiung nilai enropy, gain, spli informaion, dan gain raio. Ierasi Aribu Gain Spli Info Gain Raio 1 Suhu Curah Hujan Keinggian 5.48E E-06 Luas Panen Perhiungan ierasi perama diperoleh nilai gain raio eringgi yaiu luas panen sebesar Kaegori luas dansempi sudah mengklasifikasikan kasus ke dalam produksi padi di aas dan. Kaegori sedang perlu dilakukan ierasi karena belum dapa diklasifikasikan. 2. Menenukan node cabang. Penenuan node cabang berdasarkan nilai gain raio eringgi seelah menghapus aribu yang sudah erpilih sebagai node akar. Ierasi Aribu Gain Spli Info Gain Raio 2 Suhu Curah Hujan Keinggian Perhiungan ierasi kedua diperoleh nilai gain raio eringgi yaiu curah hujan sebesar Kaegori rendah sudah mengklasifikasikan kasus ke dalam produksi di bawah 5

6 median. Ierasi Aribu Gain Spli Info Gain Raio 3 Suhu Keinggian Perhiungan ierasi keiga diperoleh nilai gain raio eringgi yaiu suhu sebesar Suhu kaegori cukup perlu dilakukan ierasi sehingga diperoleh aribu keinggian sebagai node erakhir. Keinggian kaegori rendah dan inggi sudah mengklasifikasikan kasus ke dalam produksi di aas dan. Suhu kaegori inggi perlu dilakukan ierasi sehingga diperoleh aribu keinggian sebagai node erakhir. Keinggian kaegori rendah dan inggi sudah mengklasifikasikan kasus ke dalam produksi di bawah dan di aas median. Ierasi Aribu Gain Spli Info Gain Raio 4 Suhu Keinggian Perhiungan ierasi keempa diperoleh nilai gain raio eringgi yaiu keinggian sebesar Keinggian kaegori inggi dan rendah perlu dilakukan ierasi sehingga diperoleh aribu suhu sebagai node erakhir. Suhu kaegori cukup dan inggi sudah mengklasifikasikan kasus ke dalam produksi di bawah dan di aas median. Pada ierasi keiga dan keempa menggunakan aribu yang sama karena berada pada kaegori curah hujan yang berbeda. Hasil pohon kepuusan diunjukkan pada Gambar 1. Luas Panen l se di aas median s Curah Hujan Suhu Keinggian Keinggian Gambar 1. Pohon Kepuusan Produksi Padi Dari Gambar 1, diperoleh klasifikasi saus koa/kabupaen di Pulau Jawa Suhu berdasarkan aribu luas panen yang diunjukkan pada Tabel 4. c r Tabel 4. Klasifikasi Saus Koa/Kabupaen Klasifikasi Saus Koa/Kabupaen 1 Luas Panen Luas dan Produksi Padi Tinggi 2 Luas Panen Sedang dan Produksi Padi Tinggi 3 Luas Panen Sedang dan Produksi Padi Rendah 4 Luas Panen Sempi dan Produksi Padi Rendah c r Keinggian r r c di aas median di aas median di aas median 6

7 Selain iu, pohon kepuusan yang erbenuk dapa diierpreasikan berupa auran klasifikasi yang diunjukkan pada Tabel 5. Tabel 5. Auran Klasifikasi No. Auran Klasifikasi 1 Jika luas panen sempi maka produksi padi. 2 Jika luas panen sedang, dan curah hujan rendah maka produksi padi di bawah median. 3 Jika luas panen sedang, curah hujan cukup, suhu cukup, dan keinggian rendah maka produksi padi di aas median. 4 Jika luas panen sedang, curah hujan cukup, suhu cukup, dan keinggian inggi maka produksi padi. 5 Jika luas panen sedang, curah hujan cukup, suhu inggi, dan keinggian rendah maka produksi padi. 6 Jika luas panen sedang, curah hujan cukup, suhu inggi, dan keinggian inggi maka produksi padi di aas median. 7 Jika luas panen sedang, curah hujan inggi, keinggian inggi aau rendah, suhu cukup maka produksi padi. 8 Jika luas panen sedang, curah hujan inggi, keinggian inggi aau rendah, suhu inggi maka produksi padi di aas median. 9 Jika luas panen luas maka produksi padi di aas median. Klasifikasi saus koa/kabupaen digunakan unuk menggambarkan pea wilayah Pulau Jawa. Gambar klasifikasi produksi padi iap koa/kabupaen di Pulau Jawa diunjukkan pada Gambar 2. Gambar 2. Klasifikasi produksi padi iap koa/kabupaen di Pulau Jawa Berdasarkan Gambar 2, dikeahui bahwa koa/kabupaen yang produksi padinya perlu diopimalkan yaiu koa/kabupaen yangmasuk dalam Klasifikasi 2 karena memiliki luas panen sedang dan menghasilkan produksi padi inggi Pengujian Akurasi. Menuru Chauhan dan Anu [3], pengujian akurasi pada 7

8 pohon kepuusan menggunakan abel confusion marix diunjukkan pada Tabel 6. Tabel 6.Confusion Marix Classified Marix Correc Di aas Di bawah Classificaion median median Persenase Di aas median % Di bawah median % Berdasarkan Tabel 6, dikeahui bahwa dari jumlah daa sebayak 113 erdapa 94 daa dengan klasifikasi benar. Perhiungan nilai akurasi menggunakan persamaan (2.5) dan diperoleh persenase akurasi sebesar 83.19%. Persenase unuk mengklasifikasi produksi padi di aas median secara epa yaiu sebesar 71.43% dan 94.74% unuk mengklasifikasi produksi padi secara epa. 8. KESIMPULAN Berdasarkan hasil pembahasan diperoleh kesimpulan bahwa pohon kepuusan dengan Algorime C4.5 digunakan mengklasifikasi daa produksi padi di koa/kabupaen Pulau Jawa sehingga diperoleh koa/kabupaen yang ermasuk dalam klasifikasi 2 merupakan koa/kabupaen yang produksi padinya perlu diopimalkan. DAFTAR PUSTAKA [1] Badan Pusa Saisik, Saisik Indonesia Tahun 2016, Jakara Pusa: Badan Pusa Saisik, [2] Bramer, M., Principles of Daa Mining, London: Springer, [3] Chauhan, H. and A. Chauhan, Implemenaion of Decision Tree Algorihm C4.5, Inernaional Journal of Scienific and Research Publicaions, [4] Florin, G., Daa Mining Conceps Models and Technique, Berlin: Springer, [5] Han, J. and M. Kamber, Daa Mining Concep and Tehniques,San Fransisco: Morgan Kauffman, [6] Hanum, C., Teknik Budidaya Tanaman Jilid 2, Deparemen Pendidikan Nasional, Jakara, [7] Ina, H., Bercocok Tanam Padi, Jakara: Azka Mulia Media, [8] Larose, D. T., Discovering Knowledge in Daa, New Jersey: John Willey and Sons, [9] Las, L., Inovasi Teknologi unuk Peningkaan Produksi Padi dan Kesejaheraan Peani, Balai Peneliian Tanaman Padi, Sukamandi, [10] Quinlan, J. R., Inducion of Decision Trees, Machine Learning 1,1986, [11] Wei, D. and Wei Ji, A Map Reduce Implemenaion of C4.5 Decision Tree Algorihm, Inernaional Journal of Daabase Theory and Applicaion, [12] Wien, I. H., Frank, E., and Hall, M. A., Daa Mining Pracical Machine Learning Tool and Techniques (3rd ediion), USA: Elsevier,