KLASIFIKASI PADANG LAMUN DENGAN METODE C4.5 (PEMETAAN DIGITAL DI KABUPATEN BINTAN

(1)

1 KLASIFIKASI PADANG LAMUN DENGAN METODE C4.5 (PEMETAAN DIGITAL DI

KABUPATEN BINTAN

Dede Tri Arnando, Nerfita Nikentari, ST, M.Cs, Martaleli Bettiza, S.Si, M.Sc Jurusan Teknik Informatika, Fakultas Teknik, Universitas Maritim Raja Ali Haji (UMRAH)

Jl. Politeknik Senggrang, Tanjungpinang 29115

E-MAIL: dedetriarnando22@gmail.com, private.niken@gmail.com, mbettiza@gmail.com

A B S T R A K

Penelitian ini bertujuan untuk membangun sebuah sistem informasi geografis yang mengkasifikasikan jenis-jenis lamun di Kabupaten Bintan, dengan adanya sitem informasi geografis ini berfungsi untuk menampilkan informasi letak lamun beserta jenis-jenisnya. Dalam menentukan jenis lamun digunakan perhitungan klasifikasi algoritma C4.5, perhitungan klasifikasi ini menggunakan atribut yaitu bentuk daun, jumlah tulang, panjang daun, lebar daun, bentuk ujung daun, dan bengtuk pinggir daun. Hasil dari penelitian ini adalah bentuk ujung yang menjadi mayoritas utama dan setelah itu adalah jumlah tulang dan lebar. Pada penelitian ini metode algoritma C4.5 dalam melakukan klasifikasi jenis-jenis lamun meghasilkan klasifikasi yang berbeda. Dari 33 data sample yang ada, 6 diantara nya berbeda dan 27 menghasilkan jenis lamun yang sama dengan data lapangan.

Kata kunci : padang lamun, klasifikasi, metode algoritma C4.5

A B S T R A C

This research aims to develop a geographic information system that clarified seagrass kind’s at bintan regency, with the presence of it purpose to show the seagrass place information and it’s kinds. In determining the type of seagrass used calculations C4.5 classification algorithm, this calculation classification used attribute that is leafes, amount of bone, long leaves, leaf width, shape of the tip, form the edge of the leaf. The results is that the majority of primary hip and after that is amount of bone and leaf width. In this research method C4.5 algorithm within the classification types of seagrass produced the different classification with field data. From 33 existing sample data, 6 of them is different and 27 others produce the same type of grass with field data.

Key words: seagrass, classification, the method of C4.5 algorithm

I. Pendahuluan

Indonesia yang memiliki panjang garis pantai 81.000 km, mempunyai padang lamun yang luas bahkan terluas di daerah tropika. Luas padang lamun yang terdapat di perairan Indonesia mencapai sekitar 30.000 km² (Kiswara dan Winardi, 1994). Jika dilihat dari pola zonasi lamun secara

horizontal, maka dapat dikatakan ekosistem lamun terletak di antara dua ekosistem bahari penting yaitu ekosistem mangrove dan ekosistem terumbu karang. Dengan letak yang berdekatan dengan dua ekosistem pantai tropik tersebut, ekosistem lamun tidak terisolasi atau berdiri sendiri tetapi berinteraksi dengan kedua ekosistem

(2)

2 tersebut. oleh karena itu Indonesia di kenal

sebagai Negara Maritim. Perairan laut Indonesia kaya akan berbagai biota laut baik flora maupun fauna. Demikian luas serta keragaman jasad-jasad hidup di dalam yang kesemuanya membentuk dinamika kehidupan di laut yang saling berkesinambungan.

Padang lamun merupakan salah satu komunitas yang paling produktif, selain hutan mangrove dan terumbu karang pada perairan pesisir pantai. Sejak tahun 1950-an, daerah yang tertutup oleh padang zosterasa marina telah merosot akibat populasi, reklamasi dan urbanisasi disekeliling pantai (Komatus, 1996).

Oleh karna itu, padang lamun harus di pantau karna lamun merupakan bagian dari beberapa ekosistem dari wilayah pesisir dan lautan yang perlu dilestarikan karena memberikan kontribusi pada peningkatan hasil perikanan dan pada sektor lainya seperti pariwisata, untuk pemantauan padang lamun diperlukan sebuah sistem, sistem yang dapat membantu hal tersebut adalah sistem informasi geografis.

Anon (2001) Sistem Informasi Geografis adalah suatu sistem informasi yang dapat memadukan antara data grafis (spasial) dengan data teks (atribut) objek yang dihubungkan secara geogrfis di bumi (georeference).

Algoritma C4.5 merupakan pembangun pohon keputusan hal pertama yang dilakukan yaitu memilih atribut sebagai akar. Kemudian dibuat cabang untuk tiap-tiap nilai didalam akar tersebut.

Langkah berikutnya yaitu membagi kasus dalam cabang. Kemudian ulangi proses untuk setiap cabang sampai semua kasus pada cabang memiliki kelas yang sama, dengan algoritma ini kita dapat mengklasifikasikan jenis-jenis lamun yang ada di pulau Bintan.

Berdasarkan penjelasan di atas melatar belakangi penulis untuk membuat suatu penelitian yang berjudul “Analisa Klasifikasi Jenis-jenis Lamun Dengan Metode C4.5 (Pemetaan Digital di Kabupaten Bintan)” yang dapat digunakan sebagai suatu alat dalam menampilkan informasi seputar lokasi-lokasi dan klasifikasi dari jenis-jenis lamun yang ada di pulau Bintan.

.

II. Kerangka Teori A. Pohon Keputusan

J R Quinlan (1993). Pohon Keputusan (Decision Tree) merupakan metode klasifikasi dan prediksi yang sangat kuat dan terkenal. Metode pohon keputusan mengubah fakta yang sangat besar menjadi pohon keputusan yang merepresentasikan aturan. Aturan dapat dengan mudah dipahami dengan bahasa alami. Aturan ini juga dapat diekspresikan dalam bentuk bahasa basis data seperti SQL untuk mencari record pada kategori tertentu. Pohon keputusan juga berguna untuk mengeksplorasi data, menemukan hubungan tersembunyi antara sejumlah calon variabel input dengan sebuah variabel target. Karena pohon keputusan memadukan antara eksplorasi data dan

(3)

3 pemodelan, pohon keputusan ini sangat

bagus sebagai langkah awal dalam proses pemodelan bahkan ketika dijadikan sebagai model akhir dari beberapa teknik lain.

Tan dkk (2004). Dalam situasi lain kemampuan untuk menjelaskan alasan pengambilan keputusan adalah sesuatu yang sangat penting. Misalnya pada perusahaan asuransi ada larangan resmi untuk mendeskriminasi berdasarkan variabel-variabel tertentu.

Perusahaan asuransi dapat mencari sendiri keadaan yang mencerminkan bahwa mereka tidak menggunakan deskriminasi yang ilegal dalam memutuskan seseorang diterima atau ditolak. Sebuah pohon keputusan adalah sebuah struktur yang dapat digunakan untuk membagi kumpulan data yang besar menjadi himpunan-himpunan record yang lebih kecil dengan menerapkan serangkaian aturan keputusan. Anggota himpunan hasil menjadi mirip satu dengan yang lain dengan masing-masing rangkaian pembagian. Sebuah model pohon keputusan terdiri dari sekumpulan aturan untuk membagi sejumlah populasi yang heterogen menjadi lebih kecil, lebih homogen dengan memperhatikan pada variabel tujuannya.

Sebuah pohon keputusan mungkin dibangun dengan seksama secara manual, atau dapat tumbuh secara otomatis dengan menerapkan salah satu atau beberapa algoritma pohon

keputusan untuk memodelkan himpunan data yang belum terklasifikasi.

Kelebihan dari metode pohon keputusan adalah:

1. Daerah pengambilan keputusan yang sebelumnya kompleks dan sangat global, dapat diubah menjadi lebih simpel dan spesifik.

2. Eliminasi perhitungan-perhitungan yang tidak diperlukan, karena ketika menggunakan metode pohon keputusan maka sampel diuji hanya berdasarkan kriteria atau kelas tertentu.

3. Fleksibel untuk memilih fitur dari node internal yang berbeda, fitur yang terpilih akan membedakan suatu kriteria dibandingkan kriteria yang lain dalam node yang sama.

Kefleksibelan metode pohon keputusan ini meningkatkan kualitas keputusan yang dihasilkan jika dibandingkan ketika

menggunakan metode

penghitungan satu tahap yang lebih konvensional.

4. Dalam analisis multivarian, dengan kriteria dan kelas yang jumlahnya sangat banyak, seorang penguji biasanya perlu mengestimasikan baik itu distribusi dimensi tinggi ataupun parameter tertentu dari distribusi kelas tersebut. Metode pohon keputusan dapat menghindari munculnya permasalahan ini dengan menggunakan kriteria yang

(4)

4 jumlahnya lebih sedikit pada setiap

node internal tanpa banyak mengurangi kualitas keputusan yang dihasilkan.

Kekurangan pada pohon keputusan adalah:

1. Terjadi overlapping terutama ketika kelas-kelas dan kriteria yang digunakan jumlahnya sangat banyak.

Hal tersebut juga dapat menyebabkan meningkatnya waktu pengambilan keputusan dan jumlah memori yang diperlukan.

2. Pengakumulasian jumlah kesalahan dari setiap tingkat dalam sebuah pohon keputusan yang besar.

3. Kesulitan dalam mendesain pohon keputusan yang optimal.

4. Hasil kualitas keputusan yang didapatkan dari metode pohon keputusan sangat tergantung pada bagaimana pohon tersebut didesain.

B. Perhitungan Data Menjadi Model Tree

Sebelum kita menuju ke arah ekstraksi data ke dalam bentuk model tree, tentumya ada beberapa proses yang harus diperhatikan dalam pembentukan struktur pohon ini, yaitu:

a. Pilih root berdasarkan gain ratio terbesar

b. Pilih internal root /cabang root berdasar gain ratio terbesar setelah menghapus atribut yang telah terpilih sebagai root.

c. Ulangi sampai semua atribut terhitung nilai gain rationya.

Parameter yang tepat digunakan untuk mengukur efektifitas suatu atribut dalam melakukan teknik pengklasifikasian sampel data, salah satunya adalah dengan menggunakan information gain.Sebelum mencari nilai gain, terlebih dahulu mencari peluang kemunculan suatu record dalam atribut (entropy)

1. Penghitungan Nilai Entropy Untuk mendapatkan nilai information gain, terlebih dahulu kita harus mengetahui parameter lain yang mempengaruhi nilai gain, dimana parameter ini sangat diperlukan untuk mendapatkan nilai gain.

Parameter tersebut adalah entropy.Parameter ini sering digunakan untuk mengukur heterogenitas suatu kumpulan sampel data. Secara matematis nilai entropy dapat dihitung dengan menggunakan formula sebagai berikut :

Entropy (S) = ^𝑐_𝑖=1− 𝑃𝑖 × log₂𝑃𝑖

C = jumlah nilai yang ada pada atribut target (jumlah kelas)

Pi = jumlah sampel pada kelas i

Dari formula diatas dapat kita cermati bahwa apabila hanya terdapat 2 kelas dan dari kedua kelas tersebut

memiliki komposisi jumlah sampel yang sama, maka entropynya = 0.

(5)

5 2. Perhitungan information gain

Ketika kita sudah mendapatkan nilai entropy, maka langkah selanjutnya adalah melakukan perhitungan terhadap information gain.

Berdasarkan perhitungan matematis information gain dari suatu atribut A dapat diformulasikan sebagai berikut :

Gain (S, A) = Entropy(S) – ( ^𝑆𝑣

𝑆

𝑛𝑖=1 Entropy(Si))

A : atribut V : menyatakan suatu nilai yang mungkin untuk atribut A Values (A) : himpunan nilai-nilai yang mungkin untuk atribut A .

|Sv| : jumlah smpel untuk nilai v

|S| : jumlah seluruh sampel data Entropy (S) : entropy untuk sampel- sampel yang memiliki nilai v

3. Gain ratio

Untuk menghitung gain ratio kita perlu ketahui suatu term baru yang disebut split information. Split information dihitung dengan formula sebagai berikut:

Dimana :

Split information = – ^𝑆𝑖

𝑆 log^𝑆𝑖

𝑆 𝑐𝑡=1

S1 sampai Sc adalah c subset yang dihasilkan dari pemecahan S dengan menggunakan atribut A yang mempunyai banyak C nilai.

Selanjutnya gain ratio dihitung dengan cara

Gain ratio = ^{𝐺𝑎𝑖𝑛}

𝑠𝑝𝑙𝑖𝑡 𝑖𝑛𝑓𝑜𝑟𝑚𝑎𝑡𝑖𝑜𝑛

Sumber : Achmad Basuki dan Iwan Syarif.

2003

C. Algoritma C4.5

Berikut ini adalah algoritma C4.5 : Input : sample training, label training, atribut.

 Membuat simpul akar untuk pohon yang dibuat

 Jika semua sample positif, berhenti dengan suatu pohon dengan satu simpul akar, beri label (+)

 Jika semua sample negatif, berhenti dengan suatu pohon degan satu simpul akar, beri label (-)

 Jika atribut kosong, berhenti dengan suatu pohon dengan satu simpul akar, dengan label sesuai nilai yang terbanyak yang ada pada label training

 Untuk yang lain, mulai

o A  atribut yang mengklasifikasikan sampel dengan hasil terbantik (berdasarkan gain ratio) o Atribut keputusan untuk

simpul akar  A

o Untuk setiap nilai Vi yang mungkin untuk A

Sumber : Achmad Basuki dan Iwan Syarif.

2003

III. Kajian Terdahulu

A. Amin Khairul Rafik, Indwiarti dan Sibaroni Yuliant Implementasi Klasifikasi Decision Tree Dengan Algoritma C4.5 Dalam Pengambilan Keputusan Permohonan Kredit Oleh Debitur. Menjelaskan dalam

(6)

6 jurnalnya bagaimana kinerja algoritma

pohon keputusan C4.5 pada identifikasi kelayakan kredit oleh debitur. Dimana pada algoritma C4.5 pemilihan root dan parent bukan hanya berdasar information gain saja tetapi juga split information untuk mendapatkan Gain Ratio. Dataset yang digunakan dalam penelitian ini yaitu sebanyak 1000 data dengan proporsi 70%

disetujui dan 30% data debitur yang ditolak.

B. Sunjana menjelaskan dalam jurnalnya yang berjudul Klasifikasi Data Nasabah Sebuah Asuransi Menggunakan Algoritma C4.5 tentang penambangan data (data mining) nasabah sebuah perusahaan asuransi untuk mengetahui lancar atau tidaknya nasabah tersebut. Ia menganalisis data yang ada dengan mengunakan pohon keputusan algoritma C4.5 sehingga dapat diketahui data nasabah mana yang dikelompokan ke kelas lancar atau tidak lancar. Kemudian pola yang telah dibuat digunakan untuk memperkirakan nasabah yang bergabung, sehingga perusahaan bisa mengambil keputusan menerima atau menoak calon nasabah tersebut

C. Dai wei dan Ji wei (2014) dalam jurnalnya yang berjudul A Map Reduce Implementation of C4.5 Decision Tree Algorithm menjelaskan tentang bagaimana menggunakan algoritma C4.5 menjadi serangkaian peta kecil. Dalam penelitian ini dilakukan pendesignan beberapa data struktur dan juga melakukan percobaan yang luas pada dataset kemudian pada hasil akhir akan tampak keefisienan waktu dan skalabilitas dari pemetaan yang dibuat.

IV. METODE PENELITIAN A. Metode Pengumpulan Data

Pengumpulan data dalam penelitian ini dari Keputusan Mentri Negara ingkungan Hidup No 200 Tahun 2004,Dinas Kelautan dan Perikanan Kabupaten Bintan, terjun kepalangan secara langsung dan wawancara terhadap beberapa responden dalam pembangunan aplikasi ini..

B. Perancangan Sistem

Perancangan system ini seperti yang tampak pada gambar-gambar berikut;

Gambar 1. DFD Level 0

DFD Level 0 digunakan untuk menggambarkan bagaimana system akan dibangun.

V. PEMBAHASAN A. Penentuan Attribut

Atribut yang ditetapkan pada studi kasus ini ada 6 parameter / atribut.

Tabel di bawah ini adalah tabel atribut untuk menentukan jenis padang lamun dari morfologi daun.

(7)

7 Tabel 1 Tabel Atribut Padang Lamun

No

Daun

Lamun Bentuk Jumlah

Tulang

Panjang Lebar Bentuk ujung

Bentuk pingggir

1. Pita 2-6 300 –

1500 mm

13 – 17 mm

Tumpul Rata Enhalus acoroides

2. Pita 10-17 100 – 300 mm

4 – 10 mm

Bulat Rata Thalassia hempricii

3. Oval 10-25 11- 40 mm

3 - 10 mm

Bulat Halus Halophila ovalis

4. Linier <3 200 mm

0,5 – 5 mm

Trisula Begigi Halodule uninervis

5. Pita 13-17 150 mm

10 mm

Tumpul Gergaji Cymodocea serrulata

B. Menghitung Entropy, Information gain, Split information dan Gain ratio Pada tahap ini akan menghitung Entropy dan Information Gain, Split Information dan Gain Ratio menggunakan persamaan 2.1, persamaan 2.2, persamaan 2.3 dan persamaan 2.4 pada bab II. Dimana untuk menghitung entropy, information gain, split information dan gain ratio membutuhkan data sample padang lamun dengan hasil ditujukan pada table 5, 6 dan 7.

(8)

8 Tabel 2 Tabel Data Training Stasiun 1

No

Daun

Lamun Bentuk Jumlah

Tulang

Panjang Lebar Bentuk

ujung

Bentuk pingggir

1. Pita 3 377 13 Tumpul Rata Enhalus acoroides

4. Pita 12 183 8 Bulat Rata Thalassia hempricii

7. Oval 24 14 13 Bulat Halus Halophila ovalis

10. Linier 1 167 2.5 Trisula Begigi Halodule uninervis

12. Linier 1 117 3 Trisula Begigi Halodule uninervis

13. Pita 13 123 7 Tumpul Gergaji Cymodocea serrulata

Tabel 3 Data Training Stasiun 2

No

Daun

Lamun Bentuk Jumlah

Tulang

ujung

Bentuk pingggir

(9)

9

9. Oval 20 11 13.5 Bulat Halus Halophila ovalis

Tabel 4 Data Training Stasiun 3

No

Daun

Lamun Bentuk Jumlah

Tulang

ujung

Bentuk pingggir

Tabel 5 Perhitungan node 1 Node Attribut

(A)

Jumlah kasus (S)

Enhalus acoroides (S1)

Thalassia hempricii (S2)

Halophila ovalis (S3)

Halodule uninervis (S4)

Cymodocea serrulata (S5)

Entropy Gain Info split

Gain ratio

1 Total 33 9 6 6 6 6 2.2996

Bentuk 1.3093 1.3091 1.0001

Pita 21 9 6 0 0 6 1.5564

Oval 6 0 0 6 0 0 0

Linier 6 0 0 0 6 0 0

Jumlah tulang

0.8742 2.4615 0.3351

2-6 9 9 0 0 0 0 0

10-17 12 0 6 0 0 6 1

10-25 18 0 6 6 0 6 1.5861

<3 6 0 0 0 6 0 0

(10)

10

13-17 8 0 2 0 0 6 0.8111

Panjang 1.4354 1.4351 1000209

100- 299

18 0 6 6 0 6 1.5846

300- 1500

9 9 0 0 0 0 0

11- 40 6 0 0 0 6 0 0

200 0 0 0 0 0 0 0

150 0 0 0 0 0 0 0

Lebar 0.9167 2.0977 0.4370

13-17 15 9 0 6 0 0 0.9707

4-10 12 0 6 0 0 6 1

3-10 13 0 6 0 1 6 1.3141

0.5-5 6 0 0 0 6 0 0

10 2 0 1 0 0 1 1

Bentuk ujung

p 1.4950 1.4946 1.000267

Tumpul 15 9 0 0 0 6 0.9707

Bulat 12 0 6 0 0 6 1

Trisula 6 0 0 0 6 0 0

Bentuk pinggir

1.8585 1.8582 1.0001

Rata 15 9 6 0 0 0 0.9707

Halus 6 0 0 6 0 0 0

Bergigi 6 0 0 0 6 0 0

Gergaji 6 0 0 0 0 6 0

Tabel 6 data perhitungan node 1.1 Node Attribut

(A)

Jumlah kasus

(S)

Enhalus acoroides

(S1)

Halophila ovalis

(S3)

Cymodocea serrulata

(S5)

Gain ratio

1.1 Bentuk ujung – Tumpul

15 9 0 0 0 6 0.9707

Bentuk 0 0 0

(11)

11

Pita 15 9 0 0 0 6 0.9707

Oval 0 0 0 6 0 0 0

Linier 0 0 0 0 6 0 0

Jumlah tulang

0.9707 2.0281 0.3929

2-6 9 9 0 0 0 0 0

10-27 6 0 0 0 0 6 0

10-25 6 0 0 0 0 6 0

<3 0 0 0 0 0 0 0

13-17 6 0 0 0 0 6 0

Panjang 0.9707 0.9707 1

100- 299

6 0 0 0 0 6 0

300- 1500

9 9 0 0 0 0 0

11- 40 0 0 0 0 0 0 0

200 0 0 0 0 0 0 0

150 0 0 0 0 0 0 0

Lebar 0.

9707

1.7597 0.5137

13-17 9 9 0 0 0 0 0

4-10 6 0 0 0 0 6 0

3-10 6 0 0 0 0 6 0

0.5-5 0 0 0 0 0 0 0

10 1 0 0 0 0 1 0

Bentuk pinggir

0.9707 0.

9707 1

Rata 9 9 0 0 0 0 0

Halus 0 0 0 0 0 0 0

Bergigi 0 0 0 0 0 0 0

Gergaji 6 0 0 0 0 6 0

(12)

12 Tabel 7 Data perhitungan node 1.2

Node Attribut (A)

Jumlah kasus (S)

Enhalus acoroides (S1)

Halophila ovalis (S3)

Cymodocea serrulata (S5)

Gain ratio

1.2 Bentuk ujung – bulat

12 0 0 6 0 6 1

Bentuk 1 1 1

Pita 6 0 0 0 0 6 0

Oval 6 0 0 6 0 0 0

Linier 0 0 0 0 6 0 0

Jumlah tulang

0 1 0

2-6 0 9 0 0 0 0 0

10-27 6 0 0 0 0 6 0

10-25 12 0 0 6 0 6 1

<3 0 0 0 0 0 0 0

13-17 6 0 0 0 0 6 0

Panjang 0 0 0

100- 300

12 0 0 6 0 6 0

300- 1500

0 0 0 0 0 0 0

11- 40 0 0 0 0 0 0 0

200 0 0 0 0 0 0 0

150 0 0 0 0 0 0 0

Lebar 1 1.7986 0.5559

13-17 6 0 0 6 0 0 0

4-10 6 0 0 0 0 6 0

3-10 6 0 0 0 0 6 0

0.5-5 0 0 0 0 0 0 0

10 1 0 0 0 0 1 0

(13)

13

Bentuk pinggir

1 1 1

Rata 0 0 0 0 0 0 0

Halus 6 0 0 6 0 0 0

Bergigi 0 0 0 0 0 0 0

Gergaji 6 0 0 0 0 6 0

(14)

14 C. Proses Pohon Keputusan

Algoritma C4.5

Dari tabel 5, 6, dan 7 dapat di ketahui hasil perhitungan Algoritma C4.5 dan dapat dibuat hasil pohon keputusan akhir dari Algoritma C4.5

Gambar 2 Pohon keputusan akhir

VI. KESIMPULAN DAN SARAN A. KESIMPULAN

Kesimpulan yang dapat diambil dari klasifikasi lamun dengan metode C4.5 (pemetaan digital di Kabupaten Bintan) yaitu dapat memberikan informasi jenis – jenis lamun yang telah diklasifikasi dari sistem informasi geografis yang telah dibagun

.

B. SARAN

Ada beberapa saran yang perlu disampaikan dalam penelitian ini, dengan harapan akan menjadi saran yang bermanfaat, yaitu :

1. Pada sistem ini, lamun yang tersedia hanya di Kabupaten Bintan sehingga diharapkan dapat ditambah untuk didaerah lainnya.

2. Diharapkan sistem ini dapat berkembang sesuai zaman dan tidak berbasis web lagi tetapi dapat dikembanggkan dan berjalan di platform seperti Android, IOS dan Blackbery.

VII. DAFTAR PUSTAKA

Anon, 2001. Sistem Informasi

Geografis (SIG)

“http://mbojo.wordpress.com/20 07/04/08/sistem-informasi- geografi-sig/”. Di akses tanggal 14 Oktober 2014.

Amin Khairul Rafik, Indwiarti dan Sibaroni Yuliant. 2014.

Implementasi Klasifikasi Decision Tree Dengan Algoritma C4.5 Dalam Pengambilan Keputusan Permohonan Kredit Oleh Debitur.

Dalam

“http://openlibrary.telkomunivers ity.ac.id/pustaka/files/100441/jur nal_eproc/implementasi- klasifikasi-decision-tree-dengan- algoritma-c4-5-dalam-

pengambilan-keputusan-

permohonan-kredit-oleh-debitur- studi-kasus-bank-pasar-daerah- istimewa-yogyakarta-.pdf”

diakses tanggal 07 Juni 2015.

Basuki, Achmad, Iwan Syarif. 2003.

Decision Tree. Politeknik Elektronika Negeri Surabaya.

Keputusan Menteri Negara Lingkungan Hidup Nomor 200 Tahun 2004 Tentang Kriteria Baku Kerusakan dan Pedoman Penelitian Status Padang Lamun.

Kiswara, W, Winardi. 1994.

Keanekaragaman dan Sebaran Lamun di Teluk Kuta dan Teluk Gerupuk Lombok Selatan.

Dalam: W. Kiswara, M..K.

Moosa dan M. Hutomo (Eds.), Struktur Komunitas Biologi Padang Lamun di Pantai Selatan

(15)

15 Lombok dan Kondisi

Lingkungannya. Puslitbang Oseanologi-LIPI, Jakarta. hal.

15-33.

Quinlan JR. 1993. C4.5: Programs for machine learning. San Mateo:

Morgan Kaufmann.

Sunjana. 2010. Klasifikasi Data Nasabah Sebuah Asuransi Menggunakan Algoritma C4.5.

Dalam

“http://www.journal.uii.ac.id/ind ex.php/Snati/article/download/19 23/169” diakses tanggal 07 Juni 2015.

Tan, M. 2004. Nurturing Scientific and Technological Literacy through Environmental Education. Journal of International Cooperation in Education., Vol.7, No. 1: 115.

Wei, Dai, Wei Ji. 2014. A MapReduce Implementation of C4.5 Decision Tree Algorithm.

Dalam

“http://www.chinacloud.cn/uploa d/2014-03/14031920373451”

diakses tanggal 07 Juni 2015.