Penerapan Algoritma C4.5 untuk Klasifikasi Lahan Kritis Kabupaten Grobogan

Penentuan lahan kritis dilakukan dengan pembagian 3 kawasan yaitu kawasan budidaya pertanian, kawasan hutan lindung dan kawasan lindung di luar kawasan hutan. Laju kerusakan hutan dan lahan kritis di Indonesia tercatat telah mencapai 27,2 juta hektar di tahun 2014. Untuk mengatasi lahan kritis serta memulihkan, mempertahankan dan meningkatkan fungsi hutan dan lahan, Kementerian Kehutanan mencanangkan kegiatan Rehabilitasi Hutan dan Lahan (RHL). Berdasarkan laporan Badan Pusat Statistik tahun 2016 Kabupaten Grobogan menempati urutan pertama di Provinsi Jawa Tengah yang memiliki luas lahan kritis diluar kawasan hutan sebesar 203.131,10 ha. Untuk mengatasi masalah tersebut peneliti menggunakan pendekatan data mining. Data miningmempunyai lima peran utama yaitu estimasi, prediksi, klasifikasi, klaster dan asosiasi. Klasifikasi merupakan salah satu teknik yang terdapat pada data mining. Tujuan dari teknik klasifikasi data mining adalah untuk memprediksi kelas target secara akurat dengan menggunakan variabel-variabel terkait. Dalam kasus ini peneliti menggunakan algorima C4.5akan digunakan untuk mengklasifikasikan dan menghitung tingkat akurasi data BPDAS pemali jratun Kabupaten Grobogan untuk mengetahui kondisi kekritisan daerah sub DAS. Metode penelitian yang digunakan meliputi beberapa tahap diantaranya analisa masalah, pengumpulan data, metode usulan, serta eksperimen dan juga pengujian. Data yang didapatkan kemudian dianalisis menggunakan algoritma C4.5. Setelah dianalisis diperoleh kesimpulan bahwa Klasifikasi lahan kritis pada Kabupaten Grobogan dapat diterapkan dengan baik pada Algoritma C4.5, dan data mendapatkan hasil 51,89% kualitas lahan yang dinyatakan tidak kritis. Dan dapat disimpulkan bahwa algoritma C4.5 memiliki akurasi yaitu sebesar 90,71% artinyaAlgoritma C4.5 dapat memprediksi benar sesuai dengan kondisi aktual. Selain itu, nilai F-Measure juga terlihat bahwa C4.5 memiliki nilai sebesar 91,68 artinya Algoritma C4.5 mampu mengidentifikasi kejadian dengan tepat pada kelas true positif.