<![CDATA[Identifikasi komposisi spesies mangrove adalah topik yang penting dalam manajemen dan konservasi ekosistem pesisir. Biodiversitas spesies mangrove berpengaruh terhadap keberlangsungan dan keseimbangan entitas-entitas yang terkait di dalam ekosistemnya. Penelitian ini bertujuan untuk menggali potensi Machine Learning untuk mengidentifikasi spesies mangrove. Secara spesifik, algortime Random Forest digunakan untuk mengklasifikasikan enam spesies mangrove, yaitu: Avicennia eucalyptifolia, Bruguiera gymnorrhiza, Rhizophora apiculata, Rhizophora mucronata, Unrecorded Sp., dan Xylocarpus granatum. Beberapa pendekatan dilakukan untuk memperkuat kinerja algoritme Random Forest, yaitu preprocessing (SMOTE) dan normalisasi min-max untuk menyeimbangkan distribusi data. Hasil tahap ini menunjukkan bahwa proyeksi dari rentang normalisasi (interval 0-1) tidak berpengaruh dalam mereduksi pola data secara dimensional. Setelah preprocessing dan normalisasi data, lima atribut (spesies, wood density, diameter at beast height, total of above ground biomass, dan below-ground root) diklasifikasi dan dianalisis dengan spesies sebagai atribut target. Pembangunan parameter model didasarkan pada jumlah total dari hasil SMOTE dengan menetapkan 100 dan 500 sebagai jumlah pohon tunggal dan 1000 sebagai jumlah node dan peubah prediktor default. Hasil akhir menunjukkan bahwa algortime Random Forest memperoleh nilai evaluasi yang optimal dengan rata-rata 99.97% menggunakan jumlah pohon tunggal dan cut-off yang telah ditetapkan. Akurasi maksimal yaitu 100% diperoleh dari jumlah pohon tunggal dan cut-off dengan ukuran sebagai berikut: (1) 500 dan 80:20; (2) 500 dan 90:10; dan (3) 100 dan 80:20. Hasil ini menunjukkan bahwa algortime Random Forest sangat efektif untuk diterapkan sebagai metode pengklasifikasi Machine Learning dalam menentukan spesies mangrove.]]>
Copyrights © 2021
