Studi Komparasi Algoritma Klasifikasi C5.0, SVM dan Naive Bayes dengan Studi Kasus Prediksi Banjir

Authors

DOI:

https://doi.org/10.33633/tc.v21i1.5348

Keywords:

Kebencanaan, SVM, C5.0, Naive Bayes

Abstract

Indonesia merupakan negara troips yang memiliki jumlah penduduk yang banyak sehingga mengakibatkan banyak sekali bencana alam yang harus diterima oleh Indonesia. Penelitian ini difokuskan pada bencana banjir yang nantinya dapat dimanfaatkan untuk mengatasi bencana kekeringan dengan cara penampungan air hujan. Selanjutnya berdasarkan luas wilayah dan jumlah penduduk yang ada, jika kita bandingkan dengan bencana banjir yang terjadi maka provinsi Jawa Barat yang seharusnya dapat perhatian lebih besar karena luas wilayah untuk masing-masing penduduk paling kecil jika dibandingkan dengan provinsi yang lain. Penelitian ini yang dilakukan menggunakan algoritma SVM, C5.0 dan Naive Bayes yang digunakan untuk melakukan prediksi banjir untuk membantu pencegahan kebencanaan agar tidak tejadi korban yang lebih banyak. algoritma SVM dan C5.0 memiliki nilai akurasi yang sama yaitu sebesar 93.75% sedangkan algoritma Naive Bayes memiliki nilai akurasi sebesar 81,25. Sehingga dapat disimpulkan bahwa algoritma ini lebih akurat dan efisien untuk digunakan untuk melakukan prediksi. Sedangkan untuk waktu pemrosesannya maka algoritma Naive Bayes bisa dikatakan lebih cepat jika dibandingkan algoritma SVM dan juga algoritma C5.0.

References

B. Harsoyo, “Teknik Pemanenan Air Hujan (Rain Water Harvesting) Sebagai Alternatif Upaya Penyelamatan Sumberdaya Air Di Wilayah Dki Jakarta,” J. Sains Teknol. Modif. Cuaca, vol. 11, no. 2, p. 29, 2010, doi: 10.29122/jstmc.v11i2.2183.

I. Fitriyaningsih and Y. Basani, “Prediksi Kejadian Banjir dengan Ensemble Machine Learning Menggunakan BP-NN dan SVM,” J. Teknol. dan Sist. Komput., vol. 7, no. 3, pp. 93–97, 2019, doi: 10.14710/jtsiskom.7.3.2019.93-97.

A. Khusaeri et al., “Algoritma C4.5 Untuk Pemodelan Daerah Rawan Banjir Studi Kasus Kabupaten Karawang Jawa Barat,” Ilk. J. Ilm., vol. 9, no. 2, pp. 132–136, 2017, doi: 10.33096/ilkom.v9i2.128.132-136.

R. K. Abdullah and E. Utami, “Studi Komparasi Metode SVM dan Naive Bayes pada Data Bencana Banjir di Indonesia pembaca ataupun peneliti bisa melihat pola yang tersembunyi di Indonesia,” TECNOSCIENZA, vol. 3, no. 1, pp. 103–122, 2018.

T. W. Bank, D. Mining, N. Bayes, and R. Rekon, “Penerapan Algoritma Klasifikasi Naive Bayes Untuk Data Status Huni Rumah Bantuan Dana Rehabilitasi Dan Rekonstruksi Pasca Bencana Erupsi Gunung Merapi 2010 Implementation of Naive Bayes Classification Algorithm for Occupancy House Data Status Fund Assista,” Semin. Nas. UNRIYO, pp. 1–10, 2019.

S. Dwiasnati and Y. Devianto, “Classification of Flood Disaster Predictions using the C5.0 and SVM Algorithms based on Flood Disaster Prone Areas,” Int. J. Comput. Trends Technol., vol. 67, no. 07, pp. 49–53, 2019, doi: 10.14445/22312803/ijctt-v67i7p107.

A. Pradhan, “SUPPORT VECTOR MACHINE-A Survey,” no. April 2015, 2017.

M. A. Hammad, S. A. S. Sulaiman, N. A. Aziz, and D. A. M. Noor, “Comparison of support vector machine based on genetic algorithm with logistic regression to diagnose obstructive sleep apnea,” J. Res. Med. Sci., vol. 24, no. 1, pp. 1–7, 2019, doi: 10.4103/jrms.JRMS.

N. Salmi and Z. Rustam, “Naïve Bayes Classifier Models for Predicting the Colon Cancer,” IOP Conf. Ser. Mater. Sci. Eng., vol. 546, no. 5, 2019.

K. S. Nugroho, I. Istiadi, and F. Marisa, “Naive Bayes classifier optimization for text classification on e-government using particle swarm optimization,” J. Teknol. dan Sist. Komput., vol. 8, no. 1, pp. 21–26, 2020, doi: 10.14710/jtsiskom.8.1.2020.21-26.

M. H. Dunham, Data Mining Introductory and Advanced Topics. Prentice Hall: Pearson Education, 2013.

Downloads

Published

2022-02-28