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

Authors

  • Devi Fitrianah Universitas Mercu Buana
  • Wawan Gunawan Universitas Mercu Buana http://orcid.org/0000-0003-2720-1710
  • Anggi Puspita Sari Universitas Bina Sarana Informatika

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

Issue

Vol. 21 No. 1 (2022): Februari 2022

Section

Articles

License

Copyright (c) 2022 Devi Fitrianah, Wawan Gunawan, Anggi Puspita Sari

Creative Commons License

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.

 

License Terms

All articles published in Techno.COM Journal are licensed under the Creative Commons Attribution-NonCommercial 4.0 International (CC BY-NC 4.0). This means:

1. Attribution

Readers and users are free to:

  • Share – Copy and redistribute the material in any medium or format.

  • Adapt – Remix, transform, and build upon the material.

As long as proper credit is given to the original work by citing the author(s) and the journal.

2. Non-Commercial Use

  • The material cannot be used for commercial purposes.

  • Commercial use includes selling the content, using it in commercial advertising, or integrating it into products/services for profit.

3. Rights of Authors

  • Authors retain copyright and grant Techno.COM Journal the right to publish the article.

  • Authors can distribute their work (e.g., in institutional repositories or personal websites) with proper acknowledgment of the journal.

4. No Additional Restrictions

  • The journal cannot apply legal terms or technological measures that restrict others from using the material in ways allowed by the license.

5. Disclaimer

  • The journal is not responsible for how the published content is used by third parties.

  • The opinions expressed in the articles are solely those of the authors.

For more details, visit the Creative Commons License Page:
? https://creativecommons.org/licenses/by-nc/4.0/

 

Most read articles by the same author(s)

Obs.: This plugin requires at least one statistics/report plugin to be enabled. If your statistics plugins provide more than one metric then please also select a main metric on the admin's site settings page and/or on the journal manager's settings pages.