Klasifikasi Tingkat Kerawanan Banjir Wilayah Medan Menggunakan Metode Naive Bayes Dan Algoritma J48
Abstract
Banjir merupakan bencana alam yang sering terjadi, sebanyak 40% dibandingkan dengan bencana alam lainnya. Bencana banjir sendiri diakibatkan oleh beberapa faktor diantaranya curah hujan, kemiringan lereng, limpasan sungai, maupun faktor manusia seperti tidak menjaga lingkungan sekitar. Tujuan dari penelitian ini adalah untuk menghitung tingkat akurasi dan mengklasifikasikan tingkat kerawanan banjir di kota Medan. Jenis metode yang digunakan adalah metode Naïve Bayes dan Algoritma J48. Parameter yang digunakan adalah curah hujan, kemiringan lereng, dan limpasan sungai yang kemudian diolah dengan metode Naïve Bayes untuk menentukan kelas kerawanan banjir di kota Medan. Setelah melalui proses perhitungan dengan metode Algoritma J48, hasil penelitian menunjukan bahwa nilai akurasi yang didapatkan sebesar 99,187 %. Nilai akurasi tersebut dapat dinyatakan sangat tinggi sebagai model prediksi. Faktor curah hujan menjadi faktor penyebab banjir di kota Medan. Hal tersebut dikarenakan kelas curah huan mendapatkan nilai pembobotan paling tinggi
References
Angreini, S., & Supratman, E. (2021). Visualisasi Data Lokasi Rawan Bencana Di Provinsi Sumatera Selatan Menggunakan Tableau. Jurnal Nasional Ilmu Komputer, 2, 135-147.
Asih, N. K., & Eliyani. (2020). Algoritma J48 Untuk pemodelan Sistem Prediksi Kerawanan Banjir Dengan Visualisasi WebGIS. Mercubuana, 1-14.
Fitrianah, D., Gunawan , W., & Sari, A. P. (2022). Studi Komparasi Algoritma Klasifikasi C5.0, SVM dan Naive Bayes dengan Studi Kasus Prediksi Banjir. Techno.COM, 1-11.
Fransiari, M., Warouw, S. P., & Brahmana, N. E. (2021). Implementasi Kebijakan penanggulangan Bencana Banjir di Masyarakat Kota Medan Tahun 2020. Jurnal Bidang Ilmu Kesehatan, 201-211.
Idati, L. M., Magribi, L., & Lakawa, I. (2020). Analisis Banjir, Faktor Penyebab dan Prioritas Penanganan Sungai Anduonuhu. Civil Eangineering Journal, 54-71.
Muharni, S., & Candra, A. (2022). Buku Modul Visualisasi Data Menggunakan Data Studio. Malang: CV. Literasi Nusantara Abadi.
Musfirah, Burhan, I., Afifah, N., & Sari, S. N. (2022). Metode Penelitian Kuantitatif. Padang: Insan Cendekia Mandiri.
Pane, S., & K. Silvanita. (2022). Teori Probabilitas Dalam Statistika Inferensia. Jakarta: BKD.
Pakpahan, N. S. (2021, November). Implementasi Data Mining Menggunakan Algoritma J48 Dalam Menentukan Pola Itemset Belanja Pembeli (Study Kasus: Swalayan Brastagi Medan). Journal of Computing and Informatics Research, Vol 1, No 1, , 7−13. Retrieved from https://journal.fkpt.org/index.php/comforch/article/download/111/83
Rahmawati, E., & Agustina, C. (2022, Juni). Implementasi Algoritma J48 dengan Teknik Bagging untuk Prediksi KIPI Peserta Vaksinasi Covid-19. Indonesian Journal of Business Intelligence, Volume 5(Issue 1). doi:https://ejournal.almaata.ac.id/index.php/IJUBI/article/download/2072/1646
Situmorang, D. A., & Ginting, G. L. (2020, Oktober). Penerapan Data Mining Algoritma J48 Untuk MengidentifikasiFaktor-Faktor Kecelakaan Kerja. JURIKOM (Jurnal Riset Komputer), Vol. 7 No. 5, 530-536. doi:10.30865/jurikom.v7i4.2277
Sanubari, T., Prianto, C., & Riza, N. (2020). Odol (One Desa One Product Unggulan Online) Penerapan Naive Bayes Pada Pengembangan Aplikasi e-commerce Menggunakan Codeigniter. Bandung: Kreatif.
Triyanto, S., Sunyoto, A., & Arief, M. R. (2021). Analisis Klasifikasi Bencana Banjir Berdasarkan Curah Hujan Menggunakan Algoritma Naive Bayes. Journal Of Information System and Informatics Engineering, 109-117.
Werdiningsih, I., Novitasari, D. C., & Haq, D. Z. (2022). Pengelolaan Data Mining Dengan Pemrograman Matlab. Surabaya: Airlangga University Press.
