Analisis Perbandingan Algoritma Decision Tree, Random Forest, dan Naïve Bayes untuk Prediksi Banjir di Desa Dayeuhkolot

Muhammad Bagas Arya Darmawan; Favian Dewanta; Sri Astuti

doi:10.15575/telka.v9n1.52-61

Analisis Perbandingan Algoritma Decision Tree, Random Forest, dan Naïve Bayes untuk Prediksi Banjir di Desa Dayeuhkolot

Muhammad Bagas Arya Darmawan, Favian Dewanta, Sri Astuti

Sari

Bencana alam yang masih terjadi di kota–kota atau daerah di sepanjang bantaran sungai adalah bencana banjir. Bencana ini sering terjadi di Kabupaten Bandung, khususnya Desa Dayeuhkolot. Penyebab banjir umumnya karena volume air sungai meningkat dan intensitas curah hujan yang tinggi. Di Desa Dayeuhkolot, pencegahan banjir sulit dilakukan karena ketidakakuratan data dalam prediksi banjir yang diberikan oleh pemerintah daerah kepada masyarakat. Oleh karena itu, penelitian ini dilakukan untuk memprediksi banjir yang lebih akurat dengan performa dan akurasi yang lebih baik. Penelitian ini menggunakan dataset yang diperoleh dari Balai Besar Wilayah Sungai (BBWS) Citarum untuk wilayah Dayeuhkolot dengan parameter tinggi muka air sungai dan intensitas curah hujan dari tahun 2015 – 2018. Metode yang digunakan untuk mendeteksi terjadinya banjir yaitu dengan algoritma machine learning Decision Tree, Random Forest, dan Naïve Bayes. Hasil eksperimen menunjukkan bahwa metode dengan performa terbaik adalah Random Forest dibandingkan metode lain dengan rata–rata nilai akurasi, presisi, recall, dan f1-score masing-masing sebesar 99,05%, 97,91%, 99,18%, 98%, serta nilai waktu komputasi rata rata 0,2561 detik dari 3 kali pengujian yang dilakukan berdasarkan rasio pembagian data yang berbeda.

A natural disaster still happening in the cities or districts along riverbanks is a flood disaster. This disaster frequently occurs in Bandung Regency, especially Dayeuhkolot Village. The cause of the flooding is generally due to increased river water volume and high rainfall intensity. At Dayeuhkolot Village, flood prevention is difficult because of the inaccurate data in flood predictions provided by the local government to the local community. Therefore, research was made to predict the flood with better performance and accuracy. This research uses a dataset from Balai Besar Wilayah Sungai (BBWS) Citarum for the Dayeuhkolot area with river water level and rainfall intensity parameters from 2015 – 2018. Machine learning algorithms with Decision Trees, Random Forests, and Naïve Bayes are used to detect flood disasters. From the experiment result, the method with the best performance is Random Forest, with the other methods with average values of accuracy, precision, recall, and f1-score are 99.05%, 97.98%, 99.18%, and 98%, respectively. The average value of computation time is 0.25616072 seconds from 3 times the tests were carried out based on different data partitions.

Kata Kunci

Banjir; Decision Tree; Machine Learning; Naïve Bayes; Random Forest

Teks Lengkap:

PDF

Dilihat:

Sari 900 kali

PDF 423 kali

Referensi

Sugiharto S N A, S. Sumaryo, and Kurniawan, “Implementasi pendeteksi dini bahaya banjir,” e-Proceeding Eng., vol. 6, no. 1, pp. 51–58, 2019.

D. Wahyuni, A. Subiyanto, and M. Azizah, “Pemanfaatan Sistem Informasi Bencana Banjir di Kabupaten Bandung Untuk Mewujudkan Masyarakat Tangguh Bencana,” PENDIPA J. Sci. Educ. J. Sci. Educ., vol. 6, no. 2, pp. 516–521, 2022.

M. Alam and A. G. Pradana, “Pembelajaran penanggulangan bencana banjir di tiga daerah”. PT Balai Pustaka (Persero), 2016.

M. A. Hasanah, S. Soim, and A. S. Handayani, “Implementasi CRISP-DM Model Menggunakan Metode Decision Tree dengan Algoritma CART untuk Prediksi Curah Hujan Berpotensi Banjir,” J. Appl. Informatics Comput., vol. 5, no. 2, p. 103, 2021, [Online]. Available: http://jurnal.polibatam.ac.id/index.php/JAIC.

W. Chen et al., “Modeling flood susceptibility using data-driven approaches of Naïve Bayes tree, alternating Decision Tree, and random forest methods,” Sci. Total Environ., vol. 701, p. 134979, 2020, doi: 10.1016/j.scitotenv.2019.134979.

D. Gunawan, “Evaluasi Performa Pemecahan Database dengan Metode Klasifikasi Pada Data Preprocessing Data mining,” Khazanah Inform. J. Ilmu Komput. dan Inform., vol. 2, no. 1, p. 10, 2016, doi: 10.23917/khif.v2i1.1749.

D. Huchon, N. Crozet, N. Cantenot, and R. Ozon, “Germinal vesicle breakdown in the Xenopus laevis oocyte: Description of a transient microtubular structure,” Reprod. Nutr. Dev., vol. 21, no. 1, pp. 135–148, 1981, doi: 10.1051/rnd:19810112.

M. Radhi, A. Amalia, D. R. H. Sitompul, S. H. Sinurat, and E. Indra, “Analisis Big Data Dengan Metode Exploratory Data Analysis (Eda) Dan Metode Visualisasi Menggunakan Jupyter Notebook,” J. Sist. Inf. dan Ilmu Komput. Prima(JUSIKOM PRIMA), vol. 4, no. 2, pp. 23–27, 2022, doi: 10.34012/jurnalsisteminformasidanilmukomputer.v4i2.2475.

R. Maringka et al., “Exploratory Data Analysis Faktor Pengaruh Kesehatan Mental di Tempat Kerja Exploratory Data Analysis Factors Influence Mental,” vol. 7, no. 2, pp. 215–226, 2021.

R. Puspita and A. Widodo, “Perbandingan Metode KNN, Decision Tree, dan Naïve Bayes Terhadap Analisis Sentimen Pengguna Layanan BPJS,” J. Inform. Univ. Pamulang, vol. 5, no. 4, p. 646, 2021, doi: 10.32493/informatika.v5i4.7622.

Q. G. To et al., “Applying machine learning to identify anti‐vaccination tweets during the covid‐19 pandemic,” Int. J. Environ. Res. Public Health, vol. 18, no. 8, p. 9, 2021, doi: 10.3390/ijerph18084069.

D. Irawan, E. B. Perkasa, Y. Yurindra, D. Wahyuningsih, and E. Helmud, “Perbandingan Klassifikasi SMS Berbasis Support Vector Machine, Naive Bayes Classifier, Random Forest dan Bagging Classifier,” J. Sisfokom (Sistem Inf. dan Komputer), vol. 10, no. 3, pp. 432–437, 2021, doi: 10.32736/sisfokom.v10i3.1302.

R. Leonardo, J. Pratama, and C. Chrisnatalis, “Perbandingan Metode Random Forest Dan Naïve Bayes Dalam Prediksi Keberhasilan Klien Telemarketing,” J. Teknol. Dan Ilmu Komput. Prima, vol. 3, no. 2, pp. 1–5, 2020, [Online]. Available: http://jurnal.unprimdn.ac.id/index.php/JUTIKOMP/article/view/1321.

D. Fitrianah, W. Gunawan, and A. Puspita Sari, “Studi Komparasi Algoritma Klasifikasi C5 . 0 , SVM dan Naive Bayes dengan Studi Kasus Prediksi Banjir,” Techno.COM, vol. 21, no. 1, pp. 1–11, 2022.

D. L. Fithri, “Model Data Mining Dalam Penentuan Kelayakan Pemilihan Tempat Tinggal Menggunakan Metode Naive Bayes,” Simetris J. Tek. Mesin, Elektro dan Ilmu Komput., vol. 7, no. 2, p. 725, 2016, doi: 10.24176/simet.v7i2.787.

A. Andriani, “Sistem Pendukung Keputusan Berbasis Decision Tree Dalam Pemberian Beasiswa Studi Kasus : Amik ‘ BSI Yogyakarta ,’” Semin. Nas. Teknol. Inf. dan Komun. 2013 (SENTIKA 2013), vol. 2013, no. SENTIKA, pp. 163–168, 2013, [Online]. Available: https://repository.bsi.ac.id/index.php/unduh/item/48930/Sentika_2013Anik-Andriani.pdf.

B. Santoso, “An Analysis of Spam Email Detection Performance Assessment Using Machine Learning,” J. Online Inform., vol. 4, no. 1, p. 53, 2019, doi: 10.15575/join.v4i1.298.

DOI: https://doi.org/10.15575/telka.v9n1.52-61