Penerapan Metode SMOTE dalam Klasifikasi Daerah Rawan Banjir di Karawang Menggunakan Algoritma Naive Bayes
DOI:
https://doi.org/10.26418/justin.v10i4.46935Keywords:
Banjir, Klasifikasi, Naive Bayes, SMOTE, Data MiningAbstract
Salah satu akibat terjadinya perubahan iklim yaitu meningkatnya kejadian ekstrem yang ditandai dengan peningkatan frekuensi bencana. Frekuensi bencana paling besar adalah banjir. Karawang menjadi salah satu daerah yang sering dilanda banjir, hal tersebut membuat kemajuan kota Karawang menjadi terhambat. Untuk mengantisipasi hal tersebut, maka dilakukan penilaian terhadap pengelolaan banjir dengan tujuan untuk memprediksi daerah yang termasuk dan yang tidak termasuk rawan banjir. Naive Bayes salah satu algoritma klasifikasi menggunakan metode probabilitastik dan statistik yang dapat memprediksi peluang di masa depan berdasarkan data sebelumnya. Namun, dalam klasifikasi biasanya penggunaan data imbalance sering terjadi sehingga akan menyebabkan klasifikasi lebih cenderung terhadap kelas mayoritas dibanding kelas minoritas. Maka dari itu, diperlukan salah satu teknik sampling untuk mengatasi data imbalance yaitu SMOTE (Synthetic Minority Over-Sampling Technique). Sehingga penelitian ini menggunakan 2 skenario pengujian untuk dilakukan perbandingan, pertama pemodelan hanya menggunakan Naive Bayes dan kedua pemodelan menggunakan Naive Bayes+SMOTE dengan percobaan nilai k-SMOTE sebanyak 5 kali. Data yang digunakan pada tahun 2016-2017 menggunakan 5 data parameter sebagai input dengan total 309 record. Hasil eksperimen menunjukkan bahwa penerapan Naive Bayes+SMOTE dinilai mampu meningkatkan dan menghasilkan performance yang lebih baik dengan nilai akurasi tertinggi pada saat k = 11 sebesar 83,75% dibandingkan dengan Naive Bayes saja sebesar 65,38%. Selain itu, Naive Bayes dinilai mampu mengklasifikasikan daerah rawan banjir secara sangat baik dengan nilai AUC (The Under Curve) yang dihasilkan sebesar 0,944. Sehingga dapat disimpulkan bahwa algoritma Naive Bayes dapat dikombinasikan secara baik dengan metode SMOTE.
References
U. Handoko, R. Boer, E. Aldrian, and D. Dasanto, “Persepsi Kerentanan Bahaya Banjir dan Kekeringan Akibat Perubahan Iklim,†vol. 25, no. 2, 2018.
N. Mirzaei, F. Mohammadi Shahboulaghi, K. Nourozi, A. Biglarian, and G. Hosseiny, “Data Bencana Indonesia 2017,†in Iranian Journal of Rehabilitation Research, vol. 1, no. 4, 2015, pp. 1–10.
et all Hasan, “ANALISIS TINGKAT KERAWANAN BANJIR DI BENGAWAN JERO KABUPATEN LAMONGAN,†J. Geogr. Unsu, vol. 03, no. No 03, pp. 239–247, 2015.
B. Barus et al., “PEMETAAN BAHAYA BANJIR LAHAN SAWAH DI KABUPATEN KARAWANG Flood Hazard Mapping Level Paddy Field at District Karawang,†vol. 19, no. April, pp. 41–45, 2017.
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.
K. Khosravi et al., “A Comparative Assessment of Decision Trees Algorithms for Flash Flood Susceptibility Modeling at Haraz Watershed, Northern Iran,†Sci. Total Environ., vol. 627, pp. 744–755, 2018, doi: 10.1016/j.scitotenv.2018.01.266.
M. Bramer, Principles of Data Mining, no. January 2007. 2007.
Hairani, N. A. Setiawan, and T. B. Adji, “Metode Klasifikasi Data Mining dan Teknik Sampling Smote ... (Hairani dkk.),†Semin. Nas. Sains dan Teknol., pp. 168–172, 2013.
N. V. Chawla, K. W. Bowyer, L. O. Hall, and W. P. Kegelmeyer, “SMOTE: Synthetic minority over-sampling technique,†J. Artif. Intell. Res., vol. 16, no. June, pp. 321–357, 2002, doi: 10.1613/jair.953.
R. Basis, F. Classifier, and S. Mapping, “A Comparative Study of Kernel Logistic Regression, Radial Basis Function Classifier, Multinomial Naïve Bayes, and Logistic Model Tree for Flash Flood Susceptibility Mapping,†2020.
K. Khosravi et al., “A Comparative Assessment of Flood Susceptibility Modeling Using Multi-Criteria Decision-Making Analysis and Machine Learning Methods,†J. Hydrol., 2019, doi: 10.1016/j.jhydrol.2019.03.073.
R. Wirth, “CRISP-DM : Towards a Standard Process Model for Data Mining,†Proc. Fourth Int. Conf. Pract. Appl. Knowl. Discov. Data Min., no. 24959, pp. 29–39, 2000.
"Kerugian Akibat Banjir Karawang Diperkirakan Mencapai Rp 44 Miliar," 11 Maret 2020. [Online]. Available: https://regional.kompas.com/read/2020/03/11/19144091/kerugian-akibat-banjir-karawang-diperkirakan-mencapai-rp-44-miliar?page=all. [Accessed 5 September 2020].
F. T. Hristea, "The Naive Bayes Model for Unsupervised Word Sense Disambiguation", Springer Science & Business Media, 2013.
G. Kesavaraj and S. Sukumaran, "A study on classification techniques in data mining," 2013 Fourth International Conference on Computing, Communications and Networking Technologies (ICCCNT), 2013, pp. 1-7, doi: 10.1109/ICCCNT.2013.6726842.
F. Gorunescu, "Data Mining Concepts, Models and Technique", Berlin : Spinger, 2011.
G. Rapid-I, "Rapidminer 4.2 Tutorial", Germany: Rapid-I, 2008.
T. Wang dan W. H. Li, “Naïve bayes software defect prediction model,†in 2010 International Conference on Computational Intelligence and Software Engineering, CiSE 2010, 2010, doi: 10.1109/CISE.2010.5677057.
Y. Sun, A. K. C. Wong, and M. S. Kamel, “Classification of imbalanced data: A review,†Int. J. Pattern Recognit. Artif. Intell., vol. 23, no. 4, pp. 687–719, Jun. 2009, doi: 10.1142/S0218001409007326.
S. Widaningsih, “Perbandingan Metode Data Mining Untuk Prediksi Nilai Dan Waktu Kelulusan Mahasiswa Prodi Teknik Informatika Dengan Algoritma C4,5, Naïve Bayes, Knn Dan Svm,†J. Tekno Insentif, vol. 13, no. 1, pp. 16–25, 2019, doi: 10.36787/jti.v13i1.78.
I. Ghozali, Aplikasi Analisis Multivariat dengan Program SPSS, Semarang: Badan Penerbit Universitas Diponegoro, 2009.
Downloads
Published
Issue
Section
License
Copyright (c) 2022 JUSTIN (Jurnal Sistem dan Teknologi Informasi)
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
The author owns the copyright in his paper and agrees to publish his paper to JUSTIN by giving the rights to the first publication of his paper which is simultaneously licensed under the Creative Commons Attribution License, namely the Similar International 4.0 license (CC BY-NC-SA 4.0).
This is a human-readable summary of (and not a substitute for) the license. Disclaimer.
You are free to:Share "” copy and redistribute the material in any medium or format
Adapt "” remix, transform, and build upon the material
The licensor cannot revoke these freedoms as long as you follow the license terms.
Under the following terms:
Attribution "” You must give appropriate credit, provide a link to the license, and indicate if changes were made. You may do so in any reasonable manner, but not in any way that suggests the licensor endorses you or your use.
NonCommercial "” You may not use the material for commercial purposes.
ShareAlike "” If you remix, transform, or build upon the material, you must distribute your contributions under the same license as the original.
No additional restrictions "” You may not apply legal terms or technological measures that legally restrict others from doing anything the license permits.
Notices:
You do not have to comply with the license for elements of the material in the public domain or where your use is permitted by an applicable exception or limitation.
No warranties are given. The license may not give you all of the permissions necessary for your intended use. For example, other rights such as publicity, privacy, or moral rights may limit how you use the material.
