Perbandingan Metode Data Mining untuk Prediksi Banjir Dengan Algoritma Naïve Bayes dan KNN

Comparison of Data Mining Methods for Predition of Floods with Naïve Bayes and KNN Algorithm

Authors

  • Syamsurizal Mahasiswa STMIK AMIK RIAU
  • Cumel STMIK AMIK RIAU
  • David Zamri STMIK AMIK RIAU
  • Rahmaddeni STMIK AMIK RIAU

Keywords:

Banjir, Data Mining, kNN, Naive Bayes

Abstract

Banjir adalah suatu peristiwa yang perlu diwaspadai sebab tergolong musibah alam. Badan Penanggulangan Bencana Daerah (BPBD) merupakan salah satu lembaga pemerintahan yang bertugas menyampaikan informasi banjir di Jakarta. Untuk banjir terdapat standar yang akan dicapai oleh BPBD yaitu status pintu air di Pos Depok, Marina Ancol, Jembatan Merah, Katulampa, Flusing Ancol, Istiqlal dan Manggarai. Dataset banjir ini diambil dari database banjir di DKI Jakarta mulai tanggal 1/1/2020 sampai tanggal 12/7/2020 yang diambil dari www.kaggle.com. Untuk memprediksi banjir, digunakan metode data mining dengan kemampuan klasifikasi. Pendekatan yang digunakan dalam “data mining” ini memakai proses kegiatan berupa Knowledge Discovery in Databases (KDD), diawali dengan tahapan seleksi, preprocessing, transformasi, data mining dan evaluasi/interpretasi. Teknik yang akan dipakai dalam model klasifikasi data mining ini meliputi empat algoritma yaitu k-Nearest Neighbors (kNN) dan Naive Bayes. Metode klasifikasi meliputi variabel target dan variabel prediktor. Prediktornya antara lain gerbang Pos Depok, Marina Ancol, Jembatan Merah, Katulampa,Flusing Ancol, Istiqlal dan Manggarai. Perangkat lunak yang digunakan dalam pengolahan data adalah perangkat lunak Rapid Miner. Hasil akhir dari kedua algoritma tersebut adalah algoritma kNN merupakan algoritma yang paling bagus dalam prediksi banjir, nilai akurasi (88,94%), error (11,06%).

References

Larose. 2005. Discovering Knowledge in Data.Canada: Wiley-Interscience

Sri Widaningsih (2019). Perbandingan Metode Data Mining Untuk Prediksi Nilai Dan Waktu Kelulusan Mahasiswa Prodi Teknik Informatika Dengan Algoritma C4.5, Naïve Bayes, Knn, Dan Svm. Jurnal Tekno Insentif | ISSN (p): 1907-4964 | ISSN (e): 2655-089X

Tomar, D., & Agarwal, S. (2013). A survey on Data Mining approaches for Healthcare. International Journal of Bio- Science and Bio -Technology, 5 , 241-266

Neelamegam, S., & Ramaraj, E. (2013). Classification algorithm in Data mining: An Overview. International Journal of P2P Network Trends and Technology (IJPTT), 3, 1-5.

Annasaheb, A.B., & Verma, V.K. (2016). Classification Techniques: A Recent Survey. International Journal of Emerging Technologies in Engineering Research (IJETER), 4, 51-54.

Suyatno. (2017) Data Mining Untuk Klasifikasi dan Klasterisasi Data. Bandung: Informatika

Gorunescu, F. (2011). Data Mining Concepts, Models and Techniques. Berlin: Springer

Downloads

Published

2022-09-01

How to Cite

Syamsurizal, Cumel, David Zamri, & Rahmaddeni. (2022). Perbandingan Metode Data Mining untuk Prediksi Banjir Dengan Algoritma Naïve Bayes dan KNN: Comparison of Data Mining Methods for Predition of Floods with Naïve Bayes and KNN Algorithm. SENTIMAS: Seminar Nasional Penelitian Dan Pengabdian Masyarakat, 1(1), 40-48. Retrieved from https://journal.irpi.or.id/index.php/sentimas/article/view/353

Issue

Section

Sains dan Teknologi

Most read articles by the same author(s)