Prediksi Potensi Kebakaran Hutan dengan Algoritma Klasifikasi C4.5 Studi Kasus Provinsi Kalimantan Barat

Aji Primajaya, Betha Nurina Sari, Ahmad Khusaeri

Abstract


Algoritma C4.5 merupakan algoritma klasifikasi yang memungkinkan bisa diterapkan untuk studi kasus prediksi potensi kebakaran hutan. Untuk mengetahui penerapan algoritma C4.5 pada prediksi kebakaran hutan, perlu dilakukan penelitian terkait hal tersebut. Metodologi yang digunakan adalah Knowledge Discovery in Database (KDD). Tahap dari KDD terdiri dari pengumpulan dan pemilihan data, pemrosesan data, transformasi data, pengolahan data dengan algoritma C4.5 dan terakhir adalah interpretasi serta evaluasi pengetahuan. Percentage split, Cross validation, Use Training Set digunakan sebagai teknik pembagian data training dan testing dengan skenario pesentase dan dipilih model terbaik. Indikator evaluasi yang digunakan adalah akurasi. Penelitian menghasilkan kesimpulan bahwa C4.5 dengan percentage split 80%data training dan 20% data testing menghasilkan akurasi tertinggi yaitu 89,7859%.


Keywords


C4.5; Kebakaran Hutan; Prediksi; KDD; Percentage Split

Full Text:

PDF

References


L. Tacconi, “Kebakaran Hutan di Indonesia : Penyebab, Biaya dan Implikasi Kebakaran,” in CIFOR Occasional Paper, 2003, paper No 38(i).

C. A. Sugianto, “Analisis Komparasi Algoritma Klasifikasi Untuk Menangani Data Tidak Seimbang Pada Data Kebakaran Hutan,” Techno.COM., vol. 14, pp. 336–342, Nov. 2015.

I. S. Sitanggang, R. Yakoob, N. Mustapha, A. A. B. Nuruddin, “An Extended ID3 Decision Algorithm for Spatial Data,” in Proc. International Conference in Spatial Datamining and Geographical Knowledge Services, 2011, p. 48-53.

A. Primajaya, I. S. Sitanggang, L. Syaufina, “Visualization of Spatial Decision Tree For Predicting Hotspot Occurrence in Land and Forest in Rokan Hilir District Riau,” in Proc. IOP Conf. Ser.: Earth Environment. Science, 2017, p. 1-8.

A. Akbar, “Pruning Pada Fuzzy Decision Tree Dalam Klasifikasi Data Iklim dan Titik Api di Daerah Tjilik Riwut, Palangkaraya, Kalimantan Selatan,” S. Eng. thesis, Institut Pertanian Bogor, Bogor, Indonesia, Juni 2012

A. M. Y. A. Suci, I. S. Sitanggang, “Web-Based Aplication for Outliers Detection on Hotspot Data Using K-Means Algorithm and Shiny Framework,” in Proc. IOP Conf. Ser.: Earth Environment. Science, 2016, p. 1-8.

T. Turmudi, P. Kardono, P. Hartanto, Y. Arditasari. “Forest and Land Fire Prevention Through The Hotspot Movement Pattern Approach,” in Proc. IOP Conf. Ser.: Earth Environment. Science, 2018, p. 1-8.

N. Istiqomah, I. S. Sitanggang, L. Syaufina. “Fire Spot Identification Based on Hotspot Sequential Pattern And Burn Area Classification,” BIOTROPIA, vol. 25, pp. 147–155, 2018.

A. Priyam, Abhijeet, R. Gupta, A. Rathee, S. Srivastava. “Comparative Analysis of Decision Tree Classification Algorithms,” International Journal Of Current Engineering and Technology, vol. 3, pp. 334–337, Juni 2013.

P. Cortez, A. Morais. “A Datamining Approach to Predict Fores Fire Using Meteorological Data,” Information System, pp. 1–12, 2007.

M. Budi, R. Karyadin, S. H. Wijaya. “Perbandingan Algoritme Pruning pada Decision Tree yang dikembangkan Dengan Algoritme CART”, Jurnal Ilmiah Ilmu Komputer, Vol. 15, pp. 7-13 , Desember 2010

Fitriyani, R. Sanjaya, “Komparasi Algoritme LR, K-NN dan SVM untuk Estimasi Area Kebakaran Hutan”, Jurnal Ilmiah Ilmu Komputer, Vol. 15, pp. 7-13 , Desember 2010

I. Rahmayuni, “Perbandingan Performansi Algoritma C4.5 dan CART Dalam Klasifikasi Data Nilai Mahasiswa Prodi Teknik Komputer Politeknik Negri Padang”, Jurnal TEKNOIF, Vol. 2, pp. 40-46 , April 2014

D. Alverina, A. R. Chrismanto, R. G. Santosa, “Perbandingan Performansi Algoritma C4.5 dan CART Dalam Memprediksi Kategori Indeks Prestasi Mahasiswa”, Jurnal Teknologi dan Sistem Komputer, Vol. 6, pp. 76-83 , April 2018

S. Widaningsih, “Perbandingan Metode Datamining untuk Prediksi Nilai dan Waktu Kelulusan Mahasiswa Prodi Teknik Informatika dengan Algoritma C4.5, Naïve Bayes, KNN, dan SVM”, Jurnal Tekno Insentif, Vol. 13, pp. 16-25 , April 2019




DOI: http://dx.doi.org/10.26418/jp.v6i2.37834

Refbacks

  • There are currently no refbacks.