STUDI LITERATUR SISTEMATIS METODE KLASIFIKASI DATA MINING UNTUK PREDIKSI POTENSI BANJIR
Article Sidebar
Main Article Content
Abstract
Studi literatur sistematis ini bertujuan untuk menganalisis dan mengevaluasi berbagai metode klasifikasi data mining yang digunakan dalam prediksi potensi banjir, serta mengidentifikasi metode yang paling efektif berdasarkan hasil penelitian sebelumnya. Dengan menggunakan pendekatan Systematic Literature Review (SLR), penelitian ini mengkaji 15 jurnal ilmiah nasional dan internasional yang membahas penerapan metode klasifikasi seperti Naïve Bayes, Random Forest, K-Means, Decision Tree (J48 dan C4.5), ANFIS-PCA, dan Deep Learning dalam konteks mitigasi bencana banjir. Dari hasil kajian, ditemukan bahwa terdapat tiga metode klasifikasi yang menonjol berdasarkan tingkat akurasi, efisiensi komputasi, dan ketepatan dalam memetakan wilayah rawan banjir. Pertama, algoritma Random Forest menunjukkan performa unggul dalam hal akurasi dan kemampuan menangani data kompleks, seperti yang terlihat pada prediksi banjir di DKI Jakarta. Kedua, metode Naïve Bayes dinilai efektif pada dataset berskala kecil hingga menengah dengan tingkat kecepatan pemrosesan yang tinggi. Ketiga, pendekatan kombinasi ANFIS-PCA menawarkan keunggulan dalam mereduksi dimensi data dan meningkatkan hasil prediksi dalam sistem peringatan dini. Studi ini memberikan wawasan penting bagi pengembang sistem prediksi bencana untuk menentukan pendekatan klasifikasi yang paling sesuai dengan kebutuhan.
Downloads
Article Details
References
M. B. A. Darmawan, F. Dewanta, dan S. Astuti, “Analisis Perbandingan Algoritma Decision Tree, Random Forest, dan Naïve Bayes untuk Prediksi Banjir di Desa Dayeuhkolot,” TELKA: Jurnal Telekomunikasi, Elektronika, Komputasi, dan Kontrol, vol. 9, no. 1, pp. 52–61, Mei 2023.
[2] H. Rohayani, S. N. Alam, M. Fauzi, dan Rico, “Prediksi Penyebaran Virus COVID-19 Dari Hasil PCR Menggunakan Metode Naïve Bayes,” *Journal of Computer System and Informatics (JoSYC)*, vol. 4, no. 1, hlm. 109-115, Nov. 2022, doi: 10.47065/josyc.v4i1.2577.
[3] I. Nozomi, “Penerapan Data Mining untuk Peringatan Dini Banjir Menggunakan Metode Klastering K-Means (Studi Kasus Kota Padang),” Jurnal Sains Informatika Terapan (JSIT), vol. 2, no. 2, pp. 39–44, 2023.
[4] C. Cumel, D. Zamri, R. Rahmaddeni, dan S. Syamsurizal, “Perbandingan Metode Data Mining untuk Prediksi Banjir dengan Algoritma Naïve Bayes dan KNN,” Prosiding Seminar Nasional Penelitian dan Pengabdian Masyarakat (SENTIMAS), vol. 2022, pp. 40–48, 25 Agustus 2022.
[5] N. N. Salsabila, J. Rifaldi, N. Nuris, dan S. Diantika, “Estimasi Curah Hujan Menggunakan Klasifikasi Data Mining dengan Algoritma Naive Bayes,” Jurnal LLPP Universitas Nurdin Hamzah Jambi, pp. 56–58, 2024.
[6] H. Sharfina, P. Y. Utami, dan I. Fakhruzi, “Prediksi Bencana Banjir Menggunakan Algoritma Deep Learning H2O Berdasarkan Data Curah Hujan,” Jurnal Teknik Informatika dan Sistem Informasi (JATISI), vol. 10, no. 4, pp. 79–92, Des. 2023.
[7] N. Kurnia Asih, “Algoritma J48 untuk Pemodelan Sistem Prediksi Tingkat Kerawanan Banjir dengan Visualisasi Web GIS,” Tugas Akhir, Program Studi Teknik Informatika, Universitas Mercu Buana, Jakarta, 2020.
[8] A. Rachmawardani, S. K. Wijaya, Prawito, dan A. Sopaheluwakan, “Prediksi Banjir Menggunakan ANFIS–PCA sebagai Peringatan Dini Bencana Banjir,” ELKOMIKA: Jurnal Teknik Energi Elektrik, Telekomunikasi dan Elektronika, vol. 12, no. 2, pp. 335–351, Apr. 2024.
[9] N. S. Fatonah, “Penerapan Deteksi Bencana Banjir Menggunakan Metode Machine Learning,” Jurnal Format, vol. 10, no. 2, pp. 119–124, 2021.
[10] W. H. Sasoko, E. W. Pujiharto, R. Haris, A. Y. Kania, Kusrini, dan Kusnawi, “Prediksi Banjir di DKI Jakarta dengan Menggunakan Algoritma K-Means dan Random Forest,” J-COM: Jurnal Informatika dan Teknologi Komputer, vol. 5, no. 1, pp. 43–49, Apr. 2024.
[11] F.-J. Chang, K. Hsu, dan L.-C. Chang (eds.), Flood Forecasting Using Machine Learning Methods, MDPI Books, 2020. [Online]. Available: https://www.mdpi.com/books/reprint/1151-flood-forecasting-using-machine-learning-methods
[12] R. Srivastav dan P. C. Nayak, Applications of Machine Learning in Hydroclimatology, Springer, 2024. [Online]. Available: https://link.springer.com/book/9783031644023
[13] D. K. Hakim, R. Gernowo, dan A. W. Nirwansyah, “Flood prediction with time series data mining: Systematic review,” Natural Hazards Research, vol. 4, no. 2, pp. 194–220, Jun. 2024. [Online]. Available: https://doi.org/10.1016/j.nhres.2023.10.001
[14] L. S. Qamarani dan M. Riasetiawan, “Classification of Flood Levels using Random Forest and Support Vector Machine Algorithms,” Indonesian Journal of Electronics and Instrumentation Systems, Universitas Gadjah Mada, vol. 4, no. 1, 2024. [Online]. Available: https://jurnal.ugm.ac.id/ijeis/article/view/97043
[15] I. Risnawati, S. Rahma, F. Kusuma, N. Salsabila, A. Nourmansyah, A. Farhan, dan E. Irfiani, "Klasifikasi Data Mining Untuk Mengestimasi Potensi Curah Hujan Berdampak Banjir Daerah Menggunakan Algoritma C4.5," Jurnal INSAN (Journal of Information Systems Management Innovation), vol. 3, no. 2, pp. 78–84, Des. 2023. [Online]. Tersedia: http://jurnal.bsi.ac.id/index.php/jinsan