Application of the Decision Tree Method to Forest Fire Detection (Case Study: in Palembang, South Sumatra)
Penerapan Metode Decision Tree terhadap Deteksi Kebakaran Hutan (Studi Kasus: Palembang, Sumatera Selatan)
Abstract
Kebakaran hutan dan lahan merupakan masalah pada lingkungan yang sangat merugikan bagi masyarakat. Penelitian ini bertujuan untuk mengklasifikasi prediksi kebakaran hutan dan lahan yang terjadi pada kota Palembang, Sumatera Selatan. penelitian ini menggunakan data dari BPS kota Palembang sebanyak 60 data dalam empat tahun (2015-2019). Model yang digunakan pada penelitian ini menggunakan algoritma Decision Tree C4.5 dengan variabel yang digunakan berupa bulan, kecepatan angin, curah hujan dan kelembaban udara. Penelitian ini menerapkan 5 skenario dengan kombinasi variabel dengan tingkat akurasi terbaik. Hasil penelitian yang dikeluarkan berupa klasifikasi apakah suatu hutan dan lahan terjadi kebakaran atau tidak. Nilai akurasi dari dataset tersebut dalam waktu empat tahun (2015-2019) dengan skenario pembagian dataset training 80 dan data testing 25% mendapatkan nilai akurasi sebesar 92%. Maka model algoritma Decision Tree C4.5 yang digunakan pada penelitian ini, dapat disimpulkan bahwa model algoritma Decision Tree C4.5 memiliki potensi untuk melakukan klasifikasi terhadap potensi kebakaran hutan dan lahan pada kota Palembang, Sumatera Selatan.
References
[2] Primajaya, A., Sari, B. N., & Khusaeri, A. Prediksi Potensi Kebakaran Hutan dengan Algoritma Klasifikasi C4. 5 Studi Kasus Provinsi Kalimantan Barat. JEPIN (Jurnal Edukasi dan Penelitian Informatika), 6(2), 188-192.
[3] Noviansyah, M. R., Rismawan, T., & Midyanti, D. M. (2018). Penerapan data mining menggunakan metode k-nearest neighbor untuk klasifikasi indeks cuaca kebakaran berdasarkan data AWS (automatic weather station)(studi kasus: kabupaten Kubu Raya). Coding Jurnal Komputer dan Aplikasi, 6(2).
[4] Fitriyani, F., & Sanjaya, R. (2018). KOMPARASI ALGORITMA LR, K-NN DAN SVM UNTUK ESTIMASI AREA KEBAKARAN HUTAN. Infotronik: Jurnal Teknologi Informasi dan Elektronika, 3(2), 103-110.
[5] Karo, I. M. K. Implementasi Metode XGBoost dan Feature Important untuk Klasifikasi pada Kebakaran Hutan dan Lahan. Journal of Software Engineering, Information and Communication Technology (SEICT), 1(1), 10-16.
[6] Sugianto, C. A. (2015). Analisis Komparasi Algoritma Klasifikasi Untuk Menangani Data Tidak Seimbang Pada Data Kebakaran Hutan. Techno. com, 14(4), 336-342.
[7] Yusuf A., Hapsoh, Siregar S.H., Nurrochmat D.R., (2019). Analsis Kebakaran Hutan dan Lahan di Propinsi Riau. (Dinamika Lingkungan Indonesia), 6(2).
[8] Maulida, L. (2018). Penerapan Data Mining dalam Mengelompokkan Kunjungan Wisatawan ke Objek Wisata Unggulan di Prov. DKI Jakarta dengan K-Means. JISKA (Jurnal Informatika Sunan Kalijaga), 2(3), 167-174.
[9] Tayyib, M., & Winahju, W. S. (2014). Pemodelan Kecepatan Angin di Perairan Pulau Bawean dengan Menggunakan Fungsi Transfer. Jurnal Sains dan Seni ITS, 3(2), D248-D253.
[10] Fauziah, N., Wahyuningsih, S., & Nasution, Y. N. (2016). Peramalan Mengunakan Fuzzy Time Series Chen (Studi Kasus: Curah Hujan Kota Samarinda). Jurnal Statistika Universitas Muhammadiyah Semarang, 4(2).
[11] Alizkan, U. (2017). Analisis Korelasi Kelembaban Udara Terhadap Epidemi Demam Berdarah Yang Terjadi Di Kabupaten Dan Kota Serang. Gravity: Jurnal Ilmiah Penelitian dan Pembelajaran Fisika, 3(1).
[12] Widiastuti, D. (2012). Analisa Perbandingan Algoritma Svm, Naive Bayes, Dan Decision Tree Dalam Mengklasifikasikan Serangan (Attacks) Pada Sistem Pendeteksi Intrusi.
[13] Mohamed, H. (2015). Implementasi algoritma naïve bayes untuk proses seleksi penerima beasiswa Libyan Embassy berbasis web (Doctoral dissertation, Universitas Islam Negeri Maulana Malik Ibrahim).
[14] Setiawan, A. (2018). Kebijakan Penanganan Kebakaran Hutan dan Lahan di Indonesia. Political Ecology, VI (May), 1-13.
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
.png)
.png)
