Implementasi Forward Selection dan Bagging untuk Prediksi Kebakaran Hutan Menggunakan Algoritma Naïve Bayes

Fitriyani Fitriyani(1*)
(1) Universitas ARS
(*) Corresponding Author

https://doi.org/10.25077/TEKNOSI.v8i1.2022.1-8


Abstrak


Kebakaran hutan tidak hanya menimbulkan kerusakan ekonomi dan ekologi, akan tetapi juga mengancam kehidupan manusia dengan pencemaran udara karena asap yang ditimbulkan.Tingginya angka kejadian kebakaran hutan menentukan pentingnya prediksi dilakukan. Algerian Forest Fire merupakan dataset kebakaran hutan yang digunakan dalam penelitian ini, dimana dataset ini akan diolah dengan model yang diusulkan. Dataset ini memiliki fitur-fitur yang tidak relevan dan akan mempengaruhi terhadap kinerja dari model yang diusulkan, sehingga pemilihan fitur yang relevan menggunakan Forward Selection. Metode Bagging digunakan untuk menangani ketidakseimbangan kelas yang ada pada dataset ini dan algoritma Naïve Bayes sebagai algoritma machine learning yang diimplementasikan dalam penelitian ini. Hasil akurasi terbaik adalah sebesar 98.40% pada model Naive Bayes, Bagging dan Greedy Forward Selection dan 92.63% pada model Naïve Bayes dan Bagging.

Kata Kunci


Prediksi Kebakaran Hutan; Forward Selection; Bagging; Naïve Bayes


Teks Lengkap:

PDF


Referensi


[1] F. Abid and N. Izeboudjen, “Predicting Forest Fire in Algeria Using Data Mining Techniques: Case Study of the Decision Tree Algorithm,” Adv. Intell. Syst. Comput., vol. 1105 AISC, no. February, pp. 363–370, 2020.

[2] A. Alonso-Betanzos et al., “An intelligent system for forest fire risk prediction and fire fighting management in Galicia,” Expert Syst. Appl., vol. 25, no. 4, pp. 545–554, 2003.

[3] V. Sevinc, O. Kucuk, and M. Goltas, “A Bayesian network model for prediction and analysis of possible forest fire causes,” For. Ecol. Manage., vol. 457, no. June, p. 117723, 2020.

[4] H. Lin, X. Liu, X. Wang, and Y. Liu, “A fuzzy inference and big data analysis algorithm for the prediction of forest fire based on rechargeable wireless sensor networks,” Sustain. Comput. Informatics Syst., vol. 18, pp. 101–111, 2018.

[5] R. S. Wahono, “A Systematic Literature Review of Software Defect Prediction : Research Trends , Datasets , Methods and Frameworks,” J. Softw. Eng., vol. 1, no. 1, 2015.

[6] C. Catal and B. Diri, “A systematic review of software fault prediction studies,” Expert Syst. Appl., vol. 36, no. 4, pp. 7346–7354, 2009.

[7] J. Han, M. Kamber, and J. Pei, Data Mining: Concepts and Techniques. 2012.

[8] F. Fitriyani, “Metode Bagging Untuk Imbalance Class Pada Bedah Toraks Menggunakan Naive Bayes,” J. Kaji. Ilm., vol. 18, no. 3, p. 278, 2018.

[9] F. Fitriyani, “Prediksi Diabetes Menggunakan Algoritma Naive Bayes dan Greedy Forward Selection,” J. Nas. Teknol. dan Sist. Inf., vol. 7, no. 2, pp. 61–69, 2021.

[10] Y. An, S. Sun, and S. Wang, “Naive Bayes classifiers for music emotion classification based on lyrics,” Proc. - 16th IEEE/ACIS Int. Conf. Comput. Inf. Sci. ICIS 2017, no. 1, pp. 635–638, 2017.

[11] Fitriyani and R. S. Wahono, “Integrasi Bagging dan Greedy Forward Selection pada Prediksi Cacat Software dengan Menggunakan Naïve Bayes,” J. Softw. Eng., vol. 1, no. 2, pp. 101–108, 2015.

[12] R. Sanjaya and F. Fitriyani, “Prediksi Bedah Toraks Menggunakan Seleksi Fitur Forward Selection dan K-Nearest Neighbor,” J. Edukasi dan Penelit. Inform., vol. 5, no. 3, p. 316, 2019.

[13] I. H. Laradji, M. Alshayeb, and L. Ghouti, “Software defect prediction using ensemble learning on selected features,” Inf. Softw. Technol., vol. 58, pp. 388–402, 2015.

[14] F. Abdi, K. Khalili-Damghani, and S. Abolmakarem, “Solving customer insurance coverage sales plan problem using a multi-stage data mining approach,” Kybernetes, vol. 47, no. 1, pp. 2–19, 2018.

[15] M. M. Saritas and A. Yasar, “Performance Analysis of ANN and Naive Bayes Classification Algorithm for Data Classification,” Int. J. Intell. Syst. Appl. Eng., vol. 7, pp. 88–91, 2019.

[16] F. Fitriyani and T. Arifin, “Implementasi Greedy Forward Selection untuk Prediksi Metode Penyakit Kutil Menggunakan Decision Tree,” JST (Jurnal Sains dan Teknol., vol. 9, no. 1, pp. 76–85, 2020.

[17] X. Y. Liu and Z. H. Zhou, “Ensemble methods for class imbalance learning,” Imbalanced Learn. Found. Algorithms, Appl., pp. 61–82, 2013.

[18] J. Cai, J. Luo, S. Wang, and S. Yang, “Feature selection in machine learning: A new perspective,” Neurocomputing, vol. 300, pp. 70–79, 2018.

[19] Alpaydın Ethem, Introduction to Machine Learning Second Edition, 2nd ed. London: MIT, 2010.

[20] D. T. Larose, Data Mining Methods and Models. 2006.

[21] D. Sumeet and D. Xian, Data Mining and Machine Learning in Cybersecurity. 2011.

[22] M. Bramer, Principles of Data Mining, no. February. 2007.


Artikel Statistik

Abstrak telah dilihat : 726 kali
PDF telah dilihat : 606 kali

Refbacks

  • Saat ini tidak ada refbacks.


Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

 

Alamat Redaksi :
Departemen Sistem Informasi, Fakultas Teknologi Informasi
Universitas Andalas
Kampus Limau Manis, Padang 25163, Sumatera Barat

email: teknosi@fti.unand.ac.id

  Jumlah Pengunjung :

 

Creative Commons License
This work by JSI-Unand and licensed under a CC BY-SA 4.0 International License.