Perbandingan Algoritma C4.5, Naïve Bayes dan K-Nearest Neighbour untuk Prediksi Lahan Kritis di Kabupaten Pemalang
Keywords:
Lahan Kritis, Klasifikasi, Naïve BayesAbstract
Keberadaan lahan merupakan aspek penting dalam kehidupan
manusia dan makhluk hidup lainnya, akan tetapi persoalan kerusakan
hutan dan lahan terus terjadi dan mengalami peningkatan sehingga
mengakibatkan lahan menjadi kritis. Data dan informasi mengenai
degradasi hutan dan lahan seringkali tidak mengacu kepada format
dan struktur database yang dapat dipertanggungjawabkan.Sehingga
salah satu faktor penting dalam menentukan kesuksesan
pemetaanpenggunaan lahan guna meningkatkan fungsi hutan lindung
dan hutan konservasiterletak pada pemilihan skema klasifikasi
lahannya. Klasifikasi dapat diselesaikan dengan menggunakan teknik
data mining. Klasifikasi termasuk dalam tipe supervised learning yang
artinya dibutuhkan data pelatihan untuk membangun suatu model
klasifikasinya. Terdapat lima kategori klasifikasi yaitu berbasis
stastistik, berbasis jarak, berbasis pohon keputusan, berbasis jaringan
saraf, dan berbasis aturan. Tiap kategori klasifikasi memiliki banyak
pilihan algoritma. Algoritma yang paling sering digunakan adalah
algoritma C4.5, Naïve Bayes, dan k-Nearest Neighbour (k-NN).
Penelitian ini akan membandingkan hasil klasifikasi dari tiga
algoritma tersebut untuk mengetahui algoritma mana yang memiliki
kinerja paling baik dalam memprediksi berdasarkan nilai akurasi.
Data yang digunakan yaitu data lahan lahan kritis daerah hutan
lindung dan hutan konservasi Kabupaten Pemalang .Hasil dari
penelitian ini diperoleh C4.5 memiliki akurasi paling tinggi sebesar
77,75 % disusul Naïve Bayes 77,49% dan terakhir k-NN memiliki
akurasi sebesar 73,91%.
References
measures. Information Fusion. https://doi.org/10.1016/j.inffus.2012.03.003
Aburomman, A. A., Bin, M., & Reaz, I. (2015). A novel SVM-kNN-PSO ensemble method for
intrusion detection system. Applied Soft Computing Journal, 1–13.
https://doi.org/10.1016/j.asoc.2015.10.011
Candra, D. S. (2011). Analysis Of Critical Land In The Musi Watershed. International Journal
of Remote Sensing and Earth Sciences, 8, 13–18.
Escalante, H. J., Morales, E. F., & Sucar, L. E. (2016). A na?ve Bayes baseline for early gesture
recognition. Pattern Recognition Letters. https://doi.org/10.1016/j.patrec.2016.01.013
Fan, W., Wallace, L., Rich, S., & Zhang, Z. (2006). Tapping the power of text mining.
Communications of the ACM, 49(9), 76–82. https://doi.org/10.1145/1151030.1151032
Farid, D. M., & Rahman, M. Z. (2010). Anomaly Network Intrusion Detection Based on
Improved Self Adaptive Bayesian Algorithm. Journal Of Computer, 5(1), 23–31.
https://doi.org/10.4304/jcp.5.1.23-31
Farid, D. M., Zhang, L., Rahman, C. M., Hossain, M. A., & Strachan, R. (2014). Hybrid
decision tree and naïve Bayes classifiers for multi-class classification tasks. Expert
Systems with Applications. https://doi.org/10.1016/j.eswa.2013.08.089
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2018 Nur Khotimah, Deden Istiawan
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
