Analisis Perbandingan Metode Decision Tree, Naïve Bayes, dan Radial Basis Function Neural Network pada Klasifikasi Tinggi Muka Air Laut Marina Ancol

Abstract

Secara geografis, Indonesia merupakan negara kepulauan dengan luas lautan yang mencapai dua per tiga dibandingkan dengan luas daratannya. Berdasarkan hal tersebut, salah satu potensi yang dapat dikembangkan pada bidang perekonomian Indonesia adalah wisata bahari. Pantai Marina Ancol merupakan salah satu kawasan wisata bahari yang terletak di wilayah Jakarta Utara. Untuk menciptakan rasa keamanan dan kenyamanan bagi para wisatawan Pantai Marina Ancol, analisis klasifikasi tinggi muka air laut perlu dilakukan sebagai upaya antisipasi terhadap terjadinya bencana banjir rob yang merupakan peristiwa penggenangan daratan akibat terjadinya kenaikan permukaan air laut. Pada penelitian ini akan dilakukan analisis klasifikasi tinggi muka air laut Marina Ancol menggunakan metode Decision Tree, Naïve Bayes, dan Radial Basis Function Neural Network untuk mengetahui metode terbaik yang dapat digunakan dalam mengklasifikasikan tinggi muka air ke dalam empat kategori level air yaitu Siaga 1, Siaga 2, Siaga 3, dan Siaga 4 berdasarkan accuracy score dan false negative rate. Dalam memprediksikan kategori level air laut Marina Ancol, model yang didapat dengan metode Decision Tree menghasilkan nilai akurasi sebesar 85,19%, nilai false negative rate Siaga 1 sebesar 16,67%, dan nilai false negative rate Siaga 2 sebesar 12,24%. Dengan menggunakan metode Naïve Bayes, nilai akurasi yang dihasilkan dari model adalah sebesar 73,37%, nilai false negative rate Siaga 1 sebesar 16,67%, dan nilai false negative rate Siaga 2 sebesar 24,27%. Arsitektur model Radial Basis Function Neural Network yang terbaik adalah model dengan jumlah input layer sebanyak tiga, hidden neuron sebanyak lima belas, dan output neuron sebanyak empat. Nilai akurasi model RBFNN (3-15-4) menunjukkan nilai sebesar 86,64% nilai false negative rate Siaga 1 sebesar 100%, dan nilai false negative rate Siaga 2 sebesar 14,73%. Berdasarkan hasil tersebut, Decision Tree merupakan metode yang menghasilkan model lebih baik dibandingkan Radial Basis Function Neural Network dan Naïve Bayes dalam melakukan prediksi kategori level air.

CC Licencing

Authors who publish with this journal agree to the following terms:
- Authors retain copyright and grant the journal right of first publication with the work simultaneously licensed under a Creative Commons Attribution License that allows others to share the work with an acknowledgement of the work's authorship and initial publication in this journal.
- Authors are able to enter into separate, additional contractual arrangements for the non-exclusive distribution of the journal's published version of the work (e.g., post it to an institutional repository or publish it in a book), with an acknowledgement of its initial publication in this journal.
- Authors are permitted and encouraged to post their work online (e.g., in institutional repositories or on their website) prior to and during the submission process, as it can lead to productive exchanges, as well as earlier and greater citation of published work (See The Effect of Open Access).