Algoritma Klasifikasi Multilayer Perceptron Dalam Analisa Data Kebakaran Hutan

Haryani Haryani, Cucu Ika Agustyaningrum, Artika Surniandari, Sucitra Sahara, Ratna Kurnia Sari

Sari


Kebakaran hutan atau yang sering disebut dengan wildfire merupakan salah satu isu lingkungan yang utama karena berdampak negatif terhadap kelestarian hutan, merugikan lingkungan dan ekonomi, serta merugikan masyarakat. Kebakaran hutan adalah kondisi di mana hutan terbakar, merusak hasil hutan dan menyebabkan kerusakan ekologi dan ekonomi. Tujuan dari peramalan kebakaran hutan adalah untuk mengetahui seberapa sering terjadi kebakaran hutan. Oleh karena itu, proses analisis data dilakukan dengan menggunakan teknik machine learning tradisional melalui metode Random Forest, Decision Tree, Logistic Regression, Naive Bayes dan Multilayer Perceptron. Mengetahui keakuratan dan nilai hasil F1 memungkinkan membandingkan metode ini dengan bahasa pemrograman Python. Hasil pengujian menunjukkan bahwa pendekatan Multilayer Perceptron mengungguli metode Random Forest, Decision Tree, Logistic Regression dan Nave Bayes dengan nilai akurasi masing-masing sebesar 93,35% dan F1 Score 93,69% dengan ukuran hidden layer sebesar 64,64. Dibandingkan dengan pendekatan lain yang dipelajari, nilai metode multilayer perceptron cukup signifikan. Penelitian ini dapat membantu menentukan kemungkinan kebakaran hutan.

Teks Lengkap:

PDF

Referensi


Agustyaningrum, C. I., Gata, W., Nurfalah, R., & Radiyah, U. (2020). Komparasi Algoritma Naive Bayes , Random Forest Dan Svm Untuk Memprediksi Niat. Jurnal Informatika, 20(2).

Agustyaningrum, C. I., Haris, M., Aryanti, R., & Misriati, T. (2021). Online Shopper Intention Analysis Using Conventional Machine Learning And Deep Neural Network Classification Algorithm. Jurnal Penelitian Pos Dan Informatika, 11(1), 89–100. https://doi.org/10.17933/jppi.v11i1.341

As Sarofi, M. A., Irhamah, I., & Mukarromah, A. (2020). Identifikasi Genre Musik dengan Menggunakan Metode Random Forest. Jurnal Sains Dan Seni ITS, 9(1), 79–86. https://doi.org/10.12962/j23373520.v9i1.51311

Ayuningtyas, F., & Prasetyo, S. Y. J. (2020). Pemanfaatan Teknologi Machine Learning Untuk Klasifikasi Wilayah Risiko Kekeringan di Daerah Istimewa Yogyakarta Menggunakan Citra Landsat 8 Operational Land Imager (OLI). Jurnal Transformatika, 18(1), 13. https://doi.org/10.26623/transformatika.v18i1.2140

Baranovskiy, N., & Zharikova, M. (2014). A web-oriented geoinformation system application for forest fire danger prediction in typical forests of the Ukraine. Lecture Notes in Geoinformation and Cartography, 0(199669), 13–22. https://doi.org/10.1007/978-3-319-08180-9_2

Cortez, P., & Morais, A. (2007). A Data Mining Approach to Predict Forest Fires using Meteorological Data. Proceedings of 13th Portugese Conference on Artificial Intelligence, 512–523. http://www.dsi.uminho.pt/~pcortez/fires.pdf

Husen, D., Sandi, D., & Bumbungan, S. (2022). Analisis Prediksi Kebakaran Hutan dengan Menggunakan Algoritma Random Forest Classifier Kebakaran hutan dan lahan di Indonesia telah menjadi perhatian dunia internasional khususnya sejak kebakaran hutan yang terjadi pada tahun 80-an [ 2 ]. Penyebab kebaka. 16, 150–155.

Irfan, M., Ardi Sumbodo, B. A., & Candradewi, I. (2017). Sistem Klasifikasi Kendaraan Berbasis Pengolahan Citra Digital dengan Metode Multilayer Perceptron. IJEIS (Indonesian Journal of Electronics and Instrumentation Systems), 7(2), 139. https://doi.org/10.22146/ijeis.18260

Kabir, M. R., Ashraf, F. Bin, & Ajwad, R. (2019). Analysis of different predicting model for online shoppers’ purchase intention from empirical data. 2019 22nd International Conference on Computer and Information Technology, ICCIT 2019, March 2020. https://doi.org/10.1109/ICCIT48885.2019.9038521

Kresimo Negoro, N., diana, M., Izul Ula, M., & Dwi Insani, F. (2022). Analisis Kebakaran pada Hutan dan Lokasi Lahan di Provinsi Riau Menggunakan Metode C4.5. Maret, 7(1), 107–114.

Leonardo, R., Pratama, J., & Chrisnatalis, C. (2020). Perbandingan Metode Random Forest Dan Naïve Bayes Dalam Prediksi Keberhasilan Klien Telemarketing. Jurnal Teknologi Dan Ilmu Komputer Prima (Jutikomp), 3(2), 1–5.

Manalu, D. R., Zarlis, M., Mawengkang, H., & Sitompul, O. S. (2020). Forest Fire Prediction in Northern Sumatera using Support Vector Machine Based on the Fire Weather Index. April 2021, 187–196. https://doi.org/10.5121/csit.2020.101915

Nurachim, R. I. (2019). Pemilihan Model Prediksi Indeks Harga Saham Yang Dikembangkan Berdasarkan Algoritma Support Vector Machine ( Svm ) Atau Multilayer Perceptron ( Mlp ) Studi Kasus : Saham Pt Telekomunikasi Indonesia Tbk. 5(1), 29–35.

Pham, B. T., Jaafari, A., Avand, M., Al-Ansari, N., Du, T. D., Hai Yen, H. P., Phong, T. Van, Nguyen, D. H., Van Le, H., Mafi-Gholami, D., Prakash, I., Thuy, H. T., & Tuyen, T. T. (2020). Performance evaluation of machine learning methods for forest fire modeling and prediction. Symmetry, 12(6), 1–21. https://doi.org/10.3390/SYM12061022

Pratiwi, T. A., Irsyad, M., & Kurniawan, R. (2021). Klasifikasi Kebakaran Hutan dan Lahan Menggunakan Algoritma Naïve Bayes (Studi Kasus: Provinsi Riau). Jurnal Sistem Dan Teknologi Informasi (Justin), 9(2), 101. https://doi.org/10.26418/justin.v9i2.42823

Ratnawati, L., & Sulistyaningrum, D. R. (2019). Penerapan Random Forest untuk Mengukur Tingkat Keparahan Penyakit. Jurnal Sains Dan Seni Its, 8(2), A71–A77.

Saputra, R. A., Puspitasari, D., & Baidawi, T. (2022). Deteksi Kematangan Buah Melon dengan Algoritma Support Vector Machine Berbasis Ekstraksi Fitur GLCM. 4(2).

Shah, K., Patel, H., Sanghvi, D., & Shah, M. (2020). A Comparative Analysis of Logistic Regression, Random Forest and KNN Models for the Text Classification. Augmented Human Research, 5(1). https://doi.org/10.1007/s41133-020-00032-0

Yandi, J., Kurniawan, T. B., Negara, E. S., & Akbar, M. (2021). Prediksi Lokasi Titik Panas Kebaran Hutan menggunakan Model Regresion SVM (Support Vector Machine) pada Data Kebakaran Hutan Daops Manggala Agni Oki Provinsi Sumatera Selatan Tahun 2019. InfoTekJar : Jurnal Nasional Informatika Dan Teknologi Jaringan, 6(1), 10–15.

Zulfikar, W. B., & Lukman, N. (2016). Perbandingan Naive Bayes Classifier Dengan Nearest Neighbor Untuk Identifikasi Penyakit Mata. Jurnal Online Informatika, 1(2), 82–86. https://doi.org/10.15575/join.v1i2.33




DOI: https://doi.org/10.31294/infortech.v5i1.15792

Refbacks

  • Saat ini tidak ada refbacks.


Dipublikasikan oleh LPPM Universitas Bina Sarana Informatika

Jl. Kramat Raya No.98, Kwitang, Kec. Senen, Kota Jakarta Pusat, DKI Jakarta 10450
Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License