Optimasi Algoritme Naive Bayes Untuk Klasifikasi Data Gempa Bumi di Indonesia Berdasarkan Hiposentrum

Rastri Prathivi

Abstract


Abstract: The Hiposentrum or epicentre is the source of an earthquake which is at a certain depth on earth. The classification of earthquake powers based on the depth of Hiposentrum needed to examine the potential earthquake powers spread in Indonesian territory. The results of the classification process often experience problems, namely inaccuracy in classification. To solve that problem, then algorithms optimising classification must be increased. This research uses the Naïve Bayes algorithm, which is optimized using the Adaboost algorithm. Evaluation of the results of the optimized classification algorithm is needed to determine the level of accuracy using prescriptions and recall. In this study, the object of research is earthquake data in Indonesia which will be used as training data and testing data. The average accuracy of the Naïve Bayes algorithm is 72.3%, and the Naïve Bayes and Adaboost algorithm is 85.3%.

Abstrak: Hiposentrum atau pusat gempa merupakan sumber gempa yang terdapat pada kedalaman tertentu di bumi. Klasifikasi kekuatan gempa berdasarkan kedalaman hiposentrum diperlukan untuk mengetahui potensi kekuatan gempa yang tersebar di wilayah Indonesia. Hasil dari proses klasifikasi seringkali mengalami masalah yaitu ketidaktepatan dalam klasifikasi. Untuk mengatasi masalah tersebut maka algoritme klasifikasi perlu ditingkatkan optimasinya. Penelitian ini menggunakan algoritme Naive Bayes yang dioptimasi menggunakan algoritme Adaboost. Evaluasi terhadap hasil dari algoritme klasifikasi yang telah dioptimasi diperlukan untuk mengetahui tingkat akurasi menggunakan presicion dan recall. Dalam penelitian ini objek penelitian berupa data gempa bumi di Indonesia yang akan digunakan sebagai data training  dan data testing. Hasil rata - rata akurasi algoritme Naïve Bayes sebesar 72,3% dan algoritme Naïve Bayes dan Adaboost sebesar 85,3%.


Keywords


Klasifikasi Gempa; Hiposentrum; Adaboost; Naive Bayes

Full Text:

pdf (Indonesian)

References


Chengsheng, T., Huacheng, L., & Bing, X. (2017). AdaBoost typical Algorithm and its application research. In MATEC Web of Conferences (Vol. 139, p. 00222). EDP Sciences.

Dey, L., Chakraborty, S., Biswas, A., Bose, B., & Tiwari, S. (2016). Sentiment analysis of review datasets using naive bayes and k-nn classifier. arXiv preprint arXiv:1610.09982.

E. Prasetyo, (2012) Data Mining: Konsep dan Aplikasi menggunakan Matlab, 1 ed. Yogyakarta: Andi Offset.

Fatichah, C., & Purwitasari, D. (2017). Deteksi Gempa Berdasarkan Data Twitter Menggunakan Decision Tree, Random Forest, dan SVM. Jurnal Teknik ITS, 6(1), 153-158.

Haixiang, G., Yijing, L., Yanan, L., Xiao, L., & Jinling, L. (2016). BPSO-Adaboost-KNN ensemble learning algorithm for multi-class imbalanced data classification. Engineering Applications of Artificial Intelligence, 49, 176-193.

Halim, N. N., & Widodo, E. (2017). Clustering Dampak Gempa Bumi di Indonesia Menggunakan Kohonen Self Organizing Maps (SOM). In Prosiding SI MaNIs (Seminar Nasional Integrasi Matematika dan Nilai-Nilai Islami) (Vol. 1, No. 1, pp. 188-194).

Hartuti, E. R. 2009. Buku Pintar Gempa. Yogyakarta: Diva Perss

Listiana, E., & Muslim, M. A. (2017). Penerapan Adaboost untuk Klasifikasi Support Vector Machine Guna Meningkatkan Akurasi pada Diagnosa Chronic Kidney Disease. Prosiding SNATIF, 875-881.

Nakra, A., & Duhan, M. (2019). Comparative Analysis of Bayes Net Classifier, Naive Bayes Classifier and Combination of both Classifiers using WEKA. IJ Inf. Technol. Comput. Sci, 11, 38-45.

Saraswathi, S., & Sheela, M. I. (2014). A comparative study of various clustering algorithms in data mining. International Journal of Computer Science and Mobile Computing, 11(11), 422-428.

Sari, N. N. (2018). K-Affinity Propagation (K-AP) Clustering Untuk Klasifikasi Gempa Bumi (Studi Kasus: Gempa Bumi di Indonesia Tahun 2017).

Saritas, M. M., & Yasar, A. (2019). Performance Analysis of ANN and Naive Bayes Classification Algorithm for Data Classification. International Journal of Intelligent Systems and Applications in Engineering, 7(2), 88-91.




DOI: http://dx.doi.org/10.35671/telematika.v13i1.928

Refbacks

  • There are currently no refbacks.




Indexed by:

      http://click.accelo.com/wf/click?upn=KMJOFt8368XHDV6m09YF-2BTGnIfzAj8ov81j3S3dKrgX-2FSP8SBOSe2Y-2FRl3XtyVdizj-2FkXxL-2F-2FBp-2BQ3h3JmTUMA-3D-3D_m-2BrHp932aZXzO0XgkbwedgKvn5QWlonE5sMgaivZdq7OsTVSTY4hEqzD-2Bq18nXAyLJBneuiZlt38H2UV92XxYUTcMxEriSXBXl4R62YQbqlgPCj4HTJTRlEeMBija8NFLIgPs2I1UuCR2UCZXSiKb2ocM6V4QaW-2FslHJUiSZesKuX9OlsnCNztILLyuQC4ZZvCegHVeQWDMYSYLvWzv-2FxgZ4v9s-2B2Ehf-2FEsLNi2Ea97Xe1t2vA4kmxioKhj90qGfUs7WlNUb-2B3FL0DjX8F4BTUuUiemqtsGMdQg-2By7qV9RY-3D     

Telematika

ISSN 2442-4528 (online) | ISSN 1979-925X (print)
Published by : Universitas Amikom Purwokerto
Jl. Let. Jend. POL SUMARTO Watumas, Purwonegoro - Purwokerto Telp (0281) 623321 Fax (0281) 621662
Email: telematika@amikompurwokerto.ac.id

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