2023-Sinta4-Klasifikasi Tingkat Kerawanan Banjir Wilayah Medan
2023-Sinta4-Klasifikasi Tingkat Kerawanan Banjir Wilayah Medan
ABSTRACT
Floods are natural disasters that often occur, as much as 40% compared to other natural disasters. The flood
disaster itself was caused by several factors including rainfall, slope, river runoff, as well as human factors such
as not protecting the surrounding environment. The purpose of this study is to calculate the level of accuracy and
classify the level of vulnerability to flooding in the city of Medan. The type of method used is the Naïve Bayes
method and the J48 Algorithm. The parameters used are rainfall, slope, and river runoff which are then processed
using the Naïve Bayes method to determine the class of flood hazard in the city of Medan. After going through the
calculation process with the J48 Algorithm method, the results showed that the accuracy value obtained was
99.187%. This accuracy value can be stated to be very high as a predictive model. The rainfall factor is a factor
causing flooding in the city of Medan. This is because the rainfall class gets the highest weighting value.
ABSTRAK
Banjir merupakan bencana alam yang sering terjadi, sebanyak 40% dibandingkan dengan bencana alam lainnya.
Bencana banjir sendiri diakibatkan oleh beberapa faktor diantaranya curah hujan, kemiringan lereng, limpasan
sungai, maupun faktor manusia seperti tidak menjaga lingkungan sekitar. Tujuan dari penelitian ini adalah untuk
menghitung tingkat akurasi dan mengklasifikasikan tingkat kerawanan banjir di kota Medan. Jenis metode yang
digunakan adalah metode Naïve Bayes dan Algoritma J48. Parameter yang digunakan adalah curah hujan,
kemiringan lereng, dan limpasan sungai yang kemudian diolah dengan metode Naïve Bayes untuk menentukan
kelas kerawanan banjir di kota Medan. Setelah melalui proses perhitungan dengan metode Algoritma J48, hasil
penelitian menunjukan bahwa nilai akurasi yang didapatkan sebesar 99,187 %. Nilai akurasi tersebut dapat
dinyatakan sangat tinggi sebagai model prediksi. Faktor curah hujan menjadi faktor penyebab banjir di kota
Medan. Hal tersebut dikarenakan kelas curah huan mendapatkan nilai pembobotan paling tinggi.
657
2023. Journal of Information Technology and Computer Science (INTECOMS) 6(2): 657-665
sebanyak 5.590 sungai induk dan 600 menghasilkan pohon keputusan yang dapat
diantaranya berpotensi dapat menimbulkan digunakan untuk mengklasifikasikan suatu
banjir. Kawasan sungai induk yang rawan data ke dalam kelas-kelas dan juga
banjir mencapai 1,4 juta hektar. Pada kota memprediksi kelas dari suatu data
Medan sendiri terdapat beberapa titik yang (Rahmawati & Agustina, 2022).
sering terjadi banjir, diantaranya kec. Metode penelitian yang dapat
Medan Johor, kec. Medan Maimun, kec. digunakan dalam pengklasifikasian tingkat
Medan Sunggal, kec. Medan Polonia, kec. kerawanan banjir yaitu menggunakan
Medan Selayang, kec. Medan Baru, dan metode Naïve Bayes dikarenakan metode
kec. Medan Barat. (Idati, Magribi, & ini mampu bekerja dengan sangat baik
Lakawa, 2020) dibandingkan dengan model classifier
Pengklasifikasian tingkat kerawanan lainnya. Selain pengklasifikasian,
banjir perlu dilakukan sebagai rujukan penelitian ini menggunakan metode
kepada pemerintah agar dapat mengambil Algoritma J48 yang digunakan untuk
kebijakan yang tepat dalam menentukan nilai akurasi pada tingkat
penganggulangan bencana banjir kerawanan banjir di wilayah Medan.
khususnya di wilayah Medan. Terdapat (Sanubari, Prianto, & Riza, 2020).
beberapa cara untuk penanggulangan banjir
secara normatif, yakni dengan membangun METODE PENELITIAN
waduk, membuat tanggul, pengendalian Penelitian ini menggunakan jenis
erosi, membuat kawasan hutan lindung dan pendekatan metode kuantitatif yang
tidak membuang sampah sembarangan. merupakan pendekatan yang sistematis,
Indonesia sendiri khususnya kota Medan,
terstruktur dan merupakan suatu proses
sangat menyepelekan hal tersebut.
(Fransiari, Warouw, & Brahmana, 2021). penelitian yang menggunakan data berupa
Terdapat beberapa penelitian terdahulu angka sebagai alat untuk menganalisis
yang pernah diteliti diantaranya ialah keterangan dari yang ingin diteliti.
dengan judul “Analisis Klasifikasi Bencana (Musfirah, Burhan, Afifah, & Sari, 2022)
Banjir Berdasarkan Curah Hujan Pendekatan penelitian dengan metode
Menggunakan Algoritma Naïve Bayes” kuantitatif secara umum dapat dilakukan
yang dilakukan dengan menerapkan dengan metode eksperimen yang digunakan
metode Algoritma Naïve Bayes dan library untuk mengetahui pengaruh variabel
Gausian Naïve Bayes pada klasifikasi independen terhadap variabel hasil dalam
bencana banjir berdasarkan curah hujan kondisi yang terkendalikan. Prosedur kerja
mendapatkan hasil 79,16%, sedangkan yang dilakukan pada penelitian ini melalui
ketika menggunakan Rapid Miner sebagai beberapa tahapan yaitu:
analisis algoritma Naïve Bayes memiliki
nilai akurasi sebesar 98,31% . (Triyanto,
Sunyoto, & Arief, 2021).
Algoritma J48 merupakan
pengembangan dari algoritma
konvendional induksi pohon keputusan
yang sangat terkenal yaitu ID3 (Pakpahan,
2021). Node pada posisi atas dari decision
tree adalah root. Decision tree adalah
metode klasifikasi yang paling populer
digunakan, selain karena pembangunannya
relatif cepat, hasil dari model yang
dibangun mudah dipahami (Situmorang &
Ginting, 2020). Algoritma ini
658
2023. Journal of Information Technology and Computer Science (INTECOMS) 6(2): 657-665
Mulai
Kepustakaan
diperlukan pada proses kalsifikasi
Pengumpulan
data Data cleaning dengan jumlah data pelatihan yang
Observasi
Data yang
siap diuji
sedikit. (Fitrianah, Gunawan , & Sari,
Transformasi data
2022)
dengan Naïve Bayes
4. Pembagian data
Klasifikasi
data Pembagian data dilakukan dalam
Pembagian data
beberapa cara yaitu data training
Data tes
Data
dengan melakukan pembagian data
training
tingkat kerawanan banjir pada setiap
Pembuatan
decision tree daerah yang berada di wilayah Medan
Buat cabang pada Bagi kasus dalam
berdasarkan klasifikasi yang ditetapkan
Tentukan atribut tiap nilai cabang
oleh peneliti yaitu sangat tinggi, tinggi,
Decision tree
menengah, rendah dan sangat rendah.
Dengan berdasarkan kriteria yang
Selesai Visualisasi data Confussion
matrix memepengaruhi banjir yaitu curah
hujan, kemiringan lereng dan limpasan
Gambar 1. Kerangka Penelitian sungai. Selain data training terdapat
juga data testing dengan melakukan
1. Pengumpulan data
pengambilan sebuah data yang
Pengumpulan data dilakukan dalam
memiliki keterangan sebagai data
beberapa teknik yaitu teknik
testing dari tingkat kerawanan banjir.
kepustakaan dengan data yang didapat
5. Pembuatan decision tree dengan
melalui jurnal, buku dan website. Selain
algoritma j48
itu juga ada teknik observasi dengan
Algoritma J48 digunakan untuk
mengunjungi langsung ke lokasi
membangun sebuah pohon keputusan
penelitian yang bertepatan di kantor
berdasarkan pada seperangkat input
BPBD kota Medan. Data yang diambil
yang berlabel. Algoritma J48
berupa data banjir yang terjadi pada
merupakan implementasi dari algoritma
tahun 2020-2022.
C4.5 pada aplikasi WEKA. (Asih &
2. Data cleaning
Eliyani, 2020)
Data cleaning digunakan untuk
Decision tree merupakan sebuah model
membersihkan data dengan cara
prediksi yang diterapkan untuk struktur
memisahkan data yang ingin diteliti dari
berhirarki yang memiliki konsep untuk
data yang kosong, data yang error, data
mengubah data menjadi pohon
yang tidak lengkap dan data yang tidak
keputusan dan aturan-aturan keputusan
sesuai.
yang terdiri dari node dan leaf nodes.
3. Transformasi data dengan Naïve Bayes
(Werdiningsih, Novitasari, & Haq,
1
2022)
𝑇𝑃𝑖 ± 𝑇𝑁𝑖
∑
𝑖=1
𝑇𝑃𝑖 + 𝑇𝑁𝑖 + 𝐹𝑃𝑖 + 𝐹𝑁𝑖 Parameter yang digunakan untuk
Akurasi =
1
*100% melakukan pengujian ialah seperti
berikut:
Transformasi data dengan Naïve Bayes 6. Confusion matrix dan menentukan
digunakan untuk merubah bentuk data tingkat akurasi
dari data informasi menjadi data Tahapan ini digunakan untuk
kategorikal. Metode Naïve Bayes pembuatan tabel confusion matrix
merupakan salah satu metode dengan untuk data testing. Tabel confusion
menggunakan metode statistik dan matrix digunakan untuk melihat tingkat
metode probabilitas untuk akurasi dari masing-masing klasifikasi.
menyelesaikan suatu proses 7. Visualisasi data
pengklasifikasian. Naïve Bayes mampu
menentukan estimasi parameter yang
659
2023. Journal of Information Technology and Computer Science (INTECOMS) 6(2): 657-665
660
2023. Journal of Information Technology and Computer Science (INTECOMS) 6(2): 657-665
661
2023. Journal of Information Technology and Computer Science (INTECOMS) 6(2): 657-665
16
permasalahan. Decision tree memiliki 4
konsep untuk mengubah data dari node dan 0 SA N G AT T IN G GI ME N E N GAH R E N DA H SA N G AT
T IN G GI R E N DA H
leaf nodes. (Werdiningsih, Novitasari, &
Haq, 2022). Gambar 3. Diagram Frekuensi kelas
kerawanan
Sangat
rendah
Rendah
Berawan
Ringan
Curah Hujan
Sangat lebat
Ekstrem
Limpasan
Sangat tinggi
Kemiringan
Sangat curam
Curam
Sangat tinggi
Sangat tinggi
Diagram diatas menunjukan kelas
Sedikit curam
662
2023. Journal of Information Technology and Computer Science (INTECOMS) 6(2): 657-665
663
2023. Journal of Information Technology and Computer Science (INTECOMS) 6(2): 657-665
umumnya mengalami tingkat kerawanan Faktor curah hujan menjadi faktor utama
banjir yang tinggi. Selain curah hujan, penyebab banjir di kota Medan. Hal
kemiringan lereng juga menjadi sebab tersebut dikarenakan kelas curah huan
terjadinya kerawanan banjir. Wilayah yang mendapatkan nilai pembobotan paling
memiliki kemiringan lereng yang curam tinggi.
bahkan sangat curam pada umumnya Pada penelitian ini berhasil
menjadi tempat tergenangnya air yang jika menerapkan metode Naïve Bayes sebagai
dalam volume besar, sehingga dapat penentu klasifikasi dan Algoritma J48
menimbulkan kerugian karena tergolong sebagai penentu nilai akurasi dan decision
sebagai bencana banjir. Wilayah yang tree pada tingkat kerawanan banjir di Kota
sering terjadi banjir dapat dilihat pada peta Medan yang terdapat 21 kecamatan
daerah rawan banjir kota Medan dibawah didalamnya
ini:
DAFTAR PUSTAKA
664
2023. Journal of Information Technology and Computer Science (INTECOMS) 6(2): 657-665
665