MODEL PREDIKTIF KEBAKARAN HUTAN DENGAN SUPPORT VECTOR REGRESSION

MODEL PREDIKTIF KEBAKARAN HUTAN DENGAN SUPPORT VECTOR REGRESSION

• By Siti Nurlela;
• Tesis
• 493
• 62

Kebakaran hutan merupakan salah satu masalah lingkungan yang mengancam

hutan, menimbulkan dampak negatif pada lingkungan, menciptakan masalah

ekonomi, dan kerusakan ekologis serta menyebabkan kerugian penting di seluruh

dunia setiap tahunnya Selain itu kebakaran hutan menyebabkan kerusakan

lingkungan yang signifikan serta mengancam nyawa manusia. Penelitian ini

dilakukan untuk mendapatkan model yang paling akurat dalam memprediksi

kebakaran hutan dengan mengevaluasi model berdasarkan Mean Abseolute Error

(MAE) dan Root Mean Square Error (RMSE) terkecil. Dataset yang digunakan

data forest fire, data sekunder yang diambil dari UCI Repository. Algoritma yang

digunakan yaitu Support Vector Reggresion dengan RBF kernel dan normalisasi

data terlebih dahulu. Hasil pengujian algoritma tersebut menunjukan nilai MAE

12,87 dan RMSE 64,58.

• Katakunci Data Mining, Kebakaran Hutan, Support Vector Regression, Mean Abseolute Error (MAE), Root Mean Square Error (RMSE).
• URL http://
• Penerbit ,

REFERENSI

Anto Satriyo Nugroho, Arief Budi Witarto, D. H. (2003). Support Vector Machine -Teori dan Aplikasinya dalam Bioinformatika-. 842–847. https://doi.org/10.1109/CCDC.2011.5968300

Bode, A. (2017). K-Nearest Neighbor Dengan Feature Selection Menggunakan Backward Elimination Untuk Prediksi Harga Komoditi Kopi Arabika. ILKOM Jurnal Ilmiah, 9(2), 188. https://doi.org/10.33096/ilkom.v9i2.139.188-195

Brun, C., Margalef, T., & Cortés, A. (2013). Coupling diagnostic and prognostic models to a dynamic data driven forest fire spread prediction system. Procedia Computer Science, 18, 1851–1860. https://doi.org/10.1016/j.procs.2013.05.354

Cortez, P. A. M. (n.d.). A Data Mining Approach to Predict Forest Fires using Meteorological Data.

Eggy, Inaidi Andana Warih. Yuniarsi, R. (n.d.). PENERAPAN DATA MINING UNTUK MENENTUKAN ESTIMASI PRODUKTIVITAS TANAMAN TEBU DENGAN MENGGUNAKAN ALGORITMA LINIER REGRESI BERGANDA DI KABUPATEN REMBANG. 1–5.

Eransa, D. (2016). Data Mining. Retrieved from https://student.uigm.ac.id/assets/file/Materi/Quiz2_BI.pdf.

Ermatita, Sukemi, Y. P. (2018). PERAMALAN POTENSI KEBAKARAN HUTAN DENGAN METODE DATA MINING Ermatita , Sukemi , Yudha Pratomo. 210–215.

Febriana, C. E., & Sudibyo, U. (2016). Penerapan Data Mining Untuk Estimasi Nilai Matematika Dengan Menggunakan Algoritma Regresi Linier Pada SMA Kesatrian 1 Semarang. 1–6.

Fikri, A. (2013). Penerapan Data Mining Untuk Mengetahui Tingkat Kekuatan Beton Yang Dihasilkan Dengan Metode Estimasi Menggunakan Linear Regression. Fakultas Ilmu Komputer UDINUS, 1–12.

Fitriyani, & Sanjaya, R. (2018). Komparasi Algoritma Lr , K-Nn Dan Svm Untuk Estimasi. Infotronik, 3(2), 103–110. Retrieved from http://jurnal.usbypkp.ac.id/index.php/infotronik/article/view/109

Gunawan, D. (2016). Evaluasi Performa Pemecahan Database dengan Metode Klasifikasi Pada Data Preprocessing Data mining. Khazanah Informatika: Jurnal Ilmu Komputer Dan Informatika, 2(1), 10. https://doi.org/10.23917/khif.v2i1.1749

Harafani, H. (2015). Optimasi Parameter Pada Metode Support Vector Machine Berbasis Algoritma Genetika untuk Estimasi Kebakaran Hutan. Journal of Intelligent Systems, 1(2), 82–90.

Lina, R. (2017). Pengumpulan Data. Dipetik Mei 18, 2018. Retrieved from eprints.dinus.ac.id/23187/12/bab3_20413.pdf.

Maimon, O., & Rokach, L. (2010). Data Mining and Knowledge Discovery Handbook. New York: Springer.

Mardiana, T., & Nyoto, R. D. (2015). Kluster Bag of Word Menggunakan Weka. Jurnal Edukasi Dan Penelitian Informatika (JEPIN), 1(1), 1–5. https://doi.org/10.26418/jp.v1i1.10145

M. Reza Noviansyah, Tedy Rismawan, D. M. M. (2018). PENERAPAN DATA MINING MENGGUNAKAN METODE K-NEAREST NEIGHBOR UNTUK KLASIFIKASI INDEKS CUACA KEBAKARAN  BERDASARKAN DATA AWS (AUTOMATIC WEATHER STATION). Jurnal Coding, Sistem Komputer Untan, 06(2).

Mustafidah, H. (2010). Model Regresi Data Mining Motivasi Belajar Pengaruhnya Terhadap Tingkat Kedisiplinan Mahasiswa (Data Mining Regression Models of Learning Motivation Effect on Disciplinary Level of Students). JUITA Universitas Muhammadiyah Purwokerto, I(1), 1–4.

Naml, E., Erdal, H., & Erdal, H. I. (2019). Artificial Intelligence-Based Prediction Models for Energy Performance of Residential Buildings. 141–149. https://doi.org/10.1007/978-3-319-95888-0

Nurina Sari, B. (2016). Implementasi Teknik Seleksi Fitur Information Gain Pada Algoritma Klasifikasi Machine Learning Untuk Prediksi Performa Akademik Siswa. Seminar Nasional Teknologi Informasi Dan Multimedia 2016, 55–60. Retrieved from http://semnas.amikom.ac.id/document/pdf/1482.pdf

Nur Itsnaini, Bandi Sasmito, Abdi Sukmono, I. P. (2017). Analisis Hubungan Curah Hujan Dan Parameter Sistem Peringkat Bahaya Kebakaran (Spbk) Dengan Kejadian Kebakaran Hutan Dan Lahan Untuk Menentukan Nilai Ambang Batas Kebakaran. Jurnal Geodesi Undip, 6(2), 62–70.  

Octaviani, P. A., Yuciana Wilandari, & Ispriyanti, D. (2014). Penerapan Metode Klasifikasi Support Vector Machine (SVM) pada Data Akreditasi Sekolah Dasar (SD) di Kabupaten Magelang. Jurnal Gaussian, 3(8), 811–820. Retrieved from http://download.portalgaruda.org/article.php?article=286497&val=4706&title=PENERAPAN METODE KLASIFIKASI SUPPORT VECTOR 

MACHINE (SVM) PADA DATA AKREDITASI SEKOLAH DASAR (SD) DI KABUPATEN MAGELANG Pramesti, D. F., Lahan, Tanzil Furqon, M., & Dewi, C. (2017). Implementasi Metode K-Medoids Clustering Untuk Pengelompokan Data. Jurnal Pengembangan Teknologi Informasi Dan Ilmu Komputer, 1(9), 723–732. https://doi.org/10.1109/EUMC.2008.4751704

Pujiono, S., Amborowati, A., & Suyanto, M. (2013). Analisis Kepuasan Publik Menggunakan Weka Dalam Mewujudkan Good Governance Di Kota Yogyakarta. Data Manajemen Dan Teknologi Informasi (DASI), 14(2), 45..  

Shanthini, D., & Dkk. (2017). A Comparative Study of SVM Kernel Functions Based on Polynomial Coefficients and V-Transform Coefficients. International Journal Of Engineering And Computer Science, 6(3), 20765-20769. https://doi.org/10.18535/ijecs/v6i3.65

Suciarti. (2013). Sistem Informasi Tingkat Bahaya Kebakaran Hutan dan Lahan Dengan Menggunakan Fire Weather Index (FWI) dan SIG Arcview. Jurnal Teknik Elektro Universitas Tanjungpura, 1(1), 1–9.

Sugiyono. (2016). Metode Penelitian Kuantitatif, Kualitatif, dan R&D (Alfabeta,ed.). Bandung.

Suryanto, A. A. A. M. (2019). Penerapan Metode Mean Absolute Error (Mea) Dalam Algoritma Regresi Linear Untuk Prediksi Produksi Padi. Saintekbu : Jurnal Sains Dan Teknologi, 11(1), 78–83. https://doi.org/10.32764/saintekbu.v11i1.298 

Undang-undang,. Lingkungan, Hidup. dan Kehutanan, R. I. (2018). No Title. Vercellis, C. (2009). Data Mining and Optimization for Decision Making. Italy: WILEY.

Wahyudi, Tri., R. E. . & M. F. (2017). Pemanfaatan Status Kredit Nasabah Untuk Mengevaluasi Pembiayaan Kpr Pada Bank Muamalat Indonesia Menggunakan Data Mining. Seminar Nasional Sains Dan Teknologi 2017.