<![CDATA[Salah satu akibat terjadinya perubahan iklim yaitu meningkatnya kejadian ekstrem yang ditandai dengan peningkatan frekuensi bencana. Frekuensi bencana paling besar adalah banjir. Karawang menjadi salah satu daerah yang sering dilanda banjir, hal tersebut membuat kemajuan kota Karawang menjadi terhambat. Untuk mengantisipasi hal tersebut, maka dilakukan penilaian terhadap pengelolaan banjir dengan tujuan untuk memprediksi daerah yang termasuk dan yang tidak termasuk rawan banjir. Naive Bayes salah satu algoritma klasifikasi menggunakan metode probabilitastik dan statistik yang dapat memprediksi peluang di masa depan berdasarkan data sebelumnya. Namun, dalam klasifikasi biasanya penggunaan data imbalance sering terjadi sehingga akan menyebabkan klasifikasi lebih cenderung terhadap kelas mayoritas dibanding kelas minoritas. Maka dari itu, diperlukan salah satu teknik sampling untuk mengatasi data imbalance yaitu SMOTE (Synthetic Minority Over-Sampling Technique). Sehingga penelitian ini menggunakan 2 skenario pengujian untuk dilakukan perbandingan, pertama pemodelan hanya menggunakan Naive Bayes dan kedua pemodelan menggunakan Naive Bayes+SMOTE dengan percobaan nilai k-SMOTE sebanyak 5 kali. Data yang digunakan pada tahun 2016-2017 menggunakan 5 data parameter sebagai input dengan total 309 record. Hasil eksperimen menunjukkan bahwa penerapan Naive Bayes+SMOTE dinilai mampu meningkatkan dan menghasilkan performance yang lebih baik dengan nilai akurasi tertinggi pada saat k = 11 sebesar 83,75% dibandingkan dengan Naive Bayes saja sebesar 65,38%. Selain itu, Naive Bayes dinilai mampu mengklasifikasikan daerah rawan banjir secara sangat baik dengan nilai AUC (The Under Curve) yang dihasilkan sebesar 0,944. Sehingga dapat disimpulkan bahwa algoritma Naive Bayes dapat dikombinasikan secara baik dengan metode SMOTE.]]>
Copyrights © 2022
