<![CDATA[Studi literatur sistematis ini bertujuan untuk menganalisis dan mengevaluasi berbagai metode klasifikasi data mining yang digunakan dalam prediksi potensi banjir, serta mengidentifikasi metode yang paling efektif berdasarkan hasil penelitian sebelumnya. Dengan menggunakan pendekatan Systematic Literature Review (SLR), penelitian ini mengkaji 15 jurnal ilmiah nasional dan internasional yang membahas penerapan metode klasifikasi seperti Naïve Bayes, Random Forest, K-Means, Decision Tree (J48 dan C4.5), ANFIS-PCA, dan Deep Learning dalam konteks mitigasi bencana banjir. Dari hasil kajian, ditemukan bahwa terdapat tiga metode klasifikasi yang menonjol berdasarkan tingkat akurasi, efisiensi komputasi, dan ketepatan dalam memetakan wilayah rawan banjir. Pertama, algoritma Random Forest menunjukkan performa unggul dalam hal akurasi dan kemampuan menangani data kompleks, seperti yang terlihat pada prediksi banjir di DKI Jakarta. Kedua, metode Naïve Bayes dinilai efektif pada dataset berskala kecil hingga menengah dengan tingkat kecepatan pemrosesan yang tinggi. Ketiga, pendekatan kombinasi ANFIS-PCA menawarkan keunggulan dalam mereduksi dimensi data dan meningkatkan hasil prediksi dalam sistem peringatan dini. Studi ini memberikan wawasan penting bagi pengembang sistem prediksi bencana untuk menentukan pendekatan klasifikasi yang paling sesuai dengan kebutuhan.]]>
Copyrights © 2025
