Analisis Perbandingan Algoritma Naive Bayes dan Random Forest dalam Klasifikasi Prediksi Area Rawan Kebakaran di DKI Jakarta

Agung Prasetyo (Teknologi Informasi, Universitas Bina Sarana Informatika)
Dana Maulana Fazri (Teknologi Informasi, Universitas Bina Sarana Informatika)
Muhammad Fadli Prasetyo (Teknologi Informasi, Universitas Bina Sarana Informatika)
Hendra Supendar (Teknik dan Informatika, Universitas Bina Sarana Informatika)
Rizal Fahlapi (Teknik dan Informatika, Universitas Bina Sarana Informatika)

JRIIN :Jurnal Riset Informatika dan Inovasi
Vol 4 No 2 (2026): JRIIN : Jurnal Riset Informatika dan Inovasi (INPRESS)

Kebakaran permukiman merupakan salah satu bencana yang paling sering terjadi di DKI Jakarta, dengan frekuensi yang cenderung meningkat seiring kepadatan penduduk dan keterbatasan ruang hunian. Penelitian ini bertujuan membandingkan kinerja dua algoritma klasifikasi, yaitu Naive Bayes dan Random Forest, dalam memprediksi tingkat kerawanan kebakaran pada level kelurahan di seluruh wilayah DKI Jakarta. Dataset yang digunakan terdiri atas 2.564 instans dengan tiga variabel prediktor, yakni jumlah penduduk, kepadatan penduduk, dan frekuensi sosialisasi pencegahan kebakaran; variabel terakhir jarang dilibatkan pada penelitian sejenis sehingga menjadi salah satu unsur kebaruan studi ini. Pemodelan dilakukan menggunakan perangkat lunak Orange Data Mining dengan skema validasi silang terstratifikasi sepuluh lipat. Hasil pengujian menunjukkan bahwa Naive Bayes memperoleh akurasi (CA) 0,696 dan AUC 0,603, sedangkan Random Forest memperoleh CA 0,671 dan AUC 0,595, sehingga daya pisah kedua model tergolong setara dan moderat. Akan tetapi, analisis per-kelas mengungkap keterbatasan yang penting: akibat ketidakseimbangan data yang cukup tajam, di mana kelas berisiko tinggi hanya mencakup 29,8% data, kedua model cenderung memihak kelas mayoritas. Naive Bayes hampir gagal mengenali kelas berisiko tinggi dengan recall hanya 0,048, sedangkan Random Forest jauh lebih baik meskipun tetap rendah, yakni 0,217, serta memiliki koefisien korelasi Matthews (MCC) lebih tinggi (0,100 berbanding 0,047). Dengan demikian, Random Forest lebih sesuai untuk kebutuhan mitigasi yang menekankan deteksi area berisiko, sementara akurasi total yang tinggi terbukti menyesatkan apabila berdiri sendiri. Analisis kepentingan fitur menempatkan jumlah penduduk dan frekuensi sosialisasi sebagai dua variabel paling berpengaruh, sehingga memperkuat peran intervensi edukasi dalam mitigasi. Temuan ini menegaskan perlunya penanganan ketidakseimbangan data dan penambahan fitur dalam pengembangan sistem peringatan dini kebakaran berbasis data di wilayah perkotaan.