KLASIFIKASI STATUS GUNUNG MERAPI DENGAN METODE NAIVE BAYES CLASIFIER DAN DECISION TREE

Transkripsi

1 KLASIFIKASI STATUS GUNUNG MERAPI DENGAN METODE NAIVE BAYES CLASIFIER DAN DECISION TREE Arik Achmad Efendi 1, Fauzi Dwi Susanto 2, Grandis Mahendra 3, Rifqi Kurniawan 4, Siti Hardinti 5 Program Teknologi Informasi & Ilmu Komputer, Universitas Brawija, Malang 1 arik.ae@gmail.com, 2 fauzisusanto23@gmail.com, 3 Grandisgt@gmail.com, 4 bacotsoak@gmail.com, 5 siti.hardinti91@gmail.com Abstrak Gunung berapi merupakan salah satu keindahan alam ng ada. Namun keberadaan gunung berapi juga sangat meresahkan masrakat ng ada disekitar jika terjadi gunung meletus. Untuk menghindari hal hal ng tidak diinginkan, maka dibuatlah sebuah program dimana bisa mengklasifikasikan keadaan gunung berapi apakah, siaga, waspada atau awas. Program ini dibuat dengan menggunakan 2 metode itu metode Naïve Bayes Clasifier dan Decision Tree. Dimana program ng kita buat ini untuk membandingkan hasil kedua metode ini. Membandingkan kedua metode ini kita mencari metode mana ng hasiln alebih akurat, apakah Naïve Bayes Clasifier atau metode Decision Tree. Ke dua algoritnma ini, mampu mengklasifikasi status keadaan gunung, namun keakuratan data hasil kedua metode ini berbeda dimana data pada metode Decision Tree lebih akurat dibandingkan pada metode Naïve Bayes Clasifier. Hal ini terjadi karena pengklasifikasian menggunakan Decision Tree lebih cermat dan teliti perfiturn dibandingkan dengan Naïve Bayes Clasifier. Kata kunci: Gunung berapi, Naïve Bayes Clasifier, Decision Tree Abstract The volcano is one of the natural beauty. But the existence of the volcano is also very disturbing that there are people around in case of volcanic eruption. To avoid this - things that are not desirable, then made a program which can classify the state of the volcano is, alert, vigilant or alert. This program is made using two methods ie methods Clasifier Naive Bayes and Decision Tree. Where is the program that we created to compare the results of both methods. Comparing these two methods we find which method alebih accurate results, whether or method Clasifier Naive Bayes Decision Tree. Second algoritnma, was able to classify the status of the state of the mountain, but the accuracy of the data from these two different methods by which data on Decision Tree method is more accurate than the Naive Bayes method Clasifier. This occurs because the classification using Decision Tree more carefully and thoroughly than the Naive Bayes perfiturn Clasifies. Keyword: Gunung berapi, Naïve Bayes Clasifier, Decision Tree

2 1. PENDAHULUAN Informasi bencana alam sangat dibutuhkan dalam upa pengelolaan bencana alam terutama pada langkah-langkah mitigasi dan persiapan menghadapi bencana. Mitigasi ini merupakan proses pencegahan atau pengurangan akan kemungkinan terjadin bencana dan pengurangan kerugian akibat terjadin bencana, sedangkan langkah persiapan menghadapi bencana ini termasuk pula melakukan prediksi, dan peringatan dini akan terjadin bencana (early warning). [3] Oleh karena itu maka diperlukan sistem informasi ng jelas, akurat dan siap pada saat diperlukan, apalagi pada sebuah instansi pemerintahan, kemudahan serta kecepatan dalam menghasilkan informasi ng berkualitas adalah hal ng sangat penting. Untuk memperoleh informasi ng berkualitas dan hasil seperti ng diharapkan diatas, tentun kita harus memiliki sistem informasi data ng baik. Maka diperlukan sistem informasi mitigasi bencana alam ng bertujuan untuk memberikan informasi status gunung berapi dan media publikasi informasi data dasar gunung api untuk sosialisasi dan distribusi dalam bentuk program aplikasi ng bisa dipakai oleh pengguna secara mudah melalui inputan-inputan tertentu. Oleh karena itu diperlukann penelitian pada Badan Peneletian Gunung, Bromo Tengger Semeru kota Malang, sehingga dapat dibuatn system informasi status Gunung Berapi ng terdiri dari status Normal, Waspada, Siaga dan Awas. 2. LANDASAN TEORI A. Klasifikasi Klasifikasi adalah pemecahan suatu kelas tertentu ke dalam kelas-kelas bawahan berdasarkan ciri-ciri khas ng dimiliki oleh angota-anggota kelas itu. Klasifikasi merupakan suatu metode untuk menempatkan sejumlah hal dalam suatu sistem kelas, sehingga dapat dilihat hubungann ke samping, ke atas dan ke bawah. Tujuan klasifikasi adalah untuk mengetahui keseluruhan logis dari suatu konsep dan bagian-bagiann dengan lebih baik. Atau secara lebih sederhana adalah untuk memudahkan kita dalam berhubungan dengan hal ng kita cari. [4] Pada penelitian ini akan dilakukan klasifikasi ke dalam beberapa kelas status gunung berapi ng terdiri dari Normal, Waspada, Siaga, dan Awas. Status tersebut dapat diklasifikasikan setelah menginputkan data beberapa fitur ng terdiri dari 1 data kontinyu kni dan 7 data diskrit kni Awan Panas, Suhu Meningkat, Gas Beracun, Lahar Letusan, Lava, Lontaran Batu Pijar, Lumpur Panas, dan Hujan Abu. Dari beberapa hasil inputan data kontinyu dan diskrit tersebut maka status gunung tersebut sudah bisa diklasifikasikan pada salah satun. B. Tingkatan Status Gunung Secara umum, status gunung berapi di Indonesia dibagi atas 4 status, kni Normal, Waspada, Siaga dan Awas. [2] Aktif Normal (Level I) Kegiatan gunung api berdasarkan pengamatan dari hasil visual, kegempaan dan gejala vulkanik lainn tidak memperlihatkan adan kelainan Waspada (Level II) Terjadi peningkatan kegiatan berupa kelainan ng tampak secara visual atau hasil pemeriksaan kawah, kegempaan dan gejala vulkanik lainn Siaga (Level III) Peningkatan semakin nta hasil pengamatan visual/pemeriksaan kawah, kegempaan dan metoda lain saling mendukung. Berdasarkan analisis, perubahan kegiatan cenderung diikuti letusan. Awas (Level IV) Menjelang letusan utama, letusan awal mulai terjadi berupa abu/asap. Berdasarkan analisis data pengamatan, segera akan diikuti letusan utama. C. Naïve Bayes Clasisifier Untuk mengatasi berbagai permasalahan diatas, berbagai varian dari pengklasifikasian ng menggunakan teorema bayes diajukan, salah satun adalah Naïve Bayes, Naive Bayes Classifier adalah metode

3 pengklasifikasian paling sederhana dari model pengklasifikasian dengan peluang, dimana diasumsikan bahwa setiap atribut contoh (data sampel) bersifat saling lepas satu sama lain berdasarkan atribut kelas. Naive bayes classifier juga dapat menangani atribut bertipe kontinyu. Salah satu caran adalah menggunakan distribusi Gaussian. Distribusi ini dikarakterisasi dengan dua parameter itu mean (µ), dan variansi(σ 2 ), untuk setiap kelas y j, peluang kelas bersrat untuk atribut X i dintakan pada persamaan. Fungsi densitas mengekspresikan probabilitas relatif. fungsi densitas probabilitasn adalah : pers 1 D. Decision Tree Decision Tree pada intin adalah mengubah data menjadi pohon keputusan (decision tree) dan aturan-aturan keputusan (rule). Decision tree adalah algoritma ng paling bank digunakan untuk masalah klasifikasi. Gambar 1. Algoritma Decision Tree Sebuah decision tree terdiri dari beberapa simpul itu tree s roo, internal nod dan leafs. Konsep entropi digunakan untuk penentuan pada atribut mana sebuah pohon akan terbagi (split). Semakin tinggi entropy sebuah sampel, semakin tidak murni sampel tersebut. Rumus ng digunakan untuk menghitung entropy sampel S adalah : Entropi(S) = -p1log2p1-p2log2p2-p3log2p3-p4log2p4 Pada persamaan 1, p1 adalah proporsi sampel atau grup ng akan berstatus, p2 adalah proporsi untuk status ng waspada, p3 adalah proporsi untuk status siaga, dan p4 adalah proporsi untuk status ng awas. 3. METODOLOGI PENELITIAN A. Pengumpulan Data Pengumpulan data dilakukan dengan cara mencari sumber datasheet dari badan informasi status gunung Bromo di Bromo Tengger Semeru, Malang serta informasiinformasi ng ada pada internet. Data-data ng muncul pada internet sebagian besar berasal dari jurnal-jurnal ng sudah teruji kebenerann. Untuk tambahan data-data ng lain dengan melakukan pendekatan data dengan data-data ng sudah ada. Kami menggunakan 199 data training dan 10, 20 serta 30 data uji ng nantin digunakan untuk proses testing program baik dengan metode naive bayes atupun decision tree. Pada akhirn akan dihitung prosentase akurasi dari masing-masing metode dan perbedaan akurasi antara kedua metode tersebut. B. Fitur dan Jenis Untuk mengelompokkan jenis status pada gunung merapi kita menggunakan cara pemilihan fitur fitur dan jenis jenis status gunung agar lebih mudah. Fitur ng digunakan pada penelitian ini ada Sembilan fitur, itu: a) b) Awan Panas c) Suhu Meningkat d) Gas Beracun e) Lahar Letusan f) Lava g) Lontaran Batu Pijar h) Lumpur Panas i) Hujan Abu Keadaan tersebut akan dikelompokkan dalam empat kelas, itu: a) Normal b) Waspada c) Siaga d) Awas C. Analisis Data a. Naive Bayes Secara umum metode Naive Bayes ini melakukan proses klasifikasi dengan prosedur sebagai berikut : a. Menghitung nilai likehood masingmasing fitur, baik ng diskrit maupun kontinyu

4 b. Menghitung nilai prior masing-masing kelas. c. Mengalikan nilai prior dan nilai likehood ng sudah dihitung pada langkah sebelumn. b. Decision Tree Secara umum metode Decision Tree ini melakukan proses klasifikasi dengan prosedur sebagai berikut : a. Memilih node awal tree b. Mengubah bentuk data (tabel) menjadi model tree. c. Mengubah model tree menjadi rule 4. PENGUJIAN DAN ANALISA Data ng digunakan untuk melakukan uji coba ini diambil secara random dari sample dari tiap status gunung. Masing-masing status gunung ini memiliki sismograf, awan panas, suhu meningkat, gas beracun, lahar letusan,, lontaran batu pijar, lumpur panas, dan hujan abu ng berbeda. Tabel 1. Datauji [5] statististik ng dikemukakan oleh ilmuwan Inggris Thomas Bayes, itu memprediksi probabilitas dimasa depan berdasarkan pengalaman sebelumn. [1] Dasar dari teorema Naïve Bayes ng digunakan dalam pemrograman adalah rumus Bayes berikut ini : pers 2 Peluang kejadian A sebagai B ditentukan dari peluang B saat A, Peluang A dan peluang B. pada pengaplikasiann nanti rumus ini berubah menjadi :... pers 3 Naïve Bayes Clasifies atau biasa disebut sebagai multinominal naïve bayes merupakan model penyederhanaan dari algoritma bayes ng cocok dalam pengklasifian status gunung berapi. Persamaann adalah :... pers 4 P(a1,a2,. an) konstan, sehingga dapat dihilangakan menjadi pers 5 Karena P(a1,a1,. an vj) sulit untuk dihitung, maka akan diasumsikan bahwa setiapfitur pada datasheet tidak mempuni keterkaitan. pers 6 Berikut ini merupakan langkah-langkah ng digunakan untuk mengklasifikasikan data tersebut di atas ke dalam kelas-kelas. a. Naïve Bayes Bayesian filter atau Naïve Bayes Clasifier merupakan metode terbaru ng digunakan unutk mengklasifikasian. Algoritma ini memanfaatkan metode probabilitas dan Keterangan : P(vj) : probabilitas setiap kelas (prior) P(aj vj) : probabilitas kemunculan kemungkinan a pada kelas v. Pada Pengimplementasian n kita akan menggunkan rumus :... pers 7

5 Pada aplikasi ini tahapan dalam perhitungan Naïve Bayes Clasifier adalah : 1. Kita mencari nilai prior dari masing masing kelas 2. Setelah itu kita mencari nilai posterior pada masing masing nilai fitur ng di ingin kan terhadap masing masing kelas n. 3. Setelah prior dan posterior didapatkan maka smua n dihitung berdasarkan rumus pada masing masing kelasn. Dimana data itu digolongkan dilihat dari nilai ng terbesar. Contoh perhitungan : Jika nilai sismograf 42,5, awan panas tidak, suhu meningkat i, gas beracun tidak, lahar letusan i, tidak, lontaran batu pijar tidak, hujan abu tidak maka status n adalah Karena data sismograf adalah continue maka kita gunakan rumus kriteria dengan data sample ng ditentukan sebelumn. Node terpilih adalah kriteria dengan entropi paling kecil. Besarn entropi pada ruang sample S didefinisikan dengan : Entropi(S) = -p1log2p1-p2log2p2-p3log2p3-p4log2p4 Keterangan : - S adalah ruang (data) sample ng digunakan untuk training. - Pn adalah jumlah ng bersolusi positif (mendukung) pada data sample untuk kriteria tertentu. - Pn adalah jumlah ng bersolusi negatif (tidak mendukung) pada data sample untuk kriteria tertentu. Berikut salah satu contoh hasil perhitungan nilai entropi dari fitur tertentu. Disini, kami mengambil fitur dari awan panas. Berikut adalah hasil jumlah data dari setiap kelasn. Tabel 3. Hasil Jumlah Data Dari setiap Kelas pers 8 Dilihat dari hasil maka dia digolongkan kelas Siaga karena memiliki nilai terbesar Dari salah satu data uji ng kedua ng kita coba sebank 20 data, pada percobaan sebnk 17 data ng benar dan 3 data ng tidak sesuai hasiln. Setelah selesai melakukan proses perhitungan data beberapa sample uji di atas dengan metode naive bayes didapatkan akurasin sebagai berikut : Tabel 2. Akurasi Naive Bayes Data Jumlah Data Akurasi (%) Test % Test % Test % Dari hasil data tersebut, maka akan dihitung nilai entropi dari masing-masing kelas, kni kelas, waspada, siaga dan awas. Langkah menghitung entropi(s) tersebut dilakukan pada semua fitur dengan cara menjumlahkan jumlah kemunculan masingmasing kelas baik ng "" maupun "tidak". Setelah dilakukan penghitungan nilai entropi setiap fitur maka kita ambil nilai entropi ng terkecil. Didapatkan hasil nilai entropi terkecil adalah fitur "lumpur panas". Berikut adalah tabel hasil nilain dari entropi ng terkecil : b. Decision Tree Langkah 1 Memilih node awal tree. Untuk menentukan node awal tree digunakan nilai entropi dari setiap Tabel 4. Hasil Nilai Entropi Node Nilai entropi Lumpur Panas Lontaran Batu Pijar Hujan Abu 0.62

6 Lahar Letusan Lava Awan Panas Gas Beracun Suhu Meningkat Hasil perhitungan nilai entropi dari fitur data diskrit diatas juga akan menentukan fitur data kontinyu, itu fitur "sismograf". Pada fitur data kontinyu ini digunakan rentang nilai terhadap masing-masing kelas, rentang nilain sebagai berikut : Tabel 5. Rentang Nilai Tiap Tiap Kelas Status Rentang Nilai Normal Waspada Siaga Awas Langkah 2 Mengubah bentuk data (tabel) menjadi model tree Hujan abu Lahar letusan Suhu meningkat Suhu meningkat Hujan abu Lahar letusan Suhu meningkat Suhu meningkat 8.25 Lumpur panas Lahar letusan Lontaran batu pijar Suhu meningkat Gambar 2. Tree Kelas Normal Langkah 3 Mengubah model tree menjadi rule. 8 Hujan abu Lahar letusan Suhu meningkat Suhu meningkat Setelah kita membuat tree dari masing-masing kelas kita harus menjadikann "rule". Berikut ini adalah salah satu contoh rule n. Dibawah ini merupakan salah satu rule dari masing-masing kelas. Rule kelas If((awan_panas=='tidak')&&(suhu_mening kat=='tidak')&&(gas_beracun']=='tida k')&&(lahar_letusan)=='tidak')&&(lav a=='tidak')&&(lontaran_batu_pijar==' tidak')&&(lumpur_panas=='tidak')&&(h ujan_abu=='tidak')&&(sismograf>=0.5) &&(sismograf']<=7.75)) then Normal Setelah selesai melakukan proses perhitungan data beberapa sample uji di atas dengan metode decision tree didapatkan akurasin sebagai berikut : Tabel 6. Akurasi Decision Tree Data Jumlah Data Akurasi (%) Test % Test % Test % Setelah kita mendapatkan nilai entropi terkecil dari semua fitur, kita buat tree n, dibawah ini adalah bentuk tree dari status kelas

7 5. KESIMPULAN Dari program ng kita buat dan setelah kita uji menggunakan data uji menghasilkan bahwa data ng diuji menggunakan Decision Tree lebih akurat dibandingkan dengan menggunakan Naïve Bayes Clasifier. Karena pada metode Decision Tree penulusuran data n dari satu fitur ke fitur ng lainn sehingga hasiln dan pengklasifikasiann lebih akurat 6. DAFTAR PUSTAKA Artikel Jurnal [1] T. Nathan Mundhenk, A Tutorial on Simple Bayesian Inference and Classification Using Sampling, University of Southern California [2] Deddy Muldi. Peringatan Dini Baha Gunung Kelut, Jawa TImur. Bandung Publikasi Elektronik, informasi dari internet [3] pi [4] tika/article/download/60/12 [5]