IMPLEMENTASI ALGORITMA NAÏVE BAYES UNTUK KLASIFIKASI TINGGI GELOMBANG AIR LAUT
DOI:
https://doi.org/10.33387/e4hjpc38Keywords:
Data Mining, Gelombang Laut, Naïve Bayes, KlasifikasiAbstract
Gelombang laut merupakan fenomena alam yang memiliki dampak terhadap pelayaran atau aktivitas manusia di laut. Tinggi gelombang laut merupakan salah satu kriteria yang penting untuk diklasifikasi dalam menghadapi kondisi laut yang berbahaya.Tujuan penelitian ini adalah untuk mengimplementasikan algoritma naïve bayes dalam klasifikasi tinggi gelombang laut. Penelitian ini menggunakan data sekunder dari BMKG Sultan Babullah mulai dari januari 2019 sampai dengan desember 2022. Data tersebut terdiri dari variabel curah hujan, kecepatan angin, arah angin saat maksimum, kecepatan angin rata-rata dan arah angin. Data tersebut diproses dan dilakukan preprocessing untuk mempersiapkan data dengan menggunakan metode naïve bayes. Hasil dari penelitian ini menunjukkan bahwa algoritma naïve bayes dapat digunakan untuk klasifikasi tinggi gelombang laut dengan akurasi yang baik. Dalam pengujian, algoritma naïve bayes dengan hasil akurasi sebesar 65% dari total data latih 80% dan data uji 20%. Kemudian hasil dari pengujian menggunakan confusion matrix di peroleh hasil akurasi sebesar 58% dari total data uji 20%. Hasil ini menunjukkan bahwa algoritma naïve bayes dapat digunakan sebagai metode alternatif dalam mengklasifikasi tinggi gelombang laut.
References
[1] M. N. Habibie and W. Fitria, “Kajian Indeks Variabilitas Tinggi Gelombang Signifikan Di Indonesia,” J. Segara, vol. 14, no. 3, pp. 159 168, 2019.
[2] Duwi Cahya Putri Buan, “Optimasi Algoritma Naïve Bayes dengan Menggunakan Algoritma Genetika untuk Prediksi Kesuburan (Fertility),” J. Evolusi Tek. Inform. STMIK Nusa Mandiri Jakarta, vol. 4, pp. 55–64, 2016.
[3] D. Gunadi, “Klasifikasi Curah Hujan di Provinsi Bali Berdasarkan Metode Naïve Bayesian,” Wahana Mat. dan Sains J. Mat. Sains, dan Pembelajarannya, vol. 12, no. 1, pp. 14–15, 2018.
[4] Muhammad Idris, “Implementasi Data Mining Dengan Algoritma Naïve Bayes Untuk Memprediksi Angka Kelahiran,” J. Pelita Inform., vol. 7, pp. 421–428, 2019.
[5] D. Ariyanti and K. Iswardani, “Teks Mining untuk Klasifikasi Keluhan Masyarakat Pada Pemkot Probolinggo Menggunakan Algoritma Naïve Bayes,” JIKRA-ITH Inform., vol. 4, no. 3, pp. 125–132, 2020.
[6] N. Rahmadani, B. D. Setiawan, and S. Adinugroho, “Prediksi Ketinggian Gelombang Laut Menggunakan Metode Jaringan Saraf Tiruan Backpropagation,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 3, no. 7, pp. 6517 6525, 2019.
[7] R. Syarifuddin Rizal, “Metode Algoritma Naïve Bayes Classifier Dalam Memprediksi Jadwal Berlayar Angkutan Laut (Fery) Bulukumba Kepulauan Selayar,” ILTEK, vol. 13, no. April, 2018.
[8] Anisa Sangadji, “Prediksi Cuaca Maritim Menggunakan Logika Fuzzy Di Perairan Ternate Maluku Utara,” Inst. Teknol. Sepuluh Nop. Surabaya, 2016.
[9] F. Tempola and A. Mubarak, “Optimization Naïve Bayes Using Particle Swarm Optimization in Volcanic Activities,” J. Phys. Conf. Ser., vol. 1569, no. 2, 2020.
[10] Hendra Son Simon, “Penentuan Posisi Objek Berbasis Image Processing Dengan Menggunakan Metode Convolutional Neural Network,” J. Chem. Inf. Model., vol. 53, no. 9, pp. 1689–1699, 2020.
[11] Wahyu Wijaya Widiyanto, “Analisa Metodologi Pengembangan Sistem Dengan Perbandingan Model Perangkat Lunak Sistem Informasi Kepegawaian Menggunakan Waterfall Development Model, Model Prototype, Dan Model Rapid Application Development (Rad),” J. Inf. Politek. Indonusa Surakarta ISSN, vol. 4, no. 1, pp. 34–40, 2018.
Downloads
Published
Issue
Section
License
Copyright (c) 2026 Jurnal Jaringan dan Teknologi Informasi
This work is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
