Implementasi Algoritma Gaussian Naive Bayes Classifier Untuk Prediksi Potensi Tsunami Berbasis Mikrokontroler

Dede Irawan Saputra; Dadang Lukman   Hakim

doi:10.55893/epsilon.v20i2.94

Dede Irawan Saputra Universitas Jenderal Achmad Yani
Dadang Lukman Hakim Universitas Jenderal Achmad Yani

DOI: https://doi.org/10.55893/epsilon.v20i2.94

Kata Kunci: Gaussian Naive Bayes Classifier, Potensi Tsunami, Mikrokontroler

Abstrak

Klasifikasi yang dilakukan algoritma Gaussian Naive Bayes Classifier dapat menggunakan data kontinyu seperti parameter-parameter yang menjadi pertimbangan terjadinya tsunami. Data yang dikumpulkan untuk proses klasifikasi merupakan beberapa data gempa bumi yang terjadi di Indonesia dalam kurun waktu 20 tahun terakhir. Data dari terjadinya gempa bumi yang diambil antara lain adalah waktu terjadinya, tempat terjadinya gempa, besar kekuatan gempa, kedalaman terjadinya gempa, dan juga jarak pusat gempa terhadap kota terdekat terjadinya gempa. Adapaun parameter yang diperlukan dalam mengimplementasikan proses prediksi adalah nilai rata-rata dari magnitudo, kedalaman pusat gempa, dan jarak episentrum. Berikutnya diperlukan juga nilai dari masing-masing standar deviasi dari magnitudo, kedalaman pusat gempa, dan jarak episentrum. Pada mikrokontroler dapat diimplementasikan persamaan fungsi Probabilistic Density Function untuk menghitung potensi tsunami. algoritma Gaussian Naive Bayes Classifier berbasis mikrokontroler dengan klasifikasi “Berpotensi Tsunami” dan “Tidak Berpotensi Tsunami” memiliki akurasi sebesar 96%.

Referensi

F. Handayani and S. Pribadi, “Implementasi Algoritma Naive Bayes Classifier dalam Pengklasifikasian Teks Otomatis Pengaduan dan Pelaporan Masyarakat melalui Layanan Call Center 110,” J. Tek. Elektro, vol. 7, no. 1, pp. 19–24, 2015.
[2] S. Bhatia and J. Malhotra, “Naïve bayes classifier for predicting the novel coronavirus,” in International Conference on Intelligent Communication Technologies and Virtual Mobile Networks, 2021, no. Icicv, pp. 880–883, doi: 10.1109/ICICV50876.2021.9388410.
[3] D. Silahudin, Henderi, and A. Holidin, “Model expert system for diagnosis of COVID-19 using naïve bayes classifier,” in IOP Conference Series: Materials Science and Engineering, 2020, vol. 1007, no. 1, doi: 10.1088/1757-899X/1007/1/012067.
[4] H. Kamel, D. Abdulah, and J. M. Al-Tuwaijari, “Cancer Classification Using Gaussian Naive Bayes Algorithm,” in Proceedings of the 5th International Engineering Conference, 2019, pp. 165–170, doi: 10.1109/IEC47844.2019.8950650.
[5] G. Tzanos, C. Kachris, and D. Soudris, “Hardware Acceleration on Gaussian Naive Bayes Machine Learning Algorithm,” in International Conference on Modern Circuits and Systems Technologies, 2019, pp. 1–5, doi: 10.1109/MOCAST.2019.8741875.
[6] A. Charisma, E. Taryana, D. I. Saputra, M. B. Misuari, A. Setiawan, and F. Dharmawan, “Implementasi Sistem Komunikasi FM Pada Prototype Pendeteksi Dini Gempa,” PRotek J. Ilm. Tek. Elektro, vol. 7, no. 2, pp. 60–64, 2020, doi: 10.33387/protk.v7i2.1812.
[7] R. Prathivi, “Optimasi Algoritme Naive Bayes Untuk Klasifikasi Data Gempa Bumi di Indonesia Berdasarkan Hiposentrum,” Telematika, vol. 13, no. 1, pp. 36–43, 2020, doi: 10.35671/telematika.v13i1.928.
[8] J. Parningotan Sianipar, R. E. Saputra, and C. Setianingsih, “Waves With Multi-Sensor System Based on Web Application Using Naive Bayes Algorithm,” in e-Proceeding of Engineering, 2021, vol. 8, no. 5, pp. 6183–6188.
[9] Badan Meteorologi Klimatologi dan Geoofisika, “Indonesia Tsunami Early Warning System,” BMKG, 2022. https://inatews.bmkg.go.id/web/.
[10] F. N. Ernandi and . M., “Analisis Variasi a-Value dan b-Value Dengan Menggunakan Software Zmap V.6 Sebagai Indikator Potensi Gempa Bumi Di Wilayah Nusa Tenggara Barat,” Inov. Fis. Indones., vol. 9, no. 3, pp. 24–30, 2020, doi: 10.26740/ifi.v9n3.p24-30.
[11] D. Irawan Saputra, S. Sambasri, J. Maulana, C. Andi Mulyadi, and L. Aunillah, “Laboratorium Kit Sederhana Untuk Pengolahan Citra Digital dan Instrumentasi Cerdas,” 2019, doi: 10.5614/sniko.2018.19.