Sistem Prediksi Tingkat Pencemaran Polusi Udara dengan Algoritma Naïve Bayes pada Kota Makassar

Penulis

  • Nurul Aini STMIK Dipanegara Makassar
  • Rima Ruktiari STMIK Dipanegara Makassar

Abstrak

Peningkatan kualitas hidup yang terjadi tidak diimbangi dengan peningkatan kualitas lingkungan. Berdasarkan data dari Badan Lingkungan Hidup Provinsi Sulawesi Selatan pada tahun 2018 menyatakan udara Kota Makassar termasuk daerah yang tercemar di banding daerah lain di Provinsi Sulawesi Selatan. Salah satu yang mempengaruhi hal ini adalah masifnya pertumbuhan kendaraan di kota Makassar. Untuk itu maka diperlukan satu sistem yang dapat memprediksi tingkat polusi udara di masa yang akan datang. Sehingga, masyarakat yang akan melakukan aktivitasnya di luar rumah pada keesokan harinya tidak perlu merasa khawatir karena sudah mendapatkan informasi tentang tingkat polusi udara. Klasifikasi dalam data mining bekerja pada data historis atau data sejarah. Data historis disebut data latihan atau training data. Historis data digunakan sebagai cara mendapatkan pengetahuan dan disebut data pengalaman. Naïve bayes merupakan kumpulan algoritma supervised learning yang berdasarkan Teorema Bayes dengan asumsi ‘naif’ saling bebas tidak tergantung antar fitur , metode klasifikasi dari Naïve Bayes memiliki tingkat akurasi lebih baik dari metode klasifikasi lainnya .Sistem ini mampu mengklasifikasi data polusi dikota makassar dan berdasarkan hasil uji akurasi ada beberapa faktor yang mempengaruhi tingkat polusi beberada bagian di kota Makassar.

Biografi Penulis

Nurul Aini, STMIK Dipanegara Makassar

Rekayasa Perangkat Lunak

Rima Ruktiari, STMIK Dipanegara Makassar

Rekayasan Perangkat Lunak

Referensi

Ahyuna, A., & Aryasa, K. (2018). Sistem Pakar Diagnosa Dan Tatalaksana Penyakit Demam Berdarah Dengue Menggunakan Jaringan Saraf Tiruan Backpropagation. JUSITI: Jurnal Sistem Informasi dan Teknologi Informasi, 6(1), 1-11.

Budi, D. S., Siswa, T. A. Y., & Abijono, H. (2016). Analisis Pemilihan Penerapan Proyek Metodologi Pengembangan Rekayasa Perangkat Lunak. Teknika, 5(1), 24-31.

Fadli, A. (2011). Konsep Data Mining. IlmuKomputer. Com, 1, 1-9.

Hozeng, S., Aisa, S. (2017, August). Aplikasi Data Mining Dengan Menggunakan Metode Decision Tree Untuk Prediksi Penentuan Resiko Kredit. In SISITI: Seminar Ilmiah Sistem Informasi dan Teknologi Informasi (Vol. 5, No. 2).

Ibrahim, A., & Samsie, I. Sistem Penunjang Keputusan Pemberian Bantuan Pemerintah Pada Masyarakat Pra Sejahtera Dengan Metode Analytical Hierarcy Process (AHP) Pada Kota Makassar.

Irmayana, A., & Akhriana, A. (2018). Sistem Prediksi Alat Promosi Pada Unit Consumer Care and Marketing PT. Telkom Regional VII KTI Menggunakan Pendekatan Trend Linear. SENSITEK, 1(1), 275-280.

Mustafa, M. S., Ramadhan, M. R., & Thenata, A. P. (2018). Implementasi Data Mining untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes Classifier. Creative Information Technology Journal, 4(2), 151-162.

Olson, D. L., & Delen, D. (2008). Advanced data mining techniques. Springer Science & Business Media.

Purwaningsih, D. W. (2007). Analisis Cluster Terhadap Tingkat Pencemaran Udara Pada Sektor Industri di Jawa Tengah (Doctoral dissertation, Universitas Negeri Semarang).

Tamsir, N., Arie, J., Rezky, Y., & Purnama, M. I. (2017, August). Aplikasi Penentuan Kualitas Sekolah Luar Biasa Menggunakan Weighted Product Methoddetermination Application Quality Schools Using Weighted Product Method. In SISITI: Seminar Ilmiah Sistem Informasi dan Teknologi Informasi (Vol. 5, No. 1)

Zufria, I., Sains, F., & Medan, T. U. S. U. (2013). Pemodelan Berbasis UML (Unified Modeling Language) dengan Strategi Teknik Orientasi Objek User Centered Design (UCD) dalam Sistem Administrasi Pendidikan. Research Gate.

Unduhan

Diterbitkan

2021-03-09

Terbitan

Bagian

Artikel