Implementasi Metode XGBoost dan Feature Important untuk Klasifikasi pada Kebakaran Hutan dan Lahan
Abstract
Kebakaran hutan dan lahan di Indonesia telah menjadi masalah krisis lingkungan tahunan. Sebaran kebakaran hutan terbesar terjadi dipulau Sumatera. Salah satu upaya tindakan dalam pencegahan dan meminimalisasikan resiko kebakaran hutan adalah dengan mengklasifikasikan jenis titik panas di lahan, sehingga di dapat skala prioritas dalam pemadaman titik api. Penelitian ini bertujuan mengklasifikasikan type titik panas dengan metode XGBoost dan feature importance yang terdapat di pulau Sumatera. Data titik panas diperoleh dari Globalforestwatch.com. Proses mengurangi variabel dari data yang diperoleh menghasil dampak yang sangat signifikan pada model klasifikasi. Terapat enam dan atau tujuh variabel yang sangat berpengaruh dalam menentukan titik panas, variabel tersebut jugalah yang menghasilkan model klasfikasi terbaik. XGBoost dan feature importance menghasilkan akurasi sebesar 89.52%. Sensitivity (SE), Specificity (SP), dan Matthews Correlation Coefficient (MCC).secara berturut turut 91.32 %, 93.16 % dan 92.75 %. Metode ini juga lebih baik dibandingkan dengan hasil penelitian sebelumnya.
Full Text:
PDFReferences
Globalforestwatch.com (2020, 10 November). Kehilangan Hutan Primer Di Indonesia https://www.globalforestwatch.org/
Latifah, A. L., Shabrina, A., Wahyuni, I. N., & Sadikin, R. (2019, October). Evaluation of Random Forest model for forest fire prediction based on climatology over Borneo. In 2019 International Conference on Computer, Control, Informatics and its Applications (IC3INA) (pp. 4-8). IEEE.
Molovtsev, M. D., & Sineva, I. S. (2019, September). Classification Algorithms Analysis in the Forest Fire Detection Problem. In 2019 International Conference" Quality Management, Transport and Information Security, Information Technologies"(IT&QM&IS) (pp. 548-553). IEEE.
Karo, I. M. K., & Huda, A. F. (2016, October). Spatial clustering for determining rescue shelter of flood disaster in South Bandung using CLARANS Algorithm with Polygon Dissimilarity Function. In 2016 12th International Conference on Mathematics, Statistics, and Their Applications (ICMSA) (pp. 70-75). IEEE.
Karo, I. M. K. (2017). Spatial Clustering Based on Dissimilarity Region Using CLARANS with Polygon Dissimilarity Function (Doctoral dissertation, TELKOM UNIVERSITY).
Chen, T., & Guestrin, C. (2016, August). Xgboost: A scalable tree boosting system. In Proceedings of the 22nd acm sigkdd international conference on knowledge discovery and data mining (pp. 785-794).
Cherif, I. L., & Kortebi, A. (2019, April). On using eXtreme Gradient Boosting (XGBoost) Machine Learning algorithm for Home Network Traffic Classification. In 2019 Wireless Days (WD) (pp. 1-6). IEEE.
Karo, I. M. K., Ramdhani, R., Ramadhelza, A. W., & Aufa, B. Z. (2020, October). A Hybrid Classification Based on Machine Learning Classifiers to Predict Smart Indonesia Program. In 2020 Third International Conference on Vocational Education and Electrical Engineering (ICVEE) (pp. 1-5). IEEE.
Dimitrakopoulos, G. N., Vrahatis, A. G., Plagianakos, V., & Sgarbas, K. (2018, July). Pathway analysis using XGBoost classification in Biomedical Data. In Proceedings of the 10th Hellenic Conference on Artificial Intelligence (pp. 1-6).
DOI: https://doi.org/10.17509/seict.v1i1.29347
Refbacks
- There are currently no refbacks.
Copyright (c) 2020 Journal of Software Engineering, Information and Communication Technology
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.
Journal of Software Engineering, Information and Communicaton Technology (SEICT),
(e-ISSN:2774-1699 | p-ISSN:2744-1656) published by Program Studi Rekayasa Perangkat Lunak, Kampus UPI di Cibiru.
Indexed by.
