This study aims to compare the performance of two classification data mining algorithms, namely the K-Nearest Neighbor algorithm, and C4.5 using the K-fold cross validation method. The data used in this study are iris public data with a total of 150 data and 3 label target classes, namely iris-setosa, iris-versicolor, and iris-virginica. The training data used is 97% or 145 data from 150 data, and the testing data used is 3% or 5 data, and the number of K in the K-fold cross validation is 30 or 30 times the experimental stage. The results showed that the performance of the K-Nearest Neighbor algorithm was 95.33%, recall was 95.33%, and precision was 96.27%. While the C4.5 algorithm obtained an accuracy of 96.00%, recall of 94.44%, and precision of 93.52%.
Kebakaran hutan merupakan salah satu bencana yang sangat merugikan di dunia, tak terkecuali di Indonesia. Berdasarkan laporan dari Kementrian Lingkungan Hidup dan Kehutanan total kebakaran hutan dan lahan dalam rentang 2015 – 2019 yang terbakar adalah seluas 1.6 juta (Ha) [1]. Beberapa faktor yang mempengaruhi terjadinya kebakaran hutan diantaranya adalah faktor alam dan manusia. Faktor alam seperti kondisi suhu, kelembapan, kemarau, Elnino, erupsi gunung dan petir, kemudian para peneliti menemukan fakta bahwa aktivitas manusia di hutan seperti pembukaan lahan, eksploitasi kayu, perburuan dan pembakaran memiliki efek kausalitas terhadap terjadinya kebakaran hutan khususnya di daerah yang masih mempunyai hutan yang luas. Beberapa penelitian telah dilakukan untuk mencegah terjadinya kebakaran hutan seperti dengan menggunakan Teknik Data Mining dan Machine Learning yakni dengan melakukan prediksi kapan terjadinya kebakaran hutan berdasarkan kondisi cuaca dan histori laporan kebakaran namun masih belum sempurna. Maka dari itu pada penelitian ini kami mengembangkan konsep sistem prediksi kebakaran hutan yang akan menjadi salah satu acuan kebijakan pemerintah dalam mengeluarkan kebijakan yang bersifat preventif. Dengan melakukan pemodelan menggunakan model Algoritma Random Forest pada data kebakaran hutan dari tahun ketahun diwilayah Indonesia diharapakan dapat membantu pemerintah dalam melakukan pencegahan kebakaran hutan dengan kebijakan hukumnya dan analisis yang ada bisa digunakan oleh Balai Besar Teknologi Modifikasi Cuaca (BBTMC) yang dapat membantu menentukan kapan modifikasi cuaca dilakukan.
Aplikasi Internet of Things (IoT) telah banyak dikembangkan pada beberapa tahun belakangan ini. IoT merupakan sebuah kesatuan koneksi dari sejumlah perangkat pintar yang berupa sensor, aktuator dan berbagai software yang dapat bertukar data dengan menggunakan koneksi Internet. Dengan berkembangnya aplikasi IoT pada masa ini, dalam waktu dekat, IoT akan memiliki banyak aplikasi di berbagai domain yang tentunya akan menghasilkan data dalam jumlah besar. Dengan generasi data yang beragam dan berkelanjutan, beberapa masalah muncul dalam hal penyimpanan, pentransferan data dan pengelolaan data secara efisien. Dengan adanya tantangan pada penyimpanan data yang besar pada aplikasi IOT, maka penelitian ini dilakukan untuk menemukan sistem basis data yang sesuai untuk digunakan dalam aplikasi IOT pada umumnya. Tulisan ini akan fokus kepada perbandingan dua buah sistem yakni sistem basis data tradisional yang menggunakan basis data Structured Query Language (SQL) dan basis data NoSQL. Selain itu, tulisan ini juga dibuat untuk mengkaji lebih dalam tentang basis data (SQL/NOSQL) yang paling cocok digunakan untuk aplikasi IoT secara umum dengan beberapa kriteria penggunaan yang berbeda. SQL telah lama digunakan oleh pengguna selama ini pada aplikasi-aplikasi diluar IOT dan memiliki kesederhanaan, ketahanan, fleksibilitas, skalabilitas dan kinerja yang telah teruji, akan tetapi batasan utama yang ada pada sistem basis data ini adalah skema statis yang membuat RDBMS tidak lagi cocok untuk aplikasi IoT. Di sisi lain yang muncul di pasar diklaim memiliki kinerja yang lebih baik daripada database SQL. Basis data NoSQL bersifat nonrelasional, memiliki skema yang bebas, tanpa penggabungan, dukungan replikasi yang mudah, skalabiloitas yang luas, dll.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.