Jurnal PROtek Vol. 04 No. 2, September 2017 Indentifikasi Status Bencana Gunung Berapi Menggunakan Metode Kombinasi Case-Based Reasoning dan Bayesian Network Miftah Muhammad 1 , Assaf Arief 2 1 Program Studi Teknik Elektro 2 Program Studi Teknik Informatika Fakultas Teknik Universitas Khairun Ternate, Indonesia email: miftahmuh@unkhair.ac.id , assaf.arief@ui.ac.id Abstrak— Secara geografis Indonesia berada di pertemuan dua lempeng yaitu Asia dan Australia, hal ini menyebabkan banyak terdapat gunung merapi. Selain itu pegunungan di Indonesia didominasi oleh gunung yang aktif dan berpotensi meletus sewaktu-waktu. Kondisi tersebut mengharuskan warga negara Indonesia, khususnya yang tinggal di sekitaran pegunungan berapi aktif tanggap akan bencana letusan gunung berapi. Pesatnya perkembangan Teknologi Informasi dan Komunikasi (TIK) pada mitigasi bencana dalam bentuk aplikasi pendeteksi potensi bencana gunung merapi, dapat menjadi solusi membantu warga masyarakat daerah rawan bencana. Penelitian ini menghasilkan suatu aplikasi indentifikasi status gunung berapi. Data latih yang digunakan diambil dari situs Pusat Vulkanologi dan Mitigasi Bencana Gunung Berapi yang diklasifikasikan dalam tiga status yaitu normal, siaga, dan waspada. Pengklasifikasi menggunakan Case-Based Reasoning (CBR) dan Bayesian Network (BN) yang merupakan metode kombinasi berbasis probabilitas yang sederhana namun handal untuk meningkatkan akurasi data. Berdasarkan hasil pengujian dengan jumlah data latih terbesar mencapai tingkat akurasi 80%. Dengan demikian dapat dikatakan bahwa aplikasi indentifikasi status bencana gunung berapi dengan metode CBR dan BN memiliki performa dan akurasi yang tinggi dalam mengklasifikasi status gunung berapi. Kata Kunci; CBR; BN; status gunung berapi I. PENDAHULUAN Secara geografis Indonesia berada di pertemuan dua lempeng yaitu Asia dan Australia, sehingga di dominasi oleh gunung api yang terbentuk akibat zona subduksi antara kedua lempeng Eurasia dan lempeng Indo- Australia. Hingga tahun 2014 tercatat 127 gunung aktif yang dinyatkan masih aktif di Indonesia, dengan 5 juta warga berdiam didaerah gunung masih aktif tersebut. Selain itu, dari 127 gunung berapi aktif hanya 69 gunung yang terpantau itu artinya masih sekitar 40% lebih gunung aktif yang belum terpantau dengan baik. Dengan begitu, resiko bencana gunung berapi ketika terjadi letusan gunung dampaknya kepada masyarakat masih sangat besar, mengingat masih banyak gunung yang belum terpantau baik dan jumlah warga yang menetap didaerah gunung berapi yang masih aktif begitu banyak. Dengan potensi bencana alam yang besar, sudah selayaknya Indonesia mempunyai pengelolaan bencana yang konsisten, efektif dan terpadu, baik dalam tingkat pemerintahan pusat maupun dalam tingkat pemerintahan daerah. Kemajuan teknologi informasi dan komunikasi (TIK) yang mendukung aktivitas pengelolaan bencana alam dapat diterapkan dalam upaya untuk mengoptimalkan proses penanggulangan bencana dan proses pemulihan wilayah setelah terjadi bencana alam. Pengelolaan bencana adalah suatu proses yang berkelanjutan, bukan proses sesaat, mengingat bencana alam pasti akan terjadi. Pengelolaan bencana mutlak diperlukan dengan tujuan utama adalah peningkatan kepedulian semua pihak dalam upaya untuk mengurangi dampak bencana alam. Oleh karena itu, informasi mengenai wilayah yang terkena bencana dan identifikasi besarnya kerusakan sangat diperlukan sebagai salah satu kebijakan pengelolaan bencana dalam upaya mengurangi dampak bencana. Penelitian-penelitian dalam dunia artificial intelligence untuk gunung berapi pernah dilakukan oleh beberapa peneliti sebelumnya diantaranya [1] dan [2]. Pada penelitian [1] dengan menggunakan naïve bayes sedangkan penelitian dari [2] menggunakan metode ANFIS. Penelitian ini menfaatkan data-data lama untuk proses memberikan indentifikasi status gunung berapi atau yang dikenal dengan Case-Based Reasoning. Setelah menggunakan metode CBR di lanjutkan dengan metode Bayesian Network untuk proses penalaran telah di uji pada beberapa kasus-kasus lain dengan akurasi sistem bisa mencapai lebih dari 90% bahkan bisa 100%. Sebagaimana yang diteliti oleh [3] membuat sistem pendukung keputusan dengan menggunakan metode CBR pada diagnosis paru akibat kerja dengan akurasi sistem mencapai 95, 3%. Selain itu, pada tahapan retrieve dari CBR digunakan Bayesian Network agar secara probabilitas teruji dengan data yang terukur. 75