PENERAPAN ALGORITMA K-NEAREST NEIGHBORS DAN NAIVE BAYES UNTUK KLASIFIKASI CUACA BERDASARKAN DATA HISTORIS METEOROLOGI

Arlingga, Muhamad Dewano (2025) PENERAPAN ALGORITMA K-NEAREST NEIGHBORS DAN NAIVE BAYES UNTUK KLASIFIKASI CUACA BERDASARKAN DATA HISTORIS METEOROLOGI. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (2MB)
	Text (BAB I) BAB I.pdf Download (228kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (701kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (388kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (928kB)
	Text (BAB V) BAB V.pdf Download (73kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (197kB)
	Archive (SOURCE CODE) Sourcecode - 21.11.3842.zip Restricted to Repository staff only Download (419kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (703kB)

Abstract

Penelitian ini bertujuan untuk memprediksi kondisi cuaca berdasarkan data historis meteorologi menggunakan algoritma K-Nearest Neighbors (KNN) serta mengevaluasi dan membandingkan performanya dengan algoritma Naive Bayes yang telah diterapkan pada penelitian sebelumnya. Data yang digunakan mencakup variabel precipitation, temp_max, temp_min, dan wind. Model KNN dibangun untuk mengklasifikasikan kondisi cuaca menjadi beberapa kategori, yaitu drizzle, rain, sun, snow, dan fog. Proses pengolahan data melibatkan tahapan pembersihan data, normalisasi menggunakan metode Min-Max, serta transformasi data kategorial menjadi numerik melalui label encoding. Selanjutnya, data dibagi ke dalam beberapa rasio pelatihan dan pengujian, yaitu 70:30, 80:20, dan 90:10 untuk menguji kestabilan performa model terhadap perubahan proporsi data latih. Hasil evaluasi menunjukkan bahwa akurasi model KNN meningkat seiring bertambahnya jumlah tetangga (nilai k) dan proporsi data pelatihan yang lebih besar. Akurasi tertinggi dicapai sebesar 85% pada rasio 90:10 dengan nilai k=6 dan k=9. Selain akurasi, metrik evaluasi lainnya seperti precision, recall, dan F1-score juga dianalisis, yang masing-masing bernilai 34%, 39%, dan 36%. Jika dibandingkan dengan algoritma Naive Bayes yang memperoleh akurasi 84,26%, KNN menunjukkan performa yang lebih baik dalam menangkap pola-pola non-linear pada data cuaca. Hasil ini mengindikasikan bahwa KNN memiliki potensi sebagai alternatif yang lebih unggul dalam klasifikasi kondisi cuaca berbasis data historis. Oleh karena itu, pemilihan algoritma prediksi perlu disesuaikan dengan kompleksitas data serta tujuan akhir dari prediksi yang diinginkan. Temuan ini diharapkan dapat memberikan kontribusi terhadap pengembangan sistem prediksi cuaca yang lebih akurat, adaptif, aplikatif, efisien, dan relevan untuk kebutuhan di berbagai sektor industri dan masyarakat.

Actions (login required)

View Item