ANALISIS KINERJA METODE STACKING CLASSIFIER PADA PREDIKSI CUACA

Wisesa, Shifa Pandya (2025) ANALISIS KINERJA METODE STACKING CLASSIFIER PADA PREDIKSI CUACA. D3 - Diploma thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (859kB)
	Text (BAB I) BAB I.pdf Download (264kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (923kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (911kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (721kB)
	Text (BAB V) BAB V.pdf Download (162kB)
	Text (DAFTAR PUSTAKA) Daftar Pustaka.pdf Restricted to Registered users only Download (179kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (639kB)

Abstract

Prediksi cuaca yang akurat memiliki peran penting dalam berbagai aspek kehidupan, seperti perencanaan kegiatan masyarakat, mitigasi bencana, serta sektor pertanian. Dalam penelitian ini, digunakan pendekatan ensemble learning untuk meningkatkan akurasi prediksi cuaca berbasis klasifikasi biner (hujan dan tidak hujan). Metode utama yang digunakan adalah Stacking Classifier, yang dikombinasikan dan dibandingkan dengan beberapa model machine learning sebagai base learners, seperti Logistic Regression, K- Nearest Neighbors, dan Decision Tree, Naive Bayes, Support Vector Machine. Dataset yang digunakan bersumber dari Kaggle, berupa data historis cuaca London dengan fitur-fitur seperti suhu maksimum, suhu minimum, suhu rata-rata, durasi sinar matahari, tekanan permukaan laut, kelembapan, dan tutupan awan. Tahapan penelitian meliputi preprocessing data (pemilihan fitur, normalisasi, dan encoding), pembagian data menjadi training dan testing set, pelatihan model, tuning hyperparameter, dan evaluasi menggunakan metrik akurasi, precision, recall, dan F1-score. Secara keseluruhan, setelah dilakukan tuning, model Stacking Classifier menunjukkan performa yang relatif stabil. Pada data pelatihan, model memperoleh akurasi sebesar 69.41% dengan nilai F1-score rata-rata 0.69, di mana kelas tidak hujan (label 0) memiliki F1-score sebesar 0.69 dan kelas hujan (label 1) sedikit lebih tinggi dengan F1-score 0.70. Sementara itu, pada data pengujian, model berhasil mencapai akurasi sebesar 70.16% dengan F1-score rata-rata 0.70. Model mampu mengenali kategori tidak hujan dengan cukup baik (F1-score 0.72), namun masih sedikit lebih rendah dalam mengenali kategori hujan (F1-score 0.68). Hal ini menunjukkan bahwa tuning menghasilkan model yang lebih seimbang dalam generalisasi, meskipun peningkatan performa yang diperoleh masih tergolong minimal.

Actions (login required)

View Item