Metode K-Nearest Neighbor (KNN) Dalam Memprediksi Curah Hujan di Kota Bandung

Deden Martia Nanda, Tacbir Hendro Pudjiantoro, Puspita Nurul Sabrina

Abstract


Curah hujan memiliki pola yang tidak menentu sehingga sulit dilakukan prediksi dengan cara manual. Besarnya curah hujan tidak dapat ditentukan secara pasti namun dapat diperkirakan. Namun demikian, dengan adanya Data Mining memungkinkan mesin mengenali dan mempelajari pola data yang rumit. Maka dari itu pembelajaran mesin dapat mempelajari pola data curah hujan untuk melakukan prediksi, maka penelitian ini melakukan proses data mining pada data curah hujan terbilang dari 1 januari 2015 sampai 31 desember 2020 dengan menggunakan metode K-Nearest Neighbor sesuai kriteria temperature rata-rata, kelembapan udara rata-rata, kecepatan angin rata-rata, dan curah hujan. Proses klasifikasi ini memiliki tujuan untuk mendapatkan akurasi terbaik dalam memprediksi curah hujan harian di Kota Bandung, serta memberi pengetahuan algoritma K-Nearest Neighbor mengenai curah hujan. Hasil dari penelitian ini menunjukan bahwa ketika nilai K sebesar 5, maka didapatkan hasil akurasi sebesar 86.199% dengan hasil pengujian akurasi menggunakan Confusion Matrix dihasilkan akuarasi sebesar 84.38%.


Keywords


Algoritma; K-Nearest Neighbor (KNN); Curah Hujan; Data Mining; Confusion Matrix

Full Text:

PDF

References


B. Tjasyono H. K., Meteorologi Indonesia Volume I -Karakteristik dan Sirkulasi Atmosfer, vol. I. 2012.

B. Irawan, “Fenomena Anomali Iklim El Nino dan La Nina: Kecenderungan Jangka Panjang dan Pengaruhnya terhadap Produksi Pangan,” Forum Penelit. Agro Ekon., vol. 24, no. 1, p. 28, 2016.

F. R. Lumbanraja, R. S. Sani, D. Kurniawan, and A. R. Irawati, “Implementasi Metode Support Vector Machine Dalam Prediksi Persebaran Demam Berdarah Di Kota Bandar Lampung,” J. Komputasi, vol. 7, no. 2, 2019.

S. B. Navathe, W. Wu, S. Shekhar, X. Du, X. Sean Wang, and H. Xiong, “Database Systems for Advanced Applications: 21st International Conference, DASFAA 2016 Dallas, TX, USA, April 16–19, 2016 Proceedings, Part I,” Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif. Intell. Lect. Notes Bioinformatics), vol. 9642, pp. 214–228, 2016.

A. Bode, “K-Nearest Neighbor Dengan Feature Selection Menggunakan Backward Elimination Untuk Prediksi Harga Komoditi Kopi Arabika,” Ilk. J. Ilm., vol. 9, no. 2, pp. 188–195, 2017.

P. S. Statistika, F. Matematika, D. A. N. Ilmu, P. Alam, and U. I. Indonesia, “Perbandingan Hasil Metode Naïve Bayes Classifier dan Support Vector Machine Dalam,” 2018.

D. Howard and B. Mark, “Neural Network Toolbox Documentation,” Neural Netw. Tool, p. 846, 2004.

N. Ritha, M. Bettiza, and A. Dufan, “Prediksi Curah Hujan dengan Menggunakan Algoritma Levenberg-Marquardt dan Backpropagation,” J. Sustain., vol. 5, no. 2, pp. 11–16, 2016.

F. Gorunescu, Intelligent System Reference Library, Volume 12. 2005.

M. Bramer, Principles of Data Mining, no. January 2007. 2007.

A. Anjomshoaa and M. Salmanzadeh, “Filling missing meteorological data in heating and cooling seasons separately,” Int. J. Climatol., vol. 39, no. 2, pp. 701–710, 2019.

H. Leidiyana, “Penerapan Algoritma K-Nearest Neighbor Untuk Penentuan Resiko Kredit Kepemilikan Kendaraan Bermotor,” J. Penelit. Ilmu Komputer, Syst. Embed. Log., vol. 1, no. 1, pp. 65–76, 2013.

M. J. Hartmann and G. Carleo, “Neural-Network Approach to Dissipative Quantum Many-Body Dynamics,” Phys. Rev. Lett., vol. 122, no. 25, p. 250502, 2019.

K. Crammer, “On the algorithmic implementation of multiclass kernel-based vector machines,” J. Mach. Learn. Res. - JMLR, vol. 2, no. 2, pp. 265–292, 2002.

A. J. T, D. Yanosma, and K. Anggriani, “Implementasi Metode K-Nearest Neighbor (Knn) Dan Simple Additive Weighting (Saw) Dalam Pengambilan Keputusan Seleksi Penerimaan Anggota Paskibraka,” Pseudocode, vol. 3, no. 2, pp. 98–112, 2017

M. Fansyuri, “Analisa algoritma klasifikasi k-nearest neighbor dalam menentukan nilai akurasi terhadap kepuasan pelanggan (study kasus pt. Trigatra komunikatama),” Humanika J. Ilmu Sos. Pendidikan, dan Hum., vol. 3, no. 1, pp. 29–33, 2020.

N. Reflan, A. Aflahah, Kusrini, and Juwari, “Implementasi Metode K-Nearest Neighbor (Knn) Untuk Memprediksi Varietas Padi Yang Cocok Untuk Lahan Pertanian,” J. Inf. Politek. Indonusa Surakarta, vol. 4, pp. 2–8, 2018.




DOI: https://doi.org/10.31284/p.snestik.2022.2750

Refbacks

  • There are currently no refbacks.


Copyright (c) 2022 Deden Martia Nanda, Tacbir Hendro Pudjiantoro, Puspita Nurul Sabrina

Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.