KLASIFKASI CURAH HUJAN MENGGUNAKAN ALGORITMA K-NEAREST NEIGHBOR (KNN) DI SULAWESI TENGAH

Moh.Fajrin Sigit Aldy
Dwi Shinta Angreni
Mohammad Yazdi Pusadan
Wirdayanti Wirdayanti


DOI: https://doi.org/10.29100/jipi.v9i4.5643

Abstract


Provinsi Sulawesi Tengah memiliki letak yang berdekatan dengan garis khatulistiwa, hal ini dapat mempengaruhi perubahan iklim didaerah tersebut salah satunya curah hujan. Perubahan curah hujan yang tidak menentu mengakibatkan timbulnya bencana seperti banjir yang dapat mempengaruhi gerak aktivitas masyarakat sehari-hari. Salah satu hal yang perlu dilakukan untuk mengantisipasi dengan prediksi cuaca. Pemanfaatan metode data mining dapat membantu dalam melakukan prediksi serta akurasi data dengan baik. Penelitian ini menggunakan dataset BMKG di Provinsi Sulawesi Tengah yang dikumpulkan dari 1 Januari 2019 sampai 31 Oktober 2023 serta klasifikasi dibagi menjadi 5 kelas menggunakan algoritma K-Nearest Neighbor (KNN). Tujuan penelitian ini memperoleh informasi dengan mengelompokkan data guna memprediksi curah hujan di BMKG Sulawesi Tengah. Hasil evaluasi menujukan bahwa nilai K = 23 dengan akurasi sebesar 83,0%, dan algoritma K-Nearest Neighbor (KNN) memiliki kinerja yang cukup baik dalam melakukan klasifikasi cuaca.

Keywords


Curah Hujan; Klasifikasi; K-Nearest Neighbor; Prediksi; Sulawesi Tengah

Full Text:

PDF

Article Metrics :

References


Solih Alfiandy et al., “Analisis Iklim Provinsi Sulawesi Tengah berdasarkan Data Pemantau Cuaca Otomatis BMKG,” 2020.

T. Lattifia, P. Wira Buana, N. Kadek, and D. Rusjayanthi, “Model Prediksi Cuaca Menggunakan Metode LSTM,” 2022.

M. Yulianto, D. Afriyantari, and P. Putri, “Pengembangan Game Edukasi Pengenalan Iklim Dan Cuaca Untuk Siswa Kelas III Sekolah Dasar,” Jurnal Teknik Elektro , vol. 20, no. 2, pp. 128–133, 2020.

D. Martia Nanda, T. Hendro Pudjiantoro, P. Nurul Sabrina, and A. Yani, “SNESTIK Seminar Nasional Teknik Elektro, Sistem Infor-masi, dan Teknik Informatika Metode K-Nearest Neighbor (KNN) dalam Memprediksi Curah Hujan di Kota Bandung,” p. 387, 2022, doi: 10.31284/p.snestik.2022.2750.

S. Khairunnisa and M. I. Jambak, “Pengelompokan Cuaca Kota Palembang Menggunakan Algoritma K-Means Clustering Untuk Mengetahui Pola Karakteristik Cuaca,” JURNAL MEDIA INFORMATIKA BUDIDARMA, vol. 6, no. 4, p. 2352, Oct. 2022, doi: 10.30865/mib.v6i4.4810.

A. De Wibowo Muhammad Sidik, I. Himawan Kusumah, A. Suryana, M. Artiyasa, and A. Pradiftha Junfithrana, “Gambaran Umum Metode Klasifikasi Data Mining,” vol. 2, no. 2, pp. 34–38, 2020.

B. Poernomo, R. Dewi, and I. Sari, “PENERAPAN DATA MINING UNTUK PRAKIRAAN CUACA DI KOTA MALANG MENGGUNAKAN ALGORITMA ITERATIVE DICHOTOMISER TREE (ID3),” 2017.

S. Huber, H. Wiemer, D. Schneider, and S. Ihlenfeldt, “DMME: Data mining methodology for engineering applications - A holistic extension to the CRISP-DM model,” in Procedia CIRP, Elsevier B.V., 2019, pp. 403–408. doi: 10.1016/j.procir.2019.02.106.

C. Schröer, F. Kruse, and J. M. Gómez, “A systematic literature review on applying CRISP-DM process model,” in Procedia Computer Science, Elsevier B.V., 2021, pp. 526–534. doi: 10.1016/j.procs.2021.01.199.

A. Pambudi, “PENERAPAN CRISP-DM MENGGUNAKAN MLR K-FOLD PADA DATA SAHAM PT. TELKOM INDONESIA (PERSERO) TBK (TLKM) (STUDI KASUS: BURSA EFEK INDONESIA TAHUN 2015-2022),” Jurnal Data Mining dan Sistem In-formasi, vol. 4, no. 1, p. 1, Mar. 2023, doi: 10.33365/jdmsi.v4i1.2462.

H. J. G. Palacios, R. A. J. Toledo, G. A. H. Pantoja, and Á. A. M. Navarro, “A comparative between CRISP-DM and SEMMA through the construction of a MODIS repository for studies of land use and cover change,” Advances in Science, Technology and Engineering Systems, vol. 2, no. 3, pp. 598–604, 2017, doi: 10.25046/aj020376.

Andrian Febriansyah Istianto, Asep Id Hadiana, and Fajri Rakhmat Umbara, “PREDIKSI CURAH HUJAN MENGGUNAKAN METODE CATEGORICAL BOOSTING (CATBOOST),” 2023.

D. A. H. Panggabean, F. M. Sihombing, and N. M. Aruan, “PREDIKSI TINGGI CURAH HUJAN DAN KECEPATAN ANGIN BERDASARKAN DATA CUACA DENGAN PENERAPAN ALGORITMA ARTIFICIAL NEURAL NETWORK (ANN),” SEMINASTIKA, vol. 3, no. 1, pp. 1–7, Nov. 2021, doi: 10.47002/seminastika.v3i1.237.

A. S. Agung, A. A. Fauzi, A. A. Nur Risal, and F. Adiba, “Implementasi Teknik Data Mining terhadap Klasifikasi Data Prediksi Curah Hujan BMKG Di Sulawesi Selatan,” Jurnal Tekno Insentif, vol. 17, no. 1, pp. 22–23, Apr. 2023, doi: 10.36787/jti.v17i1.955.

M. A. Hasanah, S. Soim, and A. S. Handayani, “Implementasi CRISP-DM Model Menggunakan Metode Decision Tree dengan Algo-ritma CART untuk Prediksi Curah Hujan Berpotensi Banjir,” 2021. [Online]. Available: http://jurnal.polibatam.ac.id/index.php/JAIC

M. F. Nasrullah, R. Rohmat Saedudin, and F. Hamami, “JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) Journal homep-age: https://jurnal.stkippgritulungagung.ac.id/index.php/jipi PERBANDINGAN AKURASI ALGORITMA C4.5 DAN K-NEAREST NEIGHBORS UNTUK KLASIFIKASI CURAH HUJAN BERDASARKAN IKLIM INDONESIA,” vol. 9, no. 2, pp. 628–638, 2024, doi: 10.29100/jipi.v9i2.4655.

F. Martinez-Plumed et al., “CRISP-DM Twenty Years Later: From Data Mining Processes to Data Science Trajectories,” IEEE Trans Knowl Data Eng, vol. 33, no. 8, pp. 3048–3061, Aug. 2021, doi: 10.1109/TKDE.2019.2962680.

M. Kubat, An Introduction to Machine Learning. Cham: Springer International Publishing, 2021. doi: 10.1007/978-3-030-81935-4.

G. Hendro Martono and N. Sulistianingsih, “Perbandingan Matriks jarak pada Algoritma K-NN untuk Prediksi Penyakit Diabetes Comparison of Distance Matrices in the K-NN Algorithm for Predicting diabetes,” JoMI: Journal of Millennial Informatics, vol. 2, no. 1, pp. 1–6, 2024.

A. Novareza, R. Herdiana, and I. Iin, “ANALISIS DATA MINING PADA PRODUKSI IKAN AIR TAWAR DI KECAMATAN PANJALU MENGGUNAKAN METODE C4.5,” JATI (Jurnal Mahasiswa Teknik Informatika), vol. 8, no. 1, pp. 252–258, Feb. 2024, doi: 10.36040/jati.v8i1.8209.