Prediksi Cuaca di Kota Palembang Berbasis Supervised Learning Menggunakan Algoritma K-Nearest Neighbour

Abstract

Abstrak

Permasalahan cuaca yang dipengaruhi banyak faktor alam menyebabkan kondisi cuaca yang berubah - ubah sehingga kadang sulit diprediksi. Prediksi cuaca yang tepat diperlukan agar masyarakat dan para pengambil kebijakan dapat melakukan antisipasi terhadap hal ini. Banyaknya factor yang mempengaruhi cuaca menyebabkan kesulitan dalam mengklasifikasikan cuaca pada hari tertentu. Locality Sensitive Hashing (LSH) bekerja pada data pelatihan dengan memberikan nilai hash pada tiap vektor yang berisi nilai yang merepresentasikan faktor – faktor yang mempengaruhi cuaca dan melakukan pengklasifikasian cuaca. Untuk selanjutnya algoritma k-Nearest Neighbour (k-NN) yang akan menghitung prediksi terhadap faktor – faktor yang mempengaruhi cuaca pada suatu hari tertentu. Berdasarkan pengujian yang dilakukan, metode k-NN yang dihybrid dengan LSH dapat memprediksi nilai factor – factor yang mempengaruhi cuaca dengan cukup baik dengan nilai Mean Square Error (MSE) sebesar 0,301.

 

Kata kunci—k-Nearest Neighbour (k-NN), prediksi cuaca, Locality Sensitive Hasihing (LSH)

 

Abstract

Weather is influenced by many natural factors causing it to change frequently at any time so that it is sometimes difficult to predict. An accuratet weather prediction is needed so that people and policy makers can anticipate this problem. Many factors that influence the weather cause difficulty in classifying the weather on a particular day. Locality Sensitive Hashing (LSH) works on training data by assigning hash values to a vectors that contain values that represent factors that affect weather and perform weather classification. Furthermore, the k-Nearest Neighbor (k-NN) algorithm will calculate the predictions of the factors that affect the weather on a certain day. Based on the tests carried out, k-NN and LSH in weather prediction has Mean Square Error (MSE) 0,301.

 

Keywords— k-Nearest Neighbou r(k-NN), weather forecasting, Locality Sensitive Hasihing (LSH