Analisis Performa Algoritma Decision Tree C4.5 Dan Random Forest Untuk Meningkatkan Akurasi Prediksi Cuaca Harian Jakarta

Dinda Nur Ishma, . (2024) Analisis Performa Algoritma Decision Tree C4.5 Dan Random Forest Untuk Meningkatkan Akurasi Prediksi Cuaca Harian Jakarta. Other thesis, Universitas Pamulang.

	Text COVER.pdf Restricted to Registered users only Download (1MB)
	Text BAB I.pdf Restricted to Registered users only Download (187kB)
	Text BAB II.pdf Restricted to Registered users only Download (419kB)
	Text BAB III.pdf Restricted to Registered users only Download (1MB)
	Text BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text BAB V.pdf Restricted to Registered users only Download (117kB)
	Text JURNAL.pdf Restricted to Registered users only Download (958kB)

Abstract

Prakiraan cuaca merupakan informasi yang penting bagi berbagai sektor seperti pertanian, pariwisata, dan transportasi. Di Jakarta, kondisi cuaca ekstrem dapat menimbulkan risiko besar, sehingga prediksi cuaca yang akurat sangat penting untuk mitigasi risiko bencana. Penelitian ini bertujuan untuk mengembangkan model prediksi cuaca menggunakan algoritma Decision Tree (C4.5) dan Random Forest, dengan memanfaatkan data dari BMKG. Dataset yang digunakan mencakup atribut seperti tanggal, temperatur rata-rata, kelembapan rata-rata, curah hujan, lama penyinaran matahari, kecepatan angin rata-rata, dan cuaca, dengan total 1073 catatan. Dataset melalui proses preprocessing menggunakan RapidMiner, termasuk penanganan nilai yang hilang, pembagian data untuk pelatihan, dan penerapan kedua algoritma. Evaluasi model dilakukan menggunakan metrik akurasi untuk mengukur performa prediksi. Hasil penelitian menunjukkan bahwa algoritma Random Forest memberikan akurasi prediksi yang lebih baik dibandingkan dengan Decision Tree (C4.5). Pada uji coba dengan cross-validation folds 5, 10, dan 15, Random Forest mencapai akurasi yang lebih tinggi, dengan nilai MAE yang lebih rendah dibandingkan dengan Decision Tree (C4.5). Sebaliknya, Decision Tree (C4.5) menunjukkan performa yang lebih baik pada beberapa uji coba percentage split, dengan nilai MAE dan RMSE yang lebih rendah. Secara keseluruhan, Random Forest terbukti lebih efektif dalam meningkatkan akurasi prediksi cuaca di Jakarta, sehingga dapat membantu dalam manajemen risiko bencana yang lebih baik.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Prakiraan cuaca, Decision Tree C4.5, Random Forest, Machine learning, Akurasi prediksi, RapidMiner
Subjects:	Q Science > QA Mathematics > QA75 Electronic computers. Computer science
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	Sri Lestari
Date Deposited:	22 Nov 2024 02:36
Last Modified:	22 Nov 2024 02:36
URI:	http://repository.unpam.ac.id/id/eprint/15213

Actions (login required)

View Item