Klasifikasi Curah Hujan di Kota Bogor Provinsi Jawa Barat dengan Menggunakan Metode Naïve Bayes

Penulis

  • Azriel Alfan Rizqi Universitas Budi Luhur
  • Dewi Kusumaningsih Universitas Budi Luhur

Kata Kunci:

curah hujan, klasifikasi, naivebayaes, hujan ekstrem, hujan, kernel

Abstrak

Curah hujan merupakan salah satu komponen  iklim. Hujan juga mempengaruhi  cuaca. Bagi BMKG, curah hujan adalah tebalnya air hujan yang terkumpul pada luasan 1 m2. Prakiraan curah hujan harian diperlukan karena ada beberapa aspek yang mempengaruhi curah hujan, seperti suhu, kelembaban, waktu paparan, dan arah angin. Peramalan curah hujan telah menjadi salah satu topik yang paling menantang secara ilmiah dan teknologi. Metode Naive Bayes Classifier (NBC) merupakan metode klasifikasi yang dapat digunakan untuk prediksi curah hujan pada penelitian ini. Kota Bogor merupakan salah satu kota di Indonesia.  Bogor memang bukan  kota yang banyak curah hujannya, namun Bogor dikenal sebagai kota hujan karena intensitas hujannya. Namun kabarnya, Kota Bogor  tidak mengerti saat hujan, sehingga disebut sebagai kota hujan. Dalam penelitian ini, kami mempertimbangkan klasifikasi curah hujan dengan metode NBC. Metode komputasi Bayesian naif yang didukung oleh data  atribut yang kuat dapat membantu membuat pola komputasi ini  lebih akurat. Data yang digunakan diambil dari BMKG  2022 dan memiliki tiga variabel bebas. Penelitian ini mengklasifikasikan curah hujan menjadi tiga kategori: hujan, hujan ekstrim, dan tidak hujan. Pendekatan yang digunakan didasarkan pada  klasifikasi naive bayesian. Keputusan klasifikasi dibuat berdasarkan tiga atribut: kelembaban, suhu, dan angin. Data curah hujan yang digunakan adalah pertama diamati dan diketahui telah diidentifikasi untuk membentuk set data pelatihan. Selain itu, karena dataset berfungsi sebagai metrik untuk menentukan kelompok curah hujan dan disimpulkan  bahwa sistem dapat melakukan prediksi  dengan peluang akurasi mencapai 92% pada data baru. untuk class presisi mendapatkan hasil sebesar 100% dimana system dapat memprediksi kecocokan class yang relevan terhadap hasil class yang terpilih. Sedangkan untuk class recall mendapatkan hasil sebesar 92%, dimana system dapat menilai sebagai rasio dari class yang bersangkutan yang dipilih terhadap total jumlah class relevan yang tersedia Dalam penelitian ini menggunakan data sebanyak 204 dataset yang  dibagi menjadi 90% sebagai data Training dan 10% sebagai data Testing.

Referensi

D. P. Utomo and M. Mesran, “Analisis Komparasi Metode Klasifikasi Data Mining dan Reduksi Atribut Pada Data Set Penyakit Jantung,” J. Media Inform. Budidarma, vol. 4, no. 2, p. 437, 2020, doi: 10.30865/mib.v4i2.2080.

W. P. Nurmayanti, “Penerapan Naive Bayes dalam Mengklasifikasikan Masyarakat Miskin di Desa Lepak,” Geodika J. Kaji. Ilmu dan Pendidik. Geogr., vol. 5, no. 1, pp. 123–132, 2021, doi: 10.29408/geodika.v5i1.3430.

A. T. Susilo, H. Setiawan, R. A. Saputro, T. Purwadi, and A. Saifudin, “Penggunaan Metode Naïve Bayes untuk Memprediksi Tingkat Kemenangan pada Game Mobile Legends,” J. Teknol. Sist. Inf. dan Apl., vol. 4, no.1, p. 46, 2021, doi: 10.32493/jtsi.v4i1.7807.

H. Santoso, “Data Mining Penyusunan Buku Perpustakaan Daerah Lombok Barat Menggunakan Algoritma Apriori,” Semin. Nas. TIK dan Ilmu Sos., pp. 25–35, 2017.

D. Alita, I. Sari, and A. Rahman Isnain, “Penerapan Naïve Bayes Classifier Untuk Pendukung Keputusan Penerima Beasiswa,” Jdmsi, vol. 2, no. 1, p. 702022, 2021.

T. Rosandy, “Perbandingan Metode Naive Bayes Classifier Dengan Metode Decision Tree (C4.5) Untuk Menganalisa Kelancaran Pembiayaan (Study Kasus : Kspps / Bmt Al-Fadhila,” J. Teknol. Inf. Magister Darmajaya, vol. 2, no. 01, pp. 52–62, 2016.

M. Sabransyah, Y. N. Nasution, and F. D. T. Amijaya, “Aplikasi Metode Naive Bayes dalam Prediksi Risiko Penyakit Jantung,” J. EKSPONENSIAL, vol. 8, no. 2, pp. 111–118, 2017.

Heliyanti Susana, “Penerapan Model Klasifikasi Metode Naive Bayes Terhadap Penggunaan Akses Internet,” J. Ris. Sist. Inf. dan Teknol. Inf., vol. 4, no. 1, pp. 1–8, 2022, doi: 10.52005/jursistekni.v4i1.96.

H. F. Putro, R. T. Vulandari, and W. L. Y. Saptomo, “Penerapan Metode Naive Bayes Untuk Klasifikasi Pelanggan,” J. Teknol. Inf. dan Komun., vol. 8, no. 2, 2020, doi: 10.30646/tikomsin.v8i2.500.

M. S. Syarah, M. Wati, N. Puspitasari, and S. Artikel, “Klasifikasi Penderita ISPA Menggunakan Metode Naive Bayes Classifier Informasi Artikel Abstract,” Innov. Res. Informatics, vol. 4, no. 1, pp. 8–15, 2022.

Unduhan

Diterbitkan

30-09-2022

Cara Mengutip

Rizqi, A. A., & Kusumaningsih, D. (2022). Klasifikasi Curah Hujan di Kota Bogor Provinsi Jawa Barat dengan Menggunakan Metode Naïve Bayes. Prosiding Seminar Nasional Mahasiswa Fakultas Teknologi Informasi (SENAFTI), 1(1), 542–550. Diambil dari https://senafti.budiluhur.ac.id/index.php/senafti/article/view/410