prediksi pola cuaca huja dan cerah dengan menggunakan

Prediksi Pola Cuaca Huja dan Cerah Dengan

Menggunakan Algoritma Klasifikasi

Kelompok :

Azka Maulana Dwiputra (92313027)Dyah Ayu Damayanti (92313033)Heriyana (92313037)M Nurkholis Albarsany (92313041)Reno Rizky Ollantino (92313049)Rika Febriana (92313052)

Pendahuluan

Latar Belakang

Cuaca merupakan faktor Alam yang sangat berpengaruh bagi kehidupan Manusia.

Banyak kegiatan dan aktifitas manusia yang bergantung pada faktor dan kondisi cuaca,seperti pertanian, transportasi darat maupun udara.

Prakiraan cuaca menjadi kebutuhan manusia untuk dapat menjalankan aktifitasnya dengan baik.

Tujuan : Untuk melihat pola prediksi yang menentukan suatu keadaan cuaca dengan menggunakan pola dari data historis (yang sudah ada)

Data Cuaca diambil dari situs Website Weather Underground, Dimana data cuaca diambil dari salah satu stasiun pemantau yang ada di Jakarta.

Metode Decision Tree

Decision tree adalah salah satu metode klasifikasi yang paling populer karena mudah untuk diinterpretasi oleh manusia. Decision tree adalah model prediksi menggunakan struktur pohon atau struktur berhirarki. Konsep dari decision tree adalah mengubah data menjadi pohon keputusan dan aturan-aturan keputusan. Manfaat utama dari penggunaan decision tree adalah kemampuannya untuk mem-break down proses pengambilan keputusan yang kompleks menjadi lebih simpel sehingga pengambil keputusan akan lebih menginterpretasikan solusi dari permasalahan.

Cross Validation

Cross Validation merupakan salah satu teknik untuk menilai/memvalidasi keakuratan sebuah model yang dibangun berdasarkan dataset tertentu. Pembuatan model biasanya bertujuan untuk melakukan prediksi maupun klasifikasi terhadap suatu data baru yang boleh jadi belum pernah muncul di dalam dataset. Data yang digunakan dalam proses pembangunan model disebut data training, sedangkan data yang akan digunakan untuk memvalidasi model disebut sebagai data test.

Area under the ROC curve

Teknik penilaian secara grafis dimana ‘true positive rate’ digambar pada sumbu ‘Y’ dan ‘false positive rate’ digambar pada sumbu ‘X’.  ‘Area under the ROC curve’ menentukan ukuran akurasi suatu classifier

Data Jumlah Data : 303

Keterangan Atribut:

• Temp_Max : Suhu Maksimal (ºC)• Temp_Rate : Suhu Rata-rata (ºC)• Dew_Point : Titik embun udara

(ºC)• Humidity : Tingkat Kelembapan

(%)• SLP : Tekanan atmosfer

Pada level Laut (hPa)• Wind_Max : Maksimal Kecepatan

Angin (Km/h)• Wind_Rate : Rata-rata Kecepatan

Angin (Km/h)• Precipi : Curah Hujan (mm) (Precipitation)• Event : Kondisi Cuaca

Data Statistik

Decision TreeHumidity

Precipitation

Cerah 93.7 %

Hujan60 %

Humidity

Hujan93.6 % :Precipitation

Hujan88.2 %

1

<=72.5

<=2.03 >2.03

>72.5

<=0.125

>76.5

>0.125

Decision Tree 1

Wind_Max

Cerah100 %

Temp_Max

Dew_Point SLP

Cerah80 %

2Cerah60 %

Hujan100 %

<=33 >33

<=32.5

<=1009.5<=23.5

>32.5

>1009.5>23.5

Decision Tree

2

Wind_Rate

Hujan71.4%

Cerah60 %

<=9 >9

Decision Tree Humidity <=72.5 Precipitation <=2.03 93.7 %

Humidity >72.5 dan <=76.5 Precipitation <=0.125 Wind_Max > 33 100 %

Humidity >72.5 dan <=76.5 Precipitation <=0.125 Wind_Max <= 33 Temp_Max >32.5 SLP > 1009.5 60 %

Humidity >72.5 dan <=76.5 Precipitation <=0.125 Wind_Max <= 33 Temp_Max <=32.5 Dew_Point > 23.5 80%

Humidity >72.5 dan <=76.5 Precipitation <=0.125 Wind_Max <= 33 Temp_Max <=32.5 Dew_Point <= 23.5 Wind_Rate <=9 60 %

Cuaca Cerah

Decision Tree Humidity <=76.5 93.6%

Humidity >72.5 dan <=76.5 Precipitation >0.125 88.2%

Humidity >72.5 dan <=76.5 Precipitation <=0.125 Wind_Max <= 33 Temp_Max >32.5 SLP <= 1009.5 100 %

Humidity >72.5 dan <=76.5 Precipitation <=0.125 Wind_Max <= 33 Temp_Max <=32.5 Dew_Point <= 23.5 Wind_Rate > 9 71.4 %

Cuaca Hujan

ROC Terhadap Cuaca Hujan

ROC Terhadap Cuaca Cerah

Data Prediksi

Keakuratan Hasil Prediksi

Event / Prediction Hujan Cerah

Hujan 170 21

Cerah 34 78

Correct Classifed = 248 Wrong Classified = 55Accuracy = 81.848 % Error = 18.152 %

Cohen Kapp (K) 0.601

Kesimpulan