Prediksi Pola Cuaca Huja Dan Cerah Dengan Menggunakan
description
Transcript of 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