Text

Prediksi Hujan di Australia Menggunakan Principal Component Analysis (PCA) dan Naïve Bayes Classifier

---

Prediksi hujan memiliki peran penting serta dampak yang signifikan dalam berbagai aspek
kehidupan sehari-hari, seperti sektor pertanian, transportasi, pariwisata, dan konstruksi.
Untuk menentukan apakah besok akan terjadi hujan atau tidak, diperlukan implementasi
data mining untuk mengklasifikasikan kondisi cuaca. Data mining adalah proses
mengekstraksi informasi dari basis data dan mengubahnya menjadi pengetahuan yang
berguna. Dengan menerapkan teknik klasifikasi dalam data mining untuk kasus prediksi
hujan, penelitian ini tidak hanya memberikan kontribusi ilmiah tetapi juga solusi praktis
dalam mendukung pengambilan keputusan terkait cuaca serta membantu mitigasi risiko
akibat kesalahan prediksi. Dataset yang digunakan dalam penelitian ini adalah dataset hujan
di Australia dengan 145.460 baris data dan 23 kolom, yang dibagi menjadi 80% data latih
dan 20% data uji. Berdasarkan penelitian sebelumnya, model klasifikasi cuaca dengan
algoritma Naïve Bayes menunjukkan akurasi yang kurang optimal. Oleh karena itu,
penelitian ini mengombinasikan algoritma Naïve Bayes dengan metode reduksi dimensi
Principal Component Analysis (PCA) untuk meningkatkan kinerja model, termasuk metrik
akurasi, recall, presisi, dan f1-score. Hasil penelitian menunjukkan bahwa sebelum
menggunakan PCA, model Naïve Bayes mencapai akurasi sebesar 75,33%, recall 75,08%,
presisi 75,49%, dan f1-score 75,29%. Setelah kombinasi dengan PCA, terjadi peningkatan
kinerja, di mana akurasi tertinggi yang diperoleh mencapai 77,21%, recall 77,03%, presisi
77,43%, dan f1-score 77,18% saat menggunakan 12 komponen utama dengan n_components
= 0,98. Kombinasi PCA dengan Naïve Bayes efektif dalam meningkatkan kinerja model
prediksi hujan, sehingga dapat memberikan solusi yang lebih baik dalam mendukung
pengambilan keputusan terkait kondisi cuaca.
Kata kunci : Prediksi Hujan, Data Mining, Naïve Bayes Classifier, Principal Component
Analysis (PCA), Reduksi Dimensi, Klasifikasi Cuaca, Australia, Machine
Learning

---

Ketersediaan

1479F2025

1479 F 2025

Perpustakaan FSM Undip

Tersedia

Informasi Detail

Judul Seri

-

No. Panggil

1479 F 2025

Penerbit

: .,

Deskripsi Fisik

-

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

NONE

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subjek

-

Info Detail Spesifik

-

Pernyataan Tanggungjawab

Hanifah Gladis Amalia

Versi lain/terkait

Lampiran Berkas

Komentar

---

Anda harus masuk sebelum memberikan komentar