Aplikasi Data Mining Pada Prediksi Cuaca Menggunakan Klasifikasi Naïve Bayes

Abstract

Klasifikasi, salah satu teknik penambangan data, digunakan untuk memprediksi hubungan antar data dalam suatu kumpulan data. Prediksi dilakukan dengan mengelompokkan data ke dalam beberapa kelas berbeda berdasarkan faktor tertentu. Klasifikasi adalah penerapan Pembelajaran Terbimbing, di mana data pelatihan sudah memiliki label saat dimasukkan sebagai data input. Klasifikasi merupakan pendekatan teknik empiris yang dapat dimanfaatkan untuk prediksi cuaca jangka pendek.  Dalam Klasifikasi, terdapat beberapa algoritma yang umum digunakan, diantaranya Pohon Klasifikasi, Naive Bayes, dan K-Nearest Neighbors. Dalam penelitian ini, penulis menggunakan ketiga algoritma tersebut untuk memprediksi hujan dengan parameter validasi berupa Skor Brier, Matriks Kebingungan, dan kurva ROC. Data inputnya adalah data sinoptik Stasiun Meteorologi Kemayoran, Jakarta (96745) selama 10 tahun (2006 - 2015) yang terdiri dari 3528 dataset dan 8 atribut.  Berdasarkan serangkaian proses pengolahan data, pemilihan, dan pengujian model, menunjukkan bahwa Algoritma Naive Bayes memiliki tingkat akurasi terbaik sebesar 77,1% dengan kategori klasifikasi cukup baik sehingga cukup berpotensi untuk digunakan dalam operasional. Atribut cuaca dominan dalam pembentukan hujan adalah kelembaban (RHavg), suhu minimum (Tmin), suhu maksimum (Tmax), suhu rata-rata (Tavg), dan arah angin (ddd).