K-NEAREST NEIGHBOR UNTUK MEMPREDIKSI KONDISI CUACA MENGGUNAKAN RAPIDMINER

Abstrak

Penggunaan teknologi machine learning untuk prediksi cuaca telah menjadi pendekatan yang semakin penting dalam meteorologi modern. Penelitian ini mengimplementasikan algoritma K-Nearest Neighbor (KNN) untuk memprediksi suhu udara menggunakan dataset dari High Performance Wireless Research and Education Network (HPWREN). Dataset mencakup periode tiga bulan dengan berbagai parameter cuaca seperti tekanan udara, arah angin, kecepatan angin, dan kelembaban relatif, sementara variabel rain_accumulation dan rain_duration dikeluarkan karena tidak memiliki nilai signifikan. Metodologi penelitian terdiri dari empat tahap utama: pengumpulan data, preprocessing menggunakan RapidMiner, implementasi KNN, dan evaluasi model. Tahap preprocessing meliputi normalisasi data dan pemilihan atribut yang relevan untuk memastikan kualitas input model. Model KNN dikonfigurasi dengan parameter optimal yaitu nilai k=5, weighted vote, dan MixedEuclideanDistance untuk meningkatkan akurasi prediksi. Dataset dibagi menjadi data training (70%) dan testing (30%) untuk validasi performa model. Evaluasi model menggunakan tiga metrik standar menghasilkan Root Mean Squared Error (RMSE) sebesar 3.680, Mean Absolute Error (MAE) 2.216, dan Root Relative Squared Error (RRSE) 31.5%. Hasil ini menunjukkan bahwa algoritma KNN efektif dalam memprediksi suhu udara dengan tingkat akurasi yang memadai untuk aplikasi praktis. Penelitian ini memberikan landasan untuk pengembangan sistem prediksi cuaca yang lebih akurat di masa depan, dengan rekomendasi untuk memperluas periode pengambilan data dan mengoptimalkan parameter model lebih lanjut.