PENERAPAN ALGORITMA PARTICLE SWARM OPTIMIZATION PADA OPTIMASI ALGORITMA K-NEAREST NEIGHBOR DALAM KLASIFIKASI HUJAN

RIZQI, HANIF MUHAMMAD (2023) PENERAPAN ALGORITMA PARTICLE SWARM OPTIMIZATION PADA OPTIMASI ALGORITMA K-NEAREST NEIGHBOR DALAM KLASIFIKASI HUJAN. Other thesis, UPN Veteran Yogyakarta.

	Text ABSTRAK SKRIPSI_HANIF MUHAMMAD RIZQI_123180139.pdf Download (15kB)
	Text COVER SKRIPSI_HANIF MUHAMMAD RIZQI_123180139.pdf Download (139kB)
	Text DAFTAR ISI SKRIPSI_HANIF MUHAMMAD RIZQI_123180139.pdf Download (40kB)
	Text DAFTAR PUSTAKA SKRIPSI_HANIF MUHAMMAD RIZQI_123180139.pdf Download (134kB)
	Text PENGESAHAN PEMBIMBING SKRIPSI_HANIF MUHAMMAD RIZQI_123180139.pdf Download (302kB)
	Text PENGESAHAN PENGUJI SKRIPSI_HANIF MUHAMMAD RIZQI_123180139.pdf Download (334kB)
	Text SKRIPSI FULLTEXT_HANIF MUHAMMAD RIZQI_123180139.pdf Restricted to Repository staff only Download (1MB)

Abstract

Klasifikasi hujan terdiri dari beberapa kategori hujan, seperti hujan ringan, hujan
sedang, dan hujan deras. Klasifikasi juga berguna pada pengelolaan sumber daya air dan
mitigasi bencana, baik bencana banjir maupun bencana longsor. Parameter klasifikasi yang
digunakan adalah suhu, kelembapan, hujan, dan durasi. Salah satu metode yang digunakan
untuk mengklasifikasikan curah hujan adalah K-Nearest Neighbor (KNN). Akan tetapi,
KKN memiliki kelemahan yaitu dalam penentuan nilai parameter k yang belum maksimal.
Maka dari itu, untuk menutupi kelemahan dari metode KNN diperlukan sebuah optimasi
pada nilai K dengan menggunakan metode Particle Swarm Optimization.
PSO akan mengoptimasi pemilihan nilai K dengan cara menginisialisasi partikel nilai
K masing-masing yang digunakan untuk klasifikasi KNN, kemudian memperbarui posisi
dan kecepatan berdasarkan PBest dan GBest. Proses tersebut akan diulang dalam iterasi
tertentu sampai kriteria terpenuhi dan akan menghaslkan nilai K optimal. Nilai K hasil
optimasi kemudian akan dipakai untuk proses klasifikasi KNN.
Berdasarkan model yang telah dibuat dengan jumlah data model adalah 2600, model
tersebut memiliki nilai K paling optimal yaitu nilai K = 1. Dari nilai K tersebut dengan
pengujian menggunakan confusion matrix didapat akurasi sebesar 91,73%. Dari optimasi
menggunakan PSO pada KNN mendapatkan waktu lebih baik dalam pemilihan nilai K
dengan waktu yaItu 3 menit 52 detik, sedangkan tanpa optimasi menggunakan PSO pada
KNN mendapatkan waktu kurang lebih 5 menit. Hal itu membuktikan bahwa optimasi PSO
pada KNN dapat memberi efisiensi waktu yang baik dalam pemilihan nilai K paling optimal.
Kata Kunci: Hujan, Optimasi, K-Nearest Neighbor, Particle Swarm Optimization

Item Type:	Thesis (Other)
Uncontrolled Keywords:	Hujan, Optimasi, K-Nearest Neighbor, Particle Swarm Optimization.
Subjects:	T Technology > T Technology (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	A.Md Sepfriend Ayu Kelana Giri
Date Deposited:	07 Sep 2023 06:55
Last Modified:	07 Sep 2023 06:55
URI:	http://eprints.upnyk.ac.id/id/eprint/37408

Actions (login required)

View Item