| NIM | K1B019054 |
|---|
| Namamhs | AYU SULISTIARA |
|---|
| Judul Artikel | Perbandingan Regresi Logistik dan Random Forest dengan Implementasi Metode SMOTE pada Klasifikasi Cuaca di Wilayah Jawa Tengah |
|---|
| Abstrak (Bhs. Indonesia) | Cuaca merupakan salah satu aspek penting yang berpengaruh terhadap aktivitas manusia. Adanya perubahan cuaca yang dipengaruhi oleh berbagai faktor seperti suhu, kelembapan udara, angin, waktu, dan lokasi, menjadikan pentingnya untuk mengetahui kemungkinan cuaca yang akan terjadi guna menghindari dan mempersiapkan solusi dari dampak yang ditimbulkan. Kemungkinan cuaca yang akan terjadi dapat ditentukan dengan lebih akurat menggunakan metode klasifikasi cuaca yang baik. Pada penelitian ini metode klasifikasi yang digunakan adalah regresi logistik dan random forest dengan menerapkan teknik oversampling SMOTE (synthetic minority oversampling technique) pada masing-masing metode. Peneliti membandingkan kedua metode tersebut menggunakan data cuaca di wilayah Jawa Tengah yang kemudian dibagi dalam tiga proporsi data latih yang berbeda, yaitu 60%, 70% dan 80%, dengan melihat kebaikan modelnya menggunakan nilai area under curve (AUC). Rata-rata AUC dari regresi logistik, regresi logistik dengan SMOTE, random forest, dan random forest dengan SMOTE adalah 0,6923, 0,5794, 0,7419, dan 0,7192. Berdasarkan hasil analisis kedua metode tersebut, nilai AUC tertinggi didapatkan dari hasil klasifikasi random forest tanpa menggunakan metode SMOTE. |
|---|
| Abtrak (Bhs. Inggris) | Weather is one of the important aspects that affect human activity. There are changes in the weather that are influenced by various factors such as temperature, humidity, wind, time, and location, making it important to know the possibility of the weather that will occur in order to avoid and prepare solutions for the impacts. The possibility of weather that will occur can be determined more accurately using good weather classification methods. In this study the classification methods used were logistic regression and random forest by applying the SMOTE oversampling technique (synthetic minority oversampling technique) to each method. Researchers compared the two methods using weather data in the Central Java region which were then divided into three different training data proportions, namely 60%, 70% and 80%, by looking at the goodness of the model using the area under curve (AUC) value. The average AUC of logistic regression, logistic regression with SMOTE, random forest, and random forest with SMOTE are 0.6923, 0.5794, 0.7419, and 0.7192. Based on the results of the analysis of the two methods, the highest AUC value was obtained from the results of the random forest classification without using the SMOTE method. |
|---|
| Kata kunci | klasifikasi cuaca, regresi logistik, random forest, SMOTE, AUC. |
|---|
| Pembimbing 1 | Najmah Istikaanah, M.Sc. |
|---|
| Pembimbing 2 | Niken Larasati, M.Si. |
|---|
| Pembimbing 3 | - |
|---|
| Tahun | 2023 |
|---|
| Jumlah Halaman | 13 |
|---|
| Tgl. Entri | 2023-06-15 12:33:46.25127 |
|---|