Analisis Hyperparameter Tuning pada performa algoritma k-nearest neighbor dalam memprediksi curah hujan.(studi kasus: Kota Pekanbaru)

INDONESIA:

Iklim saat ini bisa dikatakan sangat tidak menentu. Hal ini mengakibatkan curah hujan terkadang tinggi dan terkadang rendah, maka sulit untuk memperkirakan kadar curah hujan. Hal ini dapat diatasi dengan kecerdasan buatan yang membuat curah hujan yang mendatang bisa diprediksi dengan faktor-faktor yang dapat menentukan curah hujan. Beberapa faktor yang dapat mempengaruhi curah hujan adalah temperatur, kelembaban udara, serta kecepatan angin. KNN atau K-Nearest Neighbor adalah salah satu algoritma yang dapat digunakan untuk melakukan prediksi. Algoritma ini banyak diimplementasikan untuk kasus prediksi maupun klasifikasi berdasarkan data tetangga terdekat. KNN memiliki perhitungan yang mudah dipahami dan sederhana. Hasil dari pengujian model KNN untuk prediksi curah hujan dengan 3 faktor yang menentukan curah hujan memiliki beragam nilai error yang dihasilkan pada masing-masing parameter yang digunakan. Penelitian dilakukan dengan memvariasikan beberapa parameter yaitu nilai K, metode penghitungan jarak antar data, serta metode untuk penentuan hasil prediksi pada KNN. Skema terbaik dihasilkan pada saat parameter K=23, metode perhitungan jarak menggunakan Euclidean Distance, dan penentuan nilai prediksi KNN menggunakan Average dengan RMSE sebesar 15,98 dengan data sebagai acuan 50% dan sebagai testing 50%.

ENGLISH:

The current climate can be said to be very unpredictable. This results in sometimes high and sometimes low rainfall, making it difficult to predict rainfall levels. Artificial intelligence can help to predict upcoming rainfall by analyzing factors that affect precipitation, including temperature, air humidity, and wind speed. One algorithm that can be implemented for prediction is K-Nearest Neighbor (KNN). This algorithm is widely implemented for prediction and classification based on the nearest neighbor data. KNN has calculations that are easy to understand and simple. The results of testing the KNN model for predicting rainfall with three factors that determine rainfall produced various error values for each parameter used. Research was conducted by varying several parameters, including the value of K, the method of calculating distance between data, and the method for determining KNN prediction results. The best scheme was produced when the parameter K was 23, the distance calculation method used Euclidean Distance, and the determination of KNN prediction values used Average with an RMSE of 15,98 with 50% of the data used as reference and 50% used for testing.

ARAB:

يمكن القول إن المناخ الحالي غير معين. ينتج عن هذا هطول أمطار غزيرة و منخفضة في بعض الأحيان ,ثم من الصعب تقدير مستوى هطول الأمطار. يمكن تحليل هذه المشكلة عن طريق الذكاء الاصطناعي الذي يجعل هطول الأمطار في المستقبل قابلا للتنبؤ بالعوامل التي يمكن أن تحدد هطول الأمطار ومثل درجة الحرارة ورطوبة الهواء وسرعة الرياح. إحدى الخوارزميات التي يمكن تنفيذها في عمل التنبؤات هي (K-Nearest neighbor (KNN)) يتم تنفيذ هذه الخوارزمية على نطاق واسع لحالات التنبؤ والتصنيف بناء على بيانات من الجيران القريبين. لدى (KNN) حسابات سهلة الفهم وبسيطة. نتائج اختبار نموذج (KNN) للتنبؤ بهطول الأمطار مع 3 عوامل تحدد هطول الأمطار لها قيم خطأ مختلفة تم إنشاؤها في كل معلمة مستخدمة. أجريت الدراسة من خلال تغيير العديد من المعلمات وهي قيم (K)، طريقة حساب المسافات بين البيانات، وكذلك طرق تحديد نتائج التنبؤ على (KNN). يتم إنشاء أفضل مخطط عندما تكون المعلمة (K=23). طريقة حساب المسافة باستخدام مسافة مانهاتن (Euclidean Distance) ، وتحديد قيمة التنبؤ (KNN) باستخدام المسافة المرجحة مع (RMSE) من 15,98 مع البيانات كمرجع بنسبة 50٪ وكاختبار 50٪.