PENERAPAN METODE K-NEAREST NEIGHBOR (K-NN) UNTUK PREDIKSI CURAH HUJAN DI SURABAYA BERBASIS DATA BMKG

Kurniawan, Alexander Daniel (2026) PENERAPAN METODE K-NEAREST NEIGHBOR (K-NN) UNTUK PREDIKSI CURAH HUJAN DI SURABAYA BERBASIS DATA BMKG. [Tugas Akhir/Skripsi] (Unpublished)

	Text ABSTRAK.pdf Download (1MB)
	Text BAB1.pdf Restricted to Repository staff only Download (630kB) | Request a copy
	Text BAB2.pdf Restricted to Repository staff only Download (970kB) | Request a copy
	Text BAB3.pdf Restricted to Repository staff only Download (1MB) | Request a copy
	Text BAB4.pdf Restricted to Repository staff only Download (1MB) | Request a copy
	Text BAB5.pdf Restricted to Repository staff only Download (993kB) | Request a copy
	Text DAFTAR PUSTAKA.pdf Restricted to Repository staff only Download (555kB) | Request a copy
	Text LAMPIRAN.pdf Restricted to Repository staff only Download (1MB) | Request a copy
	Text LAPORAN CEK PLAGIASI 1.pdf Restricted to Repository staff only Download (82kB) | Request a copy
	Text LAPORAN CEK PLAGIASI 2.pdf Restricted to Repository staff only Download (14MB) | Request a copy
	Text ARTIKEL.pdf Restricted to Repository staff only Download (794kB) | Request a copy

Abstract

Penelitian ini bertujuan untuk memprediksi nilai curah hujan harian di Kota Surabaya menggunakan algoritma K-Nearest Neighbor (K-NN) sebagai salah satu metode machine learning berbasis data historis dari dua stasiun BMKG, yaitu Stasiun Meteorologi Perak I dan Stasiun Meteorologi Maritim Tanjung Perak, pada periode 2021–2025. Dataset memuat parameter meteorologi yang terdiri dari suhu minimum (TN), suhu maksimum (TX), suhu rata-rata (TAVG), kelembapan relatif rata-rata (RH_AVG), curah hujan harian (RR), durasi penyinaran matahari (SS), kecepatan angin maksimum (FF_X), dan kecepatan angin rata-rata (FF_AVG). Nilai curah hujan yang diprediksi secara numerik kemudian dikonversi menjadi empat kategori intensitas hujan berdasarkan klasifikasi BMKG. Proses penelitian meliputi pembersihan data, penggabungan data lintas stasiun, normalisasi, feature engineering (seperti rolling window 3 hari dan fitur kalender), serta pembagian data menjadi empat skenario pelatihan–pengujian (60:40, 70:30, 80:20, dan 90:10). Evaluasi numerik dilakukan menggunakan Mean Absolute Error (MAE) dan Root Mean Squared Error (RMSE), sedangkan evaluasi kategori dilakukan dengan akurasi, presisi, recall, F1-score, dan confusion matrix 4×4.

Item Type:	Tugas Akhir/Skripsi
Uncontrolled Keywords:	K-Nearest Neighbor (K-NN) Prediksi Curah Hujan, Klasifikasi Multi-Class BMKG, Machine Learning
Subjects:	S Agriculture > S Agriculture (General)
Divisions:	Faculty of Engineering > Computer Science or Informatics Study Program
Depositing User:	12 Alexander Daniel Kurniawan
Date Deposited:	22 Sep 2026 01:43
Last Modified:	22 Sep 2026 01:43
URI:	http://erepository.uwks.ac.id/id/eprint/23709

Actions (login required)

View Item

Downloads