Klasifikasi Cuaca Menggunakan Metode VGG-16, Principal Component Analysis Dan K-Nearest Neighbor

Penulis

  • Sean Alexander Suryaman Prodi S1 Teknik Telekomunikasi, Fakultas Teknik Elektro, Universitas Telkom, Indonesia
  • Rita Magdalena Prodi S1 Teknik Telekomunikasi, Fakultas Teknik Elektro, Universitas Telkom, Indonesia
  • Sofia Sa'idah Prodi S1 Teknik Telekomunikasi, Fakultas Teknik Elektro, Universitas Telkom, Indonesia

DOI:

https://doi.org/10.54082/jiki.1

Kata Kunci:

k-nearest neighbor, klasifikasi cuaca, principal component analysis, VGG-16

Abstrak

Cuaca merupakan suatu fenomena alam yang sangat berdampak bagi manusia. Informasi tentang kondisi cuaca sangat dibutuhkan oleh manusia. Informasi ini sangat bermanfaat untuk mengetahui kejadian cuaca disekitar kita. Sistem klasifikasi saat ini mengandalkan serangkaian sensor mahal atau bantuan manusia. Kecerdasan buatan merupakan suatu cabang ilmu komputer yang membantu manusia dalam mengatasi masalah yang ada. Penelitian ini menggunakan kecerdasan buatan untuk mengklasifikasi kondisi cuaca dengan menggunakan metode VGG-16, Principal Component Analysis (PCA) dan K-Nearest Neighbor (KNN). Pertama ciri akan dicari menggunakan VGG-16, lalu memanfaatkan Principal Component Analysis (PCA) untuk mereduksi data agar lebih efektif. Dan menggunakan K-Nearest Neighbor (KNN) untuk mengklasifikasian data. K-Nearest Neighbor (KNN) menggunakan jarak untuk mengklasifikasikan data. Jarak yang dipilih merupakan jarak terpendek yang akan menunjukan ketetanggan untuk menghasilkan keluaran apakah cuaca sedang cerah, berawan, berkabut, hujan dan matahari terbit. Sistem tersebut dibuat menggunakan platform Google Colab dengan bahasa pemrograman Python. Berdasarkan hasil penelitian, diperoleh sistem klasifikasi cuaca dengan akurasi sebesar 87,50%. Hasil akurasi tersebut diperoleh ketika digunakan 450 data uji dan 1050 data latih. Adapun parameter terbaik yang dihasilkan, yaitu ukuran citra 256 x 256, jenis KNN adalah Cosine, nilai KNN di k = 9, dan Persentase PCA 30%.

Referensi

N. Iriadi, “Penerapan Algoritma Klasifikasi Data Mining Dalam,” KNiST, vol. XIV, no. 2, pp. 120–129, 2012.

A. Perbandingan, A. Svm, and D. A. N. C. N. N. Untuk, “Comparative Analysis of Image Classification Algorithm for,” J. Teknol. Inf. dan Ilmu Komput., vol. 8, no. 2, pp. 311–318, 2021, doi: 10.25126/jtiik.202184553.

A. A. Nurcahyani and R. Saptono, “Identifikasi Kualitas Beras dengan Citra Digital,” Sci. J. Informatics, vol. 2, no. 1, pp. 63–72, 2016, doi: 10.15294/sji.v2i1.4530.

M. O. Arowolo, M. Adebiyi, A. Adebiyi, and O. Okesola, “PCA Model for RNA-Seq Malaria Vector Data Classification Using KNN and Decision Tree Algorithm,” 2020 Int. Conf. Math. Comput. Eng. Comput. Sci. ICMCECS 2020, 2020, doi: 10.1109/ICMCECS47690.2020.240881.

T. ArchanaH. and D. Sachin, “Dimensionality Reduction and Classification through PCA and LDA,” Int. J. Comput. Appl., vol. 122, no. 17, pp. 4–8, 2015, doi: 10.5120/21790-5104.

R. Jayanti, B. Hidayat, S. S.-P. SENIATI, and undefined 2017, “Identifikasi Pola Rugae Palatina Menggunakan Metode Watershed Dan Knn,” Ejournal.Itn.Ac.Id, pp. 1–6, 2017, [Online]. Available: http://ejournal.itn.ac.id/index.php/seniati/article/view/899.

F. Muwardi et al., “Pengolahan Citra Dan Pengklasifikasi Jarak,” J. Ilmu Tek. Elektro Komput. dan Inform., vol. 3, no. 2, pp. 124–131, 2017.

D. M. Wonohadidjojo, “Perbandingan Convolutional Neural Network pada Transfer Learning Method untuk Mengklasifikasikan Sel Darah Putih,” Ultim. J. Tek. Inform., vol. 13, no. 1, pp. 51–57, 2021, doi: 10.31937/ti.v13i1.2040.

G. Rahayu and Mustakim, “Principal Component Analysis Untuk Dimensi Reduksi Data Clustering Sebagai Pemetaan Persentase Sertifikasi Guru Di Indonesia,” Semin. Nas. Teknol. Inf. Komun. dan Ind., vol. 0, no. 0, pp. 201–208, 2017, [Online]. Available: http://ejournal.uin-suska.ac.id/index.php/SNTIKI/article/view/3265.

D. M. M. M. Reza Noviansyah, Tedy Rismawan, “Penerapan Data Mining Menggunakan Metode K-Nearest Neighbor Untuk Klasifikasi Indeks Cuaca Kebakaran Berdasarkan Data Aws (Automatic Weather Station) (Studi Kasus: Kabupaten Kubu Raya),” J. Coding, Sist. Komput. Untan, vol. 06, no. 2, pp. 48–56, 2018.

Diterbitkan

28-08-2021

Cara Mengutip

Suryaman, S. A., Magdalena, R., & Sa’idah, S. (2021). Klasifikasi Cuaca Menggunakan Metode VGG-16, Principal Component Analysis Dan K-Nearest Neighbor. Jurnal Ilmu Komputer Dan Informatika, 1(1), 1–8. https://doi.org/10.54082/jiki.1