Journal of Computer System and Informatics (JoSYC) ISSN 2714-8912 .
edia onlin.
ISSN 2714-7150 .
edia ceta.
Volume 5.
No.
February 2024.
Page 368-379 https://ejurnal.
seminar-id.
com/index.
php/josyc DOI 10.
47065/josyc.
Penerapan Metode Support Vector Machine Dalam Memprediksi Prediksi Cuaca Muhammad Naufal Rifqi.
Rima Tamara Aldisa* Program Studi Informatika.
Fakultas Teknologi Komunikasi dan Informatika.
Universitas Nasional.
Jakarta.
Indonesia Email: 1opalpapah10@gmail.
com, 2,*rima.
tamara@civitas.
Email Penulis Korespondensi: rima.
tamara@civitas.
Submitted: 20/02/2024.
Accepted: 27/02/2024.
Published: 28/02/2024 AbstrakOeCuaca merupakan suatu fenomena alam yang sangat berdampak bagi manusia.
Informasi tentang prediksi cuaca sangat dibutuhkan oleh manusia dan terkhusus di Kota Medan.
Informasi ini sangat bermanfaat untuk mengetahui kejadian cuaca disekitar kita.
Data mining merupakan suatu proses pengumpulan informasi penting pada data yang besar, sehingga dapat membantu untuk mengambil keputusan dan bisa membuat prediksi yang akurat.
Sehingga peneliti tertarik untuk melakukan penelitian dalam memprediksi cuaca di Kota Medan dengan menggunakan metode Support Vector Machine (SVM) sebagai solusi dalam memprediksi cuaca di Kota Medan.
Penerapan data mining dengan menggunakan metode SVM membantu menghasilkan akurasi yang tepat untuk cuaca berdasarkan kriteria yang telah ditentukan, metode ini cocok untuk untuk prediksi cuaca karna mampu memberikan penilaian yang jelas dan akurat dengan prediksi cuaca sebesar 54,55%.
Kata Kunci: Cuaca.
Prediksi.
Data Mining.
SVM
AbstractOeWeather is a natural that has a big impact on humans.
Information about weather predictions is really needed by humans, especially in the city of Medan.
This information is very useful for knowing weather events around us.
Data mining is a process of collecting important information from large data, so that it can help make decisions and make accurate So researchers are interested in conducting research in predicting the weather in the city of Medan using the Support Vector Machine (SVM) method as a solution for predicting the weather in the city of Medan.
The application of data mining using the SVM method helps produce precise accuracy for weather based on predetermined criteria.
This method is suitable for weather predictions because it is able to provide clear and accurate assessments with weather predictions of Keywords: Weather.
Prediction.
Data Mining.
SVM
PENDAHULUAN
Prediksi cuaca merupakan hal yang sangat penting bagi beberapa aktivitas.
Dalam prediksi cuaca, terdapat banyak kondisi yang dapat diamati misalkan suhu udara, kelembaban udara, intensitas matahari, angin, hujan dan kondisi udara lainnya.
Prakiraan cuaca dilakukan untuk mengetahui keadaan cuaca yang akan datang berdasarkan kondisi cuaca terakhir dan lampau.
Di Indonesia situasi cuaca selalu diumumkan dalam jangka waktu 24 jam melalui prediksi cuaca yang di perbaharui oleh Badan Meteorologi Klimatologi dan Geofisika (BMKG).
Departemen Perhubungan.
Cuaca sangat erat hubungannya dengan aktivitas manusia, karena faktor cuaca dapat memberikan keterbatasan dalam kegiatan yang dilakukan oleh manusia.
, .
Pemilihan metode yang tepat untuk memprediksi kondisi cuaca ialah kegiatan yang dilakukan oleh para peneliti atmosfer atau cuaca.
Berhubung banyaknya permintaan dari berbagai pihak yang membutuhkan informasi tentang atmosfer yang lebih akurat, cepat dan terperinci.
Bahkan ada pihak yang menginginkan tersedianya prakiraan atau ramalan cuaca dalam rentang waktu yang cukup kecil misalnya waktu harian, jam, dan bahkan dalam waktu menit.
Jadi dengan adanya kebutuhan seperti ini, mendorong peneliti untuk terus melakukan penelitian-penelitian terkait atmosfer cuaca dan juga mengembangkan metode untuk menentukan cuaca sehingga mampu mendapatkan hasil yang baik dan akurat.
, .
Prakiran dapat dilakukan dengan berbagai macam cara, salah satunya dengan menggunakan metode data mining.
Data mining ialah suatu proses akumulasi data penting yang berukuran besar.
Tujuan dari data mining ialah memudahkan pengambilan keputusan dan bisa membuat prediksi yang akurat.
Kelebihan menggunakan metode data mining ialah kajian suatu data yang besar menjadi lebih mudah.
, .
Ada pula jenis metode yang termasuk dalam data mining yaitu C4.
Support Vector Machine (SVM).
K-Means.
Berdasarkan penelitian terdahulu mengatakan bahwa peningkatan sistem prediksi hasil panen tananman padi dengan metode SVM dapat dikatakan berhasil dengan nilai akurasi yang tinggi.
Terbukti dengan hasil prediksi nilai MAPE sebesar 6635,53, dan nilai RMSE sebesar 1094810,74 .
Beberapa contoh metode tersebut, metode terbaik yang bisa digunakan adalah Support Vector Machine (SVM).
Support Vector Machine (SVM) ialah merupakan sistem pembelajaran dengan menggunakan ruang hipotesis yang berupa fungsi-fungsi linear di dalam sebuah fitur yang memiliki dimensi tinggi dan dilatih menggunakan algoritma pembelajaran yang berdasarkan teori optimasi.
Metode Support Vector Machine(SVM) merupakan salah satu teknik yang baru bila dibangingkan dengan teknik lain.
Pemilihan fungsi kernel yang tepat dan sesuai merupakan hal yang sangat penting dan diperlukan, sebab fungsi dari kernel tersebut yang akan menentukan feature space dimana fungsi dari klasifier akan dicari.
Ae.
Berdasarkan penelitian terdahulu yang mengimplementasikan metode SVM untuk memprediksi siswa yang berpeluang drop out, disimpulkan bahwa penerapan metode SVM mampu memisahkan siswa yang Copyright A 2024 the auhor.
Page 368 This Journal is licensed under a Creative Commons Attribution 4.
0 International License Journal of Computer System and Informatics (JoSYC) ISSN 2714-8912 .
edia onlin.
ISSN 2714-7150 .
edia ceta.
Volume 5.
No.
February 2024.
Page 368-379 https://ejurnal.
seminar-id.
com/index.
php/josyc DOI 10.
47065/josyc.
berpotensi baik dan siswa yang berpeluang drop out dengan mengolah kalkulasi data dari nilai akhir, perilaku, dan kehadiran sehingga data tersebut dapat digunakan untuk memprediksi siswa yang drop out .
Berdasarkan penelitian lainnya yang melakukan prediksi terhadap harga saham PT.
Telekomunikasi Indonesia menggunakan metode SVM bahwa setelah mengumpulkan data dari 2015-2020 sebanyak 1265 dataset, maka hasil uji pada testing menggunakan metode SVM akurasi yang didapat sebesar 0,9641 dengan RMSE 0,0932 sedangkan pada metode KKN akurasi yang diperoleh 0,945.
Sehingga setelah dilaksanakan perbandingan disimpulkan bahwa metode SVM mempunyai tingkat akurasi yang lebih tinggi dibandingkan metode KKN .
Berdasarkan penelitian sebelumnya yang menganalisis prediksi mahasiswa mengundurkan diri dari Universitas XYZ dengan metode SVM, meyimpulkan bahwa metode SVM adalah metode terbaik untuk prediksi mahasiswa di Universitas XYZ yang mengundurkan diri.
Dengan akurasi prediksi hingga 20% sampai 30% .
Penelitian lain yang mengimplementasikan metode SVM untuk memprediksi lulus tepat waktu pada tugas akhir, dapat disimpulkan bahwa algoritma SVM bisa dipergunakan membantu untuk memprediksi kelulusan tugas akhir dengan tepat waktu .
Berdasarkan permasalahan dan penjelasan yang telah diuraikan, data mining dengan menggunakan metode Support Vector Machine (SVM) sangat cocok digunakan untuk prediksi cuaca di Kota Medan, karena metode SVM mampu meminimalkan error pada training set dan memiliki persebaran data yang tidak teratur, sehingga hasil penelitian ini diharapkan bisa menghasilkan model prediksi cuaca kota Medan yang akurat.
METODOLOGI PENELITIAN
1 Tahapan Penelitian Agar penelitian dilakukan tepat pada tujuannya, maka sangat diperlukan metodologi penelitian, halini di karenakan untuk memecahkan suatu masalah yang kompleks dan sistematis.
Metodologi penelitian biasanya di gunakan dalam memecahkan masalah pada penelitian berupa langka-langkah yang menjadi pedoman.
kerja sangat dibutuhkan di karenakan sebagai landasan sebelum melakukan penelitian.
Berikut ini GAMBAR 1 kerangka kerja pada penelitian ini:
Gambar 1.
Tahapan Penelitian Identifikasi Masalah Tahap pertama yang dilakukan adalah mengidentifikasi masalah yang terjadi mengenai prediksi cuaca dengan menggunakan metode SVM untuk mendapatkan solusi dalam permasalahan tersebut.
Studi Literatur Tahap studi literatur dilakukan dengan mengumpulkan sekelompok data atau informasiyang berkaitan dengan prediksi dan metode SVM pada buku ataupun jurnal.
Pengumpulan Data Tahap pengumpulan data dilakukan untuk mengumpulkan sampel data yang akan digunakan dalam penelitian dengan cara mengambil data langsung di website BMKG sesuai arahan pihak BMKG.
Analisa Masalah Analisa Masalah merupakan langkah-langkah dari proses suatu penelitian.
Analisa masalah yang dilakukan pada tahap ini ialah bagaimana memprediksi cuaca dengan metode SVM.
Pengolahan Data Pengolahan data merupakan rangkaian proses atau cara mengolah data untuk menghasilkan informasi yang berguna sesuai dengan hasil yang diinginkan agar dapat di gunakan.
Penerapan Metode Penerapan metode dilakukan sesuai dengan permasalahan yang telah dianalisis.
berdasarkan hasil analisis, metode yang diterapkan adalah Support Vector Machine (SVM).
Copyright A 2024 the auhor.
Page 369 This Journal is licensed under a Creative Commons Attribution 4.
0 International License Journal of Computer System and Informatics (JoSYC) ISSN 2714-8912 .
edia onlin.
ISSN 2714-7150 .
edia ceta.
Volume 5.
No.
February 2024.
Page 368-379 https://ejurnal.
seminar-id.
com/index.
php/josyc DOI 10.
47065/josyc.
Pengujian Pengujian merupakan proses yang dilakukan untuk menilai apakah sistem yang dirancang sudah sesuai dengan yang diharapkan.
tahap pengujian ini merupakan kegiatan untuk mengevaluasi keakuratan hasil prediksi, kelebihan dan kekurangan dari sistem.
Laporan Tahapan yang terakhir adalah laporan, pada tahap ini peneliti membuat laporan mengenai hasil penelitian.
Laporan yang dibuat didasarkan pada proses penelitian, sehingga laporan tersebut akan menyimpulkan apakah sistem yang dirancang layak untuk digunakan.
2 Data Mining Data mining atau knowledge discovery in database berarti seluruh proses penggalian atau pengidentifikasian pola, pengetahuan, dan informasi potensial dari kumpulan data besar.
Pengetahuan dan informasi yang dihasilkan dari data mining adalah legal, baru, dan mudah dipahami serta berguna .
Ada beberapa faktor yang mendukung perlunya data mining .
, yaitu:
Data sudah mencapai jumlah dan ukuran yang sangat besar Telah dilakukan proses data warehousing Kemampuan komputasi yang semakin terjangkau Persaingan usaha yang semakin ketat 3 Metode Support Vector Machine (SVM) Support vector machine (SVM) adalah seperangkat metode supervised learning untuk klasifikasi, regresi, dan deteksi outlier.
Kelebihan SVM adalah efektif pada ruang berdimensi tinggi dan menggunakan subset titik pelatihan dalam fungsi keputusan .
upport vecto.
SVM adalah pengklasifikasi terawasi yang sering digunakan untuk mengekstrak statistik corpus untuk analisis sentimen.
SVM membentuk hyperplane atau satu set hyperplanes dalam ruang dimensi tak terbatas yang dapat digunakan untuk klasifikasi atau regresi .
, .
Meskipun pelatihan SVM biasanya lambat, namun metode SVM ini sangat akurat karena kemampuannya menangani model nonlinier yang kompleks.
SVM kurang rentan terhadap overfitting daripada metode lain.
SVM
dapat digunakan untuk prediksi dan klasifikasi.
contoh penerapannya adalah deteksi tulisan tangan, pengenalan objek, identifikasi suara, dan lain-lain .
, .
Kasus data dalam metode SVM yang terpisah secara ycUycn.
ycO yca Ou 1 ycycuycycyco ycUycn = 1 ycUycn.
ycO yca O Oe1 ycycuycycyco ycUycn = Oe1 Keterangan :
ycUycn = Data ke -i ycO = Niai bobot support vector yang tegak lurus dengan hyperplane yca = Nilai bias ycUycn = Kyceycoycayc yccycaycyca ycoyce Ae ycn Bobot vector .
ialah garis vector yang tegak lurus antara titik pusat koordinat dengan garis hyperplane.
Bias .
ialah koordinat garis relatif terhadap titik koordinat.
Persamaan .
adalah persamaan untuk menghitung nilai b, dan persamaan .
adalah persamaan untuk mencari nilai w.
yca = - .
ycu yc.
yc=Oc .
Keterangan :
yca = Nilai bias yc.
ycu = Nilai bobot untuk kelas data positif yc.
ycuOe = Nilai bobot untuk kelas data negatif yc = Bobot vector yuycn = Nilai bobot data ke-i ycycn = Kelas data ke-i ycuycn = Data ke-i H1 ialah hyperplane pendukung dari kelas 1 yang memiliki fungsi ycycu1 yca = 1.
Margin = .
H1-d H.
= .
Keterangan :
= Jarak hyperplane pendukung kelas 1 Copyright A 2024 the auhor.
Page 370 This Journal is licensed under a Creative Commons Attribution 4.
0 International License Journal of Computer System and Informatics (JoSYC) ISSN 2714-8912 .
edia onlin.
ISSN 2714-7150 .
edia ceta.
Volume 5.
No.
February 2024.
Page 368-379 https://ejurnal.
seminar-id.
com/index.
php/josyc DOI 10.
47065/josyc.
= Jarak hyprplane pendukung kelas -1 Dan untuk membuktikan optimal hyperplane kedua kelas menggunakan persamaan berikut :
Minimize J1 [W] = ||W|.
Dengan yi.
Ae 1 Ou 0,i = 1,A.
ya ycnyc = ycycn ycyc ( .
cuycn , ycuyc ) yA.
Keterangan :
yua1 = Alfa/Lagrange Multiplier, digunakan untuk mencari support vector.
yu = Konstanta Gamma, digunakan untuk meninjau kecepatan learning.
= Konstanta C, digunakan untuk membatasi nilai alfa pada saat prosestraining.
yuA = Epsilon, digunakan untuk ukuran eror klasifikasi.
Kemudian untuk menghitung matrik Hessian ialah sebagai berikut :
yaycnyc = yci ycj (.
cuycn, ycuy.
2 ) .
Untuk ycn, yc = 1.
A , ycu Keterangan :
ycui = Data keOeycn ycuj = Data ke -yc yci = Kelas data keOeycn ycj = Kelas data ke -yc ycu = Jumlah data .
cuycn, ycuy.
= Fungsi kernel yang digunakan Tahap 2 dilakukan secara berulang sampai didapatkan keadaan iterasi maksimum .
tercapai atau max (.
) < yuA .
EiOc yca j D ij yuyuycn = min.
Oe yayc.
Oe yuyc.
, ya Ae yuycn yuycn = yuycn yuyuycn Keterangan :
yuj = Alfa ke -yc yaij = Matriks Hessian yaij = Error rate yu = Konstanta Gamma = Konstanta C yuyuycn = delta alfa ke-i Metode SVM memiliki beberapa keuntungan.
, yaitu : generalisasi, curse of dimensionality, feasibility.
HASIL DAN PEMBAHASAN
Pada tahap ini perhitungan metode SVM dalam prediksi cuaca di Kota Medan dapat dilakukan dengan mengambil 10 sampel data dari total keseluruhan data untuk pembuktian cara kerja metode SVM.
Untuk keseluruhan data akan dihitung menggunakan bahasa pemograman Phyton pada saat implementasi.
Tabel 1.
Sampel Data Temperatur rata-rata (Tav.
Kelembapan rata-rata (RH_av.
Curah hujan
(RR)
Kecepatan angin rata-rata .
f_av.
Keterangan Hujan Berawan Hujan Hujan Hujan Berawan Berawan Berawan Berawan Berawan Copyright A 2024 the auhor.
Page 371 This Journal is licensed under a Creative Commons Attribution 4.
0 International License Journal of Computer System and Informatics (JoSYC) ISSN 2714-8912 .
edia onlin.
ISSN 2714-7150 .
edia ceta.
Volume 5.
No.
February 2024.
Page 368-379 https://ejurnal.
seminar-id.
com/index.
php/josyc DOI 10.
47065/josyc.
Temperatur rata-rata (Tav.
Kelembapan rata-rata (RH_av.
Curah hujan
(RR)
Kecepatan angin rata-rata .
f_av.
Keterangan Berawan Berawan Dua data terakhir pada tabel 1 digunakan sebagai data testing untuk mendapatkan hasil akurasi dari prediksi cuaca.
Ada empat atribut yang digunakan dalam perhitungan ini sesuai dengan parameter yang diamati yaitu Temperatur rata-rata (Tav.
Kelembapan rata-rata (RH_av.
Curah hujan (RR), dan Kecepatan angin rata-rata .
f_av.
dan w memiliki 4 fitur .
1, w2, w3, dan w4,).
Rumus yang digunakan adalah sebagai berikut :
x1 w2.
x2 w3.
x3 w4.
x4 Ou 1 Sehingga didapatkan nilai masing-masing dari variabel yaitu sebagai berikut :
> 1 24,.
> 1 .
> 1 .
> 1 .
> 1 .
> 1 .
> 1 .
> 1 .
> 1 .
> 1 Langkah selanjutnya adalah mencari nilai w .
dari masing-masing atribut dengan formulasi yi .
x1 w2.
x2 w3.
x3 w4.
x4 Ou 1, sehingga prosesnya sebagai berikut :
Untuk mendapatkan nilai dari masing-masing atribut, dilakukan perhitungan linear dengan melakukan eliminasi pada masing-masing variabel.
Perhitungan eliminasi variabel 1 dan 2 :
24,6w1 96w2 12,9w3 2w4 b = 1 24,8w1 94w2 26,5w3 2w4 b = 1 _ -0,2 w1 2 w2 -13,6 w3 2b = 2 Perhitungan eliminasi variabel 2 dan 3 :
24,8w1 94w2 26,5w3 2w4 b = 1 26,6w1 85w2 6,5w3 1w4 b = 1 _ -1,8w1 9w2 20w3 1w4 2b =2 Perhitungan eliminasi variabel 3 dan 4 :
26,6w1 85w2 6,5w3 1w4 b = 1 26,8w1 88w2 3,2w3 1w4 b = 1 _ -0,2w1 - 3w2 3,3w3 2b =2 Perhitungan eliminasi variabel 4 dan 5 :
26,8w1 88w2 3,2w3 1w4 b = 1 26,1w1 84w2 21,1w3 2w4 b = 1 _ 0,7w1 4w2 - 17,9w3 -1w4 2b = 2 Perhitungan eliminasi variabel 5 dan 6 :
26,1w1 84w2 21,1w3 2w4 b = 1 27,1w1 84w2 0.
0w3 2w4 b = 1 _ -1w1 21,1w3 2b =2 Copyright A 2024 the auhor.
Page 372 This Journal is licensed under a Creative Commons Attribution 4.
0 International License Journal of Computer System and Informatics (JoSYC) ISSN 2714-8912 .
edia onlin.
ISSN 2714-7150 .
edia ceta.
Volume 5.
No.
February 2024.
Page 368-379 https://ejurnal.
seminar-id.
com/index.
php/josyc DOI 10.
47065/josyc.
Perhitungan eliminasi variabel 6 dan 7 27,1w1 84w2 0,0w3 2w4 b = 1 27,4w1 80w2 0,0w3 1w4 b = 1 _ 0,3w1 4w2 3w4 2b = 2 Perhitungan variabel 7 dan 8 27,4w1 80w2 0,0w3 1w4 b = 1 27,0w1 87w2 0,0w3 1w4 b = 1 _ 0,4w1 Ae 7w2 2w4 2b = 2 Perhitungan variabel 8 dan 9 27,0w1 87w2 0,0w3 1w4 b = 1 27,2w1 84w2 1,4w3 2w4 b = 1 _ -0,2w1 3w2 1,4w3 Ae 1w4 2b = 2 Perhitungan variabel 9 dan 10 27,2w1 84w2 1,4w3 2w4 b = 1 26,4w1 84w2 18,5w3 2w4 b = 1 _ 0,8w1 Ae 17,1w3 2b = 2 Setelah nilai masing-masing atribut di dapatkan, maka langkah selanjutnya adalah mengeliminasi nilai w1 .
engan cara perkalian silang indeks w.
Perhitungan eliminasi dari hasil nilai variabel 1 dan 2 -0,2 w1 2 w2 -13,6 w3 2b = 2 -1,8w1 9w2 20w3 1w4 2b =2 x 0,36w1 Ae 3,6w2 24,48w3 Ae 3,6b = -3,6 0,36w1 - 1,8w2 Ae 4w3 -0,2w4 Ae 0,4b = -0,4 _ 1,8w2 28,48w3 Ae 0,2w4 Ae 3,2b = -3,2 Perhitungan eliminasi dari hasil nilai variabel 2 dan 3 -1,8w1 9w2 20w3 1w4 2b =2 -0,2w1 - 3w2 3,3w3 2b =2 x 0,36w1 Ae 1,8w2 Ae 4w3 0,2w4 Ae 0,4b = -0,4 0,36w1 5,4w2 Ae 5,94 w3 Ae 3,6b = -3,6 _ -7,2w2 1,94w3 0,2 w4 3,2b = 3,2 Perhitungan eliminasi dari hasil nilai variabel 3 dan 4 -0,2w1 - 3w2 3,3w3 2b =2 0,7w1 4w2 - 17,9w3 -1w4 2b = 2 x 0,14w1 Ae 2,1w2 2,31w3 0,14b = 0,14 0,14w1 Ae 0,8w2 2,58 w3 0,2w4 Ae 0,4b = -0,4 _ -1,3w2 1,27w3 0,2w4 Ae 0,26b = -0,26 Perhitungan eliminasi dari hasil nilai variabel 4 dan 5 0,7w1 4w2 - 17,9w3 -1w4 2b = 2 -1w1 21,1w3 2b =2 -0,7w1 Ae 2w2 17,9w3 1w4 Ae 2b = -2 -0,7w1 0,77w3 1,4b = 1,4 Copyright A 2024 the auhor.
Page 373 This Journal is licensed under a Creative Commons Attribution 4.
0 International License Journal of Computer System and Informatics (JoSYC) ISSN 2714-8912 .
edia onlin.
ISSN 2714-7150 .
edia ceta.
Volume 5.
No.
February 2024.
Page 368-379 https://ejurnal.
seminar-id.
com/index.
php/josyc DOI 10.
47065/josyc.
-2w2 17,13w3 1w4 -3,4b = -3,4 Perhitungan eliminasi dari hasil nilai variabel 5 dan 6 -1w1 21,1w3 2b =2 0,3w1 4w2 3w4 2b = 2 -0,3w1 6,33w3 0,6b =0,6 -0,3w1 - 4w2 - 3w4 - 2b = -2 -4w2 6,33w3 Ae 3w4 2,6 b = 2,6 Perhitungan eliminasi dari hasil nilai variabel 6 dan 7 0,3w1 4w2 3w4 2b = 2 0,4w1 Ae 7w2 2w4 2b = 2 _ x 0,12w1 1,6w2 1,2w4 0,8b = 0,8 0,12w1 Ae 2,1w2 0,6w4 0,6b = 0,6_ _ -0,5w2 0,6w4 0,2b = 0,2 Perhitungan eliminasi dari hasil nilai variabel 7 dan 8 0,4w1 Ae 7w2 2w4 2b = 2 -0,2w1 3w2 1,4w3 Ae 1w4 2b = 2 x -0,08w1 1,4w2 Ae 0,4w4 Ae 0,4b = -0,4 -0,8w1 1,2w2 0,56w3 Ae 0,4w4 0,8b = 0,8 _ 0,2w2 Ae 0,56w3 -1,2b = -1,2 Perhitungan eliminasi dari hasil nilai variabel 8 dan 9 -0,2w1 3w2 1,4w3 Ae 1w4 2b = 2 0,8w1 Ae 17,1w3 2b = 2_ x -0,16w1 2,4w2 1,12w3 Ae 0,8w4 1,6b = 1,6 -0,16w1 3,42w3 - 0,4b = -0,4_ _ -1,02w2 1,12w3 - 0,8w4 2b = 2 Setelah nilai w1 tereliminasi, maka dilakukan perhitungan eliminasi w2 .
engan cara perkalian silang indeks w.
Perhitungan eliminasi dari hasil nilai variabel 10 dan 11 1,8w2 28,48w3 Ae 0,2w4 Ae 3,2b = -3,2 -7,2w2 1,94w3 0,2 w4 3,2b = 3,2 x 12,96w2 Ae 205,056w3 1,44w4 23,04b = 23,04 12,96w2 Ae 3,492w3 Ae 0,36w4 Ae 5,76b = -5,76 _ -201,56w3 1,8w4 28,8b = 28,8 Perhitungan eliminasi dari hasil nilai variabel 11 dan 12 -7,2w2 1,94w3 0,2 w4 3,2b = 3,2 -1,3w2 1,27w3 Ae 0,2w4 Ae 0,26b = 0,26 x 9,36w2 Ae 2,522w3 Ae 0,26w4 Ae 4,164b = -4,16 9,36w2 Ae 9,144w3 1,44w4 1,872b = 1,872 _ 6,62w3 Ae 1,7w4 Ae 6,03b = -6,03 Perhitungan eliminasi dari hasil nilai variabel 12 dan 13 -1,3w2 1,27w3 0,2w4 Ae 0,26b = -0,26 Copyright A 2024 the auhor.
Page 374 This Journal is licensed under a Creative Commons Attribution 4.
0 International License Journal of Computer System and Informatics (JoSYC) ISSN 2714-8912 .
edia onlin.
ISSN 2714-7150 .
edia ceta.
Volume 5.
No.
February 2024.
Page 368-379 https://ejurnal.
seminar-id.
com/index.
php/josyc DOI 10.
47065/josyc.
-2w2 17,13w3 1w4 -3,4b = -3,4 x 2,6w2 - 2,54w3 Ae 0,4w4 Ae 0,52b = - 0,52 2,6w2 Ae 22,27w3 - 1,3w4 Ae 4,42b = -4,42 _ 19,73w3 0,9w4 3,88b = 3,88 Perhitungan eliminasi dari hasil nilai variabel 13 dan 14 -2w2 17,13w3 1w4 -3,4b = -3,4 -4w2 6,33w3 Ae 3w4 2,6 b = 2,6 x 8w2 Ae 68,52w3 - 4w4 13,6b = 13,6 8w2 Ae 12,66w3 6w4 Ae 5,2b = 5,2 _ -55,86w3 Ae 10w4 18,8b = 18,8 Perhitungan eliminasi dari hasil nilai variabel 14 dan 15 -4w2 6,33w3 Ae 3w4 2,6 b = 2,6 -0,5w2 0,6w4 0,2b = 0,2 x 2w2 Ae 3,165w3 1,5w4 Ae 1,3b = -1,3 2w2 Ae 2,4w4 Ae 0,8b = 0,8 _ -3,165w3 3,9w4 Ae 0,5b = 0,5 Perhitungan eliminasi dari hasil nilai variabel 15 dan 16 -0,5w2 0,6w4 0,2b = 0,2 0,2w2 Ae 0,56w3 -1,2b = -1,2 x -0,1w2 0,12w4 0,04b = 0,04 -0,1w2 0,28w3 0,6b = 0.
0,28w3 0,12w4 Ae 0,56b = 0,56 Perhitungan eliminasi dari hasil nilai variabel 16 dan 17 0,2w2 Ae 0,56w3 -1,2b = -1,2 -1,02w2 1,12w3 - 0,8w4 2b = 2 x -0,204w2 0,57w3 1,22b 1,22 -0,204w2 0,244w3 Ae 0,16w4 0,4b = 0,4 _ 0,326w3 Ae 0,16w4 0,82b = 0,82 Setelah nilai w2 tereliminasi, maka dilakukan eliminasi w3 .
engan cara perkalian silang indeks w.
Perhitungan eliminasi dari hasil nilai variabel 18 dan 19 -201,56w3 1,8w4 28,8b = 28,8 6,62w3 Ae 1,7w4 Ae 6,03b = -6,03 x 334,35w3 11,92w4 190,66b = 28,8 334,35w3 342,65w4 1.
215,407b = 1.
215,407 _
-330,73bw4 Ae 1.
024,48b = -1.
024,48
Perhitungan eliminasi dari hasil nilai variabel 19 dan 20 6,62w3 Ae 1,7w4 Ae 6,03b = -6,03 19,73w3 0,9w4 3,88b = 3,88 x 130,61w3 Ae 33,54w4 Ae 118,97b = 118,97 130,61w3 5,96w4 25,68b = 25,68 _ -39,5w4 Ae 144,65b = -144,65 Copyright A 2024 the auhor.
Page 375 This Journal is licensed under a Creative Commons Attribution 4.
0 International License Journal of Computer System and Informatics (JoSYC) ISSN 2714-8912 .
edia onlin.
ISSN 2714-7150 .
edia ceta.
Volume 5.
No.
February 2024.
Page 368-379 https://ejurnal.
seminar-id.
com/index.
php/josyc DOI 10.
47065/josyc.
Perhitungan eliminasi dari hasil nilai variabel 20 dan 21 19,73w3 0,9w4 3,88b = 3,88 -55,86w3 Ae 10w4 18,8b = 18,8 x 102,18w3 Ae 50,27w4 Ae 216,74b = -216,74 102,18w Ae 197,3w4 370,92b = 370,92 _ -147,03w4 Ae 587,66b = 587,66 Perhitungan eliminasi dari hasil nilai variabel 21 dan 22 -55,86w3 Ae 10w4 18,8b = 18,8 -3,165w3 3,9w4 Ae 0,5b = 0,5 x 176,702w3 31,65w4 Ae 59,52b = -59,52 176,702w3 Ae 217,85w4 27,93b = 27,93 _ -186,2w4 Ae 87,45b = 87,45 Perhitungan eliminasi dari hasil nilai variabel 22 dan 23 -3,165w3 3,9w4 Ae 0,5b = 0,5 0,28w3 0,12w4 Ae 0,56b = 0,56 x -0,886w3 1,092w4 Ae 0,14b = -0,14b -0,886w3 Ae 0,379w4 Ae 1,58b =-1,58b _ 1,47w4 1,44b = 1,44 Perhitungan eliminasi dari hasil nilai variabel 23 dan 24 0,28w3 0,12w4 Ae 0,56b = 0,56 0,326w3 Ae 0,16w4 0,82b = 0,82 x 0,091w3 0.
0326w4 Ae 0,182b = -0,182 0,091w3 Ae 0,045w4 0,23b = 0,23 _ 0,78w4 Ae 0,41b = -0,41 Setelah semua bobot di eliminasi, maka langkah selanjut nya mencari nilai setiap atribut w, sebagai berikut:
Mencari nilai w4 0,78w4 = -0,41 w4= -0,526 Mencari nilai w3 dengan menggunakan nilai variabel 24 dengan subtitusi w4 :
0,326w3 Ae 0,16w4 = 0,82 0,326w3 Ae 0,16(-0,.
= 0,82 0,326w3 0,084 = 0,82 0,326w3 = 0,82 Ae 0,084 0,326w3 = 0,736 w3 = 2,3 Mencari nilai w2 dengan menggunakan nilai variabel 17 dengan subtitusi w4 = -0,526.
W3 = 2,3 :
-1,02w2 1,12w3 - 0,8w4 = 2 -1,02w2 1,12.
- 0,8(-0,.
= 2 -1,02w2 2,58 0,4208 = 2 -1,02w2 = 2 Ae 2,58 - 0,4208 -1,02w2 = -1,08 Copyright A 2024 the auhor.
Page 376 This Journal is licensed under a Creative Commons Attribution 4.
0 International License Journal of Computer System and Informatics (JoSYC) ISSN 2714-8912 .
edia onlin.
ISSN 2714-7150 .
edia ceta.
Volume 5.
No.
February 2024.
Page 368-379 https://ejurnal.
seminar-id.
com/index.
php/josyc DOI 10.
47065/josyc.
w2 = -0,06 Mencari nilai w1 dengan menggunakan nilai variabel 8 dengan subtitusi w4 = -0,526.
W3 = 2,3.
W2 = -0,06 :
-0,2w1 3w2 1,4w3 Ae 1w4 = 2 -0,2w1 3(-0,.
1,4.
Ae 1(-0,.
= 2 -0,2w1 Ae 0,18 2,8 0,526 =2 -0,2w1 = 2 0,18 Ae 2,8 Ae 0,526 -0,2w1 = - 1,146 w1 = -0,946 Setelah semua nilai setiap atribut w di dapatkan, maka setelah itu mencari nilai bias .
dengan menggunakan persamaan 10 subtitusi w4 = -0,526.
w3 = 2,3.
w2 = -0,06.
w1 = -0,946 :
26,4w1 84w2 18,5w3 2w4 b = 1 26,4(-0,.
84(-0,.
18,5.
2(-0,.
b = 1 -214,174 Ae 5,04 42,55 Ae 1,052 b = 1 -177,714 b = 1 b = -177,714 Setelah semua nilai w dan nilai b didapat, maka rangkuman dari datanya seperti terlihat pada tabel 2.
Tabel 2.
Hasil Nilai w dan nilai b
Bobot w
Nilai w
-0,526
-0,06
-0,946
Nilai Bobot .
-177,714 Setelah nilai w dan nilai b di dapatkan, maka langkah selanjutnya adalah melakukan prediksi di data testing yang ada di tabel sampel data.
Kategori yc { ycycnycoyca yc yc ycycnycoyca yc yc Keterangan :
ycycnycoyca yc yc yca ycycnycoyca yc yc yca yca yca digunakan untuk syarat mengetahui apakah keterangan dalam suatu data bernilai digunakan untuk syarat mengetahui apakah keterangan dalam suatu data bernilai Berikut Uraian untuk mendapatkan hasil akurasi dari data testing :
11-01-2022
= 27,2(-0,.
84(-0,.
3,5.
1(-0,.
Ae (-177,.
= -25,731 Ae 5,04 8,05 0,526 - (-177,.
= 155,516 12-01-2022 = 27,0(-0,.
78(-0,.
0,0.
1(-0,.
Ae (-177,.
= -25,542 Ae 4,68 0,526 Ae (-177,.
= 148,018 Untuk data 11-01-2022 masuk di kategori yang pertama yaitu di kelas positif ycycnycoyca yc yc yca sehingga data tersebut terprediksi benar .
, sedangkan untuk data 12-01-2022 masuk juga di kategori yang sama dengan data sebelumnya yaitu kelas positif, dan datanya terprediksi benar.
Jadi, kedua data testing untuk data uji hasil akurasinya 100% sesuai dengan data yang ada.
KESIMPULAN
Berdasarkan hasil dari penelitian dan pembahasan sebelumnya, maka penulis mengambil suatu kesimpulan terhadap penerapan data mining dengan metode SVM untuk prediksi cuaca di Kota Medan yaitu Melalui Copyright A 2024 the auhor.
Page 377 This Journal is licensed under a Creative Commons Attribution 4.
0 International License Journal of Computer System and Informatics (JoSYC) ISSN 2714-8912 .
edia onlin.
ISSN 2714-7150 .
edia ceta.
Volume 5.
No.
February 2024.
Page 368-379 https://ejurnal.
seminar-id.
com/index.
php/josyc DOI 10.
47065/josyc.
penerapan data mining untuk prediksi cuaca memberikan hasil lengkap dan akurat, dan dalam penerapan data Mining untuk prediksi cuaca di Kota Medan menggunakan tools pengujian berupa RapidMiner dengan data yang telah ada sesuai dengan data BMKG Medan wilayah 1, penerapan Metode SVM dengan rapidMiner mendapatkan hasil akurasi prediksi cuaca sebesar 54,55%.
REFERENCES