Skripsi

Penerapan synthetic minority oversampling technique dan random over sampling dalam klasifikasi curah hujan menggunakan algoritma k-nearest neighbor / Anggieta Azzqhroika

Abstrak
Penelitian ini bertujuan untuk mengevaluasi kinerja algoritma K-Nearest Neighbor (KNN) dalam mengklasifikasi data curah hujan di Kabupaten Malang. Data curah hujan yang digunakan menunjukkan adanya ketidakseimbangan kelas yang dapat menyebabkan model klasifikasi kesulitan dalam memprediksi kelas minoritas. Untuk mengatasi hal tersebut diterapkan teknik oversampling Synthetic Minority Oversampling Technique (SMOTE) dan Random Over Sampling (ROS). Hasil penelitian menunjukan bahwa SMOTE menurunkan akurasi menjadi 78 72 % namun mampu meningkatkan G-mean secara signifikan menjadi 86 32 % sedangkan ROS mempertahankan akurasi tertinggi 82 98 % sekaligus mencatat G-mean terbaik sebesar 88 77 %. Meski SMOTE mengorbankan sedikit akurasi teknik ini memperbaiki keseimbangan antara sensitivitas dan spesifisitas dan ROS memberikan performa paling seimbang tanpa menurunkan akurasi. Dengan demikian penerapan SMOTE dan ROS pada algoritma KNN terbukti optimal untuk klasifikasi curah hujan pada dataset yang tidak seimbang.

Informasi Detail

DDC

SKRIPSI DIGITAL

Prodi

Universitas Negeri Malang. Program Studi Matematika, 2025.

Deskripsi Fisik

x, 37 hlm. : ilus.

Bahasa

Indonesia

No Reg

2142/RS/25

Edisi

Skripsi (Sarjana)--Universitas Negeri Malang. 2025

Subjek

1. ALGORITMA - KLASIFIKASI CURAH HUJAN
2. ALGORITHM - RAINFALL CLASSIFICATION

Pembimbing

1. Denis Eka Cahyani, S.kom, M.kom

Lampiran Berkas