KHAMIMAH, Usriyatul (2025) Analisis Performa Metode Naïve Bayes, K-Nearest Neighbors (K-NN), Dan Random Forest Untuk Prediksi Curah Hujan Di Kabupaten Cilacap. Skripsi thesis, Universitas Jenderal Soedirman.

	PDF (Cover) COVER-Usriyatul Khamimah-H1D021015-Skripsi-2025.pdf Download (238kB)
	PDF (Legalitas) LEGALITAS-Usriyatul Khamimah-H1D021015-Skripsi-2025.pdf Restricted to Repository staff only Download (602kB)
	PDF (Abstrak) ABSTRAK-Usriyatul Khamimah-H1D021015-Skripsi-2025.pdf Download (308kB)
	PDF (BabI) BAB-I-Usriyatul Khamimah-H1D021015-Skripsi-2025.pdf Restricted to Repository staff only Download (298kB)
	PDF (BabII) BAB-II-Usriyatul Khamimah-H1D021015-Skripsi-2025.pdf Restricted to Repository staff only Download (477kB)
	PDF (BabIII) BAB-III-Usriyatul Khamimah-H1D021015-Skripsi-2025.pdf Restricted to Repository staff only Download (350kB)
	PDF (BabIV) BAB-IV-Usriyatul Khamimah-H1D021015-Skripsi-2025.pdf Restricted to Repository staff only Download (5MB)
	PDF (BabV) BAB-V-Usriyatul Khamimah-H1D021015-Skripsi-2025.pdf Download (281kB)
	PDF (DaftarPustaka) DAFTAR PUSTAKA-Usriyatul Khamimah-H1D021015-Skripsi-2025.pdf Download (301kB)
	PDF (Lampiran) LAMPIRAN-Usriyatul Khamimah-H1D021015-Skripsi-2025.pdf Restricted to Repository staff only Download (366kB)

Abstract

Curah hujan merupakan elemen penting dalam sistem hidrologi yang berperan penting dalam ekosistem dan aktivitas manusia, khususnya sektor pertanian. Kabupaten Cilacap sebagai wilayah pesisir selatan Pulau Jawa sering mengalami dampak dari ketidakpastian curah hujan, seperti banjir dan kekeringan. Oleh karena itu, prediksi curah hujan yang akurat menjadi kebutuhan strategis untuk mendukung perencanaan dan pengambilan keputusan. Penelitian ini bertujuan untuk menganalisis dan membandingkan performa beberapa algoritma dalam machine learning, yaitu Naïve Bayes, K-NN, Random Forest, dan kombinasi ketiganya menggunakan stacking dalam prediksi curah hujan berdasarkan data BMKG Cilacap. Evaluasi performa dilakukan menggunakan metrik akurasi, precision, recall, dan F1-Score. Hasil evaluasi menunjukkan bahwa kombinasi ketiga model menggunakan stacking memiliki performa terbaik dengan akurasi sebesar 92.67%, diikuti oleh Random Forest sebesar 90.06%, K-NN sebesar 82.55%, dan Naïve Bayes sebesar 46.20%. Berdasarkan hasil evaluasi tersebut, kombinasi ketiga model menggunakan stacking memiliki akurasi terbaik, sehingga dapat direkomendasikan sebagai model prediksi yang paling akurat dalam kasus ini.

Actions (login required)

View Item