Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Seminar Nasional Informatika (SEMNASIF)
Irwansyah Saputra
Ilmu Komputer, IPB University
Computer Science & IT

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Application of Data Mining for Rainfall Prediction Classification in Australia with Decision Tree Algorithm and C5.0 Algorithm Irwansyah Saputra; Dinar Ajeng Kristiyanti
Seminar Nasional Informatika (SEMNASIF) Vol 1, No 1 (2021): Inovasi Teknologi dan Pengolahan Informasi untuk Mendukung Transformasi Digital
Publisher : Jurusan Teknik Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Tujuan: Penelitian ini bertujuan untuk memprediksi hujan di Australia dengan pendekatan klasifikasi machine learning. Prediksi hujan yang tepat dan akurat sangat penting untuk perencanaan dan pengelolaan sumber daya air, peringatan banjir, kegiatan konstruksi dan operasi penerbangan serta yang lainnya.Perancangan/metode/pendekatan: Metode atau tahapan yang diterapkan dalam melakukan klasifikasi prediksi hujan di Australia yaitu melalui beberapa tahapan diantaranya Pengumpulan Data, Data Pre-processing (termasuk dilakukan penanganan Missing Value didalamnya), Pemodelan Klasifikasi dengan menerapkan dan membandingkan algoritme Decision Tree dan C5.0, Validasi Hasil menggunakan Partisi Dataset dan k-Cross Fold Validation serta Evaluasi Model menggunakan Confussion Matrix.Hasil: Berdasarkan hasil yang diperoleh, evaluasi menggunakan 10-Cross Fold Validation lebih unggul yang memiliki akurasi paling tinggi sebesar 87.35% untuk algoritme Decision Tree dan akurasi sebesar 86.85% untuk algoritme C5.0 Rule-Based Model, dibandingkan dengan metode Split 80:20 pada kasus prediksi hujan di Australia.Keaslian/state of the art: Selain model klasifikasi yang digunakan, validasi dataset baik itu dengan partisi dataset atau k-Cross Fold Validation juga dapat mempengaruhi akurasi hasil prediksi.
Rain Prediction Clustering in Australia Using the K-Means Algorithm in the WEKA and RStudio Application Dinar Ajeng Kristiyanti; Irwansyah Saputra; Rina Rina
Seminar Nasional Informatika (SEMNASIF) Vol 1, No 1 (2021): Inovasi Teknologi dan Pengolahan Informasi untuk Mendukung Transformasi Digital
Publisher : Jurusan Teknik Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Purpose: The purpose of this study is how to create an ideal cluster in predicting rainfall in Australia based on the percentage of the sum of squares error (SSE) using the K-Means algorithm with WEKA and RStudio applications.Design/methodology/approach: The method or stages applied in predicting rain in Australia are through several stages including Data Collection, Data Pre-processing (including Missing Value handling in it), Data Mining Modeling by applying the K-Means Clustering algorithm using WEKA and RStudio, Validation results with SSE as well as Data Visualization using plots.Findings/result: Based on the results obtained, clusters of 2 with an SSE of 28.0% are ideal clusters for predicting rain in Australia. In the WEKA software, rain clusters are represented by blue nodes, and non-rainy clusters are represented by red nodes. While in the RStudio software, rain clusters are represented by black nodes and non-rainy clusters are represented by red nodes.Originality/value/state of the art: Get the ideal cluster in predicting rainfall in Australia by comparing the results obtained using the WEKA and RStudio applications.
Co-Authors Dinar Ajeng Kristiyanti Rina Rina