Article Per Year (5 Year)
p-Index From 2019 - 2024
0.23
P-Index
This Author published in this journals
All Journal Jurnal Ilmu Komputer dan Informatika
Sofia Sa'idah
Prodi S1 Teknik Telekomunikasi, Fakultas Teknik Elektro, Universitas Telkom, Indonesia
Computer Science & IT

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search
Journal : Jurnal Ilmu Komputer dan Informatika

 1 
Klasifikasi Cuaca Menggunakan Metode VGG-16, Principal Component Analysis Dan K-Nearest Neighbor Sean Alexander Suryaman; Rita Magdalena; Sofia Sa'idah
Jurnal Ilmu Komputer dan Informatika Vol 1 No 1 (2021): JIKI - Juni 2021
Publisher : CV Firmos

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (332.593 KB) | DOI: 10.54082/jiki.1

Abstract

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%.
Co-Authors Rita Magdalena Sean Alexander Suryaman