PENERAPAN RECURSIVE FEATURE ELIMINATION WITH CROSS-VALIDATION (RFECV) PADA ALGORITMA RANDOM FOREST UNTUK KLASIFIKASI CURAH HUJAN

Laila, Anis Faizul (2026) PENERAPAN RECURSIVE FEATURE ELIMINATION WITH CROSS-VALIDATION (RFECV) PADA ALGORITMA RANDOM FOREST UNTUK KLASIFIKASI CURAH HUJAN. Undergraduate thesis, Universitas Nusantara PGRI Kediri.

	Text (Full text) RAMA_57201_2213030066.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (2MB) | Request a copy
	Text (Similarity) RAMA_57201_2213030066_SIMILARITY.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (1MB)
	Text (Cover sd BAB 1 + References) RAMA_57201_2213030066_0712108103_0721018801_01_front_ref.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (649kB)
	Text (BAB 2) RAMA_57201_2213030066_0712108103_0721018801_02.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (375kB) | Request a copy
	Text (BAB 3) RAMA_57201_2213030066_0712108103_0721018801_03.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (261kB) | Request a copy
	Text (BAB 4) RAMA_57201_2213030066_0712108103_0721018801_04.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (870kB) | Request a copy
	Text (BAB 5) RAMA_57201_2213030066_0712108103_0721018801_05.pdf - Accepted Version Restricted to Registered users only Download (175kB) | Request a copy
	Text (References) RAMA_57201_2213030066_0712108103_0721018801_06_ref.pdf - Bibliography Available under License Creative Commons Public Domain Dedication. Download (192kB)
	Text (Lampiran) RAMA_57201_2213030066_0712108103_0721018801_07_lamp.pdf - Accepted Version Restricted to Registered users only Available under License Creative Commons Public Domain Dedication. Download (988kB) | Request a copy

Abstract

Informasi mengenai intensitas curah hujan memiliki peran penting dalam mendukung mitigasi bencana hidrometeorologi, khususnya banjir. Namun, pada beberapa penelitian sebelumnya, klasifikasi curah hujan menggunakan algoritma Random Forest masih menggunakan fitur yang telah ditentukan tanpa proses seleksi fitur yang sistematis, sehingga kemungkinan masih terdapat fitur yang kurang relevan dan memengaruhi performa model. Oleh karena itu, diperlukan metode seleksi fitur yang mampu menentukan fitur optimal untuk meningkatkan kinerja klasifikasi curah hujan. Penelitian ini bertujuan menerapkan metode Recursive Feature Elimination with Cross-Validation (RFECV) pada algoritma Random Forest untuk mengetahui fitur-fitur yang berpengaruh dalam klasifikasi intensitas curah hujan serta meningkatkan performa model. Dataset yang digunakan berasal dari Kaggle dengan klasifikasi curah hujan menjadi empat kategori, yaitu ringan, sedang, lebat, dan sangat lebat. Penelitian dilakukan menggunakan pendekatan CRISP-DM yang meliputi tahap Business Understanding, Data Understanding, Data Preparation, Modeling, Evaluation, dan Deployment. Penyeimbangan data dilakukan menggunakan metode SMOTE, sedangkan evaluasi model menggunakan metrik Accuracy, Precision, Recall, dan F1-score. Hasil penelitian menunjukkan bahwa metode RFECV berhasil memilih tujuh fitur optimal, yaitu Tn, Tx, Tavg, RH_avg, ss, ddd_x, dan bulan. Model Random Forest dengan penerapan RFECV menghasilkan nilai Accuracy sebesar 93,53%, Precision sebesar 93,50%, Recall sebesar 93,27%, dan F1-score sebesar 93,38%. Hasil tersebut menunjukkan peningkatan performa dibandingkan penelitian sebelumnya yang memperoleh Accuracy sebesar 86,55%. Berdasarkan hasil penelitian, penerapan RFECV dapat meningkatkan kinerja model Random Forest dalam klasifikasi curah hujan melalui pemilihan fitur yang lebih optimal. Penelitian ini masih memiliki keterbatasan pada penggunaan data dari satu sumber dan belum menggunakan data real-time. Oleh karena itu, penelitian selanjutnya dapat mengembangkan model menggunakan dataset yang lebih beragam, melakukan penyesuaian parameter model, serta membandingkan Random Forest dengan algoritma lain untuk memperoleh performa yang lebih optimal.

Actions (login required)

View Item