PENERAPAN METODE PARTICLE SWARM OPTIMIZATION UNTUK OPTIMASI KLASIFIKASI DECISION TREE C4.5 PADA DATA CUACA

Cuaca adalah keadaan udara pada saat tertentu dan pada wilayah tertentu yang relatif sempit dan pada jangka waktu yang singkat. Permasalahan yang terdapat pada prakiraan cuaca yaitu banyaknya atribut dan parameter penentu cuaca yang akan mengurangi kinerja dari algoritma dan menyebabkan akurasi menjadi rendah Hal ini disebut dengan curse of dimensionality. Hal lain yang dapat menyebabkan akurasi sebuah algoritma tidak maksimal yaitu adanya ketidakseimbangan kelas antara kelas mayoritas dan kelas minoritas. Hal ini disebut dengan imbalance class. Data penelitian yang digunakan didapat dari situs Iowa Environmental Mesonet untuk data historis wilayah Surabaya dari tahun 2021 sampai dengan tahun 2024 yang diambil setiap 24 jam sekali setiap harinya. Datasets terdiri dari 18 atribut dan 13 kelas dengan jumlah data sebanyak 1388 record data. Algoritma klasifikasi data mining yang digunakan pada penelitian yaitu algoritma decision tree C4.5. Didapatkan pola klasifikasi cuaca. Yakni metode Particle Swarm Optimization (PSO) digunakan untuk mengoptimalkan fitur yang ada pada datasets dan penggunaan metode. Pengujian model algoritma menggunakan model validasi 10-fold cross validation menghasilkan akurasi algoritma decision tree C4.5 yang cukup baik yaitu 84.72%, setelah dioptimasikan meningkat menjadi kurang lebih sebesar 87.24 %.