Scribd
Unggah
13 tayangan4 halaman

Klasifikasi Cuaca Ekstrem dengan ML

Dokumen ini menjelaskan proses pembuatan fitur target baru 'Extreme_Weather' berdasarkan kondisi cuaca ekstrem dan visualisasi data. Selanjutnya, mahasiswa membuat model klasifikasi biner menggunakan dua model, KNN dan Decision Tree, serta mengevaluasi performa model dengan confusion matrix. Hasil menunjukkan bahwa Decision Tree memiliki akurasi sempurna tetapi rentan terhadap overfitting, sementara KNN mencapai akurasi 93% dan lebih baik dalam menghadapi variasi data.

Diunggah oleh

zuzutiktok09
Hak Cipta
© All Rights Reserved
Kami menangani hak cipta konten dengan serius. Jika Anda merasa konten ini milik Anda, ajukan klaim di sini.
Format Tersedia
Unduh sebagai PDF, TXT atau baca online di Scribd
13 tayangan4 halaman

Klasifikasi Cuaca Ekstrem dengan ML

Dokumen ini menjelaskan proses pembuatan fitur target baru 'Extreme_Weather' berdasarkan kondisi cuaca ekstrem dan visualisasi data. Selanjutnya, mahasiswa membuat model klasifikasi biner menggunakan dua model, KNN dan Decision Tree, serta mengevaluasi performa model dengan confusion matrix. Hasil menunjukkan bahwa Decision Tree memiliki akurasi sempurna tetapi rentan terhadap overfitting, sementara KNN mencapai akurasi 93% dan lebih baik dalam menghadapi variasi data.

Diunggah oleh

zuzutiktok09
Hak Cipta
© All Rights Reserved
Kami menangani hak cipta konten dengan serius. Jika Anda merasa konten ini milik Anda, ajukan klaim di sini.
Format Tersedia
Unduh sebagai PDF, TXT atau baca online di Scribd

Nama : Mochamad Rafly Adryansyah Permana

Kelas : IF22D
Matkul : Machine Learning
NIM : 22416255201011

1. Mahasiswa membuat fitur target baru (Extreme_Weather) berdasarkan logika kondisi


cuaca ekstrem. a. Tentukan apa yg di maksud dengan Extreme_Weather sesuai data
yang ada. Dan beri label. Contoh [‘Extreme’,’Normal’] b. Tampilkan penyebaran data
normal dan extreme
Gambar : #Code

#Output

Penjelasan : 1. Fungsi kode diatas menentukan apakah sebuah baris (row)


masuk kategori cuaca ekstrim atau tidak, berdasarkan
syaratnya suhu terlalu dingin kurang dari 5 derajat celcius atau
terlalu panas lebih dari 40 derajat celcius, angin kencang lebih
dari 50 kilometer perjam, serta uv index 10 atau lebih, kalau
salah satu kondisi memenuhi syarat diatas maka dianggap
ekstrim.
2. Dan ada kolom target untuk extreme_weather dibuat dengan
melihat kondisi cuaca, dengan memberi label ‘Extreme’ dan
‘Normal’ berdasarkan nilai tiap baris
3. Dan code selanjutnya menunjukkan visualisasi jumlah data
yang termasuk normal dan ekstrim dari data sedang diolah

2. Buatlah model klasifikasi biner, mengevaluasi performa model, dan membaca


confusion matrix.
● Buat pipeline klasifikasi menggunakan 2 model
● Latih masing-masing model menggunakan data latih.
● Prediksi hasil pada data uji.
● Tampilkan evaluasi performa (Confusin Matrix)
● Model mana yang lebih baik dalam mendeteksi Extreme_Weather.
Code : #Code

#Output
Penjelasan : 1. Dari kode diatas semua fitur numerik di scale, dan fitur
kategorikal di encode, dalam tahapan ini sangat penting terutama
untuk model seperti KNN yang sensitif terhadap skala data,
sedangkan Decision Tree sebenarnya gak butuh scaling, karna
model ini menggunkan pemisahan nilai atau disebut
thresholding, bukan jarak
2. Untuk pemisahan data, stratify y memastikan proposi label
ekstrim dan normal seimbang di train dan test
3. untuk pemanggilan model dan pipeline, disini ada 2 model
dimasukkan ke dalam pipe line untuk memastikan preprocessing
integrasi langsung ke dalam pelatihan model clean dan
reproducible
4. dalam hal ini kedua metode KNN dan Decision tree punya
keunggulan dan kekurangan masing2 yaitu Decision Tree
mencapai akurasi sempurna tanpa kesalahan, namun rentan
overfitting. Sementara itu, KNN lebih realistis dengan akurasi
93% dan lebih baik dalam menghadapi variasi data.

Anda mungkin juga menyukai