PREDIKSI CURAH HUJAN HARIAN DENGAN METODE KNEAREST NEIGHBOR (KNN) MENGGUNAKAN PYTHON (Studi Kasus di Stasiun Meteorologi Tunggul Wulung Cilacap)

Iklim merupakan kondisi rata-rata cuaca yang terjadi dalam jangka waktu yang relatif panjang pada suatu wilayah yang luas, sehingga memerlukan proses pemantauan dan proyeksi secara berkelanjutan. Kondisi iklim memiliki pengaruh yang besar terhadap kelangsungan hidup manusia. Salah satu komponen dalam iklim adalah curah hujan. Curah hujan merupakan salah satu informasi yang sangat penting, khususnaya pada sektor pertanian. Informasi curah hujan salah satunya berguna dalam mengantisipasi kemungkinan terjadinya kejadian ekstrem, yang dapat mengakibatkan produksi pertanian mengalami kegagalan. Sehingga prediksi
terhadap curah hujan harian perlu dilakukan. Pada umumnya, prediksi curah hujan dilakukan pada data histori yang kemudian dianalisis dengan menggunakan metode atau teknik tertentu. Berbagai metode prediksi dapat digunakan untuk
memperkirakan nilai pada data runtun waktu (time series). Pola yang tidak menentu yang dimiliki curah hujan juga akan menyebabkan kesulitan dalam memprediksi secara manual. Oleh karena itu, pendekatan prediksi yang hanya didasarkan pada
metode statistika/konsep-konsep matematika memiliki keterbatasan. Selain itu, pendekatan lain yang dapat digunakan adalah metode heuristik modern yang didasarkan pada algoritma dalam bidang soft computasi (SC). Salah satu metode yang termasuk dalam pendekatan metode heuristik modern tersebut adalah metode K-Nearest Neighbor (KNN). Metode K-Nearest Neighbor (KNN) merupakan metode klasifikasi yang dapat menghasilkan sebuah prediksi, dimana didasarkan
pada asumsi bahwa suatu objek dengan jarak yang berdekatan satu dengan yang lainnya juga akan cenderung mempunyai karakteristik yang serupa. Dengan demikian, apabila karakteristik suatu objek diketahui, maka objek lainnya juga akan dapat diprediksi berdasarkan tetangga terdekatnya
Penelitian ini menggunakan data harian terkait curah hujan, suhu udara rata-rata, kelembapan rata-rata, takanan udara rata-rata, kecepatan angin, dan lama penyinaran matahari selama periode 2021 - 2025. Setiap variabel terdiri atas 1.826 data, yang selanjutnay dibagi menjadi data training dan data tasting, dengan perbandingan 80% ∶ 20%. Hasil evaluasi klasifikasi menunjukkan nilai accuracy sebasar 71%, precision sebesar 56%, recall sebesar 71%, dan f1-score sebesar 61%. Berdasarkan kriteria performa klasifikasi yang merujuk pada akurasi yaitu 71%, dikategorikan dalam rentang performa cukup. Sehingga menunjukkan kemampuan model yang memadai dalam melakukan prediksi. Kata kunci: Curah Hujan, Prediksi, K-Nearest Neighbor (KNN).