Prediksi Indeks Kualitas Udara Menggunakan Metode Extreme Gradient Boosting Dan Long Short-term Memory (Studi Kasus : Kota Administrasi Jakarta Selatan Januari 2022 - September 2023)
Abstract
Indeks Kualitas Udara (IKU) merupakan konsentrasi polutan udara yang
terdapat pada kategori kualitas udara dan menjadi standar dalam mengukur
pencemaran udara yang sering digunakan. Penentuan angka IKU dihitung
berdasarkan polutan udara dengan angka IKU tertinggi ketika proses pengukuran
kualitas udara. Pada pemodelan prediktif, fitur yang digunakan sangat menentukan
performa model. Feature creation dilakukan untuk membuat fitur baru dari variabel
yang telah ada sebelumnya. Feature selection digunakan untuk memilih fitur yang
berpengaruh terhadap model prediksi. Variabel yang ditentukan diharapkan
mempunyai manfaat yang signifikan untuk algoritma pembelajaran prediktif.
XGBoost yang merupakan salah satu algoritma yang paling populer dan banyak
digunakan karena kecepatannya tinggi dan perform kinerja yang baik dan Long
Short-Term Memory (LSTM) yang merupakan metode pengembangan dari
Recurrent Neural Network (RNN) untuk mengatasi masalah long vanishing dan
exploding gradient. LSTM mempunyai memory cell yang lebih kompleks dengan
adanya gate yang berfungsi untuk mengontrol aliran informasi dalam model. Model
LSTM dapat mengingat informasi dengan lebih baik dalam jangka panjang. Oleh
karena itu, dilakukan penelitian menggunakan gabungan antara XGBoost dan
arsitektur LSTM (XGBoost-LSTM) untuk memprediksi Indeks Kualitas Udara.
Collections
- Statistics [930]