Penerapan Hybrid Clustering K-Means dan K-Medoids dengan Long Short-Term Memory dalam Prediksi Indeks Standar Pencemar Udara DKI Jakarta

Fari Ramadhan, Irfan (2024) Penerapan Hybrid Clustering K-Means dan K-Medoids dengan Long Short-Term Memory dalam Prediksi Indeks Standar Pencemar Udara DKI Jakarta. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (1MB)
	PDF BAB_I.pdf Download (984kB)
	PDF BAB_II.pdf Download (1MB)
	PDF BAB_III.pdf Download (1MB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (5MB)
	PDF BAB_V.pdf Download (921kB)
	PDF DAFTAR_PUSTAKA.pdf Download (1MB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (1MB)

Abstract

Isu pencemaran udara menjadi perhatian utama pada akhir 2023, terutama di DKI Jakarta yang sempat menempati urutan teratas kota dengan polusi tertinggi. Pengukuran kualitas udara menggunakan Indeks Standar Pencemar Udara (ISPU) menunjukkan tingginya polutan yang mengancam kesehatan masyarakat. Untuk itu, penelitian ini mengimplementasikan hybrid clustering dan model prediksi Long Short-Term Memory (LSTM) dalam memprediksi dataset ISPU DKI Jakarta dan melakukan visualisasi hasil berdasarkan nilai RMSE terkecil. Dengan menggunakan metode data mining dan dibantu oleh framework CRISP-DM diharapkan dapat membuat hybrid model tersebut. Penerapan hybrid model dilakukan secara bertahap, tahap pertama adalah melakukan clustering secara 2-step-clustering menggunakan algoritma K- Means yang diakhiri dengan menggunakan K-Medoids. Kemudian, model prediksi adalah menggunakan algoritma Long Short-Term Memory (LSTM) dengan konfigurasi yang telah ditentukan seperti menggunakan 2 optimizer yang berbeda. Hasil prediksi kemudian dibandingkan untuk dicari yang memiliki nilai evaluasi terkecil atau terbaik menggunakan root mean square error (RMSE). Hasil penelitian menunjukkan bahwa pilihan optimizer bergantung pada variabel atau dataset. Dataset ISPU 2021-2023 untuk cluster 2 memberikan nilai RMSE terkecil, berkisar antara 2.91984 hingga 9.53943, menjadikannya model terbaik dibandingkan dengan cluster 1.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	ISPU, Klasterisasi, LSTM, Model Hibrida, Prediksi
Subjects:	?? T70 ??
Divisions:	Faculty of Engineering & Informatics > Information System
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	12 Nov 2024 12:27
Last Modified:	12 Nov 2024 12:27
URI:	https://kc.umn.ac.id/id/eprint/34903

Actions (login required)

View Item