Prediksi Kualitas Udara di Kota Jakarta dengan Long Short-Term Memory dan Gated Reccurent Unit

Theresia Fonataba, Julia (2023) Prediksi Kualitas Udara di Kota Jakarta dengan Long Short-Term Memory dan Gated Reccurent Unit. Bachelor Thesis thesis, Universitas Multimedia Nusantara.

	PDF HALAMAN_AWAL.pdf Download (511kB)
	PDF BAB_I.pdf Download (138kB)
	PDF BAB_II.pdf Download (390kB)
	PDF BAB_III.pdf Download (400kB)
	PDF BAB_IV.pdf Restricted to Registered users only Download (2MB)
	PDF BAB_V.pdf Download (122kB)
	PDF DAFTAR_PUSTAKA.pdf Download (122kB)
	PDF LAMPIRAN.pdf Restricted to Registered users only Download (505kB)

Abstract

Di tahun 2023, Indonesia menjadi negara paling berpolusi nomor satu di dunia khususnya kota Jakarta. Berdasarkan laporan dari Inventaris Emisi Pencemar Udara DKI Jakarta tahun 2020 di Jakarta banyak sumber penyebab polusi udara bukan hanya untuk PM2.5. Banyak penelitian yang hanya dilakukan untuk PM 10 dan PM2.5, sedangkan di Jakarta banyak sumber penyebab polusi selain kedua parameter itu. Oleh karena itu, dalam penelitian ini, peneliti akan menganalisis dan mengevaluasi performa model LSTM dan GRU untuk memprediksi kualitas udara terhadap 6 parameter dengan multivariate dan univariate untuk PM2.5. Pertama, peneliti memakai tiga metode imputasi berbeda terhadap dataset yaitu (1) imputasi dengan mean & median (2) imputasi dengan KNN, dan (3) imputasi dengan KNN menggunakan scalling. Peneliti juga melakukan dua rasio pembagian datset train dan test yang berbeda yaitu 7:3 dan 8:2. Setelah menemukan model dengan performa terbaik maka dilakukan forecasting untuk 31 hari kedepan dari data terakhir yang akan dibandingkan dengan data real dengan model yang memiliki performa terbaik. Hasil yang diperoleh adalah model GRU dengan imputasi KNN menggunakan scalling memiliki performa loss dan akurasi yang terbaik dengan nilai loss dan akurasi adalah 0.001 dan 92%. Hasil forecasting diperoleh paling baik pada parameter NO2 dengan RMSE 2.51 dan R2 62%. Sedangkan, univariate LSTM 8:2 yang memiliki performa yang baik dalam prediksi PM2.5.

Item Type:	Thesis (Bachelor Thesis)
Keywords:	Deep learning, LSTM, GRU, Kualitas udara, forecasting
Subjects:	?? TK7885-7895 ??
Divisions:	Faculty of Engineering & Informatics > Computer Engineering
SWORD Depositor:	Administrator UMN Library
Depositing User:	Administrator UMN Library
Date Deposited:	24 Nov 2024 11:18
Last Modified:	24 Nov 2024 11:18
URI:	https://kc.umn.ac.id/id/eprint/35087

Actions (login required)

View Item