Prediksi dan Forecasting Kualitas Udara Menggunakan Algoritma Kernel Extreme Learning Machine (Studi Kasus: ISPU DKI Jakarta)
Abstract
Polusi udara adalah salah satu komponen yang paling berdampak pada kesehatan manusia. Ibu kota Indonesia,
Jakarta, menduduki peringkat ke-9 untuk kualitas udara dan
polusi kota. Informasi tentang kualitas udara pada suatu daerah tentu dibutuhkan manusia, seperti daerah DKI Jakarta.
Masyarakat perlu mengetahui informasi tentang kualitas udara agar lebih peduli terhadap pengaruh polusi udara terhadap
kesehatannya. Penelitian ini bertujuan untuk menyediakan
informasi tentang kualitas udara di DKI Jakarta. Pada penelitian ini akan dilakukan prediksi dan peramalan pada data
kualitas udara di DKI Jakarta. Metode yang digunakan untuk
proses tersebut adalah Kernel Extreme Learning Machine (KELM). Metode ini memungkinkan pemanfaatan fungsi kernel
yang dapat memberikan performa dan stabilitas yang tinggi.
Berdasarkan hasil pengujian yang telah dilakukan, diperoleh
nilai evaluasi metrik untuk proses prediksi dengan nilai Root
Mean Square Error (RMSE) paling optimal sebesar 0.041, dan
R-Squared paling optimal sebesar 0.898. Nilai evaluasi metrik
tersebut didapat menggunakan fungsi kernel Laplacian dengan
nilai gamma sebesar 0.01 dan nilai koefisien (C) sebesar 30.
Untuk proses forecasting, didapat hasil terbaik dengan nilai evaluasi metrik Root Mean Square Error (RMSE) paling optimal
sebesar. Hasil tersebut didapat dengan menggunakan kernel
Laplacian dengan parameter gamma sebesar 0.01 dan nilai koefisien (C) sebesar 300.
Kata kunci— Evaluasi Metrik, Kernel Extreme Learning Machine , Kualitas Udara, Peramalan, Prediksi
References
T. Xayasouk and H. Lee,
system using deep learning,= WIT Transactions on
Ecology and the Environment, vol. 230, pp. 71379,
, doi: 10.2495/AIR180071.
IQAir,
-www.iqair.com/id/indonesia/jakarta
(accessed Jul. 31, 2023).
PT. Gramedia Asri Media,
Pencemaran Udara & Solusinya,= Gramedia, Oct. 24,
-www.gramedia.com/literasi/dampaknegatif-dari-pencemaran-udara (accessed Jul. 31,
.
A. Refanda Permatasari and B. Rahayudi,
(Hibiscus Cannabinus L.) MenggunakaniMetode
Extreme Learning Machine (ELM) Pada Balai
Penelitian Tanaman Pemanis dan Serat (Balittas),=
[Online]. Available: -j-ptiik.ub.ac.id
X. Li et al.,
prediction via extreme learning machine,= Neural
Comput Appl, vol. 27, no. 1, pp. 67378, Jan. 2016,
doi: 10.1007/s00521-014-1550-z.
M. Adiza Putri Nasution and I. Cholissodin,
Algoritme Kernel Extreme Learning Machine (Studi
Kasus: PT TELKOM),= 2020. [Online]. Available:
-j-ptiik.ub.ac.id
G. Bin Huang, H. Zhou, X. Ding, and R. Zhang,
multiclass classification,= IEEE Transactions on
Systems, Man, and Cybernetics, Part B: Cybernetics,
vol. 42, no. 2, pp. 5133529, Apr. 2012, doi:
1109/TSMCB.2011.2168604.
IEEE Engineering in Medicine and Biology Society,
Annual International Conference of the IEEE
Engineering in Medicine and Biology Society 35
07.03-07 Osaka, EMBC 35 2013.07.03-07
Osaka, and EMBS Annual Conference 35
07.03-07 Osaka, 2013 35th annual
international conference of the IEEE Engineering in
Medicine and Biology Society (EMBC) 3-7 July
, Osaka, Japan.
B. Li, X. Rong, and Y. Li,
based extreme learning machine for robot execution
failures,= The Scientific World Journal, vol. 2014,
, doi: 10.1155/2014/906546
