PERBANDINGAN ALGORITMA REGRESI LINIER BERGANDA DAN RANDOM FOREST REGRESSION UNTUK PREDIKSI KONSENTRASI PARTICULATE MATTER 2,5 (PM2,5) KOTA JAMBI

Aulia, Dinda (2025) PERBANDINGAN ALGORITMA REGRESI LINIER BERGANDA DAN RANDOM FOREST REGRESSION UNTUK PREDIKSI KONSENTRASI PARTICULATE MATTER 2,5 (PM2,5) KOTA JAMBI. Masters thesis, UNAMA.

	Text BAB I.pdf Download (308kB)
	Text BAB II.pdf Restricted to Registered users only Download (666kB)
	Text BAB III.pdf Restricted to Registered users only Download (226kB)
	Text BAB IV.pdf Restricted to Registered users only Download (2MB)
	Text BAB V.pdf Download (112kB)
	Text DAFTAR PUSTAKA.pdf Download (238kB)

Abstract

Permasalahan peningkatan polusi udara yang terjadi secara global juga terjadi di wilayah Indonesia termasuk di Provinsi Jambi. Polusi udara memiliki partikel-partikel debu didalamnya, salah satunya Particulate Matter (PM2,5). Konsentrasi PM2,5 di udara dipengaruhi oleh kondisi meteorologi suatu daerah, serta kejadian di sekitarnya baik itu kejadian alami ataupun kejadian yang disebabkan oleh aktivitas manusia. Penelitian ini melakukan prediksi konsentrasi PM2,5 kota Jambi dengan menggunakan algoritma Regresi Linier Berganda dan Random Forest Regression dengan suhu udara, kelembapan udara, kecepatan angin, curah hujan dan titik panas sebagai variabel bebasnya. Dalam prosesnya penelitian ini membandingkan kedua algoritma tersebut dan menilai akurasi dari masing-masing algoritma. Algoritma Regresi Linier Berganda mampu menghasilkan model yang dapat menggambarkan hubungan antara suhu udara, kelembapan udara, kecepatan angin, curah hujan dan titik panas terhadap konsentrasi PM2,5 meskipun nilai kesalahannya lebih besar dibandingkan dengan algoritma Random Forest Regression. Algoritma Random Forest Regression menghasilkan model dengan RMSE 0,148µgram/mm3 lebih kecil dibandingkan algoritma Regresi Linier Berganda. Pada pengujian akurasi dengan MAPE, algoritma Random Forest Regression memiliki nilai 74,0% dimana Regresi Linier Berganda memiliki nilai 73,0%, sehingga algoritma Random Forest Regression memiliki akurasi yang lebih tinggi dalam melakukan prediksi konsentrasi PM2,5.

Actions (login required)

View Item