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.

[img] Text
BAB I.pdf

Download (308kB)
[img] Text
BAB II.pdf
Restricted to Registered users only

Download (666kB)
[img] Text
BAB III.pdf
Restricted to Registered users only

Download (226kB)
[img] Text
BAB IV.pdf
Restricted to Registered users only

Download (2MB)
[img] Text
BAB V.pdf

Download (112kB)
[img] 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.

Item Type: Thesis (Masters)
Subjects: Aplikasi Sistem Pengolahan Data
Divisions: Tesis > Magister Sistem Informasi > 2025
Depositing User: Digital Library
Date Deposited: 04 Sep 2025 02:48
Last Modified: 04 Sep 2025 02:48
URI: http://repository.unama.ac.id/id/eprint/4706

Actions (login required)

View Item View Item