PERBANDINGAN RECURRENT NARX NEURAL NETWORKS DAN VECTOR AUTOREGRESSIVE (VAR) DALAM MEMPREDIKSI KUALITAS UDARA DKI JAKARTA

SEPTI LUSIANNA, . (2022) PERBANDINGAN RECURRENT NARX NEURAL NETWORKS DAN VECTOR AUTOREGRESSIVE (VAR) DALAM MEMPREDIKSI KUALITAS UDARA DKI JAKARTA. Sarjana thesis, UNIVERSITAS NEGERI JAKARTA.

	Text COVER.pdf Download (874kB)
	Text BAB 1.pdf Download (259kB)
	Text BAB 2.pdf Restricted to Registered users only Download (555kB) | Request a copy
	Text BAB 3.pdf Restricted to Registered users only Download (1MB) | Request a copy
	Text BAB 4.pdf Restricted to Registered users only Download (433kB) | Request a copy
	Text BAB 5.pdf Restricted to Registered users only Download (123kB) | Request a copy
	Text DAFTAR PUSTAKA.pdf Download (256kB)
	Text LAMPIRAN.pdf Restricted to Registered users only Download (265kB) | Request a copy

Abstract

*ABSTRAK* Pencemaran udara dapat menyebabkan dampak terhadap kesehatan manusia bahkan memberikan efek dalam jangka waktu yang lebih lama, khususnya di wilayah DKI Jakarta yang merupakan wilayah metropolitan terbesar di Asia Tenggara. Penelitian ini bertujuan untuk memprediksikan kualitas udara di DKI Jakarta dengan mengimplementasikan model Recurrent NARX Neural Networks dan Vector Autoregressive (VAR) serta mengevaluasi kedua model tersebut. Penulis melibatkan parameter PM10, CO2, SO2, NO2, dan O3 serta membuat lima model untuk lima lokasi Stasiun Pemantau Kualitas Udara (SPKU) di DKI Jakarta yaitu DKI1 yang berlokasi di Bundaran HI, DKI2 yang berlokasi di Kelapa Gading, DKI3 yang berlokasi di Jagakarsa, DKI4 yang berlokasi di Lubang Buaya, dan DKI5 yang berlokasi di Kebon Jeruk. Dua arsitektur NARX dibandingkan terlebih dahulu untuk menemukan arsitektur NARX terbaik, yaitu arsitektur Unbalance NARX yang kontribusi input order dan output order-nya tidak seimbang, dan Multivariable NARX yang melatih masing-masing parameter ISPU secara terpisah. Arsitektur NARX terbaik kemudian dibandingkan dengan VAR dan didapatkan hasil bahwa lokasi SPKU DKI1 dan DKI2 menghasilkan F1 score yang lebih baik jika menggunakan Multivariable NARX, sedangkan hasil F1 score untuk lokasi SPKU DKI3, DKI4, dan DKI5 mengalami penyimpangan dari rata-rata pola data yang tersedia. DKI1 menghasilkan nilai presisi 89.64% dan recall 80.1% dengan Multivariable NARX dan DKI2 menghasilkan nilai presisi 87.96% dan recall 81.17% dengan Multivariable NARX. *ABSTRACT* Air pollution can have an impact on human health and even have an effect in the longer term, especially in the DKI Jakarta area, the largest metropolitan area in Southeast Asia. This study aims to predict air quality in DKI Jakarta by implementing the Recurrent NARX Neural Networks and Vector Autoregressive (VAR) models and evaluating both models. This study involves the PM10, CO2, SO2, NO2, and O3 parameters and makes five models for five locations of the Air Quality Monitoring Station in DKI Jakarta, namely DKI1 located at Bundaran HI, DKI2 located in Kelapa Gading, DKI3 located in Jagakarsa, DKI4 located in Lubang Buaya, and DKI5 located in Kebon Jeruk. Two NARX architectures were compared first to find the best NARX architecture, namely the Unbalance NARX architecture where the input order and output order contributions are not balanced, and the Multivariable NARX which trains each ISPU parameter separately. The best NARX architecture is then compared with VAR and the results show that DKI1 and DKI2 locations produce better F1 scores when using Multivariable NARX while the F1 score results for DKI3, DKI4, and DKI5 locations deviate from the average data pattern which is available. DKI1 produces 89.64% precision and 80.1% recall with Multivariable NARX and DKI2 produces 87.96% precision and 81.17% recall with Multivariable NARX.

Item Type:	Thesis (Sarjana)
Additional Information:	1) Med Irzal, M.Kom. ; 2) Muhammad Eka Suryana, M.Kom.
Subjects:	Sains > Matematika > Ilmu Komputer
Divisions:	FMIPA > S1 Ilmu Komputer
Depositing User:	Users 16378 not found.
Date Deposited:	12 Sep 2022 06:25
Last Modified:	12 Sep 2022 06:25
URI:	http://repository.unj.ac.id/id/eprint/35692

Actions (login required)

View Item