Prediksi Karbon Monoksida Menggunakan Model Machine Learning Berdasarkan Perbandingan Model Time Series Studi Kasus DKI Jakarta
Carbon Monoxide Prediction Using Machine Learning Model Based on Time Series Model Comparison DKI Jakarta Case Study
Abstract
DKI Jakarta sebagai pusat kegiatan ekonomi, merupakan daerah dengan dinamika aktivitas dan tingkat kepadatan penduduk yang sangat tinggi, yang mana berpengaruh terhadap kualitas udara yang ada di wilayah tersebut. Rata - rata partikel PM 2.5 di Jakarta sebesar 160, level yang termasuk berbahaya bagi kesehatan manusia. Penelitian ini bertujuan untuk mengetahui dan menguji coba tingkat keakuratan model prediksi time series yang didapatkan dari proses perbandingan model pada library Pycaret yang dilakukan pada dalam memprediksi parameter pencemar udara berupa gas karbon monoksida di wilayah DKI Jakarta. Data yang digunakan pada penelitian ini adalah data ISPU DKI Jakarta selama 11 tahun dari 2010 hingga 2021. Hasil penelitian menunjukkan bahwa perbandingan dari model Machine Learning dimana didapatkan 3 model terbaik yaitu model Huber Regressor, model Linear Regressor dan Ridge Regressor untuk memprediksi karbon monoksida. Dari hasil keseluruhan, model Huber Regressor masih belum dapat menghasilkan prediksi yang akurat dan optimal. Terbukti dari nilai MAE sebesar 5.3187, nilai RMSE sebesar 8.9838, nilai MASE sebesar 0.5699, nilai RMSSE sebesar 0.6571, serta sebesar 0.2364 dan 0.2061 untuk MAPE dan SMAPE. Model masih memiliki banyak keterbatasan, terutama dalam menangani outlier atau peristiwa tak terduga sehingga model dan metode pada penelitian ini masih membutuhkan penyesuaian serta pengembangan lebih lanjut.
References
Akhtar, M., & Moridpour, S. (2021). A Review of Traffic Congestion Prediction Using Artificial Intelligence. In Journal of Advanced Transportation (Vol. 2021). Hindawi Limited. https://doi.org/10.1155/2021/8878011
Akuba, M. N., Fernandez, S., Adrian, P., Maskim, F., Ganimel, D., & Simanullang, A. (2022). PERBANDINGAN MODEL DALAM MEMPREDIKSI KARBON MONOKSIDA DI KOTA MEDAN BULAN JANUARI 2023 (Vol. 2, Issue 2).
Anwar, M. T., & Permana, D. R. A. (2021). Perbandingan Performa Model Data Mining untuk Prediksi Dropout Mahasiwa. Jurnal Teknologi Dan Manajemen, 19(2), 33–40. https://doi.org/10.52330/jtm.v19i2.34
Barth, L., & Kus, D. (2020). PRIME REPRESENTATIONS IN THE HERNANDEZ-LECLERC CATEGORY: CLASSICAL DECOMPOSITIONS.
Budiyono, A. (n.d.). Pencemaran Udara?: Dampak Pencemaran Udara Pada Lingkungan. Cavazza, J., & Murino, V. (n.d.). Active Regression with Adaptive Huber Loss.
Dette, H., & Munk, A. (1998). Validation of Linear Regression Models. The Annals of Statistics, 26(2), 778–800. http://www.jstor.org/stable/120052
Gorr, W. (n.d.). Estimation of Crime Seasonality: A Cross-Sectional Extension to Time Series Classical Decomposition. https://www.researchgate.net/publication/228823192
Hermawan Soekamto, T., & Perdanakusuma, D. (n.d.). INTOKSIKASI KARBON MONOKSIDA
Hadiansyah, F. N. (n.d.). Prediksi Harga Cabai dengan Pemodelan Time Series ARIMA. https://doi.org/10.21108/indojc.2017.21.144
Hans, C. (2011). Elastic Net Regression Modeling With the Orthant Normal Prior. Journal of the American Statistical Association. 106:496, 1383-1393, DOI: 10.1198/jasa.2011.tm09241
Indriyaningtyas, S., Hasandy, L. R., & Dewantoro, B. E. B. (2021). DINAMIKA KONSENTRASI EMISI GAS KARBON MONOKSIDA (CO) SELAMA PERIODE PSBB MENGGUNAKAN KOMPUTASI BERBASIS CLOUD PADA GOOGLE EARTH ENGINE Studi Kasus di
Provinsi DKI Jakarta, Indonesia. MAJALAH ILMIAH GLOBE, 23(1), 35. https://doi.org/10.24895/mig.2021.23-1.1258
Iwana, B. K., & Uchida, S. (2021). An empirical survey of data augmentation for time series classification with neural networks. In PLoS ONE (Vol. 16, Issue 7 July). Public Library of Science. https://doi.org/10.1371/journal.pone.0254841
Kanezar, A., Sasmita, M. A., & Saputra, A. H. (n.d.). Prediksi Particulate Matter (PM 2.5) di DKI Jakarta Menggunakan XGBoost (Azan Kanezar MS dkk) Prediksi Particulate Matter (PM 2.5) di DKI Jakarta Menggunakan XGBoost. https://jurnal.stmkg.ac.id/index.php/jam
Kim, S., & Kim, H. (2016). A new metric of absolute percentage error for intermittent demand forecasts. International Journal of Forecasting, 32(3), 669–679. https://doi.org/10.1016/j.ijforecast.2015.12.003
Luo, J., Zhang, Z., Fu, Y., & Rao, F. (2021). Time series prediction of COVID-19 transmission in America using LSTM and XGBoost algorithms. Results in Physics, 27. https://doi.org/10.1016/j.rinp.2021.104462
Maryanto, D., Mulasari, S. A., Dyah, S., Fakultas, K., Masyarakat, A., & Dahlan, Y. (2009). KES MAS PENURUNAN KADAR EMISI GAS BUANG KARBON MONOKSIDA (CO) DENGAN PENAMBAHAN ARANG AKTIF PADA KENDARAAN BERMOTOR DI YOGYAKARTA.
Mosavi, A., Ozturk, P., & Chau, K. W. (2018). Flood prediction using machine learning models: Literature review. In Water (Switzerland) (Vol. 10, Issue 11). MDPI AG. https://doi.org/10.3390/w10111536
Puji Lestari, Maulana Khafid Arrohman, Seny Damayanti, Zbigniew Klimont, Emissions and spatial distribution of air pollutants from anthropogenic sources in Jakarta, Atmospheric Pollution Research, Volume 13, Issue 9, 2022, 101521, ISSN 1309-1042.
Rafferti Kriswandanu, A., Ammar Muhtadi, M., Suprayitno, E., & Wardita, Y. (2023). Effects of Urbanization, Transport Infrastructure, Air Quality, and Health Outcomes on the Quality of Life of Jakarta City Population Article Info ABSTRAK. In Jurnal Geosains West Science (Vol. 1, Issue 02).
Rivanda, A. (2015). Andrian Rivanda I Pengaruh Paparan Karbon Monoksida Terhadap Daya Konduksi Trakea Majority (Vol. 4).
Ranstam, J., Cook, J.A. (2018). LASSO regression. British Journal of Surgery. Volume 105, Issue 10, September 2018, Page 1348, https://doi.org/10.1002/bjs.10895
Sihombing, C., Saputra, A. H., Sari, F. P., Mulya, A., Meteorologi, P. S., Indonesia, S., & Artikel, S. (2022). Prediksi Curah Hujan di Wilayah DKI Jakarta dengan Model NeuralProphet A B S T R A K. https://jurnal.stmkg.ac.id/index.php/jam
Suryoprayogo, H., Rahmat Iskandar, A., & Adidrana, D. (n.d.). Spatio-Temporal Analysis Polutan Karbon Monoksida (CO) Jakarta Selama Pandemi Menggunakan Sentinel-5P TROPOMI. DES 2022 Journal of Informatics and Communications Technology, 41(2), 47–054. https://doi.org/10.52661
SYAIFULLOH, M. M. (2021). PREDIKSI INDEKS STANDAR PENCEMARAN UDARA DI KOTA SURABAYA BERDASARKAN KONSENTRASI GAS KARBON MONOKSIDA.
Jambura Journal of Probability and Statistics, 2(2), 86–95. https://doi.org/10.34312/jjps.v2i2.11326
Triebe, O., Hewamalage, H., Pilyugina, P., Laptev, N., Bergmeir, C., & Rajagopal, R. (2021).
NeuralProphet: Explainable Forecasting at Scale
Uniejewski, B. Weron , R. (2018). Efficient Forecasting of Electricity Spot Prices with Expert and LASSO Models. Energies. 11(8), 2039. https://doi.org/10.3390/en11082039
Xin, X., Xie, B., & Xiao, Y. (2022). Robust Fused Lasso Penalized Huber Regression with Nonasymptotic Property and Implementation Studies. http://arxiv.org/abs/2209.13281
Yermal, L., and Balasubramanian, P., "Application of Auto ARIMA Model for Forecasting Returns on Minute Wise Amalgamated Data in NSE," 2017 IEEE International Conference on Computational Intelligence and Computing Research (ICCIC), Coimbatore, India, 2017, pp. 1-5, doi: 10.1109/ICCIC.2017.8524232.
Z. Zhang, "Microsoft Malware Prediction Using LightGBM Model," 2022 3rd International Conference on Big Data, Artificial Intelligence and Internet of Things Engineering (ICBAIE), Xi’an, China, 2022, pp. 41-44, doi: 10.1109/ICBAIE56435.2022.9985850.
