PERBANDINGAN MODEL DALAM MEMPREDIKSI KARBON MONOKSIDA DI KOTA MEDAN BULAN JANUARI 2023
Abstract
Kota Medan merupakan salah satu kota dengan aktivitas transportasi dan industri yang ramai. Hal ini mengisyaratkan bahwa kualitas udara di kota ini berpotensi untuk menjadi semakin buruk seiring berjalannya waktu. Penelitian ini berusaha untuk mencari model terbaik dari metode machine learning menggunakan model Model Neural Prophet, Auto-Regressive, dan Hybrid untuk memproyeksikan jumlah karbon monoksida di udara pada tahun 2023. Penelitian ini menggunakan data ISPU Kota Medan selama 5 tahun terakhir, dimulai dari 1 Januari 2018 hingga 31 Desember 2022. Hasil penelitian ini menunjukkan bahwa model Hybrid merupakan model yang paling baik dalam memprediksi jumlah karbon monoksida dibandingkan dua model lainnya. Nilai RMSE yang didapatkan pada model ini adalah 3,52 dan nilai MAE nya adalah 2,28, sedangkan untuk model AR dan model NN nilai RMSE nya secara berurutan adalah 5,13 dan 3,98 serta nilai MAE nya secara berurutan adalah 3,07 dan 2,43 Diharapkan, penggunaan model ini dapat dilakukan secara masif bagi berbagai pemangku kepentingan sehingga dapat memprediksi total karbon monoksida dengan baik dan berfokus pada perumusan kebijakan.
References
Alizadeh, E. (2020, December 3). NeuralProphet : A Time-Series Modeling Library based on Neural-Networks. Diambil kembali dari towardsdatascience.com: https://towardsdatascience.com/neural-prophet-a-time-series-modeling-library-based-on-neural-networks-dd02dc8d868d
Alpaydin, E. (2004). Introduction to Machine Learning. Massachusets: MIT Press.
Azhima, D. S. (2022). Hybrid Machine Learning Model untuk memprediksi Penyakit Jantung dengan Metode Logistic Regression dan Random Forest. Jurnal Teknologi Terpadu.
Batlayeri, Y. E. (2020). ANALISIS HUBUNGAN KEPADATAN PENDUDUK DENGAN JUMLAH KENDARAAN DI KABUPATEN KEPULAUAN TANIMBAR. Prosiding Forum Studi Transportasi antar Perguruan Tinggi, 90-98.
Garcia, R., Contreras, J., Akkeren, M. v., & Garcia, J. (2010). A GARCH forecasting model to predict day-ahead electricity prices. IEEE Transactions on Power Systems.
Hamada, e. a. (2016). GUIDEBOOK FOR ESTIMATING CARBON EMISSIONS FROM TROPICAL PEATLANDS IN INDONESIA. Jakarta: Indonesia-Japan Project for Development of REDD+.
Luo, X., Zhang, D. x., & Zhu, X. (2021). Deep learning based forecasting of photovoltaic power generation by incorporating domain knowledge. Science Direct.
Mansoori, A., Fatima Ahmed Al Ajami, & Maha Ali Mousa. (2022). A Hybrid Time-Series PV Power Forecasting Model Implementing Facebook Prophet dan Neural Prophet Algorithms. RIT Scholar Works.
Savita Khurana, G. S., Miglani, N., Singh, A., Alharbi, A., Alosaimi, W., Alyami, H., & Goyal, N. (2021). An Intelligent Fine-Tuned Forecasting Technique for Covid-19 Prediction Using Neuralprophet Model. computers, materials and continua.
Sentiyaki, Astuti, A. R., Fathurrahman, I., Yani, S., Mandasini, Nurjannah, & Sabara, Z. (2018). Alat Penyaring Karbon Monoksida Pada Knalpot Kendaraan Bermotor Dengan Menggunakan Adsorben Alami Ekstrak Daun Trembesi. Journal Of Chemical Process Engineering, 38-42.
Silalahi, J., & H.Harianja, A. (2014). ANALISIS KEBUTUHAN RUANG TERBUKA HIJAU DI KOTA MEDAN. Prosiding Ekspose Hasil Penelitian Tahun 2014, 218-228.
Statistik, B. P. (2017). Statistik Industri Besar dan Sedang Sumatera Utara 2015. Jakarta.
Statistik, B. P. (2021). Jumlah Penduduk Kota Medan Menurut Kecamatan dan Jenis Kelamin (Jiwa), 2018-2020. Jakarta.
Suryati, I., & Hafizhul Khair. (2016, July). ANALISIS ISOPHLET KONSENTRASI DAN ESTIMASI POTENSI PENURUNAN KARBON MONOKSIDA DI KOTA MEDAN. Jurnal Dampak. doi:http://dx.doi.org/10.25077/dampak.13.2.51-59.2016
Toharudin et al. (2021, January). Employing Long Short-Term Memory and Facebook Prophet Model in Air Temperature Forecasting. Communication in Statistics-Simulation and Computation. doi:http://dx.doi.org/10.1080/03610918.2020.1854302
