Pengujian Algoritma Long Short Term Memory untuk Prediksi Kualitas Udara dan Suhu Kota Bandung

Authors

  • Ali Khumaidi Program Studi Teknik Informatika, Universitas Krisnadwipayana https://orcid.org/0000-0002-4319-5018
  • Ridwan Raafi'udin Program Studi Teknik Informatika, UPN Veteran Jakarta
  • Indra Permana Solihin Program Studi Teknik Informatika, UPN Veteran Jakarta

DOI:

https://doi.org/10.61769/telematika.v15i1.340

Keywords:

LSTM, prediksi, kualitas udara, PM10, ISPU

Abstract

This study develops the LSTM modeling to predict time series data of air quality in the city of Bandung from the parameters PM10, ISPU, temperature, and humidity. Modeling LSTM with 4 hidden layers, the number of batch sizes that is 32, the optimizer is adam, value of epoch is 1000, and the loss function using Mean Squared Error. The LSTM modeling results show that the network has a fairly good performance in predicting training and testing. The modeling produces a fairly good prediction accuracy for 3 parameters (temperature, humidity, ISPU). This is indicated by the predicted RMSE value which is smaller than the standard deviation value of the dataset test. However, the prediction results generated from the four test parameters based on the order of the best are the prediction of humidity, temperature, ISPU, and PM10 with unfavorable predictive results.

 

Penelitian ini mengembangkan pemodelan LSTM untuk memprediksi data time series, yaitu kualitas udara di kota Bandung, dari parameter PM10, ISPU, suhu, dan kelembaban. Pemodelan LSTM dengan 4 hidden layer, penentuan jumlah batch size yaitu 32, penentuan optimizer adalah adam, epoch senilai 1000, dan penentuan fungsi loss menggunakan mean squared error. Hasil pemodelan LSTM menunjukkan bahwa jaringan memiliki kinerja yang cukup baik pada prediksi training dan testing. Pemodelan menghasilkan keakuratan prediksi yang cukup baik untuk 3 parameter (suhu, kelembaban, ISPU).Hal ini ditunjukkan dengan nilai RMSE prediksi yang lebih kecil dari nilai standar deviasi uji dataset. Namun, hasil prediksi yang dihasilkan dari keempat parameter pengujian berdasarkan urutan dari yang paling baik yaitu prediksi kelembaban, suhu, ISPU, dan PM10 dengan hasil prediksi yang kurang baik.

Author Biographies

Ali Khumaidi, Program Studi Teknik Informatika, Universitas Krisnadwipayana

Menamatkan pendidikan tinggi dalam bidang Ilmu Komputer di Fakultas Ilmu Komputer, Universitas Indonesia dan  Magister Ilmu Komputer STMIK Nusamandiri Jakarta. Memiliki keahlian dalam bidang software engineering, data mining, machine learning, dan IoT.

Ridwan Raafi'udin, Program Studi Teknik Informatika, UPN Veteran Jakarta

Lulus S1 Teknik Informatika Universitas Pembangunan Nasional Veteran Jakarta dan S2 Ilmu Komputer Universitas Budi Luhur. Peminatan di bidang data science dan machine learning.

Indra Permana Solihin, Program Studi Teknik Informatika, UPN Veteran Jakarta

S1 Sistem Komputer Universitas Bina Nusantara. S2 Ilmu Komputer Universitas Budi Luhur. Peminatan di artificial intelligence, smart farming, dan IoT.

References

A. Hermawan. “SPKU: Sistem Prediksi Kualitas Udara (Studi Kasus: DKI Jakarta),” Skripsi. University of Technology Yogyakarta, Indonesia, 2019.

Robotorial. (Agustus 2019). “Kualitas udara terbaik dan terburuk di Indonesia (Rabu, 21/08/2019)”. [Daring]. Tersedia: https://beritagar.id/artikel/berita/kualitas-udara-terbaik-dan-terburuk-di-indonesia-rabu-1082019 [21 Jun 2020].

M. Y. Fathoni, “Implementasi Metode Fuzzy Time Series Cheng untuk prediksi konsentrasi gas NO2 di udara,” J. Sist. Inf. Bisnis, vol. 7, no. 1, hlm. 17, Mei 2017.

B. Warsito, A. Rusgiyono, dan M. A. Amirillah., “Pemodelan general regression neural network untuk prediksi tingkat pencemaran udara kota Semarang.,” Media Stat., vol. 1, no. 1, pp. 43–51, 2008.

Y. Aprianto, N. Nurhasanah, dan I. Sanubary, “Prediksi kadar particulate matter (PM10) untuk pemantauan kualitas udara menggunakan jaringan syaraf tiruan (studi kasus kota Pontianak),” J. Positron, vol. 8, no. 1, 2018.

B. Özbay, G. A. Keskin, Ş. Ç. Doğruparmak, dan S. Ayberk, “Predicting tropospheric ozone concentrations in different temporal scales by using multilayer perceptron models,” Ecol. Inform., vol. 6, no. 3-4, hlm. 242–247, Juli 2011.

S. Bahri, Syamsuddin, dan M. Hadijati, “Model wavelet neural network untuk pemodelan polusi udara di kota Mataram, Lombok, Nusa Tenggara Barat, Indonesia,” dalan Prosiding Seminar Nasional Matematika, Statistika, dan Aplikasinya, 2019, hlm. 43–56.

X. Song, dkk., “Time-series well performance prediction based on Long Short-Term Memory (LSTM) neural network model,” J. Pet. Sci. Eng., vol. 186, hlm. 106682, Maet. 2020.

X. Song, J. Huang, dan D. Song, “Air quality prediction based on LSTM-Kalman model,” dalam 2019 IEEE 8th Joint International Information Technology and Artificial Intelligence Conference (ITAIC), 2019, hlm. 695–699.

Z. Zhao, W. Chen, X. Wu, P. C. Y. Chen, dan J. Liu, “LSTM network: a deep learning approach for short-term traffic forecast,” IET Intell. Transp. Syst., vol. 11, no. 2, hlm. 68–75, Maret 2017.

“Keputusan Kepala Badan Pengendalian Dampak Lingkungan Nomor: Kep-107/Kabapedal/11/1997 tentang Pedoman Teknis Perhitungan Dan Pelaporan Serta Informasi Indeks Standar Pencemar Udara.”

H.-L. Yu, Y.-C. Lin, dan Y.-M. Kuo, “A time series analysis of multiple ambient pollutants to investigate the underlying air pollution dynamics and interactions,” Chemosphere, vol. 134, hlm. 571–580, Sept 2015.

A. Kurniawan, “Pengukuran parameter kualitas udara (CO, NO2, SO2, O3 dan PM10) di Bukit Kototabang berbasis ISPU,” J. Teknosains, vol. 7, no. 1, 2017.

A. Yadav, C. K. Jha, dan A. Sharan, “Optimizing LSTM for time series prediction in Indian stock market,” Procedia Comput. Sci., vol. 167, hlm. 2091–2100, 2020.

Downloads

Published

2020-12-31

Issue

Section

Articles