Prediksi Indeks Kualitas Udara Menggunakan Metode Extreme Gradient Boosting Dan Long Short-term Memory (Studi Kasus : Kota Administrasi Jakarta Selatan Januari 2022 - September 2023)

Abstract

Indeks Kualitas Udara (IKU) merupakan konsentrasi polutan udara yang terdapat pada kategori kualitas udara dan menjadi standar dalam mengukur pencemaran udara yang sering digunakan. Penentuan angka IKU dihitung berdasarkan polutan udara dengan angka IKU tertinggi ketika proses pengukuran kualitas udara. Pada pemodelan prediktif, fitur yang digunakan sangat menentukan performa model. Feature creation dilakukan untuk membuat fitur baru dari variabel yang telah ada sebelumnya. Feature selection digunakan untuk memilih fitur yang berpengaruh terhadap model prediksi. Variabel yang ditentukan diharapkan mempunyai manfaat yang signifikan untuk algoritma pembelajaran prediktif. XGBoost yang merupakan salah satu algoritma yang paling populer dan banyak digunakan karena kecepatannya tinggi dan perform kinerja yang baik dan Long Short-Term Memory (LSTM) yang merupakan metode pengembangan dari Recurrent Neural Network (RNN) untuk mengatasi masalah long vanishing dan exploding gradient. LSTM mempunyai memory cell yang lebih kompleks dengan adanya gate yang berfungsi untuk mengontrol aliran informasi dalam model. Model LSTM dapat mengingat informasi dengan lebih baik dalam jangka panjang. Oleh karena itu, dilakukan penelitian menggunakan gabungan antara XGBoost dan arsitektur LSTM (XGBoost-LSTM) untuk memprediksi Indeks Kualitas Udara.