Analisis Support Vector Regression (SVR) untuk meramalkan Indeks Kualitas Udara di Kota Makassar

Rahmat Wahyudi Rahmat; Suwardi  Annas; Zulkifli Rais

doi:10.35580/variansiunm107

Rahmat Wahyudi Rahmat Universitas Negeri Makassar
Suwardi Annas Department of Statistics, Universitas Negeri Makassar
Zulkifli Rais Department of Statistics, Universitas Negeri Makassar

DOI: https://doi.org/10.35580/variansiunm107

Keywords: Grid Search Optimization, Indeks Kualitas Udara, Root Mean Square Error (RMSE), Support Vector Regression (SVR)

Abstract

Polusi udara merupakan salah satu permasalahan yang belum terselesaikan sampai saat ini terutama di kota besar di Indonesia. Kondisi ini tentu sangat mengkhawatirkan mengingat polutan yang dikeluarkan oleh kendaraan bermotor seperti karbon monoksida (CO), partikulat matter (PM), nitrogen oksida ( ), sulfur dioksida ), dan karbon dioksida ( ) sangat berbahaya bagi kesehatan manusia. Oleh karena itu perlu dilakukan penelitian untuk mengetahui peramalan indeks kualitas udara dimasa mendatang. Maka pada penelitian ini digunakan metode SVR untuk meramalkan indeks kualitas udara di Kota Makassar. SVR merupakan pengembangan Support Vector Machine (SVM) untuk kasus regresi. Dalam penelitian ini metode SVR digunakan dengan kernel terbaik sebagai bantuan penyelesaian masalah non-linier, metode Min – Max Normalization untuk normalisasi data, pembagian data training dan data testing yang digunakan yakni 80%:20%, pemilihan model terbaik dengan Grid Search Optimization. Hasil peramalan yang didapatkan bahwa kelima variabel indeks kualitas udara di kota makassar tergolong baik dengan nilai RMSE yaitu Partikulat (PM10) 0,12352, Sulfur Dioksida ( ) 0,11502, Ozon ( ) 0,13561, Nitrogen dioksida ( ) 0,11380, Karbon Monoksida (CO) 0,00699 artinya kemampuan model dapat mengikuti pola data dengan baik.

References

Ahmar, A. S., Guritno, S., Abdurakhman, Rahman, A., Awi, Alimuddin, Minggi, I., Tiro, M. A., Aidid, M. K., Annas, S., Sutiksno, D. U., Ahmar, D. S., Ahmar, K. H., Ahmar, A. A., Zaki, A., Abdullah, D., Rahim, R., Nurdiyanto, H., Hidayat, R., … Arifin, A. N. M. (2018). Modeling Data Containing Outliers using ARIMA Additive Outlier (ARIMA-AO). Journal of Physics: Conference Series, 954(1), 1–12.

Aini, N., Ruktiari, R., Pratama, R., Fitrah Buana, A., & Lunak, R. P. (2019). Sistem Prediksi Tingkat Pencemaran Polusi Udara dengan Algoritma Naïve Bayes di Kota Makassar. Journal Kominfo, 3, 83–90.

Aswi, & Sukarna. (2006). Analisis Deret Waktu: Teori dan Aplikasi. Andira Publisher.

Beaumont, C., Makridakis, S., Wheelwright, S. C., & McGee, V. E. (1984). Forecasting: Methods and Applications. Dalam The Journal of the Operational Research Society (Vol. 35, Nomor 1). JSTOR.

Budiyono, A. (2003). Indeks kualitas udara. Journal lapan, 3(1), 6–9.

Caraka, R. E., Yasin, H., & Basyiruddin, A. W. (2017). Peramalan Crude Palm Oil (CPO) Menggunakan Support Vector Regression Kernel Radial Basis Related papers. Jurnal Matematika, 7(1), 1693–1394.

Fajarita, L., & Hati, E. N. (2018). Penerapan forecasting stright line method dalam pengadaan stok barang mendatang studi kasus : PT. Bina Karya Kusuma. Proosiding SINTAK 2018, 2, 310–317.

Furi, R. P., Si, M., & Saepudin, D. (2015). Prediksi Financial Time Series Menggunakan Independent Component Analysis dan Support Vector Regression Studi Kasus : IHSG dan JII. ISSN : 2355-9365 e-Proceeding of Engineering :, 2(2), 1–10.

Gholamy, A., Kreinovich, V., & Kosheleva, O. (2018). A Pedagogical Explanation A Pedagogical Explanation Part of the Computer Sciences Commons. Departmental Technical Reports, 1(1–6).

Han, J., Kamber, M., & Pei, J. (2011). Data Mining. Concepts and Techniques, 3rd Edition (The Morgan Kaufmann Series in Data Management Systems). Morgan Kaufmann.

Haque, I. I., Kallista, M., & Setianingsih, C. (2022). Prediksi Indeks Standar Pencemar Udara Menggunakan Metode Support Vector Regression Berbasis Web (Studi Kasus Pada Dki Jakarta). e-Proceeding of Engineering, 9, 1256–1266.

Isnaeni, R., Sudarmin, & Rais, Z. (2022). Analisis Support Vector Regression (SVR) dengan Kernel Radial Basis Function (RBF) untuk Memprediksi Laju Inflasi di Indonesia. VARIANSI: Journal of Statistics and Its Application on Teaching and Research, 4(1), 30–38. https://doi.org/10.35580/variansiunm13

Luqyana, W. A., Cholissodin, I., & Perdana, R. S. (2018). Analisis Sentimen Cyberbullying pada Komentar Instagram dengan Metode Klasifikasi Support Vector Machine. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 2(11), 4704–4713. http://j-ptiik.ub.ac.id

Nasution Darnisa, A., Khotimah, H. H., & Chamidah, N. (2019). Perbandingan normalisasi data untuk klasifikasi wine menggunakan algoritma K-NN. Journal of Computer Engineering System and Science, 4(1), 2502–7131.

Peraturan Pemerintah RI. (2020). Peraturan Menteri Lingkungan Hidup dan Kehutanan Republik Indonesia No 14 Tahun 2020 tentang Indeks Standar Pencemaran Udara. 1–16.

Prahardis, R., Syauqi, D., & Akbar, S. R. (2018). Implementasi Sistem Monitoring Polusi Udara Berdasarkan Indeks Standar Pencemaran Udara Dengan Pemodelan Finite State Machine. Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, 2(9), 3128–3137.

Scholkopf, B., & Smola, A. J. (2018). Learning with Kernels Support Vector Machines, Regularization, Optimization, and Beyond. The MIT Press.

Septiningrum, L., Yasin, H., & Sugito. (2015). Prediksi Indeks Harga Saham Gabungan Menggunakan Support Vector Regression (SVR) dengan Algoritma grid search. Jurnal Gaussian, 4(2), 315–321.

Siregar, N. A. (2022). Peramalan Curah Hujan Di Kota Medan menggunakan Metode Support Vector Regression. Journal of Informatics and Data Science (J-IDS), 1(1), 1–3.

Wirawan I Nyoman Trisna, & Eksistyanto Ivan. (2015). PENERAPAN NAIVE BAYES PADA INTRUSION DETECTION SYSTEM DENGAN DISKRITISASI VARIABEL. Jurnal Ilmiah Teknologi Informasi, 13(2), 182–189.