Prediksi Particulate Matter (PM 2.5) di DKI Jakarta Menggunakan XGBoost
Jurnal Aplikasi Meteorologi · 01.05.2023 · 2 (1) · 1-9
DOI: 10.36754/jam.v2i1.355 ↗Kurz gefasst
Fachartikel in der Zeitschrift Jurnal Aplikasi Meteorologi, online erschienen am 01.05.2023. Verfasst von Azan Kanezar MS und 2 weiteren Autor:innen. Die Arbeit wurde bisher 1-mal zitiert (Crossref).
Abstract (Originalsprache)
Dalam dekade terakhir, kualitas udara di kota-kota besar, seperti Jakarta, telah menjadi pusat perhatian yang serius karena implikasinya terhadap kesehatan dan lingkungan. Salah satu parameter penting dalam penilaian kualitas udara adalah konsentrasi Particulate Matter (PM) dengan diameter kurang dari atau sama dengan 2.5 mikrometer (PM2.5). Studi ini bertujuan untuk mengembangkan model prediktif menggunakan Extreme Gradient Boosting (XGBoost) untuk memprediksi tingkat PM2.5 di Jakarta. XGBoost dipilih karena keunggulan performanya dalam menangani data non-linier dan besar, serta kemampuannya dalam menangani missing values yang sering terjadi dalam data lingkungan. Model dikembangkan dengan menggunakan dataset yang mencakup data historis PM2.5 yang dikumpulkan dari stasiun pemantauan di Jakarta. Kinerja model dievaluasi menggunakan metrik seperti Root Mean Square Error (RMSE) sebesar 16.77, Mean Absolute Error (MAE) sebesar 11.39, dan R-squared (R²) sebesar 0.6812. Hasil awal menunjukkan bahwa model XGBoost dapat secara baik memprediksi konsentrasi PM2.5 di Jakarta
Zitieren
APA
MS, A. K., Sasmita, M. A., & Saputra, A. H. (2023). Prediksi Particulate Matter (PM 2.5) di DKI Jakarta Menggunakan XGBoost. Jurnal Aplikasi Meteorologi, 2(1), 1-9. https://doi.org/10.36754/jam.v2i1.355
Vancouver
MS AK, Sasmita MA, Saputra AH. Prediksi Particulate Matter (PM 2.5) di DKI Jakarta Menggunakan XGBoost. Jurnal Aplikasi Meteorologi. 2023;2(1):1-9. doi:10.36754/jam.v2i1.355
BibTeX
@article{MS2023,
author = {MS, Azan Kanezar and Sasmita, Muhammad Aditya and Saputra, Agung Hari},
title = {Prediksi Particulate Matter (PM 2.5) di DKI Jakarta Menggunakan XGBoost},
journal = {Jurnal Aplikasi Meteorologi},
year = {2023},
volume = {2},
number = {1},
pages = {1--9},
doi = {10.36754/jam.v2i1.355}
}
EUVIMED