PENERAPAN RESNET-LSTM UNTUK MENGATASI VANISHING GRADIENT PADA PREDIKSI KONSENTRASI POLUTAN DALAM KUALITAS UDARA DKI JAKARTA

Widiyanti, Syafira (2024) PENERAPAN RESNET-LSTM UNTUK MENGATASI VANISHING GRADIENT PADA PREDIKSI KONSENTRASI POLUTAN DALAM KUALITAS UDARA DKI JAKARTA. Diploma thesis, UPN "Veteran" Yogyakarta.

	Text Cover Skripsi_Syafira Widiyanti_123200057.pdf Download (212kB)
	Text Abstrak Skripsi_Syafira Widiyanti_123200057.pdf Download (238kB)
	Text Lembar Pengesahan Skripsi_Syafira Widiyanti_123200057.pdf Download (941kB)
	Text Daftar Isi Skripsi_Syafira Widiyanti_123200057.pdf Download (311kB)
	Text Daftar Pustaka Skripsi_Syafira Widiyanti_123200057.pdf Download (220kB)
	Text Fulltext Skripsi_Syafira Widiyanti_123200057.pdf Restricted to Repository staff only Download (9MB)

Abstract

Penurunan kualitas udara akibat polusi berdampak buruk terhadap kesehatan
manusia. Oleh karena itu, prediksi konsentrasi polutan dalam kualitas udara perlu
dilakukan guna memberikan peringatan dini kepada masyarakat. Berbagai studi
menunjukkan prediksi konsentrasi polutan dapat dilakukan menggunakan Recurrent
Neural Network (RNN) atau Convolutional Neural Network (CNN). Namun, metode ini
rentan meningkatkan kompleksitas jaringan yang dapat menyebabkan vanishing gradient.
Akibatnya hasil akurasi prediksi menjadi tidak optimal. Selain itu, masing-masing metode
hanya dapat mengekstrak salah satu fitur, baik temporal atau spasial saja.
Dalam penelitian ini, metode Long Short-Term Memory (LSTM) digunakan untuk
mengatasi masalah vanishing gradient karena arsitekturnya yang mampu mengontrol
aliran informasi. Metode ini dikombinasikan dengan arsitektur Residual Network
(ResNet) yang mampu mengatasi vanishing gradient dan degradrasi jaringan dengan
teknik skip connections, sehingga akurasi prediksi menjadi optimal. Metode ResNet dan
LSTM juga digunakan untuk mengesktrak fitur spatiotemporal pada data dan digunakan
selama pembangunan model prediksi.
Evaluasi model pada penelitian ini menggunakan Mean Absolute Percentage Error
(MAPE) dan diuji dengan menjalankan lima skenario yaitu prediksi konsentrasi polutan
menggunakan LSTM, CNN, ResNet, CNN-LSTM, dan ResNet-LSTM. Hasil evaluasi
MAPE model ResNet-LSTM untuk training error sebesar 7.5%, validation error sebesar
22.7%, dan testing error sebesar 19.1%. Berdasarkan hasil tersebut, metode ResNetLSTM

memiliki nilai error yang lebih rendah dibandingkan metode CNN-LSTM. Hal
tersebut menunjukkan bahwa metode ResNet-LSTM masih lebih baik dalam mengatasi
vanishing gradient karena memiliki nilai error yang lebih rendah selama proses pelatihan
model.

Kata kunci: long short-term memory, residual network, prediksi, vanishing gradient,
polutan, meteorologi

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	long short-term memory, residual network, prediksi, vanishing gradient, polutan, meteorologi
Subjects:	T Technology > T Technology (General)
Divisions:	Faculty of Engineering, Science and Mathematics > School of Electronics and Computer Science
Depositing User:	Bayu Setya Pambudi
Date Deposited:	11 Jun 2024 03:14
Last Modified:	11 Jun 2024 03:14
URI:	http://eprints.upnyk.ac.id/id/eprint/39732

Actions (login required)

View Item