IMPLEMENTASI HYPERPARAMETER TUNING DENGAN GRID SEARCH PADA MODEL LSTM UNTUK MEMPREDIKSI KUALITAS UDARA DI PROVINSI DKI JAKARTA

Mumtaz, Muhammad Raditya Haikal (2025) IMPLEMENTASI HYPERPARAMETER TUNING DENGAN GRID SEARCH PADA MODEL LSTM UNTUK MEMPREDIKSI KUALITAS UDARA DI PROVINSI DKI JAKARTA. Skripsi thesis, UPN "Veteran" Yogyakarta.

[thumbnail of COVER TA.pdf] Text
COVER TA.pdf

Download (360kB)
[thumbnail of ABSTRAK.pdf] Text
ABSTRAK.pdf

Download (337kB)
[thumbnail of Lembar Pengesahan Pembimbing_New.pdf] Text
Lembar Pengesahan Pembimbing_New.pdf

Download (576kB)
[thumbnail of DAFTAR ISI.pdf] Text
DAFTAR ISI.pdf

Download (504kB)
[thumbnail of DAFTAR PUSTAKA.pdf] Text
DAFTAR PUSTAKA.pdf

Download (362kB)
[thumbnail of 123210062_TA_FULL.pdf] Text
123210062_TA_FULL.pdf
Restricted to Repository staff only

Download (3MB)
Official URL: upnyk.ac.id

Abstract

Tantangan utama dalam memanfaatkan model Long Short-Term Memory (LSTM)
untuk prediksi kualitas udara adalah menemukan setelan hyperparameter yang tepat, karena
performa model ini sangat sensitif terhadap konfigurasinya. Berangkat dari masalah tersebut,
penelitian ini berfokus untuk mencari kombinasi paling optimal untuk kasus prediksi di
wilayah DKI Jakarta, di mana kualitas udara merupakan isu yang krusial.
Untuk menemukan setelan terbaik, pendekatan Grid Search digunakan untuk
"menyisir" berbagai kemungkinan konfigurasi. Metode ini diterapkan untuk menguji 12
skenario berbeda dengan memvariasikan tiga hyperparameter kunci: learning rate, batch
size, dan epoch. Semua proses pengujian ini menggunakan data historis kualitas udara harian
yang dikumpulkan dari lima stasiun pemantau di Jakarta selama periode 2023-2024.
Dari serangkaian pengujian tersebut, berhasil ditemukan satu konfigurasi yang
sangat optimal, yakni dengan learning rate 0.0001, batch size 32, dan 25 epoch. Model
dengan setelan ini mampu mencapai akurasi validasi 91,3%. Lebih dari itu, performanya
terbukti sangat stabil dan bebas overfitting, terlihat dari selisihnya yang hanya 0,2% dari
akurasi data latih. Model final yang andal ini kemudian menjadi inti dari aplikasi web
prediksi yang fungsional, sekaligus membuktikan bahwa Grid Search adalah pendekatan
yang ampuh untuk optimasi LSTM.
Kata kunci: long short-term memory, prediksi, kualitas udara. grid search

Item Type: Tugas Akhir (Skripsi)
Additional Information: Muhammad Raditya Haikal Mumtaz (Penulis - 123210062); Wilis Kaswidjanti (Pembimbing)
Uncontrolled Keywords: long short-term memory, prediksi, kualitas udara. grid search
Subjek: T Technology > TJ Mechanical engineering and machinery
T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions: Fakultas Teknik Industri > (S1) Informatika
Depositing User: UPA Perpustakaan
Date Deposited: 10 Oct 2025 01:43
Last Modified: 10 Oct 2025 01:43
URI: http://eprints.upnyk.ac.id/id/eprint/44207

Actions (login required)

View Item View Item