Optimasi Long Short Term Memory Dengan Adam Menggunakan Data Udara Kota DKI Jakarta

Arvi Arkadia, Bayu Hananto, Desta Sandya Prasvita

Abstract


Udara merupakan elemen penting bagi kehidupan. Pertumbuhan ekonomi dan urbanisasi yang terjadi di daerah kota besar berpotensi meningkatkan penggunaan energi sehingga mengakibatkan pencemaran udara. Di Indonesia memutuskan lima parameter yang dipergunakan sebagai zat polutan yang mengakibatkan pencemaran udara, zat tersebut diantaranya Nitrogen Dioksida (NO2), Sulfur Dioksida (SO2), Partikel Debu (PM10), Ozon (O3), dan Karbon Monoksida (CO).  Kelima zat tersebut menjadi tolak ukur pada penentuan taraf udara yang ada di Indeks Standar Pencemaran Udara (ISPU). Metode Long Short Term Memory digunakan pada penelitian ini sebagai model yang digunakan dalam pengolahan data time series. Model LSTM digunakan  untuk prediksi mengenai kualitas udara dengan kesalahan komputasi yang minimum. Penggunaan model LSTM dengan menggunakan Adam Optimizer untuk pengoptimalan nilai setiap layer agar menghasilkan prediksi yang akurat. Hasil prediksi dengan tingkat akurasi MAPE pada parameter PM10 sebesar 4,37%, parameter SO2 sebesar 5,02%, parameter CO sebesar 18,50%, parameter O3 sebesar 5,23%, dan parameter NO2 sebesar 37,28%.

Keywords


LSTM;ISPU;Adam

References


Aldi, M. P., Jondri, & Aditsania, A. (2018). Analisis dan Implementasi Long Short Term Memory Neural Network untuk Prediksi Harga Bitcoin. e-Proceeding of Engineering.

Aprianto, Y., Nurhasanah, & Sanubary, I. (2018). Prediksi Kadar Particulate Matter (PM10) untuk Pemantauan Kualitas Udara Menggunakan Jaringan Syaraf Tiruan Studi Kasus Kota Pontianak. POSITRON.

Ba, J. L., & Kingma, D. P. (2015). ADAM: A METHOD FOR STOCHASTIC OPTIMIZATION.

Chandra, R., Gupta, R., & Tiwaria, A. (2021). Delhi air quality prediction using LSTM deep learning models with a focus on COVID-19 lockdown. arXiv.

Chandriah, K. K., & Naraganahalli, R. V. (2021). RNN / LSTM with modified Adam optimizer in deep learning approach for automobile spare parts demand forecasting. Springer Nature.

Chang, Z., Zhang, Y., & Chen, W. (2018). Effective Adam-optimized LSTM Neural Network for Electricity Price Forecasting. IEEE, 245.

Elampartihi, P. N., Janarthanan, R., Partheeban, P., & Somasundaram, K. (2021). A deep learning approach for prediction of air quality index in a metropolitan city. ELSEVIER.

Graves, A. (2012). Supervised Sequence Labell with RNN. Springer.

Gul, S., & Khan, G. M. (2020). Forecasting Hazard Level of Air Pollutants Using LSTM’s. Springer Nature Switzerland, 143.

HE, H., & LUO, F. (2020). Study of LSTM Air Quality Index Prediction Based on Forecasting Timeliness. IOP Conference Series: Earth and Environmental Science.

He, J., Jiang, F., & Tian, T. (2019). A clustering-based ensemble approach with improved pigeon-inspired optimization and extreme learning machine for air quality prediction. Applied Soft Computing Journ.

Jiao1, Y., Wang, Z., & Zhang, Y. (2019). Prediction of Air Quality Index Based on LSTM . Joint International Information Technology and Artificial Intelligence Conference, 8, 17.

Kementerian Lingkungan Hidup. (1997). Standar Keputusan ISPU. MENTERI LINGKUNGAN HIDUP DAN KEHUTANAN REPUBLIK INDONESIA.

Khumadi, A., Raafi'udin, R., & Solihin, I. (2019). Pengujian Algoritma Long Short Term Memory untuk Prediksi Kualitas Udara dan Suhu Kota Bandung. Jurnal Telematika.

Kumari, S., Chaudhry, I., Sharma, S., & Sethi, P. (2019). AQI: PREDICTION AND OPTIMIZATION . TECHNIQUES, 6(6), 675.

Li, H., Wang, J., Li, R., & Lu, H. (2018). Novel analysis–forecast system based on multi-objective optimization for air quality index. ournal of Cleaner Production.

Liang, Y.-C., Maimury, Y., Chen, A. H.-L., & Juarez, J. R. (2020). Machine Learning-Based Prediction of Air Quality. 10.

Lu, W., Li, J., Li, Y., Sun, A., & Wang, J. (2020). A CNN-LSTM-Based Model to Forecast Stock Prices. Hindawi, 10.

Meliana1, C., Wasono, R., & Haris, M. A. (2020). Perbandingan Metode Long Short Term Memory (LSTM) DAN Genetic Algorithm-Long Short Term Memory (GA-LSTM) Pada Peramalan Polutan Udara.

Mukherjee, P., & Roy, S. (2020). AIR QUALITY INDEX FORECASTING USING HYBRID NEURAL NETWORK MODEL WITH LSTM ON AQI SEQUENCES. Proceedings on Engineering Sciences.

Muslim, B., & Prabowo, K. (2018). Penyehatan Udara. Pusat Pendidikan Sumber Daya Kesehatan.

Oktaviani, A., & Hustinawati. (2019). PREDIKSI RATA-RATA ZAT BERBAHAYA DI DKI JAKARTA BERDASARKAN INDEKS STANDAR PENCEMAR UDARA MENGGUNAKAN METODE LONG SHORT-TERM MEMORY.

R, N., Bhumika, S., R, S., & V, R. (2020). Air Quality Index Prediction using LSTM. International Research Journal of Engineering and Technology (IRJET), 7, 4848.

Saurabh, N. (2020). LSTM -RNN Model to Predict Future Stock Prices using an Efficient Optimizer. International Research Journal of Engineering and Technology (IRJET), 7(11), 672.

Wright, S. J. (2016). optimization.

Xayasouk, T., Lee, H., & Lee, G. (2020). Air Pollution Prediction Using Long Short-Term Memory (LSTM) and Deep Autoencoder (DAE) Models. Sustainability, 12, 1-18.

Xu, Y., Zhang, D., & Zhao, Q. (2019). Prediction of Air Quality Index Based on LSTM Model: A Case Study on Delhi and Houston. Journal of Computer Research and Development.


Refbacks

  • There are currently no refbacks.


Copyright (c) 2023 Seminar Nasional Mahasiswa Bidang Ilmu Komputer dan Aplikasinya

Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.