ANGRAINI, ALVIRA and Kurniawan, Hendra and Fadli, Muhamad (2026) ANALISIS PREDIKSI POLUTAN PM2.5 DENGAN REDUKSI DIMENSI PCA DAN DEEP LEARNING LSTM PADA DATA DERET WAKTU MULTIVARIAT. S1 thesis, Universitas Maritim Raja Ali Haji.

	Text (Cover) ALVIRA_ANGRAINI_2201020046_Teknik Informatika - Cover.pdf - Published Version Download (823kB)
	Text (Abstrak) ALVIRA_ANGRAINI_2201020046_Teknik Informatika - Abstrak.pdf - Published Version Download (346kB)
	Text (BAB I) ALVIRA_ANGRAINI_2201020046_Teknik Informatika - BAB I.pdf - Published Version Download (370kB)
	Text (Daftar Pustaka) ALVIRA_ANGRAINI_2201020046_Teknik Informatika - Daftar Pustaka.pdf - Published Version Download (324kB)
	Text (Full Teks) ALVIRA_ANGRAINI_2201020046_Teknik Informatika - Full Teks_.pdf Restricted to Repository staff only Download (1MB) | Request a copy

Abstract

PM2.5 merupakan indikator kualitas udara paling berbahaya bagi kesehatan manusia. Penelitian ini menganalisis pengaruh seleksi fitur menggunakan Principal Component Analysis (PCA) terhadap akurasi model Long Short-Term Memory (LSTM) dalam memprediksi konsentrasi PM2.5, dengan membandingkan RMSE, MAE, dan R² antara LSTM Murni dan PCA-LSTM pada data deret waktu multivariat di Serpong, Tangerang Selatan. Data terdiri atas 15 variabel input, termasuk history PM2.5 dan wind direction yang ditransformasi ke sin dan cos, dicatat tiap 30 menit sepanjang 2023. Pra pemrosesan meliputi normalisasi MinMax, transformasi wind direction, dan korelasi Pearson. Kedua model menggunakan parameter sama hasil grid search (units 32, dropout 0,1, learning rate 0,001, batch size 32), dengan pembagian data 70:15:15 dan lookback 12 langkah waktu. PCA diterapkan berdasarkan kriteria eigenvalue Kaiser (>1) dan loading factor (|loading| > 0,5), menghasilkan 4 fitur terpilih (O3, Wind_Dir_Sin, Wind_Dir_Cos, Air_Pressure) yang digabung dengan data historis PM2.5, sehingga total fitur PCA-LSTM berjumlah 5 dari 15 variabel. Hasil menunjukkan PCA-LSTM lebih unggul (RMSE 7,4813; MAE 5,0647; R² 0,8688) dibanding LSTM Murni (RMSE 7,7751; MAE 5,4971; R² 0,8583). Seleksi fitur PCA menyaring variabel kurang berkontribusi dan redundansi antar fitur, sehingga LSTM belajar pola temporal lebih efisien dan generalisasi lebih baik. Penelitian ini menghasilkan prototipe sistem web pemantauan kualitas udara.

Actions (login required)

View Item