Perbandingan Algoritma Regresi Linier Berganda dan Random Forest Regression untuk Prediksi Konsentrasi Particulate Matter 2,5 (PM2,5) Kota Jambi
DOI:
https://doi.org/10.33998/jms.2025.5.2.2273Kata Kunci:
Particulate Mattter 2.5 (PM2.5), Data Mining, Prediksi, Regresi Linier Berganda, Random Forest RegressionAbstrak
Permasalahan peningkatan polusi udara yang terjadi secara global juga terjadi di wilayah Indonesia termasuk di Provinsi Jambi. Polusi udara memiliki partikel-partikel debu didalamnya, salah satunya Particulate Matter (PM2,5). Konsentrasi PM2,5 di udara dipengaruhi oleh kondisi meteorologi suatu daerah, serta kejadian di sekitarnya baik itu kejadian alami ataupun kejadian yang disebabkan oleh aktivitas manusia. Penelitian ini melakukan prediksi konsentrasi PM2,5 kota Jambi dengan menggunakan algoritma Regresi Linier Berganda dan Random Forest Regression dengan suhu udara, kelembapan udara, kecepatan angin, curah hujan dan titik panas sebagai variabel bebasnya. Dalam prosesnya penelitian ini membandingkan kedua algoritma tersebut dan menilai akurasi dari masing-masing algoritma. Algoritma Regresi Linier Berganda mampu menghasilkan model yang dapat menggambarkan hubungan antara suhu udara, kelembapan udara, kecepatan angin, curah hujan dan titik panas terhadap konsentrasi PM2,5 meskipun nilai kesalahannya lebih besar dibandingkan dengan algoritma Random Forest Regression. Algoritma Random Forest Regression menghasilkan model dengan RMSE 0,148µgram/mm3 lebih kecil dibandingkan algoritma Regresi Linier Berganda. Pada pengujian akurasi dengan MAPE, algoritma Random Forest Regression memiliki nilai 74,0% dimana Regresi Linier Berganda memiliki nilai 73,0%, sehingga algoritma Random Forest Regression memiliki akurasi yang lebih tinggi dalam melakukan prediksi konsentrasi PM2,5.
Unduhan
Referensi
World Health Organization, “New WHO Global Air Quality Guidelines aim to save millions of lives from air pollution.” Accessed: Oct. 25, 2024. [Online]. Available: https://www.who.int/news/item/22-09-2021-new-who-global-air-quality-guidelines-aim-to-save-millions-of-lives-from-air-pollution
A. Fauziah, M. Zuhdi, and H. Syarifuddin, “Analisis Distribusi Asap Dampak Kebakaran Hutan dan Lahan di Provinsi Jambi,” Jurnal Pembangunan Berkelanjutan, vol. 6, no. 2, pp. 10–25, 2023, doi: 10.22437/jpb.v6i2.30262.
United States Environmental Protection Agency, “Particulate Matter (PM) Basics.” Accessed: Oct. 25, 2024. [Online]. Available: https://www.epa.gov/pm-pollution/particulate-matter-pm-basics
W. Xu et al., “The influence of PM2.5 exposure on kidney diseases,” Jan. 07, 2022, SAGE Publications Ltd. doi: 10.1177/09603271211069982.
P. Thangavel, D. Park, and Y. C. Lee, “Recent Insights into Particulate Matter (PM2.5)-Mediated Toxicity in Humans: An Overview,” Jun. 01, 2022, MDPI. doi: 10.3390/ijerph19127511.
Badan Pusat Statistik Provinsi Jambi, “Penduduk Menurut Kabupaten/Kota di Provinsi Jambi.” Accessed: Nov. 06, 2024. [Online]. Available: https://jambi.bps.go.id/id/statistics-table/2/MjEwOCMy/penduduk-menurut-kabupaten-kota-di-provinsi-jambi.html
M. Sulistiyono, B. Satria, A. Sidauruk, and R. Wardhana, “RAINFALL PREDICTION USING MULTIPLE LINEAR REGRESSION ALGORITHM,” JITK (Jurnal Ilmu Pengetahuan dan Teknologi Komputer), vol. 9, no. 1, pp. 17–22, Aug. 2023, doi: 10.33480/jitk.v9i1.4203.
A. Lin, “Walmart Sales Prediction Using Multiple Linear Regression,” 2024.
P. Sari Ramadhan and N. Safitri STMIK Triguna Dharma, “Penerapan Data Mining Untuk Mengestimasi Laju Pertumbuhan Penduduk Menggunakan Metode Regresi Linier Berganda Pada BPS Deli Serdang,” vol. 18, no. SAINTIKOM, pp. 55–61, 2019, [Online]. Available: https://sirusa.bps.go.id/index.php
D. Tampubolon and D. Saripurna, “Implementasi Regresi Linier Berganda Untuk Memprediksi Tingkat Penjualan Alat Kelistrikan,” Jurnal CyberTech, vol. 3, no. 1, pp. 176–185, 2020, [Online]. Available: https://ojs.trigunadharma.ac.id/
M. Maulita, “PENDEKATAN DATA MINING UNTUK ANALISA CURAH HUJAN MENGGUNAKAN METODE REGRESI LINEAR BERGANDA (STUDI KASUS: KABUPATEN ACEH UTARA),” 2023. [Online]. Available: http://jom.fti.budiluhur.ac.id/index.php/IDEALIS/indexMayaMaulita|http://jom.fti.budiluhur.ac.id/index.php/IDEALIS/index|
D. Pramesti and W. M. Baihaqi, “Perbandingan Prediksi Jumlah Transaksi Ojek Online Menggunakan Regresi Linier dan Random Forest,” Generation Journal, vol. 7, Oct. 2023.
J. Hong, H. Choi, and W. S. Kim, “A house price valuation based on the random forest approach: The mass appraisal of residential property in south korea,” International Journal of Strategic Property Management, vol. 24, no. 3, pp. 140–152, Mar. 2020, doi: 10.3846/ijspm.2020.11544.
A. Primajaya and B. N. Sari, “Random Forest Algorithm for Prediction of Precipitation,” Indonesian Journal of Artificial Intelligence and Data Mining (IJAIDM), vol. 1, no. 1, pp. 27–31, 2018.
R. Prasetyo et al., “Komparasi Algoritma Logistic Regression dan Random Forest pada Prediksi Cacat Software,” 2021. [Online]. Available: http://promise.site.uottawa.ca.
P. T. Noi, J. Degener, and M. Kappas, “Comparison of multiple linear regression, cubist regression, and random forest algorithms to estimate daily air surface temperature from dynamic combinations of MODIS LST data,” Remote Sens (Basel), vol. 9, no. 5, May 2017, doi: 10.3390/rs9050398.
T. Zhang, “Prediction for Insurance Premiums Based on Random Forest and Multiple Linear Regression,” 2023.
