EVALUASI KINERJA XGBOOST (EXTREME GRADIENT BOOSTING) DAN RANDOM FOREST UNTUK ANALISA KUALITAS UDARA KOTA BANDAR LAMPUNG

Rita, Irma Yani (2026) EVALUASI KINERJA XGBOOST (EXTREME GRADIENT BOOSTING) DAN RANDOM FOREST UNTUK ANALISA KUALITAS UDARA KOTA BANDAR LAMPUNG. FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM, UNIVERSITAS LAMPUNG.

Preview	File PDF 1. ABSTRAK.pdf Download (267Kb) | Preview
	File PDF 2. SKRIPSI FULL.pdf Restricted to Hanya staf Download (5Mb) | Minta salinan
Preview	File PDF 3. SKRIPSI TANPA BAB PEMBAHASAN.pdf Download (5Mb) | Preview

Abstrak (Berisi Bastraknya saja, Judul dan Nama Tidak Boleh di Masukan)

Pemantauan kualitas udara merupakan hal yang esensial dalam penilaian kesehatan lingkungan, khususnya di wilayah perkotaan yang berkembang pesat. Penelitian ini mengevaluasi dan membandingkan kinerja Random Forest Regression dan Extreme Gradient Boosting (XGBoost) Regression dalam menganalisis kualitas udara di Kota Bandar Lampung, Indonesia, menggunakan data harian dari stasiun Automatic Air Quality Monitoring System (AQMS) Sukarame periode 2023-2025. Dataset terdiri dari 1.073 observasi harian dengan sembilan variabel input PM₁₀, PM₂,₅, SO₂, CO, O₃, NO₂, kelembaban, kecepatan angin, dan suhu serta Indeks Standar Pencemar Udara (ISPU) sebagai variabel target. Praproses data mencakup interpolasi linear berbasis waktu untuk nilai yang hilang dan perhitungan ISPU berdasarkan Peraturan Menteri Lingkungan Hidup dan Kehutanan Nomor 14 Tahun 2020. Pembagian data latih-uji 80:20 dengan pengacakan diterapkan setelah mengevaluasi tiga proporsi pembagian (70:30, 80:20, 85:15). Evaluasi kinerja menggunakan MAPE, RMSE, MAE, dan R². Random Forest mencapai MAPE = 1,178%, RMSE = 1,995, MAE = 0,744, dan R² = 0,990, sedangkan XGBoost mencapai MAPE = 1,570%, RMSE = 2,075, MAE = 0,969, dan R² = 0,989. Analisis feature importance dari kedua model secara konsisten mengidentifikasi PM₂,₅ sebagai variabel paling dominan, diikuti oleh SO₂, NO₂, dan O₃, sementara variabel meteorologi berkontribusi secara minimal. Random Forest menunjukkan kinerja keseluruhan yang sedikit lebih unggul, meskipun kedua model terbukti sangat efektif untuk analisis kualitas udara di Kota Bandar Lampung. Kata kunci: Analisis Kualitas Udara, Random Forest, XGBoost, ISPU, Pembelajaran Mesin.

Jenis Karya Akhir:	Skripsi
Subyek:	000 Ilmu komputer, informasi dan pekerjaan umum 000 Ilmu komputer, informasi dan pekerjaan umum > 004 Pemrosesan data dan ilmu komputer
Program Studi:	FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM (FMIPA) > Prodi S1 Ilmu Komputer
Pengguna Deposit:	2605297296 Digilib
Date Deposited:	25 Jun 2026 02:29
Terakhir diubah:	25 Jun 2026 02:29
URI:	http://digilib.unila.ac.id/id/eprint/101439

Actions (login required)

Lihat Karya Akhir