Claim Missing Document
Check
Articles

Found 11 Documents
Search

OPTIMASI HYPERPARAMETER PADA XGBOOST UNTUK PREDIKSI KUALITAS UDARA DI KOTA URBAN INDONESIA Sakmar, Moeng; Ramadhany, Emha Diambang; Hartinah, Siti; Surya, Rizky Andhika
Jurnal Dialektika Informatika (Detika) Vol. 6 No. 1 (2025): Jurnal Dialektika Informatika(Detika) Vol.6 No.1 Desember 2025
Publisher : Universitas Muria Kudus

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24176/detika.v6i1.15962

Abstract

Polusi udara di kota-kota urban Indonesia telah menjadi tantangan lingkungan kritis dengan dampak serius terhadap kesehatan publik dan keberlanjutan ekosistem. Maka pengembangan sistem prediksi kualitas udara yang cepat dan akurat (seperti Indeks Standar Pencemar Udara/PSI) sangat esensial sebagai mekanisme peringatan dini dan dasar pengambilan kebijakan mitigasi. Metode ensemble machine learning, khususnya Extreme Gradient Boosting (XGBoost), menunjukkan potensi unggul dalam menangani kompleksitas dan non-linearitas data polutan di lingkungan urban. Kinerja maksimal model XGBoost sangat bergantung pada penentuan hyperparameter optimal. Penelitian prediksi kualitas udara yang berfokus pada wilayah Indonesia sering kali belum mengimplementasikan strategi optimasi yang mendalam, sehingga membatasi akurasi prediktif model terhadap dinamika polusi lokal. Penelitian ini bertujuan mengoptimalkan hyperparameter model XGBoost menggunakan kerangka kerja Bayesian Optimization Optuna untuk meningkatkan performa prediksi kualitas udara. Data historis kualitas udara, termasuk konsentrasi polutan utama dan parameter meteorologi, digunakan untuk melatih dan mengevaluasi model. Optimasi dilakukan dengan membandingkan model XGBoost yang disetel melalui Optuna dengan model XGBoost baseline serta model Random Forest sebagai pembanding. Evaluasi kinerja menggunakan metrik regresi standar, termasuk Root Mean Square Error (RMSE) dan Mean Absolute Error (MAE). Hasil penelitian ditemukan optimasi hyperparameter secara substansial meningkatkan robustnes dan akurasi model XGBoost. Model XGBoost yang dioptimalkan oleh Optuna mencapai nilai RMSE terendah dan R-squared tertinggi, yang membuktikan superioritasnya dibandingkan model baseline dan pembanding. Temuan ini menegaskan peran optimasi otomatis dalam menghasilkan sistem prediktif kualitas udara yang presisi. Model XGBoost yang diusulkan dapat diadopsi oleh otoritas lingkungan sebagai alat operasional yang efektif untuk manajemen kualitas udara berbasis data di kota urban Indonesia.