Analisis Forecasting Karbon Monoksida DKI Jakarta 2010-2025 Berbasis Machine Learning

Martin Ferdinand Suharno

Computatio : Journal of Computer Science and Information Systems
Vol. 9 No. 2 (2025): Computatio: Journal of Computer Science and Information Systems

Penelitian ini bertujuan untuk menganalisis tren historis konsentrasi Karbon Monoksida (CO) di Stasiun DKI1 Bundaran HI serta membangun model peramalan untuk periode 2010–2025 menggunakan metode Linear Regression, Support Vector Regression (SVR), dan Extreme Gradient Boosting (XGBoost). Metodologi penelitian melibatkan pengolahan data deret waktu (time series) harian dengan dua skenario pembagian data, yaitu 80:20 dan 70:30. Kinerja model dievaluasi menggunakan metrik Root Mean Square Error (RMSE), Mean Absolute Error (MAE), Koefisien Determinasi (R²), dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa pada skenario pembagian data 80:20, metode Linear Regression memberikan kinerja terbaik dengan nilai R² sebesar 0,5679 dan RMSE sebesar 5,0862. Namun, pada skenario 70:30, XGBoost menunjukkan stabilitas dan kemampuan prediksi yang lebih unggul dengan nilai R² sebesar 0,5154 dan RMSE sebesar 5,0790, sedangkan SVR secara konsisten menghasilkan kinerja terendah pada kedua skenario. Penelitian ini menyimpulkan bahwa model XGBoost yang berbasis tree boosting lebih adaptif terhadap fluktuasi nonlinier dan variasi proporsi data, sehingga mampu memberikan keseimbangan terbaik dalam peramalan kualitas udara di Jakarta.