ANALISIS PERBANDINGAN KLASIFIKASI KUALITAS UDARA DI JAKARTA MENGGUNAKAN ALGORITMA ORDINAL LOGISTIC REGRESSION DAN NEURAL NETWORK

Sinaga, Jepplin (2025) ANALISIS PERBANDINGAN KLASIFIKASI KUALITAS UDARA DI JAKARTA MENGGUNAKAN ALGORITMA ORDINAL LOGISTIC REGRESSION DAN NEURAL NETWORK. Diploma thesis, Universitas Nasional.

	Text COVER.pdf Download (3MB)
	Text BAB 1.pdf Download (825kB)
	Text BAB 2.pdf Download (1MB)
	Text BAB 3.pdf Download (1MB)
	Text BAB 4.pdf Download (2MB)
	Text BAB 5.pdf Download (669kB)
	Text LAMPIRAN.pdf Download (898kB)

Abstract

Kualitas udara merupakan indikator utama untuk menilai kondisi lingkungan perkotaan. Pertumbuhan ekonomi Jakarta yang pesat dan populasi yang besar berkontribusi pada tingginya tingkat polusi udara di kota ini. Oleh karena itu, untuk mengklasifikasikan kualitas udara secara tepat, diperlukan metode analisis yang sesuai. Penelitian ini membandingkan cara algoritma Neural Network (NN) dan Ordinal Logistic Regression (OLR) mengklasifikasikan kualitas udara ke dalam kelompok yang berbeda menggunakan data dari Indeks Standar Polutan Udara (ISPU) DKI Jakarta, yang mencakup parameter polutan penting seperti PM10, PM2.5, SO2, CO, O3, dan NO2. Kinerja dievaluasi menggunakan recall, akurasi, presisi, F1-Score, dan confusion matrix. Hasil menunjukkan bahwa metode Neural Network lebih unggul daripada Regresi Logistik Ordinal dalam hal akurasi. Hal ini disebabkan karena OLR lebih mudah dipahami dan dimodelkan, sedangkan NN dapat mengidentifikasi pola non-linear yang kompleks dalam data. Kesimpulannya, penting untuk mempertimbangkan apakah fokus penelitian adalah pada interpretasi model atau akurasi prediksi saat memilih algoritma untuk klasifikasi kualitas udara. Diharapkan temuan studi ini dapat membantu mengidentifikasi metode untuk menilai kualitas udara di kota-kota, terutama Jakarta.

Item Type:	Thesis (Diploma)
Uncontrolled Keywords:	Kualitas udara, Ordinal Logistic Regression, Neural Network, ISPU
Subjects:	T Technology > T Technology (General) T Technology > TJ Mechanical engineering and machinery
Divisions:	Skripsi > Fakultas Teknologi Komunikasi dan Informatika > Program Studi Sistem Informasi
Depositing User:	Vira Desintha Larasati
Date Deposited:	07 Nov 2025 03:15
Last Modified:	07 Nov 2025 03:15
URI:	https://repository.unas.ac.id/id/eprint/14356

Actions (login required)

View Item