📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 2 dokumenANALISIS DAN EVALUASI PREDIKSI HARIAN PM10 JAKARTA MENGGUNAKAN MODEL HIBRIDA RANDOM FOREST REGRESI-ARIMA BERBASIS REKAYASA FITUR
Penurunan kualitas udara di DKI Jakarta, khususnya akibat tingginya konsentrasi partikulat PM10, memerlukan sistem peringatan dini untuk membantu mitigasi dampak kesehatan masyarakat. Banyak model prediksi saat ini memproses data polutan mentah tanpa mengekstraksi komponen temporalnya, serta memiliki struktur yang sulit diinterpretasikan secara langsung oleh pemangku kebijakan. Selain itu, penggunaan model tunggal memiliki batasan operasional? Random Forest Regresi dapat memetakan pola non-linier namun rentan terhadap autokorelasi pada residu, sedangkan model ARIMA efektif dalam memodelkan komponen linier deret waktu namun kurang adaptif terhadap lonjakan data yang ekstrem. Oleh karena itu, penelitian ini menerapkan arsitektur hibrida Random Forest Regresi-ARIMA sekuensial yang dikombinasikan dengan teknik feature engineering. Proses rekayasa fitur menghasilkan 15 variabel turunan, meliputi efek jeda waktu (lag), rata-rata bergerak (rolling statistics), pola temporal, dan interaksi antarpolutan, yang diekstrak dari dataset Indeks Standar Pencemar Udara (ISPU) DKI Jakarta periode 2010–2025. Evaluasi menggunakan time-series cross-validation (5-fold) menunjukkan bahwa model hibrida yang diusulkan menghasilkan nilai Root Mean Square Error (RMSE) sebesar 13,4004. Nilai kesalahan prediksi tersebut lebih rendah jika dibandingkan dengan model ARIMA murni (RMSE 18,8432), Random Forest Regresi murni (RMSE 13,5717), serta algoritma komparasi XGBoost (RMSE 14,3307). Hasil studi ablasi menunjukkan bahwa integrasi fitur turunan berkontribusi dalam menurunkan nilai galat prediksi. Model ini juga dilengkapi dengan metode SHapley Additive exPlanations (SHAP) untuk menganalisis kontribusi setiap fitur terhadap hasil prediksi secara lebih transparan.
SISTEM REKOMENDASI SEKUENSIAL DENGAN TEMPORAL DYNAMICS MENGGUNAKAN MEKANISME SELF-ATTENTION DAN TEMPORAL PATTERN ATTENTION
Model sistem rekomendasi umumnya menganggap setiap interaksi mempunyai tingkat pengaruh yang sama sehingga hasil rekomendasi bersifat statis. Pada nyatanya, hasil rekomendasi diharapkan dapat menangkap perubahan pola perilaku user-item yang disebut sebagai temporal dynamics. Untuk menangani masalah tersebut, saat ini banyak dikembangkan sistem rekomendasi sekuensial yang dapat memodelkan barisan interaksi bergantung waktu (listwise). Tugas akhir ini mengembangkan model sistem rekomendasi sekuensial yang memperhatikan pola perubahan terhadap waktu dengan pendekatan mekanisme self-attention untuk pemrosesan sekuensial dan temporal pattern attention untuk memperhatikan pola perubahan temporal (time-invariant). Hasil tugas akhir ini diharapkan dapat memberikan pandangan baru bahwa perhatian yang relevan dapat lebih menghasilkan personalisasi terhadap perubahan dan perbedaan preferensi dalam sistem rekomendasi.