Prediksi Polusi Udara menggunakan Hybrid Random Forest-XGBoost dan Stasiun Cuaca Berbasis IoT
Keywords:
Akurasi prediksi, Hybrid RF-XGBoost, polusi udara, seleksi fitur, stasiun cuacaAbstract
Dalam penelitian ini, model hibrida yang menggabungkan Random Forest (RF) dan Extreme Gradient Boosting (XGBoost) digunakan untuk memprediksi polusi udara melalui stasiun cuaca terintegrasi berbasis IoT. Stasiun cuaca ini dilengkapi dengan berbagai sensor, termasuk MQ-135, BMP280, dan DHT11, untuk mengukur kualitas udara, tekanan udara, suhu, dan kelembapan. Meskipun penelitian sebelumnya menggunakan Bidirectional Long Short-Term Memory (BiLSTM) karena kemampuannya dalam mengenali pola, penelitian ini mengusulkan pendekatan hibrida di mana RF digunakan untuk seleksi fitur guna mengidentifikasi parameter cuaca yang paling signifikan, dan XGBoost digunakan sebagai regressor utama untuk prediksi. Modifikasi ini bertujuan untuk meningkatkan interpretabilitas model dan efisiensi komputasi dengan tetap menjaga akurasi yang tinggi. Hasil evaluasi, berdasarkan metrik seperti RMSE, MAE, MAPE, dan R2, diharapkan menunjukkan bahwa model Hybrid RF-XGBoost mampu menghasilkan prediksi yang sangat akurat dengan tingkat kesalahan yang rendah. Studi ini menyarankan bahwa model hibrida memberikan alternatif yang kuat dan ringan untuk peramalan polusi udara secara real-time di lingkungan perkotaan.
References
Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32.
Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794.
Fahim, M., El Mhouti, A., Boudaa, T., & Jakimi, A. (2023). Modeling and implementation of a low-cost IoT-smart weather monitoring station and air quality assessment based on fuzzy inference model and MQTT protocol. Modeling Earth Systems and Environment, 9(4), 4085–4102. https://doi.org/10.1007/s40808-023-01701-w
Kim, B., Kim, E., Jung, S., Kim, M., J., & Kim, S. (2023). PM2.5 concentration forecasting using weighted Bi-LSTM and Random Forest feature importance-based feature selection. Atmosphere, 14(6). https://doi.org/10.3390/atmos14060968
Liu, X., et al. (2023). Prediction of lost circulation in Southwest Chinese oil fields applying improved WOA-BiLSTM. Processes, 11(9). https://doi.org/10.3390/pr11092763
Setyorini, Z. A. M., Nuha, H. H., Karimah, S. A., & Sailellah, H. R. P. (2026). Air pollution forecast using integrated weather stations and bidirectional long short-term memory method (BiLSTM). School of Computing, Telkom University.
Susanto, F., Prasiani, N. K., & Darmawan, P. (2022). Implementasi internet of things dalam kehidupan sehari-hari. Jurnal Imagine, 2(1), 35–40. https://doi.org/10.35886/imagine.v2i1.329
Wang, J., Li, J., & Yu, C. (2021). Air quality prediction based on random forest and XGBoost hybrid model. Journal of Environmental Management, 281.
