Implementasi Metode Artificial Neural Network (ANN) Algoritma Backpropagation untuk Klasifikasi Kualitas Udara di Provinsi DKI Jakarta Tahun 2021
Abstract
Abstract. Classification is the systematic division of an individual into a group or category according to established rules or standards. There are several classification algorithms that can be used to classify data, including logistic regression, discriminant analysis, and Artificial Neural Network (ANN). This study uses an Artificial Neural Network (ANN) classification algorithm because the data used is not normally distributed. ANN is a classification algorithm that is widely used for character recognition problems and is a strong classifier because of its high calculation rate and accuracy. In this thesis, ANN is implemented on air quality classification data for DKI Jakarta in 2021 with particulate (PM10), sulfide (SO2), carbon monoxide (CO), Ozone (O3), and nitrogen dioxide (NO2) variables. This method will be calculated based on the accuracy, precision, and recall values obtained from the confused matrix. The most optimal classification results are obtained from the network architecture, which consists of 5 input layers, 4 hidden layers, and 2 output layers with an epoch value of 5000 and a learning rate of 0.001. The network architecture produces an accuracy value of 94%, a precision of 90%, and a recall of 100%.
Abstrak. Klasifikasi adalah pembagian sistematis dari sebuah individu ke dalam suatu kelompok atau kategori menurut aturan atau standar yang ditetapkan. Terdapat beberapa algoritma klasifikasi yang dapat digunakan dalam mengklasifikasi data, diantaranya regresi logistik, analisis diskriminan, dan Artificial Neural Network (ANN). Penelitian ini menggunakan algoritma klasifikasi Artificial Neural Network (ANN) karena data yang digunakan tidak berdistribusi normal. ANN merupakan salah satu algoritma klasifikasi yang banyak digunakan untuk masalah pengenalan karakter dan merupakan classifier yang kuat karena tingkat perhitungan dan keakuratannya yang tinggi. Pada skripsi ini, ANN diimplementasikan pada data klasifikasi kualitas udara DKI Jakarta Tahun 2021 dengan variabel partikulat (PM10), sulfida (SO2), karbon monoksida (CO), Ozon (O3), dan nitrogen dioksida (NO2). Metode tersebut akan dihitung berdasarkan ukuran nilai accuracy, precision, dan recall yang didapat dari confusion matrix. Hasil pengklasifikasian yang paling optimal didapat dari arsitektur jaringan yang terdiri dari 5 input layer, 4 hidden layer, dan 2 output layer dengan nilai epoch 5000 dan learning rate 0.001. Arsitektur jaringan tersebut menghasilkan nilai accuracy sebesar 94%, precision sebesar 90%, dan recall sebesar 100%.
References
Ordukaya, E., & Karlik, B. (2017). Quality Control of Olive Oils Using Machine Learning and Electronic Nose. Journal of Food Quality, 2017.
Effendi, A. (2013). Penggunaan Artificial Neural Network untuk Mendeteksi Kelainan Mata Miopi pada Manusia dengan Metode Backpropagation.
Tambun, M. S., Furqon, M. T., & Widodo, A. W. (2018). Penerapan Algoritme Jaringan Syaraf Tiruan Backpropagation pada Pengklasifikasian Status Gizi Balita.
Aini, D. H. N. (2022). Implementasi Artificial Neural Network dengan Algoritma Backpropagation untuk Klasifikasi Penilaian Rating pada Penjualan Blackmores di Tokopedia. Braz Dent J., 33(1), 1–12.
Nadhira. (2018). Algoritma Backpropogation Klasifikasi Artikel Ekonomi Fashion dan Ekonomi Film.
Novita, D. D., Sesunan, A. B., Telaumbanua, M., Triyono, S., & Saputra, T. W. (2021). Identifikasi Jenis Kopi Menggunakan Sensor E-Nose Dengan Metode Pembelajaran Jaringan Syaraf Tiruan Backpropagation. Jurnal Ilmiah Rekayasa Pertanian Dan Biosistem.
Al Rivan, M. E., Rachmat, N., & Rizki Ayustin, M. (2020). Klasifikasi Jenis Kacang-Kacangan Berdasarkan Tekstur Menggunakan Jaringan Syaraf Tiruan. Jurnal Komputer Terapan.
Kusnandar, M. (2020). Permen LHK Nomor 14 Tahun 2020. Permen LHK Nomor 14 Tahun 2020 Tentang Indeks Standar Pencemar Udara (ISPU).
Yunial, agus heri. (2020). Analisa Perbandingan Algoritma Klasifikasi Support Vector Machine, Decession Tree Dan Naive Bayes. Prosiding Seminar Informatika Dan Sistem Informasi, 5(2), 138–156.
Julpan, Nababan, E. B., & Zarlis, M. (2015). Analisis Fungsi Aktivasi Sigmoid Biner dan Sigmoid Bipolar dalam Algoritma Backpropagation pada Prediksi Kemampuan Siswa. Jurnal Teknovasi, 02, 103–116.
Retnowardhani, Astari & Ramdani, Tiswa. (2019). “Apakah Deep Learning?”. Binus University, mmsi.binus.ac.id/2019/11/26/apakah-deep-learning/. Diakses pada 29 Mei 2023.
Perdana, Rizal Setya. (2017). Pengukuran Akurasi Menggunakan Precision dan Recall. Medium, https://rizalespe.com/pengukuran-akurasi-menggunakan-precision-dan-recall-71c04988e6ab. Diakses pada 6 Juli 2023.
Utami, Aprilia T.W; Ulama, B. S. S. (2015). Penerapan Backpropagation untuk Meningkatkan Efektivitas Waktu dan Akurasi pada Data. 4(2).
Bohari, A. R. (2022). Meningkatkan Kinerja Backpropagation Neural Network Menggunakan Algoritma Adaptif. IMTechno: Journal of Industrial Management and Technology.
Brian, T. (2017). Analisis Learning Rates Pada Algoritma Backpropagation Untuk Klasifikasi Penyakit Diabetes. Edutic - Scientific Journal of Informatics Education, 3(1).
Sari, E. Y., Kusrini, & Sutoyo, A. (2019). Analisis Jaringan Syaraf Tiruan dengan Backpropagation untuk Prediksi Mahasiswa Dropout. Citec Journal, 6(2).
Muhammad Rizq Nafisyah Alam, & Aceng Komarudin Mutaqin. (2023). Pemodelan Distribusi Poisson-Sujatha pada Data Frekuensi Klaim Asuransi Kendaraan Bermotor di Indonesia. Jurnal Riset Statistika, 71–78. https://doi.org/10.29313/jrs.v3i1.1944
