IMPLEMENTASI ALGORITMA LONG SHORT TERM MEMORY UNTUK PREDIKSI TERHADAP KUALITAS UDARA
Kualitas udara yang buruk menjadi masalah serius yang mempengaruhi kesehatan manusia dan lingkungan. Penyebabnya bervariasi, termasuk polusi udara, emisi industri, dan aktivitas manusia. Masalah yang dibahas adalah bagaimana menggunakan metode Long Short-Term Memory untuk memprediksi kualitas udara. Data kualitas udara yang mencakup parameter yang digunakan yaitu Partikel Kasar (PM10), Sulfur dioksida (SO), Karbon monoksida (CO), Ozon (O3) Nitrogen dioksida (NO2) serta penambahan Partikel Halus (PM2.5) yang belum terdapat pada penelitian sebelumnya. Penggunaan metode LSTM jenis khusus dari model Recurrent Neural Network (RNN), yang dirancang untuk mengatasi masalah "vanishing gradient" yang sering muncul dalam pelatihan RNN tradisional. Salah satu keunggulan LSTM adalah kemampuannya untuk menangkap dependensi jarak jauh dalam data berurutan, yang berarti dapat "mengingat" informasi dalam jangka waktu yang lama. Dengan melakukan evaluasi data pengujian menggunakan metrik evaluasi Root Mean Squared Error dengan hasil 4.0279.
APA Style
. (2023).IMPLEMENTASI ALGORITMA LONG SHORT TERM MEMORY UNTUK PREDIKSI TERHADAP KUALITAS UDARA ().Teknik Informatika:FTI
Chicago Style
.IMPLEMENTASI ALGORITMA LONG SHORT TERM MEMORY UNTUK PREDIKSI TERHADAP KUALITAS UDARA ().Teknik Informatika:FTI,2023.Text
MLA Style
.IMPLEMENTASI ALGORITMA LONG SHORT TERM MEMORY UNTUK PREDIKSI TERHADAP KUALITAS UDARA ().Teknik Informatika:FTI,2023.Text
Turabian Style
.IMPLEMENTASI ALGORITMA LONG SHORT TERM MEMORY UNTUK PREDIKSI TERHADAP KUALITAS UDARA ().Teknik Informatika:FTI,2023.Text
