Detail Cantuman

PENERAPAN TEKNIK DROPOUT UNTUK MENGATASI OVERFITTING PADA MODEL FALNET-LSTM DALAM PREDIKSI KUALITAS UDARA PM2.5

LAZUARDI AKBAR SOPIAN / 152021019 - Personal Name
120240203 - Chalifa Chazar, S.T., M.T. - Personal Name
Text English 2025 Teknik Informatika : FTI

Kualitas udara yang dipengaruhi oleh tingginya konsentrasi PM2.5 masih menjadi tantangan serius dalam pembangunan sistem prediksi berbasis deep learning. Model Frequency-Aware Long Short-Term Memory (FALNet-LSTM) digunakan dalam penelitian ini karena kemampuannya memanfaatkan informasi temporal dan frekuensi untuk meningkatkan akurasi prediksi. Namun, seperti halnya model deep learning lain, FALNet-LSTM tetap berpotensi mengalami permasalahan overfitting. Oleh karena itu, penelitian ini menguji tiga skenario: FALNet-LSTM, FALNet-LSTM dengan Dropout, serta kombinasi Dropout dan Exponential Moving Average (EMA). Hasil penelitian menunjukkan bahwa model FALNet-LSTM baseline masih mengalami overfitting dengan nilai RMSE = 0,2169 dan R² = 0,0037. Penerapan Dropout (rate 0,2) mampu menekan overfitting, ditunjukkan oleh penurunan RMSE menjadi 0,2065 dan peningkatan R² menjadi 0,0800. Sementara itu, kombinasi Dropout dan EMA menghasilkan performa terbaik dengan RMSE = 0,1982, R² = 0,1805, serta akurasi prediksi sebesar 80,00%, lebih tinggi dibandingkan FALNet-LSTM saja (63,64%) maupun Dropout (76,92%). Dengan demikian, penelitian ini membuktikan bahwa Dropout efektif dalam mengurangi overfitting, sementara EMA berperan memperhalus data input sehingga prediksi konsentrasi PM2.5 menjadi lebih akurat.

Air quality affected by high PM2.5 concentrations remains a major challenge in developing deep learning-based prediction systems. The Frequency-Aware Long Short-Term Memory (FALNet-LSTM) model is employed in this study due to its ability to leverage both temporal and frequency-domain information to enhance prediction accuracy. However, similar to other deep learning models, FALNet-LSTM is still prone to overfitting. Therefore, this research evaluates three scenarios: baseline FALNet-LSTM, FALNet-LSTM with Dropout, and FALNet-LSTM with a combination of Dropout and Exponential Moving Average (EMA). The results indicate that the baseline FALNet-LSTM still experienced overfitting, with RMSE = 0.2169 and R² = 0.0037. The application of Dropout (rate 0.2) reduced overfitting, as evidenced by a decrease in RMSE to 0.2065 and an increase in R² to 0.0800. Meanwhile, the combination of Dropout and EMA achieved the best performance with RMSE = 0.1982, R² = 0.1805, and a prediction accuracy of 80.00%, outperforming both baseline FALNet-LSTM (63.64%) and Dropout alone (76.92%). These findings demonstrate that Dropout is effective in mitigating overfitting, while EMA serves to smooth input data, thereby improving the accuracy of PM2.5 concentration predictions.

Ketersediaan

LOADING LIST...

Lampiran Berkas

LOADING LIST...

Detail Information

Bagian	Informasi
Pengarang	LAZUARDI AKBAR SOPIAN / 152021019 - Personal Name 120240203 - Chalifa Chazar, S.T., M.T. - Personal Name
No. Panggil	881IF/25
Subyek	FALNet-LSTM, Dropout Exponential Moving Average, Overfitting, PM2.5
Fakultas	FTI
Tahun Terbit	2025
Jurusan	Teknik Informatika
Deskripsi Fisik
Info Detil Spesifik

Citation

APA Style

. (2025).PENERAPAN TEKNIK DROPOUT UNTUK MENGATASI OVERFITTING PADA MODEL FALNET-LSTM DALAM PREDIKSI KUALITAS UDARA PM2.5().Teknik Informatika:FTI

Chicago Style

.PENERAPAN TEKNIK DROPOUT UNTUK MENGATASI OVERFITTING PADA MODEL FALNET-LSTM DALAM PREDIKSI KUALITAS UDARA PM2.5().Teknik Informatika:FTI,2025.Text

MLA Style

.PENERAPAN TEKNIK DROPOUT UNTUK MENGATASI OVERFITTING PADA MODEL FALNET-LSTM DALAM PREDIKSI KUALITAS UDARA PM2.5().Teknik Informatika:FTI,2025.Text

Turabian Style

.PENERAPAN TEKNIK DROPOUT UNTUK MENGATASI OVERFITTING PADA MODEL FALNET-LSTM DALAM PREDIKSI KUALITAS UDARA PM2.5().Teknik Informatika:FTI,2025.Text

Detail Cantuman

PENERAPAN TEKNIK DROPOUT UNTUK MENGATASI OVERFITTING PADA MODEL FALNET-LSTM DALAM PREDIKSI KUALITAS UDARA PM2.5

Detail Information

Citation

Homepage Info

Koleksi

Media Sosial / Kanal

Address