Detail Cantuman

PREDIKSI KATEGORI KUALITAS UDARA MENGGUNAKAN MODEL PATCHTST (TIME SERIES TRANSFORMER)

ALFALERY ADY PUTRA / 152021214 - Personal Name
120240203 - Chalifa Chazar, S.T., M.T. - Personal Name
Text English 2025 Teknik Informatika : FTI

Prakiraan kategori kualitas udara diperlukan untuk manajemen dampak polusi. Penelitian ini menerapkan arsitektur Patch Time Series Transformer (PatchTST) untuk memprediksi kategori Indeks Standar Pencemar Udara (ISPU) dalam skema multi-horizon. Menggunakan dataset historis polusi udara dari Bandung, model dilatih dan dievaluasi untuk memprediksi kategori kualitas udara
pada lima horizon waktu: 1, 3, 6, 12, dan 24 jam ke depan. Hasil evaluasi menunjukkan kinerja model dipengaruhi oleh panjang horizon prediksi. Akurasi tertinggi dicapai pada horizon 1 jam (87.01%), dan menurun seiring bertambahnya horizon, yaitu 77.49% (3 jam), 71.24% (6 jam), 63.76% (12 jam), dan 61.00% (24
jam). Hal ini mengindikasikan adanya peningkatan ketidakpastian pada prediksi jangka panjang. Analisis interpretasi model menunjukkan adanya pergeseran pada variabel polutan yang paling berpengaruh. Untuk prediksi jangka pendek (1-
6 jam), polutan partikulat (PM2.5 dan PM10) menjadi prediktor dengan pengaruh tertinggi. Namun, untuk prediksi jangka panjang (12-24 jam), polutan gas SO2 menjadi fitur yang paling berpengaruh. Temuan ini mengindikasikan bahwa model
mengidentifikasi polutan dengan fluktuasi cepat sebagai prediktor utama untuk jangka pendek, sementara polutan yang lebih persisten menjadi prediktor utama
untuk jangka panjang. Penelitian ini menyajikan penerapan model Transformer untuk klasifikasi deret waktu multi-horizon dan memberikan informasi mengenai polutan berpengaruh pada skala waktu yang berbeda.

Forecasting air quality categories is necessary for managing pollution
impacts. This research implements the Patch Time Series Transformer (PatchTST)
architecture to predict Air Pollution Standard Index (ISPU) categories in a multihorizon
scheme. Using a historical air pollution dataset from Bandung, the model
was trained and evaluated to predict air quality categories at five different time
horizons: 1, 3, 6, 12, and 24 hours ahead.The evaluation results show that model
performance is influenced by the length of the prediction horizon. The highest
Accuracy was achieved at the 1-hour horizon (87.01%) and decreased as the
horizon extended: 77.49% (3-hour), 71.24% (6-hour), 63.76% (12-hour), and
61.00% (24-hour). This indicates an increase in uncertainty for long-term
predictions. Model interpretability analysis reveals a shift in the most influential
pollutant variables. For short-term predictions (1-6 hours), particulate pollutants
(PM2.5 and PM10) were the predictors with the highest influence. However, for
long-term predictions (12-24 hours), the gaseous pollutant SO2 became the most
influential feature. This finding indicates that the model identifies pollutants with
rapid fluctuations as primary predictors for the short term, while more persistent
pollutants become the main predictors for the long term. This research presents the
application of a Transformer model for multi-horizon time series Classification and
provides information on influential pollutants at different time scales.

Ketersediaan

LOADING LIST...

Lampiran Berkas

LOADING LIST...

Detail Information

Bagian	Informasi
Pengarang	ALFALERY ADY PUTRA / 152021214 - Personal Name 120240203 - Chalifa Chazar, S.T., M.T. - Personal Name
No. Panggil	905IF/25
Subyek	Kualitas Udara, Prediksi Deret Waktu, Transformer PatchTST, Klasifikasi Multi-Horizon, Interpretasi Interpretasi Model Air Quality, Time Series Forecasting Multi- Horizon Classification, Model Interpretabil Model Interpretability
Fakultas	FTI
Tahun Terbit	2025
Jurusan	Teknik Informatika
Deskripsi Fisik
Info Detil Spesifik

Citation

APA Style

. (2025).PREDIKSI KATEGORI KUALITAS UDARA MENGGUNAKAN MODEL PATCHTST (TIME SERIES TRANSFORMER)().Teknik Informatika:FTI

Chicago Style

.PREDIKSI KATEGORI KUALITAS UDARA MENGGUNAKAN MODEL PATCHTST (TIME SERIES TRANSFORMER)().Teknik Informatika:FTI,2025.Text

MLA Style

.PREDIKSI KATEGORI KUALITAS UDARA MENGGUNAKAN MODEL PATCHTST (TIME SERIES TRANSFORMER)().Teknik Informatika:FTI,2025.Text

Turabian Style

.PREDIKSI KATEGORI KUALITAS UDARA MENGGUNAKAN MODEL PATCHTST (TIME SERIES TRANSFORMER)().Teknik Informatika:FTI,2025.Text

Detail Cantuman

PREDIKSI KATEGORI KUALITAS UDARA MENGGUNAKAN MODEL PATCHTST (TIME SERIES TRANSFORMER)

Detail Information

Citation

Homepage Info

Koleksi

Media Sosial / Kanal

Address