PRAMUDIANZAH, EKA (2022) KOMPARASI METODE REGRESI LINEAR DAN REGRESI RANDOM FOREST TERHADAP VOLUME PENGANGKUTAN SAMPAH. S1 thesis, Universitas Mercu Buana Jakarta.
|
Text (HAL COVER)
01 Cover.pdf Download (3MB) | Preview |
|
|
Text (ABSTRAK)
02 Abstrak.pdf Download (23kB) | Preview |
|
![[img]](https://repository.mercubuana.ac.id/style/images/fileicons/text.png) |
Text (BAB I)
03 Bab 1.pdf Restricted to Registered users only Download (117kB) |
|
|
Text (BAB II)
04 Bab 2.pdf Restricted to Registered users only Download (114kB) |
|
|
Text (BAB III)
05 Bab 3.pdf Restricted to Registered users only Download (188kB) |
|
|
Text (BAB IV)
06 Bab 4.pdf Restricted to Registered users only Download (127kB) |
|
|
Text (BAB V)
07 Bab 5.pdf Restricted to Registered users only Download (283kB) |
|
|
Text (BAB VI)
08 Bab 6.pdf Restricted to Registered users only Download (566kB) |
|
|
Text (DAFTAR PUSTAKA)
09 Daftar Pustaka.pdf Restricted to Registered users only Download (81kB) |
|
|
Text (LAMPIRAN)
10 Lampiran.pdf Restricted to Registered users only Download (443kB) |
Abstract
The waste problem in Jakarta Province is still the main problem that has not been resolved quite well due to various factors such as the population, which continues to increase every year so that the tonnage of waste also increases as well as the factor of residents who are still indifferent against waste issues. For this reason, this research was carried out by utilizing two machine learning algorithms, i.e.: Linear Regression and Random Forest Regression. The main aim is to predict the transportation of waste in Jakarta's rivers and analyze the performance of the machine learning algorithms. Experiments are carried out on the waste transport volume data from January to June 2021, with and without considering the outlier values in the dependent variable. Experimental results show that May is the month that has a pretty good predictive performance compared to the other five months. On the algorithm performances, Random Forest Regression provides a low error value compared to Linear Regression, i.e.: 0.82 for the mean absolute error and 0.81 for the mean squared error. Key words: Waste Transportation, Machine Learning, Linear Regression, Random Forest Regression Masalah sampah di Provinsi DKI Jakarta masih menjadi masalah utama yang belum terselesaikan dengan cukup baik karena berbagai faktor seperti jumlah penduduk Jakarta yang terus meningkat setiap tahunnya sehingga tonase sampah juga meningkat serta faktor masyarakat Jakarta yang masih acuh terhadap masalah sampah. Untuk itu, penelitian ini dilakukan dengan menggunakan algoritma machine learning. Penelitian ini bertujuan untuk memprediksi pengangkutan sampah di sungai-sungai Jakarta dan menganalisis kinerja algoritma pembelajaran mesin. Algoritma pembelajaran mesin yang digunakan adalah regresi linier dan regresi hutan acak. Prediksi dilakukan dengan menggunakan data volume pengangkutan sampah dari bulan Januari hingga Juni 2021 yang dibedakan berdasarkan penggunaan nilai outliers di dalam variabel dependen. Hasil penelitian menunjukkan bahwa bulan Mei merupakan bulan yang memiliki kinerja prediksi yang cukup baik dibandingkan dengan lima bulan lainnya. Namun, berdasarkan performa algoritma maka regresi random forest menghasilkan nilai prediksi yang rendah dibandingkan dengan regresi linier karena nilai prediksi dari algoritma regresi random forest sebesar 0,82 untuk mean absolute error dan 0,81 untuk mean squared error. Kata kunci: Pengangkutan Volume Sampah, Machine Learning, Regresi Linear, Regresi Random Forest
Actions (login required)
 |
View Item |
