KOMPARASI METODE OPTIMASI PADA ALGORITMA GAUSSIAN PROCESS REGRESSION DALAM PREDIKSI KUALITAS UDARADavid BudiHartantoauthorKualitas udara merupakan salah satu indikator penting dalam menjaga kesehatan masyarakat dan lingkungan, sehingga diperlukan metode prediksi yang akurat untuk mendukung pengambilan keputusan. Penelitian ini bertujuan untuk mengevaluasi performa algoritma Gaussian Process Regression (GPR) dalam memprediksi kualitas udara dengan menerapkan optimasi hiperparameter menggunakan Genetic Algorithm (GA) dan Grid Search. Dataset yang digunakan terdiri dari beberapa parameter polutan udara, yang kemudian diproses melalui tahapan praproses data dan pembagian data menjadi data training, validation, dan test. Proses optimasi hiperparameter dilakukan dengan menyesuaikan parameter kernel GPR, yaitu constant kernel, length-scale pada Radial Basis Function (RBF), dan noise level pada WhiteKernel. Evaluasi performa model dilakukan menggunakan metrik koefisien korelasi (R), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), dan Mean Absolute Percentage Error (MAPE). Hasil penelitian menunjukkan bahwa baik Genetic Algorithm mampu menghasilkan performa prediksi yang konsisten dan stabil, dengan nilai R sekitar 0,918 serta RMSE, MAE, dan MAPE yang lebih baik di bandigkan algoritma yang lainnya. Hasil proses optimasi mampu menghasilkan konfigurasi kernel yang lebih optimal dan stabil secara sistematis. Dari sisi waktu komputasi, Grid Search menunjukkan waktu eksekusi yang lebih lama dibandingkan Genetic Algorithm, sementara Genetic Algorithm menawarkan fleksibilitas pencarian yang lebih adaptif terhadap ruang solusi yang luas. Dengan demikian, penelitian ini menunjukkan bahwa optimasi hiperparameter memberikan kontribusi penting dalam meningkatkan kualitas dan keandalan model GPR untuk prediksi kualitas udara.000 Ilmu komputer, informasi dan pekerjaan umum2026-01-07Universitas AMIKOM Yogyakarta;PJJ Magister InformatikaThesis