eprintid: 32638
rev_number: 7
eprint_status: archive
userid: 12
dir: disk0/00/03/26/38
datestamp: 2026-09-09 02:30:27
lastmod: 2026-09-09 02:30:27
status_changed: 2026-09-09 02:30:27
type: thesis
metadata_visibility: show
creators_name: Hartanto, David Budi
creators_nim: 23.55.2503
contributors_name: Kusrini, Kusrini
corp_creators: Universitas AMIKOM Yogyakarta
title: KOMPARASI METODE OPTIMASI PADA ALGORITMA
GAUSSIAN PROCESS REGRESSION DALAM PREDIKSI
KUALITAS UDARA
ispublished: pub
subjects: 000.000.000A
divisions: PJJ
full_text_status: public
keywords: Gaussian Process Regression, Optimasi Hiperparameter, Hyperparameter Optimization.
abstract: Kualitas 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.
date: 2026-01-07
date_type: published
institution: Universitas AMIKOM Yogyakarta
department: PJJ Magister Informatika
thesis_type: masters
thesis_name: tesis
citation:   Hartanto, David Budi  (2026) KOMPARASI METODE OPTIMASI PADA ALGORITMA GAUSSIAN PROCESS REGRESSION DALAM PREDIKSI KUALITAS UDARA.  S2 - Magister thesis, Universitas AMIKOM Yogyakarta.   
document_url: https://eprints.amikom.ac.id/id/eprint/32638/1/23.55.2503%20-%20David%20Budi%20Hartanto.pdf