SISTEM PREDIKSI GAS BUANG KENDARAAN MULTIVARIATE MENGGUNAKAN MACHINE LEARNING PADA AREA HALTE BUS TRANS YOGYAKARTA

Di perkotaan, polusi udara merupakan masalah yang umum terjadi. Menurut Program Lingkungan Perserikatan Bangsa-Bangsa (UNEP), kualitas udara yang buruk merenggut nyawa 6,5 juta orang setiap tahunnya. Tujuh puluh persen kematian tersebut terjadi di Asia Pasifik, termasuk Indonesia. Tidak dapat disangkal bahwa kota-kota besar di Indonesia memiliki kualitas udara yang paling buruk. Jakarta sebelumnya menduduki peringkat kota paling tercemar di dunia berdasarkan Laporan Kualitas Udara Dunia 2019 dari IQAir. Menurut Frank Hammes, CEO IQAir, ancaman terbesar terhadap kesehatan manusia semakin berkembang menjadi polusi udara. Faktanya, 90% orang di dunia kini menghirup udara berbahaya. Karbon dioksida yang terdapat pada emisi gas buang kendaraan merupakan salah satu faktor yang mempengaruhi tingkat kualitas udara. Polusi udara, menurut Encyclopedia Britannica, adalah hasil pelepasan gas, aerosol cair, dan padatan halus ke atmosfer lebih cepat dibandingkan dengan pelepasannya secara alami dari atmosfer. Sumber utama emisi polutan ini adalah knalpot mobil dan truk yang menggunakan bahan bakar fosil seperti bensin dan solar. Tujuh puluh persen polusi udara disebabkan oleh kontaminan ini. Emisi gas buang mesin pembakaran internal adalah produk sampingan dari pembakaran. Sistem pembuangan adalah tempat pembuangan polutan ini. Banyak komponen kimia, termasuk air (H2O), karbon monoksida (CO), karbon dioksida (CO2), nitrogen dioksida (NO2), dan hidrokarbon (HC), ditemukan dalam emisi gas buang. Empat elemen lainnya selain air memiliki dampak buruk terhadap lingkungan dan kesehatan manusia. Meski demikian, masih banyak orang yang salah menilai dampak buruk asap knalpot mobil terhadap kesehatan. Oleh karena itu, tujuan penelitian ini adalah memperkirakan emisi gas buang kendaraan di udara menggunakan pembelajaran mesin, strategi pembelajaran mesin terbaik, dan model pembelajaran mesin paling efisien. Memori Jangka Pendek Panjang (LSTM), Regresi Vektor Dukungan kernel (SVR), dan metode pengujian yang menggunakan grafik hasil dan nilai R2, MAE, RMSE, dan MSE adalah pendekatan pembelajaran mesin yang digunakan. Untuk mencari pemodelan terbaik, dilakukan sejumlah percobaan dengan kombinasi parameter Hidden Neuron, Max Epoch, dan Batch Size. Dengan rasio pemodelan neuron tersembunyi sebesar enam, epoch maksimum 250, dan ukuran batch 150, hasilnya menunjukkan bahwa LSTM merupakan teknik paling efektif untuk memperkirakan jumlah gas buang kendaraan. Hasil pendekatan LSTM adalah R2 = 0,982, MAE = 0,649, RMSE = 1,042, dan MSE = 1,087.