Skip to main content Skip to main navigation menu Skip to site footer
Articles
Published: 2022-12-30

A Neural Network Prediction of Ozone Level in Mataram City

Mataram University
##plugins.generic.jatsParser.article.authorBio##
×

Nurul Hikmah

Jurusan Matematika Terapan
Universitas Mataram
Universitas Mataram
air pollution artificial neural network backpropagation algorithm concentration of ozone pollutant prediction

Abstract

Ozone tropospher (O3) is one of the pollutants in the environment of Mataram City, Lombok, NTB, Indonesia. Based on the data obtained from the Agency of Environment and Forestry of West Nusa Tenggara Province, ozone pollutant concentrations in Mataram City have changed unpredictably. One time pollutant concentrations increase and then decrease, but then quickly increase again significantly. Therefore, the concentrations of ozone pollutant must be monitored because its presence at certain levels can cause various negative effects human health and the environment. Changes in ozone pollutant concentrations can be identified by carrying out a method of predicting ozone pollutant levels so that a decision can be taken to prevent the negative impact of the pollutant. In this research, a backpropagation artificial neural network is used to find the model prediction of the concentration of ozone in Mataram City. The input variables that are used in this network are air temperature (x_1 ), wind direction (x_2 ), wind speed (x_3 ), humidity (x_4 ), solar radiation (x_5 ), concentration of NO2 (x_6 ), the concentration of SO2 (x_7 ) and the concentration of O3 a day before (x_8 ) for the period of 6 July 2018 to 31 May 2019. The method in this study was to conduct trial and error on 60 different combinations of network architectures and parameters. Then all the network architectures performance will be compared based on the RMSE, MAPE and R2 indicators. Based on this research, the best neural network model to predict the concentration of ozone pollutant in Mataram City is the network with architecture 8-20-1, with logsig-purelin activation function and trainlm learning function. The performance of the training model is RMSE=0.011, MAPE = 1,043 % and R^2=0,9566. Meanwhile, the performance of the testing model is RMSE=0.001, MAPE = 0.749 % and R^2=0.497

References

  1. Ambarsari, N., 2015, Efek Radikal Hidroxyl (OH) dan Nitric Oxide (NO) dalam Reaksi Kimia Ozon di Atmosfer, Berita Dirgantara 16(2): 47-54.
  2. Aprianto, Y., Nurhasanah, dan Sanubary, I., 2018, Prediksi Kadar Partikulat (PM10) untuk Pemantauan Kualitas Udara Menggunakan Jaringan Syaraf Tiruan Studi Kasus Kota Pontianak, POSITRON 8(1): 15-20.
  3. Apriyana, Y., 2019, Studi Penggunaan Metode Jaringan Syaraf Tiruan Backpropagation untuk Menentukan Kematangan Buah Kopi, Skripsi, Jurusan Teknik Elektro Fakultas Teknik Universitas Lampung, Bandar Lampung.
  4. Arifien, N. F., Arifin, S., dan Widjiantoro, B. L., 2012, Prediksi Kadar Polutan Menggunakan Jaringan Syaraf Tiruan (JST) untuk Pemantauan Kualitas Udara di Kota Surabaya, Jurusan Teknik Fisika Fakultas Teknologi Industri Institut Teknologi Surabaya, Surabaya.
  5. Badieah, Gernowo, R., dan Surarsi, B., 2016, Metode Jaringan Syaraf Tiruan untuk Prediksi Performa Mahasiswa pada Pembelajaran Berbasis Problem Based Learning (PBL), Jurnal Sistem Informasi Bisnis 6(1): 46-58.
  6. Bahri, S., Syamsuddin, dan Hadijati, M., 2019, Model Wavelet Neural Network untuk Pemodelan Polusi Udara di Kota Mataram Lombok Nusa Tenggara Barat Indonesia, Dipresentasikan pada Seminar Nasional Matematika, Statistika, dan Aplikasinya, Terbitan I, 5 Oktober 2019, Samarinda, Indonesia.
  7. Direktorat Jenderal Pengendalian Pencemaran dan Kerusakan Lingkungan, 2018, Laporan Tahunan Direktorat Pengendalian Pencemaran Udara, Kementrian Lingkungan Hidup dan Kehutanan Republik Indonesia.
  8. Dinas Lingkungan Hidup dan Kehutanan Provinsi NTB, 2019, Data Parameter Meteorologis dan Konsentrasi Polutan di Kota Mataram, Mataram.
  9. Fagustina, A., Palgunasi Y. S., dan Wiharto, 2014, Pengaruh Fungsi Pembelajaran Terhadap Kinerja Pelatihan Jaringan Syaraf Tiruan Backpropagation Studi Kasus Indeks Harga Saham Gabungan di Bursa Efek Indonesia, Jurusan Informatika Universitas Sebelas Maret, Surakarta
  10. Gunaryati, A., dan Suhendra, A., 2015, Perbandingan Antara Metode Statistika dan Metode Neural Network Pada Model Peramalan Indeks Harga Perdagangan Besar, Jurnal Teknologi dan Rekayasa 20(1): 23-35.
  11. Imaduddin, M., 2017, Jaringan Syaraf Tiruan Berbasis Transformasi Wavelet untuk Memprediksi Tingkat Pencemaran Udara Suspended Particulate Matter di Kota Semarang, Skripsi, Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Semarang, Semarang.
  12. Jokic, A. I., Grahovac, J. A., Dodic, J. M., Zavargo, Z. Z., Dodic, S. N., Popov, S. D., and Vucurovic, D. G., 2011, Interpreting The Neural Network for Prediction of Fermentation of Thick Juice from Sugar Beet Processing, Acta Periodica Technologica (APTEFF) 42: 241-249.
  13. Kusumadewi, Felasufah, 2014. Peramalan Harga Emas Menggunakan Feedforward Neural Network dengan Algoritma Backpropagation, Skripsi, Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta, Yogyakarta.
  14. Mustafidah, H., Hakim, D. K., dan Sugiyanto, S., 2013, Tingkat Keoptimalan Algoritma Pelatihan pada Jaringan Syaraf Tiruan (Studi Kasus Prediksi Prestasi Belajar Mahasiswa), JUITA 2(3): 159-166.
  15. Octavianti, T. dan Utami, S. T. B., 2014, Faktor Risiko Kejadian Gangguan Pernapasan Akibat Ozon (O3) Udara Ambien di Kecamatan Jagakarsa Tahun 2014, Fakultas Kesehatan Masyarakat Universitas Indonesia, Jakarta.
  16. Olden, J. D., and Jackson, D. A., 2002, Illuminating the “Black Box”: A Randomization Approach for Understanding Variable Contributions in Artificial Neural Networks, Ecological Modeling 154: 135-150.
  17. Presiden Republik Indonesia, 1999, Peraturan Pemerintah Republik Indonesia Nomor 41 Tahun 1999 Tentang Pengendalian Pencemaran Udara, Indonesia.
  18. Salman, A. G., 2011, Implementasi Jaringan Syaraf Tiruan Recurrent dengan Metode Pembelajaran Gradient Descent Adaptive Learning Rate untuk Pendugaan Curah Hujan, Dipresentasikan pada Seminar Nasional Aplikasi Teknologi Informasi, Yogyakarta, 17-18 Juni 2011.
  19. Sari, Y. N., 2016, Jaringan Syaraf Tiruan Backpropagation untuk Memprediksi Luas Area Serangan Hama pada Tanaman Bawang, Skripsi, Jurusan Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Semarang, Semarang.
  20. Serlina, Yega, 2020, Pengaruh Faktor Meteorologi Terhadap Konsentrasi NO2 di Udara Ambien (Studi Kasus Bundaran Hotel Indonesia DKI Jakarta), Serambi Engineering V(3): 1228-1235.
  21. Siang, J. J., 2009, Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan MATLAB, ANDI, Yogyakarta.
  22. Wuryandari, M. D., 2012, Perbandingan Metode Jaringan Syaraf Tiruan Backpropagation dan Learning Vector Quantization pada Pengenalan Wajah, Jurnal Komputer dan Informatika (KOMPUTA) 1(1).