UMMUMM
KOMTIKAKOMTIKAPeningkatan emisi karbon dioksida (CO₂) secara global telah menjadi perhatian utama dalam studi perubahan iklim. Penelitian ini bertujuan untuk membandingkan kinerja dua algoritma machine learning, yaitu Support Vector Regression (SVR) dan XGBoost, dalam memprediksi tren emisi CO₂ global berdasarkan data historis. Dataset yang digunakan mencakup variabel terkait seperti konsumsi energi, produk domestik bruto (PDB), dan populasi, yang diperoleh dari sumber data terbuka seperti Our World in Data. SVR dioptimasi melalui pencarian grid untuk mendapatkan parameter terbaik, sementara XGBoost digunakan sebagai pembanding utama karena kemampuannya dalam menangani relasi non-linear dan interaksi antar fitur. Evaluasi model dilakukan menggunakan metrik MAE, RMSE, dan R². Hasil menunjukkan bahwa XGBoost secara signifikan lebih unggul dengan MAE sebesar 1745,70 dan RMSE sebesar 2663,18 serta nilai R² sebesar 0,93, dibandingkan SVR yang memiliki MAE sebesar 5476,54, RMSE 8153,37 dan R² sebesar 0,82. Visualisasi hasil prediksi juga mengindikasikan bahwa XGBoost lebih akurat dalam mengikuti pola fluktuasi data aktual, terutama dalam mendeteksi perubahan tajam. Temuan ini menyarankan bahwa XGBoost merupakan metode yang lebih tepat untuk digunakan dalam peramalan emisi CO₂ pada konteks global yang kompleks dan non-linear.
Penelitian ini menunjukkan bahwa model XGBoost memiliki performa yang lebih baik dibandingkan Support Vector Regression (SVR) dalam meramalkan emisi CO₂ global.Hal ini dibuktikan dari nilai MAE dan RMSE yang lebih rendah serta R² yang lebih tinggi, yang mengindikasikan akurasi dan kemampuan generalisasi XGBoost yang lebih unggul.Selain itu, XGBoost mampu mengikuti pola tren dan fluktuasi data aktual dengan lebih baik, sementara SVR cenderung kurang responsif terhadap perubahan tajam meskipun telah dioptimasi dengan Grid Search.Mengingat kompleksitas dan sifat non-linear data emisi CO₂, XGBoost direkomendasikan sebagai metode yang lebih efektif dan efisien untuk peramalan dalam penelitian ini.
Berdasarkan hasil penelitian, berikut adalah saran-saran penelitian lanjutan yang dapat dilakukan: Pertama, perlu dilakukan analisis lebih lanjut mengenai faktor-faktor yang mempengaruhi emisi CO₂ global, seperti kebijakan energi dan gangguan ekonomi, untuk memahami dinamika emisi secara lebih mendalam. Kedua, penelitian dapat fokus pada pengembangan model XGBoost yang lebih canggih, seperti menggunakan teknik ensemble atau deep learning, untuk meningkatkan akurasi dan kemampuan generalisasi model dalam memprediksi emisi CO₂. Ketiga, penelitian dapat mengeksplorasi penggunaan data spasial dan temporal yang lebih detail, seperti data resolusi tinggi atau data satelit, untuk meningkatkan kualitas data input dan akurasi prediksi. Dengan demikian, penelitian lanjutan dapat memberikan kontribusi yang lebih besar dalam upaya mitigasi perubahan iklim dan peramalan emisi CO₂ secara global.
- Perbandingan Kinerja SVR dan XGBoost untuk Peramalan Emisi COâ‚‚ Global berbasis Machine... doi.org/10.31603/komtika.v9i1.13449Perbandingan Kinerja SVR dan XGBoost untuk Peramalan Emisi COyAoAo Global berbasis Machine doi 10 31603 komtika v9i1 13449
- Client Challenge. client challenge javascript disabled browser please enable proceed required part site... doi.org/10.1007/s11356-024-35764-8Client Challenge client challenge javascript disabled browser please enable proceed required part site doi 10 1007 s11356 024 35764 8
- Analisis Algoritma Logistic Regression dan Support Vector Machine pada Kasus Klasifikasi Citra Hewan... jurnal.itscience.org/index.php/dsi/article/view/4433Analisis Algoritma Logistic Regression dan Support Vector Machine pada Kasus Klasifikasi Citra Hewan jurnal itscience index php dsi article view 4433
- IMPLEMENTASI DATA MINING DALAM PREDIKSI HARGA SAHAM BBNI DENGAN PEMODELAN MATEMATIKA MENGGUNAKAN METODE... jurnal.stkippersada.ac.id/jurnal/index.php/jutech/article/view/4137IMPLEMENTASI DATA MINING DALAM PREDIKSI HARGA SAHAM BBNI DENGAN PEMODELAN MATEMATIKA MENGGUNAKAN METODE jurnal stkippersada ac jurnal index php jutech article view 4137
| File size | 510.86 KB |
| Pages | 8 |
| DMCA | Report |
Related /
UMMUMM Hasil menunjukkan bahwa XGBoost mencapai performa prediktif tertinggi (F1-score: 0,93; AUC: 0,99), diikuti oleh Random Forest (F1-score: 0,91; AUC: 0,98)Hasil menunjukkan bahwa XGBoost mencapai performa prediktif tertinggi (F1-score: 0,93; AUC: 0,99), diikuti oleh Random Forest (F1-score: 0,91; AUC: 0,98)
UMMUMM Evaluasi performa dilakukan menggunakan tiga metrik utama, yaitu RMSE, MAE, dan MAPE. Hasil menunjukkan bahwa Stacking Hybrid secara konsisten memilikiEvaluasi performa dilakukan menggunakan tiga metrik utama, yaitu RMSE, MAE, dan MAPE. Hasil menunjukkan bahwa Stacking Hybrid secara konsisten memiliki
UMMUMM Hasil menunjukkan bahwa filter median secara konsisten memberikan performa terbaik pada ketiga jenis noise, dengan nilai MSE terendah sebesar 7,007 danHasil menunjukkan bahwa filter median secara konsisten memberikan performa terbaik pada ketiga jenis noise, dengan nilai MSE terendah sebesar 7,007 dan
UnmulUnmul Hasil penelitian menunjukkan bahwa variabel seperti jumlah kasus baru, kepadatan penduduk, dan jumlah fasilitas kesehatan memiliki pengaruh signifikanHasil penelitian menunjukkan bahwa variabel seperti jumlah kasus baru, kepadatan penduduk, dan jumlah fasilitas kesehatan memiliki pengaruh signifikan
UnmulUnmul Universitas Nahdlatul Ulama Kalimantan Timur menghadapi tantangan dalam menjaga stabilitas web server untuk layanan informasi dan system akademik. PeningkatanUniversitas Nahdlatul Ulama Kalimantan Timur menghadapi tantangan dalam menjaga stabilitas web server untuk layanan informasi dan system akademik. Peningkatan
UnmulUnmul Hasil dari penelitian ini adalah terbentuknya Sistem Informasi Monitoring Evaluasi untuk Program Probebaya Berbasis Web di Kota Samarinda yang telah menjadiHasil dari penelitian ini adalah terbentuknya Sistem Informasi Monitoring Evaluasi untuk Program Probebaya Berbasis Web di Kota Samarinda yang telah menjadi
UMMUMM Aplikasi ini diharapkan menjadi solusi inovatif dalam penyampaian informasi di lingkungan pesantren secara lebih menarik, efisien, dan mudah diakses. HasilAplikasi ini diharapkan menjadi solusi inovatif dalam penyampaian informasi di lingkungan pesantren secara lebih menarik, efisien, dan mudah diakses. Hasil
UnmulUnmul Perancangan jaringan ini menggunakan Cisco Packet Tracer dan menggunakan topology hybrid. Dengan data observasi dan wawancara, penelitian menunjukkan bahwaPerancangan jaringan ini menggunakan Cisco Packet Tracer dan menggunakan topology hybrid. Dengan data observasi dan wawancara, penelitian menunjukkan bahwa
Useful /
UMMUMM Penelitian ini membuktikan bahwa model SVM dengan penerapan teknik resampling mampu memberikan kinerja yang cukup baik dalam analisis sentimen ulasan penggunaPenelitian ini membuktikan bahwa model SVM dengan penerapan teknik resampling mampu memberikan kinerja yang cukup baik dalam analisis sentimen ulasan pengguna
UMMUMM Desain antarmuka yang dihasilkan, meliputi halaman beranda, peta destinasi, detail misi, check-in, dan leaderboard, mampu mengakomodasi aspek Mechanics,Desain antarmuka yang dihasilkan, meliputi halaman beranda, peta destinasi, detail misi, check-in, dan leaderboard, mampu mengakomodasi aspek Mechanics,
UMMUMM Temuan ini menunjukkan keefektifan teknik yang digunakan, seperti arsitektur CNN, prapemrosesan data (normalisasi dan augmentasi), dan strategi pelatihanTemuan ini menunjukkan keefektifan teknik yang digunakan, seperti arsitektur CNN, prapemrosesan data (normalisasi dan augmentasi), dan strategi pelatihan
LPPMDIANHUSADALPPMDIANHUSADA Adapun tujuan dari pelaksanaan pengabdian masyarakat ini adalah untuk memanfaatkan kotoran hewan ternak menjadi biogas dalam upaya menurunkan prevalensiAdapun tujuan dari pelaksanaan pengabdian masyarakat ini adalah untuk memanfaatkan kotoran hewan ternak menjadi biogas dalam upaya menurunkan prevalensi