Ensembel Bertumpuk Berbasis Pohon dengan Meta-Learner Ridge untuk Peramalan Konsentrasi NOx dari Sensor IoT

Abstract

Peningkatan aktivitas transportasi dan industri menyebabkan konsentrasi nitrogen oksida (NOx) di udara semakin sulit diprediksi karena pola perubahannya bersifat dinamis, nonlinier, dan dipengaruhi oleh kondisi lingkungan. Penelitian ini bertujuan menerapkan model stacked regression untuk memprediksi konsentrasi NOx berbasis data sensor kualitas udara dari UCI Machine Learning Repository. Tahapan penelitian meliputi prapemrosesan data, konversi nilai missing value, pencegahan data leakage, rekayasa peubah temporal, pembagian data berbasis deret waktu, pelatihan model, evaluasi performa, serta interpretasi model menggunakan SHAP. Model yang digunakan terdiri atas Multi-Layer Perceptron (MLP), Extra Trees, dan XGBoost sebagai base-learner, dengan RidgeCV sebagai meta-learner. Fitur temporal berupa lag feature dan rolling mean ditambahkan untuk menangkap pola historis konsentrasi NOx. Hasil penelitian menunjukkan bahwa MLP menjadi base-learner terbaik dengan RMSE sebesar 52,52, MAE sebesar 36,19, dan R² sebesar 0,9233. Model stacked regression menghasilkan performa yang lebih baik dengan RMSE sebesar 50,73, MAE sebesar 33,90, dan R² sebesar 0,9285. Hasil ini menunjukkan bahwa pendekatan stacking mampu meningkatkan stabilitas dan akurasi prediksi dibandingkan model tunggal. Analisis SHAP menunjukkan bahwa PT08.S2(NMHC), PT08.S4(NO2), dan NOx(GT)_lag1 merupakan peubah yang paling berkontribusi terhadap prediksi. Model stacked regression berpotensi digunakan sebagai pendekatan prediksi kualitas udara berbasis sensor IoT.