Article Sidebar

Submitted
Mar 24, 2024
Accepted
Apr 23, 2024
Published
Jun 11, 2024
Download
PDF
Statistic
Read Counter : 76 Download : 96

Main Article Content

Abstract

Ada banyak dampak negatif yang dapat ditimbulkan oleh peningkatan emisi gas rumah kaca. Oleh karena itu, penting untuk mengetahui tingkat emisi gas rumah kaca di masa depan dengan membuat prediksi sehingga kita dapat merencanakan kebijakan untuk memitigasi dampaknya. Pada penelitian ini, klasifikasi tingkat emisi gas rumah kaca dilakukan dengan menggunakan metode lightGBM. Tujuannya untuk melihat kinerja metode light GBM dalam melakukan klasifikasi emisi rumah kaca. Hasil yang diperoleh dari penelitian ini adalah akurasi sebesar 96,26%, sensitivitas sebesar 97,62%, spesifisitas sebesar 93,97%, dan MAE sebesar 0,0374. 

Keywords

Classification, LightGBM, Greenhouse Gas Emissions

Article Details

Creative Commons License

This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License.

How to Cite
Rini Latifah, & Gustriza Erda. (2024). APPLICATION OF THE LIGHTGBM ALGORITHM IN THE CLASSIFICATION OF GREENHOUSE GAS EMISSIONS . Parameter: Journal of Statistics, 4(1), 9-15. https://doi.org/10.22487/27765660.2024.v4.i1.17055

References

  1. Adnan, A., Yolanda, A. M., Erda, G., Goldameir, N. E., & Indra, Z. (2023). The comparison of accuracy on classification climate change data with logistic regression. Sinkron : Jurnal Dan Penelitian Teknik Informatika, 8(1), 56–61.
  2. Caelen, O. (2017). A Bayesian interpretation of the confusion matrix. Annals of Mathematics and Artificial Intelligence, 81(3), 429–450.
  3. Goldameir, N. E., Yolanda, A. M., & Adnan, A. (2021). Classification of the human development index in indonesia using the bootstrap aggregating method. Sinkron: Jurnal, 6(1), 100–106. https://jurnal.polgan.ac.id/index.php/sinkron/article/view/11173
  4. inventarisasi GRK. (2020). Tingkat emisi GRK tahun 1990 dan batasan tahun 2020. California Air Resources Board. https://ww2.arb.ca.gov/ghg-2020-limit#:~:text=The%20current%202020%20GHG%20emission,IPCC%20Fourth%20Assessment%20Report%20GWPs
  5. Istiana, N., & Mustafiril, A. (2023). Perbandingan metode klasifikasi pada data dengan imbalance class dan missing value. Jurnal Informatika, 10(2), 101–108. https://doi.org/10.31294/inf.v10i2.15540
  6. Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., & Liu, T.-Y. (2017). LightGBM: a highly efficient gradient boosting decision tree. Proceedings of the 31st International Conference on Neural Information Processing Systems, 3149–3157.
  7. Rufo, D. D., Debelee, T. G., Ibenthal, A., & Negera, W. G. (2021). Diagnosis of diabetes mellitus using gradient boosting machine (Lightgbm). Diagnostics, 11(9).
  8. The World Bank. (2022). Climate change. https://data.worldbank.org/topic/19
  9. Wahyudi, J. (2019). Emisi gas rumah kaca (grk) dari pembakaran terbuka sampah rumah tangga menggunakan model ipcc greenhouse gases emissions from municipal solid waste burning using ipcc model. XV(1), 65–76.
  10. Wahyudi, J., Penelitian, K., Pengembangan, D., & Pati, K. (2016). Mitigasi Emisi Gas Rumah Kaca the Mitigation of Greenhouse Gases Emission. Jurnal Litbang, XII(2), 104–112.
  11. Zeng, H., Yang, C., Zhang, H., Wu, Z., Zhang, J., Dai, G., Babiloni, F., Kong, W., & Chuang, L. (2019). A lightGBM-based EEG analysis method for driver mental states classification. Computational Intelligence and Neuroscience, 2019.