Kajian ini adalah untuk menjana model mesin sokongan vector (SVM) yang
sesuai untuk meramalkan indeks pencemaran udara (API) dan indeks kualiti air (WQI).
Pengiraan semasa API dan WQI adalah rumit dan memakan masa. Dengan model SVM
ini, API dan WQI dapat diramal dengan serta-merta dengan menggunakan peramal yang
sama yang digunakan dalam pengiraan. Terdapat tiga parameter utama yang mengawal
prestasi model SVM, ia adalah parameter C, ε dan jenis fungsi kernel yang digunakan.
Dalam kajian ini, hanya fungsi kernel sahaja yang akan disiasat, mereka adalah lelurus,
fungsi radial asas (RBF) dan fungsi kernel polinomial. Keputusan model akan dianalisis
dengan menggunakan ralat jumlah kuasa dua (SSE), min ralat jumlah kuasa dua (MSSE)
dan pekali penentuan (R2). Selepas jenis fungsi kernel yang terbaik dipilih untuk model
API dan WQI SVM, jenis-jenis fungsi kernel itu akan digunakan lagi untuk melatih model
LS-SVM untuk membandingkan ketepatan antara model SVM dan LS-SVM. Ia telah
mendapati bahawa fungsi kernel yang terbaik untuk model API SVM adalah fungsi kernel
RBF, R2 ia adalah 0.9843 manakala bagi model WQI SVM adalah fungsi kernel
polynomial dan R2 ia adalah 0.8796. Selain itu, dalam kajian in, didapati bahawa model
WQI LS-SVM yang dilatih dengan peramal yang betul telah mempunyai ketepatan yang
lebih tinggi dan ia punya R2 adalah 0.9227 berbanding dengan model WQI SVM yang
dilatih dengan semua peramal yang sedia ada dan ia punya R2 adalah 0.9184. Malangnya,
API LS-SVM model tidak dapat dilatih kerana jumlah set data yang besar adalah sukar
untuk diproses oleh komputer yang sedia ada.
_______________________________________________________________________________________________________
This study was about to generate a suitable support vector machine (SVM) model
to predict the air pollution index (API) and water quality index (WQI). The current
calculations of API and WQI were complex and time consuming. With the SVM model,
the API and WQI can be predicted immediately by using the same predictors used in the
calculation. There were three main parameters that control the performance of the SVM
model, they were parameter C, ε and the type of kernel function used. In this study, only
the type kernel function was investigated, they were linear, radial basis function (RBF)
and polynomial kernel function. The results of the model were then analysed by using
sum squares error (SSE), mean of sum squares error (MSSE) and coefficient of
determination (R2). After the best type of kernel function was chosen for API and WQI
SVM models, the types of kernel function were further utilised to train the least square
support vector machine (LS-SVM) models to compare the accuracy between SVM and
LS-SVM models. It was found that the best kernel function for API SVM model was RBF
kernel function with R2 of 0.9843 while for WQI SVM model was polynomial kernel
function with R2 of 0.8796. Moreover, it was found that WQI LS-SVM model that trained
with correct predictors was having higher accuracy with R2 of 0.9227 compared with
WQI SVM model that trained with all the predictors with R2 of 0.9184. Unfortunately,
API LS-SVM model was not be able to train since the large amount of set of data was
difficult to be processed by the computer available.
Prediction of Air Pollution Index (API) and Water Quality Index (WQI) Using Support Vector Machine (SVM) / Leong Wei Cong