Pencemar partikel PM2.5 yang mempunyai diameter 2.5 mikron memberikan kesan buruk kepada alam sekitar. Justeru, kajian ini dijalankan untuk menjana model ramalan kepekatan PM2.5 dengan kaedah berbagai regresi linear, kaedah regresi komponen utama dan teknik rangkaian neural. Malaysia kini, tidak mengambil kira kepekatan PM2.5 dalam indeks pencemaran udara kerana tiada stesen pemantauan untuk PM2.5. Hasil model peramalan yang dijana dalam kajian ini, kepekatan PM2.5 dapat diramalkan menggunakan data meteorologi. Setiap model yang dihasilkan telah diuji dengan tiga jenis struktur data yang menggunakan nilai masa lalu dan data luaran sebagai input untuk lima bandar iaitu Beijing, Chengdu, Guangzhou, Shenyang dan Shanghai. Prestasi setiap model telah dianalisa dengan nilai min ralat kuasa dua (RMSE) dan pekali penentuan (R2). Rangkaian neutral model mempunyai korelasi yang kuat antara nilai sebenar dan ramalan PM2.5 berbanding kaedah berbagi regresi linear dan regresi komponen utama untuk semua bandar. Peningkatan bilangan neuron menghasilkan nilai RMSE yang rendah dan nilai R2 yang tinggi. Prestasi terbaik diperoleh menggunakan 10 neuron dengan nilai R2 0.973 dan nilai RMSE 0.228. Penggunaan bilangan input and output masa lalu sebagai input terbesar dalam model menjana nilai nilai R2 yang tinggi (Beijing: 0.966; Chengdu: 0.977; Guangzhou: 0.930; Shenyang: 0.970; Shanghai: 0.981) dan RMSE yang rendah (Beijing: 0.080; Chengdu: 0.044; Guangzhou: 0.136; Shenyang: 0.063; Shanghai: 0.360). Penggunaan nilai output terdahulu dan data luaran menghasilkan data yang mempunyai korelasi yang lebih baik di antara nilai sebenar dan ramalan justeru memberi ramalan yang lebih tepat. Kesimpulannya, model ramalan yang paling bagus dalam peramalan adalah rangkaian neutral menggunakan 10 neuron dan struktur data yang mempunyai menggunakan nilai output terdahulu dan data luaran.
_______________________________________________________________________________________________________
Pollutant particulate matter PM2.5 concentration having diameter of 2.5 microns gives bad impact to the environment. The purpose of this study was to predict concentration of PM2.5 using multiple linear regression, principal component regression and neural network method. In Malaysia, currently the concentration of PM2.5 have not been considered in the air pollution index due to non-existence of PM2.5 monitoring station. With the prediction model developed in this study, the concentration of PM2.5 can be predicted using meteorological variables. Each model developed were tested with three types of data structure that are having past values and exogenous data as input for cities of Beijing, Chengdu, Guangzhou, Shenyang and Shanghai. The performance of prediction model was analysed and evaluated using root mean square error (RMSE) and coefficient of determination (R2) values. The neural network model exhibited strong correlation between actual and predicted concentration of PM2.5 compared to multiple linear regression and principal component regression for all cites. Increasing number of neurons in network generate lower RMSE and higher R2 values. The best performance was achieved using neural network with 10 neurons with R2 value of 0.973 and RMSE value of 0.228. To compare between different data structure used, the model using larger number of past input and output as input generates higher R2 (Beijing: 0.966; Chengdu: 0.977; Guangzhou: 0.930; Shenyang: 0.970; Shanghai: 0.981) and lower RMSE values (Beijing: 0.080; Chengdu: 0.044; Guangzhou: 0.136; Shenyang: 0.063; Shanghai: 0.360). Using previous values of output and exogenous data for forecasting allow better fit between predicted and actual values thus, giving more accurate prediction. In conclusion, the most effective prediction model was neural network model using 10 hidden layers and data arrangement using past output values and exogenous data.
Process modelling for prediction of air quality using pm2.5 in multivariable systems / Nur Hidanah Anuar