Muhammad Rafli Hidayat, NIM 132022052 (2026) PERBANDINGAN KINERJA SUPPORT VECTOR REGRESSION DAN K-NEAREST NEIGHBOR SERTA IMPLEMENTASI HYBRID DENGAN MODEL COST-231 DALAM PREDIKSI PATH LOSS DI LINGKUNGAN LRT. Skripsi thesis, UNIVERSITAS MUHAMMADIYAH PALEMBANG.

	Text 132022052_BAB 1_DAFTAR PUSTAKA.pdf - Published Version Download (652kB)
	Text 132022052_BAB 2.pdf - Published Version Restricted to Repository staff only Download (817kB)
	Text 132022052_BAB 3.pdf - Published Version Restricted to Repository staff only Download (417kB)
	Text 132022052_BAB 4.pdf - Published Version Restricted to Repository staff only Download (1MB)
	Text 132022052_BAB 5.pdf - Published Version Restricted to Repository staff only Download (211kB)
	Text 132022052_DAFTAR PUSTAKA.pdf - Bibliography Restricted to Repository staff only Download (232kB)
	Text 132022052_LAMPIRAN.pdf - Published Version Restricted to Repository staff only Download (502kB)
	Text 132022052_COVER_SAMPAI_LAMPIRAN.pdf - Published Version Restricted to Repository staff only Download (2MB)

Abstract

Sistem Light Rail Transit (LRT) di lingkungan perkotaan memiliki karakteristik propagasi sinyal yang kompleks akibat kepadatan bangunan, kondisi non-line-of-sight (NLoS), serta pergerakan kereta yang dinamis, sehingga model empiris konvensional seperti COST-231 seringkali kurang akurat dalam memprediksi nilai path loss pada lingkungan tersebut. Penelitian ini bertujuan membandingkan kinerja algoritma machine learning, yaitu Support Vector Regression (SVR) dan K-Nearest Neighbor (KNN), serta mengimplementasikan pendekatan hybrid yang menggabungkan model empiris COST-231 dengan kedua algoritma tersebut untuk memprediksi path loss pada lingkungan LRT perkotaan. Data penelitian diperoleh dari hasil pengukuran lapangan yang kemudian dibagi menjadi data pelatihan dan data pengujian dengan proporsi 80:20, lalu dievaluasi menggunakan metrik Root Mean Square Error (RMSE), Mean Absolute Error (MAE), dan koefisien determinasi (R²). Hasil penelitian menunjukkan bahwa model KNN memberikan kinerja terbaik dengan RMSE sebesar 6,1915 dB, MAE sebesar 4,4053 dB, dan R² sebesar 0,8299, diikuti oleh SVR dengan RMSE 7,2115 dB, MAE 5,6618 dB, dan R² 0,7692. Model empiris COST-231 menghasilkan error yang jauh lebih besar (RMSE 93,9780 dB; R² -38,6549), sementara model hybrid COST-231 dengan SVR maupun KNN belum mampu mengungguli model machine learning murni, yang diduga disebabkan oleh keterbatasan variabel pada tahap pembelajaran residual. Penelitian ini menyimpulkan bahwa pendekatan machine learning murni, khususnya KNN, lebih andal digunakan untuk prediksi path loss pada lingkungan LRT perkotaan dibandingkan model empiris maupun model hybrid pada konfigurasi yang diuji.

Item Type:	Thesis (Skripsi)
Uncontrolled Keywords:	Kata Kunci: Path Loss, LRT, COST-231, Support Vector Regression, K-Nearest Neighbor, Hybrid, Machine Learning
Subjects:	Programming
Divisions:	Fakultas Teknik > Teknik Elektro (S1)
Depositing User:	Mahasiswa Fakultas Teknik
Date Deposited:	15 Sep 2026 03:05
Last Modified:	15 Sep 2026 03:05
URI:	http://repository.um-palembang.ac.id/id/eprint/37461

Actions (login required)

View Item