Studi Awal Membangun Model Multiple Linear Regression Prediksi Pola Kecepatan Aliran Udara Untuk Merancang Sistem Notifikasi Potensi Bahaya Infeksi Covid-19 Melalui Airborne

BILLY, Dr. Faridah, S.T., M .Sc.;Ir. Memory Motivanisman Waruwu, S.T., M.Eng., IPM.

2022 | Skripsi | S1 TEKNIK FISIKA

Penelitian ini bertujuan untuk membangun model prediksi pola laju aliran udara sebagai salah satu komponen sistem notifikasi. Kasus-kasus superspreading event dalam bangunan mendukung teori mengenai penyebaran virus COVID-19 melalui jalur udara, yaitu penyebaran virus melalui partikel aerosol. Pola kecepatan aliran udara yang buruk dapat menyebabkan jarak tempuh partikel aerosol meningkat sehingga meningkatkan potensi bahaya penyebaran COVID-19 melalui udara. Sistem notifikasi diusulkan sebagai solusi menangani penyebaran COVID-19 melalui udara. Sistem dapat menginformasikan penghuni ruangan apabila ruangan memiliki potensi bahaya penyebaran infeksi COVID-19 melalui jalur udara yang tinggi. Sistem tersebut terdiri dari sistem pemantauan bangunan, model prediksi, dan antarmuka. Model prediksi dapat dirancang bangun dengan menggunakan pasangan data belajar yang berupa pasangan variabel masukan dan variabel keluaran. Computational Fluid Dynamics (CFD) akan digunakan untuk menghasilkan model ruangan simulasi yang dapat menghasilkan pasangan data belajar untuk machine learning. Model prediksi akan dibangun menggunakan metode pembelajaran Multiple Linear Regression untuk mempelajari pasangan data. Model machine learning prediksi kemudian akan diuji menggunakan metrik pengukuran akurasi R2 score dan Mean Absolute Percentage Error (MAPE). Model prediksi berhasil dirancang bangun dengan menggunakan metode Multiple Linear Regression (MLR). Performa implementasi model machine learning prediksi pola kecepatan aliran udara memiliki nilai rerata R2 score untuk kondisi utilitas menyala dan tidak menyala sebesar 0,57 dan 0,88 dan nilai rerata MAPE senilai 117% dan 99%.

This study aims to build a predictive model of air flow rate patterns as one of the components of the notification system. The cases of superspreading events in buildings support the theory regarding the spread of the COVID-19 virus through airborne channels, namely the spread of the virus through aerosol particles. Poor airflow velocity patterns can cause aerosol particle mileage to increase, which increase the potential danger of airborne spread of COVID-19. The notification system was proposed as a solution to deal with the airborne spread of COVID-19. The system can inform the occupants of the room if the room has a high potential danger of spreading COVID-19 infection through high airborne. The system consists of a building monitoring system, a prediction model, and an interface. Prediction models can be designed using learning data pairs in the form of pairs of input variables and output variables. Computational Fluid Dynamics (CFD) will be used to generate simulated room models that can generate pairs of learning data for machine learning. The prediction model will be built using the Multiple Linear Regression learning method to study dataset. The predictive machine learning model will then be tested using the accuracy measurement metrics R2 score and Mean Absolute Percentage Error (MAPE). The prediction model was successfully designed using the Multiple Linear Regression (MLR) method. The performance of the Machine Learning model implementation predicts airflow rate patterns has an average value of R2 score for utility conditions of 0.57 and 0.88 and a MAPE mean value of 117 % and 99 %.

Kata Kunci : Sistem pemantauan bangunan, machine learning, COVID-19, pola kecepatan aliran udara