Pemodelan Predikitf Dengan Metode Long Short-Term Memory dan Estimasi Risiko Kualitas Udara di DKI Jakarta
Penulis Utama
:
Malika Kaylani
NIM / NIP
:
I0121090
×<p class="MsoNormal" xss=removed><span lang="NO-BOK" xss=removed>Kualitas udara di kawasan
perkotaan seperti DKI Jakarta menjadi isu krusial karena tingginya konsentrasi
polutan yang berdampak buruk terhadap kesehatan masyarakat. Bukti epidemiologis
menunjukkan bahwa paparan jangka panjang terhadap partikulat halus dan gas
pencemar meningkatkan risiko penyakit respiratorik dan kardiovaskular secara
signifikan. Untuk mengantisipasi eskalasi dampak tersebut, penelitian ini
mengembangkan model prediktif berbasis arsitektur <i>Long Short-Term Memory</i>
(LSTM), dengan tujuan utama mengestimasi konsentrasi harian enam parameter
polusi udara dominan. Selain itu, luaran model digunakan untuk menyusun
estimasi risiko paparan polusi udara secara temporal guna mendukung pengambilan
keputusan dalam sistem mitigasi risiko berbasis data. <o></o></span></p><p class="MsoNormal" xss=removed><span lang="NO-BOK" xss=removed>Dataset yang digunakan terdiri
dari observasi harian kualitas udara yang dikumpulkan dari lima Stasiun
Pemantauan Kualitas Udara (SPKU) yang mewakili distribusi spasial wilayah DKI
Jakarta. Rentang data mencakup periode longitudinal dari 1 Januari 2010 hingga
30 November 2023, memungkinkan karakterisasi tren jangka panjang dan pola
musiman. Model dikembangkan menggunakan
pendekatan LSTM, dan berfokus pada enam parameter: PM10, PM2.5, SO2, CO, O3,
dan NO2. Studi ini tidak melibatkan prediktor meteorologis maupun dimensi
spasial lanjutan, sehingga hasil analisis merepresentasikan estimasi berbasis
temporal murni. <o></o></span></p><p>
</p><p class="MsoNormal" xss=removed><span lang="NO-BOK" xss=removed>Evaluasi performa model
menunjukkan bahwa algoritma LSTM memiliki akurasi prediksi yang baik dan stabil
untuk seluruh parameter yang dianalisis. Di antara keenam parameter tersebut,
PM2.5 memberikan hasil prediksi terbaik dengan nilai RMSE sebesar 0,0297, MAE
sebesar 0,0101, dan MAPE sebesar 1,01%. Disusul oleh parameter PM10 dengan
nilai MAPE sebesar 5,25?n SO2 sebesar 2,42%. Parameter lainnya yaitu CO, O3,
dan NO2 juga menunjukkan performa yang memadai dengan rentang MAPE antara 2,93%
hingga 6,38%. Hasil ini menegaskan bahwa model LSTM memiliki kapabilitas tinggi
dalam menangkap kompleksitas temporal data kualitas udara dan dapat digunakan
sebagai landasan sistem prediktif jangka pendek untuk keperluan peringatan dini
dan intervensi kebijakan lingkungan di kawasan urban.<s><o></o></s></span></p>
×
Penulis Utama
:
Malika Kaylani
Penulis Tambahan
:
-
NIM / NIP
:
I0121090
Tahun
:
2025
Judul
:
Pemodelan Predikitf Dengan Metode Long Short-Term Memory dan Estimasi Risiko Kualitas Udara di DKI Jakarta
Edisi
:
Imprint
:
Surakarta - Fak. Teknik - 2025
Program Studi
:
S-1 Teknik Sipil
Kolasi
:
Sumber
:
Kata Kunci
:
Kualitas Udara, Long Short-Term Memory, Machine Learning, Parameter Polusi Udara
