Penambahan Parameter PM2.5 dalam Prediksi Kualitas Udara : Long Short Term Memory

Sari

Abstrak

Kualitas udara yang buruk menjadi masalah serius yang mempengaruhi kesehatan manusia dan lingkungan. Penyebabnya bervariasi, termasuk polusi udara, emisi industri, dan aktivitas manusia. Masalah yang dibahas adalah bagaimana menggunakan metode Long Short-Term Memory untuk memprediksi kualitas udara. Data kualitas udara yang mencakup parameter yang digunakan yaitu Partikel Kasar (PM10), Sulfur dioksida (SO), Karbon monoksida (CO), Ozon (O3) Nitrogen dioksida (NO2) serta penambahan Partikel Halus (PM2.5) yang belum terdapat pada penelitian sebelumnya. Penggunaan metode LSTM jenis khusus dari model Recurrent Neural Network (RNN), yang dirancang untuk mengatasi masalah "vanishing gradient" yang sering muncul dalam pelatihan RNN tradisional. Salah satu keunggulan LSTM adalah kemampuannya untuk menangkap dependensi jarak jauh dalam data berurutan, yang berarti dapat "mengingat" informasi dalam jangka waktu yang lama. Dengan melakukan evaluasi data pengujian menggunakan metrik evaluasi Root Mean Squared Error dengan hasil 4.0279.

Kata kunci: LSTM, RNN, Kualitas Udara, Prediksi, PM2.5

Abstract

Poor air quality is a serious problem affecting human health and the environment. The causes are varied, including air pollution, industrial emissions, and human activities. The problem discussed is how to use the Long Short-Term Memory method to predict air quality. Air quality data which includes the parameters used are Coarse Particles (PM10), Sulfur dioxide (SO), Carbon monoxide (CO), Ozone (O3) Nitrogen dioxide (NO2) and the addition of Fine Particles (PM2.5) which have not been found in research previously. The use of the LSTM method is a special type of Recurrent Neural Network (RNN) model, which is designed to overcome the "vanishing gradient" problem that often arises in traditional RNN training. One advantage of LSTM is its ability to capture remote dependencies in sequential data, meaning it can "remember" information over long periods of time. By evaluating the test data using the evaluation metric Root Mean Squared Error with a result of 4.0279.

Keyword: LSTM, RNN, Air Quality, Prediction, PM2.5