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

LISA KRISTIANA, DIAN MIYANTO

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



Teks Lengkap:

PDF

Referensi


Aini, N., Ruktiari, R., Pratama, M. R., & Buana, A. F. (2019). Sistem Prediksi Tingkat Pencemaran Polusi Udara dengan Algoritma Naïve Bayes di Kota Makassar. In Prosiding Seminar Nasional Komunikasi dan Informatika (Vol. 3).

Akbar, R., Santoso, R., & Warsito, B. (2023). Prediksi Tingkat Temperatur Kota Semarang Menggunakan Metode Long Short-Term Memory (Lstm). Jurnal Gaussian, 11(4), 572–579. https://doi.org/10.14710/j.gauss.11.4.572-579

Aprianto, Y., Nurhasanah, N., & Sanubary, I. (2018). Prediksi Kadar Particulate Matter (PM10) untuk Pemantauan Kualitas Udara Menggunakan Jaringan Syaraf Tiruan Studi Kasus Kota Pontianak. Positron, 8(1), 15. https://doi.org/10.26418/positron.v8i1.25470

Arkadia, A., Hananto, B., Prasvita, D. S., & Lstm, K. K. (2022). Optimasi Long Short Term Memory Dengan Adam Menggunakan Data Udara Kota DKI Jakarta.

Badriyah, J., Fariza, A., & Harsono, T. (2022). Prediksi Curah Hujan Menggunakan Long Short Term Memory. Jurnal Media Informatika Budidarma, 6(3), 1297. https://doi.org/10.30865/mib.v6i3.4008

Faishol, M. A., Endroyono, E., & Irfansyah, A. N. (2020). Predict Urban Air Pollution in Surabaya Using Recurrent Neural Network – Long Short Term Memory. JUTI: Jurnal Ilmiah Teknologi Informasi, 18(2), 102. https://doi.org/10.12962/j24068535.v18i2.a988

Gallan, V. (2022). LSTM (Long Short Term Memory). Bina Nusantara IT Division. https://medium.com/bina-nusantara-it-division/lstm-long-short-term-memory-d29779e2ebf8

Hermawan, A., & Sela, E. I. (2019). SPKU: Sistem Prediksi Kualitas Udara (Studi Kasus: Dki Jakarta). In Program Studi Teknik Informatika, Fakultas Bisnis dan Teknologi Informasi Universitas Teknologi Yogykarta. http://eprints.uty.ac.id/3552/

Hidayatullah, B. K., Kallista, M., & Setianingsih, C. (2022). Prediksi Indeks Standar Pencemar Udara Menggunakan Metode Long Short-Term Memory Berbasis Web (Studi Kasus Pada Kota Jakarta). In eProceedings of Engineering (Vol. 9, Issue 3). https://data.jakarta.go.id/

Karyadi, Y. (2022). Prediksi Kualitas Udara Dengan Metoda LSTM, Bidirectional LSTM, dan GRU. JATISI (Jurnal Teknik Informatika Dan Sistem Informasi), 9(1), 671–684. https://doi.org/10.35957/jatisi.v9i1.1588

Khumaidi, A., Raafi’udin, R., & Solihin, I. P. (2020). Pengujian Algoritma Long Short-Term Memory untuk Prediksi Kualitas Udara dan Suhu Kota Bandung. Jurnal Telematika, 15(1), 13–18.

Oktaviani, A., & Hustinawati. (2021). Prediksi Rata-Rata Zat Berbahaya Di Dki Jakarta Berdasarkan Indeks Standar Pencemar Udara Menggunakan Metode Long Short-Term Memory. Jurnal Ilmiah Informatika Komputer, 26(1), 41–55. https://doi.org/10.35760/ik.2021.v26i1.3702

Putri, S. E., Kusuma, D. A., & Ruchjana, B. N. (2020). Penerapan Metode Universal Kriging (Uk) Untuk Prediksi Konsentrasi Particulate Matter 2.5 (Pm2.5) Di Kota Bandung. BAREKENG: Jurnal Ilmu Matematika Dan Terapan, 14(2), 285–296. https://doi.org/10.30598/barekengvol14iss2pp285-296

Qori, P. A., Oktafani, D. S., & Kharisudin, I. (2022). Analisis Peramalan dengan Long Short Term Memory pada Data Kasus Covid-19 di Provinsi Jawa Tengah. PRISMA, Prosiding Seminar Nasional Matematika, 5, 752–758.

Supriyadi, E. (2021). Prediksi Parameter Cuaca Menggunakan Deep Learning Long-Short Term Memory (Lstm). Jurnal Meteorologi Dan Geofisika, 21(2), 55. https://doi.org/10.31172/jmg.v21i2.619

Wildan Putra Aldi, M., & Aditsania, A. (2018). Analisis dan Implementasi Long Short Term Memory Neural Network untuk Prediksi Harga Bitcoin. E-Proceeding of Engineering, Vol. 5, 3548–3555.

Writers, Iqa. S. (2018). Polutan udara diukur dalam AQI. Iqair.Com. https://www.iqair.com/id/newsroom/what-is-aqi




DOI: https://doi.org/10.26760/mindjournal.v8i2.188-202

Refbacks

  • Saat ini tidak ada refbacks.


____________________________________________________________

ISSN (cetak) : 2338-8323  |  ISSN (elektronik) :  2528-0902

diterbitkan oleh:

Informatika Institut Teknologi Nasional Bandung

Alamat : Gedung 2 Jl. PHH. Mustofa 23 Bandung 40124

Kontak : Tel. 7272215 (ext. 181)  Fax. 7202892

Email : mind.journal@itenas.ac.id

____________________________________________________________

Statistik Pengunjung :

Flag Counter

  Web
Analytics Statistik Pengunjung

 Jurnal ini terlisensi oleh Creative Commons Attribution-ShareAlike 4.0 International License.

Creative Commons License