Model Prediksi Temporal Konsentrasi Polutan dengan Menggunakan LSTM dan Facebook Prophet
Date
2021Author
Shiddiq, Muhammad Iqbal
Sitanggang, Imas Sukaesih
Annisa, Annisa
Metadata
Show full item recordAbstract
Hutan adalah salah satu aspek alam yang penting bagi kehidupan. Bencana kebakaran hutan dan lahan (karhutla) masih sering terjadi di berbagai negara, tak terkecuali di Indonesia. Bencana karhutla di Indonesia menimbulkan berbagai dampak negatif, salah satunya adalah bencana kabut asap. Bencana kabut asap di Indonesia menarik perhatian dunia karena asap karhutla dari Indonesia mencapai negara-negara tetangga seperti Malaysia dan Singapura. Bencana kabut asap tersebut dapat menimbulkan dampak langsung pada kesehatan manusia, khususnya saluran pernapasan. Kabut asap yang dihasilkan karhutla mengandung sejumlah gas dan partikel kimia yang berbahaya bagi pernapasan seperti karbon monoksida (CO), karbon dioksida (CO2), nitrogen oksida (NO), ozon (O3), sulfur dioksida (SO2), dan lainnya. Partikel CO dan CO2 adalah partikel kimia yang komposisinya paling banyak diakibatkan oleh karhutla.
Salah satu upaya untuk meminimalisir dampak dari bencana kabut asap adalah dengan mengetahui arah sebaran kabut asapnya dan menganalisis nilai konsentrasi polutan pada kabut asap. Model konsentrasi polutan telah dibuat pada penelitian sebelumnya, namun dari hasil evaluasi modelnya belum terlalu baik karena nilai RMSE-nya masih cukup besar dan nilai koefisien korelasinya masih rendah sehingga model belum mampu mengikuti pola fluktuasi data aktualnya. Penelitian ini bertujuan untuk membangun model prediksi konsentrasi CO dan CO2 akibat karhutla dengan menggunakan Long Short-Term Memory (LSTM) dan Facebook’s Prophet. Penelitian ini terdiri dari beberapa tahapan yaitu praproses data, pembagian data, pembuatan model dengan beberapa skenario, dan evaluasi model. Penelitian ini berhasil meningkatkan performa dari model prediksi konsentrasi polutan dari penelitian sebelumnya. Model prediksi CO terbaik berhasil dibangun dengan metode Facebook’s Prophet dan memperoleh nilai koefisien korelasi sebesar 0,616 dan nilai RMSE sebesar 0,014. Model prediksi CO2 terbaik berhasil dibangun dengan metode Facebook’s Prophet dan memperoleh nilai koefisien korelasi terbaik sebesar 0,689 dan nilai RMSE sebesar 1,648. Performa model dari setiap skenario sangat dipengaruhi oleh adanya outlier pada dataset. Dalam penelitian ini model prediksi terbaik untuk konsentrasi CO dan CO2 diperoleh dengan menggunakan metode Facebook’s Prophet dan menggunakan dataset dari Maret 2019 – Desember 2019.