Show simple item record

dc.contributor.advisorSitanggang, Imas Sukaesih
dc.contributor.advisorMushthofa
dc.contributor.authorSalam, Naufal Ibnu
dc.date.accessioned2024-04-23T23:53:20Z
dc.date.available2024-04-23T23:53:20Z
dc.date.issued2024
dc.identifier.urihttp://repository.ipb.ac.id/handle/123456789/147047
dc.description.abstractKebakaran hutan dan lahan (karhutla) merupakan salah satu bencana penyebab pencemaran udara di Indonesia. Data per 12 Juli 2022, Kementerian Lingkungan Hidup dan Kehutanan (KLHK) mencatat sebanyak 13.854 kasus kebakaran aktif selama tahun 2021. Dampak langsung yang disebabkan oleh karhutla antara lain: menyebabkan penyakit infeksi saluran, mengganggu aktivitas manusia, terganggunya moda transportasi, timbulnya persoalan internasional asap dari kebakaran hutan tersebut seperti kerugian materiil dan imateriil. Asap karhutla mengandung polutan berbahaya khususnya partikel PM2.5 yang bersifat karsinogenik dan berperan dalam Infeksi Saluran Pernafasan Akut (ISPA). Pemerintah Indonesia telah menerbitkan aturan batasan PM2.5 dalam Peraturan Pemerintah RI No. 41 Tahun 1999 tentang Pengendalian Pencemaran Udara, dengan baku mutu udara ambien nasional untuk PM2.5 sebesar 65 μm/m3 dalam rata-rata 24 jam. Salah satu upaya untuk meminimalisir meningkatnya jumlah penderita penyakit ISPA adalah dengan mendeteksi partikel PM2.5 yang dihasilkan dari asap karhutla. Penelitian ini bertujuan untuk membangun model prediksi partikel PM2.5 menggunakan algoritma machine learning yaitu Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU). Data yang digunakan adalah dataset titik panas yang diperoleh dari sensor Visible Infrared Imaging Radiometer Suite (VIIRS) milik National Aeronautics and Space Administration (NASA) yang diunduh pada website Fire Information for Resource Management System (FIRMS) NASA dan data PM2.5 yang diunduh dari website OpenAQ. Nilai missing value yang terdapat pada data diisi menggunakan metode Interpolasi Linear (IL), Last Observation Carried Forward (LOCF), Next Observation Carried Backward (NOCB), Interpolasi Nearest (IN), Exponential Moving Average (EMA)(Span=5), Exponential Moving Average (EMA)(Halflife=5). Penelitian ini berhasil melakukan praproses data dan pembentukan model prediksi PM2.5 dari karhutla di wilayah Pulau Sumatra. Hasil uji keseluruhan dari model ini memuaskan. ...id
dc.language.isoidid
dc.publisherIPB Universityid
dc.titleModel Prediksi PM2.5 dari Kebakaran Hutan dan Lahan di Wilayah Sumatera menggunakan Algoritma Deep Learningid
dc.typeThesisid
dc.subject.keywordForest and Land Firesid
dc.subject.keywordGated Recurrent Unitid
dc.subject.keywordLong Short-Term Memoryid
dc.subject.keywordPM2.5id
dc.subject.keywordPredictionid


Files in this item

Thumbnail
Thumbnail
Thumbnail

This item appears in the following Collection(s)

Show simple item record