Model Prediksi Temporal Konsentrasi Polutan Udara di Provinsi DKI Jakarta Menggunakan Metode Hybrid ES-RNN dan Pemodelan Prediksi Deret Waktu

Abstract

Penelitian ini membahas pengembangan model prediksi temporal konsentrasi polutan udara di Provinsi DKI Jakarta menggunakan metode Hybrid ES-RNN dan beberapa algoritma Time Series Forecasting. Latar belakang penelitian ini didasarkan pada memburuknya kualitas udara Jakarta akibat tingginya aktivitas transportasi, industri, rumah tangga, konstruksi, dan aktivitas perkotaan lainnya. Kondisi tersebut menuntut adanya sistem prediksi yang mampu memperkirakan konsentrasi polutan udara secara lebih akurat agar pemerintah dan pihak terkait dapat melakukan langkah mitigasi lebih cepat. Rumusan masalah penelitian ini adalah bagaimana metode Hybrid ES-RNN, LSTM, GRU, dan Facebook Prophet dapat digunakan untuk memprediksi konsentrasi polutan udara terutama PM2.5 dalam rentang waktu Januari 2022 hingga Januari 2023, serta membandingkan model Hybrid ES-RNN dengan model Time Series Forecasting lainnya. Tujuan penelitian adalah membangun dan mengevaluasi model prediksi konsentrasi polutan udara berdasarkan data historis dan data meteorologi, kemudian membandingkan performa masing-masing algoritma menggunakan metrik evaluasi seperti MAE, MSE, RMSE, R², dan MAPE. Data penelitian berasal dari data kualitas udara Jakarta dan data meteorologi, antara lain PM10, PM2.5, SO2, NO2, CO, O3, suhu, kelembaban, curah hujan, dan kecepatan angin, namun pada penelitian ini data polutan yang digunakan adalah PM2.5. Data diproses melalui beberapa tahapan, yaitu penggabungan dataset, seleksi fitur, pembersihan data, deteksi outlier, penanganan missing value, normalisasi, pembagian data latih-validasi-uji, windowing, pemodelan, dan evaluasi. Beberapa metode imputasi digunakan, seperti filling, interpolasi, Weighted Moving Average, Kalman Filter, dan kombinasi semua metode. Pada pendekatan univariat, model terbaik diperoleh dari Vanilla LSTM dengan metode interpolasi, dengan nilai MAE sebesar 0,66, MSE sebesar 0,83, RMSE sebesar 0,91, R² sebesar 0,997, dan MAPE sebesar 1,40%. Hasil ini menunjukkan bahwa pola historis PM2.5 sudah cukup kuat untuk memprediksi konsentrasi PM2.5 berikutnya dengan tingkat kesalahan yang rendah. Pada pendekatan multivariat, model terbaik diperoleh dari Stacked LSTM pada skenario semua metode, dengan nilai MAE sebesar 2,22, MSE sebesar 8,81, RMSE sebesar 2,97, R² sebesar 0,97, dan MAPE sebesar 4,44%. Hasil tersebut menunjukkan bahwa Stacked LSTM mampu memanfaatkan beberapa variabel input untuk menangkap pola perubahan PM2.5, meskipun tingkat kesalahannya masih lebih tinggi dibandingkan pendekatan univariat terbaik. Manfaat penelitian ini adalah menyediakan model prediksi kualitas udara yang dapat mendukung pemantauan, peringatan dini, serta pengambilan kebijakan pengendalian pencemaran udara di DKI Jakarta.