Prediksi Konsentrasi PM2.5 berdasarkan Konsentrasi SO2, NO2, dan Faktor Meteorologi berbasis Deep Learning (Studi Kasus: Wilayah Jakarta)

Abstract

Kualitas udara di DKI Jakarta, khususnya konsentrasi PM2.5, dipengaruhi oleh interaksi kompleks antara sumber emisi, gas prekursor pembentuk partikulat halus serta faktor meteorologi. Penelitian ini bertujuan menganalisis karakteristik temporal PM2.5 di DKI Jakarta periode 2020-2024 serta membangun model prediksi berbasis deep learning hybrid Convolutional Neural Network-Long Short Term Memory (CNN-LSTM). Data yang digunakan adalah data PM2.5, data meteorologi, serta gas SO2 dan NO2 sebagai prekursor. Analisis pola diurnal, mingguan, dan musiman menunjukkan PM2.5 dikendalikan oleh dinamika planetary boundary layer harian dan puncak musim kemarau, dengan intensitas yang bervariasi antarstasiun akibat perbedaan karakteristik sumber emisi lokal. Analisis korelasi temporal menunjukkan bahwa NO2 secara konsisten memiliki keterkaitan yang lebih kuat terhadap PM2.5 dibandingkan SO2, dengan jeda waktu optimal seluruh variabel prediktor berada dalam rentang 0-72 jam, mendukung ketepatan pemilihan lookback window 72 jam pada model. Model CNN-LSTM dioptimasi menggunakan Optuna dan dievaluasi pada dua skenario fitur, yaitu model dengan gas prekursor (Model A) dan tanpa gas prekursor (Model B), pada horizon prediksi 1 dan 24 jam. Hasil menunjukkan Model B secara konsisten menghasilkan akurasi lebih tinggi dibandingkan Model A di hampir seluruh stasiun, mengindikasikan bahwa dominasi informasi autoregresif PM2.5 lebih kuat dibandingkan kontribusi langsung gas prekursor pada skala prediksi yang diuji. Evaluasi musiman lebih lanjut mengungkap keterbatasan model dalam menangkap kejadian episodik non-rutin serta pergeseran baseline jangka panjang pada stasiun dengan karakteristik non-stasioner.

Air quality in DKI Jakarta, particularly PM2.5 concentration, is influenced by a complex interaction between emission sources, particulate matter precursor gases, and meteorological factors. This study aims to analyze the temporal characteristics of PM2.5 in DKI Jakarta over the 2020-2024 period and to develop a prediction model based on a hybrid deep learning approach, namely Convolutional Neural Network–Long Short Term Memory (CNN-LSTM). The data used consist of PM2.5 data, meteorological data, as well as SO2 and NO2 gases as precursors. Analysis of diurnal, weekly, and seasonal patterns shows that PM2.5 is governed by daily planetary boundary layer dynamics and peaks during the dry season, with intensity varying across stations due to differences in local emission source characteristics. Temporal correlation analysis shows that NO2 consistently exhibits a stronger association with PM2.5 than SO2, with the optimal time lag for all predictor variables falling within the 0-72 hour range, supporting the appropriateness of the 72-hour lookback window used in the model. The CNN-LSTM model was optimized using Optuna and evaluated under two feature scenarios, with precursor gases (Model A) and without precursor gases (Model B), at 1-hour and 24-hour prediction horizons. The results show that Model B consistently achieves higher accuracy than Model A across nearly all stations, indicating that the autoregressive information of PM2.5 has a stronger influence than the direct contribution of precursor gases at the prediction scales tested. Further seasonal evaluation reveals the model's limitations in capturing non-routine episodic events and in adapting to long-term baseline shifts at stations with non-stationary characteristics.