Model Prediksi Konsentrasi PM2.5 Menggunakan Algoritma Orchard LSTM dengan Spatial Gap-Filling AOD

Abstract

Pencemaran udara akibat konsentrasi partikulat halus (PM2.5) merupakan salah satu permasalahan lingkungan utama di wilayah perkotaan yang berdampak terhadap kesehatan masyarakat. Pemanfaatan Aerosol Optical Depth (AOD) berbasis satelit memberikan cakupan spasial yang luas untuk pemantauan kualitas udara, namun ketersediaannya sering terhambat oleh missing value akibat tutupan awan dan keterbatasan pengamatan satelit. Penelitian ini bertujuan mengembangkan model prediksi konsentrasi PM2.5 melalui integrasi spatial gap-filling AOD Himawari-8 dan optimasi model Long Short-Term Memory (LSTM) menggunakan Orchard Algorithm. Data yang digunakan meliputi AOD Himawari-8, AOD reanalysis MERRA-2, parameter meteorologi ERA5, serta data PM2.5 dari lima stasiun pemantauan kualitas udara Dinas Lingkungan Hidup DKI Jakarta selama periode Januari–Desember 2024. Proses spatial gap-filling menggunakan algoritma Random Forest dan Extreme Gradient Boosting (XGBoost), sedangkan prediksi PM2.5 dilakukan menggunakan Standard LSTM dan Orchard Algorithm-LSTM (OA-LSTM). Hasil penelitian menunjukkan bahwa XGBoost menghasilkan performa terbaik pada proses spatial gap-filling dengan nilai R2 sebesar 0,986, RMSE sebesar 0,0281, MAE sebesar 0,0173, dan MAPE sebesar 5,51%, sehingga mampu merekonstruksi data AOD secara lebih akurat. Pada tahap prediksi PM2.5, model OA-LSTM memberikan performa terbaik dengan nilai R2 sebesar 0,698, RMSE sebesar 0,067, NSE sebesar 0,656, dan Pearson Correlation sebesar 0,837. Hasil tersebut menunjukkan bahwa penggunaan data AOD hasil spatial gap-filling yang dipadukan dengan optimasi hyperparameter menggunakan Orchard Algorithm mampu meningkatkan akurasi prediksi dibandingkan pendekatan konvensional. Kontribusi utama penelitian ini adalah pengembangan kerangka prediksi PM2.5 yang mengintegrasikan rekonstruksi AOD berbasis machine learning dan optimasi deep learning, sehingga menghasilkan model yang lebih akurat serta berpotensi diterapkan pada sistem pemantauan kualitas udara berbasis satelit di wilayah dengan keterbatasan stasiun pengamatan.

Fine particulate matter (PM2.5) air pollution is one of the major environmental challenges in urban areas due to its significant impact on public health. Satellite-derived Aerosol Optical Depth (AOD) provides broad spatial coverage for air quality monitoring; however, its application is often limited by missing observations caused by cloud cover and satellite retrieval constraints. This study aims to develop an hourly PM2.5 prediction model by integrating Himawari- 8 AOD spatial gap-filling with Long Short-Term Memory (LSTM) optimized using the Orchard Algorithm. The datasets include Himawari-8 AOD, MERRA-2 reanalysis AOD, ERA5 meteorological variables, and hourly PM2.5 observations collected from five air quality monitoring stations operated by the Jakarta Environmental Agency during January–December 2024. The spatial gap-filling performance was evaluated using Random Forest and Extreme Gradient Boosting (XGBoost), while PM2.5 prediction performance was compared between Standard LSTM and Orchard Algorithm-LSTM (OA-LSTM). The results demonstrate that XGBoost achieved the best spatial gap-filling performance, with an R2 of 0.986, RMSE of 0.0281, MAE of 0.0173, and MAPE of 5.51%, producing a more accurate reconstruction of missing AOD observations. For PM2.5 prediction, OA-LSTM outperformed the baseline models, achieving an R2 of 0.698, RMSE of 0.067, NSE of 0.656, and a Pearson Correlation of 0.837. These findings indicate that integrating spatial gap-filled AOD data with Orchard Algorithm-based hyperparameter optimization substantially improves PM2.5 prediction accuracy compared with conventional approaches. The main contribution of this study is the development of an integrated framework that combines machine learning-based AOD reconstruction with deep learning optimization, providing a more accurate satellite-based PM2.5 prediction model for regions with limited ground-based air quality monitoring stations.