| dc.description.abstract | Data deret waktu merupakan data yang dicatat secara berurutan berdasarkan waktu, sehingga pengamatan pada suatu waktu dapat berkaitan dengan pengamatan pada waktu sebelumnya. Data tersebut juga dapat menunjukkan pola tertentu, seperti tren dan pola musiman, serta dapat mengandung anomali berupa pengamatan yang menyimpang dari pola data secara umum. Keberadaan anomali perlu diperhatikan karena dapat mempengaruhi hasil analisis dan menurunkan akurasi peramalan apabila tidak ditangani dengan baik. Salah satu data deret waktu yang memiliki pola musiman dan berpotensi mengandung anomali adalah Indeks Kualitas Udara (Air Quality Index/AQI). Untuk mendeteksi anomali pada data dengan karakteristik musiman, Seasonal Hybrid Extreme Studentized Deviate (S-H-ESD) dan DeepAnT dapat digunakan. S-H-ESD menggunakan pendekatan statistik dengan memisahkan komponen musiman, tren, dan residual, sedangkan DeepAnT menggunakan Convolutional Neural Network (CNN) untuk mempelajari pola historis dan mendeteksi anomali berdasarkan kesalahan prediksi. Perbedaan cara kerja tersebut dapat menghasilkan kemampuan deteksi yang berbeda, sehingga kinerja kedua metode perlu dibandingkan dalam berbagai kondisi anomali. Selain itu, pengaruh hasil deteksi anomali juga perlu dilihat terhadap peramalan sebelum dan setelah anomali tersebut ditangani. Berdasarkan perbedaan cara kerja kedua metode tersebut, penelitian ini bertujuan untuk membandingkan dan mengevaluasi kinerja S-H-ESD dan DeepAnT dalam mendeteksi anomali pada data simulasi. Penelitian ini kemudian menerapkan kedua metode pada data AQI Jakarta untuk melihat hasil deteksi anomali pada data aktual. Selanjutnya, penelitian ini mengevaluasi pengaruh penanganan anomali yang terdeteksi terhadap hasil peramalan menggunakan Long Short-Term Memory (LSTM). Penelitian ini menggunakan data sekunder AQI Jakarta dalam satuan waktu per jam yang diperoleh dari http://www.airnow.gov/ (diakses pada 22 April 2024), mencakup periode 2018 hingga 2023. Hasil eksplorasi menunjukkan bahwa data AQI Jakarta memiliki pola musiman, yaitu pola yang berulang antarjam dalam satu hari. Setelah karakteristik data dipahami melalui tahap eksplorasi, analisis dilanjutkan menjadi dua bagian, yaitu analisis pada data simulasi dan data empiris. Data simulasi terlebih dahulu melalui proses imputasi dan pembersihan anomali, kemudian anomali buatan ditambahkan berdasarkan variasi persentase, kedalaman, dan posisi kemunculannya. Kinerja S-H-ESD dan DeepAnT kemudian dievaluasi menggunakan balanced accuracy pada dua skenario pergeseran jendela, yaitu tahunan dan semester. Pengaruh faktor-faktor simulasi dianalisis menggunakan ART ANOVA. Kedua metode kemudian diterapkan pada data empiris untuk mendeteksi anomali pada data AQI Jakarta. Anomali yang terdeteksi selanjutnya ditangani menggunakan LSTM-imputation iteratif, kemudian data sebelum dan setelah penanganan digunakan untuk peramalan LSTM. Hasil peramalan dibandingkan menggunakan Mean Absolute Percentage Error (MAPE). Hasil simulasi menunjukkan bahwa persentase, kedalaman, dan posisi anomali, serta skenario pergeseran jendela dan metode deteksi yang digunakan, berpengaruh signifikan terhadap kinerja deteksi anomali. Di antara faktor tersebut, metode deteksi dan skenario pergeseran jendela memberikan pengaruh yang paling besar, sedangkan kedalaman anomali memberikan pengaruh yang paling kecil. DeepAnT secara konsisten menghasilkan nilai balanced accuracy yang lebih tinggi dibandingkan S-H-ESD pada kondisi simulasi yang diuji. Sebaran nilai balanced accuracy DeepAnT juga cenderung lebih sempit, sedangkan S-H-ESD menunjukkan perubahan kinerja yang lebih besar pada beberapa kondisi pengujian. Hasil tersebut menunjukkan bahwa DeepAnT memiliki kinerja deteksi yang lebih stabil dibandingkan S-H-ESD dalam skenario simulasi. Hasil analisis terhadap data empiris AQI Jakarta menunjukkan bahwa kedua metode mampu mendeteksi anomali pada skenario pergeseran jendela tahunan maupun semester. DeepAnT secara konsisten mendeteksi lebih banyak anomali dibandingkan S-H-ESD. Beberapa anomali yang terdeteksi pada periode 2020–2023 muncul pada periode yang juga mengalami perubahan kondisi lingkungan dan aktivitas masyarakat, seperti fenomena La Niña, El Niño, serta perubahan kebijakan pembatasan aktivitas selama pandemi. Setelah anomali yang terdeteksi ditangani menggunakan LSTM-imputation iteratif, nilai MAPE menurun pada seluruh fold untuk kedua metode. Hasil tersebut menunjukkan bahwa penanganan anomali membantu meningkatkan akurasi peramalan AQI. Meskipun DeepAnT mendeteksi anomali dalam jumlah yang jauh lebih banyak, hasil peramalan setelah penanganan anomali dari kedua metode relatif berdekatan. Temuan ini menunjukkan bahwa bertambahnya jumlah anomali yang terdeteksi tidak selalu diikuti oleh peningkatan akurasi peramalan. Secara keseluruhan, penelitian ini menunjukkan bahwa deteksi dan penanganan anomali merupakan tahapan penting sebelum data digunakan dalam peramalan kualitas udara. Perbedaan karakteristik S-H-ESD dan DeepAnT menunjukkan bahwa pemilihan metode deteksi perlu disesuaikan dengan karakteristik data dan tujuan analisis. Pada penelitian selanjutnya, faktor meteorologis dan perubahan aktivitas masyarakat yang bertepatan dengan munculnya sejumlah anomali dapat dipertimbangkan sebagai variabel eksogen dalam model. Variabel seperti curah hujan, kelembapan, kecepatan angin, serta indikator aktivitas masyarakat dapat membantu menjelaskan perubahan AQI yang terjadi pada periode tertentu. Penelitian selanjutnya juga dapat mempertimbangkan pola musiman yang lebih kompleks, metode imputasi lain, serta pendekatan yang menggabungkan metode statistik dan deep learning. | |
