ESTIMASI KONSENTRASI NO2 PERMUKAAN BERBASIS DATA SATELIT MENGGUNAKAN METODE RANDOM FOREST

Abstract

Pemanfaatan metode pembelajaran mesin Random Forest yang mengintegrasikan data satelit, meteorologi, dan topografi digunakan untuk meningkatkan pemantauan konsentrasi NO2 ketika ketersediaan instrumen pengamatan permukaan terbatas. Penelitian ini menganalisis karakteristik data Sentinel-5P TROPOMI, memetakan variasi spasial dan temporal konsentrasi NO2 permukaan, serta mengevaluasi hasil estimasi terhadap pengamatan lapangan. Data kolom troposfer NO2 periode 2019–2023 dikombinasikan dengan parameter meteorologi ERA5/ERA5-Land dan data ketinggian DEMNAS, kemudian diseragamkan pada resolusi 0,1° dan dikaitkan dengan pengamatan SPKU di DKI Jakarta dan Jawa Barat. Estimasi dilakukan menggunakan Random Forest dengan validasi silang 10-fold. Hasil analisis menunjukkan pola musiman yang konsisten, dengan konsentrasi tinggi pada musim kemarau dan peralihan kemarau–hujan, serta penurunan signifikan pada musim hujan akibat proses wet scavenging. Konsentrasi tertinggi teramati di Jakarta dan koridor industri pesisir utara Jawa Barat, sedangkan nilai terendah muncul di wilayah selatan yang didominasi hutan dan lahan pertanian. Model menunjukkan kinerja sangat baik pada data latih (R² ˜ 0,95) dan cukup baik pada data uji (R² ˜ 0,64). Secara spasial, konsentrasi tinggi NO2 permukaan terjadi di Jakarta, Bekasi, Karawang, Subang, Indramayu, dan Cirebon, serta terendah di dataran tinggi seperti Puncak; secara temporal meningkat pada puncak kemarau dan awal musim hujan. Perbandingan dengan SPKU menunjukkan kesesuaian pola bulanan yang baik di sebagian besar lokasi urban (R² > 0,65), meskipun model belum mampu menangkap secara akurat peningkatan konsentrasi pada episode polusi ekstrem. Kinerja yang lebih rendah pada stasiun dengan topografi kompleks seperti Bogor, Puncak, dan Bandung mengindikasikan pentingnya mempertimbangkan dinamika atmosfer lokal. Temuan ini menegaskan bahwa integrasi data satelit dan pembelajaran mesin efektif untuk pemantauan polusi udara serta perlunya perluasan jaringan stasiun dan verifikasi lapangan guna meningkatkan akurasi estimasi.