Prediksi Polusi Udara Di Dki Jakarta Dengan Menggunakan Metode Long-Short Term Memory (LSTM)

Achmad Zhafran Hilmy Ramadhan; Bayu Rahayudi; Dian Eka Ratnawati

Prediksi Polusi Udara Di Dki Jakarta Dengan Menggunakan Metode Long-Short Term Memory (LSTM)

Penulis

Achmad Zhafran Hilmy Ramadhan Universitas Brawijaya
Bayu Rahayudi
Dian Eka Ratnawati

Kata Kunci:

polusi udara, prediksi, root mean square error, jakarta, long-short term memory

Abstrak

Udara merupakan salah satu kebutuhan manusia karena mengandung oksigen (O₂) yang dibutuhkan oleh tubuh manusia. Namun, kualitas udara di perkotaan sering kali berada di atas batas normal akibat dari polusi udara yang menjadi faktor risiko utama untuk berbagai penyakit yang menyebabkan kematian. Karena itu diperlukan upaya khusus untuk menjaga kualitas udara. Salah satu metode untuk mencegah polusi udara adalah dengan memprediksi polusi udara di masa depan dengan menggunakan data historis. Pada penelitian ini memanfaatkan teknologi artificial intelligence dengan menggunakan metode Long-Short Term Memory (LSTM) untuk melakukan prediksi polusi udara di DKI Jakarta dari tahun 2010-2022 dengan jumlah data sebanyak 4.728 data dengan parameter polusi udara yang diprediksi adalah PM₁₀, SO₂, CO, O3, dan NO₂. Hasil penelitian ini menunjukkan bahwa model prediksi terbaik menggunakan LSTM dengan komposisi data training:data testing 11 tahun:1 tahun, jumlah hidden layer 1, jumlah epoch 200, jumlah hidden neuron 25, jumlah batch size 16, dan learning rate 0,1 mendapatkan nilai RMSE yang berkisar antara 9,55002134344871 hingga 9,61049604442543 dari 5 kali pengujian dengan rata-rata nilai RMSE dari seluruh pengujian adalah 9,572682542.

Referensi

Akima, H., 1970. A New Method of Interpolation and Smooth Curve Fitting Based on Local Procedures. Journal of the ACM (JACM), 17(4). https://doi.org/10.1145/321607.321609.

Ali, M., Khan, D.M., Saeed, I. and Alshanbari, H.M., 2023. A New Approach to Empirical Mode Decomposition Based on Akima Spline Interpolation Technique. IEEE Access, 11. https://doi.org/10.1109/ACCESS.2023.3253279.

Bengio, Y., Simard, P. and Frasconi, P., 1994. Learning Long-Term Dependencies with Gradient Descent is Difficult. IEEE Transactions on Neural Networks, 5(2). https://doi.org/10.1109/72.279181.

Cao, B., Zhang, K.C., Wei, B. and Chen, L., 2021. Status quo and future prospects of artificial neural network from the perspective of gastroenterologists. World Journal of Gastroenterology, https://doi.org/10.3748/wjg.v27.i21.2681.

Chatfield, C., 2000. Time Series Forecasting. [online] Available at: <https://books.google.co.id/books?id=PFHMBQAAQBAJ&printsec=frontcover#v=onepage&q&f=false> [Accessed 2 July 2024].

Chicho, B.T. and Sallow, A.B., 2021. A Comprehensive Survey of Deep Learning Models Based on Keras Framework. Journal of Soft Computing and Data Mining, 2(2). https://doi.org/10.30880/jscdm.2021.02.02.005.

Chikodili, N.B., Abdulmalik, M.D., Abisoye, O.A. and Bashir, S.A., 2021. Outlier Detection in Multivariate Time Series Data Using a Fusion of K-Medoid, Standardized Euclidean Distance and Z-Score. In: Communications in Computer and Information Science. https://doi.org/10.1007/978-3-030-69143-1_21.

Ding, S., Li, H., Su, C., Yu, J. and Jin, F., 2013. Evolutionary artificial neural networks: A review. Artificial Intelligence Review, https://doi.org/10.1007/s10462-011-9270-6.

Harrison, C., Eckman, B., Hamilton, R., Hartswick, P., Kalagnanam, J., Paraszczak, J. and Williams, P., 2010. Foundations for Smarter Cities. IBM Journal of Research and Development, 54(4). https://doi.org/10.1147/JRD.2010.2048257.

Hochreiter, S. and Schmidhuber, J., 1997. Long Short-Term Memory. Neural Computation 9, 8, pp.1735–1780.

Van Houdt, G., Mosquera, C. and Nápoles, G., 2020. A review on the long short-term memory model. Artificial Intelligence Review, 53(8). https://doi.org/10.1007/s10462-020-09838-1.

Hyndman, R.J., & Athanasopoulos, G., 2015. Forecasting: Principles and Practice (3rd ed). OTexts: Melbourne, Australia. OTexts.com/fpp3.

Karunasingha, D.S.K., 2022. Root mean square error or mean absolute error? Use their ratio as well. Information Sciences, 585. https://doi.org/10.1016/j.ins.2021.11.036.

Kusumawardani, D. and Navastara, A.M., 2018. Analisis Besaran Emisi Gas CO2 Kendaraan Bermotor Pada Kawasan Industri SIER Surabaya. Jurnal Teknik ITS, 6(2). https://doi.org/10.12962/j23373539.v6i2.24392.

Lee, H. and Song, J., 2019. Introduction to convolutional neural network using Keras; An understanding from a statistician. Communications for Statistical Applications and Methods, 26(6). https://doi.org/10.29220/CSAM.2019.26.6.591.

Patro, S.G.K. and sahu, K.K., 2015. Normalization: A Preprocessing Stage. IARJSET. https://doi.org/10.17148/iarjset.2015.2305.

Salehinejad, H., Sankar, S., Barfett, J., Colak, E. and Valaee, S., 2017. Recent Advances in Recurrent Neural Networks. [online] Available at: <http://arxiv.org/abs/1801.01078>.

Siburian, S., 2020. Pencemaran Udara dan Emisi Gas Rumah Kaca. [online] Kreasi Cendekia Pustaka. Available at: <https://books.google.co.id/books/about/Pencemaran_Udara_dan_Emisi_Gas_Rumah_Kac.html?id=FRsMEAAAQBAJ&redir_esc=y> [Accessed 2 July 2024].

Tugaswati, A.T., 2008. EMISI GAS BUANG KENDARAAN BERMOTOR DAN DAMPAKNYA TERHADAP KESEHATAN. Komisi Penghapusan Bensin Bertimbel, 1.

Tyagi, A.K. and Abraham, A., 2022. Recurrent Neural Networks: Concepts and Applications. Recurrent Neural Networks: Concepts and Applications. https://doi.org/10.1201/9781003307822.

Xayasouk, T., Lee, H.M. and Lee, G., 2020. Air pollution prediction using long short-term memory (LSTM) and deep autoencoder (DAE) models. Sustainability (Switzerland), 12(6). https://doi.org/10.3390/su12062570.

Prediksi Polusi Udara Di Dki Jakarta Dengan Menggunakan Metode Long-Short Term Memory (LSTM)