ANALISIS UNIVARIATE FORECASTING PADA PARTIKULAT MATTER 2.5 MENGGUNAKAN CNN-LONG SHORT-TERM MEMORY (LSTM) DAN CONV-LSTM DI WILAYAH KEMAYORAN KOTA JAKARTA PUSAT
No Thumbnail Available
Date
2024-01-29
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Prakiraan partikulat matter menjadi isu sangat penting untuk peringatan dini dan pengendalian dalam pencemaran udara. Khususnya PM2.5, dengan peningkatan konsentrasi ini akan memperburuk terhadap kesehatan masyarakat. Pada penelitian ini, model hybrid CNN-LSTM dan convLSTM dikembangkan dengan menggabungkan jaringan konvolusi (CNN) dengan jaringan LSTM untuk memperkirakan konsentrasi PM2.5 untuk 24 jam berikutnya di wilayah Kemayoran. Dengan penggunaan kelebihan CNN dalam mengekstrak fitur secara efektif dan LSTM dalam mempelajari data historis jangka panjang dari data deret waktu konsentrasi PM2.5. Model prediktif CNN-LSTM dilakukan dalam suatu arsitektur yang terpisah dimana dilakukan proses CNN terlebih dahulu untuk menjadi input LSTM sedangkan untuk convLSTM dilakukan dalam satu arsitektur dimana perkalian dalam arsitektur LSTM ditambah dengan proses konvolusi. Penelitian ini, akan menjelaskan bagaimana metode pengembangan hybrid CNN-LSTM dan convLSTM dalam memprediksi konsentrasi PM2.5. Berdasarkan evaluasi metrik kedua model ini dibandingkan sehingga menjadi model yang terbaik. Secara keseluruhan, kedua model prediktif menghasilkan nilai MAPE yang termasuk dalam kategori cukup baik dengan nilai <20%. Didapatkan hasil untuk convLSTM dengan MAE senilai 6.52, RMSE 8.55 dan MAPE 16.39%. Sehingga, performa model convLSTM berkinerja lebih baik dari pada CNN-LSTM dalam melakukan prediksi konsentrasi PM2.5.
Description
Keywords
PM2.5, Prakiraan, Kualitas Udara