Penerapan Model Long Short-Term Memory (LSTM) Untuk Prediksi Kualitas Udara dan Analisis Korelasi Terhadap Unsur Cuaca di Jongkat Kabupaten Mempawah

Abstract

Intisari

Kebakaran lahan yang terjadi beberapa waktu lalu, seperti tahun 2023 menyebabkan adanya peningkatan polusi udara di Kabupaten Mempawah dan sekitarnya. Salah satu polutan yang terdeteksi di udara adalah Particulate Matter (PM2,5). PM2,5  mudah terhirup oleh manusia dan mengganggu proses pertukaran gas di paru-paru. Untuk mitigasi pencemaran udara dan memberikan informasi cepat terkait kualitas udara, diperlukan prediksi yang akurat. Metode Long Short-Term Memory (LSTM) dipilih karena kemampuannya menangani data deret waktu yang kompleks berdasarkan perubahan waktu dan polutan udara. LSTM mempelajari pola data historis untuk menghasilkan prediksi yang lebih akurat, membantu pengambilan keputusan dalam mitigasi pencemaran udara. Analisis korelasi PM2,5 terhadap unsur cuaca dibuat dalam penelitian ini sebagai informasi dan analisis hubungan hasil prediksi dengan kondisi cuaca lingkungan sekitar untuk mitigasi oleh user. Pemodelan LSTM ini menggunakan max epoch 100, batch size 50, pembagian data training dan testing 90%:10%, optimizer adalah adam, dan mean squared error sehingga diperoleh RMSE terbaik sebesar 3,40. Penelitian ini menghasilkan akurasi prediksi 92,18% untuk klasifikasi data kategori baik dan akurasi 87,75% untuk data kategori sedang hingga tidak sehat. Berdasarkan hasil prediksi tersebut, semakin tinggi konsentrasi dan kategori PM2,5 maka persentase akurasi berkurang sehingga butuh data lebih panjang. Analisis Korelasi dihasilkan bahwa adanya hubungan yang kuat PM 2,5 terhadap parameter cuaca, yaitu kecepatan angin dengan korelasi 0,64 dan curah hujan sebesar -0,49. Hubungan korelasi dikatakan kuat jika berada di rentang  -1 ≤ r ≤1.

Abstract

Recent land fires, such as those in 2023, have caused an increase in air pollution in Mempawah Regency and its surroundings. One of the pollutants detected in the air is Particulate Matter (PM2.5). Humans easily inhale PM2.5, which disrupts the gas exchange process in the lungs. Accurate predictions are needed to mitigate air pollution and provide quick information related to air quality. The Long Short-Term Memory (LSTM) method was chosen for its ability to handle complex time series data based on changes in time and air pollutants. LSTM learns historical data patterns to produce more accurate predictions, aiding decision-making in air pollution mitigation. The correlation analysis of PM2.5 with weather elements was conducted in this study as information and analysis of the relationship between prediction results and surrounding environmental weather conditions for user mitigation. This LSTM modeling uses a max epoch of 100, a batch size of 50, a training and testing data split of 90%:10%, the optimizer is Adam, and the mean squared error results in the best RMSE of 3.40. This study produced a prediction accuracy of 92.18% for the Good category data classification and 87.75% accuracy for the Moderate to Unhealthy category data. Based on these prediction results, the higher the concentration and category of PM2.5, the lower the accuracy percentage, indicating the need for longer data. The correlation analysis showed a strong relationship between PM2.5 and weather parameters, namely wind speed, with a correlation of 0.64 and rainfall of -0.49. The correlation relationship is considered strong if it is in the -1 ≤ r ≤ 1 range.