Peramalan Kualitas Udara di Kota Jakarta Pusat dengan Metode Long Short-Term Memory dan Support-Vector Regression

JITTER- Jurnal Ilmiah Teknologi dan Komputer Vol. 4, No. 1, April 2023

PERAMALAN KUALITAS UDARA DI KOTA JAKARTA PUSAT DENGAN METODE LONG SHORT-TERM MEMORY DAN SUPPORT-VECTOR REGRESSION

Mohammad Ernico Suryo Wicaksono^a1, Gusti Made Arya Sasmita^a2, I Putu Agus Eka Pratama^b3

^aProgram Studi Teknologi Informasi, Fakultas Teknik, Universitas Udayana, Bali, Indonesia e-mail: ¹[email protected], ²[email protected], ³[email protected]

Abstrak

Kualitas udara merupakan masalah serius di kota-kota besar di seluruh dunia, karena memiliki dampak yang signifikan terhadap kesehatan masyarakat dan lingkungan. Penelitian ini membahas mengenai peramalan kualitas udara di Kota Jakarta Pusat menggunakan Metode Long Short-Term Memory (LSTM) dan Support-Vector Regression (SVR). Tujuan dari penelitian ini untuk membantu para pembuat kebijakan dalam membuat keputusan tentang pengelolaan dan penanggulangan kualitas udara serta dalam mengambil tindakan yang sesuai ke depannya untuk melindungi kesehatan masyarakat dan lingkungan. Parameter yang diramalkan dengan Metode LSTM dan SVR adalah nilai konsentrasi polutan Particulate Matter 10 (PM10), Sulfur Dioksida (SO2), Karbon Monoksida (CO), Ozon Permukaan (O3), dan Nitrogen Dioksida (NO2) dengan evaluasi menggunakan metrik Mean Absolute Percentage Error (MAPE) dan Root-Mean-Square Error (RMSE). Hasil yang didapat dari Metode LSTM adalah rata-rata nilai MAPE sebesar 12,15% dan rata-rata nilai RMSE sebesar 0,0941, sedangkan Metode SVR memiliki hasil rata-rata nilai MAPE sebesar 16,19% dan rata-rata nilai RMSE sebesar 0,1666.

Kata kunci: Kualitas Udara, Polusi Udara, Data Mining, Long Short-Term Memory, SupportVector Regression

Abstract

Air quality is a critical issue in many major cities around the world, as it has significant implications for public health and the environment. This research proposed air quality forecasting at Central Jakarta using Long Short-Term Memory (LSTM) and Support-Vector Regression (SVR) methods. The purpose of this research is to help policymakers to make decisions about air quality management and take appropriate actions to protect public health and the environment. The forecasted parameters are Particulate Matter 10 (PM10), Sulfur Dioxide (SO2), Carbon Monoxide (CO), Ground-Level Ozon (O3), and Nitrogen Dioxide (NO2) using Mean Absolute Percentage Error (MAPE) and Root-Mean-Square Error (RMSE) as its evaluation metrics. The results showed that LSTM method has an average of 12.15% MAPE value and 0.0941 RMSE value, while SVR method has an average of 16.19% MAPE value and 0.1666 RMSE value.

Keywords : Air Quality, Air Pollution, Data Mining, Long Short-Term Memory, Support-Vector Regression

• 1.    Pendahuluan

Kota Administrasi Jakarta Pusat atau lebih dikenal dengan Kota Jakarta Pusat adalah kota administrasi yang terletak di Provinsi Daerah Khusus Ibukota (DKI) Jakarta dengan luas 48,13 km² dengan populasi penduduk berdasarkan data kependudukan tahun 2021 dari Badan Pusat Statistik (BPS) mencapai 1.136.824 jiwa [1]. Polusi udara di Provinsi DKI Jakarta pada umumnya dan Kota Jakarta Pusat khususnya terus meningkat, salah satunya dikarenakan

penambahan kendaraan bermotor yang mayoritas masih berbahan bakar fosil dengan penambahan rata-rata setiap tahunnya sebanyak 12% dan didominasi oleh sepeda motor pribadi dengan rata-rata penambahan sebanyak 73% dibandingkan jenis kendaraan bermotor lainnya [2]. Polusi udara menyebabkan kualitas udara memburuk sehingga memengaruhi kesehatan masyarakat, terutama anak-anak. Terbukti dari 60 orang anak yang berkegiatan di luar ruangan dalam kurun waktu 1-6 jam, 58 orang anak diantaranya mengalami batuk, 54 orang anak mengalami sakit tenggorokan, 43 orang anak mengalami sesak, 40 orang anak mengalami asma, 37 orang anak mengalami pilek, dan 36 orang anak mengalami nyeri [3].

Permasalahan udara di Kota Jakarta Pusat dapat diantisipasi salah satunya dengan peramalan kualitas udara di Kota Jakarta Pusat, dimana salah satu tujuannya adalah untuk membantu dalam pengambilan keputusan dan penetapan kebijakan oleh pemangku kebijakan dalam mengatasi permasalahan yang timbul akibat polusi udara untuk memperbaiki kualitas udara di Kota Jakarta Pusat sehingga kualitas udara dimasa mendatang menjadi lebih baik. Penelitian ini menggunakan Metode Long Short Term Memory (LSTM) dan Support Vector Regression (SVR) untuk melakukan peramalan dengan tujuan untuk mengetahui metode mana yang lebih optimal dalam peramalan kualitas udara di Kota Jakarta Pusat diantara kedua metode tersebut. Akurasi dari hasil peramalan pada masing-masing metode dihitung dengan menggunakan Mean Absolute Percentage Errors (MAPE) dan Root Mean Square Error (RMSE) untuk menentukan metode peramalan mana yang lebih baik diantara kedua metode tersebut dalam meramalkan kualitas udara di Kota Jakarta Pusat.

• 2.    Metodologi Penelitian

Penelitian ini menggunakan data rata-rata Particulate Matter 10 (PM10), Sulfur Dioksida (SO2), Karbon Monoksida (CO), Ozon Permukaan (O3), dan Nitrogen Dioksida (NO2) di Kota Jakarta Pusat yang diperoleh dari Dinas Lingkungan Hidup Provinsi DKI Jakarta melalui Portal Data Terpadu Pemerintah Provinsi DKI Jakarta dan data meteorologi yang memengaruhi kelima parameter tersebut seperti data rata-rata temperatur, kelembapan, curah hujan, dan kecepatan angin di Kota Jakarta Pusat yang diperoleh dari Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) melalui Aplikasi Data Online - Pusat Database - BMKG. Rentang waktu dari data yang digunakan dari Januari 2010 hingga Desember 2019. Gambaran umum penelitian ini digambarkan sebagai berikut.

Gambar 1. Gambaran Umum Penelitian

Gambar 1. menjelaskan gambaran umum penelitian ini. Tahap pertama adalah

identifikasi masalah, kemudian dilanjutkan dengan tahap studi literatur dan pengumpulan data,

kemudian dilanjutkan dengan memroses data dengan data selection, data preprocessing, normalisasi data, sliding window, split data menjadi data latih dan data uji, merancang arsitektur model peramalan dengan Metode LSTM dan SVR, denormalisasi hasil peramalan, menghitung akurasi hasil peramalan dengan MAPE dan RMSE, dan terakhir adalah mendokumentasikan hasil. Metode peramalan yang digunakan memiliki alur peramalan berbeda-beda. Alur peramalan Metode LSTM digambarkan sebagai berikut.

Gambar 2. Alur Peramalan Long Short-Term Memory (LSTM)

Gambar 2. merupakan alur peramalan LSTM yang dimulai dengan memroses data terlebih dahulu agar data dapat digunakan untuk proses peramalan dengan LSTM. Arsitektur model diinisialisasi terlebih dahulu, kemudian mendefinisikan hyperparameter-nya seperti hidden layer, nodes atau neuron, dropout, output layer, activation function, epoch, dan batch size. Arsitektur model yang sudah dibuat beserta nilai hyperparameters-nya kemudian di latih dengan data latih, kemudian diuji dengan data uji sehingga didapat hasil yang diproses dengan denormalisasi agar didapat nilai aktualnya. Alur peramalan Metode SVR digambarkan sebagai berikut.

Gambar 3. merupakan alur peramalan SVR yang dimulai dengan memroses data terlebih dahulu agar data dapat digunakan untuk proses peramalan dengan SVR. Arsitektur model diinisialisasi terlebih dahulu, kemudian mendefinisikan hyperparameter-nya seperti kernel, tol, C, epsilon, shrinking, degree (kernel Polynomial), gamma (kernel RBF atau Polynomial), dan coef0 (kernel Polynomial). Arsitektur kedua model yang sudah dibuat beserta nilai hyperparameters-nya kemudian di latih dengan data latih, kemudian diuji dengan data uji sehingga didapat hasil yang diproses dengan denormalisasi agar didapat nilai aktualnya. Akurasi hasil dari kedua metode dihitung dengan MAPE dan RMSE dan langkah terakhir adalah data divisualisasikan.

• 2.1    Mean Absolute Percentage Error (MAPE)

Mean Absolute Percentage Errors (MAPE) merupakan ukuran kesalahan relatif. MAPE menyatakan persentase kesalahan hasil peramalan terhadap permintaan aktual selama periode tertentu yang memberikan informasi persentase kesalahan terlalu tinggi atau terlalu rendah. Persamaan MAPE adalah sebagai berikut [4] :

^{∣ i    i∣} 100%

(1)

X

MAPE = ⁱ

n

Parameter Xi menunjukkan nilai aktual, parameter Fi merupakan nilai peramalan, dan parameter N adalah jumlah data. Tabel 1. menunjukkan tingkat akurasi hasil peramalan berdasarkan nilai MAPE.

Tabel 1. Akurasi Hasil Berdasarkan MAPE

MAPE	Hasil Peramalan
<10%	Sangat Baik
10-20%	Baik

20-50%	Layak/Cukup
>50%	Buruk

Tabel 1. menunjukkan tingkat akurasi hasil peramalan berdasarkan nilai MAPE. Sebuah model peramalan jika berhasil menghasilkan nilai MAPE <10%, maka model tersebut dapat dikategorikan sangat akurat.

• 2.2    Root-Mean-Square Error (RMSE)

Root-Mean-Square Error (RMSE) merupakan akar kuadrat estimasi perbedaan nilai peramalan dengan nilai aktual. Semakin tinggi nilai RMSE semakin akurat nilai yang dihasilkan model peramalannya. Persamaan RMSEadalah sebagai berikut [5] :

IΛ (P_m-P_r)²

(2)

RMSE=√Σ ^mN_r

Parameter Pm berarti nilai aktual, parameter Pr menunjukkan nilai peramalan, dan parameter N adalah jumlah data.

• 3.    Kajian Pustaka

Kajian pustaka merupakan tahap mengumpulkan dan mempelajari teori terkait dengan permasalahan yang diangkat dalam penelitian ini. Kajian pustaka yang dijabarkan diantaranya polusi udara, Indeks Standar Pencemar Udara (ISPU), normalisasi data, sliding window, peramalan, Long Short-Term Memory (LSTM), dan Support-Vector Regression (SVR).

• 3.1    Polusi Udara

Polusi udara atau pencemaran udara adalah tercampurnya substansi, baik fisik, kimia, ataupun biologi, di udara bersih dalam jumlah yang membahayakan kesehatan makhluk hidup, merusak lingkungan, hingga bisa bersifat korosif terhadap properti [6].

• 3.2    Indeks Standar Pencemar Udara (ISPU)

Peraturan Menteri Lingkungan Hidup dan Kehutanan (Permen LHK) Nomor 14 Tahun 2020 tentang Indeks Standar Pencemar Udara (ISPU) menyebutkan bahwa ISPU merupakan gambaran kualitas udara ambien di suatu lokasi dalam bentuk angka tanpa satuan yang didasarkan kepada kesehatan manusia dan makhluk hidup lainnya. Pasal 2 Ayat 2 pada Permen LHK Nomor 14 Tahun 2020 menyatakan bahwa polutan yang terdiri dari Particulate Matter 2,5 (PM2.5), Particulate Matter 10 (PM10), Sulfur Dioksida (SO2), Karbon Monoksida (CO), Ozon Permukaan (O3), Nitrogen Dioksida (NO2), dan Hidrokarbon (HC) diukur kemudian dihitung agar menjadi nilai ISPU.

• 3.2.1    Particulate Matter 10 (PM10)

Particulate Matter 10 (PM10) merupakan polutan udara berbentuk partikel yang terdiri partikel padat ataupun cair berukuran lebih kecil atau sama dengan 10 mikrometer dan lebih besar dari 2,5 mikrometer. Sumber polutan PM10 biasanya berasal dari konstruksi bangunan, tempat pembuangan sampah, pertanian, sampah industri, dan angin yang menghembuskan debu dari lapangan/ruang terbuka [7].

• 3.2.2    Sulfur Dioksida (SO2)

Sulfur Dioksida (SO2) adalah gas berbahaya yang biasanya dihasilkan dari hasil pembakaran menggunakan bahan bakar fosil yang mengandung sulfur, kendaraan diesel, dari aktivitas industri yang menggunakan bahan bakar minyak mentah dan batu bara, atau dari gunung berapi [8].

• 3.2.3    Karbon Monoksida (CO)

Karbon Monoksida (CO) merupakan polutan udara berjenis gas yang tidak berwarna, tidak berbau, tidak berasa, dan tidak mengiritasi. CO biasanya bersumber dari hasil pembakaran tidak sempurna pada mesin berbahan bakar fosil, minyak tanah, bahan bakar padat, dan gas. Efek kesehatan yang dapat ditimbulkan bila seseorang mengalami keracunan

CO diantaranya sakit kepala, pusing, kelelahan, mual, muntah-muntah, hingga hilang kesadaran [9].

• 3.2.4    Ozon Permukaan (O3)

Ozon Permukaan (O3) adalah polutan udara sekunder yang terbentuk dari hasil reaksi kimiawi antara oksida nitrogen dan senyawa organik yang mudah menguap yang berasal baik dari sumber alami maupun dari aktivitas manusia. Kadar O3 yang tinggi dapat membahayakan hutan dan tumbuh-tumbuhan serta mengurangi potensi hasil panen pertanian. Paparan terhadap konsentrasi O3 yang tinggi memiliki dampak buruk bagi kesehatan, diantaranya kerusakan paru-paru, gangguan pernapasan, penyakit paru obstruktif kronik, peningkatan morbiditas, dan mortalitas [9].

• 3.2.5    Nitrogen Dioksida (NO2)

Nitrogen Dioksida (NO2) merupakan polutan udara yang terbentuk dari pembakaran pada temperatur tinggi dari bahan bakar fosil seperti batu bara, minyak mentah, bensin, ataupun diesel. Efek buruk terhadap kesehatan dari NO2 adalah berbagai macam penyakit pernafasan, karena NO2 yang terhirup masuk dan menembus hingga ke bagian dalam paru paru, serta dapat memengaruhi kesehatan mata, tenggorokan dan menyebabkan iritasi pada hidung. Efek buruk terhadap lingkungan dari NO2 adalah merusak tumbuh-tumbuhan [9].

• 3.3    Normalisasi Data

Normalisasi data adalah proses mengubah nilai aktual ke dalam nilai yang lebih mudah dipahami agar memudahkan proses pengolahan data, mengurangi redundansi data, membuat perhitungan numerik menjadi lebih tepat, dan meningkatkan akurasi hasil peramalan [10]. Persamaan yang digunakan pada normalisasi min - max adalah sebagai berikut [11] :

^Xi^-Xmin

max

_-

^'

min max

_-

Xmin) ⁺ Xmin

(1)

Parameter Xi merupakan nilai aktual, parameter Xmin menunjukkan nilai aktual terendah, parameter Xmax adalah nilai aktual tertinggi, parameter X'min menggambarkan nilai target terendah, dan X'max berarti nilai target tertinggi.

• 3.4    Sliding Window

Sliding Window adalah metode yang merubah data time series menjadi supervised dengan cara memperkirakan nilai sementara data time series menggunakan time step (langkah waktu) sebagai input X untuk memprediksi data pada langkah waktu selanjutnya. Parameter langkah waktu ini disebut dengan window size. Langkah waktu selanjutnya dijadikan sebagai parameter Y atau sebagai keluaran dari input X [12]. Sliding Window dapat digambarkan sebagai berikut.

Gambar 4. Ilustrasi Sliding Window

Gambar 4. merupakan ilustrasi dari sliding window. Gambar tersebut menjelaskan jika data yang dimiliki misalnya adalah data bulanan, maka window size sebesar 5 mengartikan bahwa data 5 bulan terakhir (input X) digunakan untuk memprediksi data pada langkah waktu

selanjutnya (keluaran Y) dan berlanjut hingga data time series yang digunakan pada periode waktu tertentu mencapai titik akhir.

• 3.5    Peramalan

Peramalan merupakan kegiatan memprediksi nilai, kejadian, peristiwa, waktu, lokasi, kuantitas, atau kualitas di masa mendatang yang didasarkan pada pertimbangan subjektif terhadap data masa lalu sehingga informasi yang dihasilkan dari peramalan dapat menjadi referensi penting bagi masyarakat [13]. Metode peramalan kuantitatif adalah metode peramalan dengan memanfaatkan informasi di masa lalu dan metode kualitatif adalah metode peramalan dengan memanfaatkan pendapat dari ahli atau pakar untuk pengambilan keputusan dari hasil peramalan yang dilakukan [14].

• 3.6    Long Short-Term Memory (LSTM)

Long Short-Term Memory (LSTM) adalah metode yang pertama kali diperkenalkan oleh Hochreiter & Schmidhuber pada tahun 1997 dan merupakan hasil pengembangan dari arsitektur Recurrent Neural Network (RNN) [15]. LSTM pada prosesnya melibatkan empat komponen utama, diantaranya forget gate, input gate, cell state, dan output gate. Forget gate berfungsi untuk membedakan data yang penting dan tidak penting pada yang dijalankan dengan fungsi sigmoid. Input gate bertugas mengendalikan seberapa banyak informasi terbaru yang didapat yang akan lewat. Cell state memiliki fungsi untuk menyimpan informasi sebelumnya. Output gate befungsi untuk menentukan informasi mana yang hendak dikeluarkan dari cell state [5].

• 3.7    Support-Vector Regression (SVR)

Support-Vector Regression (SVR) adalah metode machine learning (pembelajaran mesin) yang merupakan bagian dari Support-Vector Machine (SVM) dan juga dikenal sebagai SVM-Regression. SVR dikhususkan untuk memecahkan kasus regresi dan memberikan output dalam bentuk data yang kontinu dengan bilangan riil sehingga dapat digunakan untuk melakukan peramalan. Kelebihan yang dimiliki oleh Metode SVR adalah metode ini merupakan salah satu metode yang digunakan untuk mengatasi overfitting dan mampu menangkap tren data yang non-linier sehingga hasil peramalan lebih akurat [16].

• 4.    Hasil dan Pembahasan

Penelitian ini berfokus pada komparasi Metode LSTM dan SVR dalam meramalkan rata-rata PM10, SO2, CO, O3, dan NO2. Contoh data kualitas udara yang sudah dinormalisasi digambarkan sebagai berikut.

Tabel 2. Contoh Data Kualitas Udara

Bulan	PM10 (μ g/m3)	PM10 ISPU	SO2 (μ g/m3)	SO2 ISPU	CO (μ g/m3)	CO ISPU	O3 (μ g/m3)	O3 ISPU	NO2 (μ g/m3)	NO2 ISPU
Jan	0.180	0.270	0.079	0.055	0.639	0.625	0.115	0.111	0.548	0.523
2010	481	833	082	556	05		162	111	851	81
Feb	0.371	0.5	0.112	0.111	0.876	0.875	0.381	0.375	0.747	0.761
2010	658		245	111	092		944		126	905
Mar	0.413	0.541	0.163	0.166	0.913	0.875	0.405	0.388	0.761	0.761
2010	102	667	265	667	698		093	889	494	905
Apr	0.415	0.541	0.275	0.277	0.820	0.791	0.504	0.486	0.701	0.714
2010	775	667	51	778	911	667	63	111	149	286
Mei	0.491	0.604	0.375	0.361	0.919	0.916	0.539	0.527	0.816	0.809
2010	979	167		111	086	667	352	778	092	524

Tabel 2. merupakan contoh data kualitas udara yang sudah dinormalisasi. Rentang waktu dari data yang digunakan adalah Januari 2010 hingga Desember 2019. Data meteorologi yang sudah dinormalisasi digambarkan sebagai berikut.

Tabel 3. Contoh Data Meteorologi

Bulan	temperatur_rata -rata(°C)	kelembapan_rata-rata(%)	curah_hujan (mm)	kecepatan_angin_rata-rata(m/s)
Jan 2010	0.242424	0.751351	0.436364	0.242424
Feb 2010	0.484848	0.756757	0.290909	0.484848
Mar 2010	0.606061	0.659459	0.284848	0.606061
Apr 2010	0.909091	0.443243	0.066667	0.909091
Mei 2010	0.818182	0.562162	0.084848	0.818182

Tabel 3. merupakan contoh data meteorologi yang sudah dinormalisasi. Rentang waktu dari data yang digunakan adalah Januari 2010 hingga Desember 2019.

• 4.1.    Hasil Peramalan dengan Long Short-Term Memory (LSTM)

Hasil terbaik yang didapat dari Metode LSTM pada penelitian ini menggunakan window size sebesar 12 dan skema peramalan 9 tahun data latih dan 1 tahun data uji. Hasil terbaik peramalan dari masing-masing parameter dapat dilihat pada Tabel 4.

Tabel 4. Hasil Terbaik LSTM

Pa-rame-ter	Hidde n Layers	Neuro n	Activation Function	Drop out	Learning Rate	Batch Size	Epo chs	MAPE	RMSE
PM10	1	70	Linear	0,1	0,004	41	230	9,379 %	0,0994
SO2	2	10	Linear	Fals e	0,01	6	500	18,35 6%	0,0954
		100
CO	2	8	Linear	Fals e	0,001	60	500	7,376 %	0,0889
		128
O3	1	100	Linear	Fals e	0,00796 65	1	500	11,36 2%	0,1110
NO2	3	512	Linear	0,1	0,01	1	500	14,3%	0,0756
		8
		60

Tabel 4. merupakan hasil terbaik dari Metode LSTM dalam peramalan di setiap parameter. Hasil-hasil tersebut jika dirata-ratakan, maka rata-rata MAPE yang didapat adalah 12,15% dan rata-rata RMSE yang didapat adalah 0,0941. Hasil akhir peramalan dengan Metode LSTM setelah proses denormalisasi dapat dilihat pada Tabel 5.

Tabel 5. Hasil Akhir Peramalan LSTM

	Hasil Peramalan
Bulan	PM10 Data	PM10 Hasil	SO2 Data	SO2 Hasil	CO Data	CO Hasil	O3 Data	O3 Hasil	NO2 Data	NO2 Hasil
	Ak-	Pera-	Ak-	Pera-	Ak-	Pera-	Ak-	Pera-	Ak-	Pera-
	tual	malan	tual	malan	tual	malan	tual	malan	tual	malan
Januari 2019	49,8	42,343 93018	16,5	16,715 15086	1800	1822,3 66309	163, 5	162,0 93773 7	15	6,2510 18715
Febr uari 2019	47,9	44,281 81242	18,4	16,468 56928	2133 ,3	1970,7 95963	99,2	109,3 72958 2	19,6	10,985 79054
Mare t 2019	39,8	49,318 45553	13,6	18,615 1628	2037 ,3	1933,0 80953	99,8	106,3 86766 1	22,5	19,090 40022

April 2019	46,5	53,486 66831	8,2	12,114 98482	2200	1982,9 15352	123, 3	100,4 18228 7	24,9	22,855 47652
Mei 2019	52,5	59,117 15835	7,4	9,4348 94276	1751 ,4	1864,0 19312	120, 6	101,5 82556 3	23,1	23,327 83942
Juni 2019	58,9	62,484 93629	8,8	9,9015 38718	1582 ,9	1877,5 65115	149, 9	103,8 84077 1	23,8	23,211 11977
Juli 2019	73,2	66,517 58835	21,8	10,533 07478	1741 ,5	1713,5 63426	131, 7	130,0 80423 7	25,3	23,440 031
Agus tus 2019	68,8	70,205 35431	19,7	21,491 23564	1680	1617,4 71147	143, 1	135,1 77674 9	25,3	24,259 34401
Sep-tem-ber 2019	64,3	69,722 02065	21,6	20,971 99011	1523 ,2	1554,5 74099	140, 4	145,9 44777 7	22,5	24,317 22987
Oktober 2019	73,4	66,307 15504	21,6	24,081 73418	1540	1563,5 27703	159, 5	127,0 56642 9	23,6	23,409 98354
No-vem-ber 2019	65,6	63,589 89733	23,5	21,834 7178	1363 ,2	1583,3 98239	162, 7	131,7 93168 3	24	23,283 37598
De-sem-ber 2019	58,3	58,257 36177	24,3	23,917 29584	1440	1649,5 41868	123, 3	127,6 62480 5	19,9	23,712 78548

Tabel 5. merupakan tabel perbandingan antara data aktual dari parameter-parameter yang diramalkan dengan hasil peramalan menggunakan Metode LSTM. Peramalan yang dilakukan adalah peramalan selama 12 bulan ke depan pada tahun 2019. Visualisasi hasil dapat dilihat pada Gambar 5.

Gambar 5. Visualisasi Hasil Peramalan LSTM

Gambar 5. merupakan visualisasi hasil peramalan parameter dengan Metode LSTM. Grafik biru merupakan data aktual, sedangkan grafik oranye merupakan data hasil peramalan.

• 4.2.    Peramalan dengan Support-Vector Regression (SVR)

Hasil terbaik yang didapat dari Metode SVR pada penelitian ini menggunakan window size sebesar 3 dan skema peramalan 9 tahun data latih dan 1 tahun data uji. Hasil terbaik peramalan dari masing-masing parameter dapat dilihat pada Tabel 6.

Tabel 6. Hasil Terbaik SVR

kernel	gamma	tol	C	epsilon	shrinking	MAPE	RMSE
Linear	-	0,008	0,1	0,1006	False	10,348%	0,2017
Linear	-	0,0019	100	0,001	True	24,067%	0,158301
RBF	auto	0,005	10	0,1862	False	10,418%	0,15188
Linear	-	0,001	1	0,0906	False	17,308%	0,16021
Linear	-	0,006	1	0,0271	True	18,805%	0,1610

Tabel 6. merupakan hasil terbaik dari Metode SVR dalam peramalan di setiap parameter. Hasil-hasil tersebut jika dirata-ratakan, maka rata-rata MAPE yang didapat adalah 16,19% dan rata-rata RMSE yang didapat adalah 0,1666. Hasil akhir peramalan dengan Metode LSTM setelah proses denormalisasi dapat dilihat pada Tabel 7.

Tabel 7. Hasil Akhir Peramalan SVR

Bulan	Hasil Peramalan
	PM10 Data Aktual	PM10 Hasil Peramalan	SO2 Data Aktual	SO2 Hasil Peramalan	CO Data Aktual	CO Hasil Peramalan	O3 Data Aktual	O3 Hasil Peramalan	NO2 Data Aktual	NO2 Hasil Peramalan
Januari 2019	49,8	51,279 56388	16,5	13,809 71465	1800	1465,2 89353	163, 5	120,9 14423 2	15	1,3055 74454
Febr uari 2019	47,9	54,577 95062	18,4	13,036 56561	2133 ,3	2032,4 86104	99,2	159,8 22556 3	19,6	12,778 56924
Mare t 2019	39,8	54,839 51117	13,6	21,197 81894	2037 ,3	1898,7 09854	99,8	76,18 17937 1	22,5	14,889 32522
April 2019	46,5	52,638 45126	8,2	13,198 72215	2200	1878,0 45303	123, 3	113,3 55415 4	24,9	22,552 39381
Mei 2019	52,5	55,309 40834	7,4	10,160 72435	1751 ,4	2049,9 35334	120, 6	114,3 06597 7	23,1	23,877 95432
Juni 2019	58,9	56,590 28918	8,8	8,3184 61441	1582 ,9	1793,6 10276	149, 9	105,4 48753 9	23,8	22,377 85543
Juli 2019	73,2	59,385 0811	21,8	10,518 74536	1741 ,5	1699,3 32391	131, 7	142,4 90355	25,3	23,819 8095

								2
Agus tus 2019	68,8	65,854 55269	19,7	20,693 63303	1680	1659,4 57734	143, 1	135,5 70514 9	25,3	23,629 79742
Sep-tem-ber 2019	64,3	64,323 15682	21,6	18,932 29487	1523 ,2	1570,8 11005	140, 4	154,1 02325 7	22,5	24,569 53287
Oktober 2019	73,4	61,388 02206	21,6	22,291 94475	1540	1640,2 4138	159, 5	144,3 21076 6	23,6	21,589 09479
No-vem-ber 2019	65,6	64,720 79427	23,5	24,167 59562	1363 ,2	1733,9 7507	162, 7	144,7 08251 9	24	20,479 77906
De-sem-ber 2019	58,3	61,858 4141	24,3	22,220 10063	1440	1575,5 72313	123, 3	135,7 88187 6	19,9	20,319 34515

Tabel 7. merupakan tabel perbandingan antara data aktual dari parameter-parameter yang diramalkan dengan hasil peramalan menggunakan Metode SVR. Peramalan yang dilakukan adalah peramalan selama 12 bulan ke depan pada tahun 2019. Visualisasi hasil dapat dilihat pada Gambar 6.

Gambar 6. Visualisasi Hasil Peramalan SVR

Gambar 6. merupakan visualisasi hasil peramalan parameter dengan Metode SVR. Grafik biru merupakan data aktual, sedangkan grafik oranye merupakan data hasil peramalan.

5. Kesimpulan

Metode LSTM merupakan metode yang lebih tepat untuk meramalkan kualitas udara di Kota Jakarta Pusat dibandingkan SVR berdasarkan analisis yang dilakukan. Hasil rata-rata tingkat kesalahan dengan metric MAPE dan RMSE pada peramalan rata-rata PM10, SO2, CO, O3, dan NO2 di Kota Jakarta Pusat, menunjukkan bahwa rata-rata kesalahan LSTM lebih kecil dibandingkan SVR. Rata-rata MAPE dari LSTM sebesar 12,15% dan rata-rata RMSE sebesar 0,0941, sedangkan peramalan menggunakan Metode SVR memiliki rata-rata MAPE sebesar 16,19% dan rata-rata RMSE sebesar 0,1666.

Daftar Pustaka

• [1]    BPS Kota Jakarta Pusat, “Kota Jakarta Pusat Dalam Angka 2022,” Jakarta Pusat, 2022. Accessed: Nov. 03,     2022. [Online]. Available: https://jakpuskota.bps.go.id/publication/download.html?

nrbvfeve=YzYwOTY1MWU0NjU2OGQzNDA5MGU0MDIy&xzmn=aHR0cHM6Ly9qYWtwdXNrb3R hLmJwcy5nby5pZC9wdWJsaWNhdGlvbi8yMDIyLzAyLzI1L2M2MDk2NTFlNDY1NjhkMzQwOTBlN DAyMi9rb3RhLWpha2FydGEtcHVzYXQtZGFsYW0tYW5na2EtMjAyMi5odG1s&twoadfnoarfeauf=M jAyMi0xMS0wMyAyMDowNTo1NA%3D%3D

• [2]    Ismiyati, D. Marlita, and D. Saidah, “Pencemaran Udara Akibat Emisi Gas Buang Kendaraan Bermotor,” Jurnal Manajemen Transportasi & Logistik (JMTransLog), vol. 01, no. 03, pp. 241– 248, 2014.

• [3]    A. H. R. Inaku and C. Novianus, “Pengaruh Pencemaran Udara PM 2,5 dan PM 10 Terhadap Keluhan Pernapasan Anak di Ruang Terbuka Anak di DKI Jakarta,” ARKESMAS (Arsip Kesehatan Masyarakat), vol. 5, no. 2, pp. 9–16, 2020, doi: 10.22236/arkesmas.v5i2.4990.

• [4]    G. E. Bayu, I. K. G. Darma Putra, and N. K. D. Rusjayanthi, “A Comparison Between Backpropagation, Holt-Winter, and Polynomial Regression Methods in Forecasting Dog Bites Cases in Bali,” Jurnal Ilmiah Merpati (Menara Penelitian Akademika Teknologi Informasi), vol. 9, no. 3, p. 251, 2021, doi: 10.24843/jim.2021.v09.i03.p06.

• [5]    T. Xayasouk, H. M. Lee, and G. Lee, “Air pollution prediction using long short-term memory (LSTM) and deep autoencoder (DAE) models,” Sustainability (Switzerland), vol. 12, no. 6, 2020, doi: 10.3390/su12062570.

• [6]    F. Hamami and I. A. Dahlan, “Univariate Time Series Data Forecasting of Air Pollution using LSTM Neural Network,” 2020 International Conference on Advancement in Data Science, ELearning and Information Systems, ICADEIS  2020, pp. 12–16,  2020, doi

10.1109/ICADEIS49811.2020.9277393.

• [7]    M. C. Turner et al., “Outdoor air pollution and cancer: An overview of the current evidence and public health recommendations,” CA Cancer J Clin, vol. 70, no. 6, pp. 460–479, 2020, doi: 10.3322/caac.21632.

• [8]    M. A. al Ahad, F. Sullivan, U. Demšar, M. Melhem, and H. Kulu, “The effect of air-pollution and weather exposure on mortality and hospital admission and implications for further research: A systematic scoping review,” PLoS One, vol. 15, no. 10 October, pp. 1–24, 2020, doi: 10.1371/journal.pone.0241415.

• [9]    I. Manisalidis, E. Stavropoulou, A. Stavropoulos, and E. Bezirtzoglou, “Environmental and Health Impacts of Air Pollution: A Review,” Front Public Health, vol. 8, no. February, pp. 1–13, 2020, doi: 10.3389/fpubh.2020.00014.

• [10]    A. A. A. Purnamaswari, I. K. G. D. Putra, and I. M. S. Putra, “Komparasi Metode Neural Network Backpropagation dan Support Vector Machines dalam Prediksi Volume Sampah TPA Suwung,” JITTER Jurnal Ilmiah Teknologi dan Komputer, vol. 3, no. 1, pp. 853–861, 2022, [Online]. Available: https://ojs.unud.ac.id/index.php/jitter/article/view/83024/43066

• [11]    M. Madhiarasan and S. N. Deepa, “A novel criterion to select hidden neuron numbers in improved back propagation networks for wind speed forecasting,” Applied Intelligence, vol. 44, no. 4, pp. 878–893, 2016, doi: 10.1007/s10489-015-0737-z.

• [12]    H. S. Hota, R. Handa, and A. K. Shrivas, “Time Series Data Prediction Using Sliding Window Based RBF Neural Network,” International Journal of Computational Intelligence Research, vol. 13, no. 5, pp. 1145–1156, 2017, [Online]. Available: http://www.ripublication.com

• [13]    P. Githa Pratiwi, I. Ketut Gede Darma Putra, and D. Purnami Singgih Putri, “Peramalan Jumlah Tersangka Penyalahgunaan Narkoba Menggunakan Metode Multilayer Perceptron,” Jurnal Ilmiah Merpati (Menara Penelitian Akademika Teknologi Informasi), vol. 7, no. 2, p. 143, 2019, doi: 10.24843/jim.2019.v07.i02.p06.

• [14]    M. T. Siregar, G. Made, A. Sasmita, G. Agung, and A. Putri, “Perbandingan Analisis Metode Peramalan Jumlah Kasus Penyakit Menular di Kota Bandung (Studi Kasus: Dinas Kesehatan Kota Bandung),” 2022.

• [15]    A. Arfan and L. ETP, “Perbandingan Algoritma Long Short-Term Memory dengan SVR Pada Prediksi Harga Saham di Indonesia,” PETIR: Jurnal Pengkajian dan Penerapan Teknik Informatika, vol. 13, no. 1, pp. 33–43, 2020, doi: 10.33322/petir.v13i1.858.

• [16]    M. F. Rohmah, K. G. D. Putra, R. S. Hartati, and L. Ardiantoro, “Minimum wage correlation with consumer price index predictions using support vector regression,” International Journal of Scientific and Technology Research, vol. 9, no. 3, pp. 4596–4602, 2020.