View/Open

Author
Dhea, Amelia Putri

Date Published
17 Jun 2026

Advisor
Febri Dwi Irawati, S.Si., M.Si,
Yustida Bellini, M.Kom,

Subject
Sains Data

Publisher

PM₂.₅ merupakan partikel halus berukuran kurang dari 2,5 mikrometer yang berdampak terhadap kualitas udara dan kesehatan masyarakat, sehingga peningkatan emisi PM₂.₅ menjadi permasalahan lingkungan yang signifikan. Penelitian ini menggunakan data harian emisi PM₂.₅ yang bersumber dari GFED5.1 dan memiliki karakteristik spasial-temporal serta pola zero-inflated, sehingga proses pemodelan menjadi kompleks dan memerlukan pendekatan yang mampu menangkap keterkaitan antar lokasi serta dinamika temporal secara simultan. Oleh karena itu, penelitian ini menggunakan model Bidirectional ConvLSTM yang dikombinasikan dengan mekanisme Spatiotemporal Attention (STA) untuk memprediksi emisi PM₂.₅. Tahapan penelitian meliputi pra-pemrosesan data melalui seleksi wilayah studi, standarisasi z-score, serta pembentukan data sequence menggunakan teknik sliding window dengan timestep 30 hari. Model dilatih selama 100 epoch dengan batch size 32, learning rate 0,0005, dan fungsi loss Mean Squared Error (MSE). Mekanisme attention menunjukkan bahwa model memberikan fokus lebih besar pada timestep tertentu, terutama pada rentang tengah hingga mendekati akhir urutan, sementara kontribusi spasial cenderung tersebar merata antar grid sehingga prediksi dibentuk dari kombinasi informasi spasial-temporal secara adaptif. Evaluasi model menghasilkan nilai R² sebesar 0,6258, dengan MAE sebesar 1.738.645 dan RMSE sebesar 13.459.911,59 pada skala asli, yang menunjukkan kemampuan model dalam menangkap tren utama emisi PM₂.₅, meskipun masih terbatas dalam memprediksi nilai ekstrem akibat karakteristik data yang zero-inflated. Secara keseluruhan, pendekatan Bidirectional ConvLSTM dengan mekanisme STA berpotensi dalam pemodelan emisi PM₂.₅ berbasis spasial-temporal.

URI
https://repo.itera.ac.id/depan/submission/SB2606210106

Keyword
Deret Waktu BiConvLSTM Spatiotemporal Attention PM2.5 Prediksi