View/Open

Author
Akbar, Hidayat

Date Published
27 Jul 2026

Advisor
Meida Cahyo Untoro, S.Kom., M.Kom,

Subject
Teknik Informatika

Publisher

Kualitas udara memiliki dampak signifikan terhadap kesehatan manusia dan lingkungan. Sebagai pusat pertumbuhan ekonomi dan mobilitas di Provinsi Lampung, Kota Bandar Lampung menghadapi fluktuasi konsentrasi polutan harian yang tidak menentu akibat tingginya volume kendaraan dan aktivitas industri. Meskipun instansi terkait telah menyediakan stasiun fisik pemantauan kualitas udara, sistem tersebut umumnya hanya menampilkan kondisi saat ini (realtime) dan belum memiliki kapasitas prediksi untuk beberapa hari ke depan. Penelitian ini menerapkan pendekatan deep learning melalui studi komparatif antara metode Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU). Penelitian ini bertujuan untuk menganalisis performa akurasi kedua metode dalam memprediksi konsentrasi polutan Particulate Matter 2.5 (PM2.5), serta mengevaluasi dampak penambahan kedalaman lapisan (variasi 2 layer dan 3 layer) terhadap tingkat kesalahan (error) model. Dataset dikumpulkan secara harian dari stasiun pemantau Air Quality Index (AQI). Pengujian model dilakukan dengan menerapkan strategi hyperparameter tuning secara terkontrol, meliputi variasi kedalaman jaringan (2 layer vs 3 layer), variasi ukuran batch size (4, 8, dan 16), variasi jendela memori temporal atau look back (3, 5, 7) serta integrasi mekanisme Early Stopping (patience = 5) untuk mencegah overfitting. Performa model dievaluasi secara kuantitatif menggunakan metrik Root Mean Square Error (RMSE), Mean Absolute Error (MAE), dan Koefisien Determinasi (R2 score), serta dianalisis secara kualitatif melalui plot visual grafik perbandingan data aktual versus prediksi. Hasil penelitian menunjukkan bahwa arsitektur GRU 2 layer dengan konfigurasi early stopping, look back 3, dan batch size 16 merupakan konfigurasi model terbaik dengan capaian R2 score sebesar 0.2827, RMSE sebesar 0.2081, dan MAE sebesar 0.1592, penambahan kedalaman layer terbukti menurunkan performa akurasi pada kedua algoritma. Hasil penelitian diharapkan dapat menjadi rujukan ilmiah pemodelan peringatan dini kualitas udara harian di Kota Bandar Lampung

URI
https://repo.itera.ac.id/depan/submission/SB2607290005

Keyword
Kualitas udara Bandar Lampung PM2.5 LSTM GRU Hyperparameter tuning