ANALISIS TIME SERIES UNTUK PREDIKSI POLUSI UDARA DENGAN MODEL LONG SHORT-TERM MEMORY

Peramalan adalah ilmu memperkirakan kejadian dimasa depan berdasarkan data historis yaitu time series. Data time series merupakan data yang dikumpulkan untuk memberikan gambaran perkembangan kegiatan dari waktu ke waktu. Analisis ini dapat digunakan dengan model Long Short Term-Memory (LSTM). Metode ini dapat menyimpan informasi jangka waktu yang lama berdasarkan data masa lalu. Penelitian ini bertujuan untuk memodelkan data time series dan mengetahui kinerja LSTM dalam melakukan peramalan polusi udara. Visualisasi data terdiri dari prediksi variabel PM10, SO2, CO, O3, NO2 hingga plot model LSTM. Pengujian akurasi terhadap model ini menggunakan Mean Absolute Percentage Error (MAPE). Model LSTM dalam peramalan polusi udara menggunakan 70% data latih dan 30% data uji. Adapun model LSTM untuk peramalan polusi udara dibentuk dari 50 input layer, 1 batch size, 12 timesteps, epoch (50 dan 100), optimizer (adam) dengan nilai MAPE dari masing-masing variabel yaitu dibawah 1% dengan tingkat akurasi 99%. Hasil akurasi masing-masing variabel menunjukkan bahwa peramalan termasuk sangat baik karena tingkat eror dibawah 10%. Maka model LSTM ini sangat baik untuk peramalan Polusi Udara.