Perpustakaan Digital ITB

Pencemaran udara merupakan permasalahan global yang berdampak signifikan terhadap kesehatan manusia dan lingkungan. Pandemi COVID-19 menyebabkan perubahan tidak terduga pada pola kualitas udara, sehingga diperlukan pendekatan yang dapat menangani perubahan pola data dan keberadaan anomali dalam data. Penelitian ini bertujuan untuk membuktikan LSTM-XGBoost dapat menghasilkan kinerja terbaik dalam prediksi kualitas udara pada data time series yang mengandung anomali akibat selama pandemi COVID-19 dibandingkan XGBoost dan LSTM secara individu. LSTM-XGBoost mengintegrasikan LSTM untuk menangkap pola temporal dan XGBoost untuk memodelkan hubungan non-linear. Data yang digunakan mencakup konsentrasi polutan udara dan faktor meteorologi dari tahun 2020 hingga 2024 dengan studi kasus di kota Jakarta dan kota Bandung. Pendekatan ini mencakup penambahan temporal event indicator untuk menandai periode pandemi COVID-19, PSBB, dan PPKM, serta penerapan anomaly detection menggunakan Isolation Forest dan LSTM Autoencoder untuk mendeteksi dan menangani anomali dalam data. Hasil penelitian menunjukkan bahwa LSTM-XGBoost menghasilkan MAPE terbaik sebesar 8.56% untuk dataset Jakarta dan 8.74% untuk dataset Bandung, dengan kinerja yang lebih unggul dibandingkan XGBoost dan LSTM secara individu. Penambahan temporal event indicator membantu model mengenali perubahan pola data, serta penerapan anomaly detection memungkinkan model mengidentifikasi dan mengurangi dampak anomali. LSTM-XGBoost terbukti menjadi pendekatan terbaik dalam prediksi kualitas udara pada data time series yang mengandung anomali. Hasil penelitian ini diharapkan dapat berkontribusi terhadap pengelolaan kualitas udara dan mendukung pengembangan model prediksi yang responsif terhadap perubahan lingkungan.