PREDIKSI KUALITAS UDARA MENGGUNAKAN ALGORITMA BACKPROPAGATION THROUGH TIME DENGAN ARSITEKTUR JARINGAN RECURRENT NEURAL NETWORK

Abstract

Polusi udara saat ini semakin banyak terjadi di negara maju maupun negara berkembang dan dapat mengganggu keadaan lingkungan serta kesehatan masyarakat. Penentuan tingkat polusi udara (polutan udara) atau kualitas udara dapat dilihat dari sekelompok parameter yang sensitif seperti NO2, O3, PM10, PM2.5, dan SO2. Penelitian ini melakukan prediksi data konsentrasi polutan udara dari waktu ke waktu (data time series) untuk mengetahui keadaan kualitas udara yang akan datang apakah dalam keadaan yang baik atau buruk bagi kesehatan dan lingkungan. Prediksi data dapat menggunakan algoritma-algoritma dari jaringan syaraf tiruan, salah satunya adalah algoritma Backpropagation Through Time (BPTT). BPTT merupakan algoritma pembelajaran yang dikembangkan dari algoritma backpropagation yang diterapkan pada arsitektur jaringan Recurrent Neural Network (RNN). Algoritma BPTT dan arsitektur RNN memiliki kelebihan untuk memprediksi data time series karena tidak hanya mempertimbangkan masukan terbaru, tetapi juga semua masukan sebelumnya dalam jaringan. Penelitian tugas akhir ini untuk mengetahui parameter terbaik dan performansi BPTT dalam memprediksi data time series polutan udara secara single step dan multi step. Data penelitian merupakan data time series polutan udara dari situs London Data Store dari bulan Januari 2008 sampai Maret 2018 dengan jumlah data sebanyak 2952. Hasil pengujian penelitian ini menunjukkan bahwa BPTT dengan single step dapat digunakan dengan baik dalam memprediksi konsentrasi polutan udara dibandingkan BPTT dengan multi step. Arsitektur terbaik dari algoritma BPTT menghasilkan MAPE pelatihan sekitar 5% sampai 7% dan MAPE pengujian sekitar 6% sampai 8%. Prediksi single step dan prediksi multi step berhasil memprediksi kategori kualitas udara sesuai dengan data target yang berturut-turut memiliki akurasi sebesar 100% dan 92% .