Prediksi konsentrasi polutan udara di DKI Jakarta berdasarkan faktor meteorologi menggunakan metode cnn-bilstm

Kualitas udara di DKI Jakarta terus mengalami penurunan akibat tingginya konsentrasi polutan yang berdampak terhadap kesehatan masyarakat dan lingkungan. Variasi konsentrasi polutan dipengaruhi oleh interaksi kompleks antara parameter polutan dan faktor meteorologi, sehingga diperlukan metode prediksi yang mampu memodelkan hubungan multivariat dan temporal secara efektif. Penelitian ini bertujuan untuk menganalisis hasil ekstraksi fitur Convolutional Neural Network (CNN), menentukan arsitektur CNN-Bidirectional Long Short-Term Memory (CNN-BiLSTM) terbaik, serta memprediksi konsentrasi polutan udara di DKI Jakarta. Data yang digunakan meliputi parameter PM2.5, PM10, SO2, CO, O3, NO2 serta variabel meteorologi dari enam stasiun pemantauan selama periode 2023–2024. Penelitian ini menggunakan kombinasi hyperparameter terbaik berupa lookback 14, CNN filters 64, kernel size 3, BiLSTM units 64, learning rate 0,0005, batch size 32, dan fungsi loss Mean Squared Error (MSE). Hasil ekstraksi fitur CNN menghasilkan feature map berukuran 14 × 64, yang menunjukkan 14 time-step dan 64 fitur hasil ekstraksi. Hasil evaluasi pada data pengujian menghasilkan nilai MAPE sebesar 26,70%. Dengan demikian, metode CNN-BiLSTM mampu menangkap pola lokal dan temporal pada data polutan serta meteorologi untuk memprediksi konsentrasi polutan udara di DKI Jakarta.