PERBANDINGAN KINERJA MODEL DERET WAKTU ARIMA, LSTM, DAN GRU UNTUK PERAMALAN PM10 HARIAN DI JAKARTA

Abstract

Polusi udara khususnya partikulat matter kategori PM10 merupakan masalah lingkungan utama di kota besar seperti Jakarta. Dampaknya terhadap kesehatan masyarakat dan kebutuhan akan kebijakan mitigasi yang tepat menjadikan analisis kualitas udara sangat mendesak untuk dilakukan. Salah satu pendekatan yang dapat digunakan untuk menganalisis masalah ini adalah melalui peramalan konsentrasi PM10. Penelitian ini bertujuan membandingkan kinerja model statistik tradisional yaitu autoregressive integrated moving average (ARIMA) dengan model deep learning yaitu long short-term memory (LSTM) dan gated recurrent unit (GRU) dalam meramalkan konsentrasi PM10 harian di Jakarta. Data yang digunakan adalah data PM10 periode Januari 2010 hingga Februari 2025 dengan total 5538 observasi harian. Hasil penelitian menunjukkan bahwa model deep learning GRU kemudian LSTM memberikan hasil akurasi yang lebih baik dibanding model statistik tradisional ARIMA, yang dibuktikan secara berurutan melalui nilai RMSE (13,366, 13,441, dan 17,526), MAE (8,918, 8,958, dan 12,416), MSE (178,647, 189,674, dan 307,163), dan MAPE (21,211%, 21,361%, dan 31,228%). Hasil ini menunjukkan bahwa GRU dan LSTM lebih baik dalam menangkap pola non-linear dan ketergantungan jangka panjang pada PM10 dibandingkan metode ARIMA tradisional.