PERBANDINGAN MODEL XGBOOST, LSTM, DAN ARIMAX UNTUK MEMPREDIKSI PM2.5 DI JAKARTA

Abstract

Peningkatan polusi udara, khususnya PM2.5 berdampak serius pada kesehatan dan kualitas udara sehingga prediksi akurat dibutuhkan untuk mendukung kebijakan mitigasi. Penelitian ini bertujuan untuk memprediksi konsentrasi PM2.5 di Jakarta menggunakan tiga pendekatan model yaitu XGBoost, LSTM, dan ARIMAX. Hasil penelitian menunjukkan bahwa ARIMAX memberikan performa terbaik (MAE 12.37, RMSE 17.60, dan R² 0.66), dibandingkan XGBoost (MAE 12.89, RMSE 20.45, R² 0.54), dan LSTM (MAE 15.13, RMSE 22.32, R² 0.46). Analisis feature importance, permutation feature importance, dan koefisien regresi mengindikasikan bahwa variabel PM10, PM2.5_lag, curah hujan, suhu rata-rata, arah angin, dan kecepatan angin merupakan faktor dominan yang memengaruhi konsentrasi PM2.5 dengan signifikansi p-value < 0.05. Sementara itu, variabel kelembapan relatif, ozon, nitrogen dioksida, lama penyinaran matahari, serta suhu maksimum cenderung memiliki pengaruh yang lebih rendah atau tidak signifikan secara statistik. Model time series dengan variabel eksogen, khususnya ARIMAX, terbukti paling efektif menangkap dinamika konsentrasi PM2.5 dan mengidentifikasi faktor meteorologi serta polutan utama penyumbang polusi udara di Jakarta.