Jurnal Polusi Udara dan Kesehatan (Musim Panas 2023); 8(3): 257-268
Artikel asli
Tersedia online di http://japh.tums.ac.ir
Kronologi Artikel: Pendahuluan: Polusi udara merupakan tantangan lingkungan hidup yang besar di seluruh
Diterima 03 Juni 2023
Direvisi 04 Juli 2023
dunia dan memperkirakan kualitas udara adalah kunci untuk mengatur polusi udara.
Diterima 20 Agustus 2023 Tingkat polusi udara diukur dengan Indeks Kualitas Udara (AQI). Perkiraan kualitas udara
Diterbitkan 29 September 2023
telah menjadi bidang penelitian yang penting. Deep Neural Networks (DNN) berguna
dalam memprediksi AQI dibandingkan metode tradisional yang melibatkan banyak
komputasi. Tujuan dari makalah penelitian ini adalah untuk menyelidiki penggunaan
jaringan saraf dalam sebagai kerangka kerja untuk memprediksi indeks kualitas udara
berdasarkan data deret waktu polutan.
Bahan dan metode: Untuk mengatasi masalah ini, penelitian ini mengusulkan DNN untuk
mengembangkan model terbaik dalam memprediksi AQI. Memori Jangka Pendek Panjang
Kata kunci:
(LSTM) dan LSTM dua arah telah diperkenalkan dalam penelitian ini untuk memahami
Ramalan; Indeks kualitas udara (AQI);
dan memprediksi hubungan antara polutan yang mempengaruhi AQI. Kinerja model
Polutan; Jaringan saraf dalam (DNN)
dievaluasi menggunakan metrik, Mean Absolute Error (MAE), Mean Absolute Percentage
Error (MAPE), Mean Square Error (MSE), Root Mean Square Error (RMSE) dan koefisien
determinasi (R2 ). Untuk melakukan penelitian ini, data per jam real-time untuk periode
November 2017 hingga Januari 2020 dari stasiun pemantauan kualitas udara
dipertimbangkan untuk wilayah ibu kota yang diusulkan di negara bagian Andhra Pradesh
PENULIS YANG SESUAI:
di India.
rajaprasad@nicmar.ac.in Hasil: Pemodelan multivariat mempertimbangkan tujuh polutan sebagai variabel
Telp: (+91) 04067359535 independen dan AQI sebagai variabel target. Setelah melakukan percobaan dan pelatihan
Faks: (+91) 04067359515
algoritma pada dataset, LSTM dua arah terbukti memiliki nilai MAE dan RMSE terendah
serta R2 tertinggi. , menunjukkan bahwa ia memiliki
akurasi tertinggi dalam prediksi AQI.
Kesimpulan: Pembangunan ibu kota melibatkan aktivitas konstruksi besar-besaran yang
mengakibatkan pencemaran udara. Hasilnya bermanfaat bagi pihak berwenang untuk
memantau kualitas udara dan mengembangkan program pengelolaan kualitas udara
sehingga menghindari dampak polusi udara terhadap kesehatan.
Silakan kutip artikel ini sebagai: Sunku VSRP, Mukkamala R, Namboodiri V. Prediksi indeks kualitas udara menggunakan jaringan saraf
dalam multivariat: Studi kasus usulan ibu kota negara bagian di India. Jurnal Polusi Udara dan Kesehatan. 2023;8(3): 257-268.
Hak Cipta © 2023 Universitas Ilmu Kedokteran Teheran. Diterbitkan oleh Universitas Ilmu Kedokteran Teheran.
Karya ini dilisensikan di bawah lisensi Creative Commons Attribution-NonCommercial 4.0 International (https://creativecommons.org/licenses/
oleh-nc/4.0/). Penggunaan nonkomersial atas karya tersebut diperbolehkan, asalkan karya aslinya dikutip dengan benar.
Machine Translated by Google
kegiatan pembangunan yang diprakarsai oleh pemerintah hasil prediksi [3]. Model prediksi AQI berdasarkan DL dan
negara bagian dan pusat. Harus ada trade-off antara risiko ML terbukti lebih dapat diandalkan dan konsisten.
lingkungan dan kegiatan pembangunan untuk melindungi
masyarakat dari dampak pencemaran udara. Di negara- Algoritme ML, Support Vector Regression (SVR), regresi
negara berkembang seperti India, pemantauan dan prediksi Random Forest (RF), dan regresi CatBoost telah digunakan
kualitas udara menjadi sangat penting untuk menerapkan untuk menentukan AQI di empat kota besar di India;
langkah-langkah mitigasi guna menghindari risiko lingkungan. temuannya menunjukkan bahwa regresi hutan acak
Mengingat dampak polutan terhadap kesehatan manusia, menghasilkan nilai Root Mean Square Error (RMSE)
statistik yang disebut Indeks Kualitas Udara (AQI) telah terendah dan akurasi tertinggi untuk tiga kota [4]. Algoritme
dikembangkan untuk mengukur kualitas udara. DL yang paling populer adalah multilayer perceptron,
Convolutional Neural Networks (CNN), Recurrent Neural
Sebanyak 804 stasiun pemantauan kualitas udara telah Networks (RNN), dan autoencoder. Secara khusus, model
didirikan di India untuk menyebarkan informasi kualitas prediksi AQI berbasis RNN telah terbukti memiliki kinerja
udara kepada masyarakat. AQI memperhitungkan delapan yang lebih baik [5, 6]. Prediksi konsentrasi PM10 dianalisis
polutan, yaitu partikel dengan diameter 10 µm atau kurang dengan tiga algoritma DL yaitu RNN, Long Short-Term
(PM10), partikel dengan diameter 2,5 µm atau kurang Memory (LSTM), dan gated recurrent unit; dan semuanya
(PM2.5), Nitrogen dioksida (NO2 ), Sulfur dioksida (SO2 ), berkinerja baik [7]. Untuk memprediksi tingkat PM10 dan
Karbon monoksida (CO), Ozon( O3 ), amonia (NH3 ) dan PM2.5 di Makau, empat algoritma ML diterapkan dalam
timbal (Pb) dan dihitung hanya jika data tersedia untuk penelitian ini, dan regresi RF terbukti dapat diandalkan [8].
setidaknya tiga polutan, salah satunya adalah PM2.5 Model hybrid CNN-LSTM mengungguli DNN lainnya dalam
seharusnya atau PM10. Ada enam kategori AQI: baik, memprediksi konsentrasi PM2.5 di wilayah perkotaan
sedang, buruk, sangat buruk, dan berat [1]. Beijing [9]. Dari studi terkait prediksi AQI berdasarkan DNN,
terlihat bahwa studi tersebut terutama difokuskan pada
Di masa lalu, beberapa metode telah digunakan untuk prediksi time series univariat dari berbagai polutan yang
memprediksi berbagai polutan yang mempengaruhi kualitas mempengaruhi kualitas udara, bukan prediksi multivariat
udara dan AQI. dengan mempertimbangkan variabel independen sebagai
Untuk memprediksi AQI, metode baru telah diterapkan polutan dan variabel target sebagai AQI.
daripada metode matematika dan statistik tradisional,
http:// japh.tums.ac.ir
Machine Translated by Google
Jurnal Polusi Udara dan Kesehatan (Musim Panas 2023); 8(3): 257-268 259
bagian selanjutnya berisi informasi tentang wilayah [10]. Otoritas Pengembangan Wilayah Ibu Kota
studi dan metode. (CRDA) dari calon ibu kota di Amaravati ditunjukkan
pada Gambar 1. Stasiun pemantauan kualitas
Bahan dan metode udara (ID stasiun AP 001) telah didirikan di
Sekretariat, Amaravati untuk memantau dan
Daerah belajar mencatat konsentrasi polutan.
Di India, ibu kota baru Amaravati untuk negara Untuk melakukan penelitian ini, data per jam real-
bagian Andhra Pradesh diusulkan antara dua kota time untuk periode November 2017 hingga Januari
besar dengan ibu kota ramah lingkungan dan 2020 dikumpulkan dari stasiun pemantauan
ramah lingkungan dan direncanakan dapat kualitas udara AP001, yang kemudian mencatat
menampung 3,55 juta jiwa pada tahun 2050. Kota polutan yang mempengaruhi AQI. Data per jam
Amaravati akan dibangun dengan infrastruktur mengenai tujuh polutan yang mempengaruhi AQI
modern, termasuk pengembangan jalan, fasilitas dianggap sebagai variabel independen, PM10,
penyediaan air, kompleks administrasi dan variabel PM2.5, NO2 , dan NH3 ; dan target
kelembagaan, saluran pembuangan, fasilitas SO2 , CO, O3 adalah AQI. Kerangka langkah-
sanitasi, fasilitas pembuangan limbah, dan langkah yang terlibat dalam proses arsitektur DNN
pengembangan tepi laut dengan visi menjadi kota pintardisajikan
di India pada Gambar 2.
http:// japh.tums.ac.ir
Machine Translated by Google
Penelitian ini bertujuan untuk mengevaluasi kinerja berupaya mempelajari informasi baru dari masukan dan
algoritma DNN. Arsitektur LSTM dibahas secara mentransfer informasi terkini dari langkah waktu saat ini
mendalam untuk lebih memahami arsitektur model Dua ke langkah waktu berikutnya, dan siklus LSTM dipandang
Arah. Bagian ini menggambarkan secara rinci struktur sebagai langkah waktu tunggal.
jaringan pembelajaran mendalam (DL) yang diadopsi Ketiga bagian unit LSTM ini dikenal sebagai gerbang
dalam analisis. DNN digunakan untuk menyelidiki lupa, gerbang masukan, dan gerbang keluaran. Sel
efektivitas parameter model dalam prediksi AQI. memori dalam jaringan LSTM dapat dilihat sebagai
lapisan neuron dalam jaringan saraf umpan maju yang
khas, dengan setiap neuron memiliki lapisan tersembunyi
dan keadaan berkelanjutan. Gerbang ini juga
model LSTM memecahkan masalah hilangnya gradien, yang
umumnya terjadi di RNN. Hasilnya, ini banyak digunakan
Jaringan LSTM adalah jenis Recurrent Neural Network
dalam berbagai aplikasi dalam prediksi deret waktu [12].
(RNN) yang meningkatkan ingatan dengan mengingat
Bagian pertama menentukan apakah akan menyimpan
data masa lalu [11] dan propagasi mundur digunakan
atau menghapus informasi dari langkah waktu
untuk melatih model, yang cocok untuk memprediksi
sebelumnya. Persamaan. 1 mewakili gerbang lupa. Nilai
deret waktu dengan jeda waktu yang tidak dapat
aktivasi forget gate ft pada waktu t dihitung menggunakan
diprediksi. Jaringan LSTM secara eksplisit dikembangkan
fungsi sigmoid. Ft kemudian dikalikan dengan kondisi
untuk menghindari masalah ketergantungan jangka
sel langkah waktu sebelumnya.
panjang dan berhasil menangani masalah gradien
hilang, dan model dibagi menjadi tiga bagian yang
menjalankan fungsi tertentu seperti yang ditunjukkan
pada Gambar 3.
kaki = ÿ (Xt *Uf + ht-1 * Wf ) (1)
Bagian pertama menentukan apakah data
http:// japh.tums.ac.ir
Machine Translated by Google
Jurnal Polusi Udara dan Kesehatan (Musim Panas 2023); 8(3): 257-268 261
Uf adalah bobot yang berhubungan dengan masukan, ht -1 status menggunakan status keluaran 'ot ' dan tanh dari status
adalah keadaan tersembunyi dari langkah waktu sebelumnya sel yang diperbarui. Seperti yang ditunjukkan dalam
dan Wf adalah matriks bobot yang berhubungan dengan Persamaan. 7, keadaan tersembunyi adalah fungsi dari
keadaan tersembunyi. Gerbang kedua, gerbang masukan, memori jangka panjang (Ct) dan keluaran saat ini, dan keluaran
digunakan untuk mengevaluasi relevansi informasi baru yang dari langkah waktu saat ini ditentukan dengan menerapkan
dibawa oleh masukan, dan ditunjukkan sebagai Persamaan. 2. aktivasi SoftMax ke keadaan tersembunyi ht. Nilai prediksi
1. Jika Nt negatif, informasi dikurangi dari status sel dan Model LSTM dua arah
ditambahkan ke status lanjutan, dan sebaliknya. Nt,
LSTM mungkin menerima informasi jarak jauh sebelum waktu
bagaimanapun, tidak secara langsung ditambahkan ke
keluaran tetapi tidak dapat menggunakan informasi sebaliknya.
keadaan sel.
Untuk meningkatkan akurasi prediksi secara signifikan,
Persamaan. 4 mewakili persamaan keadaan sel yang dimodifikasi.
informasi maju dan mundur dari data deret waktu harus
dipertimbangkan sepenuhnya dalam prediksi deret waktu.
LSTM dua arah terdiri dari dua LSTM, satu lapisan depan dan
Ct = kaki * Ct-1 + itu * tidak (4)
satu lapisan belakang. Dibandingkan dengan transmisi
keadaan satu arah LSTM biasa, LSTM Dua Arah mengevaluasi
Dimana, Ct -1 adalah keadaan sel pada langkah waktu yang sedang perubahan data sebelum dan sesudah transmisi data dan
berlangsung. dapat membuat keputusan yang lebih lengkap dan rinci
berdasarkan informasi masa lalu dan masa depan [15]. Model
Persamaan gerbang keluaran ditampilkan sebagai Persamaan. 5.
LSTM dua arah melakukan perhitungan maju dan mundur
http:// japh.tums.ac.ir
Machine Translated by Google
Gambar 5 menggambarkan aliran informasi deret (MAPE), Mean Square Error (MSE), Root Mean
waktu dua arah dalam model, sedangkan informasi Square Error (RMSE) dan koefisien determinasi
data mengalir secara vertikal hanya dalam satu arah (R2 ) digunakan, seperti yang ditunjukkan pada
dari lapisan masukan ke lapisan tersembunyi hingga Persamaan. 1-5.
lapisan keluaran. Tujuan penggunaan LSTM dua
1
kali membuat model mempelajari model MAE = (1)
ÿ| ÿ |
ketergantungan jangka panjang dan meningkatkan akurasinya [17]. =1
1
Metrik kinerja PETA = (2)
ÿ|( ÿ )/ |
=1
Untuk menyelidiki kinerja model LSTM, lima
indikator statistik – Mean Absolute 1
UMK =
Error (MAE), Berarti Persentase Kesalahan Absolut
ÿ (| ÿ |)2 (3)
=1
http:// japh.tums.ac.ir
Machine Translated by Google
Jurnal Polusi Udara dan Kesehatan (Musim Panas 2023); 8(3): 257-268 263
1 ÿÿ|
=1 ÿ | 18704 titik data dikumpulkan dari situs resmi pusat
polusi papan kendali (CPCB) untuk stasiun kualitas
ÿ|ÿ|
R2 = 1 =1 (5) udara Amaravati. Data tersebut dipublikasikan di situs
ÿ ÿ | ÿÿ ÿ|
=1 resmi CPCB, Pemerintah India. Untuk menjaga kualitas
data yang tinggi, penulis menghilangkan outlier, nilai
Dimana P adalah AQI per jam yang diprediksi oleh model ke-i, A
ÿ
nol dan menstandardisasi format data. Dataset yang
adalah AQI per jam ke-i yang diamati, adalah rata-ratanya terdiri dari 14625 poin digunakan untuk analisis dengan
ÿ
P dari prediksi AQI per jam, A adalah rata-rata menerapkan LSTM dan LSTM dua arah setelah
AQI per jam yang diamati; dan n adalah jumlah menghilangkan nilai yang hilang, nilai nol, dan outlier.
observasi. Statistik deskriptif variabel target dan variabel
independen setelah dilakukan preprocessing data
hasil dan Diskusi disajikan pada Tabel 1.
http:// japh.tums.ac.ir
Machine Translated by Google
Titik data dinormalisasi antara 0 dan 1 menggunakan Parameter dan model eksperimental
scaler MinMax sebelum memisahkan kumpulan
Dalam penelitian ini, hasil multivariat
data untuk pelatihan dan pengujian. Dari 14625 titik Model LSTM dan LSTM dua arah adalah
data, 10234 (70%) dan 4391 (30%) digunakan
dibandingkan berdasarkan metrik evaluasi. Model
untuk melatih dan menguji kumpulan data guna
dan parameter pelatihan kedua model dijaga sama
menilai kemampuan prediktif model.
untuk tujuan perbandingan. Pengoptimal Adam
Terakhir, lima metrik evaluasi yaitu; Mean Absolute
digunakan untuk menghitung kecepatan
Error (MAE), Mean Absolute Percentage Error
pembelajaran parameter adaptif berdasarkan rata-
(MAPE), Mean Square Error (MSE), Root Mean
rata momen gradien pertama dan kedua. Kecepatan
Square Error (RMSE) dan koefisien determinasi
pembelajarannya adalah 0,0001, dan MAE
(R2 ) digunakan untuk memeriksa kemampuan
digunakan sebagai fungsi kerugian. Ini hanya
prediksi model berdasarkan aktual dan prediksi.
mengukur panjang modulus rata-rata dari kesalahan
nilai-nilai. nilai prediksi, mengabaikan arah, dan lebih tahan
Pemilihan panjang jendela adalah salah satu latihan terhadap outlier. Beberapa percobaan dilakukan
yang kompleks dan kritis dalam pengembangan dengan memvariasikan ukuran batch, jumlah
model dan untuk mengatasi kesulitan penerapan epoch, kecepatan pembelajaran, langkah waktu
Fungsi Korelasi Otomatis Parsial (PACF) [18-20]. dan panjang jendela. Akhirnya, hasil optimal diperoleh pada uku
Berdasarkan PACF, berbagai langkah waktu diuji periode waktu 150. Data polutan per jam dan AQI
dan terakhir, langkah waktu pengamatan di wilayah studi setelah pra-pemrosesan dimasukkan
sebelumnya yaitu 18 jam dipilih sebagai masukan ke dalam LSTM, dan model LSTM dua arah untuk
model untuk kedua model. Hal ini didukung oleh pelatihan. Dataset pengujian digunakan untuk
fakta bahwa dengan menggunakan hasil PACF prediksi setelah menyelesaikan pelatihan. Plot
kami mengamati korelasi terbesar antara 18 dan model hibrida yang berkaitan dengan nilai aktual
20 lag. dan prediksi dalam 4391 jam terakhir ditunjukkan
pada Gambar. 6 dan 7 LSTM, dan LSTM dua arah.
http:// japh.tums.ac.ir
Machine Translated by Google
Jurnal Polusi Udara dan Kesehatan (Musim Panas 2023); 8(3): 257-268 265
Kurva pembelajaran diplot untuk memeriksa Analisis digunakan untuk membandingkan hasil
apakah kumpulan data pelatihan atau validasi ketiga model. Kelima indikator tersebut digunakan
mewakili area domain dengan tepat. Kurva untuk mengetahui perbedaan antara nilai AQI
pembelajaran menunjukkan bahwa kecocokan prediksi dan aktual, dan nilai dari indikator tersebut
model baik, dengan kerugian pelatihan dan disajikan pada Tabel 2. Skor R2 model LSTM
validasi berkurang hingga titik stabilitas dengan biarah sebesar 0,9752 lebih tinggi dibandingkan
selisih kecil antara dua nilai kerugian akhir. Kurva model LSTM. Skor MAE, MAPE, MSE, dan RMSE
pembelajaran LSTM dan LSTM dua arah model LSTM dua arah masing-masing adalah
ditunjukkan pada Gambar. 8 dan 9 masing-masing. 3.7947, 5.3882, 42.0377 dan 6.4836. Hal ini jelas
menunjukkan bahwa pendekatan BiLSTM
Indikator dasar evaluasi yaitu; MAE, mencatat kinerja yang lebih baik dalam hal metrik
MAPE, MSE, RMSE, dan R2 digunakan dalam evaluasi.
http:// japh.tums.ac.ir
Machine Translated by Google
bugar.
Dalam memprediksi AQI, arsitektur LSTM dua arah lebih kuat
dibandingkan model LSTM. R2 model LSTM dua arah Kurva pembelajaran model LSTM dua arah menunjukkan
bahwa model fit sudah baik dan tidak ada overfitting maupun
skornya adalah 0,9752, lebih tinggi dari model LSTM, underfitting. Keakuratan model yang digunakan telah divalidasi
menunjukkan bahwa model tersebut telah mengungguli model terhadap AQI aktual wilayah penelitian sehingga menghasilkan
empiris dan DL dalam hal memprediksi data deret waktu [16]. rata-rata nilai persen kesalahan absolut kurang dari 2%.
Prediksi AQI univariat Beijing berdasarkan jaringan saraf Dibandingkan dengan model LSTM, hasil model LSTM dua
perceptron multilayer mencapai R2 sebesar 0,861 [21]. Tiga arah menunjukkan bahwa peningkatan kemampuan prediksi
algoritma ML dan DL diterapkan untuk memprediksi dan nilai prediksi hampir mengikuti tren kumpulan data asli.
memprediksi konsentrasi PM 2.5 menggunakan beberapa berdampak pada AQI. Hasilnya, model LSTM dua arah yang
variabel dari data meteorologi dan model multivariat CNN- diusulkan dapat diterapkan di banyak bidang seperti
LSTM mencapai hasil terbaik dengan R2 peramalan keuangan, data meteorologi dan layanan kesehatan.
derajat terbaik berdasarkan data multipolutan dari ibu kota negara yang diusulkan
http:// japh.tums.ac.ir
Machine Translated by Google
Jurnal Polusi Udara dan Kesehatan (Musim Panas 2023); 8(3): 257-268 267
di India. Hasil kajian tersebut bermanfaat bagi seluruh dari penelitian ini.
http:// japh.tums.ac.ir
Machine Translated by Google
9. Bekkar A, Hssina B, Douzi S, Douzi K. Prediksi polusi 17. Metlek S. Proposal baru untuk prediksi konsumsi
udara di kota pintar, pendekatan pembelajaran bahan bakar mesin pesawat: model jaringan saraf dalam
mendalam. Jurnal Data Besar. 2021 Des;8(1):1- CNN-BiLSTM yang baru.
21. Teknik Pesawat Terbang dan Teknologi Dirgantara.
2023 27 Maret;95(5):838-48.
10. Proyek Pembangunan Ibu Kota Amaravati. Laporan
Akhir Penilaian Dampak Sosial. 18. Bowden GJ, Dandy GC, Maier HR. Penentuan
Lembaga Penelitian & Pelatihan Perlindungan masukan untuk model jaringan saraf dalam aplikasi
Lingkungan, Hyderabad. 2016: 1-64. sumber daya air. Bagian 1-latar belakang dan metodologi.
Jurnal Hidrologi. 2005 20 Januari;301(1-4):75-92.
11. Liu Y, Meenakshi V, Karthikeyan L, Maroušek J,
Krishnamoorthy NR, Sekar M, Nasif O, Alharbi SA, Wu
Y, Xia C. Pemodelan prediktif berbasis pembelajaran 19. Kisi Ö. Membangun model estimasi sedimen jaringan
mesin dari mesin turbin gas mikro berbahan bakar saraf menggunakan algoritma berbasis data.
campuran mikroalga menggunakan jaringan LSTM : Matematika dan Komputer dalam Simulasi. 2008 1
Pendekatan eksperimental. Bahan bakar. 2022 15 Oktober;79(1):94-103.
Agustus;322:124183.
20. Kumar D, Singh A, Samui P, Jha RK.
12. Huang X, Li Q, Tai Y, Chen Z, Liu J, Shi J, Liu W. Peramalan curah hujan bulanan menggunakan
Perkiraan deret waktu untuk daya fotovoltaik per jam pemodelan sekuensial. Jurnal ilmu hidrologi. 26 April
menggunakan jaringan permusuhan generatif bersyarat 2019;64(6):690-700.
dan Bi-LSTM. Energi. 2022 1 Mei;246:123403.
21. Xiaogang L, Xin L. Prediksi Indeks Kualitas Udara
Berdasarkan Multilayer Perceptron.
13. Wang H, Wang J, Cao L, Li Y, Sun Q, Wang J. Jurnal Akademik Ilmu Komputasi & Informasi. 2022 15
Model prediksi harga penutupan saham berdasarkan September;5(10):101-5.
CNN-BiSLSTM. Kompleksitas. 2021 21
22. Karimian H, Li Q, Wu C, Qi Y, Mo Y, Chen G, Zhang
September;2021:1-2.
X, Sachdeva S. Evaluasi pendekatan pembelajaran
14. Metlek S, Kayaalp K, Basyigit IB, Genc A, Dogan H. mesin yang berbeda untuk memperkirakan PM2.5
Prediksi sifat dielektrik vegetasi bergantung pada kadar konsentrasi massa. Penelitian Aerosol dan Kualitas
air menggunakan model jaringan saraf dalam. Udara. 2019 Juni;19(6):1400-10.
http:// japh.tums.ac.ir