Machine Translated by Google

Jurnal Polusi Udara dan Kesehatan (Musim Panas 2023); 8(3): 257-268

Artikel asli
Tersedia online di http://japh.tums.ac.ir

Prediksi indeks kualitas udara menggunakan jaringan saraf dalam

multivariat: Studi kasus usulan ibu kota negara bagian di India

Venkata Siva Raja Prasad Sunku*, Rambabu Mukkamala, Wisnu Namboodiri

Institut Nasional Manajemen dan Penelitian Konstruksi (NICMAR), Hyderabad, India

INFORMASI PASAL ABSTRAK

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.

stasiun pemantau cuaca untuk kesejahteraan

Perkenalan
manusia, jika tidak maka akan berdampak buruk
pada kesehatan. Di India, polusi udara meningkat
Kualitas udara harus terus diperhatikan secara terus menerus beberapa kali lipat karena pesatnya urbanisasi, industrialisasi, d

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
258 VSRP. Sunku, dkk. Prediksi indeks kualitas udara ...
kegiatan pembangunan yang diprakarsai oleh pemerintah
negara bagian dan pusat. Harus ada trade-off antara risiko
lingkungan dan kegiatan pembangunan untuk melindungi
masyarakat dari dampak pencemaran udara. Di negara-
negara berkembang seperti India, pemantauan dan prediksi
kualitas udara menjadi sangat penting untuk menerapkan
langkah-langkah mitigasi guna menghindari risiko lingkungan.
Mengingat dampak polutan terhadap kesehatan manusia,
statistik yang disebut Indeks Kualitas Udara (AQI) telah
dikembangkan untuk mengukur kualitas udara.
Sebanyak 804 stasiun pemantauan kualitas udara telah
didirikan di India untuk menyebarkan informasi kualitas
udara kepada masyarakat. AQI memperhitungkan delapan
polutan, yaitu partikel dengan diameter 10 µm atau kurang
(PM10), partikel dengan diameter 2,5 µm atau kurang
(PM2.5), Nitrogen dioksida (NO2 ), Sulfur dioksida (SO2 ),
Karbon monoksida (CO), Ozon( O3 ), amonia (NH3 ) dan
timbal (Pb) dan dihitung hanya jika data tersedia untuk
setidaknya tiga polutan, salah satunya adalah PM2.5
seharusnya atau PM10. Ada enam kategori AQI: baik,
sedang, buruk, sangat buruk, dan berat [1].
Di masa lalu, beberapa metode telah digunakan untuk
memprediksi berbagai polutan yang mempengaruhi kualitas
udara dan AQI.
Untuk memprediksi AQI, metode baru telah diterapkan
daripada metode matematika dan statistik tradisional,
seiring dengan meningkatnya pentingnya AQI di dunia [2].
Teknik prediksi tradisional biasanya memerlukan sumber
daya komputasi yang signifikan. Selain itu, keakuratan
prediksi teknik bergantung pada kerangka teknik itu sendiri
dan peningkatan tidak mungkin dilakukan terlepas dari
luasnya kumpulan data pelatihan. Munculnya kecerdasan
buatan telah mengarah pada pengembangan algoritma
prediksi terbaru dan tercanggih. Pembelajaran Mendalam
(DL) dan Pembelajaran Mesin (ML) adalah bagian dari
kecerdasan buatan yang banyak digunakan di banyak
bidang untuk tugas prediksi dengan akurasi tinggi. Algoritme
DL dan ML dapat memproses kumpulan data lingkungan
yang besar secara efisien dan menyediakan data yang
akurat
http:// japh.tums.ac.ir
hasil prediksi [3]. Model prediksi AQI berdasarkan DL dan
ML terbukti lebih dapat diandalkan dan konsisten.
Algoritme ML, Support Vector Regression (SVR), regresi
Random Forest (RF), dan regresi CatBoost telah digunakan
untuk menentukan AQI di empat kota besar di India;
temuannya menunjukkan bahwa regresi hutan acak
menghasilkan nilai Root Mean Square Error (RMSE)
terendah dan akurasi tertinggi untuk tiga kota [4]. Algoritme
DL yang paling populer adalah multilayer perceptron,
Convolutional Neural Networks (CNN), Recurrent Neural
Networks (RNN), dan autoencoder. Secara khusus, model
prediksi AQI berbasis RNN telah terbukti memiliki kinerja
yang lebih baik [5, 6]. Prediksi konsentrasi PM10 dianalisis
dengan tiga algoritma DL yaitu RNN, Long Short-Term
Memory (LSTM), dan gated recurrent unit; dan semuanya
berkinerja baik [7]. Untuk memprediksi tingkat PM10 dan
PM2.5 di Makau, empat algoritma ML diterapkan dalam
penelitian ini, dan regresi RF terbukti dapat diandalkan [8].
Model hybrid CNN-LSTM mengungguli DNN lainnya dalam
memprediksi konsentrasi PM2.5 di wilayah perkotaan
Beijing [9]. Dari studi terkait prediksi AQI berdasarkan DNN,
terlihat bahwa studi tersebut terutama difokuskan pada
prediksi time series univariat dari berbagai polutan yang
mempengaruhi kualitas udara, bukan prediksi multivariat
dengan mempertimbangkan variabel independen sebagai
polutan dan variabel target sebagai AQI.
Sebuah penelitian dilakukan dengan menguji secara
independen data deret waktu univariat dari 12 polutan
menggunakan algoritma DL, dan penulis menyarankan
untuk mengimplementasikan model multivariat dengan
kerangka dua arah menggunakan data polutan sebagai
bagian dari perluasan penelitian [2]. Untuk mengisi
kesenjangan dalam literatur, penelitian ini mengusulkan
dua arsitektur DL yaitu LSTM multivariat dan LSTM dua
arah untuk prediksi AQI dengan mempertimbangkan tujuh
polutan sebagai variabel independen dan AQI sebagai
variabel dependen. Itu
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.

Gambar 1. Otoritas pengembangan wilayah ibu kota-Amaravati

Gambar 2. Kerangka model DNN

http:// japh.tums.ac.ir
Machine Translated by Google

260 VSRP. Sunku, dkk. Prediksi indeks kualitas udara ...

Gambar 3. Diagram blok LSTM

Penelitian ini bertujuan untuk mengevaluasi kinerja
algoritma DNN. Arsitektur LSTM dibahas secara
mendalam untuk lebih memahami arsitektur model Dua
Arah. Bagian ini menggambarkan secara rinci struktur
jaringan pembelajaran mendalam (DL) yang diadopsi
dalam analisis. DNN digunakan untuk menyelidiki
efektivitas parameter model dalam prediksi AQI.
model LSTM
Jaringan LSTM adalah jenis Recurrent Neural Network
(RNN) yang meningkatkan ingatan dengan mengingat
data masa lalu [11] dan propagasi mundur digunakan
untuk melatih model, yang cocok untuk memprediksi
deret waktu dengan jeda waktu yang tidak dapat
diprediksi. Jaringan LSTM secara eksplisit dikembangkan
untuk menghindari masalah ketergantungan jangka
panjang dan berhasil menangani masalah gradien
hilang, dan model dibagi menjadi tiga bagian yang
menjalankan fungsi tertentu seperti yang ditunjukkan
pada Gambar 3.
Bagian pertama menentukan apakah data
berupaya mempelajari informasi baru dari masukan dan
mentransfer informasi terkini dari langkah waktu saat ini
ke langkah waktu berikutnya, dan siklus LSTM dipandang
sebagai langkah waktu tunggal.
Ketiga bagian unit LSTM ini dikenal sebagai gerbang
lupa, gerbang masukan, dan gerbang keluaran. Sel
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
memecahkan masalah hilangnya gradien, yang
umumnya terjadi di RNN. Hasilnya, ini banyak digunakan
dalam berbagai aplikasi dalam prediksi deret waktu [12].
Bagian pertama menentukan apakah akan menyimpan
atau menghapus informasi dari langkah waktu
sebelumnya. Persamaan. 1 mewakili gerbang lupa. Nilai
aktivasi forget gate ft pada waktu t dihitung menggunakan
fungsi sigmoid. Ft kemudian dikalikan dengan kondisi
sel langkah waktu sebelumnya.
kaki = ÿ (Xt *Uf + ht-1 * Wf ) (1)

dari langkah waktu sebelumnya relevan atau dapat

diabaikan. Di bagian kedua dan terakhir, sel Di mana; Xt adalah masukan untuk langkah waktu yang sedang berjalan,

http:// japh.tums.ac.ir
Machine Translated by Google
Jurnal Polusi Udara dan Kesehatan (Musim Panas 2023); 8(3): 257-268
Uf adalah bobot yang berhubungan dengan masukan, ht -1
adalah keadaan tersembunyi dari langkah waktu sebelumnya
dan Wf adalah matriks bobot yang berhubungan dengan
keadaan tersembunyi. Gerbang kedua, gerbang masukan,
digunakan untuk mengevaluasi relevansi informasi baru yang
dibawa oleh masukan, dan ditunjukkan sebagai Persamaan. 2.
itu = ÿ (Xt *Ui + ht-1 * Wi )
Di mana; Ui adalah matriks bobot masukan dan Wi adalah
matriks bobot masukan yang terkait dengan keadaan
tersembunyi. Fungsi sigmoid kemudian diterapkan di atasnya,
menghasilkan nilai 'i' pada langkah waktu t antara 0 dan 1.
Persamaan. 3 digunakan untuk menghitung informasi baru.
Nt = tanh ((Xt *Uc + ht-1 * Wc)
Informasi baru yang harus diberikan ke keadaan sel sekarang
merupakan fungsi dari keadaan tersembunyi pada langkah
waktu t-1 dan masukan x pada langkah waktu t. Tanh adalah
fungsi aktivasi, dan nilai informasi baru berkisar dari -1 hingga
1. Jika Nt negatif, informasi dikurangi dari status sel dan
ditambahkan ke status lanjutan, dan sebaliknya. Nt,
bagaimanapun, tidak secara langsung ditambahkan ke
keadaan sel.
Persamaan. 4 mewakili persamaan keadaan sel yang dimodifikasi.
Ct = kaki * Ct-1 + itu * tidak
Dimana, Ct -1 adalah keadaan sel pada langkah waktu yang sedang
berlangsung.
Persamaan gerbang keluaran ditampilkan sebagai Persamaan. 5.
ot = ÿ (Xt *Uo + ht-1 * Wo)
Persamaan. 6 digunakan untuk menghitung arus tersembunyi
261
status menggunakan status keluaran 'ot ' dan tanh dari status
sel yang diperbarui. Seperti yang ditunjukkan dalam
Persamaan. 7, keadaan tersembunyi adalah fungsi dari
memori jangka panjang (Ct) dan keluaran saat ini, dan keluaran
dari langkah waktu saat ini ditentukan dengan menerapkan
aktivasi SoftMax ke keadaan tersembunyi ht. Nilai prediksi
tidak lain adalah skor maksimal pada output.
(2)
ht = ot * tanh (Ct) (6)
Keluaran = Softmax (ht) (7)
Terakhir, propagasi mundur digunakan untuk mendapatkan
LSTM, yang kemudian disimpan dalam blok memori.
Kini, LSTM berhasil membiasakan data deret waktu yang
(3) dimasukkan untuk menghasilkan fungsi memori jangka
panjang [13]. Dalam model ini, keluaran sel dikendalikan oleh
gerbang. Gambar 4 menggambarkan arsitektur sel LSTM
tunggal [14].
Model LSTM dua arah
LSTM mungkin menerima informasi jarak jauh sebelum waktu
keluaran tetapi tidak dapat menggunakan informasi sebaliknya.
Untuk meningkatkan akurasi prediksi secara signifikan,
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
(4)
satu lapisan belakang. Dibandingkan dengan transmisi
keadaan satu arah LSTM biasa, LSTM Dua Arah mengevaluasi
perubahan data sebelum dan sesudah transmisi data dan
dapat membuat keputusan yang lebih lengkap dan rinci
berdasarkan informasi masa lalu dan masa depan [15]. Model
LSTM dua arah melakukan perhitungan maju dan mundur
seperti yang ditunjukkan pada struktur model pada Gambar 4
(5) [16].
http:// japh.tums.ac.ir
Machine Translated by Google

262 VSRP. Sunku, dkk. Prediksi indeks kualitas udara ...

Gambar 4. Diagram skema arsitektur sel LSTM

Gambar 5. Diagram skema struktur LSTM dua arah

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

tujuh polutan dan AQI untuk periode 25/11/2017,

RMSE = (4) 09:00:00 hingga 1/7/2020, 12:00:00 dengan total

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.

Dalam penelitian ini, data per jam berkaitan dengan

Tabel 1. Statistik deskriptif variabel

AQI PM2.5 PM10 TIDAK 2 NH3 BERSAMA SO2 O3

Menghitung 14625 14625 14625 14625 14625 14625 14625 14625

Berarti 95.18 38.77 76.76 21.61 12.32 0,6359 14.04 36.15

Std 55,99 29.78 48.80 21.58 6.44 0,5379 12.26 19.19

Minimal 21.00 0,250 1,00 0,10 0,10 0,10 0,05 8.33

25% 55.00 16.50 40.50 8.600 7.650 0,3800 7.820 20.58

50% 78.00 28.75 64.50 14.57 11.88 0,5500 11.68 32.50

75% 121.00 54,75 103.25 24.65 16.57 0,76 16.90 48.45

Maks 317.000 308.75 559.25 177,88 68.93 9.84 195.00 90,62

http:// japh.tums.ac.ir
Machine Translated by Google
264 VSRP. Sunku, dkk. Prediksi indeks kualitas udara ...
Titik data dinormalisasi antara 0 dan 1 menggunakan
scaler MinMax sebelum memisahkan kumpulan
data untuk pelatihan dan pengujian. Dari 14625 titik
data, 10234 (70%) dan 4391 (30%) digunakan
untuk melatih dan menguji kumpulan data guna
menilai kemampuan prediktif model.
Terakhir, lima metrik evaluasi yaitu; Mean Absolute
Error (MAE), Mean Absolute Percentage Error
(MAPE), Mean Square Error (MSE), Root Mean
Square Error (RMSE) dan koefisien determinasi
(R2 ) digunakan untuk memeriksa kemampuan
prediksi model berdasarkan aktual dan prediksi.
nilai-nilai.
Pemilihan panjang jendela adalah salah satu latihan
yang kompleks dan kritis dalam pengembangan
model dan untuk mengatasi kesulitan penerapan
Fungsi Korelasi Otomatis Parsial (PACF) [18-20].
Berdasarkan PACF, berbagai langkah waktu diuji
dan terakhir, langkah waktu pengamatan
sebelumnya yaitu 18 jam dipilih sebagai masukan
model untuk kedua model. Hal ini didukung oleh
fakta bahwa dengan menggunakan hasil PACF
kami mengamati korelasi terbesar antara 18 dan
20 lag.
Gambar 6. Nilai aktual vs nilai prediksi model AQI-LSTM
http:// japh.tums.ac.ir
Parameter dan model eksperimental
Dalam penelitian ini, hasil multivariat
Model LSTM dan LSTM dua arah adalah
dibandingkan berdasarkan metrik evaluasi. Model
dan parameter pelatihan kedua model dijaga sama
untuk tujuan perbandingan. Pengoptimal Adam
digunakan untuk menghitung kecepatan
pembelajaran parameter adaptif berdasarkan rata-
rata momen gradien pertama dan kedua. Kecepatan
pembelajarannya adalah 0,0001, dan MAE
digunakan sebagai fungsi kerugian. Ini hanya
mengukur panjang modulus rata-rata dari kesalahan
nilai prediksi, mengabaikan arah, dan lebih tahan
terhadap outlier. Beberapa percobaan dilakukan
dengan memvariasikan ukuran batch, jumlah
epoch, kecepatan pembelajaran, langkah waktu
dan panjang jendela. Akhirnya, hasil optimal diperoleh pada uku
periode waktu 150. Data polutan per jam dan AQI
di wilayah studi setelah pra-pemrosesan dimasukkan
ke dalam LSTM, dan model LSTM dua arah untuk
pelatihan. Dataset pengujian digunakan untuk
prediksi setelah menyelesaikan pelatihan. Plot
model hibrida yang berkaitan dengan nilai aktual
dan prediksi dalam 4391 jam terakhir ditunjukkan
pada Gambar. 6 dan 7 LSTM, dan LSTM dua arah.
Machine Translated by Google

Jurnal Polusi Udara dan Kesehatan (Musim Panas 2023); 8(3): 257-268 265

Gambar 7. Nilai aktual vs nilai prediksi model AQI-Bidirection LSTM

Gambar 8. Kurva pembelajaran model LSTM

Kurva pembelajaran diplot untuk memeriksa
apakah kumpulan data pelatihan atau validasi
mewakili area domain dengan tepat. Kurva
pembelajaran menunjukkan bahwa kecocokan
model baik, dengan kerugian pelatihan dan
validasi berkurang hingga titik stabilitas dengan
selisih kecil antara dua nilai kerugian akhir. Kurva
pembelajaran LSTM dan LSTM dua arah
ditunjukkan pada Gambar. 8 dan 9 masing-masing.
Indikator dasar evaluasi yaitu; MAE,
MAPE, MSE, RMSE, dan R2 digunakan dalam
Analisis digunakan untuk membandingkan hasil
ketiga model. Kelima indikator tersebut digunakan
untuk mengetahui perbedaan antara nilai AQI
prediksi dan aktual, dan nilai dari indikator tersebut
disajikan pada Tabel 2. Skor R2 model LSTM
biarah sebesar 0,9752 lebih tinggi dibandingkan
model LSTM. Skor MAE, MAPE, MSE, dan RMSE
model LSTM dua arah masing-masing adalah
3.7947, 5.3882, 42.0377 dan 6.4836. Hal ini jelas
menunjukkan bahwa pendekatan BiLSTM
mencatat kinerja yang lebih baik dalam hal metrik
evaluasi.

http:// japh.tums.ac.ir
Machine Translated by Google

266 VSRP. Sunku, dkk. Prediksi indeks kualitas udara ...

Gambar 9. Kurva pembelajaran model BiDirectional LSTM

Tabel 2. Parameter evaluasi model AQI wilayah penelitian

Model MAE PETA UMK RMSE R2

LSTM 5.4012 6.951 76.6529 8.5237 0,9572

BiLSTM 3.7947 5.3882 42.0377 6.4836 0,9752

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.

konsentrasi PM2.5 pada interval waktu yang berbeda di kota

Teheran dan kerangka LSTM mencapai hasil terbaik dengan

RMSE, MAE dan R2 masing-masing sebesar 8.91, 6.21 dan Model yang diusulkan dapat dilatih dan digunakan dengan
0.80 [22]. Tujuh arsitektur DNN diimplementasikan untuk polutan lain yang mempengaruhi kualitas udara dan

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.

sebesar 0,979 dengan ukuran batch 32 dan interval Kesimpulan

dari 7 hari [9]. Berdasarkan parameter evaluasi antara nilai

prediksi dan nilai aktual, model LSTM dua arah mempunyai Tujuan dari penelitian ini adalah untuk memprediksi AQI

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
di India. Hasil kajian tersebut bermanfaat bagi seluruh
pemangku kepentingan yang terlibat dalam pembangunan
ibu kota baru. Pentingnya pemantauan nilai AQI secara terus
menerus pada fase pembangunan ibu kota dikarenakan
masifnya aktivitas konstruksi dan pengoperasian peralatan
dalam skala besar sehingga berdampak pada kualitas udara.
Hasilnya berguna bagi pembangunan berkelanjutan ibu kota.
Hasil prediksi tersebut berguna untuk menerapkan langkah
mitigasi guna menjaga AQI dalam batas aman. Untuk
memprediksi model AQI, LSTM, dan Bidirection LSTM
diterapkan. Skor R2 model LSTM dua arah memberikan
hasil yang lebih baik untuk memprediksi AQI dibandingkan
dengan model LSTM. Parameter evaluasi model yang
digunakan diverifikasi menggunakan data AQI aktual dan
MAPE model yang diusulkan kurang dari 4%. Kesesuaian
model yang diusulkan baik karena berada di antara model
overfit dan underfit. Hasil kajian tersebut bermanfaat bagi
seluruh pemangku kepentingan yang terlibat dalam
pembangunan ibu kota baru. Model multivariat yang
diusulkan dapat diterapkan untuk memprediksi konsentrasi
berbagai polutan yang mempengaruhi kualitas udara dengan
mempertimbangkan parameter meteorologi antara lain
kecepatan angin, kelembapan, suhu lingkungan, dan arah
angin.
Dukungan finansial
“Tidak ada dana yang diterima dari organisasi keuangan
mana pun untuk melakukan penelitian ini.”
Kepentingan yang bersaing
“Para penulis menyatakan bahwa mereka tidak mempunyai
kepentingan bersaing finansial atau non-finansial dalam
materi apa pun yang dibahas dalam makalah ini.”
Ucapan Terima Kasih
Penulis mengucapkan terima kasih kepada Central Pollution
Dewan Pengendalian, Pemerintah India yang menyediakan
Data Kualitas Udara untuk pembangunan
267
dari penelitian ini.
Pertimbangan etis
Masalah etika (Termasuk plagiarisme, Informed Consent,
pelanggaran, pemalsuan dan/atau pemalsuan data, publikasi
dan/atau penyerahan ganda, redundansi, dll) telah
sepenuhnya diperhatikan oleh penulis.
Referensi
1. Badan Pengendalian Pencemaran Pusat. Nasional
Status dan Tren Kualitas Udara Ambien 2019 (NAAQMS/
45/2019-2020). Kementerian Lingkungan Hidup, Hutan dan
Perubahan Iklim, Pemerintah India. 2020; 1-156.
2. Rao KS, Devi GL, Ramesh N. Prediksi kualitas udara di
Visakhapatnam dengan jaringan saraf berulang berbasis
LSTM. Int. J.Intel. sistem.
Aplikasi. 2019 1;11(2):18-24 Februari.
3. Kumar K, Pande BP. Prediksi polusi udara dengan
pembelajaran mesin: studi kasus kota-kota di India. Jurnal
Internasional Ilmu dan Teknologi Lingkungan. 2023
Mei;20(5):5333-
48.
4. Gupta NS, Mohta Y, Heda K, Armaan R, Valarmathi B,
Arulkumaran G. Prediksi Indeks Kualitas Udara Menggunakan
Teknik Pembelajaran Mesin: Analisis Komparatif. Jurnal
Kesehatan Lingkungan dan Masyarakat. 2023 Januari
30;2023: 1-26.
5. Längkvist M, Karlsson L, Loutfi A. Tinjauan pembelajaran
fitur tanpa pengawasan dan pembelajaran mendalam untuk
pemodelan deret waktu. Surat pengenalan pola. 2014 1
Juni;42:11-24.
6. Coelho IM, Coelho VN, Luz EJ, Ochi LS, Guimaraes FG,
Rios E. Model pembelajaran mendalam GPU berbasis
metaheuristik untuk perkiraan deret waktu. Energi Terapan.
2017 1 September;201:412-
8.
7. Athira V, Geetha P, Vinayakumar R, Soman
http:// japh.tums.ac.ir
Machine Translated by Google
268 VSRP. Sunku, dkk. Prediksi indeks kualitas udara ...
KP. Deepairnet: Menerapkan jaringan berulang untuk
prediksi kualitas udara. Ilmu komputer Procedia.
2018 1 Januari;132:1394-403.
8. Lei TM, Siu SW, Monjardino J, Mendes L, Ferreira F.
Menggunakan metode pembelajaran mesin untuk
memperkirakan kualitas udara: Studi kasus di Makau.
Suasana. 2022 1 September;13(9):1412.
9. Bekkar A, Hssina B, Douzi S, Douzi K. Prediksi polusi
udara di kota pintar, pendekatan pembelajaran
mendalam. Jurnal Data Besar. 2021 Des;8(1):1-
21.
10. Proyek Pembangunan Ibu Kota Amaravati. Laporan
Akhir Penilaian Dampak Sosial.
Lembaga Penelitian & Pelatihan Perlindungan
Lingkungan, Hyderabad. 2016: 1-64.
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
mesin dari mesin turbin gas mikro berbahan bakar
campuran mikroalga menggunakan jaringan LSTM :
Pendekatan eksperimental. Bahan bakar. 2022 15
Agustus;322:124183.
12. Huang X, Li Q, Tai Y, Chen Z, Liu J, Shi J, Liu W.
Perkiraan deret waktu untuk daya fotovoltaik per jam
menggunakan jaringan permusuhan generatif bersyarat
dan Bi-LSTM. Energi. 2022 1 Mei;246:123403.
13. Wang H, Wang J, Cao L, Li Y, Sun Q, Wang J.
Model prediksi harga penutupan saham berdasarkan
CNN-BiSLSTM. Kompleksitas. 2021 21
September;2021:1-2.
14. Metlek S, Kayaalp K, Basyigit IB, Genc A, Dogan H.
Prediksi sifat dielektrik vegetasi bergantung pada kadar
air menggunakan model jaringan saraf dalam.
Jurnal Internasional RF dan Microwave
Teknik Berbantuan Komputer. 2021; 31(1): 1-10.
15. Zhuang W, Cao Y. Prediksi arus lalu lintas jangka
pendek berdasarkan cnn-bilstm dengan informasi
multikomponen. Ilmu Terapan.
http:// japh.tums.ac.ir
2022 30 Agustus;12(17):8714.
16. Joseph RV, Mohanty A, Tyagi S, Mishra S, Satapathy
SK, Mohanty SN. Kerangka kerja pembelajaran
mendalam hybrid dengan CNN dan LSTM dua arah
untuk perkiraan permintaan item toko.
Komputer dan Teknik Elektro. 2022 1 Oktober;103:108358.
17. Metlek S. Proposal baru untuk prediksi konsumsi
bahan bakar mesin pesawat: model jaringan saraf dalam
CNN-BiLSTM yang baru.
Teknik Pesawat Terbang dan Teknologi Dirgantara.
2023 27 Maret;95(5):838-48.
18. Bowden GJ, Dandy GC, Maier HR. Penentuan
masukan untuk model jaringan saraf dalam aplikasi
sumber daya air. Bagian 1-latar belakang dan metodologi.
Jurnal Hidrologi. 2005 20 Januari;301(1-4):75-92.
19. Kisi Ö. Membangun model estimasi sedimen jaringan
saraf menggunakan algoritma berbasis data.
Matematika dan Komputer dalam Simulasi. 2008 1
Oktober;79(1):94-103.
20. Kumar D, Singh A, Samui P, Jha RK.
Peramalan curah hujan bulanan menggunakan
pemodelan sekuensial. Jurnal ilmu hidrologi. 26 April
2019;64(6):690-700.
21. Xiaogang L, Xin L. Prediksi Indeks Kualitas Udara
Berdasarkan Multilayer Perceptron.
Jurnal Akademik Ilmu Komputasi & Informasi. 2022 15
September;5(10):101-5.
22. Karimian H, Li Q, Wu C, Qi Y, Mo Y, Chen G, Zhang
X, Sachdeva S. Evaluasi pendekatan pembelajaran
mesin yang berbeda untuk memperkirakan PM2.5
konsentrasi massa. Penelitian Aerosol dan Kualitas
Udara. 2019 Juni;19(6):1400-10.