Comparative Analysis of Xtreme Gradient Boosting (XGBoost) and Long Short-Term Memory (LSTM) Networks for Forecasting Particulate Matter Levels

Ferdieo Azka Andhika, Faizah, S.Kom., M.Kom.

2024 | Skripsi | ILMU KOMPUTER

Polusi udara merupakan salah satu isu lingkungan paling mendesak di banyak wilayah perkotaan, terutama di kota-kota yang berkembang pesat seperti Jakarta, Indonesia. Polutan berbahaya seperti partikulat matter (PM), termasuk PM10 dan PM2.5, telah dikaitkan dengan dampak kesehatan serius seperti penyakit pernapasan dan kardiovaskular, yang berkontribusi terhadap ribuan kematian dini dan kerugian ekonomi yang signifikan. Meningkatnya aktivitas industri, emisi kendaraan, dan pembangkit listrik tenaga batu bara telah memperburuk kualitas udara Jakarta, dengan kadar PM2.5 mencapai tingkat kritis dalam dua dekade terakhir. Hal ini menegaskan perlunya metode peramalan polusi udara yang efektif untuk memandu pembuat kebijakan dan mengevaluasi dampak regulasi yang ada.

Penelitian ini bertujuan untuk menilai dan membandingkan efektivitas dua metode peramalan mutakhir, yaitu XGBoost dan Jaringan Long Short-Term Memory (LSTM), dalam memprediksi kadar partikulat (PM10) di Jakarta. Studi ini memanfaatkan data historis kualitas udara dari tahun 2010 hingga 2023 untuk mengevaluasi kinerja prediktif kedua model, memberikan perbandingan langsung antara pendekatan machine learning tradisional dan deep learning.

Hasil yang diharapkan dari penelitian ini mencakup analisis komprehensif mengenai kemampuan prediktif XGBoost dan LSTM dalam mengolah dataset kualitas udara, serta wawasan mengenai tren polusi PM10 di Jakarta. Temuan ini dapat menjadi dasar pembuatan kebijakan publik berbasis data, membantu aktivis iklim dan pembuat kebijakan dalam merancang strategi yang lebih efektif untuk mengurangi polusi udara di kota tersebut. Selain itu, penelitian ini memberikan kontribusi akademis dengan membandingkan kelebihan dan keterbatasan model machine learning dan deep learning dalam peramalan lingkungan.

Air pollution is one of the most pressing environmental issues in many urban areas, especially in rapidly growing cities such as Jakarta, Indonesia. Harmful pollutants like particulate matter (PM), including PM10 and PM2.5, have been linked to severe health effects such as respiratory and cardiovascular diseases, contributing to thousands of premature deaths and substantial economic losses. Increasing industrial activities, vehicle emissions, and coal-powered plants have contributed to Jakarta’s worsening air quality, with PM2.5 levels reaching critical levels over the past two decades. This underscores the urgent need for effective air pollution forecasting methods to guide policymakers and evaluate the impact of existing regulations.

This research aims to assess and compare the effectiveness of two advanced forecasting methods, XGBoost and Long Short-Term Memory (LSTM) networks, in predicting particulate matter (PM10) levels in Jakarta. The study leverages historical air quality data from 2010 to 2023 to evaluate the predictive performance of these models, providing a direct comparison between traditional machine learning and deep learning approaches.

The expected output of this research includes a comprehensive analysis of the predictive capabilities of XGBoost and LSTM in handling air quality datasets, as well as insights into PM10 pollution trends in Jakarta. The findings could inform data-driven public policy creation, assisting climate activists and policymakers in devising more effective strategies to mitigate air pollution in the city. Additionally, the study contributes to the academic field by comparing the strengths and limitations of machine learning and deep learning models in environmental forecasting.

Kata Kunci : Air Pollution Forecasting, Jakarta Air Pollution, Particulate Matter (PM10), Machine Learning, Deep Learning, XGBoost, Long Short-Term Memory (LSTM)