Pengembangan Model Stacking GRU-SETAR Tree Untuk Prediksi Indikator Kualitas Udara PM2.5 dan PM10 di Jakarta

Widya Amelia Putri, Dr. Dyah Aruming Tyas, S.Si.

2026 | Tesis | MAGISTER KECERDASAN ARTIFISIAL

World Health Organization (WHO) memperkirakan polusi udara menyebabkan sekitar 7 juta kematian dini setiap tahun, dengan PM2.5 dan PM10 sebagai penyumbang utama. Konsentrasi Particulate Matter (PM) di Jakarta sering melebihi ambang batas WHO, sehingga memerlukan sistem prediksi yang akurat untuk mendukung kebijakan mitigasi. Karakteristik PM yang non-linear dan fluktuatif menjadi tantangan dalam peramalan. Model Gated Recurrent Unit (GRU) efektif untuk menangkap pola jangka panjang, namun kurang responsif terhadap perubahan mendadak, sedangkan SETAR-Tree lebih baik dalam mendeteksi perubahan lokal. Penelitian ini mengembangkan model stacking GRU–SETAR Tree untuk meningkatkan akurasi prediksi PM2.5 dan PM10, sehingga dapat meningkatkan performa model prediksi dalam meminimalkan kesalahan peramalan Mean Absolute Percentage Error (MAPE). Data yang digunakan adalah konsentrasi PM2.5 dan PM10 harian dari lima stasiun pemantauan di Jakarta. Hasil evaluasi menunjukkan model stacking tanpa dekomposisi musiman hanya memberikan hasil optimal pada dataset PM10 DKI1, PM10 DKI4, PM2.5 DKI1, dan PM2.5 DKI5. Dataset sisanya hanya mengalami perbaikan performa pada data latih. Oleh karena itu, dilakukan eksperimen dengan melakukan dekomposisi musiman pada data untuk mengatasi fluktuasi musiman dan meningkatkan kemampuan model dalam memprediksi pola yang lebih kompleks. Setelah dekomposisi musiman, model stacking berhasil meningkatkan performa prediksi di seluruh dataset, dengan penurunan error berkisar antara 0,03% - 2,52%. Metode ini terbukti lebih baik dalam menggabungkan hasil prediksi dari model individu yang memiliki arah bias berbeda. Dari sisi meta-learner, model berbasis pohon seperti XGBoost dan Decision Tree Regression cenderung lebih unggul dalam memprediksi perubahan mendadak dan skenario multi-horizon dibandingkan MLP, yang relatif kurang fleksibel menghadapi fluktuasi data yang kompleks.

The World Health Organization (WHO) estimates that air pollution causes approximately 7 million premature deaths annually, with PM2.5 and PM10 being the main contributors. Particulate Matter (PM) concentrations in Jakarta frequently exceed WHO thresholds, necessitating an accurate prediction system to support mitigation policies. The non-linear and fluctuating characteristics of PM pose a challenge in forecasting. The Gated Recurrent Unit (GRU) model is effective in capturing long-term patterns, but is less responsive to sudden changes, while the SETAR-Tree is better at detecting local changes. This study developed a GRU–SETAR Tree stacking model to improve the accuracy of PM2.5 and PM10 predictions, thereby improving the prediction model's performance in minimizing the Mean Absolute Percentage Error (MAPE) forecasting error. The data used were daily PM2.5 and PM10 concentrations from five monitoring stations in Jakarta. Evaluation results showed that the stacking model without seasonal decomposition only provided optimal results on the PM10 DKI1, PM10 DKI4, PM2.5 DKI1, and PM2.5 DKI5 dataset. The remaining datasets only experienced performance improvements on the training data. Therefore, experiments were conducted by applying seasonal decomposition to the data to address seasonal fluctuations and improve the model's ability to predict more complex patterns. After seasonal decomposition, the stacking model successfully improved prediction performance across the entire dataset, with a decrease in error ranging from 0.03% - 2.52%. This method proved superior in combining prediction results from individual models with different bias directions. From a meta-learner perspective, tree-based models, such as XGBoost and Decision Tree Regression, tend to outperform MLPs in predicting sudden changes and multi-horizon scenarios, which are relatively less flexible in handling complex data fluctuations.

Kata Kunci : Particulate Matter, Stacking, GRU, SETAR-Tree