📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 4 dokumenANALISIS DAN EVALUASI PREDIKSI HARIAN PM10 JAKARTA MENGGUNAKAN MODEL HIBRIDA RANDOM FOREST REGRESI-ARIMA BERBASIS REKAYASA FITUR
Penurunan kualitas udara di DKI Jakarta, khususnya akibat tingginya konsentrasi partikulat PM10, memerlukan sistem peringatan dini untuk membantu mitigasi dampak kesehatan masyarakat. Banyak model prediksi saat ini memproses data polutan mentah tanpa mengekstraksi komponen temporalnya, serta memiliki struktur yang sulit diinterpretasikan secara langsung oleh pemangku kebijakan. Selain itu, penggunaan model tunggal memiliki batasan operasional? Random Forest Regresi dapat memetakan pola non-linier namun rentan terhadap autokorelasi pada residu, sedangkan model ARIMA efektif dalam memodelkan komponen linier deret waktu namun kurang adaptif terhadap lonjakan data yang ekstrem. Oleh karena itu, penelitian ini menerapkan arsitektur hibrida Random Forest Regresi-ARIMA sekuensial yang dikombinasikan dengan teknik feature engineering. Proses rekayasa fitur menghasilkan 15 variabel turunan, meliputi efek jeda waktu (lag), rata-rata bergerak (rolling statistics), pola temporal, dan interaksi antarpolutan, yang diekstrak dari dataset Indeks Standar Pencemar Udara (ISPU) DKI Jakarta periode 2010–2025. Evaluasi menggunakan time-series cross-validation (5-fold) menunjukkan bahwa model hibrida yang diusulkan menghasilkan nilai Root Mean Square Error (RMSE) sebesar 13,4004. Nilai kesalahan prediksi tersebut lebih rendah jika dibandingkan dengan model ARIMA murni (RMSE 18,8432), Random Forest Regresi murni (RMSE 13,5717), serta algoritma komparasi XGBoost (RMSE 14,3307). Hasil studi ablasi menunjukkan bahwa integrasi fitur turunan berkontribusi dalam menurunkan nilai galat prediksi. Model ini juga dilengkapi dengan metode SHapley Additive exPlanations (SHAP) untuk menganalisis kontribusi setiap fitur terhadap hasil prediksi secara lebih transparan.
PEMODELAN DISPERSI POLUTAN DI PT. X YANG BERGERAK DI INDUSTRI SMELTER COLD ROLLING STAINLESS STEEL DENGAN PRODUK BERUPA COLD ROLLING STAINLESS STEEL
Kegiatan pemrosesan biji mineral di industri smelter merupakan sektor krusial dalam rantai pasok manufaktur global, namun seringkali menimbulkan konsekuensi lingkungan yang signifikan, khususnya dalam hal emisi polutan udara. Penelitian ini bertujuan untuk melakukan evaluasi komprehensif terhadap dampak emisi dari PT. X, sebuah industri smelter cold rolling stainless steel yang berlokasi di Kecamatan Bahodopi, Kabupaten Morowali, Provinsi Sulawesi Tengah. Fokus utama adalah memodelkan dispersi polutan sulfur dioksida (SO2), nitrogen oksida (NOx), Partikulat (TSP), dan karbon monoksida (CO), serta memprediksi konsentrasinya di udara ambien di wilayah studi. Selanjutnya, hasil prediksi tersebut dibandingkan dengan baku mutu udara ambien nasional yang diatur dalam Peraturan Pemerintah No. 22 Tahun 2021. Pemodelan dispersi polutan dilakukan menggunakan perangkat lunak AERMOD, sebuah sistem pemodelan dispersi Gaussian plume yang direkomendasikan oleh U.S. Environmental Protection Agency (EPA). Sebagai model steady-state plume, AERMOD mengintegrasikan data meteorologi dan topografi untuk memprediksi konsentrasi polutan dengan mempertimbangkan struktur turbulensi lapisan batas atmosfer (planetary boundary layer) dan profil elevasi permukaan tanah. Data masukan krusial untuk AERMOD, termasuk laju emisi dari sembilan cerobong (sumber titik), dikumpulkan dari sertifikat hasil uji (SHU) dengan menggunakan konsentrasi tertinggi dari hasil pengukuran. Data meteorologi untuk periode 2015 hingga 2024 diperoleh dari platform Copernicus Climate Change Service (C3S) dan diolah menggunakan AERMET. Data topografi diperoleh dari Digital Elevation Model Nasional (DEMNAS) dan diproses menggunakan AERMAP. Analisis wind rose selama periode 10 tahun menunjukkan angin dominan bertiup dari arah barat daya ke timur laut, yang mengindikasikan bahwa dispersi polutan cenderung mengarah ke perairan. Hasil pemodelan menunjukkan bahwa emisi dari PT. X memberikan kontribusi yang signifikan terhadap konsentrasi polutan di wilayah studi, dengan beberapa perbedaan dampak antar parameter. Untuk SO2 dan CO, prediksi konsentrasi maksimum berada jauh di bawah baku mutu udara ambien yang ditetapkan, yaitu 68,60872 ?g/m3 (periode 1 jam) dan 28,07598 ?g/m3 (periode 8 jam) dibandingkan dengan baku mutu 150 ?g/m3 dan 4000 ?g/m3 . Kontribusi emisi SO2 terhadap konsentrasi aktual di udara ambien berkisar antara 10% hingga 75%. Demikian pula, kontribusi emisi CO berkisar antara 0,088% hingga 1,21%.Konsentrasi TSP maksimum yang diprediksi adalah 39,54297 ?g/m3 , yang jauh lebih rendah dari baku mutu 24 jam sebesar 230 ?g/m3 . Kontribusi emisi TSP berkisar antara 1,2% hingga 12,7%. Namun, hasil pemodelan untuk NOx menunjukkan pelampauan. Konsentrasi NOx diprediksi melampaui baku mutu udara ambien nasional di semua periode pengukuran. Konsentrasi maksimum yang diprediksi mencapai 1644,78 ?g/m3 untuk periode 1 jam, 449,61 ?g/m3 untuk 24 jam, dan 81,87 ?g/m3 untuk tahunan, semuanya melampaui baku mutu masingmasing, yaitu 200 ?g/m3 , 65 ?g/m3 , dan 50 ?g/m3 . Kontribusi emisi NOx terhadap konsentrasi aktual di udara ambien berkisar antara 483% hingga 1851%. Pelampauan ini teridentifikasi pada 1214 grid untuk periode 1 jam dan 245 grid untuk periode 24 jam. Analisis lebih lanjut menemukan bahwa hasil prediksi NOx menunjukkan kondisi overestimate, di mana nilai prediksi secara signifikan lebih tinggi daripada konsentrasi aktual yang terukur di lapangan. Fenomena ini dapat disebabkan oleh beberapa faktor, antara lain penyederhanaan model AERMOD yang tidak mempertimbangkan secara rinci proses deposisi dan reaksi kimia di atmosfer. Penggunaan data emisi dalam kondisi terburuk juga dapat berkontribusi pada hasil yang terlalu tinggi. Secara keseluruhan, penelitian ini menyimpulkan bahwa meskipun emisi SO2, TSP, dan CO dari PT. X tidak melampaui baku mutu, emisi NOx berpotensi menimbulkan dampak serius terhadap kualitas udara di sekitarnya. Hasil ini diharapkan menjadi dasar bagi pihak terkait untuk melakukan manajemen kualitas udara yang lebih tepat dan merancang strategi mitigasi dampak yang efektif.
PREDIKSI KUALITAS UDARA PADA DATA TIME SERIES DENGAN ANOMALI MENGGUNAKAN PENDEKATAN LSTM-XGBOOST
Pencemaran udara merupakan permasalahan global yang berdampak signifikan terhadap kesehatan manusia dan lingkungan. Pandemi COVID-19 menyebabkan perubahan tidak terduga pada pola kualitas udara, sehingga diperlukan pendekatan yang dapat menangani perubahan pola data dan keberadaan anomali dalam data. Penelitian ini bertujuan untuk membuktikan LSTM-XGBoost dapat menghasilkan kinerja terbaik dalam prediksi kualitas udara pada data time series yang mengandung anomali akibat selama pandemi COVID-19 dibandingkan XGBoost dan LSTM secara individu. LSTM-XGBoost mengintegrasikan LSTM untuk menangkap pola temporal dan XGBoost untuk memodelkan hubungan non-linear. Data yang digunakan mencakup konsentrasi polutan udara dan faktor meteorologi dari tahun 2020 hingga 2024 dengan studi kasus di kota Jakarta dan kota Bandung. Pendekatan ini mencakup penambahan temporal event indicator untuk menandai periode pandemi COVID-19, PSBB, dan PPKM, serta penerapan anomaly detection menggunakan Isolation Forest dan LSTM Autoencoder untuk mendeteksi dan menangani anomali dalam data. Hasil penelitian menunjukkan bahwa LSTM-XGBoost menghasilkan MAPE terbaik sebesar 8.56% untuk dataset Jakarta dan 8.74% untuk dataset Bandung, dengan kinerja yang lebih unggul dibandingkan XGBoost dan LSTM secara individu. Penambahan temporal event indicator membantu model mengenali perubahan pola data, serta penerapan anomaly detection memungkinkan model mengidentifikasi dan mengurangi dampak anomali. LSTM-XGBoost terbukti menjadi pendekatan terbaik dalam prediksi kualitas udara pada data time series yang mengandung anomali. Hasil penelitian ini diharapkan dapat berkontribusi terhadap pengelolaan kualitas udara dan mendukung pengembangan model prediksi yang responsif terhadap perubahan lingkungan.
HUBUNGAN KONSENTRASI PM2.5 DIURNAL DI PERMUKAAN DENGAN PERUBAHAN KETINGGIAN LAPISAN INVERSI DI DKI JAKARTA (STUDI KASUS: AGUSTUS 2023)
Kualitas udara di Jakarta menjadi isu kritis akibat tingginya konsentrasi Particulate Matter 2.5 (PM2.5), yang memiliki dampak kesehatan serius. Salah satu faktor yang mempengaruhi persebaran PM2.5 adalah lapisan inversi atmosfer, yang dapat membatasi dispersi polutan di dekat permukaan. Penelitian ini mengkaji hubungan antara konsentrasi PM2.5 diurnal di permukaan dan perubahan ketinggian lapisan inversi selama bulan Agustus 2023 di DKI Jakarta. Pada penelitian ini, digunakan data konsentrasi PM2.5 dari PT Nafas Indonesia dengan resolusi temporal per jam dan data radiosonde dari Stasiun Meteorologi Soekarno-Hatta dengan resolusi temporal per 12 jam. Metode yang digunakan pada penelitian ini adalah perhitungan nilai Bulk Richardson Number (BRN) untuk menentukan stabilitas atmosfer, visualisasi PDF dan CDF untuk melihat persebaran ketinggian lapisan inversi, serta korelasi Pearson dan regresi linier dengan mempertimbangkan variabel waktu dan kecepatan angin untuk menganalisis hubungan keduanya. Hasil penelitian menunjukkan bahwa pada kondisi atmosfer yang stabil dan sangat stabil, konsentrasi PM2.5 di dekat permukaan meningkat. Terdapat hubungan positif lemah antara nilai BRN dan ketinggian lapisan inversi, dengan korelasi lebih kuat pada pukul 07:00 WIB (Waktu Indonesia Barat) dengan nilai 0,28 dibandingkan pukul 19:00 WIB dengan nilai 0,15. Selain itu, kecepatan angin yang lebih tinggi juga berkontribusi pada dispersi polutan yang lebih efektif sehingga menurunkan konsentrasi PM2.5 dan secara tidak langsung mempengaruhi ketinggian lapisan inversi, dengan korelasi yang lemah, baik pada pukul 07:00 WIB maupun 19:00 WIB.