Prediksi Particulate Matter (PM 2.5) di DKI Jakarta Menggunakan XGBoost

Abstract

Dalam dekade terakhir, kualitas udara di kota-kota besar, seperti Jakarta, telah menjadi pusat perhatian yang serius karena implikasinya terhadap kesehatan dan lingkungan. Salah satu parameter penting dalam penilaian kualitas udara adalah konsentrasi Particulate Matter (PM) dengan diameter kurang dari atau sama dengan 2.5 mikrometer (PM2.5). Studi ini bertujuan untuk mengembangkan model prediktif menggunakan Extreme Gradient Boosting (XGBoost) untuk memprediksi tingkat PM2.5 di Jakarta. XGBoost dipilih karena keunggulan performanya dalam menangani data non-linier dan besar, serta kemampuannya dalam menangani missing values yang sering terjadi dalam data lingkungan. Model dikembangkan dengan menggunakan dataset yang mencakup data historis PM2.5 yang dikumpulkan dari stasiun pemantauan di Jakarta. Kinerja model dievaluasi menggunakan metrik seperti Root Mean Square Error (RMSE) sebesar 16.77, Mean Absolute Error (MAE) sebesar 11.39, dan R-squared (R²) sebesar 0.6812. Hasil awal menunjukkan bahwa model XGBoost dapat secara baik memprediksi konsentrasi PM2.5 di Jakarta