PREDIKSI KONSENTRASI PARTIKULAT PM2.5 MENGGUNAKAN SENSOR PMS5003 DENGAN ALGORITMA LONG SHORT-TERM MEMORY (LSTM)

Polusi udara, khususnya partikulat halus PM2.5, merupakan ancaman serius bagi kesehatan masyarakat di kawasan perkotaan karena kemampuannya menembus sistem pernapasan dan memicu komplikasi kesehatan jangka panjang yang serius. Penelitian ini merancang dan merealisasikan sistem monitoring dan prediksi kualitas udara berbasis Internet of Things (IoT) yang mengintegrasikan komunikasi nirkabel LoRa dengan model deep learning Long Short-Term Memory (LSTM). Sistem menggunakan sensor PMS5003 untuk mengukur konsentrasi partikulat (PM1.0, PM2.5, PM10) dan sensor BMP280 untuk memperoleh data suhu serta tekanan udara, dengan data sensor dikirimkan melalui LoRa dari node node transmitter ke receiver sebelum diunggah ke Firebase Cloud untuk pemantauan secara real-time. Arsitektur LSTM multivariat bertumpuk (stacked), dengan panjang riwayat (lookback) 60 menit untuk memprediksi konsentrasi PM2.5 pada 30 menit ke depan, dilatih menggunakan data deret waktu yang telah dikumpulkan. Evaluasi model pada data pengujian menghasilkan nilai RMSE sebesar 25,159 µg/m³, MAE sebesar 13,659 µg/m³, MAPE sebesar 18,28%, dan R² sebesar 0,8739, yang menunjukkan tingkat akurasi prediksi dan kemampuan generalisasi yang baik. Nilai prediksi PM2.5 selanjutnya diklasifikasikan ke dalam lima kategori kualitas udara berdasarkan standar BMKG melalui Sistem Peringatan Dini (Early Warning System/EWS) yang terintegrasi, dengan akurasi klasifikasi keseluruhan sebesar 86,0%. Hasil ini menunjukkan bahwa sistem yang dikembangkan dapat berfungsi tidak hanya sebagai alat pemantau kualitas udara secara real-time, tetapi juga sebagai alat prediktif yang mampu memberikan peringatan dini untuk mendukung langkah mitigasi yang tepat waktu terhadap potensi penurunan kualitas udara.
Kata kunci: PM2.5, Long Short-Term Memory (LSTM), LoRa, Early Warning System.