Electronic Theses and Dissertation

Penelitian ini bertujuan untuk membandingkan performa peramalan dari model Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU) untuk memprediksi variabel-variabel tersebut. Penelitian ini menangani tantangan dalam meramalkan variabel lingkungan dengan akurat untuk mendukung keputusan kesehatan publik dan kebijakan. Analisis deret waktu dilakukan menggunakan data yang dikumpulkan dari 1 Maret 2023 hingga 29 Februari 2024. Dataset terdiri dari 9 variabel, termasuk temperatur, kelembapan, curah hujan, durasi penyinaran matahari, kecepatan angin, PM2,5, PM10, NO2, dan O3. Nilai yang hilang diatasi menggunakan interpolasi. Penelitian ini menerapkan model LSTM dan GRU dengan variasi ukuran batch untuk memprediksi kondisi iklim dan tingkat polutan. Kinerja model dievaluasi menggunakan Mean Absolute Error (MAE), Root Mean Square Error (RMSE), dan Weighted Average Scoring Evaluation (WASE). Model GRU menunjukkan performa yang lebih unggul dalam prediksi, dengan tingkat kesalahan yang lebih rendah dibandingkan dengan model LSTM. Model GRU dengan ukuran batch 32 mencapai MAE terendah sebesar 3,90, RMSE sebesar 5,06, dan WASE sebesar 2,59. Sebaliknya, model LSTM menunjukkan metrik kesalahan yang lebih tinggi, menunjukkan prediksi yang kurang akurat. Penelitian ini menyimpulkan bahwa GRU adalah algoritma yang lebih efektif untuk meramalkan kondisi iklim dan polutan udara di Kota Medan. Temuan ini menyarankan bahwa implementasi sistem peringatan dini berbasis GRU dapat meningkatkan langkah-langkah proaktif untuk melindungi kesehatan masyarakat. Penelitian lebih lanjut harus mengeksplorasi variabel tambahan dan data deret waktu yang lebih panjang untuk memvalidasi dan meningkatkan model prediksi. Hasil ini menekankan pentingnya prediksi lingkungan yang akurat dalam perencanaan kota dan kebijakan kesehatan publik.

Kata kunci: Iklim, Polutan Udara, LSTM, GRU, Kota Medan

This study aims to compare the forecasting performance of Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU) models to predict these variables. This research addresses the challenge of accurately forecasting environmental variables to support public health and policy decisions. Time series analysis was conducted using data collected from March 1, 2023 to February 29, 2024. The dataset consists of 9 variables, including temperature, humidity, precipitation, sunshine duration, wind speed, PM2,5, PM10, NO2, and O3. Missing values were resolved using interpolation. This study applies LSTM and GRU models with varying batch sizes to predict climate conditions and pollutant levels. Model performance was evaluated using Mean Absolute Error (MAE), Root Mean Square Error (RMSE), and Weighted Average Scoring Evaluation (WASE). The GRU model showed superior performance in forecasting, with a lower error rate compared to the LSTM model. The GRU model with a batch size of 32 achieved the lowest MAE of 3.90, RMSE of 5.06, and WASE of 2.59. In contrast, the LSTM model showed higher error metrics, indicating less accurate predictions. This study concludes that GRU is a more effective algorithm for forecasting climate and air pollutant conditions in Medan City. The findings suggest that the implementation of a GRU-based early warning system could enhance proactive measures to protect public health. Further research should explore additional variables and longer time series data to validate and improve the forecasting model. These results emphasize the importance of accurate environmental forecasting in urban planning and public health policy. Keywords: Climate, Air Pollutants, LSTM, GRU, Medan City