PENGEMBANGAN MODEL PREDIKSI KUALITAS UDARA MULTIOUTPUT MENGGUNAKAN BIDIRECTIONAL LONG SHORT-TERM MEMORY DENGAN INTEGRASI LAYER CONVOLUTIONAL

ABSTRAK Kualitas udara yang buruk merupakan salah satu penyebab utama menurunnya kondisi kesehatan manusia dan lingkungan, terutama dengan meningkatnya masalah kesehatan pernapasan. Komponen kualitas udara meliputi Partikel Matter 10 (��10), Ozon (�3), Belerang Dioksida (��2), Nitrogen Dioksida (��2), Karbon Monoksida (CO), Partikel Matter 2.5 (��2.5) yang diperhitungkan untuk menentukan Air Quality Index (AQI). Pendekatan deep learning, khususnya model Bidirectional Long Short-Term Memory (BiLSTM), telah menunjukkan kemampuan dalam memprediksi kualitas udara beserta komponennya. Meskipun BiLSTM efektif dalam mengekstraksi data sekuensial, model ini kurang optimal dalam mengekstraksi data spasial pada deret waktu kualitas udara. Oleh karena itu, penelitian ini mengintegrasikan BiLSTM dengan Convolutional Neural Network (CNN), karena CNN memiliki kemampuan dalam mengekstraksi fitur spasial dari data deret waktu kualitas udara. Pengembangan model ini dalam memprediksi kualitas udara menghasilkan nilai Mean Absolute Percentage Error (MAPE) sebesar 0.283. Hasil penelitian menunjukkan bahwa pengintegrasian BiLSTM dengan CNN menghasilkan performa yang lebih optimal dibandingkan model BiLSTM asli. Maka dari itu, diharapkan pengembangan model ini dapat memberikan kontribusi yang signifikan dalam mengatasi polusi udara serta melindungi kesehatan manusia.

Kata Kunci : BiLSTM, CNN, Kualitas Udara