// <![CDATA[PREDIKSI KATEGORI KUALITAS UDARA MENGGUNAKAN MODEL PATCHTST (TIME SERIES TRANSFORMER)]]> 120240203 - Chalifa Chazar, S.T., M.T. Dosen Pembimbing 1 ALFALERY ADY PUTRA / 152021214 Penulis
Prakiraan kategori kualitas udara diperlukan untuk manajemen dampak polusi. Penelitian ini menerapkan arsitektur Patch Time Series Transformer (PatchTST) untuk memprediksi kategori Indeks Standar Pencemar Udara (ISPU) dalam skema multi-horizon. Menggunakan dataset historis polusi udara dari Bandung, model dilatih dan dievaluasi untuk memprediksi kategori kualitas udara pada lima horizon waktu: 1, 3, 6, 12, dan 24 jam ke depan. Hasil evaluasi menunjukkan kinerja model dipengaruhi oleh panjang horizon prediksi. Akurasi tertinggi dicapai pada horizon 1 jam (87.01%), dan menurun seiring bertambahnya horizon, yaitu 77.49% (3 jam), 71.24% (6 jam), 63.76% (12 jam), dan 61.00% (24 jam). Hal ini mengindikasikan adanya peningkatan ketidakpastian pada prediksi jangka panjang. Analisis interpretasi model menunjukkan adanya pergeseran pada variabel polutan yang paling berpengaruh. Untuk prediksi jangka pendek (1- 6 jam), polutan partikulat (PM2.5 dan PM10) menjadi prediktor dengan pengaruh tertinggi. Namun, untuk prediksi jangka panjang (12-24 jam), polutan gas SO2 menjadi fitur yang paling berpengaruh. Temuan ini mengindikasikan bahwa model mengidentifikasi polutan dengan fluktuasi cepat sebagai prediktor utama untuk jangka pendek, sementara polutan yang lebih persisten menjadi prediktor utama untuk jangka panjang. Penelitian ini menyajikan penerapan model Transformer untuk klasifikasi deret waktu multi-horizon dan memberikan informasi mengenai polutan berpengaruh pada skala waktu yang berbeda. Forecasting air quality categories is necessary for managing pollution impacts. This research implements the Patch Time Series Transformer (PatchTST) architecture to predict Air Pollution Standard Index (ISPU) categories in a multihorizon scheme. Using a historical air pollution dataset from Bandung, the model was trained and evaluated to predict air quality categories at five different time horizons: 1, 3, 6, 12, and 24 hours ahead.The evaluation results show that model performance is influenced by the length of the prediction horizon. The highest Accuracy was achieved at the 1-hour horizon (87.01%) and decreased as the horizon extended: 77.49% (3-hour), 71.24% (6-hour), 63.76% (12-hour), and 61.00% (24-hour). This indicates an increase in uncertainty for long-term predictions. Model interpretability analysis reveals a shift in the most influential pollutant variables. For short-term predictions (1-6 hours), particulate pollutants (PM2.5 and PM10) were the predictors with the highest influence. However, for long-term predictions (12-24 hours), the gaseous pollutant SO2 became the most influential feature. This finding indicates that the model identifies pollutants with rapid fluctuations as primary predictors for the short term, while more persistent pollutants become the main predictors for the long term. This research presents the application of a Transformer model for multi-horizon time series Classification and provides information on influential pollutants at different time scales.