Kualitas udara merupakan faktor penting yang berdampak langsung

terhadap kesehatan manusia dan lingkungan. Kualitas udara yang buruk dapat

berdampak negative pada ekosistem dan iklim. Oleh karena itu, penting untuk

memprediksi dan memantau kualitas udara. Penelitian ini bertujuan untuk

membangun model prediksi kualitas udara dengan menggunakan algoritma Long

Short-Term Memory (LSTM) berdasarkan data polusi udara dan cuaca dari periode

Januari 2021 hingga Desember 2023. Data yang digunakan merupakan data

sekunder yang diperoleh dari platform Kaggle terdiri dari 1.095 data untuk setiap

parameter polusi, yaitu PM2.5, PM10, O?, CO, NO?, SO? dan NO serta data cuaca

mencakup suhu, kelembaban, kecepatan angin, dan curah hujan. Variasi subset

yang dilakukan terbagi menjadi tiga, yaitu dengan menggunakan data validasi

dengan persentase training 70% validasi 15% dan testing 15%. Lalu, tanpa

menggunakan data validasi dengan persentase training 70% dan testing 30% serta

persentase training 80% dan testing 20%. Ketiga variasi subset tersebut

menghasilkan hasil terbaik pada arsitektur yang sama, yaitu pada LSTM 1 lapisan

128 neuron, epoch 50 dan batch size 32 dengan learning rate 0,001 pada skenario

tanpa menggunakan parameter cuaca. Evaluasi kinerja model dilakukan

menggunakan metrik Root Mean Squared Error (RMSE). Hasil kinerja model

menunjukkan bahwa model dengan arsitektur dua jenis lapisan LSTM dan

kombinasi parameter cuaca tidak mempengaruhi hasil. Skenario tanpa parameter

cuaca memberikan performa terbaik pada konfigurasi 1 lapisan yang menghasilkan

nilai RMSE terkecil pada data testing sebesar 10,15 dan penambahan parameter

cuaca tidak mempengaruhi akurasi hasil. Selain itu, dilakukan variasi pembagian

data menjadi dua subset tanpa validasi dengan pembagian 70:30 dan 80:20 yang

menunjukkan bahwa proporsi data pelatihan yang lebih besar cenderung

memberikan hasil yang lebih baik dengan nilai RMSE terkecil, yaitu 8,45 dan 8,06.