<![CDATA[Penelitian ini bertujuan untuk merancang arsitektur model sistem pemantauan kualitas udara di Kota Bandung menggunakan empat parameter polutan utama: PM1.0, PM2.5, PM10, dan CO. Sistem ini dirancang dengan memanfaatkan algoritma Long Short-Term Memory (LSTM) untuk memprediksi kualitas udara harian berdasarkan data historis. Fokus penelitian meliputi perancangan desain arsitektur sistem, model data, dan metode prediksi, yang disusun berdasarkan analisis arsitektur sebelumnya serta kajian literatur. Salah satu elemen penting dan kebaruan dalam penelitian ini adalah penggunaan sensor ZH03B untuk pemantauan kualitas udara secara real-time yang memberikan solusi hemat biaya dan dapat diandalkan. Kombinasi antara sensor real-time dan algoritma LSTM menghasilkan tingkat akurasi prediksi kualitas udara sebesar 88%. Hasil evaluasi model menunjukkan nilai Root Mean Square Error (RMSE) sebesar 2,68 yang mencerminkan kinerja prediksi yang baik. Selain itu, pendekatan ini memberikan peningkatan signifikan dibandingkan metode konvensional yang sering kali kurang responsif terhadap perubahan kualitas udara secara dinamis. Penelitian ini memberikan dasar yang kuat untuk pengembangan sistem monitoring kualitas udara yang lebih akurat dan adaptif. Arsitektur yang diusulkan dapat menjadi acuan untuk pengembangan sistem monitoring kualitas udara di masa depan. Abstract This research aims to design the architecture of an air quality monitoring system model in Bandung City using four main pollutant parameters: PM1.0, PM2.5, PM10, and CO. The system is designed by utilising the Long Short-Term Memory (LSTM) algorithm to predict daily air quality based on historical data. The focus of the research includes the design of the system architecture, data model, and prediction method, which were developed based on previous architecture analysis and literature review. One important element and novelty in this research is the use of the ZH03B sensor for real-time air quality monitoring which provides a cost-effective and reliable solution. The combination of the real-time sensor and the LSTM algorithm resulted in an air quality prediction accuracy rate of 88%. The model evaluation results show a Root Mean Square Error (RMSE) value of 2.68 which reflects good prediction performance. In addition, this approach provides a significant improvement over conventional methods that are often less responsive to dynamic changes in air quality. This research provides a solid foundation for the development of a more accurate and adaptive air quality monitoring system. The proposed architecture can serve as a reference for the development of future air quality monitoring systems.]]>
