<![CDATA[Polusi udara partikulat halus (PM2,5) merupakan ancaman serius bagi kesehatan masyarakat di Kabupaten Brebes, Jawa Tengah. Faktor penyumbang utamanya adalah emisi kendaraan di jalur Pantura, aktivitas industri perikanan, serta konsentrasi tinggi selama musim kemarau (Juni–November). Tidak adanya model peramalan sub-jam yang akurat menghambat pengembangan sistem peringatan dini yang efektif. Penelitian ini mengembangkan dan mengevaluasi model deep learning berbasis Transformer untuk memprediksi konsentrasi PM2,5 dengan resolusi waktu 15 menit. Data yang digunakan berasal dari NASA GEOS-CF (band PM25_RH35_GCC) yang diakses melalui Google Earth Engine menggunakan API Python. Dataset mencakup periode 1 Januari hingga 22 November 2025, menghasilkan 7.813 observasi per jam, yang kemudian diinterpolasi linear menjadi 31.249 titik data dengan resolusi 15 menit. Arsitektur Transformer terdiri dari 3 lapis enkoder, 4 kepala perhatian multi-head, dimensi embedding 128, dimensi feed-forward 256, panjang sekuen 60 timestep, dan augmentasi fitur menggunakan rerata bergulir (*rolling mean*, jendela = 3) dan beda pertama (*first difference*). Pelatihan dilakukan dengan TensorFlow-Keras, pengoptimal Adam, penjadwal peluruhan kosinus (*cosine decay scheduler*), dan fungsi kerugian Huber. Pembagian data dilakukan secara kronologis: 70% pelatihan, 30% validasi. Evaluasi pada set uji independen (16 Agustus–21 November 2025, 9.357 observasi atau 97 hari 11 jam 15 menit) menghasilkan MAE 0,7691 µg/m³, RMSE 1,2052 µg/m³, R² 0,9945, dan *Explained Variance Score* 0,9948. Model ini mampu menggambarkan variasi diurnal dan anomali musiman secara akurat, jauh melampaui model LSTM dan GTWR konvensional. Penelitian ini memberikan kontribusi signifikan di bidang Teknologi Informasi melalui kerangka kerja pengolahan *big data* satelit untuk aplikasi lingkungan.]]>
Copyrights © 2025
