DOI: https://doi.org/10.14710/jil.22.6.1435-1440

Pendugaan PM2.5 Menggunakan Metode Geographically Temporally Weighted Regression di DKI Jakarta

Department of Climatology, State Collage of Meteorology Climatology and Geophysics, South Tangerang, Banten, Indonesia, Indonesia

Received: 25 Oct 2023; Revised: 3 Feb 2024; Accepted: 13 Jun 2024; Available online: 11 Nov 2024; Published: 11 Nov 2024.
Editor(s): Budi Warsito

Citation Format:
Abstract
Pencemaran udara telah menjadi suatu permasalahan lingkungan serius yang sering dihadapi oleh kota-kota besar termasuk DKI Jakarta. Salah satu partikel pencemar udara yang diyakini berbahaya dan memiliki dampak serius pada gangguan pernapasan manusia karena ukurannya yang sangat kecil adalah PM2.5. Beberapa penelitian telah mengambil kesimpulan bahwa parameter meteorologi memiliki peran penting dalam penyebaran, peningkatan dan pengurangan konsentrasi PM2.5. Namun, konsentrasi PM2.5 akan berbeda bergantung pada topografi dan kondisi suatu wilayah. Sehingga, dalam melakukan pendugaannya dibutuhkan metode yang dapat memperhitungkan keragaman data secara spasial temporal dan menghasilkan nilai dugaan yang bersifat lokal yaitu metode Geographically Temporally Weighted Regression. Penelitian ini bertujuan untuk mengetahui korelasi atau pengaruh parameter meteorologi terhadap PM2.5 serta melakukan pendugaan nilai konsentrasi PM2.5 menggunakan metode GTWR di wilayah DKI Jakarta. Hasil menunjukkan bahwa parameter meteorologi berkorelasi atau memiliki pengaruh terhadap konsentrasi PM2.5 khususnya parameter suhu dan kelembaban. Pada perbandingan model terbaik menunjukkan bahwa metode GTWR merupakan metode pendugaan yang menghasilkan hasil yang lebih baik dari metode regresi linear berganda dengan nilai R2 sebesar 0,4156, RSS sebesar 844301,3 dan AIC sebesar 0,3410. Nilai R2 yang kecil dapat diakibatkan oleh faktor-faktor kompleks yang tidak dapat dipertimbangkan sepenuhnya, seperti aktivitas industri, transportasi, dan perubahan kebijakan lingkungan.
Fulltext View|Download
Keywords: Pencemaran Udara; PM2.5; Parameter Meterologi; GTWR; DKI Jakarta

Article Metrics:

Article Info
Section: Research Article
Language : ID
Recent articles
Carrying Capacity Analysis of Batu Belimbing Nature Tourism in East Singkawang District Singkawang City West Kalimantan Potensi Hilirisasi Instalasi Pengolahan Air dengan Unit Sedimentasi Metode Continous Discharges Flow Analisis Tingkat Pencemaran Air Sungai Rangkui Kota Pangkalpinang Kepulauan Bangka Belitung Berdasarkan Status Mutu Air More recent articles
Most cited articles
RESOLUSI KONFLIK ANTARA MASYARAKAT LOKAL DENGAN PERUSAHAAN PERTAMBANGAN (STUDI KASUS: KECAMATAN NAGA JUANG, KABUPATEN MANDAILING NATAL, PROVINSI SUMATERA UTARA) Analisis Penyebab Masyarakat Tetap Tinggal di Kawasan Rawan Bencana Gunung Merapi (Studi di Lereng Gunung Merapi Kecamatan Cangkringan, Kabupaten Sleman Daerah Istimewa Yogyakarta) RANCANG BANGUN DAN UJI ALAT PROSES PENINGKATAN MINYAK CENGKEH PADA KLASTER MINYAK ATSIRI KABUPATEN BATANG APLIKASI FITOREMEDIASI LIMBAH JAMU DAN PEMANFAATANNYA UNTUK PRODUKSI PROTEIN STUDI DAMPAK EL NINO DAN INDIAN OCEAN DIPOLE (IOD) TERHADAP CURAH HUJAN DI PANGKALPINANG More cited articles
  1. Aisyiah, K., Sutikno, & Latra, I. N. (2014). Pemodelan Konsentrasi Partikel Debu (PM10) pada Pencemaran Udara di Kota Surabaya dengan Metode Geographically-Temporally Weighted Regression. Jurnal Sains Dan Seni Pomits, 2(1), 152–157
  2. Arifianto, F., Nuraini, N., Susanto, D., & Heryadi, R. L. (2021). Edukasi Informasi Kualitas Udara Untuk Mendukung Adaptasi Kebiasaan Baru Di Masa Pandemi COVID-19 Bagi Masyarakat Kota Tangerang. Jurnal Abdi Masyarakat Indonesia, 1(1), 31–38. https://doi.org/10.54082/jamsi.14
  3. Crippa, M., Janssens-Maenhout, G., Guizzardi, D., Van Dingenen, R., & Dentener, F. (2019). Contribution and uncertainty of sectorial and regional emissions to regional and global PM health impacts. Atmospheric Chemistry and Physics, 19(7), 5165–5186. https://doi.org/10.5194/acp-19-5165-2019
  4. Debataraja, N. N., Kusnandar, D., Mahalalita, R., & Imro’ah, N. (2021). Penerapan Model Geographically and Temporally Weighted Regression Pada Kecelakaan Lalu Lintas. Jurnal Siger Matematika, 2(1), 19–24
  5. Greenstone, M., & Fan, Q. (Claire). (2019). Indonesia’s Worsening Air Quality and its Impact on Life Expectancy
  6. Guo, L.-C., Bao, L.-J., She, J.-W., & Zeng, E. Y. (2014). Significance of wet deposition to removal of atmospheric particulate matter and polycyclic aromatic hydrocarbons: A case study in Guangzhou, China. Atmospheric Environment, 83, 136–144. https://doi.org/10.1016/j.atmosenv.2013.11.012
  7. Hasan, N. Y. (2019). Chemical Composition And Sources Attribution Of Rainwater In Bandung Area, Indonesia. International Journal Of Geomate, 17(64). https://doi.org/10.21660/2019.64.87856
  8. Huang, B., Wu, B., & Barry, M. (2010). Geographically and temporally weighted regression for modeling spatio-temporal variation in house prices. International Journal of Geographical Information Science, 24(3), 383–401. https://doi.org/10.1080/13658810802672469
  9. Kayes, I., Shahriar, S. A., Hasan, K., Akhter, M., Kabir, M. M., & Salam, M. A. (2019). The relationships between meteorological parameters and air pollutants in an urban environment. Global Journal of Environmental Science and Management , 5(3), 265–278
  10. Lisa Agustina, Presli Panusunan Simanjuntak, & Aulia Nisa’ul Khoir. (2019). Pengaruh Parameter Meteorologi Terhadap Konsentrasi CO2 dan CH4 di DKI Jakarta. Jurnal Meteorologi Klimatologi Dan Geofisika, 6(2), 39–47
  11. Liu, D., Allan, J., Whitehead, J., Young, D., Flynn, M., Coe, H., McFiggans, G., Fleming, Z. L., & Bandy, B. (2013). Ambient black carbon particle hygroscopic properties controlled by mixing state and composition. Atmospheric Chemistry and Physics, 13(4), 2015–2029. https://doi.org/10.5194/acp-13-2015-2013
  12. Liu, Y., Zhou, Y., & Lu, J. (2020). Exploring the relationship between air pollution and meteorological conditions in China under environmental governance. Scientific Reports, 10(1), 14518. https://doi.org/10.1038/s41598-020-71338-7
  13. Pope III, C. A. (2002). Lung Cancer, Cardiopulmonary Mortality, and Long-term Exposure to Fine Particulate Air Pollution. JAMA, 287(9), 1132. https://doi.org/10.1001/jama.287.9.1132
  14. Sholihin, M., Soleh, A. M., & Djuraidah, A. (2017). Geographically and Temporally Weighted Regression (GTWR) for Modeling Economic Growth using R. IJCSN - International Journal of Computer Science and Network, 6(6), 800–805
  15. Tai, A. P. K., Mickley, L. J., & Jacob, D. J. (2010). Correlations between fine particulate matter (PM2.5) and meteorological variables in the United States: Implications for the sensitivity of PM2.5 to climate change. Atmospheric Environment, 44(32), 3976–3984. https://doi.org/10.1016/j.atmosenv.2010.06.060
  16. Virgianto, Rista & Kinanti, Nanda & Ferdiansyah, Ervan & Kartika, Qurrata A'Yun. (2021). The Effect of Precipitation on Scavenging of PM2.5 in Jakarta Based on Distributed Lag Non-Linear Models. IPTEK The Journal for Technology and Science. 32. 115. 10.12962/j20882033.v32i2.7735
  17. World Health Organization. (2022). Ambient (outdoor) air pollution. Ambient (Outdoor) Air Pollution
  18. Yang, G., Wang, Y., Zeng, Y., Gao, G. F., Liang, X., Zhou, M., Wan, X., Yu, S., Jiang, Y., Naghavi, M., Vos, T., Wang, H., Lopez, A. D., & Murray, C. J. (2013). Rapid health transition in China, 1990–2010: findings from the Global Burden of Disease Study 2010. The Lancet, 381(9882), 1987–2015. https://doi.org/10.1016/S0140-6736(13)61097-1
  19. Yasin, H., Warsito, B., Ispiriyanti, D., & Hakim, A. R. (2018). Komputasi Geographically And Temporally Weighted Regression Berbasis Graphical User Interface (Gui). Prosiding Seminar Nasional Statistika, 1(1), 19–24

Last update:

No citation recorded.

Last update: 2024-12-01 20:38:35

No citation recorded.