Oleh: Lalu Muhamad Jaelani — Laboratorium Geospasial, Departemen Teknik Geomatika ITS
Debu halus berukuran di bawah 2,5 mikrometer, atau PM2.5, berbahaya karena bisa masuk jauh ke dalam saluran napas. Untuk mengukurnya, dibutuhkan alat di permukaan. Masalahnya, alat resmi tidak pernah cukup secara jumlah dan tidak tersebar merata. Di Tangerang Selatan, kota seluas 164,85 km² yang menjadi bagian kawasan Jabodetabek, jumlah alat ukur resmi jauh lebih sedikit daripada jumlah permukiman yang perlu dipantau.
Studi di Civil Engineering Journal mencoba menutup celah itu dengan tiga bahan sekaligus: citra satelit, alat ukur murah, dan model statistik. Wilayah kajiannya Tangerang Selatan, dengan tujuh kecamatan: Serpong, Serpong Utara, Setu, Ciputat, Ciputat Timur, Pamulang, dan Pondok Aren. Rentang datanya 2020 sampai 2024.
Tiga bahan yang disatukan
Bahan pertama, AOD dari satelit MODIS. AOD menggambarkan seberapa banyak partikel halus (aerosol) di seluruh kolom udara, dari permukaan sampai atas. Angka ini bisa didapat rutin dan mencakup seluruh kota, tetapi ia mengukur ketebalan debu di sepanjang kolom, bukan kadar debu yang dihirup orang di jalan.
Bahan kedua, 14 alat ukur murah milik Nafas Foundation Indonesia, memakai Airly dan AirGradient, tersebar di Tangerang Selatan. Alat ini melapor secara rutin, tetapi tidak setara alat acuan. Karena itu, hasilnya dikalibrasi lebih dulu terhadap alat milik Dinas Lingkungan Hidup di Serpong, lalu dipakai sebagai acuan di permukaan.
Bahan ketiga, data cuaca dari BMKG: suhu, kelembapan, kecepatan angin, dan curah hujan.
Dengan bahan itu, penulis menguji dua pendekatan. Yang pertama model statistik bernama LMEM, yang memisahkan pengaruh AOD dan cuaca dari perbedaan antar lokasi. Yang kedua Random Forest, metode pembelajaran mesin yang tidak mengandaikan hubungan harus linier.
Hasil: model linier kurang akurat, tetapi lebih mudah ditafsirkan
Model LMEM yang hanya memakai AOD menghasilkan R² 0,169 dengan kesalahan 8,49 µg/m³. Setelah cuaca dimasukkan, angkanya naik sedikit menjadi R² 0,222 dengan kesalahan 8,22 µg/m³. Artinya, AOD dan cuaca bersama-sama baru menjelaskan sekitar seperlima dari perubahan kadar debu.
Random Forest memberi hasil yang jauh lebih baik. Pada pengujian 10 lipatan (data dibagi menjadi sepuluh bagian), R² mencapai 0,662 dengan kesalahan 5,41 µg/m³, atau sekitar 34 persen lebih kecil daripada LMEM.
Pengujian yang lebih berat adalah Leave-One-Station-Out, yaitu satu lokasi dikeluarkan dari data latihan lalu diuji. Di sini LMEM turun ke R² 0,155, sedangkan Random Forest masih 0,647. Artinya, Random Forest lebih tahan dipakai pada lokasi yang tidak dipakai saat pelatihan.
Perbedaan paling besar muncul pada musim hujan. Pada Desember–Februari, LMEM hanya mencapai R² 0,090, sementara Random Forest 0,731. Pada musim kemarau Juni–Agustus, LMEM 0,223 dan Random Forest 0,598.
Pola sepanjang tahun
Kadar debu di Tangerang Selatan mengikuti irama musim. Rendah pada Januari–Februari, mulai naik pada Maret, memuncak pada Juni–Agustus, lalu turun ketika musim hujan tiba pada Oktober–Desember.
Penjelasannya sederhana. Pada musim kemarau, hujan jarang sehingga debu tidak tercuci dari udara, dan lapisan udara bawah lebih tenang sehingga debu menumpuk dekat permukaan. Pada musim hujan, air hujan menurunkan debu, dan udara yang lebih aktif bercampur sehingga debu menyebar. Tahun 2023 tercatat lebih tinggi daripada tahun-tahun sebelumnya, terutama pada puncak kemarau.
Batas yang perlu dinyatakan
Ada tiga hal yang membatasi kesimpulan studi ini.
Pertama, alat murah (low cost sensor) tidak hilang sepenuhnya. Kalibrasi mengurangi bias, tetapi tidak menghilangkannya. Sisa kesalahan dari sensor ikut masuk ke dalam hasil model.
Kedua, AOD bukan kadar debu di permukaan. Pada udara lembap, partikel menyerap air dan membesar, sehingga hubungan antara angka satelit dan angka di tanah berubah. Itu sebabnya model linier kurang akurat pada musim hujan.
Ketiga, kejadian ekstrem masih sulit ditangkap. Kedua model cenderung menaksir lebih rendah saat kadar debu sedang sangat tinggi, karena lonjakan sesaat dan kiriman debu dari luar kota tidak terwakili oleh data yang dipakai.
Untuk apa hasil ini berguna
Kombinasi keduanya sebenarnya saling melengkapi. LMEM memberi penjelasan yang mudah dibaca tentang arah pengaruh tiap faktor, sedangkan Random Forest memberi ketepatan tebakan. Untuk kota yang alat ukurnya terbatas, cara ini membuka kemungkinan pemantauan seluruh wilayah tanpa memasang alat di setiap sudut.
Data dan perhitungannya tersedia melalui artikel aslinya, sehingga peneliti lain dapat menguji ulang dengan data lapangan yang berbeda.
Artikel ilmiah lengkapnya dapat dibaca di:
Setiowati, A. O., Jaelani, L. M., Panjaitan, A. L., Hanansyah, M. P., Alfarizi, M. R., & Pok, S. (2026). Spatiotemporal estimation of PM2.5 in a tropical urban environment: statistic and machine learning modeling. Civil Engineering Journal, 12(7), 2739–. https://doi.org/10.28991/CEJ-2026-012-07-06
Leave a Reply