AirGap — Model Estimasi PM2.5 Indonesia
Model LightGBM yang menaksir konsentrasi PM2.5 pada grid 5x5 km di seluruh Indonesia dari fitur satelit dan meteorologi. Bagian dari sistem pendukung keputusan penempatan stasiun pemantau kualitas udara.
Tim The Avengers - Datathon 2026, RISTEK Fasilkom UI Dashboard: https://airgap-pm25.vercel.app/id Repositori: https://github.com/arvinzaki14-lab/airgap-pm25
Isi
lgbm_ens_00.pkl...lgbm_ens_09.pkl- ensemble 10 model, bootstrap di level blok spasial. Rata-ratanya dipakai sebagai prediksi; simpangan antar model dipakai sebagai ukuran ketidakpastian (sigma).meta.json- daftar fitur, hyperparameter, dan konfigurasi transformasi.
Cara pakai
import joblib, numpy as np, json
meta = json.load(open("meta.json"))
mods = [joblib.load(f"lgbm_ens_{i:02d}.pkl") for i in range(10)]
P = np.column_stack([m.predict(X[meta["fitur"]]) for m in mods])
pm25 = np.clip(P.mean(axis=1), 0, None) ** 2 # target ditransformasi akar kuadrat
sigma = P.std(axis=1, ddof=1) # ketidakpastian, tetap di ruang sqrt
Data latih
19.455 baris dari 52 sel grid yang punya label PM2.5 sekaligus fitur satelit dalam jendela 30 Mei 2023 - 1 Juni 2026. Label dari OpenAQ, ISPU KLHK, dan PurpleAir. Fitur dari Google Earth Engine (MODIS MCD19A2, ERA5, Sentinel-5P, SRTM, WorldPop).
18 fitur: tinggi lapisan batas, suhu, titik embun, tekanan permukaan, emisi CO/NO2, elevasi, tata guna lahan, populasi, AOD dan turunannya, penanda musim, tipe sensor, kelembapan relatif, rasio AOD terhadap tinggi lapisan batas.
Performa
Diuji dengan tiga protokol yang makin ketat:
| Protokol | R2 | RMSE |
|---|---|---|
| CV acak | 0,641 +/- 0,002 | 13,22 |
| Leave-one-cell-out | 0,269 +/- 0,041 | 18,84 |
| Blokir spasial (angka resmi) | 0,150 +/- 0,010 | 20,33 |
Selisih 0,491 antara CV acak dan blokir spasial adalah temuan tersendiri: validasi acak konvensional menggelembungkan performa model spasial pada jaringan sensor yang mengelompok. 52 sel latih yang tampak tersebar sebenarnya hanya 16 lokasi independen.
Di bawah protokol paling ketat model tetap mengungguli dua baseline: RMSE 20,33 versus 24,18 (tebakan median nasional) dan 29,62 (interpolasi stasiun terdekat).
Keterbatasan
- R2 0,150 pada protokol paling ketat, jauh di bawah target awal 0,6.
- Regresi ke rata-rata kuat: prediksi mentok di 45,9 ug/m3 padahal data latih mencapai 428,4. Model konsisten menebak terlalu rendah untuk lokasi sangat tercemar.
- AOD satelit nyaris tidak berkontribusi (peringkat 15 dari 18, gain 1,06%) karena tutupan awan tropis membuat ketersediaan harian hanya 5-31%.
- Tinggi lapisan batas berkorelasi positif dengan PM2.5 (+0,114), berlawanan teori. Dugaan: agregasi harian menghapus siklus diurnal.
- Fitur titik api kebakaran lahan tidak tersedia karena kendala kuota komputasi.
- Hanya 52 sel latih dari 77.226 sel, dan sebarannya timpang ke Jawa dan Kalimantan.
Estimasi model, bukan pengukuran langsung. Jangan dipakai sebagai dasar keputusan kesehatan individual.