Predictive PM2.5 - Deep Learning Forecast

Proyek ini adalah sistem prediksi kadar PM2.5 menggunakan arsitektur Deep Learning seperti LSTM (Long Short-Term Memory) dan hibrida CNN-LSTM. Sistem ini dilatih menggunakan histori data deret waktu (time-series) untuk meramalkan tingkat polusi/kualitas udara 1 jam ke depan di beberapa lokasi observasi, yaitu Deli, GKU, dan TULT.

---

📁 Struktur Proyek

Secara garis besar, struktur repositori berfokus pada folder script model yang dikelompokkan berdasarkan nama observasi dan jenis arsitektur:

src/model/script/
├── deli/
│   ├── cnn-lstm/       # Pipeline CNN-LSTM untuk data Deli
│   └── lstm/           # Pipeline Murni LSTM untuk data Deli
├── gku/
│   ├── cnn-lstm/       # Pipeline CNN-LSTM untuk data GKU
│   └── lstm/           # Pipeline Murni LSTM untuk data GKU
└── tult/
    ├── cnn-lstm/       # Pipeline CNN-LSTM untuk data TULT
    └── lstm/           # Pipeline Murni LSTM untuk data TULT

Setiap pipeline terdiri dari berbagai modul utama:

• main.py: Entri utama untuk menjalankan seluruh proses dari persiapan data, perancangan model, hingga evaluasi akhir.
• data_processing.py: Melakukan tahap prapemrosesan (handling missing values dengan interpolasi time-series, ekstraksi fitur periodik sin kosinus, split & scale data).
• window_generator.py: Implementasi utilitas generator dataset berbasis sliding window yang digunakan bersama TensorFlow Dataset guna melatih LSTM.
• model.py: Berisi definisi model struktur saraf tiruan (Layer konfigurasi Bi-Directional LSTM, Conv1D, Dense) menggunakan TensorFlow/Keras.
• evaluation.py: Algoritma perhitungan metrik performa (R², MAE, RMSE, MAPE) dan ekspor visualisasi grafik antara nilai prediksi & nilai aktual.

---

🔧 Kebutuhan Sistem & Instalasi

Proyek ini memerlukan Python 3.10 ke atas dan berjalan efisien dalam lingkungan isolasi virtual. Daftar seluruh ketergantungan dapat dilihat dalam berkas requirement.txt.

1. Pembuatan Lingkungan Conda (Disarankan)

Sebaiknya gunakan Conda atau virtual environment sejenis untuk kelancaran komputasi model AI:

# Pembuatan environment dengan nama pemanggil pm25research
conda create -n pm25research python=3.10

# Melakukan aktivasi environment yang baru terbuat
conda activate pm25research

2. Instalasi Ketergantungan Ekstensi

Komponen pustaka utama yang wajib diinstall:

• Data Engineer: pandas, numpy, scikit-learn, joblib
• Algoritma AI / DL: tensorflow
• Visualisasi: matplotlib, seaborn

pip install -r requirement.txt

---

🚀 Cara Penggunaan

Gunakan terminal command-line untuk menjalankan langkah pipeline prediksi PM2.5:

1. Aktivasi Environment: Pastikan virtual env (misal: pm25research) berhasil diaktivasi.
2. Tempatkan atau posisikan dataset latih (.csv) yang benar ke dalam folder terpusat misalnya data/ tergantung jalur yang ada dalam rujukan path di Python.
3. Masuk ke direktori model / lokasi sensor yang Anda kehendaki menggunakan command cd. Sebagai contoh:

   # Masuk melatih arsitektur Murni LSTM untuk gedung TULT
   cd src/model/script/tult/lstm

4. Eksekusi Script Pipeline Utama:

   python main.py

Tahapan Sistem Berjalan

Ketika main.py dipanggil, log proses akan berjalan sesuai tahapan berikut:

• [1/5] Memuat dataset dan injeksi fitur waktu otomatis.
• [2/5] Pengorganisasian tensor generator WindowGenerator.
• [3/5] Membangun dan merakit desain topologi matriks neuron TensorFlow.
• [4/5] Melatih skema iterasi data secara progresif (terlengkapi Callbcaks: Early Stopping, ReduceLROnPlateau).
• [5/5] Kalkulasi Skor R², Error rate, cetak plot visual (.png), dan pengekstrasian model (.keras).