PM10 ambien (zarah terampai dengan diameter aerodynamic kurang daripada 10μm) adalah salah satu pencemar yang mempunyai kesan negatif ke atas kesihatan manusia dan alam sekitar. Ia dipengaruhi oleh parameter cuaca dan gas. Kajian ini adalah untuk meramal kepekatan zarah terampai (PM10) dengan menggunakan model linear regresi beganda dan purata model Bayesian. Empat stesen telah dipilih untuk tiga tahun (2013 hingga 2015) yang terletak di Jerantut, Nilai, Seberang Jaya dan Shah Alam. Sebelum memulakan analisis, data dibahagikan kepada dua kategori iaitu data latihan dan data pengesahan. Data latihan adalah 70% daripada data yang diperhatikan (bermula pada hari 1 hingga hari 255) telah digunakan untuk mendapatkan model. Satu lagi 30% daripada data yang diperhatikan (bermula pada hari 256 hingga hari 365) telah digunakan untuk tujuan pengesahan. Analisis deskriptif menunjukkan bahawa pada tahun 2015, Nilai mencatatkan purata kepekatan PM10 yang tertinggi berbanding stesen lain. Nilai maksimum kepekatan PM10 yang paling tinggi dicatatkan di stesen Seberang Jaya yang berlaku pada tahun 2015 disebabkan oleh musim peralihan monsun yang menunjukkan tahap PM10 melebihi tahap keselamatan berdasarkan garis panduan kualiti udara di Malaysia. Untuk mendapatkan parameter yang menyumbang kepada pencemaran udara bagi ramalan zarah terampai untuk hari keesoknya (PM10,D1), data latihan dianalisis dengan menggunakan perisian SPSS bagi model regresi linear berganda dan perisian R bagi purata model Bayesian. Keputusan menunjukkan bahawa stesen Shah Alam menyumbang parameter utama kepada ramalan zarah terampai untuk hari esok (PM10,D1) yang mempunyai nilai R2 tertinggi dengan menggunakan model linear regresi beganda. Penilaian prestasi model menunjukkan bahawa purata model Bayesian adalah model yang terbaik untuk meramalkan kepekatan PM10 untuk hari esok (PM10,D1) dengan menggunakan data pengesahan.
_______________________________________________________________________________________________________
Ambient PM10 (particulate matter with an aerodynamic diameter less than 10μm) is one of the pollutant that has negative impacts on human health and environment. It is influenced by weather and gaseous parameters. This study is to predict particulate matter (PM10) concentration by using multiple linear regression and Bayesian model averaging. Four stations were selected for three years (2013 until 2015) which are located in Jerantut , Nilai, Seberang Jaya and Shah Alam. Before the analysis, the data was divided into two categories which are training data and validation data. The training data is 70% of observed data (beginning on day 1 until day 255) used to obtain the model. Another 30% of observed data (beginning on day 256 until day 365) were used for validation purpose. The descriptive analysis showed that in 2015, Nilai recorded the highest mean value of PM10 concentration compared to other stations while the highest maximum value of PM10 concentration was recorded at Seberang Jaya station that happened in 2015 due to inter-monsoon season that indicate PM10 level is above threshold value following Malaysia Ambient Air Quality Guideline (MAAQG). To obtain the parameters that contribute to air pollutant for the prediction of particulate matter for the next day (PM10,D1), the training data was analysed using SPSS software for multiple linear regression model and R Software for Bayesian model averaging. The results showed that Shah Alam station is contributing the main parameters which have highest value of adjusted R2 by using multiple linear regression models. Assessment of model performance indicated that Bayesian model averaging (BMA) is the better model to predict PM10 concentration for the next day (PM10,D1) by using the validation data.
Prediction of PM10 concentration using multiple linear regression and bayesian model averaging / Hafizahizzati Ismail