Banyak kota menanam pohon sebagai solusi cepat untuk menurunkan polusi. Secara teori, kanopi menyaring partikel dan memodifikasi aliran angin di tingkat jalan. Namun besarnya dampak tidak seragam—dipengaruhi spesies, kerapatan, bentuk koridor jalan, arah angin, serta sumber emisi. Karena itu, jawabannya harus berdasar pengukuran yang baik, bukan asumsi.

Evaluasi yang solid dimulai dari desain pengamatan yang benar. Kami menempatkan beberapa sensor di dalam atau tepi hutan kota sebagai treatment dan membandingkannya dengan titik control pada area serupa yang tidak mendapat intervensi. Pengukuran baseline dilakukan beberapa minggu sebelum penanaman atau pemadatan kanopi, lalu dilanjutkan setidaknya satu tahun agar variasi musiman terperhitungkan.

Kualitas data menjadi pondasi. Sensor biaya rendah perlu co-location dengan stasiun rujukan untuk kalibrasi awal dan berkala, terutama karena kelembapan tinggi dapat membuat bacaan PM2.5 “berlebihan”. Pipeline mutu data otomatis kemudian menyaring outlier, melakukan de-spike, menghitung data completeness, dan menerapkan nowcast saat mengonversi ke AQI agar responsif terhadap perubahan cepat.

Langkah berikutnya adalah menetralkan pengaruh cuaca. Polutan harian sangat dipengaruhi angin, suhu, kelembapan, hujan, hingga ketinggian lapisan campur. Kami memodelkan konsentrasi polutan sebagai fungsi variabel-variabel meteorologi dan waktu (jam, hari, musim). Model statistik/ML—seperti GAM atau Random Forest—dilatih pada data pra-intervensi dan titik control untuk menghasilkan prediksi “seandainya tidak ada intervensi”. Selisih antara pengukuran aktual dan prediksi (residual) adalah kandidat efek bersih hutan kota.

Untuk memperkuat kesimpulan kausal, analisis difference-in-differences membandingkan perubahan residual pada treatment terhadap control sebelum–sesudah intervensi. Kami juga memeriksa dinamika efeknya dari waktu ke waktu lewat event study dan, bila titik pembanding sedikit, menggunakan synthetic control untuk membentuk “kembaran” lokasi treatment dari gabungan beberapa control. Ketidakpastian dihitung dengan robust standard errors yang dikelompokkan per lokasi.

Sebelum semua itu, lokasi treatment dan control perlu dipasangkan secara adil. Pencocokan berbasis kemiripan (propensity score/nearest neighbor) mempertimbangkan kepadatan bangunan, jarak ke jalan utama, elevasi, dan intensitas lalu lintas agar perbandingan benar-benar apple-to-apple. Tanpa langkah ini, bias penempatan (misal hutan kota kebetulan ada di area lebih bersih) bisa menyesatkan.

Metrik hasil harus mudah diterjemahkan ke kebijakan. Selain perubahan rata-rata PM2.5 (µg/m³), kami menilai penurunan jam paparan berlebih terhadap ambang “Tidak Sehat”, perubahan median dan p95 (puncak polusi), serta tambahan jam kondusif beraktivitas luar ruang ketika mempertimbangkan AQI dan hujan. Efek kecil namun konsisten—misalnya penurunan 1–3 µg/m³ sepanjang banyak jam—tetap berarti bagi kesehatan publik.

Dalam konteks Bandung–Johor, rencana implementasi tipikal mencakup 12 titik treatment dan 8 control, baseline 2–3 bulan, follow-up minimal 9–12 bulan, dan kalibrasi ulang triwulanan atau setelah kejadian cuaca ekstrem. Hasilnya ditampilkan pada peta dan dashboard Satu Cuaca, serta diringkas menjadi skor manfaat sederhana yang menggabungkan penurunan polutan dan bertambahnya jam aman.

Keterbatasan tentu ada. Transport polutan jarak jauh (mis. asap kebakaran) atau drift sensor dapat menutupi sinyal intervensi. Karena itu kami menjalankan placebo test pada tanggal acak, analisis sensitivitas terhadap pemilihan model dan titik kontrol, serta pemantauan kualitas data berkelanjutan. Hasil negatif pun informatif—menandakan perlunya kombinasi dengan manajemen emisi lalu lintas atau pembakaran domestik.

Kesimpulannya, urban forest berpotensi nyata memperbaiki kualitas udara, tetapi efeknya sangat kontekstual. Dengan jaringan sensor yang terkalibrasi, normalisasi meteorologi, dan analisis kausal yang cermat, kota mendapatkan bukti yang kuat untuk menentukan di mana, bagaimana, dan spesies apa yang paling efektif—serta kapan intervensi hijau harus disinergikan dengan pengendalian sumber emisi.