Teknologi dalam kehidupan manusia telah berkembang pesat dan membawa banyak kenyamanan bagi orang-orang dalam berbagai aspek di kehidupan mereka. Selain itu, perkembangan teknologi membawa dampak berbahaya bagi lingkungan, terutama pada kualitas udara. Karena proses produksi di industri, jumlah konsentrasi polutan meningkat dengan cepat. Particulate matter halus (PM2.5) merupakan salah satu polutan berbahaya dan dianggap sebagai salah satu faktor utama penurunan kesehatan masyarakat. Banyak upaya yang sedang dilakukan untuk menyediakan pemantauan konsentrasi PM2.5. Peramalan PM2.5 disediakan untuk peringatan dini bagi orang-orang. Dalam hal peramalan, tingkat akurasi merupakan hal yang paling menantang. Model yang tepat perlu dibangun untuk memperroleh prediksi yang presisi. Saat ini, Deep Neural Network (DNN) adalah teknik kecerdasan buatan telah terbukti menyelesaikan beberapa permasalahan terkait prediksi. Oleh karena itu, tesis ini mengusulkan mekanisme optimisasi peramalan menggunakan kombinasi dari Golden Section Search dan Fruit Fly Optimization Algorithm dengan mekanisme pembersihan data (data cleaning) menggunakan model DNN. Mekanisme yang diusulkan terbukti secara efektif mengoptimalkan tiga model DNN yaitu Multilayer Perceptron (MLP), Long Short – Term Memory (LSTM) dan Gated Recurrent Unit (GRU) untuk mencapai akurasi perkiraan konsentrasi PM2.5 yang lebih baik.