La contaminación del aire en Yakarta, una de las ciudades más contaminadas del mundo, ha alcanzado niveles críticos, con concentraciones de PM que superan las directrices de la OMS y representan riesgos significativos para la salud. La previsión precisa de PM es crucial para una gestión efectiva de la calidad del aire y las intervenciones en salud pública. PM presenta fluctuaciones no lineales significativas; por lo tanto, este estudio empleó dos enfoques de aprendizaje automático: árbol autorregresivo de umbral autoexcitable (SETAR-Tree) y memoria a largo y corto plazo (LSTM). El modelo SETAR-Tree integra capacidades de cambio de régimen con principios de árbol de decisión para capturar patrones no lineales, mientras que LSTM modela dependencias a largo plazo en datos de series temporales. Los resultados mostraron que: (1) SETAR-Tree superó a LSTM, logrando un RMSE más bajo (0.1691 en muestra, 0.2159 fuera de muestra) y MAPE (2.83% en muestra, 2.98% fuera de muestra) en comparación con el RMSE de LSTM (0.2038 en muestra, 0.2399 fuera de muestra) y MAPE (3.48% en muestra, 4.05% fuera de muestra); (2) SETAR-Tree demostró una mejor capacidad de respuesta a cambios repentinos de régimen, capturando patrones complejos de contaminación influenciados por factores meteorológicos y antropogénicos; (3) PM en Yakarta a menudo supera los límites de la OMS, lo que resalta la importancia de este estudio en el apoyo a la planificación estratégica y en proporcionar un sistema de alerta temprana para reducir la actividad al aire libre durante la contaminación extrema.