Buruknya kualitas udara di kota-kota besar seperti DKI Jakarta menjadi masalah lingkungan dan kesehatan yang mendesak, sehingga menuntut adanya sistem peramalan yang tidak hanya akurat tetapi juga efisien untuk diimplementasikan. Penelitian ini bertujuan untuk mengembangkan, membandingkan, dan mengimplementasikan model peramalan deret waktu untuk Indeks Standar Pencemar Udara (ISPU). Tiga model dengan paradigma berbeda dievaluasi: Long Short-Term Memory (LSTM) sebagai model deep learning, Prophet sebagai model dekomposisi statistik, dan Extreme Gradient Boosting (XGBoost) sebagai model ensemble machine learning. Model-model ini dilatih dan diuji menggunakan data ISPU harian DKI Jakarta dari 1 Januari 2021 hingga 31 Desember 2023 untuk enam polutan utama. Hasil evaluasi menunjukkan adanya trade-off yang jelas antara akurasi dan efisiensi. LSTM secara konsisten memberikan akurasi prediksi tertinggi (RMSE terendah) untuk mayoritas polutan, namun dengan biaya komputasi tertinggi. Sebaliknya, Prophet menunjukkan efisiensi komputasi yang luar biasa, dengan waktu eksekusi yang jauh lebih cepat. XGBoost unggul pada polutan gas primer namun kurang stabil untuk polutan lain. Dengan mempertimbangkan kelayakan implementasi praktis untuk sistem operasional, Prophet dipilih sebagai model terbaik karena menawarkan keseimbangan antara performa yang memadai dan efisiensi yang superior. Model Prophet ini kemudian berhasil diimplementasikan ke dalam sebuah prototipe layanan RESTful API menggunakan Flask yang fungsional dan siap untuk diintegrasikan.