KLASIFIKASI KUALITAS UDARA DKI JAKARTA MENGGUNAKAN ALGORITMA MACHINE LEARNING

Ulumuddin, Muhammad Ihya’ (2025) KLASIFIKASI KUALITAS UDARA DKI JAKARTA MENGGUNAKAN ALGORITMA MACHINE LEARNING. S1 - Sarjana thesis, Universitas AMIKOM Yogyakarta.

	Text (COVER-ABSTRAK) COVER.pdf Download (1MB)
	Text (BAB I) BAB I.pdf Download (209kB)
	Text (BAB II) BAB II.pdf Restricted to Registered users only Download (544kB)
	Text (BAB III) BAB III.pdf Restricted to Registered users only Download (243kB)
	Text (BAB IV) BAB IV.pdf Restricted to Registered users only Download (1MB)
	Text (BAB V) BAB V.pdf Download (58kB)
	Text (DAFTAR PUSTAKA-LAMPIRAN) Daftar Pustaka dan Lampiran.pdf Restricted to Registered users only Download (339kB)
	Archive (SOURCE CODE) Sourcecode - 21.11.4415.zip Restricted to Repository staff only Download (271kB)
	Text (PUBLIKASI) Publikasi.pdf Restricted to Repository staff only Download (1MB)

Abstract

Peningkatan aktivitas industri dan emisi kendaraan bermotor di Jakarta menyebabkan penurunan kualitas udara yang berdampak negatif terhadap kesehatan masyarakat dan lingkungan. Sayangnya, data kualitas udara yang tersedia secara daring sering kali mengandung ketidakseimbangan kelas dan nilai yang hilang. Penelitian ini bertujuan untuk mengklasifikasikan kualitas udara dengan mengatasi permasalahan tersebut menggunakan metode Synthetic Minority Oversampling Technique (SMOTE) untuk menangani ketidakseimbangan data dan metode imputasi median untuk mengisi nilai yang hilang. Empat algoritma machine learning dibandingkan dalam penelitian ini, yaitu Random Forest, Support Vector Machine (SVM), K-Nearest Neighbor (KNN), dan Naïve Bayes. Hasil evaluasi menunjukkan bahwa algoritma Random Forest memiliki performa terbaik dengan akurasi 99,07% setelah diterapkan SMOTE dan tuning hyperparameter, meningkat dari 98,33% sebelum optimasi. KNN mengalami peningkatan akurasi dari 92,27% menjadi 94,30%, sementara SVM meningkat dari 93,87% menjadi 94,00%. Naïve Bayes, meskipun memiliki akurasi terendah, juga mengalami peningkatan dari 85,83% menjadi 87,57%. Hasil penelitian ini menegaskan bahwa teknik penanganan ketidakseimbangan data dapat meningkatkan performa klasifikasi secara signifikan, terutama pada algoritma yang bergantung pada distribusi data seperti KNN. Penelitian ini diharapkan dapat menjadi referensi dalam pengelolaan kualitas udara dan mendukung kebijakan lingkungan berbasis data untuk mengurangi dampak pencemaran udara di Jakarta.

Actions (login required)

View Item