ANALISIS ALGORITMA DECISION TREE DALAM PENGKLASIFIKASIAN INDEKS PENCEMARAN UDARA KOTA JAKARTA DENGAN METODE CROSS INDUSTRY STANDARD PROCESS FOR DATA MINING

Anisa Putri Arla Vatwa Lubu; Siti Mutiah; Arya Praditya; Nerisa Rahma; Prizka Rismawati Arum

doi:10.33019/fraction.v5i1.87

Authors

Anisa Putri Arla Vatwa Lubu Universitas Muhammadiyah Semarang
Siti Mutiah Universitas Muhammadiyah Semarang
Arya Praditya Universitas Muhammadiyah Semarang
Nerisa Rahma Universitas Muhammadiyah Semarang
Prizka Rismawati Arum Universitas Muhammadiyah Semarang

DOI:

https://doi.org/10.33019/fraction.v5i1.87

Keywords:

CRISP-DM , Decision Tree, Klasifikasi, Kualitas Udara

Abstract

Kualitas udara yang bersih sangat penting untuk kelangsungan hidup manusia. Namun, DKI Jakarta saat ini menghadapi tantangan serius dengan kualitas udara terburuk di dunia, yang disebabkan oleh aktivitas manusia, termasuk industri dan penggunaan bahan bakar fosil. Dalam konteks ini, model klasifikasi, khususnya algoritma Decision Tree, dapat berperan dalam memahami faktor-faktor yang mempengaruhi kualitas udara serta mengklasifikasikan Indeks Standar Pencemar Udara (ISPU). Kajian ini bertujuan untuk menganalisis klasifikasi dengan menggunakan metode CRISP-DM guna mengidentifikasi pola dan parameter yang memengaruhi pencemaran udara. Penelitian ini mengevaluasi enam parameter, yaitu karbon monoksida (CO), sulfur dioksida (SO2), nitrogen dioksida (NO2), ozon (O3), serta partikel debu PM2.5 dan PM10. Kategori level ISPU yang dianalisis meliputi Baik, Sedang, dan Tidak Sehat. Hasil penelitian menunjukkan bahwa model yang digunakan memiliki performa yang sangat baik, dengan akurasi mencapai 97,01%. Dari analisis, PM2.5 ditemukan memiliki korelasi tertinggi terhadap Indeks Standar Pencemar Udara, sementara ozon terbukti efektif dalam membedakan antara kualitas udara yang sedang dan tidak sehat.

Downloads

Download data is not yet available.

References

[1] N. I. Mansyur, E. H. Pudjiwati, and A. Murtilaksono, Pupuk dan Pemupukan. Syiah Kuala University Press, 2021.

[2] M. S. Novelan, “Sistem Monitoring Kualitas Udara Dalam Ruangan Menggunakan Mikrokontroler dan Aplikasi Android,” urnal Nas. Inform. dan Teknol. Jar., pp. 2540–7597, 2020.

[3] Z. Zhang et al., “Recent Advances In Carbon Dioxide Utilization,” Renew. Sustain. energy Rev., vol. 125, 2020.

[4] H. A. Shahriyari et al., “Air Pollution And Human Health Risks: Mechanisms And Clinical Manifestations Of Cardiovascular And Respiratory Diseases,” Toxin Rev., vol. 41, no. 2, pp. 606–617, 2022.

[5] A. A. Almetwally, M. Bin-Jumah, and A. A. Allam, “Ambient Air Pollution And Its Influence On Human Health And Welfare: An Overview,” Env. Sci Pollut Res, vol. 27, pp. 24815–24830, 2020.

[6] S. Nurjanah, A. M. Siregar, and D. S. Kusumaningrum, “Penerapan Algoritma K-Nearest Neighbor (KNN) Untuk Klasifikasi Pencemaran Udara Di Kota Jakarta,” Sci. Student J. Information, Technol. Sci., vol. 1, no. 2, pp. 71–76, 2020.

[7] A. Oktaviani and Hustinawati, “Prediksi Rata-Rata Zat Berbahaya Di DKI Jakarta Berdasarkan Indeks Standar Pencemar Udara Menggunakan Metode Long Short-Term Memor,” J. Ilm. Inform. Komput., vol. 26, no. 1, pp. 41–55, 2021.

[8] L. Myllyvirta, I. Suarez, E. Uusivuori, and Hubert Thieriot, “Pencemaran Udara Lintas Batas Di Provinsi Jakarta, Banten, Dan Jawa Barat,” Cent. Res. Energy Clean Air, pp. 1–39, 2020.

[9] S. H. D. A. Anggraeni, Y. H. Darundiati, and Tri Joko, “Analisis Konsentrasi PM10 Hasil Pengukuran Stasiun BMKG Kemayoran di Jakarta Pusat Pada Masa Pandemi COVID-19,” Media Kesehat. Masy. Indones., vol. 20, no. 1, pp. 64–69, 2021.

[10] S. S. A. Umri, “Analisis Dan Komparasi Algoritma Klasifikasi Dalam Indeks Pencemaran Udara Di Dki Jakarta,” JIKO (Jurnal Inform. dan Komputer), vol. 4, no. 2, pp. 98–104, 2021.

[11] Irwansyah, A. D. Wiranata, and T. T. M, “Komparasi Algoritma Decision Tree, Naive Bayes Dan Knearest Neighbor Untuk Menentukan Kualitas Udara di Provinsi DKI Jakarta,” Infotech J. Technol. Inf., vol. 9, no. 2, pp. 193–198, 2023.

[12] A. H. Nasrullah, “Implementasi Algoritma Decision Tree Untuk Klasifikasi Produk Laris,” J. Ilm. Ilmu Komput. Fak. Ilmu Komput. Univ. Al Asyariah Mandar, vol. 7, no. 2, pp. 45–51, 2021.

[13] R. Puspita and A. Widodo, “Perbandingan Metode KNN, Decision Tree, dan Naïve Bayes Terhadap Analisis Sentimen Pengguna Layanan BPJS,” J. Inform. Univ. Pamulang, vol. 5, no. 4, pp. 646–654, 2020.

[14] N. C. Sastya and I. Nugraha, “Penerapan Metode CRISP-DM dalam Menganalisis Data untuk Menentukan Customer Behavior di MeatSolution,” J. Pendidik. Dan Apl. Ind., vol. 10, no. 2, pp. 103–115, 2023.

[15] C. Maisyarah, E. Harytami, R. Y. Fajriatifah, and Y. H. Puspita, “Prediksi Penyakit Diabetes menggunakan Algoritma Artificial Neural Network,” J. Data Sci. Inform., vol. 2, no. 2, pp. 46–52, 2022.

[16] D. A. Kusuma and A. D. P. Wicaksono, “Analisis Klastering Dampak Lingkungan Berdasarkan Konsumsi Energi Perusahaan Berbasis Industri 4.0 Menggunakan Metode Crisp-Dm,” J. Sist. dan Teknol. Inf., vol. 9, no. 2, 2023.

[17] M. A. Hasanah, S. Soim, and Ade Silvia Handayani, “Implementasi Crisp-dm Model Menggunakan Metode Decision Tree dengan Algoritma Cart untuk Prediksi Curah Hujan Berpotensi Banjir,” J. Appl. Informatics Comput., vol. 5, no. 2, pp. 103–108, 2021.

[18] Y. A. Singgalen, “Penerapan Metode CRISP-DM dalam Klasifikasi Data Ulasan Pengunjung Destinasi Danau Toba Menggunakan Algoritma Naïve Bayes Classifier (NBC) dan Decision Tree (DT),” J. Media Inform. Budidarma, vol. 7, no. 3, 2023.

[19] T. Fu, X. Tang, Z. Cai, Y. Zuo, Y. Tang, and X. Zhao, “Correlation Research Of Phase Angle Variation And Coating Performance By Means Of Pearson’s Correlation Coefficient,” Prog. Org. Coatings, vol. 139, 2020.

[20] D. A. Munawwaroh and A. H. Primandari, “Implementasi CRISP-DM Model Menggunakan Metode Decision Tree Dengan Algoritma CART Untuk Prediksi Lila Ibu Hamil Berpotensi Gizi Kurang,” Delta J. Ilm. Pendidik. Mat., vol. 10, no. 2, 2022.