Electronic Theses and Dissertation

Meningkatnya pembangunan di kota, pusat-pusat industri, dan transportasi bermotor telah menyebabkan pencemaran udara. Salah satu cara untuk menilai kualitas udara di suatu wilayah adalah melalui Plume Air Quality Index (PAQI). PAQI didasarkan pada empat jenis polutan, yaitu partikulat (PM10 dan PM2,5), nitrogen dioksida (NO2), dan ozon (O3), serta memiliki tujuh tingkat polusi atau kategori. Klasifikasi konsentrasi polutan ke dalam kategori PAQI harus dilakukan dengan akurat untuk menghindari kesalahan dalam menentukan kualitas udara. Untuk memprediksi kategori PAQI dengan akurat, teknik data mining seperti klasifikasi dapat digunakan. Beberapa penelitian sebelumnya menyatakan bahwa metode Support Vector Machine (SVM) dan Random Forest (RF) menghasilkan hasil klasifikasi yang baik, tetapi hanya berdasarkan akurasinya. Oleh karena itu, penelitian ini melakukan simulasi menggunakan kedua metode tersebut untuk mengevaluasi kemampuan metode dalam memprediksi kategori PAQI berdasarkan metrik performa nilai, yaitu accuracy dan F1-score. Penelitian ini menggunakan data konsentrasi polutan; PM2,5, PM10, NO2, dan O3, serta kategori PAQI dari 33 ibu kota provinsi di Indonesia pada 1 Juli 2022 sampai dengan 31 Desember 2022. Hasil penelitian menunjukkan bahwa nilai performa SVM kernel linear dengan parameter optimum C = 1.000 adalah 76,13%. Tingkat performa SVM kernel RBF dengan parameter optimum C = 100 dan γ = 4 adalah 86,74%. Tingkat performa SVM kernel polinomial dengan parameter optimum C = 100 dan h = 2 adalah 77,90%. Sementara itu, tingkat performa RF dengan parameter optimum n estimators = 10, max depth = 15, dan mtry = 4 adalah sebesar 88,63%. Sehingga metode terbaik untuk melakukan analisis klasifikasi data PAQI di Indonesia pada periode 1 Juli 2022 hingga 31 Desember 2022 adalah metode RF.

Increased development in cities, industrial centers, and motorized transportation have caused air pollution. One way to assess air quality in an area is through the Plume Air Quality Index (PAQI). The PAQI is based on four types of pollutants, namely particulates (PM10 and PM2.5), nitrogen dioxide (NO2), and ozone (O3), and has seven pollution levels or categories. Classification of pollutant concentrations into PAQI categories must be done accurately to avoid errors in determining air quality. To accurately predict PAQI categories, data mining techniques such as classification can be used. Some previous studies state that Support Vector Machine (SVM) and Random Forest (RF) methods produce good classification results, but only based on their accuracy. Therefore, this study conducted simulations using both methods to evaluate the ability of the methods to predict PAQI category based on the performance metrics of accuracy and F1-score. This study uses data on pollutant concentrations; PM2.5, PM10, NO2, and O3, as well as PAQI categories from 33 provincial capitals in Indonesia from July 1, 2022 to December 31, 2022. The results showed that the performance value of linear kernel SVM with the optimum parameter C = 1,000 was 76.13%. The performance level of RBF kernel SVM with the optimum parameters C = 100 and γ = 4 is 86.74%. The performance level of polynomial kernel SVM with the optimum parameters C = 100 and h = 2 is 77.90%. Meanwhile, the performance level of RF with the optimum parameters n estimators = 10, max depth = 15, and mtry = 4 is 88.63%. Therefore, the best method to analyze PAQI data classification in Indonesia for the period July 1, 2022 to December 31, 2022 is the RF method.