Klasifikasi Kualitas Udara Menggunakan PCA Dan KNN
DOI:
https://doi.org/10.35145/jmapteksi.v7i1.4169Kata Kunci:
Klasifikasi Kualitas Udara, Principal Component Analysis (PCA), ), K-Nearest Neighbor (KNN)Abstrak
Penelitian ini bertujuan untuk membangun model klasifikasi kualitas udara yang akurat dan efisien menggunakan ekstraksi fitur Principal Component Analysis (PCA) dan metode K-Nearest Neighbor (KNN). Kualitas udara menjadi isu penting bagi kesehatan manusia dan lingkungan, sehingga diperlukan sistem klasifikasi yang efektif untuk membantu masyarakat dan pemangku kepentingan dalam mengambil langkah-langkah pencegahan. Metode PCA digunakan untuk mereduksi dimensi data kualitas udara yang berdimensi tinggi tanpa kehilangan informasi penting. Hal ini meningkatkan efisiensi dan akurasi model klasifikasi. Selanjutnya, metode KNN digunakan untuk mengklasifikasikan kualitas udara berdasarkan fitur-fitur yang telah diekstraksi oleh PCA. KNN merupakan algoritma klasifikasi yang sederhana, mudah dipahami, dan adaptif terhadap data yang tidak terdistribusi normal. Penelitian ini menggunakan dataset kualitas udara dari stasiun pemantauan di beberapa wilayah. Data dipre-proses dan dianalisis untuk memastikan kesesuaian dengan metode PCA dan KNN. Model klasifikasi kemudian dievaluasi berdasarkan akurasi dan presisi klasifikasinya. Hasil penelitian menunjukkan bahwa model klasifikasi yang menggunakan kombinasi PCA dan KNN mampu menghasilkan akurasi dan presisi yang tinggi. Berdasarkan pengujian yang telah dilakukan didapatkan hasil akurasi mencapai 98,6% dengan presisi sebesar 87%, recall sebesar 75%, f-measure sebesar 80%. Model ini terbukti efektif dalam mengklasifikasikan kualitas udara dan dapat memberikan informasi yang bermanfaat bagi masyarakat dan pemangku kepentingan terkait.
Unduhan
Referensi
[2] Pratiwi, B. P., Handayani, A. S., & Sarjana, S. (2021). Pengukuran Kinerja Sistem Kualitas Udara Dengan Teknologi Wsn Menggunakan Confusion Matrix. Jurnal Informatika Upgris, 6(2), 66–75. https://doi.org/10.26877/jiu.v6i2.6552
[3] Putra, G. T., Kallista, M., & ... (2023). Pembelajaran Mesin Pada Data Preprocessing Dengan Metode Principal Component Analysis Dan Smote. EProceedings …, 10(5), 4002–4010. https://openlibrarypublications.telkomuniversity.ac.id/index.php/engineering/article/view/21085
[4] Reza Noviansyah, M., Rismawan, T., Marisa Midyanti, D., Sistem Komputer, J., & MIPA Universitas Tanjungpura Jl Hadari Nawawi, F. H. (2018). Penerapan Data Mining Menggunakan Metode K-Nearest Neighbor Untuk Klasifikasi Indeks Cuaca Kebakaran Berdasarkan Data Aws (Automatic Weather Station) (Studi Kasus: Kabupaten Kubu Raya). Jurnal Coding, Sistem Komputer Untan, 06(2), 48–56.
[5] Wahyu, E., Nasution, A. Y., & Rosnelly, R. (2024). Pengenalan Pola Aksara Batak menggunakan Backpropagation Recognition of Batak Script Patterns using Backpropagation. 14(1), 57–67.
[6] Fadlisyah, F., Ula, M., & Nasriah, N. (2020). Implementasi Pengenalan Pola Alif Lam Qamariah Pada Huruf Hijaiyah Menggunakan Metode Cosineimplementasi Pengenalan Pola Alif Lam Qamariah Pada Huruf Hijaiyah Menggunakan Metode Cosine. TECHSI - Jurnal Teknik Informatika, 12(1), 52. https://doi.org/10.29103/techsi.v12i1.1285
[7] Agung, A., Daniswara, A., Kadek, I., & Nuryana, D. (2023). Data Preprocessing Pola Pada Penilaian Mahasiswa Program Profesi Guru. Journal of Informatics and Computer Science, 05, 97–100.
[8] Alghifari, F., & Juardi, D. (2021). Penerapan Data Mining Pada Penjualan Makanan Dan Minuman Menggunakan Metode Algoritma Naïve Bayes. Jurnal Ilmiah Informatika, 9(02), 75–81. https://doi.org/10.33884/jif.v9i02.3755
[9] Ferliadi, H. Sulistiani, and F. Hamidy, “Sistem Informasi Manajemen Aset Dan Keuangan,†J. Ilm. Sist. Inf. Akunt., vol. 1, no. 2, pp. 7–15, 2021, doi: 10.33365/jimasia.v1i2.1103.
[10] Suwitono, Y. A., & Kaunang, F. J. (2022). Implementasi Algoritma Convolutional Neural Network (CNN) Untuk Klasifikasi Daun Dengan Metode Data Mining SEMMA Menggunakan Keras. Jurnal Komtika (Komputasi Dan Informatika), 6(2), 109–121. https://doi.org/10.31603/komtika.v6i2.8054
[11] Anderio, J., & Johan. (2019). Sistem Pendukung Keputusan Pemilihan Material Bangunan Berdasarkan Kesesuain Budget Konsumen Menggunakan K-Nearest Neighbor (KNN). (Studi Kasus : Toko Bangunan AJJ). Jurnal Mahasiswa Aplikasi Teknologi Komputer Dan Informasi, 1(Thn), 12–19.
[12] Pratiwi, B. P., Handayani, A. S., & Sarjana, S. (2021). Pengukuran Kinerja Sistem Kualitas Udara Dengan Teknologi Wsn Menggunakan Confusion Matrix. Jurnal Informatika Upgris, 6(2), 66–75. https://doi.org/10.26877/jiu.v6i2.6552
[13] Jayadi, B. V., Handhayani, T., Lauro, M. D., Informatika, T., & Tarumanagara, U. (2023). Perbandingan Knn Dan Svm Untuk Klasifikasi Kualitas Udara Di Jakarta. Jurnal Ilmu Komputer Dan Sistem Informasi, Vol. 11(No. 2).
[14] Junaidi, S., Devegi, M., & Kurniawan, H. (2023). Pelatihan Pengolahan dan Visualisasi Data Penduduk menggunakan Python. ADMA : Jurnal Pengabdian Dan Pemberdayaan Masyarakat, 4(1), 151–162. https://doi.org/10.30812/adma.v4i1.2963
[15] Pankaj Dumka, Kritik Rana, Surya Pratap Singh Tomar, Parth Singh Pawar, D. R. M. (2022). Modelling air standard thermodynamic cycles using python. Advances in Engineering Software, Volume 172(103186).
