Klasifikasi Indeks Standar Pencemaran Udara Menggunakan Local Mean dan Distance Weighting K-Nearest Neighbor
Keywords:
ISPU, Klasifikasi, LMDWkNN, Udara, WebsiteAbstract
Kualitas udara yang buruk dapat berdampak serius pada kesehatan manusia dan lingkungan. Di Indonesia, informasi kualitas udara disampaikan melalui Indeks Standar Pencemar Udara (ISPU), namun penyebaran informasi ini masih terbatas karena hanya menggunakan alat monitor di titik tertentu dan proses perhitungannya dilakukan secara manual. Penelitian ini menawarkan solusi dengan mengembangkan sistem klasifikasi status ISPU berbasis web menggunakan metode Local Mean dan Distance Weighting pada algoritma K-Nearest Neighbor (LMDWkNN). Sistem ini dirancang untuk mempercepat proses klasifikasi ISPU secara otomatis dan real-time. Pengujian terhadap model menunjukkan kinerja akurasi sebesar 96%, precision 98%, recall 82%, dan f1-score 89%. Sementara itu, pengujian sistem menggunakan Black Box Testing menunjukkan semua fitur berjalan sesuai harapan. Sistem ini dapat menjadi alat bantu yang efektif dalam menyampaikan informasi kualitas udara kepada masyarakat secara cepat dan akurat
Downloads
References
[1] A. A. H. Kirono, I. Asror, and Y. F. A. Wibowo, “Klasifikasi Tingkat Kualitas Udara Dki Jakarta Menggunakan Algoritma Naïve Bayes,” e-Proceeding Eng., vol. 9, no. 3, p. 1962, 2022.
[2] R. Zhao et al., “Human activities modulate greening patterns: a case study for southern Xinjiang in China based on long time series analysis,” Environ. Res. Lett., vol. 17, no. 4, p. 44012, Mar. 2022, doi: 10.1088/1748-9326/ac58a9.
[3] D. Chaniago, A. Zahara, and I. S. Ramadhani, “Indeks Standar Pencemar Udara (ISPU) Sebagai Informasi Mutu Udara Ambien Di Indonesia,” ditppu.menlhk.go.id.
[4] Y. Yuliska and K. U. Syaliman, “Peningkatan Akurasi k-Nearest Neighbor Pada Data Index Standar Pencemaran Udara Kota Pekanbaru,” IT J. Res. Dev., vol. 5, no. 1, pp. 11–18, 2020, doi: 10.25299/itjrd.2020.vol5(1).4680.
[5] N. Aini, R. Ruktiari, R. Pratama, and A. Fitrah Buana, “Sistem Prediksi Tingkat Pencemaran Polusi Udara dengan Algoritma Naïve Bayes pada Kota Makassar,” Semin. Nas. Komun. dan Inform., pp. 83–90, 2019.
[6] A. C. Darmawan, “Pengembangan aplikasi berbasis web dengan python flask untuk klasifikasi data menggunakan metode decision tree C4. 5,” 2023.
[7] R. R. A. Siregar, Z. U. Siregar, and R. Arianto, “Klasifikasi Sentiment Analysis Pada Komentar Peserta Diklat Menggunakan Metode k-Nearest Neighbor,” Kilat, vol. 8, no. 1, pp. 81–92, 2019, doi: 10.33322/kilat.v8i1.421.
[8] Z. Pan, Y. Wang, and W. Ku, “A new k-harmonic nearest neighbor classifier based on the multi-local means,” Expert Syst. Appl., vol. 67, pp. 115–125, 2017, doi: 10.1016/j.eswa.2016.09.031.
[9] K. U. Syaliman, E. B. Nababan, and O. S. Sitompul, “Improving the accuracy of k-Nearest Neighbor using Local Mean Based and Distance Weight,” J. Phys. Conf. Ser., vol. 978, no. 1, pp. 1–6, 2018, doi: 10.1088/1742-6596/978/1/012047.
[10] L. Afifah, “Algoritma k-Nearest Neighbor (kNN) untuk Klasifikasi,” ilmudatapy.com.
[11] T. Rismawan, A. W. Irawan, W. Prabowo, and S. Kusumadewi, “Sistem Pendukung Keputusan Berbasis Pocket PC Sebagai Penentu Status Gizi Menggunakan Metode k-NN (k-Nearest Neighbor),” Teknoin, vol. 13, no. 2, pp. 18–23, 2008, doi: 10.20885/teknoin.vol13.iss2.art5.
[12] A. A. Wahid, “Analisis Metode Waterfall Untuk Pengembangan Sistem Informasi,” J. Ilmu-ilmu Inform. dan Manaj. STMIK, no. November, pp. 1–5, 2020.
[13] R. Juliarto, “Contoh Use Case Diagram Lengkap dengan Penjelasannya,” dicoding.com.
[14] T. S. Jaya, “Pengujian Aplikasi dengan Metode Blackbox Testing Boundary Value Analysis,” J. Inform. Pengemb. IT, vol. 3, no. 2, pp. 45–46, 2018.
Downloads
Published
Issue
Section
License
Copyright (c) 2025 Nabily Rafif, Khairul Umam Syaliman (Author)
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
