Prediksi dan Pemodelan Kualitas Udara Menggunakan Random Forest dan Gradient Boosting Jakarta
Studi Kasus : Jakarta dan Tangerang
Kata Kunci:
PM2.5, kualitas udara, machine learning, Random Forest, Gradient BoostingAbstrak
PM2.5 menjadi salah satu indikator penting dalam menilai kualitas udara di wilayah perkotaan karena sensitif terhadap aktivitas transportasi, industri, serta dinamika pertumbuhan penduduk. Penelitian ini bertujuan untuk memetakan pola PM2.5 di Jakarta dan Tangerang serta membangun model prediksi berbasis machine learning. Data Jakarta (2021–2025) dan Tangerang (2020–2023) melalui proses pembersihan, imputasi nilai hilang, normalisasi, dan penyelarasan struktur. Rekayasa fitur diterapkan untuk memperkuat karakteristik temporal sebelum model Random Forest dan Gradient Boosting dilatih dengan rasio 80:20. Evaluasi menggunakan R², RMSE, dan MAE menunjukkan bahwa konsentrasi PM2.5 di Jakarta cenderung lebih tinggi dan berfluktuasi. Gradient Boosting memperoleh performa paling konsisten, sedangkan analisis feature importance mengidentifikasi PM10 dan NO₂ sebagai variabel paling berpengaruh. Temuan ini menegaskan bahwa pendekatan machine learning mampu meningkatkan efektivitas pemantauan kualitas udara dan mendukung strategi pengendalian polusi yang berbasis data.
Unduhan
Referensi
Gupta, P., et al. (2021). Machine Learning Models for PM2.5 Prediction in Urban Regions. Atmospheric Environment.
Hu, J., & Ying, Q. (2020). Air Quality Modeling Using Ensemble Learning Techniques. Environmental Pollution.
Feng, Y., et al. (2022). Random Forest-Based PM2.5 Forecasting in Metropolitan Areas. Environmental Research.
Zhao, X., et al. (2023). Gradient Boosting for Air Pollutant Prediction. Journal of Cleaner Production.
Sun, L., et al. (2021). Predictive Modeling of PM10–PM2.5 Interactions Using Machine Learning. Atmospheric Pollution Research.
Rini, D., et al. (2020). Studi Polusi Udara Jakarta Menggunakan Analisis Statistik. Jurnal Teknologi Lingkungan.
Chen, Z., et al. (2021). Missing Data Imputation in Air Quality Monitoring Systems. Environmental Modelling & Software.
Li, M., et al. (2022). Temporal Feature Engineering for Air Pollution Forecasting. Environmental Science & Technology.
Wang, S., et al. (2024). Feature Selection Methods for Atmospheric Pollutant Prediction. Applied Sciences.
Putra, H., et al. (2023). Evaluasi Kualitas Udara Jabodetabek Menggunakan Pembelajaran Mesin. Indonesian Journal of Computing.
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2025 Afdan Rivaldi, Alif Ramadhani, Iqbal Ramadhan, Yamin Nuryamin, Ade Priyatna
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
HAK CIPTA
Hak cipta atas artikel apapun pada Jurnal Nasional Teknologi Komputer (JNASTEK) dipegang penuh oleh penulisnya dibawah lisensi Creative Commons Attribution-ShareAlike 4.0 International License.
1. Penulis mengakui bahwa Jurnal Nasional Teknologi Komputer (JNASTEK) berhak sebagai yang mempublikasikan pertama kali dengan lisensi Creative Commons Attribution-ShareAlike 4.0 International License - CC BY-SA.
2. Penulis dapat memasukan tulisan secara terpisah, mengatur distribusi non-ekskulif dari naskah yang telah terbit di jurnal ini kedalam versi yang lain (misal: dikirim ke respository institusi penulis, publikasi kedalam buku, dll), dengan mengakui bahwa naskah telah terbit pertama kali pada Jurnal Nasional Teknologi Komputer (JNASTEK).
LISENSI
Jurnal Nasional Teknologi Komputer (JNASTEK) diterbitkan berdasarkan ketentuan Creative Commons Attribution-ShareAlike 4.0 International License. Lisensi ini mengizinkan setiap orang untuk menyalin dan menyebarluaskan kembali materi ini dalam bentuk atau format apapun, menggubah, mengubah, dan membuat turunan dari materi ini untuk kepentingan apapun, termasuk kepentingan komersial, selama mereka mencantumkan kredit kepada Penulis atas ciptaan asli.
