Single Page Aplikasi Website Prediksi Kualitas Udara What The Air
Abstract
Abstrak-Polusi udara biasa diartikan sebagai pencemaran udara dimana jumlah bahan pencemar berada diluar batas. Kualitas udara saat ini adalah salah satu faktor penting dalam kehidupan sehari - hari. Terlalu banyak menghirup udara dengan kualitas yang rendah dapat berdampak buruk pada kesehatan. Dengan menggunakan alat pengukur kualitas udara kita bisa mengukur tingkat indeks kualitas udara, namun kenapa hanya berhenti disitu jika kita bisa menggunakan Machine Learning untuk melakukan Prediksi dalam beberapa tahun kedepan. Di studi ini digunakan metode Support Vector Machine yang akan melakukan klasifikasi terhadap data yang didapat dari sensor. SVM dipilih karena dinilai baik dalam mengklasifikasikan data yang berupa kelas - kelas. Data yang diolah adalah SO2, NO2, CO, PM10, PM25 dan O3. Kemudian data hasil klasifikasi akan diproses untuk prediksi dengan teknik perluasan model. Penelitian ini akan menghasilkan pemetaan prediksi polusi udara di provinsi jakarta untuk tahun 2022, diharapkan penelitian ini dapat membantu masyarakat untuk mengetahui tentang kondisi udara.
Kata Kunci— kualitas udara, support vector machine, klasifikasi, machine learning
References
Bingchun Liu, Hui Wang, Arihant Binaykia, Chuanchuan Fu, dan Bingpeng Xiang. 2019. Multi-Level Air Quality Classification in China Using Information Gain and Support Vector Machine Hybrid Model. Nature Environment and Pollution Technology. International Quarterly Scientific Journal.
Deval L. Patrick, Timothy P. Murray, Richard K. Sullivan Jr., dan Kenneth L. Kimmel. Health Environmental Effects of Air Pollution. Commonwealth of Massachusetts Departement of Environmental Protection. MassDepp.
Ade Silvia Handayani, Sopian Soim, Theresia Enim Agusdi, dan Nyayu Latifah Husni. 2021. Air Quality Classification Using Support Vector Machine. Computer Engineering and Applications. State Polytechnic of Sriwijaya.
AdeAnto Satriyo Nugroho, Arief Budi Witarto, dan Dwi Handoko. 2003. Support Vector Machine Teori dan Aplikasinya dalam Bioinformatika. IlmuKomputer.Com, IlmuKomputer.
K. Alpan, dan B. Sekeroglu. 2020. Prediction Of Pollutant Concentration By Meteorological Data Using Machine Learning Algorithms. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. NEU, Information Systems Engineering, Turkey.
Nils J. Nilsson. Introduction To Machine Learning. Stanford University. Robotic Laboratory. 1-2.
Elia Georgiana Dragomir. 2010. Air Quality Index Prediction using K-Nearest Neighbor Technique. Informatics Departement. Petroleum-Gas University of Ploiesti, Romania.
Vapnik V. N., The Nature of Statistical Learning Theory(2ed). .
Kurniawan. 2017. Pengukuran Parameter Kualitas Udara (CO, NO2,SO2,O3, dan PM10) di Bukit Kototabang Berbasis ISPU. Jurnal Tekno Sains. 7(1-82).
S. V. Kottur and D. S. S. Mantha, "An Integrated Model using Artificial Neural Network (ANN) and Kriging for Forecasting Air Pollutants using Meteorological Data," in International Journal of Advanced Research in Computer and Communication Engineering, India, 2015.
A. Faudzan, S. Suryani and T. Budiawati. 2015. "PERBANDINGAN METODE INVERSE DISTANCE WEIGHTED (IDW) DENGAN METODE ORDINARY KRIGING UNTUK ESTIMASI SEBARAN POLUSI UDARA DI BANDUNG," e-Proceeding of Engineering, vol. 2, no. 2.
Greenpeace Indonesia. 2022. Polusi udara memakan biaya Rp 21 triliun di Jakarta pada tahun 2020. https://www.greenpeace.org/indonesia/siaran-pers/5389/polusi-udara-memakan-biaya-rp-21-triliun-di-jakarta-pada-tahun-2020/
A. Holleman and E. Wiberg. 2001. Inorganic Chemistry. San Diego: Academic Press.
Z. Arifin.2009. Pengendalian Polusi Kendaraan. Yogyakarta: Afabeta.
F. Aditya, S. Sri, B. Tuti. 2015. Perbandingan Metode Inverse Distance Weighted (idw) Dengan Metode Ordinary Kriging Untuk Estimasi Sebaran Polusi Udara Di Bandung. eProceedings of Engineering, 2(2).
B. Gianluca, B.T. Souhaib, Yann. 2012. Machine Learning Strategies for Time Series Forecasting. European business intelligence summer school. Springer, Berlin, Heidelberg, 2012. p. 62-77.
X. Wei, L. Zhang, H.Q. Yang, L. Zhang & Y.P. Yao. 2021. Machine learning for pore-water pressure time-series prediction: Application of recurrent neural networks. Geoscience Frontiers, 12(1), 453-467.
Xiaoxiao Zhang, Guodong Liu, Hantao Wang, dan Xiaodong Li. 2017. Application of a Hybrid Interpolation Method Based on Support Vector Machine in the Precipitation Spatial Interpolation of Basins. MDPI. China.
