Prediksi Kualitas Udara Berdasarkan Parameter Lingkungan Menggunakan Algoritma Decision Tree C4.5
DOI:
https://doi.org/10.57185/mutiara.v4i8.537Keywords:
Kualitas Udara, Decision Tree C4.5, Machine Learning, ISPU, KlasifikasiAbstract
Pencemaran udara merupakan permasalahan lingkungan kritis yang berdampak pada kesehatan masyarakat dan keberlanjutan ekosistem. Paparan polutan seperti PM2.5, PM10, SO₂, CO, O₃, dan NO₂ terbukti meningkatkan risiko gangguan pernapasan, penyakit kardiovaskular, hingga kematian dini. Di Indonesia, kualitas udara dipantau melalui ISPU, namun volume data yang terus bertambah memerlukan pendekatan machine learning untuk menghasilkan prediksi akurat. Penelitian ini menerapkan algoritma Decision Tree C4.5 untuk memprediksi kategori kualitas udara dan mengevaluasi kontribusi tiap parameter pencemar. Dataset berupa data ISPU DKI Jakarta periode April 2021–Februari 2025 dari Kaggle, terdiri atas enam atribut prediktor dengan tiga kategori target (Baik, Sedang, Tidak Sehat). Tahapan penelitian meliputi penanganan missing value (median untuk atribut numerik, modus untuk kategorikal), label encoding, serta pembagian data latih (70%) dan uji (30%). Model dibentuk melalui perhitungan entropy dan information gain, dilanjutkan pruning dengan max_depth=5 dan min_samples_split=20. Evaluasi menggunakan Confusion Matrix (Accuracy, Precision, Recall, F1-Score) serta analisis feature importance. Hasil penelitian menunjukkan akurasi model sebesar 97,18% dari 425 data uji, dengan 413 prediksi benar dan 12 salah. PM2.5 menjadi atribut paling dominan dengan gain ratio tertinggi (0,9258), diikuti PM10, SO₂, CO, O₃, dan NO₂. Pruning menyederhanakan pohon dari 39 node berkedalaman 9 menjadi 19 node berkedalaman 5 tanpa menurunkan performa signifikan. Namun, precision kategori Baik masih rendah (0,56) dibandingkan Sedang (0,98) dan Tidak Sehat (1,00) akibat ketidakseimbangan data. Temuan ini menegaskan efektivitas dan interpretabilitas Decision Tree C4.5 dalam mendukung sistem pemantauan dan pengambilan keputusan kualitas udara. Penelitian lanjutan disarankan menggunakan dataset lebih luas, teknik resampling, serta perbandingan dengan Random Forest dan XGBoost.
References
Astriyani, M., Laela, I. N., Lestari, D. P., Anggraeni, L., & Astuti, T. (2022). Analisis Klasifikasi Data Kualitas Udara Dki Jakarta Menggunakan Algoritma C. 45. JuSiTik: Jurnal Sistem Dan Teknologi Informasi Komunikasi, 6(1), 36–41.
Duta Pramudya Ramadhan, & Agung Triayudi. (2025). Jakarta Air Quality Classification Based on Air Pollutant Standard Index Using C4.5 and Naïve Bayes Algorithms. SAGA: Journal of Technology and Information System. DOI: https://doi.org/10.58905/saga.v2i4.395.
Cindy Dinda Sabella, & Yoga Pristyanto. (2024). Evaluation of the Decision Tree Model for Air Condition Classification on the Global Air Pollution Dataset. Journal of Applied Informatics and Computing. DOI: https://doi.org/10.30871/jaic.v8i2.8611.
I Gede Iwan Sudipa, Muhammad Habibi, Ery Setiyawan Jullev Atmadji, & Ika Arfiani. (2024). Predictive Modeling of Air Quality Levels Using Decision Tree Classification: Insights from Environmental and Demographic Factors. Indonesian Journal of Data and Science. DOI: https://doi.org/10.56705/ijodas.v5i3.201.
Az Zahra Dwi Nur Adiya, Amanda Fitria Desvita, Anindya Fidela, Dwi Amelia, & Tri Astuti. (2024). Penerapan Data Mining Untuk Klasifikasi Kualitas Udara di Daerah Istimewa Yogyakarta Menggunakan Algoritma C4.5. Journal of Data Mining and Information Systems. DOI: https://doi.org/10.54259/jdmis.v2i2.2800.
Anisa Putri Arla Vatwa Lubu, Siti Mutiah, Arya Praditya, Nerisa Rahma, & Prizka Rismawati Arum. (2024). Analisis Algoritma Decision Tree dalam Pengklasifikasian Indeks Pencemaran Udara Kota Jakarta dengan Metode CRISP-DM. Fraction: Jurnal Teori dan Terapan Matematika. DOI: https://doi.org/10.33019/fraction.v5i1.87.
Rima Febriyanti, Rofilde Hasudungan, & Taghfirul Azhima Yoga Siswa. (2025). Klasifikasi Kualitas Udara Berbasis IoT dan Algoritma Decision Tree. Jurnal Komputer Multidisipliner. Link: https://com.ojs.co.id/index.php/jkm/article/view/51.
Penelitian Penentuan Model Algoritma Klasifikasi Terbaik untuk Klasifikasi Kualitas Udara di Jakarta 2023. Jurnal Informatika dan Teknik Elektro Terapan. Link: https://journal.eng.unila.ac.id/index.php/jitet/article/view/5664.
Muhammad Fahmi, & I Ketut Gede Suhartana. (2022). Perbandingan Algoritma Decision Tree dan Support Vector Machine dalam Prediksi Kualitas Udara. Jurnal Nasional Teknologi Informasi dan Aplikasnya, 1(1), 21–30. DOI: https://doi.org/10.24843/JNATIA.2022.v01.i01.p03.
Faqih Hamami, & Iqbal Ahmad Dahlan. (2022). Air Quality Classification in Urban Environment Using Machine Learning Approach. IOP Conference Series: Earth and Environmental Science, 986(1), 012004. DOI: https://doi.org/10.1088/1755-1315/986/1/012004.
Ning Eliyati, Mauizzatil Rahmayani, Shohif Wijaya, Des Alwine Zayanti, Endang Sri Kresnawati, & Yulia Resti. (2022). Prediction of Air Quality Index Using Decision Tree with Discretization. Indonesian Journal of Engineering and Science, 3(3), 61–67. DOI: https://doi.org/10.51630/ijes.v3i3.82.
Rizky Fauzi Ramadhani, Sri Suryani Prasetiyowati, & Yuliant Sibaroni. (2022). Performance Analysis of Air Pollution Classification Prediction Map with Decision Tree and ANN. Journal of Computer System and Informatics. DOI: https://doi.org/10.47065/josyc.v3i4.2117.
Yan Yang Thanri, Juli Iriani, Lili Tanti, & Luthfi Zaidi. (2025). Performance Comparison of Decision Tree, KNN, and Naive Bayes for Air Quality Classification. MATRIK: Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer. DOI: https://doi.org/10.30812/matrik.v25i2.5121.
Bryan Valentino Jayadi, Manatap Dolok Lauro, Zyad Rusdi, & Teny Handhayani. (2025). Air Quality Index Classification for Imbalanced Data Using Machine Learning Approach. SISTEMASI. Link: https://sistemasi.ftik.unisi.ac.id/index.php/stmsi/article/view/3503/0.
Manar Ahmed Hamza, & Abu Sarwar Zamani. (2022). Machine Learning-Based Decision Tree J48 with Grey Wolf Optimizer for Environmental Pollution Control. Environmental Technology, 44(13). DOI: https://doi.org/10.1080/09593330.2021.2017491.
