Penerapan Stacking Ensemble Learning untuk Klasifikasi Efek Kesehatan Akibat Pencemaran Udara

Abstract

Pencemaran udara merupakan masalah serius yang berdampak negatif pada kesehatan manusia. Berbagai jenis polutan udara seperti partikel halus, sulfur dioksida, nitrogen oksida, dan ozon dapat menyebabkan gangguan pernapasan, penyakit jantung, kanker paru-paru, dan masalah kesehatan lainnya. Untuk memahami dampak kesehatan pencemaran udara, klasifikasi efek kesehatan akibat pencemaran udara menjadi penting. Metode klasifikasi ini membagi efek kesehatan berdasarkan jenis polutan, dosis, dan waktu paparan. Penelitian ini mengusulkan penerapan metode klasifikasi dengan ensemble learning untuk mengidentifikasi polutan berdampak dan tingkat risiko kesehatannya. Ensemble learning adalah teknik pembelajaran mesin yang menggabungkan beberapa model untuk meningkatkan akurasi prediksi. Stacking ensemble learning merupakan salah satu metode yang digunakan dalam klasifikasi efek kesehatan pencemaran udara dengan mengintegrasikan beberapa model dasar seperti Logistic Regression, Decision Tree, K-Nearest Neighbor, Support Vector Machine, dan Multi-Layer Perceptron. Hasil penelitian menunjukkan bahwa model Stacking memberikan performa tertinggi dengan akurasi sekitar 99,9% pada dataset baik yang seimbang maupun tidak seimbang. Namun, model Decision Tree dan K-Nearest Neighbor juga berhasil memberikan performa yang sangat baik. Waktu pelatihan model menjadi pertimbangan penting, di mana K-Nearest Neighbor dan Decision Tree memiliki waktu yang jauh lebih singkat dibandingkan dengan model Stacking.