Prediksi Kualitas Udara Menggunakan Xgboost Dengan Synthetic Minority Oversampling Technique (Smote) Berdasarkan Indeks Standar Pencemaran Udara (Ispu)

Abstract

Polusi udara memperburuk situasi di daerah berpenduduk. Kota-kota besar di Indonesia juga menderita polusi udara. Kualitas udara telah berubah secara signifikan sebagai akibat dari peningkatan lalu lintas, konsumsi material kendaraan, pertumbuhan industri, pembakaran lahan, dan pengumpulan sampah. Diperlukan pengukuran dan klasifikasi kualitas udara yang akurat. Hasil klasifikasi yang akurat membantu dalam pembentukan peraturan negara. Untuk mencapai kriteria kualitas udara hidup, kami bermaksud mengelola pemantauan. Dengan menggunakan algoritma XGBoost dan metode synthetic minoritas oversampling (SMOTE) berdasarkan kategori ISPU (Air Pollution Standard Index), penelitian ini bertujuan untuk mengetahui faktor-faktor yang mempengaruhi kualitas udara. Algoritma klasifikasi yang digunakan adalah XGBoost, pendekatan pembelajaran mesin ensembel berdasarkan pohon keputusan dan menggunakan kerangka penguat gradien. Klasifikasi kualitas udara telah diuji dan terbukti bekerja dengan algoritme XGBoost. Dataset yang digunakan dalam penelitian ini adalah survei kualitas udara Kementerian Lingkungan Hidup sepanjang tahun 2017 hingga tahun 2021. Model klasifikasi yang diusulkan dievaluasi dengan metode K-fold cross-validation berulang untuk mendapatkan hasil yang objektif. Hasil penelitian menunjukkan bahwa SMOTE dan XGBoost memiliki kinerja yang lebih baik dalam memprediksi kualitas udara, dengan total skor akurasi SMOTE dan XGBoost sebesar 98,14%, total skor presisi sebesar 78,94%, dan total skor recall sebesar 79%, Skor F1-score adalah 98,14%, dengan nilai AUC-ROC sebesar 99,48%. Seluruh performa metode SMOTE dengan XGBoost yang diusulkan bekerja lebih baik dalam memprediksi polusi udara.

Air Quality Classification Using Extreme Gradient Boosting (XGBOOST) Algorithm

“…This study found that the distribution of air data was unbalanced, causing the random forest classification results to decrease. Research [18] Prediction of air quality using Extreme Gradient Boosting (XGBoost) combined with the SMOTE method based on the Air Pollution Standard Index (ISPU), the dataset used is air quality for the last five years based on the Jakarta Environment Agency using a publication frequency of 1-month measurement with the parameter used being PM10, SO2, CO, O3, NO2, and labels, the dataset experiences a class imbalance. Hence, it uses the SMOTE technique to overcome it, and the accuracy results produced by the confusion matrix model are accuracy, precision, recall, f1-score, and ROC AUC.…”

“…The development of more traditional gradient-boosting methods has resulted in more efficient implementations and more accurate predictions. A variant known as Extreme Gradient Boosting was also introduced to increase the model's performance even more [18],…”