Klasifikasi Kualitas Udara Menggunakan PCA Dan KNN

Abstract

Penelitian ini bertujuan untuk membangun model klasifikasi kualitas udara yang akurat dan efisien menggunakan ekstraksi fitur Principal Component Analysis (PCA) dan metode K-Nearest Neighbor (KNN). Kualitas udara menjadi isu penting bagi kesehatan manusia dan lingkungan, sehingga diperlukan sistem klasifikasi yang efektif untuk membantu masyarakat dan pemangku kepentingan dalam mengambil langkah-langkah pencegahan. Metode PCA digunakan untuk mereduksi dimensi data kualitas udara yang berdimensi tinggi tanpa kehilangan informasi penting. Hal ini meningkatkan efisiensi dan akurasi model klasifikasi. Selanjutnya, metode KNN digunakan untuk mengklasifikasikan kualitas udara berdasarkan fitur-fitur yang telah diekstraksi oleh PCA. KNN merupakan algoritma klasifikasi yang sederhana, mudah dipahami, dan adaptif terhadap data yang tidak terdistribusi normal. Penelitian ini menggunakan dataset kualitas udara dari stasiun pemantauan di beberapa wilayah. Data dipre-proses dan dianalisis untuk memastikan kesesuaian dengan metode PCA dan KNN. Model klasifikasi kemudian dievaluasi berdasarkan akurasi dan presisi klasifikasinya. Hasil penelitian menunjukkan bahwa model klasifikasi yang menggunakan kombinasi PCA dan KNN mampu menghasilkan akurasi dan presisi yang tinggi. Berdasarkan pengujian yang telah dilakukan didapatkan hasil akurasi mencapai 98,6% dengan presisi sebesar 87%, recall sebesar 75%, f-measure sebesar 80%. Model ini terbukti efektif dalam mengklasifikasikan kualitas udara dan dapat memberikan informasi yang bermanfaat bagi masyarakat dan pemangku kepentingan terkait.