Perbandingan Klasifikasi Random Forest, Support Vector Machines, dan LGBM Pada Klasifikasi Kualitas Udara di Jakarta

Abstract

Udara bersih merupakan kebutuhan semua makhluk di bumi guna menunjang keberlangsungan hidup. Kualitas udara di Jakarta merupakan isu serius yang perlu mendapat perhatian serius dari pemerintah dan publik. Ada beberapa faktor utama yang menyebabkan polusi udara di Jakarta. Pertama, industri yang semakin berkembang dengan cepat di wilayah metropolitan ini berkontribusi signifikan terhadap emisi gas buang yang mencemari udara. Selain itu, pertambahan jumlah kendaraan bermotor dan mobilitas tinggi juga menyebabkan peningkatan emisi gas buang yang mencemari udara. Kegiatan pembakaran sampah yang tidak teratur dan hujan asam juga turut memperburuk kualitas udara di Jakarta. Penelitian sebelumnya menunjukkan bahwa klasifikasi kualitas udara berdasarkan data Indeks Standar Pencemaran Udara (ISPU) di DKI Jakarta dengan dataset menunjukkan hasil penelitian dari kedua algoritma yang digunakan yakni metode Support Vector Machine memiliki akurasi yang lebih baik dalam melakukan klasifikasi dibandingkan dengan K-Nearest Neighbor dengan nilai akurasi pada SVM sebesar 98% sedangkan KNN sebesar 96%.Pada penelitian  dilakukan Nugroho dan Kawan-kawan didapatkan hasil penelitian dengan dataset data Indeks Standar Pencemaran Udara (ISPU) di DKI Jakarta dengan algoritma Random Forest didapatkan hasil akurasi sebesar 90%. Sehingga sebagai bahan perbandingan serta untuk memilih model terbaik dan meningkatkan akurasi model untuk penelitian-penelitian sebelumnya maka di penelitian ini dilakukan perbandingan algoritma antara SVM, Random Forest, dan LGBM. Hasil percobaan menunjukkan bahwa tingkat akurasi model yang menggunakan random forest memiliki akurasi tertinggi sebesar 98%.