Makalah Penelitian

“Bencana Pencemaran Udara”

Guru Mata Pelajaran Geografi:

Drs.Rohmadiyono

Disusun Oleh:

Nama: Gabriel Van Hasian M

X-8/13

SMA Negeri 1 Cepu

Tahun Ajaran 2023/2024

 KATA PENGANTAR

Segala puji dan syukur kami panjatkan kehadiran Tuhan Yang Maha Esa, karena atas
berkat dan limpahan rahmatnya penulis dapat menyelesaikan sebuah karya ilmiah untuk
memenuhi tugas mata pelajaran Geografi dengan baik dan tepat waktu. Berikut ini penulis
mempersembahkan tugas Karya Ilmiah yang berjudul “MASALAH PENCEMARAN UDARA
YANG TERJADI DI JAKARTA”. Tugas ini disusun berdasarkan informasi yang ada. Semoga
siapa saja yang membaca dapat mengetahui makna dari isi karya ilmiah ini.
Penulis menyadari bahwa masih banyak terdapat kekurangan dan kesalahan dalam
karya tulis ini. Oleh karena itu, penulis menerima dengan baik saran dan kritik yang diberikan.
Dengan ini saya mempersembahkan karya ilmiah sederhana ini dengan penuh rasa terima kasih
dan semoga Tuhan Yang Maha Esa memberkahi tugas ini sehingga dapat memberikan manfaat.

Cepu,27 November 2023

 DAFTAR ISI

HALAMAN JUDUL……………………………………………………………. i

KATA PENGANTAR…………………………………………………………... ii

DAFTAR ISI……………………………………………………………………. iii

BAB I PENDAHULUAN…………………………………………………… 1

Latar Belakang…………………………………………..1

Rumusan Masalah………………………………………………….1

Tujuan Penelitian……………………………………………...2

Batasan Masalah………………………………………………….2

BAB II LANDASAN TEORI………………………………………………….... 3

Definisi Pencemaran Udara…………………………………………………....3

Akibat Terjadinya Pencemaran Udara………………………………………………………..5

Dampak Negatif Dari Pencemaran Udara………………………………………………………..6

BAB III METODOLOGI PENELITIAN………………………………………….. 7

Metode…………………………………………..8

Ruang Lingkup Penelitian………………………………………………….8

Variabel Penelitian……………………………………………..8.

Teknik Pengumpulan Data………………………………………………….8

BAB IV KESIMPULAN DAN SARAN………………………………………….. 15

Kesimpulan…………………………………………..15

Saran………………………………………………….15

DAFTAR PUSAKA………………………………………………….
 BAB I
PENDAHULUAN
1.1 LatarBelakang

Pencemaranudaramerupakanmasuknyaatautercampurnyasuatuunsur-
unsurberbahayakedalamatmosferyangdapatmengakibatkanterjadinyakerusakanlingkungan
sehingga menurunkan kualitas lingkungan dan dapat membahayakankesehatan manusia.
Terdapat dua jenis sumber pencemaran udara, yang
pertamaadalahpencemaranakibatsumberalamiah(naturalsources)danberasaldarikegiatan
manusia (anthropogenic sources). Pencemaran udara terjadi karena
adanyasumberyangbergerakdansumbertidakbergerak,meliputisektortransportasi,emisipabrikin
dustridandomestik.Faktorlainnyayangsecaratidaklangsungberpengaruhterhadapterjadinyapenc
emaranudaraadalahpertumbuhanpenduduk,lajuurbanisasiyang tinggi, pengembangan tata
ruang yang tidak seimbang danrendahnya
tingkatkesadaranmasyarakatmengenaipencemaranudara.Kualitasudarasangatdipengaruhi
aktivitas yang dilakukan oleh manusia. Menurut laporan dari worldhealth organization
(WHO) tahun 2018 menyebutkan bahwa, terdapat 7 juta orangsetiap harinya di seluruh dunia
meninggal akibat polusi udara, diantaranya 4,2
jutaorangmeninggalkarenapolusiudarayangbersumberdarikegiatanaktivitasmanusia
Permasalahan polusi udara di atas tidak seberapa jika dibandingkan
permasalahansampah plastik yang menjadi latar belakang kedua dalam penelitian ini.
Sampahplastik terus meningkat seiring dengan penggunaan yang masif dari produk-
produkplastik terutama untuk kemasan, dengan alasan yang serbaguna, ringan dan
murah,masyarakatsulituntukmeninggalkanpenggunaanplastik.Akibatnya,sampahplastikmenja
dipermasalahanseriusyangdapatmengancamterhadapkelestarianlingkunganhidup,karenasampa
hplastikyangumumnyatertimbundapatmencemarilingkungan, sebab sampah plastik tidak bisa
terurai secara alami. Salah satuproduk turunan plastik yang paling tinggi penggunaannya
adalah polystyrene
(PS).StyrofoammerupakansalahsatujenisPSyangmenjadipenghasilsampahterbesar,
karenapenggunaannyayangbanyaksebagaikemasanbarangelektronikdanmakanan.
Penanganansampahstyrofoamselamainidilakukandengancarapenggunaanpembakarandan
ditimbundidalamtanah.Metodeinikurangefektifkarenamerupakanmetodekonvensionalyangtida
kramahlingkungan.Metodepenanganansampah styrofoam yang baru telah diperkenalkan oleh
Shin dkk, yaitu dengan caramendaurulangsampahstyrofoammenjadiserat-
serathalusyangdikenaldengannanofibermelaluiteknikelectrospinning.Dengancaraini,sampahst
yrofoammenjadi lebih bernilai dan dapat dimanfaatkan untuk berbagai aplikasi seperti
filterudara,filterminyakdanair.SelanjutnyaRajakdkk,telahmempelajarisecaradetailpembuatann
anofiberdariberbagaijenissampahstyrofoam.Nanoserat(nanofiber) adalah salah satu material
nano yang berbentuk benang-benang
halusberdiameterpuluhannanometerhinggabeberapamikrometer.Nanofibermemiliki beberapa
kelebihan yaitu memiliki rasio luas permukaan terhadap massayang tinggi, morfologi dan
ukuran pori yang dapat dikontrol, sehingga
membuatnyadapatdiaplikasikandalambidangyangluasseperti:energi,filtrasi,obatdanmakananfu
ngsionaldanberbagaiaplikasilainnya.Teknik-
teknikdalamprosespembuatannanofiberdiantaranyaadalahdrawing,templatesynthesis,phasesep
aration, self-assembly dan electrospinning. Namun salah satu teknik
pembuatannanofiberyangpopulersaatiniadalahelectrospinning,karenamampumenghasilkannan
ofiberberkualitas tinggiyangdapat dikontrol.
Dalam bidang filtrasi udara, nanofiber diklaim menjadi material yang sangat
efektifdalammenghalaupolutanyangberukuransangatkecil,karenamemilikistrukturporiyang
berbeda dengan membran pada umumnya. Salah satu permasalahan mediapenyaringan udara
saat ini adalah berkaitan dengan masa pakai filter. Filter udarayang baik memiliki masa pakai
yang panjang. Masa pakai atau umur filter sangatditentukan oleh seberapa besarnya partikel
polusi udara yang ditangkap, sehinggamenyebabkan penyumbatan (clogging) pada filter,
semakin cepat filter mengalamipenyumbatan, maka kinerja filtrasinya semakin menurun
diakibatkan oleh
resistansifilteryangmeningkat.Halinimenjadisalahsatualasanmediafiltersepertimaskeryang
dijual di pasaran bersifat sekali pakai (disposable). Dengan sekali
pakaisepertiitu,sudahpastiakanmenyebabkanpermasalahanbaruterutamapadasampahyang
dihasilkan. Untuk menjawab permasalahan tersebut, penelitian ini mencobamempelajari
metode pembersihan filter serta pengukuran masa pakai media filterudarayangterbuat dari
bahan sampahstyrofoam.
Dalam tugas akhir ini disajikan suatu perancangan uji kualitas dari kinerja
filterdenganmenggunakanbeberapametodedanparameterfisisuntukmenjagakebersihandarifilter
tersebut.Pembersihanfilterudarasangatmempengaruhikinerjadari filter. Sehingga pada
penelitian ini, akan diusulkan dua metode pembersihanyaitu dengan cara aliran balik filter
(back wash) dan pencucian filter menggunakanair. Disamping itu, pengaruh beberapa
parameter electrospinning terhadap masapakaifilterjugaakan dipelajari secaradetail.

1.2 RumusanMasalah
 Berdasarkanlatarbelakangyangtelahdisampaikan,makadalamperumusanmasalahpeneliti
anini adalah sebagai berikut :
a. Bagaimanametodepembersihanfilternanofiberdarisampahstyrofoamsetelahfiltrasi.
b. Bagaimanahasilperbandinganfilterstyrofoamsetelahpembersihan.

c. Bagaimanakinerjafilterudarasetelahdibersihkandarikotoransetelahpembersihan.

1.3 TujuanPenelitian

Adapuntujuandaripenelitianiniadalahsebagaiberikut:

a. Membersihkanfilterdaribahannanofiberdarisampahstyrofoamsetelahpakaidenganmetod
ealiran balik(backwash) danpencucian denganair.
b. Membandingkanmetodepembersihandenganaliranbalik(backwash)dandicucidenganair.
c. Menguji bahwafilteryangsudahdibersihkandarikotoran
kinerjanyakembalisepertisemula.

1.4 BatasanMasalah

Mengingatbegituluasnyacakupanpenelitianyangdapatdilakukan,makabatasanpenelitia
nini sebagai berikut.
a. Bahan materialnanofiberyangdigunakan berasaldari
sampahstyrofoambekaskemasanelektronik.
b. Pelarutyang digunakan untukmelarutkan styrofoamadalahdimethylformamide

(DMF)dand-limonene.

c. Modelpolusiudarauntukpengujianyangdilakukandalampenelitianini adalahberupadebu
batu bata.
d. Teknikpembuatannanofiberyangdigunakanadalah electrospinning.

1.5 SistematikaPenulisan

Penulisantugasakhirinidibuatbeberapabagianuntukmemudahkanpembahasan,yaitu:

BABIPendahuluan
Menguraikansecaraumumtentanghal-
halyangmenyangkutlatarbelakangpenulisan,maksuddantujuan,batasanmasalahpenelitian,da
nsistematikapenulisan.

BABIITinjauan Pustaka
 Merupakanbabuntukmenguraikantentangkajianpustakabaikdaribukuilmiah,maupunsumber-
sumber lainyangmendukungdalampenulisan tugasakhirini.

BABIIIMetodePenelitian
Merupakanbabyangmenguraikantentangobjekpenelitian,variabel,metodepenelitian,metode
pengambilan data, dan analisadata.

BABIVHasilDanPembahasan
Merupakanbabyangmenguraikantentanghasilpenelitiandanpembahasansaridatayangtelah
diperoleh.

BABVKesimpulandanSaran

Merupakanbabyangberisitentanghasilkesimpulandansaranuntukpenelitianselanjutnya.

DaftarPustaka

Merupakansumberreferensiyangdigunakandalampembuatantugasakhir.

Lampiran

Merupakanhasilpengolahandata,gambarpadasaatpenelitiandanpembahasandatapenelitiaN
BAB
IILANDASANTEORI

2.1 PencemaranUdara
Pencemaranudarabersumberdariaktifitasalamdanjugakebanyakandariaktifitasmanusia.Pen
cemaranudaratersebutdapatmempengaruhikeseimbangankualitasudara normal dan
mengakibatkan gangguan terhadap kelangsungan hidup makhlukhidupyang adadi mukabumi
(Ismiyati etal., 2014).

Pencemaranudarasemakinmemburukseiringdengankemajuanteknologi,dimana dengan
kemajuan teknologi sehingga sumber penghasil polusi udara semakinmeningkat. Polusi udara
memberikan kontribusi, untuk sebagian besar kontaminasipada makanan dan air, yang
dikonsumsi dalam beberapa kasus rute utama asupanpolutan (Msy, 2016). Baku mutu udara
ambien merupakan suatu ukuran pada batasatau kadar zat, energi, dan unsur pencemar yang
ditenggang keberadaannya dalamudara ambien(Kurniawati, Nurullita, 2017).
 Sumber bahan pencemar udara menentukan jenis bahan pencemarnya.
Adapunjenisparameterpencemaran udara,yangmana meliputi(Sugiarti,2015):

a NitrogenDioksida(NO2),adalahgasyangbersifatracunyangdapatmenimbulkangangguan
padasistem pernapasanmanusia.
b Sulfur Dioksida (SO2) yang ada di udara dapat menyebabkan iritasi
saluranpernapasandan kenaikan sekresimukosa.

c Karbon Monoksida (CO) menyebabkan keracunan dapat ditandai dari

keadaanringanberupapusing, sakit kepala, danmual.
d PartikulatMatter(PM10),yaitupartikeludaradalamwujudpadatyangberdiameter kurang
dari 10 μm yang biasanya disebut dengan PM10 atau dikenaldenganpartikel debu.
e Ozon (O3), yaitu salah atu pencemar udara yang terus meningkat
konsentrasinya.Ozon pada konsentrasi 0,3 ppm dapat menyebabkan iritasi terhadap
hidung dantenggorokan.

2.2 KualiasUdaraISPU
Kualitas Udara Indeks standar pencemar udara (ISPU) adalah laporan kualitasudara
kepada masyarakat untuk memberikan gambaran kepada masyarakat tentangkondisi udara
atau bagaimana prediksi pencemaran yang akan terjadi. ISPU
jugadigunakansebagaibahanpertimbanganpemerintahpusatdanpemerintahdaerahdalammelaks
anakan pengelolaan dan pengendalian pencemaran udara yang terjadi (Aini etal., 2019).
ISPU terbagi menjadi lima kategori, yaitu baik, sedang, tidak sehat, sangattidaksehat, dan
berbahaya(Aljuaid & Alwabel, 2019).

PerhitungannilaisertapenomoranISPUitusendirimenggunakanmetodeperhitungan yang
telah di tetapkan melalui Keputusan Kepala Badan
PengendalianDampakLingkunganNo.KEP-107/KABAPEDAL/11/1997
(Sianipar,2017),yaitu:

Dimana:
I = ISPU
Ia= ISPUbatasatas
Ib = ISPU batasbawah
Xa=Ambienbatasatas
Xb= Ambien batasbawah
 Xx= Ambienhasilpengukuran
Untuk nilai batas atas dan batas bawah nilai ISPU dapat dilihat pada Tabel 2.1.
Nilai ISPU dihitung untuk semua parameter yang terukur, sehingga diperoleh nilai
ISPUuntukmasing-masingparameterkualitasudara.Nilaiyangdiambilsebagainilai akhir
ISPUuntuk pengukuran kualitasudara yangterjadi adalah salah satu nilai ISPU yang
tertinggi dari hasil perhitungan terhadap semua parameter kualitas udara.
SemakintingginilaiISPUmengindikasikankualitasudarayangburukdanberdampak buruk
bagi kesehatan (Kurniawan, 2018). Dampak buruk dari hal tersebut dapat mengenai
populasi orang sehat (Hermawan et al., 2016).

Tabel 2.1 KualitasUdara ISPU

Nilai ISPU Level Keterangan
Kesehatan
0 – 50 Baik Tingkatkualitasudarayangtidakmemberikan
efekbagikesehatanmanusia atauhewandantidak

51 – 100 Sedang Tingkat kualitas udara yang tidak berpengaruh

pada kesehatan manusia ataupun hewan tetapi
berpengaruhpadatumbuhanyangsensitifdannilai
estetika.
101 - 199 Tidak Sehat Tingkatkualitasudarayangbersifatmerugikan pada
manusia ataupun kelompok hewan yang
sensitifataubisamenimbulkankerusakanpada
tumbuhan ataupun nilai estetika.
200 – 299 SangatTi Tingkat kualitas udara yang dapat merugikan
dak Sehat kesehatanpadasejumlahsegmenpopulasiyang
terpapar.
300 - 500 Berbahaya Tingkat kualitas udara berbahaya yang secara
umumdapatmerugikankesehatanyangserius
pada populasi.

2.3 MachineLearning
Machine Learning adalah bagian dari artificial intelligence yang mengadopsi
prinsip dari ilmu komputer dan statistik untuk membuat model yang merefleksikan
pola-poladata.Modeltersebutdilatihdenganmenggunakanberbagaialgoritmadalam
pendekatan machine learning sehingga bisa melakukan klasifikasi terhadap entitas
 bencana (Handayani et al., 2020).

1. Regression
Datayangadadiberikanrealvalue,numericalataufloatingpoint,agardapatmencoba
mendeteksi harga saham di kemudian hari.

2. Classification(Discrete/Category)
Data yang ada diberikan label atau kategori, agar dapat diambil keputusan
berdasarkan label/ kategori tersebut.

Adapuntahapan-
tahapanyangharusdilakukanpadaprosesmachinelearningyaitu,sebagaiberikut:

1. Halpertamayangharusdisiapkanadalahdata.Padamachinelearning,data biasanya
terdiri dari data training dan data testing.
2. Datatrainingadalahdatauntukmelatihalgoritmauntukmenemukanmodelyang cocok.
3. Datatestingadalahdatauntukmengujidanmenentukankinerjamodelyang diperoleh
pada tahap pengujian.

2.4 Klarisifikasi
Klasifikasi merupakan suatuproses menemukan kumpulan pola atau fungsi yang
mendeskripsikan serta memisahkan kelas data yang satu dengan yang lainnya untuk
menyatakan objek tersebut masuk pada kategori tertentu yang sudah dikategorikan.
Klasifikasiadalahbentukanalisisdatayangmengekstrakmodelyangmenggambarkan kelas
data (Novandya & Oktaria, 2017).
Metode klasifikasi adalah proses untuk menemukan model atau fungsi yang menjelaskan
atau membedakan konsep atau kelas data, dengan tujuan untuk dapat memperkirakan
kelas suatu objek yang labelnya tidak diketahui. Dalam mencapai
tujuantersebut,prosesklasifikasimembentuksuatumodelyangmampumembedakandatakeda
lamkelas-kelasyangberbedaberdasarkanaturanataufungsitertentu.Model itu sendiri bisa
berupa aturan “jika-maka”, berupa pohon keputusan, atau formula matematis (Iriadi &
Nuraeni, 2016).
2.5 DecisionTree
Decisiontreeadalahflowchartsepertipohondimanasetiapnodemenunjukkan
suatutestpadasuatuatribut,tiapbranchmerepresentasikanhasildaritesttersebut,dan leafnode
menunjukkankelas-kelasataudistrubusikelas. Decisiontreeberguna untuk
mengeksplorasidatayangsudahmelewatitahappreprocessingdanmenemukanmodel yang
tersembunyi dari data dengan sebuah target variabel sehingga dapat digunakan untuk
membagi kumpulan data yang besar menjadi himpunan record yang lebih kecil dengan
memperhatikan variabel tujuannya (Zega, 2014). Dapat dilihat pada Gambar 2.3.

Gambar 2.1 Diagram AlirDecisionTree

Decisiontreemerupakansalahsatumetodeuntukmengklasifikasikandata(Romadloniet
al.,2019).Mengunakankonsepdiagramaliryangmiripdenganstrukturpohon, dimana internal
node menotasikan atribut yang diuji, setiap cabang nya merepresentasikan hasil dari
atribut tes tersebut, dan leaf node merepresentasikan kelas- kelas tertentu atau distribusi
kelas-kelas. Hasil dari proses klasifikasi yang berupa aturan-aturan dapat digunakan
untuk memprediksi nilai atribut bertipe diskret dari record yang baru (Elisa, 2017).Pada
umumnya ada beberapa ciri kasus yang cocok untuk diterapkan dengan algoritma ini,
antara lain:

a. Datadinyatakandenganpasanganatributdannilainyamisalnyaatributtemperaturedannilai
nyaadalah dingin.
b. Label/outputdatabiasanyabernilaidiskrit.Outputnyabiasbernilaiyaatautidak, sakit atau
tidak sakit, diterima atau ditolak.
c. Data mempunyai missing value. Misalkan untuk beberapa data, nilai dari suatu
atributnyatidakdiketahui.Makadalam keadaaanini decisiontree masihmampu member
solusi yang baik.
2.6 K-Nearest Neighbor
K-Nearest Neighbor (KNN) adalah kelompok pembelajaran berbasis instans.
Algoritma K-Nearest Neighbor merupakan metode yang berfungsi untuk
mengklasifikasikan objek berdasarkan data pembelajaran yang merupakan jarak terdekat
dengan objek yang diuji (Jadhav & Channe, 2016).

Untuk menentukanjarakantara dua titik yaitutitik pada data latih(x) dantitik pada
data uji(y)digunakanrumus Euclidean,sepertiterlihatpada persamaanberikut:

Dengan d adalah jarak antar titik pada data latih x dan data titik uji y yang akan
diklasifikasikan, dimana x = x1, x2, x3, ....., xi dan y = y1, y2, y3, .... yi dan I
merepresentasikan nilai atribut dan n adalah dimensi atribut. Pada fase pelatihan,
algoritme ini hanya menyimpan vektor fitur dan mengklasifikasikan sampel data
pelatihan. Pada fase ini, fitur yang sama dihitung untuk menguji data yang
diklasifikasikansebagaibelumdiketahuiJarakdarivektorbarukemanasemuavektor sampel
pelatihan dihitung dan jumlah k buah terdekat diambil.

2.7 K-Fold Cross Valdation

K-Fold Cross Validation digunakan untuk menguji pola klasifikasi. Dalam k-fold
cross validation data dibagi menjadi k bagian, D1,D2…Dk, dan masing-masing D
memilikijumlahdatayangsama.Menghitungnilaiakurasinyadapatdilakukandengan
menggunakan persamaan (Wahyuningsih & Utari, 2018):
2.8 Penelitian Terkait

Tabel 2.2 State of the Art

Nama
No Tahun Judul Isi Ringkasan
Pengarang
1 Fiqhri Mulianda 2020 Classification Kualitasudaraharianperludiukurda Hasil penelitian menunjukkan
Putra,Imas Sukaesih ModelOfAir QualityIn n diklasifikasikan secara akurat.
Sitanggang JakartaUsing Hasil klasifikasi yang akurat akan
DecisionTree membantu pemerintah dalam
Algorithm BasedOnAir pengambilan kebijakan.
Pollutant Tujuannya untuk mengendalikan
StandardIndex pencemaran untuk mendapatkan
standar kualitas udara yang dapat
bermanfaat bagi kelangsungan
hidup khususnya di
Jakarta.Parameteryang
mempengaruhi kualitas udara di
Jakarta menggunakan algoritma
C5.0 dan Random Forest
berdasarkan kategori Indeks
Standar Pencemaran Udara
(ISPU). Algoritma klasifikasi
Hasil
bahwa model Random Forest
memberikan akurasi terbaik
dalam prediksi pada dataset
2017 dengan
hasilakurasi99,74%,99,22%,da
n
99,97%dengan1.412datalatihda
n
389datauji.Dibandingkandenga
n model rule-based C5.0 dan
model decision tree dari C5.0.
Model rule-based dari C5.0
memberikan akurasi prediksi
terbaik pada dataset 2018
dengan hasil akurasi
 yangdigunakanadalahC5.0dan
RandomForestyangdikategorikand dengan 1.439 data latih dan
alam model Decision Tree. C5.0
juga menghasilkanmodel
berbasisaturan
2. Krishna Chaitanya 2020 A Comparative Menganalisissampeldataberdasark
Atmakuri, Dr. K V StudyOn Prediction Of an algoritma yang berbeda untuk
Prasad IndianAir QualityIndex memprediksi akurasi tingkat AQI
Using Machine berdasarkan pembacaan NO2,
LearningAlgorithms SO2 dan SPM. Sistem ini
mencoba untuk memprediksi
keakuratan level AQI. Algoritma
Optimized Bayesian Network
dibandingkan dengan algoritma
Decision Tree, Random Forest
98,28%,98,85%,dan97,42%
349 data uji.Dibandingkan
dengan
modeldecisiontreeC5.0danmod
elRandomForest.Variabelterpe
nting untuk mengklasifikasi
kualitas udara adalah Ozone
(O) dan kualitas udara di
Jakarta
didominasiolehkategoriModera
tepada tahun 2017dan 2018.
Hasil penelitian membuktikan
bahwa algoritma Optimized
Bayesian Network berjalan
dengan
akurasiterbaikdenganhasilakura
si99.63. Sementara Naive
Bayes, Decision Tree dan
Random Forest dengan hasil
akurasi 81.95, 99.39 dan 99.
Algoritme ini membantu
 yang berbeda untuk memprediksi memprediksi tingkat AQI
level AQI. Analisis kualitas udara secara akurat, sehingga
berdasarkan kumpulan memungkinkan otoritas
datayangterdiridarikondisiatmosf pemerintah dan Badan
er harian di negara tersebut dan Pengawas Pencemaran untuk
berikan gambaran tentang mengambilkeputusanbijaktenta
algoritme mana ng pengendalian pencemaran di
yangpalingcocokuntukmempredik wilayah yang terkena dampak
sikualitasudaradimasamendatang.
3. SitiNurjanah, Amril 2020 Penerapan Sumber pencemaran udara dapat Hasil klasifikasi menggunakan
Mutoi Siregar, Dwi AlgoritmaK– Nearest disebabkan dari semakin algoritma KNN untuk
Sulistya Neighbor (KNN)Untuk banyaknyakendaraanbermotordan menentukan
Kusumaningrum Klasifikasi Pencemaran pembangunan gedung yang dataISPUpadakotaJakarta.Mak
UdaraDiKota Jakarta tidakmemperhatikan a, dapat ditarik kesimpulan
keseimbangan alam. Di Kota bahwa data latih sebanyak 304
Jakarta Indeks Standar data dan satu data uji dapat
Pencemaran Udara (ISPU) yang menghasilkan kategori
dilakukan oleh Dinas Lingkungan klasifikasi baru untuk
Hidup melalui stasiun pemantau memprediksi kualitas udara
setiap hari selalu mengalami pada bulan berikunya.
perubahan kategori pencemaran Selanjutnya hasil kategori
udara. Data yang adabelum mayoritas k=7 yang ada
 mampu menunjukan bahwa kualitas
memberikaninformasiyangmema udara di bulan berikutnya
dai kepada masyarakat Jakarta. adalah
Sehingga kesadaran masyarakat “SEDANG”danhasilpenelitiani
terhadap ni menghasilkan akurasi
bahayapolusiudarabelummaksima sebesar 95.78%. Hasil
l. Salah satu cara untukmengolah klasifikasi pencemaran udara di
data ISPU harian di kota Jakarta Kota Jakarta, diharapkan dapat
adalah dengan teknik klasifikasi membantu Dinas Lingkungan
data mining menggunakan Hidup Kota Jakarta untuk
algoritma K-Nearest memberikan informasi yang
Neighbor.Sehinggadiharapkandap lebihmemadaikepadamasyaraka
atmembantumemberikaninformas t.
iyangbermanfaatbagimasyarakatd Sehinggamasyarakatdapatmela
an bagi Dinas Lingkungan Hidup. kukantindakanpencegahanterha
dapdampak buruk
pencemaranudaraketikaberaktifi
tasdiluarruangan.
4 DewiSartika, Dana 2017 Perbandingan Salah satu teknik data mining Hasil perbandingan algoritma
Indra Sensue Algoritma Klasifikasi yang sering digunakan yaitu klasifikasi decision tree
NaïveBayes, Nearest teknik klasifikasi. Klasifikasi memiliki tingkat akurasi paling
Neighbordan termasuk tipe supervised tinggi dibandingkan naïve
 DecisionTree learning. Terdapat 5 kategori
PadaStudi Kasus klasifikasi yaitu berbasis statistik,
Pengambilan berbasis jarak, berbasis pohon
Keputusan keputusan, berbasis jaringan
PemilihanPola Pakaian syaraf dan berbasis aturan. Tiap
kategori memiliki banyak
algoritma,
contohalgotimaklsifikasiyangseri
ng digunakan yaitu naïve bayes,
nearest neighbour dan decision
tree. Dari ketiga algoritma
tersebut dilakukan
prosesklasifikasipadastudikasus
pemilihanpolapakaian.
5 YogiekIndra 2018 Perbandingan Dilakukan Perbandingan dua
Kurniawan Algoritma NaïveBayes AlgoritmadalamhalPrecision,reca penerimaan Kartu Indonesia
DanC,45Dalam ll
Klasifikasi DataMining danAccuracydalam4studikasus,ya
itukasuspeneimaan“KartuIndones
iaSehat”, penentuan
pengajuankartukreditdisebuahban
k, penentuan usia kelahiran dan
bayes dan nearest neighbour
yaitu mencapai 75,6%. Mode
pengujian menggunakan
perctage split dan algoritma
decision tree yang digunakan
adalah algoritma J48 dengan
purned yang model pohon
keputusannya memiliki 166
daun dan 225 ukuran pohon.
Hasil kasus penentuan
Sehat, kedua algoritmasama-
samaefektifuntuk
digunakan.Hasilasuspenentuan
pengajuan kredit disebuah
bank, algoritma C.45
memberikan hasil
 penentuan kelayakan calon
anggota kreditpadakoperasi.
Diimplementasikan dalam sebuah
aplikasi yang
menerapkanalgoritma Naïve
Bayes dan C.45. Aplikasi tersebut
telah diuji dengan blackbox
dengan hasil yang valid dan dapat penentuan kelayakan calon
mengimplementasikankedua
algoritma dengan benar
6. DeviYunita 2017 Perbandingan Perbandingan Algoritma K-
AlgoritmaK- Nearest Nearest Neighbor dan Decision
NeighborDan Tree untuk Risiko Kredit
DecisionTree Kepemilikan Mobil Dalam
UntukPenentuan Risiko penelitian analisa kredit ini
Kredit Kepemilikan menggunakanperbandinganAlgoit ketelitianbagiKreditPemilikan
yanglebihbaikdaripadaalgoritm
a Naïve Bayes.Hasil kasus
penentuan usia kelahiran,
algoritma Naïve Bayes
memberikan klasifikasi yang
lebih baik dari pada algoritma
C.45.Sedangkan pada kasus
anggota kredit pada koperasi,
algoritma Naïve
Bayesmemberikannilaiyanglebi
h baik pada precision, tapi
untuk
recalldanaccuracy,algoritmaC.
45memberikanhasilyanglebihba
ik.
Analisa kredit menggunakan
PerbandinganAlgoritma K-
Nearest Neighbor dan Metode
Decison Tree dapat
meningkatkan tingkat
 Mobil maK-nearestneighbor(K- Mobil(KPM)dalammenyeleksi
NN)yangmerupakan penelitian
menggunakan metode dengan
mencari kedekatan antara kriteria
kasus baru dengan kriteria kasus
lama berdasarkan kriteria kasus
yang paling mendekati, dan
menggunakan Metode Decision
treeyangmerupakanmetodeyanga
da pada teknik klasifikasi dalam
data mining. Hasil penelitian
dengan menggunakan aplikasi
Rapid Miner menunjukan bahwa
Algoritma K-
NearestNeighbor(K-
NN)memilikinilaiakurasiyanglebi
hbaik
7 Nurul Aini, Rima 2019 SistemPrediksi Tingkat Salah satu yang mempengaruhi Hasilpengujianakurasi,bahwaad
Ruktiari, M Riyaldi Pencemaran Polusi masifnya pertumbuhan kendaraan a beberapa daerah yang
Pratama, A. Udara dengan di kota Makassar. Untuk itu maka memiliki tingkat pencemaran
FitrahBuana Algoritma Naïve Bayes diperlukan satu sistem yang dapat yang tidak sama dengan lokasi
di Kota Makassar memprediksi tingkat polusi udara pengambilan data sehingga
 di masa yang akan
datang.Klasifikasi dalam data
mining bekerja pada data
historisataudatasejarah.Datahistor
is
disebutdatalatihanatautrainingdat
a.Naïve bayes metode klasifikasi
yang memiliki tingkat akurasi
lebih baik dari metode klasifikasi
lainnya. Sistem ini mampu
mengklasifikasi data polusi
dikota makassar dan berdasarkan
pengujian whitebox dan
pengujian teknologi acceptance
model dimana semua varibel
memenui nilai syarat cornbach
alpha diatas 0.60 dan ada
beberapa faktor
yangmempengaruhitingkatpolusi
beberadabagiandikota Makassar.
8 Kostandina 2017 Machine Learning Polusi udara di Republik
Veljanovska, Angel Algorithmsin Makedonia dianggap sebagai
untuk mengambil
keputusanstatuspolusiuntukKot
a Makassar tidak dapat
merata.HasilpengujianTeknolo
gi
AcceptanceModeldiperolehinstr
ument varibel TAM untuk X1
nilai cornbach alpha sebesar
0.79, X2 sebesar 0.78 dan Y
sebesar 0.81, dimana semua
variable memenuhi syarat yaitu
lebih besar
dari0.60.Sehinggadapatdikatak
an instrument penilaian yang
digunakan reliable.
Algoritmayangpalingakuratuntu
k analisis dan klasifikasi
Dimoski AirQuality masalah serius karena nilai
IndexPrediction terukur dari parameter
kualitasudaraberkali-
kalilipatdiatas nilai batas yang
ditentukan untuk melindungi
kesehatan manusia. Pada tahap
pertama dalam memprediksi
indekskualitasudarauntukmemban berisi3lapisan:masukan,1
tu memperbaiki
keadaan.Mengembangkan tiga
pengklasifikasi berbeda
berdasarkan algoritma yang
berbeda dan menggunakan
kumpulan
datayangdidasarkanpadamodelsit
us web resmi Kementerian
Lingkungan Hidup dan
perencanaan fisik Makedonia.
Dilakukan perbandingan antara
tiga algoritma machine learning,
neural network, k-nearest
neighbor dan decision tree.
hasilnya adalah NN dengan
akurasi maksimum 92,9%,
sedangkan algoritma KNN
memiliki akurasi maksimum
90,5% dan DT algoritma
memiliki akurasi maksimum
81.0%.Algoritma NN
tersembunyidanlapisankeluaran
Lapisan masukan berisi 6
atribut masukan, lapisan
tersembunyi berisi 10 neuron
dan lapisan keluaran berisi 3
kelas.Pada algoritma k-NN
dilakukan beberapa kombinasi
untuk mendapatkan akurasi
tertinggi
dengannilaitetanggaterdekatyan
g berbeda (k). Nilai berada
dalam interval saat k = 1
hingga k = 21. Kesimpulan
bahwa algoritma
 akurasiterbesarbertahanketikak
=8danmemilikimetrikkosinus
9 MadhuriVM, 2020 AirPollution Konsentrasi polutan udara di Hasil prediksi mahine learning
Samyama Gunjal PredictionUsingMachi udara ambien diatur oleh yang diawasi menggunakan
GH, Savitha ne Learning parameter meteorologi seperti algoritma LR, SVM, DT dan
Kamalapurka r Supervised Learning kecepatan angin atmosfer, arah RF adalah 6.01, 3.89, 1.34 dan
Approach angin, kelembaban relatif, dan 0.84. Hasil penelitian
suhu. Teknik sebelumnya seperti menunjukkan
Probabilitas, Statistik, dll. bahwaprediksiAQIyangdiperol
Dengankebutuhanuntuk eh melalui RF cukup
memprediksi kelembaban menjanjikan yang dianalisis
relatifudara dengan hasil
mempertimbangkanberbagaiparam
eter seperti CO, Tin oksida,
hidrokarbon non logam, Benzene,
Titanium, NO, Tungsten, Indium
oksida, Temperatur dll,
pendekatan menggunakan Linear
Regression
(LR),SupportVectorMachine(SVM
), Decision Tree (DT),
RandomForest Method (RF) untuk
 memprediksi kelembaban relatif
udara dan menggunakan
RootMean Square
Erroruntukmemprediksikeakuratan
nya.
10. Adhika Novandya, 2017 Penerapan Algoritma Laporan cuaca secara umum Akurasi dari algoritma
Isni Oktria KlasifikasiDataMining sering disebut prakiraan cuaca klasifikasi C4.5 menghasilkan
C4.5PadaDatasetCuaca adalah pemanfaatan ilmu nilai sebesar 88.89% yang telah
WilayahBekasi pengetahuan dan teknologi untuk dibuktikan melalui program
memperkirakan atmosfer bumi yang dibuat. Pengembangan
pada saat akan datang ke suatu pekerjaan yang akan
tempat tertentu. Data yang datangdapat
digunakan untuk penelitian yang mempertimbangkan tidak
diperoleh dari cuaca dunia online, hanya nilai accuracy dan kappa
adalahsitusyangmenyediakandata dari
daninformasikondisicuacasetiaph algoritmatersebut,tetapimemper
ari. Data yang digunakan hatikannilaiAUCyang
memiliki interval waktu setiap dihasilkan..
tiga jam mulai
dari12Agustus2016pukul01.00
sampaidengan20Agustus2016pukul
22.00. Penelitian bertujuanuntuk
 mendapatkan klasifikasi pola
cuaca
denganklasifikasialgoritmadatamin
ingyaitualgoritmac4.5.
11. M 2018 Comparative Data Mining adalah metode yang
Mohanapriy, studybetween sangatbermanfaatuntukmenganali
MrsJLekha decisiontree sis data penting. Banyak Peneliti
andknnofdata dan organisasi menggunakan data
miningclassification mining
technique untukmengekstrakpengetahuanya
ng
bergunamengenaikebutuhanmere
ka. Penambangan data memiliki
banyak teknik. Misalnya,
Klasifikasi, Clustering, Regresi,
Association, Summarization,
Time-series dll. Setiap teknik
memiliki beberapa algoritma
seperti klasifikasi
memilikipohonkeputusan,NaïveB
ayes,
NeuralNetworksdansebagainyada
Klasifikasi Decision tree dan
algoritma KNN. Dari topik
terakhir, berikut dibahas
perbandinganantaraDTdanKN
N. Ini menunjukkan bahwa
algoritma DT merupakan
algoritma yang lebih mudah
jika dibandingkan
denganKNNdanjugalebihakurat
. DT digunakan untuk
mempartisi
datauntukmendapatkanhasilyan
g akurat, tetapi di KNN
digunakan untuk menemukan
nilai yang sama
daridatatersebut.Masing-
masing
Danalgoritmememilikikelebiha
 nClustering memiliki K-means
dan
seterusnya.Studiperbandinganant
ara Algoritma Pohon Keputusan
dan AlgoritmaK-NearestNeighbor
Algorithmof Classification.
12 Firman tempola, 2018 Perbandingan Menentukan status gunung
Miftah Muhammad, Klasifikasi berapi, pusat vulkanologi dan
Amal Khairan AntaraKNNDanNaïve mitigasi bencana geologi yang
BayesPada Penentuan dilakukan dengan pengamatan
StatusGunungBerapiD visual dan faktor kegempaan.
engan KFoldCross Dalam klasifikasi aktivitas
Validation gunung berapi ada 5 kriteria yang
digunakan, yaitu empat faktor
kegempaan(gempavulkanikdangk
al, gempa tektonikjauh,gempa
vulkanik dalam, gempa
hembusan) dan satu status
sebelumnya.Diklasifikasikan
menggunakan metode K-NN dan
Naïve Bayes. Kemudian
divalidasi menggunakanK-
n dan kekurangannya sendiri
dan tidak pernah semua
algoritmememenuhisemuakrite
ria dan persyaratan.
Hasil penelitian yang dibagi
kedalam 3 fold diperoleh
perbandingan akurasi system
dengan rata-rata metode K-NN
63,68% dengan standar deviasi
7,47%.Sedangkanrata-
ratametode Naïve Bayes
79,71% dengan standar deviasi
3,55%. Dari perbandingan
klasifikasi menggunakan
metode KNN dan Naïve Bayes
disimpulkan penggunaan jarak
Naïve Bayes lebih dekat
dibandingkan K-NN.
FoldCrossValidation.
 2.8 Matriks Penelitian

Tabel 2.3 Tabel Matriks Penelitian

RuangLingkup
Algoritma/Metode Tujuan Objek
No. Penulis/ Judul Pola
Naïve Decision Klasifikasi Prediksi Lain-nya
Tahun KNN ISPU AQI Pakaian
Bayes Tree
1. Classification
(Putra Model Of Air
&Sitanggan Quality In
g, 2020) Jakarta Using
- - √ - - √ - - -
Decision Tree
AlgorithmBase
d OnAir
Pollutant
Standard Index
2. AComparati
(Atmakuri ve Study On
&Prasad, Prediction
2020) Of Indian
√ - √ - √ - √ - -
Air Quality
Index
UsingMachi
ne
Learnin
g
Algorit
hms
3. (Nurjanahet Penerapan
al.,2020) Algoritma K –
NearestNeighb
or (KNN)
- √ - √ - √ - - -
Untuk
Klasifikasi
Pencemaran
UdaraDiKota
Jakarta
4. Perbandingan
Algoritma
KlasifikasiNaïve
(Sartika & Bayes, Nearest
Indra,2017) Neighbor dan
Decision Tree
√ √ √ √ - - - √ -
PadaStudiKasus
Pengambilan
Keputusan
Pemilihan Pola
Pakaian
5. (Zulfia,2021) Implementasi
Algoritma
Decision Tree
Dan K-Nearest
- √ √ √ - √ - - -
Neighbor Pada
KlasifikasiIndeks
StandarPencemar
Udara (ISPU)
 BAB III METODOLOGIPENELITIAN

Metodologi penelitian adalah sistematika keseluruhan tahapan yang akandi

laksanakan selama penelitian. Rencana penelitian harus logis, diikuti oleh unsur-
unsur yang urut, konsisten dan operasional, menyangkut bagaimana penelitian
tersebut akan dijalankan. Metodologi penelitian bertujuan agar selama
pelaksanaan penelitian hasil yang didapat tidak menyimpang dari tujuan semula.
Langkah-langkah dari metodologi penelitian yaitu sebagai berikut :

Analisa
AnalisaKebutuhan Data
PengumpulanData AnalisaTahapan Data
Perumusan DataSekunder Mining:
Masalah StudiPustaka/ Selection
Literature Cleaning
-Transformation
-DataMining

Kesimpulandan Saran Pengujian

-Prosedur RapidMiner
-Evaluation
-KesimpulanPengujian

Gambar3.1Tahapanmetodologipenelitian

PerumusanMasalah
Perumusan masalah merupakan tahapan awal dalam sebuah penelitian. Pada
tahapaniniakanditentukantopikpermasalahanapa yangakanditelitidengancara
mempelajari terlebih dahulu permasalahan tersebut agar dapat memahami
sehingga diperoleh solusi dari permasalahan yang ada. Perumusan masalah pada
penelitian ini adalah bagaimana menentukan cluster dari data polutan udara yang
sangat banyak menggunakan metodeK-means clustering.
 PengumpulanData
Pengumpulan data adalah tahap kedua dari metodologi penelitian dimana
peneliti mencari data-data dan informasi yang berhubungan dengan topik
permasalahan yang telah ditentukan. Proses pengumpulan data dilakukan dengan
cara mencari berbagai macam referensi dan informasi yang berkaitan dengan
penelitian atau mendukung teori-teori mengenai penelitian yang didapatkan dari
jurnal, buku-buku maupun artikel.

Data Sekunder
Data sekunder adalah data yang didapatkan dari Badan Lingkungan Hidup
(BLH) berupa data polutan udara kota Pekanbaru yaitu PM10, SO2, CO, O3, NO2,
dan NO dari tahun 2009 - 2015 yang nantinya akan di teliti.

StudiPustaka/Literature
Studi pustaka / literature adalah mencari referensi atau informasi yang
berhubungan dengan polutan udara dan dampaknya bagi lingkungan di sekitarnya
serta metode tentang cluster khususnya K-means clustering.

Analisa
Setelah berbagai macam data serta informasi yang berhubungan dengan
penelitian didapatkan maka tahap selanjutnya yaitu menganalisa permasalahan.
Pada tahapan analisa ini merupakan tahapan dimana peneliti mendalami serta
menganalisa permasalahan yang terjadi sebelum mengambil tindakan ataupun
keputusan.

AnalisaKebutuhanData
Data yang digunakan dalam penelitian ini merupakan data polutan udara
dalam jangka waktu tertentu yang di dapat dari BLH Kota Pekanbaru. Data
tersebut akan diproses sehingga diharapkan dapat menunjukkan pola suatukualitas
udara pada waktu-waktu tertentu sehingga dapat dijadikan sebagai informasi baru
sebagai upaya untuk mewaspadai serta mencegah efek negatifyang ditimbulkan
oleh polusi udara yang membahayakan kesehatan masyarakat.

III-2
 AnalisaTahapanDataMining
Pada tahapan ini akan menjelaskan tentang langkah-langkah bagaimana
mencari kelompok cluster dari sejumlah data polutan udara dengan menggunakan
metode K-means clustering. Adapun penjelasan dari langkah-langkah yang akandi
lalui yaitu sebagai berikut :
a. Selection
Tahapan ini adalah tahapan dimana memilih atribut apa saja yang akan
digunakan selama penelitian berlangsung dari sejumlah data yang ada.Atribut
yang dipilih haruslah yang memiliki hubungan dengan atribut lainnya
sehingga akan didapatkan suatu kesimpulan yang menyatakan suatu cluster
tertentu.
b. Cleaning
Tahapan kedua yaitu tahapan cleaning dimana pada tahapan ini dilakukan
permbersihan / cleaning terhadap data-data yang akan di proses dimana data
yang akan dibersihkan adalah data-data yang terdapat cacat seperti duplikasi
data atau data yang kurang lengkap dan terdapat missing value.
c. Transformation
Data yang telah melalui proses cleaning ditransformasikan dan disimpan ke
dalam bentuk yang bisa diterapkan pada tools yang akan digunakan nantinya.
d. DataMining
Data mining adalah proses mencari pola atau informasi baru yang menarikdan
bermanfaat dalam kumpulan data terpilih yang sangat banyak dengan
menggunakan teknik atau metode tertentu.

Pengujian
Tahapan ini dilakukan setelah hasil dari analisa didapatkan. Pada tahapan
ini akan menjelaskan bagaimana prosedur kerja dari tools yang digunakan, dan
pengujian pada tools pembantu tersebut yaitu Rapidminer 5.3.

ProsedurRapidminer
Pada tahapanini akan dijelaskan mengenai prosedur kerja atau langkah
langkahdalampenggunaanRapidminerdariprosespenginputandatayangakan

III-3
digunakanhinggaproses cluster datadengan menggunakan algoritma dari metode K-
means clustering. Sehingga pada tahapan ini akan didapatkan hasil berupa cluster yang
akan dievaluasi pada tahapan selanjutnya.

Evaluation
Pada tahapan ini dilakukan evaluasi untuk menentukan hasil cluster yang
didapatkan apakah merupakan sebuah cluster yang baik atau belum menurut metode
evaluasi Davies Bouldin Index yang sudah tersedia pada aplikasi pendukung Rapidminer.

KesimpulanPengujian
Tahapan ini akan menjelaskan kesimpulan dari beberapa kali percobaan
yangakandilakukanmenggunakanberbagaiteknikpengolahandata yangberbeda untuk
mencari hasil yang lebih optimal.

KesimpulandanSaran
Pada tahapan ini berisi tentang kesimpulan dari hasil penelitian yangtelah
dilakukan dalam mencari kelompok cluster data polutan udara dengan
menggunakanmetodeK-meansclusteringuntukdapatmenemukaninformasibaru yang dapat
digunakan untuk mewaspadai serta mencegah terjadinya hal negatif akibat pencemaran
udara terhadap kesehatan manusia. Pada tahapan ini juga berisikan saran oleh penulis
yang disampaikan kepada pembaca terkait untukdapat melakukan pengembangan lebih
lanjut terhadap penelitian ini kedepannya.