Sistem klasifikasi Index Kualitas Udara

menggunakan Deep Neural Network

Nama : Leonardo Michael

NIM : 141402135

PROGRAM STUDI TEKNOLOGI INFORMASI

FA K U LTA S I L M U K O M P U T E R D A N T E K N O L O G I I N F O R M A S I
U N I V E R S I TA S S U M AT E R A U TA R A
 OUTLINE

 LATAR BELAKANG
 RUMUSAN MASALAH
 BATASAN MASALAH
 TUJUAN PENELITIAN
 MANFAAT PENELITIAN
 PENELITIAN TERDAHULU
 ARSITEKTUR UMUM
 LATAR BELAKANG

 Polusi udara, merupakan salah satu masalah utama yang

sering dialami oleh kota-kota besar di negara berkembang.
 Air Quality Index (AQI) merupakan index untuk
menggambarkan kuantitas dari status kualitas udara. AQI
mengukur kualitas udara keseluruhan dengan jarak antara
0 hingga 500.
 AQI dibagi atas 6 level : dari yang paling baik (level 1), baik
(level 2), sedikit berpolusi (level 3), berpolusi sedang (level
4), dan berpolusi berat (level 5) hingga polusi diambang
batas (level 6).
 Tabel berikut adalah level pencemaran menurut AQI

Nilai AQI Level Kesehatan

0 – 50 Paling Baik

51 – 100 Baik

101 – 150 Sedikit Berpolusi

151 – 200 Berpolusi Sedang

201 – 300 Berpolusi Berat

301 – 500 Polusi Diambang Batas

 RUMUSAN MASALAH

Kualitas Udara merupakan faktor penting dalam kesehatan manusia dan

mahluk hidup lainnya.
Seriring berkembangnya industri, kualitas udara menjadi memburuk.
Informasi kualitas udara yang cepat dan tepat dibutuhkan agar
masyarakat dapat mengetahui kapan saja dapat melakukan aktivitas
dengan sehat.
Air Quality Index merupakan suatu pengukuran yang penting dalam
menentukan tingkat kualitas udara berdasarkan beberapa parameter
yaitu : Karbon Dioksida (C02), Nitrogen Dioksida(NO2), Ozon(O3), dan
tingkat Partikulat(PM10 dan PM2.5).
Untuk itu diperlukan sebuah machine Learning yang dapat melakukan
klasifikasi kualitas udara dari beberapa parameter utama polutan secara
cepat dan tepat
 BATASAN MASALAH

 klasifikasi kualitas udara dibagi menjadi 6 level

berdasarkan nilai Air Quality index (AQI)
 Parameter utama yang akan diproses adalah Karbon
Dioksida (C02), Nitrogen Dioksida(NO2), Ozon(O3),
dan tingkat Partikulat(PM10 dan PM2.5).
 TUJUAN PENELITIAN

 Penelitian ini bertujuan untuk dapat mengklasifikasi

kualitas udara dengan menggunakan Deep Neural
Network,sehingga diharapkan dapat menghasilkan
hasil prediksi yang lebih akurat
 MANFAAT PENELITIAN

 Membantu masyarakat untuk mengklasifikasi

kualitas udara
 Memudahkan pengguna melihat kapan saja kualitas
udara bagus
 Menjadi Referensi dalam pembuatan sistem ramalan
udara dan juga sistem rekomendasi saat yang baik
untuk beraktifitas di luar
 PENELITIAN TERDAHULU
No Peneliti Judul Tahun Keterangan
Penelitian

1. Wang Haifeng, Fang Research on the 2009 melakukan klasifikasi dengan

Jun, Gao Chong Assessment for Air
menggunakan Support Vector
Environment Quality
Based on Machine (SVM), dengan hasil
Support Vector bahwa SVM adalah metode
Machine
yang mudah dan akurat untuk
melakukan estimasi dalam
mengambil data.

2. M.G. Cortina-Januchs, So2 Classification 2006 melakukan klasifikasi sulfur

J.M. Barron-Adame, S. For Air Quality dioksida menggunakan Self-
Ledesma, R.A. Matinez- Levels Estimation Organizing Map(SOM) neural
Celorio and A. Vega- Using Artificial network dan menghasilkan data
Corona Intelligent yang mempunyai tingkat error
Techniques kurang dari 1%
3. Christoph Machine Learning and 2017 melakukan penelitian menggunakan
A.Keller, Air Quality Modeling machine learning untuk mendapatkan
Mathew J. hasil yang lebih maksimal daripada model
Evans, J. Nathan yang traditional.
Kutz dan Steven
Pawson

4. Alaa Salemdawod Water and Air Quality 2017 menggunakan ANN untuk mengukur
dan Zafer Aslan in Modern Farms Using kualitas air dan udara menggunakan metode
Neural Network Scaled Conjugate Gradient (SCG) dan
Levenberg-Marquardt(LM) dan berhasil
mendapatkan akurasi 94.4% sampai dengan
99.2%

5. Reza Taqyuddin Klasifikasi Kualitas 2017 Penelitian ini menggunakan model LSTM
Udara Menggunakan untuk memprediksi kualitas udara di smart
Naïve Bayes Classifier city dan mendapatkan akurasi prediksi 98%
pada Sistem
Terdistribusi Raspberry
Pi Cluster Server
ARSITEKTUR UMUM
ARSITEKTUR UMUM