PENERAPAN ALGORITMA K – NEAREST NEIGHBOR (KNN) UNTUK KLASIFIKASI PENCEMARAN UDARA DI KOTA JAKARTA
Abstract
Pencemaran Udara adalah masuknya atau dimasuknanya zat,energy atau komponen lain ke dalam udara ambien
oleh kegiatan manusia. Sehingga mutu udara ambien turun sampai ketingkat tertentu yang menyebabkan udara
ambien tidak dapat memenuhi fungsinya. Kondisi udara yang buruk juga dapat mengganggu aktifitas manusia.
Dampak pencemaran udara dapat menyebabkan gangguan pernapasan dan bahkan kematian. Sumber pencemaran
udara dapat disebabkan dari semakin banyaknya kendaraan bermotor dan pembangunan gedung yang tidak
memperhatikan keseimbangan alam. Di Kota Jakarta Indeks Standar Pencemaran Udara (ISPU) yang dilakukan
oleh Dinas Lingkungan Hidup melalui stasiun pemantau setiap hari selalu mengalami perubahan kategori
pencemaran udara. Data yang ada belum mampu memberikan informasi yang memadai kepada masyarakat Jakarta.
Sehingga kesadaran masyarakatterhadap bahaya polusiudara belum maksimal.Salah satu cara untukmengolah data
ISPU harian dikota Jakarta adalah dengan teknik klasifikasi data mining menggunakan algoritma K-Nearest
Neighbor (KNN). Sehingga diharapkan dapat membantu memberikan informasi yang bermanfaat bagi masyarakat
dan bagi Dinas Lingkungan Hidup. Berdasarkan hasil perhitungan klasifikasi kategori pencemaran udara dengan
algoritma K-Nearest Neighbor (KNN) di Kota Jakarta dengan data training sebanyak 304 dan satu data uji(testing)
diperoleh nilai akurasi sebanyak 95.78% dengan menentukan K=7.
References
Berbasis Protokol Zigbee Dengan Sensor Co’, 8(April), pp. 17–22.
[2] Menteri Kesehatan Republik Indonesia (2002) ‘Keputusan Menteri Kesehatan Republik
Indonesia’, Kementerian Kesehatan Republik Indonesia NOMOR 1407, pp. 1–13. doi:
10.1037/teo0000081.
[3] Green Peace. (2017). Kualitas Udara yang Buruk di Jabodetabek: Dampak Kesehatan dan
Pentingnya Pemantauan Kualitas Udara yang Memadai.
[4] Website Kementrian Lingkungan hidup,2018[onlie] (https://lingkunganhidup.jakarta.go.id/)
[5] Dzikrulloh, N. N. and Setiawan, B. D. (2017) ‘Penerapan Metode K – Nearest Neighbor (
KNN ) dan Metode Weighted Product ( WP ) Dalam Penerimaan Calon Guru Dan Karyawan
Tata Usaha Baru Berwawasan Teknologi ( Studi Kasus : Sekolah Menengah Kejuruan
Muhammadiyah 2 Kediri )’, Pengembangan Teknologi Informasi dan Ilmu Komputer, 1(5),
pp. 378–385.
[6] Aditya, M ., Hidayat N., R.,and Supianto,A,A. (2014) ‘Komparasi Metode Data mining KNearest Neighbor Dengan Naïve Bayes Untuk Klasifikasi Kualitas Air Bersih,”
[7] Mustakim and Oktaviani F, G. (2016) ‘Algoritma K-Nearest Neighbor Classification Sebagai
Sistem Prediksi Predikat Prestasi Mahasiswa’, 13(2), pp. 195–202.
[8] A.Siregar and A.Paspabhuana,Pengolahan Data menjadi Informasi dengan
Rapidminer,Surakarta,2017
[9] Aribowo, A. S. (2013) ‘Metode Data mining Untuk Klasifikasi Kesetiaan Pelanggan Terhadap
Merek Produk’, pp. 2–4.salah
[10] Wafiyah, F., Hidayat, N. and Perdana, R. S. (2017) ‘Implementasi Algoritma Modified KNearest Neighbor ( MKNN ) untuk Klasifikasi Penyakit Demam’, Jurnal Pengembangan
Teknologi Informasi dan Ilmu Komputer, 1(10), pp. 1210–1219.
[11] Wafiyah, F., Hidayat, N. and Perdana, R. S. (2017) ‘Implementasi Algoritma Modified KNearest Neighbor ( MKNN ) untuk Klasifikasi Penyakit Demam’, Jurnal Pengembangan
Teknologi Informasi dan Ilmu Komputer, 1(10), pp. 1210–1219.
[12] M. S. Mustafa and I. W. Simpen, 2014 “Perancangan Aplikasi Prediksi Kelulusan Tepat
Waktu Bagi Mahasiswa Baru Dengan Teknik Data mining ( Studi Kasus : Data Akademik
Mahasiswa STMIK Dipanegara Makassar ),” Citec J., vol. Vol. 1, No, pp. 270–281,.
[13] Data mining Tools Rapidminer [online] (https://www.softovator.com/eksplorasi-data-miningmenggunakan-rapidminer/
