BUANA, DIAZ MARLOW (2026) PERBANDINGAN RANDOM FOREST, SVM DAN XGBOOST DALAM KLASIFIKASI TINGKAT PENCEMARAN UDARA AKIBAT KEBAKARAN HUTAN BERBASIS DATA SENTINEL-5P DI KALIMANTAN. S1 thesis, Universitas Mercu Buana Jakarta.
|
Text (HAL COVER)
01 COVER.pdf Download (994kB) | Preview |
|
![[img]](https://repository.mercubuana.ac.id/style/images/fileicons/text.png) |
Text (BAB I)
02 BAB 1.pdf Restricted to Registered users only Download (113kB) |
|
|
Text (BAB II)
03 BAB 2.pdf Restricted to Registered users only Download (258kB) |
|
|
Text (BAB III)
04 BAB 3.pdf Restricted to Registered users only Download (352kB) |
|
|
Text (BAB IV)
05 BAB 4.pdf Restricted to Registered users only Download (569kB) |
|
|
Text (BAB V)
06 BAB 5.pdf Restricted to Registered users only Download (97kB) |
|
|
Text (DAFTAR PUSTAKA)
07 DAFTAR PUSTAKA.pdf Restricted to Registered users only Download (102kB) |
|
|
Text (LAMPIRAN)
08 LAMPIRAN.pdf Restricted to Registered users only Download (635kB) |
Abstract
This study investigates the classification of air quality levels in Kalimantan using an ISPU‑like air quality index derived from remote sensing data and machine learning algorithms. The dataset consists of spatial grids containing CO and NO₂ concentrations, Aerosol Index (AI) from Sentinel‑5P, hotspot information from forest and land fires, and average rainfall at the regency/city level for the 2023– 2024 period, which are preprocessed through data cleaning, merging, normalization, and the construction of a combined CO–NO₂ pollution index as the basis for four air quality classes (Good, Moderate, Unhealthy, and Very Unhealthy). Classification models are developed using Random Forest, Support Vector Machine (SVM), and XGBoost with a balanced train–test split, and are evaluated using confusion matrix, accuracy, precision, recall, and macro F1‑score, while feature importance analysis is performed to identify the most influential variables for each air quality category. The results show that the combination of CO, NO₂, Aerosol Index, hotspot counts, and rainfall achieves high classification performance, with XGBoost achieving the best overall metrics and highlighting the different characteristics of the three algorithms in handling spatial air quality patterns. These findings are expected to serve as a basis for developing satellite‑based, machine‑learning‑driven air quality monitoring systems to support decision‑making in mitigating the impacts of forest fires and haze in Kalimantan. Keywords: air quality, forest fires, Sentinel‑5P, hotspots, pollution index, rainfall, Random Forest, SVM, XGBoost. Penelitian ini membahas klasifikasi tingkat kualitas udara di Kalimantan dengan pendekatan indeks kualitas udara analog ISPU berbasis data penginderaan jauh dan algoritma pembelajaran mesin. Data yang digunakan berupa grid spasial yang memuat konsentrasi CO, NO₂, indeks aerosol (AI) dari Sentinel‑5P, serta informasi hotspot kebakaran hutan dan curah hujan rata‑rata per kabupaten/kota untuk periode 2023–2024 yang dipra‑proses melalui pembersihan, penggabungan, normalisasi, dan pembentukan indeks pencemaran gabungan CO–NO₂ sebagai dasar empat kelas kualitas udara (Baik, Sedang, Tidak Sehat, dan Sangat Tidak Sehat). Model klasifikasi dikembangkan menggunakan algoritma Random Forest, Support Vector Machine (SVM), dan XGBoost dengan skema pembagian data latih dan uji yang seimbang, kemudian dievaluasi menggunakan confusion matrix, akurasi, precision, recall, dan macro F1‑score, sekaligus dianalisis pentingnya masing‑masing fitur untuk mengidentifikasi variabel yang paling berpengaruh terhadap kategori kualitas udara. Hasil yang diperoleh menunjukkan bahwa kombinasi fitur CO, NO₂, indeks aerosol, hotspot, dan curah hujan mampu menghasilkan performa klasifikasi yang tinggi. Dengan XGBoost sebagai model dengan kinerja terbaik, serta mengonfirmasi perbedaan karakteristik ketiga algoritma dalam menangani pola data spasial kualitas udara. Temuan ini diharapkan dapat menjadi dasar pengembangan sistem pemantauan kualitas udara berbasis data satelit dan pembelajaran mesin sebagai dukungan pengambilan keputusan dalam mitigasi dampak kebakaran hutan dan kabut asap di Kalimantan. Kata kunci: kualitas udara, kebakaran hutan, Sentinel‑5P, hotspot, indeks pencemaran, curah hujan, Random Forest, SVM, XGBoost.
Actions (login required)
 |
View Item |
