Analisis dan Prediksi Indeks Kualitas Udara Jakarta: Penerapan Algoritma XGBoost

Penulis

  • Evandha Mustika Sari Program Studi D-IV Statistika, Politeknik Statistika STIS
  • Cahya Sabila Program Studi D-IV Statistika, Politeknik Statistika STIS
  • Rifqi Fakhrizal Adam Program Studi D-IV Statistika, Politeknik Statistika STIS
  • Robert Kurniawan Program Studi D-IV Komputasi Statistika, Politeknik Statistika STIS

DOI:

https://doi.org/10.25077/TEKNOSI.v11i2.2025.161-169

Kata Kunci:

XGBoost, Prediksi, Data Mining, polusi udara Jakarta

Abstrak

Polusi udara merupakan masalah serius yang berdampak pada kesehatan dan kualitas hidup masyarakat di kota metropolitan seperti Jakarta. Untuk mengatasi tantangan ini, diperlukan metode prediksi kualitas udara yang akurat dan andal. Extreme Gradient Boosting (XGBoost) adalah algoritma machine learning yang unggul dalam menangani data non-linear dan kompleks, sehingga cocok digunakan untuk memodelkan kualitas udara. Penelitian ini bertujuan mengembangkan model prediksi kualitas udara di Jakarta menggunakan XGBoost dengan memanfaatkan data polutan pembangun Indeks Kualitas Udara (AQI) yang diperoleh melalui proses data mining menggunakan Earth Engine Code Editor. Evaluasi model dilakukan menggunakan metrik RMSE, MAE, R2, dan RSE menunjukkan bahwa XGBoost memberikan performa prediksi yang sangat baik. Analisis feature importance mengidentifikasi bahwa SO2, PM2.5 dan PM10 sebagai faktor utama yang mempengaruhi kualitas udara di Jakarta. Hasil penelitian ini diharapkan dapat mendukung pemerintah dalam pengambilan kebijakan mitigasi polusi udara dan pengembangan sistem peringatan dini yang efektif untuk meningkatkan kualitas hidup masyarakat.

Referensi

N. Sunusi, A. A. Sikib dan S. Pasari, “A novel hybrid CLARA and fuzzy time series Markov chain model for predicting air pollution in Jakarta,” MethodsX, vol. 14, 2025.

Z. Guo, X. Jing, Y. Ling, Y. Yang dan N. Jing, “Optimized air quality management based on air quality index prediction and air pollutants identification in representative cities in China,” Scientific Reports, vol. 14, 2024.

“Kota paling berpolusi di dunia,” IQAir, 2024. [Online]. Available: https://www.iqair.com/id/world-most-polluted-cities?continent=59af92b13e70001c1bd78e53. [Diakses 24 Maret 2025].

“Kebijakan Komprehensif Atasi Polusi Udara Jakarta,” Pemprov DKI Jakarta, 6 November 2023. [Online]. Available: https://www.jakarta.go.id/page/kebijakan-komprehensif-atasi-polusi-udara-jakarta. [Diakses 24 Maret 2025].

W. Gao, T. Xiao, L. Zou, H. Li dan S. Gu, “Analysis and Prediction of Atmospheric Environmental Quality Based on the Autoregressive Integrated Moving Average Model (ARIMA Model) in Hunan Province, China,” Sustainability (Switzerland), vol. 16, 2024.

J. Yang, Y. Tian dan C. Wu, “Air Quality Prediction and Ranking Assessment Based on Bootstrap-XGBoost Algorithm and Ordinal Classification Models,” Atmosphere, vol. 15, 2024.

S. Qian, T. Peng, Z. Tao, X. Li dan M. , “An evolutionary deep learning model based on XGBoost feature selection and Gaussian data augmentation for AQI prediction,” Process Safety and Environmental Protection, vol. 191, pp. 836-851, 2024.

A. Vatresia, R. Nafila, W. Agwil dan F. P. Utama, “Forecasting air quality index data with autoregressive integrated moving average models,” EQA, 2025.

T. Liu dan S. You, “Analysis and Forecast of Beijing’s Air Quality Index Based on ARIMA Model and Neural Network Model,” Atmosphere, vol. 13, 2022.

Z. Alfasanah, M. Z. H. Niam dan S. Wardia, “Monitoring air quality index with EWMA and individual charts using XGBoost and SVR residuals,” MethodsX, vol. 14, 2025.

T. Chen dan C. Guestrin, “Xgboost: A scalable tree boosting system,” Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 785-794, 2016.

X. Guo, Z. Zhang, Z. Cai, L. Wang, Z. Gu, Y. Xu dan J. Zhao, “Analysis of the Spatial–Temporal Distribution Characteristics of NO2 and Their Influencing Factors in the Yangtze River Delta Based on Sentinel-5P Satellite Data,” Atmosphere, vol. 13, 2022.

B. Pardamean, R. Rahutomo, T. W. Cenggoro, A. Budiarto dan A. S. Perbangsa, “The Impact of Large-Scale Social Restriction Phases on the Air Quality Index in Jakarta,” Atmosphere, vol. 12, 2021.

Almaliki, A. H, A. Derdour dan E, “Air Quality Index (AQI) Prediction in Holy Makkah Based on Machine Learning Methods,” Sustainability, vol. 15, no. 17, 2023.

D. Q. Duong, Q. M. Le, T.-L. Nguyen-Tai, D. Bo, D. Nguyen, M.-S. Dao dan B. T. Nguyen, “Multi-source machine learning for AQI estimation,” IEEE International Conference on Big Data (Big Data), 2020.

J. M. Kuhn dan K. , Applied Predictive Modeling, New York: Springer, 2013.

A. Jierula, S. Wang, T.-M. OH dan P. Wang, “Study on Accuracy Metrics for Evaluating the Predictions of Damage Locations in Deep Piles Using Artificial Neural Networks with Acoustic Emission Data,” Applied Sciences, vol. 11, no. 5, 2021.

K. Li, “Informativeness of Performance Measures: Coefficients or R-Squareds?,” Risk and Financial Management, vol. 17, no. 11, 2024.

Z. Wang, X. Wu dan Y. Wu, “A spatiotemporal XGBoost model for PM2.5 concentration prediction and its application in Shanghai.,” Heliyon, vol. 9, 2023.

J. Ma, Z. Yu, Y. Qu, J. Xu dan Y. Cao, “Application of the XGBoost Machine Learning Method in PM2.5 Prediction: A Case Study of Shanghai,” Aerosol Air Qual, vol. 20, pp. 128-138, 2020.

M. Z. Joharestani, C. Cao, X. Ni, B. Bashir dan S. Talebiesfandarani, “PM2.5 Prediction Based on Random Forest, XGBoost,,” Atmosphere, vol. 10, no. 3, 2019.

S. A. Meo, M. A. Salih, J. M. Alkhalifah, A. H. Alsomali dan A. A. Almushawah, “Environmental pollutants particulate matter (PM2.5, PM10), Carbon Monoxide (CO), Nitrogen dioxide (NO2), Sulfur dioxide (SO2), and Ozone (O3) impact on lung functions,” Journal of King Saud University - Science, vol. 36, no. 7, 2024.

Unduhan

Telah diserahkan

14-07-2025

Diterima

02-09-2025

Diterbitkan

06-09-2025

Cara Mengutip

[1]
E. Mustika Sari, C. Sabila, R. Fakhrizal Adam, dan R. Kurniawan, “Analisis dan Prediksi Indeks Kualitas Udara Jakarta: Penerapan Algoritma XGBoost”, TEKNOSI, vol. 11, no. 2, hlm. 161–169, Sep 2025.

Terbitan

Bagian

Articles

Artikel Serupa

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 > >> 

Anda juga bisa Mulai pencarian similarity tingkat lanjut untuk artikel ini.