Clustering polusi udara berdasarkan factor meteorologi berbasis principal component analysis

Syariefatussholehah, Maimuna, Almais, Agung Teguh Wibowo ORCID: https://orcid.org/0000-0001-7770-1954, Kusumawati, Ririen ORCID: https://orcid.org/0000-0001-6090-7219, Hariyadi, M. Amin ORCID: https://orcid.org/0000-0001-9327-7604, Faisal, Muhammad ORCID: https://orcid.org/0000-0003-4884-7254, Zarkoni, Ahmad and Ulum, Muhammad Mamba'ul (2026) Clustering polusi udara berdasarkan factor meteorologi berbasis principal component analysis. JATI (Jurnal Mahasiswa Teknik Informatika), 10 (03). pp. 5118-5123. ISSN 2598-828X

Preview

Text 28857.pdf - Published Version Available under License Creative Commons Attribution Share Alike. Download (717kB) | Preview

Abstract

Polusi udara di wilayah urban, khususnya Kota Malang, telah mencapai tingkat yang mengkhawatirkan dengan konsentrasi PM2.5 yang sering kali melebihi ambang batas aman WHO. Kompleksitas interaksi antara polutan dan faktor meteorologi lokal menuntut adanya pendekatan analisis yang lebih cerdas dan holistik dibandingkan metode konvensional. Penelitian ini bertujuan untuk mengidentifikasi pola pengelompokan polusi udara di Kota Malang melalui pengembangan model pelabelan otomatis secara unsupervised. Metode yang diimplementasikan adalah integrasi Principal Component Analysis (PCA) dan teknik clustering untuk mereduksi dimensi data meteorologi multidimensi menjadi komponen utama yang esensial. Data historis PM2.5 dan enam variabel cuaca (suhu, kelembapan, curah hujan, penyinaran matahari, dan kecepatan angin) periode 2024 dari stasiun BMKG diproses melalui tahapan normalisasi StandardScaler, ekstraksi nilai eigen, hingga penentuan klaster berdasarkan ambang batas PC1. Hasil penelitian menunjukkan bahwa penggunaan dua komponen utama (PC1 dan PC2) mampu menjelaskan 66,76% variansi data asli dan berhasil membagi kondisi kualitas udara ke dalam dua kategori, yaitu "Kondisi Normal" dan "Kondisi Ekstrem". Validasi menggunakan Silhouette Score sebesar 0,87 menunjukkan bahwa klaster yang terbentuk memiliki kepadatan dan pemisahan yang sangat baik. Model ini terbukti efektif sebagai instrumen pelabelan otomatis untuk mendukung sistem mitigasi risiko kesehatan masyarakat dan kebijakan pengendalian kualitas udara yang lebih terukur.

Item Type:	Journal Article
Keywords:	polusi udara; pm2.5; pca-clustering; unsupervised labeling; meteorologi; kota malang
Subjects:	08 INFORMATION AND COMPUTING SCIENCES > 0801 Artificial Intelligence and Image Processing > 080105 Expert Systems 08 INFORMATION AND COMPUTING SCIENCES > 0801 Artificial Intelligence and Image Processing > 080109 Pattern Recognition and Data Mining 08 INFORMATION AND COMPUTING SCIENCES > 0801 Artificial Intelligence and Image Processing 09 ENGINEERING > 0915 Interdisciplinary Engineering
Divisions:	Graduate Schools > Magister Programme > Graduate School of Informatics Engineering
Depositing User:	Ririen Kusumawati
Date Deposited:	29 Aug 2026 08:19

Downloads

Origin of downloads

Actions (login required)

View Item