KLASIFIKASI KUALITAS UDARA BERBASIS IOT DAN ALGORITMA DECISION TREE

Abstrak

Kualitas udara merupakan salah satu faktor penting yang berdampak langsung pada kesehatan masyarakat. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi kualitas udara berbasis Internet of Things (IoT) yang terintegrasi dengan algoritma Decision Tree. Sistem ini menggunakan sensor MQ-135, MQ-7, dan GP2Y1010AU0F untuk mengukur parameter pencemar udara seperti PM2.5, PM10, SO₂, dan CO. Data sensor dikirimkan secara real-time melalui mikrokontroler ESP32 dan disimpan untuk keperluan analisis klasifikasi. Dataset pelatihan diambil dari data ISPU DKI Jakarta dan digunakan untuk melatih model klasifikasi kualitas udara ke dalam empat kategori: Baik, Sedang, Tidak Sehat, dan Sangat Tidak Sehat. Model Decision Tree yang dibangun diuji menggunakan dua set data uji dari lingkungan kampus, yaitu data dari kantin dan parkiran UMKT. Hasil klasifikasi menunjukkan performa yang sangat tinggi dengan akurasi mencapai 99%. Visualisasi confusion matrix dan pohon keputusan mengindikasikan bahwa model mampu mengidentifikasi kelas secara akurat, khususnya pada kelas dominan seperti “Sedang”. Namun, kelas dengan jumlah data kecil seperti “Sangat Tidak Sehat” tetap memiliki risiko salah klasifikasi akibat ketidakseimbangan data. Temuan ini menunjukkan bahwa integrasi teknologi IoT dengan algoritma Decision Tree sangat efektif dalam mengklasifikasikan kualitas udara, dan berpotensi digunakan dalam sistem monitoring lingkungan yang praktis dan akurat.

Air quality is one of the key factors directly impacting public health. This study aims to develop an Internet of Things (IoT)-based air quality classification system integrated with a Decision Tree algorithm. The system utilizes MQ-135, MQ-7, and GP2Y1010AU0F sensors to measure air pollutant parameters such as PM2.5, PM10, SO₂, and CO. Sensor data is transmitted in real-time via an ESP32 microcontroller and stored for classification analysis. The training dataset is sourced from Jakarta's ISPU data and used to train the air quality classification model into four categories: Good, Moderate, Unhealthy, and Very Unhealthy. The Decision Tree model was tested using two sets of test data from the campus environment, namely data from the UMKT canteen and parking lot. The classification results showed very high performance with an accuracy of 99%. Visualization of the confusion matrix and decision tree indicated that the model was able to accurately identify classes, especially dominant classes such as “Moderate.” However, classes with small amounts of data, such as “Very Unhealthy,” still have a risk of misclassification due to data imbalance. These findings indicate that the integration of IoT technology with the Decision Tree algorithm is highly effective in classifying air quality and has the potential to be used in practical and accurate environmental monitoring systems.