PERBANDINGAN KINERJA ALGORITMA KNEAREST NEIGHBOR (KNN) SUPPORT VECTOR MACHINE (SVM) DAN DECISION TREE UNTUK KLASIFIKASI KUALITAS UDARA BERDASARKAN FAKTOR CUACA DI DKI JAKARTA TAHUN 2024

Rahmadyna, Alya Ryana Putri (2026) PERBANDINGAN KINERJA ALGORITMA KNEAREST NEIGHBOR (KNN) SUPPORT VECTOR MACHINE (SVM) DAN DECISION TREE UNTUK KLASIFIKASI KUALITAS UDARA BERDASARKAN FAKTOR CUACA DI DKI JAKARTA TAHUN 2024. Diploma thesis, Universitas Nasional.

	Text COVER.pdf Download (1MB)
	Text BAB I.pdf Download (626kB)
	Text BAB II.pdf Download (729kB)
	Text BAB III.pdf Download (839kB)
	Text BAB IV.pdf Download (1MB)
	Text BAB V.pdf Download (382kB)
	Text LAMPIRAN.pdf Download (635kB)

Abstract

Kualitas udara di DKI Jakarta pada tahun 2024 menunjukkan kondisi yang
fluktuatif sehingga diperlukan pendekatan berbasis data untuk memahami pola
kategorisasinya. Penelitian ini memanfaatkan variabel meteorologis berupa suhu,
kelembapan, dan curah hujan untuk mengelompokkan kondisi udara ke dalam tiga
kategori, yaitu Baik, Sedang, dan Tidak Sehat. Proses klasifikasi dilakukan dengan
membandingkan tiga algoritma pembelajaran mesin, yakni K-Nearest Neighbor
(KNN), Support Vector Machine (SVM), dan Decision Tree. Dataset yang
digunakan dibagi menjadi data latih dan data uji sebelum melalui tahap pemodelan.
Evaluasi performa model dilakukan menggunakan confusion matrix dengan
indikator pengukuran berupa accuracy, precision, recall, dan F1-score. Hasil
pengujian menunjukkan bahwa ketiga algoritma mampu menghasilkan tingkat
akurasi di atas 70%. SVM memperoleh nilai akurasi tertinggi sebesar 83,56%
dengan precision 0,76, recall 0,75, dan F1-score 0,75. Decision Tree mencatat
akurasi 79,45% dengan precision 0,75, recall 0,75, dan F1-score 0,75, sedangkan
KNN menghasilkan akurasi 73,52% dengan precision 0,74, recall 0,74, serta F1score

0,74. Temuan ini mengindikasikan bahwa SVM lebih efektif dalam
memaksimalkan pemisahan kelas berdasarkan karakteristik data yang digunakan.
Namun demikian, Decision Tree menunjukkan kestabilan dalam mendeteksi kelas
minoritas, sementara KNN memberikan performa yang cukup kompetitif meskipun
berada pada peringkat ketiga. Secara keseluruhan, pendekatan machine learning
berbasis faktor cuaca terbukti mampu mendukung proses klasifikasi kualitas udara
secara optimal.

Item Type:	Thesis (Diploma)
Subjects:	Q Science > Q Science (General) Q Science > QA Mathematics
Divisions:	Skripsi > Fakultas Teknologi Komunikasi dan Informatika > Program Studi Teknik Informatika
Depositing User:	Vira Desintha Larasati
Date Deposited:	12 May 2026 02:34
Last Modified:	12 May 2026 02:34
URI:	https://repository.unas.ac.id/id/eprint/15897

Actions (login required)

View Item