Repository

Pencemaran udara di Kota Jakarta merupakan masalah lingkungan krusial yang berdampak langsung pada kesehatan masyarakat, terutama dengan tingginya nilai Air Quality Index (AQI) yang sering masuk kategori tidak sehat. Penelitian ini bertujuan untuk membangun dan membandingkan performa model prediksi AQI Kota Jakarta menggunakan algoritma Decision Tree dan pendekatan Ensemble Learning berbasis aplikasi RapidMiner. Penelitian ini menggunakan data sekunder dari platform Kaggle yang mencakup periode tahun 2010 hingga 2025 dengan parameter polutan PM10, PM2.5, CO, NO?, SO?, dan O?. Metode yang digunakan adalah eksperimen komparatif dengan teknik pemisahan data latih (70%) dan data uji (30%). Hasil penelitian menunjukkan bahwa model Ensemble Learning (menggunakan teknik Stacking dengan base-learners Decision Tree dan Naive Bayes, serta meta-learner Random Forest) memiliki performa yang lebih unggul dibandingkan model Decision Tree tunggal. Akurasi yang dicapai oleh model Ensemble Learning adalah sebesar 96,61%, sedikit lebih tinggi dibandingkan model Decision Tree yang mencapai 96,46%. Teknik ensemble terbukti memberikan stabilitas dan presisi yang lebih baik dalam mengenali kategori kualitas udara serta mampu meminimalisir risiko overfitting pada dataset polusi udara Jakarta yang kompleks. Penelitian ini menyimpulkan bahwa penerapan Ensemble Learning sangat ideal untuk sistem prediksi kualitas udara yang akurat guna mendukung kebijakan pengendalian pencemaran udara.


Kata Kunci: Air Quality Index (AQI), Decision Tree, Ensemble Learning, RapidMiner, Jakarta, Polusi Udara.