JITEL (Jurnal Ilmiah Telekomunikasi.
Elektronika, dan Listrik Tenag.
Vol.
No.
Maret 2026, pp.
DOI: https://doi.
org/10.
35313/jitel.
p-ISSN: 2774-7972 e-ISSN: 2775-6696 Sistem deteksi dan klasifikasi polusi udara terhadap penderita asma menggunakan metode Nayve Bayes Lindini Afira1*.
Rahmi Hidayati2.
Kartika Sari3
1,2,3
Jurusan Rekayasa Sistem Komputer.
Fakultas MIPA.
Universitas Tanjungpura Jalan Prof.
Dr.
Hadari Nawawi.
Pontianak.
Kalimantan Barat.
Indonesia h1051201008@student.
id, 2rahmihidayati@siskom.
id, 3kartika.
sari@siskom.
ABSTRAK
Polusi udara memiliki dampak signifikan terhadap kesehatan manusia, khususnya sistem pernapasan, dan dapat memicu penyakit asma.
Penelitian ini bertujuan untuk mengembangkan sistem deteksi dan klasifikasi kualitas udara berbasis Internet of Things (IoT) menggunakan metode Nayve Bayes.
Sistem ini mendeteksi konsentrasi polutan udara berupa Particulate Matter (PM2.
Karbon Monoksida (CO), dan Nitrogen Dioksida (NO.
, kemudian mengklasifikasikannya ke dalam tiga kategori, yaitu aman (ISPU 1Ae.
, berisiko (ISPU 51Ae .
, dan berbahaya (ISPU > .
Dataset yang digunakan terdiri dari 120 data latih dan 30 data uji.
Hasil pengujian menunjukkan bahwa metode Nayve Bayes mampu mencapai tingkat akurasi sebesar 97%.
Selain itu, hasil pengujian sistem menunjukkan bahwa kualitas udara yang terukur berada pada kategori aman dengan nilai ISPU sebesar 30.
Hasil penelitian ini menunjukkan bahwa sistem yang dikembangkan efektif dalam membantu pemantauan kualitas udara bagi penderita asma.
Kata kunci: asma, deteksi, klasifikasi.
Nayve Bayes, polusi udara
ABSTRACT
Air pollution has a significant impact on human health, particularly on the respiratory system, and can trigger asthma.
This study aims to develop an Internet of Things (IoT)-based air quality detection and classification system using the Nayve Bayes method.
The system detects concentrations of air pollutants, including Particulate Matter (PM2.
Carbon Monoxide (CO), and Nitrogen Dioxide (NO.
, and classifies them into three categories: safe (ISPU 1Ae.
, at risk (ISPU 51Ae.
, and hazardous (ISPU > .
The dataset consists of 120 training data and 30 testing data.
The results show that the Nayve Bayes method achieves an accuracy of 97%.
addition, system testing indicates that the measured air quality falls within the safe category, with an ISPU value These results demonstrate that the proposed system is effective in supporting air quality monitoring for asthma patients.
Keywords: asthma.
Detection.
Classification.
Nayve Bayes, air pollution PENDAHULUAN Polusi udara dapat berdampak negatif pada kesehatan manusia, terutama pada sistem pernapasan.
Polutan udara dan alergen adalah rangsangan utama yang memiliki efek yang cukup besar pada kesehatan penderita asma .
, .
, .
, .
Berdasarkan data Kementerian Kesehatan tahun 2020, asma merupakan salah satu jenis penyakit yang paling banyak diidap oleh masyarakat Indonesia.
Hingga akhir tahun 2020, jumlah penderita asma di Indonesia sebanyak 4,5 % dari total jumlah penduduk Indonesia atau sebanyak lebih dari 12 juta.
Serangan asma dapat terjadi akibat polusi udara, asap rokok, dan cuaca Banyak zat polusi udara memiliki hubungan erat dengan hasil penyakit pernapasan, terutama asma dan Penyakit Paru Obstruktif Kronis (PPOK) diantaranya.
Particulate Matter (PM).
Ozon (O.
Sulfur Dioksida (SO.
Karbon Monoksida (CO), dan Nitrogen Dioksida (NO.
yang dapat menginduksi batuk, dahak, dan hiperresponsif bronkial pada penderita asma .
Kualitas udara di dalam ruangan dan faktor risiko lingkungan memiliki dampak yang signifikan terhadap penderita asma .
Berdasarkan Indeks Skala Kualitas Udara (ISPU) sebagaimana ditentukan oleh Menteri Lingkungan Hidup Kehutanan Republik Indonesia Nomor Naskah diterima tanggal 31 Mei 2025, disetujui tanggal 31 Maret 2026 *E-mail korespondensi Lindini Afira: Sistem deteksi dan klasifikasi polusi A Vol.
6 No.
1 Maret 2026 14/MENLHK/SETJEN/KUM.
1/7/2020 tentang Indeks Standar Pencemar Udara pada kategori udara sedang, kelompok sensitif harus mengurangi aktifitas fisik yang terlalu berat .
Menurut Badan Perlindungan Lingkungan Amerika Serikat atau US-EPA (United State Environmental Protection Agenc.
pada tahun 2016 juga terdapat perbedaan antara orang yang menderita asma dengan orang yang tidak menderita asma.
Dilansir dari website organisasi terkemuka untuk penderita asma dan alergi The Asthma and Allergy Foundation of America (AAFA) mengatakan bahwa pada penderita asma gejala dapat memburuk bahkan ketika kadar AQI (Air Quality Indek.
sedang (AQI 51-.
Dalam mengatasi hal ini, diperlukan sebuah teknologi yang mampu untuk menginformasikan kondisi udara yang sedang ditempati oleh penderita asma guna mengurangi pemicu terjadinya serangan Seperti pada penelitian sebelumnya, sistem yang dibangun dapat mendeteksi kadar beberapa zat polusi udara diantaranya Particulate Matter (PM2.
Karbon Monoksida (CO), dan Nitrogen Dioksida (NO.
PM2.
5 merupakan partikulat yang berdiameter 2,5 mikrometer atau kurang.
Komponen utama dari PM adalah sulfat, nitrat, amonia, natrium klorida, karbon hitam, mineral debu dan air yang umumnya berasal dari emisi kendaraan dan industri, asap rokok, dan asap kebakaran hutan .
Karbon Monoksida (CO) adalah gas yang mudah terlarut dan masuk ke aliran darah dan dapat mengikat hemoglobin sehingga mengakibatkan hipoksia .
, dan Nitrogen Dioksida (NO.
merupakan gas yang dapat mengiritasi sistem pernapasan, yang menembus ke dalam paru-paru yang menyebabkan batuk, mengi, dispnea, bronkospasme, dan bahkan edema paru ketika dihirup pada tingkat tinggi .
dan paparan NO2 menyebabkan perubahan akut dan kronik fungsi paru, inflamasi neutrofil bronkial dan produksi proinflamasi sitokin.
Kemudian mengklasifikasikan polusi udara tersebut ke dalam tiga .
tingkatan kelas yaitu aman (ISPU 1-.
, berisiko (ISPU 51-.
, dan berbahaya (ISPU 201 ).
Berbeda dengan penelitian sebelumnya, proses klasifikasi pada penelitian ini dilakukan menggunakan metode Nayve Bayes.
Berdasarkan penelitian yang telah dijelaskan sebelumnya, pada penelitian ini dibangun sistem deteksi dan klasifikasi polusi udara terhadap penderita asma menggunakan metode Nayve Bayes.
Pada sistem ini diharapkan dapat mengurangi penyebab terjadinya serangan asma yang disebabkan oleh polusi udara sekitar.
METODE PENELITIAN
1 Perancangan Sistem Penelitian ini membangun sebuah sistem untuk mendeteksi polusi udara yang dapat mempengaruhi kondisi penderita asma berdasarkan standar yang telah ditentukan serta mengklasifikasikan polusi udara tersebut ke dalam tiga kelas, yaitu aman, berisiko, dan berbahaya menggunakan metode Nayve Bayes.
Tingkatan kelas didapatkan dari informasi berdasarkan tingkatan Indeks Standar Pencemar Udara (ISPU).
ISPU adalah angka yang tidak mempunyai satuan yang menggambarkan kondisi kualitas udara di lokasi dan waktu tertentu yang didasarkan kepada dampak terhadap kesehatan manusia, nilai estetika dan makhluk hidup lainnya .
Adapun tabel ISPU dapat dilihat pada Tabel 1.
Tabel 1.
Konversi nilai konsentrasi parameter ISPU
24 Jam 24 Jam 24 Jam 24 Jam 24 Jam 24 Jam Karbon
24 Jam Partikulat Partikulat
Sulfur
Ozon
Nitrogen
ISPU
Monoksida Hidrokarbon (PM.
(PM2.
Dioksida (O.
Dioksida
(CO)
(HC) AAg/m3 AAg/m3 AAg/m3 (SO.
AAg/m3 AAg/m (NO .
AAg/m AAg/m 0Ae50
150, 4
> 300
Keterangan:
Data pengukuran selama 24 jam secara terus-menerus.
Hasil perhitungan ISPU parameter partikulat PM2.
disampaikan tiap jam selama 24 jam.
Hasil perhitungan ISPU parameter partikulat (PM.
, sulfur dioksida (SO.
, karbon monoksida (CO), ozon(O.
, nitrogen dioksida (NO.
, dan hidrokarbon (HC), diambil nilai ISPU parameter tertinggi dan paling sedikit disampaikan setiap jam 09.
00 dan jam 15.
JITEL (Jurnal Ilmiah Telekomunikasi.
Elektronika, dan Listrik Tenag.
Lindini Afira: Sistem deteksi dan klasifikasi polusi A Vol.
6 No.
1 Maret 2026 Bersadarkan Peraturan Menteri Lingkungan Hidup Dan Kehutanan Republik Indonesia Nomor 14/MENLHK/SETJEN/KUM.
1/7/2020 Tentang Indeks Standar Pencemar Udara .
Pada penelitian ini menggunakan kategori aman sebagai kelas aman (ISPU 1-.
, kategori sedang untuk kelas berisiko (ISPU 50-.
, dan kategori sangat tidak sehat untuk kelas berbahaya (ISPU 201 ) untuk penderita Berikut konsentrasi yang digunakan pada penelitian ini dapat dilihat pada Tabel 2.
Tabel 2.
Tabel konsentrasi yang digunakan 24 Jam Partikulat
ISPU
(PM2.
AAg/m3 Aman .
Ae.
Berisiko .
Berbahaya .
) 24 Jam Karbon Monoksida (CO) AAg/m3 24 Jam Nitrogen Dioksida (NO.
AAg/m3 Sistem ini menggunakan tiga sensor, yaitu sensor GP2Y1014AU0F merupakan alat pengubah sinyal analog menjadi sinyal digital untuk mendeteksi kandungan partikulat debu .
pada penelitian ini sensor GP2Y1014AU0F digunakan sebagai pendeteksi PM2.
5, sensor MQ-7 merupakan sensor yang berfungsi untuk mendeteksi gas CO.
Sensor MQ-7 mempunyai kelebihan sensitivitas yang tinggi terhadap gas CO, stabil, dan usia pakai yang lama .
pada penelitian ini MQ-7 digunakan sebagai pendeteksi gas CO, dan sensor MQ-135 adalah sensor yang dapat memonitoring kualitas udara dengan mendeteksi gas amonia (NH.
, natrium dioksida (NO.
, alkohol/ ethanol (C2H5OH), benzene (C6H.
, karbon dioksida (CO.
, gas belerang/sulfur hidroksida (H2S) dan asap/gas-gas lainnya di udara .
pada peneltian ini sensor MQ-135 digunakan sebagai pendeteksi NO2.
Data yang telah diklasifikasi akan ditampilkan melalui Liquid Crystal Display (LCD) 20 x 4.
Liquid Crystal Display (LCD) merupakan salah satu komponen elektronika yang berfungsi sebagai tampilan suatu data, baik karakter, huruf ataupun grafik .
Arduino Uno merupakan papan mikrokontroler yang menggunakan prosesor Atmel AVR dan memiliki sifat open source dan dirancang untuk memudahkan pengguna dalam mengembangkan berbagai proyek .
Pada penelitian ini.
Arduino Uno digunakan sebagai pengendali sensor, dan NodeMCU ESP32 digunakan untuk mengolah data.
Pada tahap pengujian, data sensor dikirim ke API untuk dilakukan proses Nayve Bayes.
Saat dijalankan, metode Nayve Bayes menggunakan server terpisah melalui API untuk melakukan pengklasifikasian.
Dengan adanya API, programmer dapat dengan mudah mengakses dan menggunakan fungsionalitas dari suatu perangkat lunak untuk mengembangkan atau mengintegrasikan perangkat lunak lainnya .
Proses klasifikasi menggunakan bahasa pemrograman Python.
Setelah proses klasifikasi selesai, hasil klasifikasi ditampilkan pada LCD beserta dengan nilai PM2.
CO, dan NO2.
Adapun diagram blok sistem dapat dilihat pada Gambar 1.
Gambar 1.
Diagram blok sistem JITEL (Jurnal Ilmiah Telekomunikasi.
Elektronika, dan Listrik Tenag.
Lindini Afira: Sistem deteksi dan klasifikasi polusi A Vol.
6 No.
1 Maret 2026 Sebelum dilakukan proses klasifikasi, data hasil pembacaan sensor dilakukan tahap preprocessing.
Tahapan ini meliputi pembersihan data .
ata cleanin.
untuk mengurangi noise dari pembacaan sensor, normalisasi nilai agar seluruh parameter memiliki skala yang seragam, serta konversi nilai sensor ke dalam standar Indeks Standar Pencemar Udara (ISPU).
Proses ini bertujuan untuk meningkatkan kualitas data sehingga hasil klasifikasi menjadi lebih akurat.
2 Implementasi Metode Nayve Bayes Nayve Bayes atau dikenal juga dengan Nayve Bayes Classifier merupakan salah satu algoritma machine learning yang diawasi .
upervised learnin.
yang digunakan untuk menangani masalah klasifikasi berdasarkan pada probabilitas atau kemungkinan sesuai dengan Teorema Bayes.
Algoritma Naive Bayes adalah salah satu algoritma klasifikasi berdasarkan probabilitas yang membandingkan data training dan data testing.
Keduanya dibandingkan melalui beberapa tahap persamaan, yang akhirnya diperoleh probabilitas tertinggi yang ditetapkan sebagai informasi .
Metode Nayve Bayes dipilih dalam penelitian ini karena memiliki keunggulan dalam proses klasifikasi berbasis probabilitas dengan kompleksitas komputasi yang rendah, sehingga cocok untuk implementasi sistem real-time berbasis Internet of Things (IoT).
Selain itu, metode ini mampu memberikan performa yang baik meskipun menggunakan jumlah dataset yang relatif kecil.
ycU) = ycE.
cU) .
Keterangan:
P (H|X)
P (H)
P (X/H)
P(X)
: Data dengan class yang belum diketahui : Hipotesis data X merupakan suatu class spesifik : Probabilitas hipotesis H berdasarkan kondisi X .
osterior probabilit.
: Probabilitas hipotesis H .
rior probabilit.
: Probabilitas X berdasarkan kondisi pada hipotesis H : Probabilitas X Persamaan .
merupakan persamaan umum dari metode Nayve Bayes.
yuN= Ocycuycn=1 ycuycn ycu1 ycu2 ycu3 U ycuycu ycaycycayc yuN = ycu Keterangan:
: nilai mean atau rata-rata dari kategori ycuycn : nilai x ke- i ycu : jumlah sampel dari kategori Persamaan .
merupakan persamaan untuk menghitung nilai Mean atau rata-rata ycE .
ayco ) = Oc yayco ycycycoycoycaEa ycycuycycayco yccycaycyca Keterangan:
: Peluang yayco : Kategori yang dicari Persamaan .
merupakan persamaan untuk menghitung nilai Probabilitas Prior.
OoE = Ocycuycn=1.
cuycn Oe yuN)2 ycu Keterangan:
: standar deviasi ycuycn : nilai x ke-i yuN : nilai mean atau rata-rata dari kategori ycu : jumlah sampel dari kategori Persamaan .
merupakan persamaan untuk menghitung nilai standar deviasi yang berfungsi untuk menghitung probabilitas fitur kontinu dalam proses klasifikasi.
JITEL (Jurnal Ilmiah Telekomunikasi.
Elektronika, dan Listrik Tenag.
Lindini Afira: Sistem deteksi dan klasifikasi polusi A Vol.
6 No.
1 Maret 2026 cUycn .
ayco ) = yce cUycn OeyuNycnyc ) Oe Oo2yuUyuayc2 Keterangan:
: Peluang ycUycn : Atribut ke i yayco : Kategori yang dicari : Nilai mean atau rata-rata dari kategori : Standar deviasi Persamaan .
merupakan persamaan untuk menghitung Likelihood.
ycE .
cU) = ycE.
ayco ) O ycE.
cUycn .
ayco ) O ycE.
cUycn .
ayco ) O ycE.
cUycn .
ayco ) .
Persamaan .
merupakan persamaan untuk menghitung nilai probabilitas posterior yang menjadi penentu kelas prediksi yang didapat.
Gambar 2.
Diagram alir program pada Arduino Uno Pada Gambar 2 merupakan diagram alir Arduino Uno.
Arduino Uno digunakan sebagai mikrokontroler untuk mengukur kadar PM2.
CO, dan NO2.
Alur kerja dimulai dengan inisialisasi sensor JITEL (Jurnal Ilmiah Telekomunikasi.
Elektronika, dan Listrik Tenag.
Lindini Afira: Sistem deteksi dan klasifikasi polusi A Vol.
6 No.
1 Maret 2026 GP2Y1014AU0F, sensor MQ-7, dan sensor MQ-135.
Selanjutnya, dilakukan pengukuran kadar PM2.
gas CO, dan gas NO2.
Data tersebut kemudian dikonversi ke dalam bentuk nilai ISPU kemudian data yang telah didapat dari Arduino Uno kemudian dikirim ke NodeMCU ESP32 dalam bentuk nilai ISPU beserta kategori polusi udara.
Gambar 3.
Diagram alir algoritma Nayve Bayes Gambar 4.
Rancangan keseluruhan sistem Pada Gambar 3 merupakan algoritma Nayve Bayes yang telah dirancang.
Sistem ini dimulai dengan pengambilan data sensor yang dikirim dari NodeMCU ESP32 yang meliputi data pengukuran PM2.
CO, dan NO2 sebagai data pengujian.
Sebelum melakukan proses klasifikasi Nayve Bayes, data sensor JITEL (Jurnal Ilmiah Telekomunikasi.
Elektronika, dan Listrik Tenag.
Lindini Afira: Sistem deteksi dan klasifikasi polusi A Vol.
6 No.
1 Maret 2026 diubah atau dikonversi terlebih dahulu ke dalam bentuk standar Indeks Standar Pencemaran Udara (ISPU) agar sensor memiliki rentang nilai yang sama.
sehingga menghasilkan output berupa data sensor berdasarkan standar ISPU.
Setelah dikonversi ke nilai ISPU, selanjutnya masuk ke perhitungan nilai mean, standar deviasi, probabilitas prior, distribusi gaussian, dan probabilitas posterior, kemudian menentukan hasil nilai tertinggi dari probabilitas posterior maka itulah hasil klasifikasi polusi udara yang didapatkan.
Pada Gambar 4 merupakan gambaran perancangan keseluruhan sistem yang terdiri dari perancangan sensor GP2Y1014AU0F sebagai pendeteksi PM2.
5, sensor MQ-7 sebagai pendeteksi gas CO.
MQ-135 sebagai pendeteksi konsentrasi NO2, serial komunikasi antara Arduino Uno dan NodeMCU ESP32, serta perancangan LCD untuk menampilkan hasil klasifikasi dan konsentrasi polusi
HASIL DAN PEMBAHASAN
1 Hasil Implementasi Sistem Implementasi perangkat keras merupakan penggabungan seluruh komponen perangkat keras sehingga terhubung dan berfungsi sesuai dengan yang telah dirancang sebelumnya.
Implementasi perangkat keras meliputi implementasi pengukuran kadar PM2.
CO, dan NO2, tampilan LCD serta komunikasi serial antara Arduino Uno dan NodeMCU ESP32.
Adapun implementasi perangkat keras dapat dilihat pada Gambar 5.
Gambar 5.
Tampilan keseluruhan sistem Dalam penelitian ini.
API digunakan untuk menghubungkan dua sistem terpisah agar dapat saling API digunakan dalam proses pengiriman data ke server.
Dalam hal ini, sistem mengirimkan data sensor ke server menggunakan permintaan POST.
Server kemudian memproses data tersebut untuk melakukan klasifikasi kemudian menyimpan hasilnya ke database dan mengirimkan hasil klasifikasi kembali NodeMCU ESP32.
Selanjutnya, hasil klasifikasi tersebut ditampilkan di layar LCD.
Adapun hasil response API dapat dilihat pada Gambar 6.
dan tampilan pada LCD dapat dilihat pada Gambar 7.
Gambar 6 Hasil respon API Gambar 7.
Tampilan pada LCD JITEL (Jurnal Ilmiah Telekomunikasi.
Elektronika, dan Listrik Tenag.
Lindini Afira: Sistem deteksi dan klasifikasi polusi A Vol.
6 No.
1 Maret 2026 2 Hasil Pengujian Nayve Bayes Pada penelitian ini, dibangun sebuah sistem untuk mengklasifikasikan kualitas udara berdasarkan nilai PM2.
CO, dan NO2 terhadap penderita asma.
Metode klasifikasi yang digunakan adalah Nayve Bayes.
Data latih yang digunakan terdiri dari 150 dataset yang mencakup PM2.
CO, dan NO2.
Pengambilan data dilakukan dengan mengambil dataset dengan pengkondisian udara yang dilakukan selama kurang lebih 12 jam.
Setelah pengumpulan dataset, data dibagi menjadi 2 dengan model 80:20 menjadi 120 data latih dan 30 data uji.
Pengamatan menggunakan perbandingan data latih, yaitu 80:20.
Pengujian metode Nayve Bayes dilakukan sebanyak 30 kali percobaan, terdapat kesesuaian data sebanyak 29 data dan 1 data yang tidak sesuai, sehingga didapatkan nilai akurasi sebesar 97%, precision sebesar 96% dan recall sebesar 95% menggunakan Confusion Matrix.
Confusion Matrix adalah tabel yang menyatakan klasifikasi jumlah data uji yang benar dan jumlah data uji yang salah .
Hasil Pengujian menunjukkan bahwa sistem yang dibangun memiliki kemampuan yang cukup baik dalam mengklasifikasikan kualitas udara untuk penderita asma berdasarkan nilai PM2.
CO, dan NO2 meskipun terdapat data yang tidak sesuai dengan hasil klasifikasi.
Tingginya nilai akurasi yang diperoleh dipengaruhi oleh beberapa faktor, di antaranya kualitas dataset yang cukup representatif, proses preprocessing data yang baik, serta pemilihan parameter yang relevan yaitu PM2.
CO, dan NO2.
Namun demikian, masih terdapat potensi kesalahan klasifikasi yang disebabkan oleh beberapa faktor seperti ketidakstabilan pembacaan sensor, adanya noise pada data, serta asumsi independensi antar fitur pada metode Nayve Bayes yang tidak selalu terpenuhi dalam kondisi Berdasarkan pengujian sistem terhadap penderita asma yang telah dilakukan di sebuah ruangan dengan konsentrasi polusi udara yang tinggi.
Pengujian berlangsung dari pukul 13.
30 WIB hingga 14.
WIB, diperoleh hasil pengukuran Indeks Standar Pencemar Udara (ISPU) PM2.
5 dengan nilai 30.
CO dengan nilai 4, dan NO2 dengan nilai 29.
Berdasarkan sistem yang telah dikembangkan menunjukkan bahwa kualitas udara tersebut termasuk kedalam kategori aman bagi penderita asma.
Untuk memperjelas hasil pengujian, performa klasifikasi divisualisasikan dalam bentuk grafik pada Gambar 8.
Visualisasi ini berupa confusion matrix untuk menggambarkan performa klasifikasi metode Nayve Bayes.
Gambar 8.
Confusion matrix
KESIMPULAN
Berdasarkan hasil penelitian yang telah dilakukan, metode Nayve Bayes menunjukkan performa yang sangat baik dalam mengklasifikasikan kualitas udara bagi penderita asma dengan tingkat akurasi sebesar 97%.
Hal ini menunjukkan bahwa metode yang digunakan efektif untuk diterapkan pada sistem deteksi kualitas udara berbasis Internet of Things (IoT).
Sistem yang dikembangkan mampu mendeteksi konsentrasi polutan udara seperti PM2.
CO, dan NO2 serta mengklasifikasikannya ke dalam kategori aman, berisiko, dan berbahaya berdasarkan nilai ISPU.
Hasil pengujian menunjukkan bahwa sebagian besar data berhasil diklasifikasikan dengan benar, yang diperkuat dengan visualisasi confusion matrix.
Meskipun demikian, masih terdapat keterbatasan dalam sistem, seperti adanya potensi noise pada data sensor serta asumsi independensi antarfitur pada metode Nayve Bayes yang tidak selalu terpenuhi dalam kondisi nyata.
Oleh karena itu, penelitian selanjutnya dapat mengembangkan sistem dengan menambahkan parameter polutan lain seperti PM10.
SO2, dan O3, serta membandingkan dengan JITEL (Jurnal Ilmiah Telekomunikasi.
Elektronika, dan Listrik Tenag.
Vol.
6 No.
1 Maret 2026 Lindini Afira: Sistem deteksi dan klasifikasi polusi A metode klasifikasi lain seperti Support Vector Machine (SVM) atau Random Forest untuk meningkatkan akurasi dan keandalan sistem.
Selain itu, pengembangan lebih lanjut juga dapat dilakukan melalui peningkatan kualitas data, integrasi dengan aplikasi mobile, serta implementasi sistem monitoring secara real-time berbasis cloud.
REFERENSI