INSANtek Ae Jurnal Inovasi dan Sains Teknik Elektro Volume 6 No.
1 Mei 2025
E-ISSN: 2722-547X
Pengaruh Suhu.
Kelembapan dan Angin terhadap Polusi Udara: Studi Kasus Dataset Air Quality Trisna Fajar Prasetyo 1.
Ahmad Gani 2*.
Zainul Mufid3
1,2,3
Universitas Bina Sarana Informatika e-mail: trisna.
tfp@bsi.
id, 2*ahmad.
hmg@bsi.
id, 3zainul.
znd@bsi.
email korespondensi: ahmad.
hmg@bsi.
id(*) Abstrak - Salah satu indikator utama kesehatan lingkungan adalah kualitas udara, karena faktor cuaca seperti suhu, kelembapan, tekanan udara, dan kecepatan angin sangat memengaruhi polusi udara.
Dengan menggunakan dataset Kualitas Udara Unique Client Indentifier (UCI), yang mengandung parameter lingkungan dari wilayah perkotaan, tujuan penelitian ini adalah untuk melihat bagaimana variabel cuaca dan kualitas udara berkorelasi satu sama lain.
Penelitian ini melihat dampak parameter cuaca seperti suhu, kelembapan relatif, tekanan atmosfer, dan kecepatan angin terhadap konsentrasi polutan seperti Carbon Monoxide (CO).
Nitrogen Dioxide (NO.
, dan Ozon (O.
Data set dibersihkan untuk menghilangkan nilai yang hilang, dan kemudian dilakukan analisis regresi linier sederhana dan korelasi Pearson.
Hasil penelitian menunjukkan hubungan positif antara kelembapan dan NO2, dan korelasi negatif yang signifikan antara suhu dan konsentrasi CO.
Studi ini menunjukkan bahwa cuaca memainkan peran penting dalam perubahan kualitas udara, sehingga bisa dikatakan bahwa pemantauan cuaca dapat menjadi alat prediktor untuk pengaturan lingkungan perkotaan di masa yang akan datang.
Kata Kunci: Kualitas Udara.
Faktor Cuaca.
Dataset Air Quality Abstract - One of the main indicators of environmental health is air quality, as weather factors such as temperature, humidity, air pressure, and wind speed greatly affect air pollution.
Using the UCI Air Quality dataset, which contains environmental parameters from urban areas, the aim of this research is to examine how weather variables and air quality correlate with each other.
This research examines the impact of weather parameters such as temperature, relative humidity, atmospheric pressure, and wind speed on the concentration of pollutants such as CO.
NO2, and O3.
The data set was cleaned to remove missing values, and then simple linear regression and Pearson correlation analysis were conducted.
The research results show a positive relationship between humidity and NO2, and a significant negative correlation between temperature and CO concentration.
This study shows that weather plays an important role in changes in air quality, so it can be said that weather monitoring can be a predictive tool for urban environmental management in the future.
Keywords: Air Quality.
Weather Factors.
Air Quality Dataset
PENDAHULUAN
Salah satu masalah kesehatan masyarakat dan lingkungan paling penting di dunia saat ini adalah polusi WHO .
menyatakan bahwa 99% orang di seluruh dunia menghirup udara yang buruk, yang menyebabkan sekitar 8,1 juta kematian dini setiap tahun.
Partikel halus berukuran 2,5 mikrometer (PM2.
memiliki kemampuan untuk menembus sistem pernapasan dan aliran darah, menyebabkan penyakit seperti asma, bronkitis.
PPOK, dan ISP.
Selain itu, penelitian oleh (Adhikari & Yin, 2.
menunjukkan bahwa paparan polutan seperti PM2.
PM10, dan NO2 memperburuk hasil kesehatan bahkan setelah mempertimbangkan faktor Polusi udara juga merusak ekosistem, mempercepat perubahan iklim, dan menyebabkan kerugian ekonomi global sebesar 5% dari PDB (Ku et al.
, 2.
Penyebaran dan konsentrasi polutan udara di atmosfer sangat dipengaruhi oleh faktor-faktor meteorologi.
Faktor-faktor seperti suhu, kelembaban relatif, kecepatan angin, curah hujan, tekanan atmosfer, dan ketinggian lapisan batas atmosfer (PBLH) memengaruhi transportasi, dispersi, transformasi kimia, dan deposisi polutan (Qiu et al.
, 2.
Misalnya, angin kencang dan curah hujan cenderung mengurangi konsentrasi polutan, sedangkan kondisi atmosfer stabil seperti inversi suhu meningkatkan akumulasi polutan di permukaan tanah.
Sangat penting untuk mengembangkan strategi pengelolaan kualitas udara yang bergantung pada kondisi cuaca lokal dengan memahami secara menyeluruh interaksi dinamis ini (Shen et al.
, 2.
Hubungan antara cuaca This work is licensed under a Creative Commons Attribution-ShareAlike 4.
0 International License.
INSANtek Ae Jurnal Inovasi dan Sains Teknik Elektro.
Volume 6 No.
1 Mei 2025
E-ISSN: 2722-547X
dan kualitas udara sangat bervariasi tergantung pada lokasi geografis dan musim, menurut tinjauan literatur terbaru .
0Ae2.
Studi ini menunjukkan bahwa suhu dapat mempercepat pembentukan ozon, kelembaban memengaruhi PM2.
5 dengan cara yang tidak pasti, dan kecepatan angin secara konsisten berkorelasi negatif dengan konsentrasi polutan.
Tekanan atmosfer dan titik embun juga memengaruhi akumulasi polutan.
tinggi sering dikaitkan dengan polusi yang lebih tinggi.
Untuk mendapatkan pemahaman yang lebih baik tentang dinamika kualitas udara, pendekatan analitis yang digunakan dalam penelitian ini termasuk metode statistik, machine learning (ML/DL)(Imam et al.
, 2.
, dan model transpor kimia (CTM).
Meskipun banyak kemajuan telah dicapai, masih ada ruang untuk penelitian, terutama dalam studi skala lokal yang menggunakan dataset Karakteristik lokal seperti sumber emisi, topografi, dan iklim mikro seringkali sangat memengaruhi hubungan khusus antara cuaca dan polutan (Wyat Appel et al.
, 2.
Dengan menggunakan "Dataset Kualitas Udara" sebagai studi kasus, penelitian ini bertujuan untuk menganalisis pengaruh berbagai faktor cuaca terhadap konsentrasi polutan utama.
Inovasi studi ini terletak pada analisis kuantitatif faktor meteorologi terhadap polusi udara setiap hari dan sepanjang musim(Liu & Cui, 2.
Studi ini diharapkan dapat memberikan dasar ilmiah yang kuat untuk mengembangkan kebijakan pengelolaan kualitas udara yang lebih tepat sasaran dan berbasis lokal.
Bidang penelitian yang terus berkembang adalah memahami hubungan kuantitatif antara faktor cuaca dan konsentrasi polutan udara(Liu & Cui, 2.
Tinjauan penelitian terbaru yang dipublikasikan antara tahun 2020 dan 2025 memberikan gambaran terbaru tentang hasil utama dan teknik yang digunakan.
Selama periode ini, banyak penelitian telah menunjukkan korelasi yang signifikan antara variabel meteorologi dan polutan udara utama.
Namun, arah dan kekuatan korelasi ini dapat berbeda tergantung pada lokasi geografis, musim, dan polutan khusus yang dipelajari.
A Suhu Udara: Hubungannya dengan PM2.
5 seringkali sulit untuk diketahui.
Beberapa penelitian menemukan bahwa, di musim dingin, terutama di wilayah dengan pemanasan domestik yang intens, ada hubungan negatif antara emisi dan suhu yang lebih rendah.
Namun, suhu yang lebih tinggi dapat meningkatkan reaksi kimia yang menghasilkan ozon dan aerosol organik sekunder, serta meningkatkan ketinggian lapisan batas atmosfer (Shen et , 2.
Sebuah penelitian di Jakarta menemukan bahwa pola suhu harian hampir sama dengan pola konsentrasi PM 2.
5 (Zhang et al.
, 2.
A Kelembaban Relatif: Efeknya ambigu.
Kelembaban tinggi memiliki potensi untuk meningkatkan deposisi basah (Dinas Lingkungan Hidup Provinsi DKI Jakarta, 2.
, tetapi juga dapat membantu dalam kondisi tertentu untuk menghasilkan sulfat dan nitrat aerosol (Shen et al.
, 2.
Beberapa penelitian menunjukkan korelasi negatif antara kelembaban dan PM 2.
5 (Babu Saheer et al.
, 2.
tetapi penelitian lain menekankan peranannya dalam kimia aerosol.
A Kecepatan Angin: Secara umum, ditemukan korelasi negatif yang signifikan antara kecepatan angin dan konsentrasi sebagian besar polutan (PM 2.
PM10.
NO2.
CO, dan SO.
dalam satu studi di Indonesia (Luthfiarta et al.
, 2.
Karena angin kencang meningkatkan dispersi dan ventilasi atmosfer, konsentrasi polutan di tingkat permukaan menurun (Zhang et al.
, 2.
, sementara cuaca tenang mendorong akumulasi polutan.
Hujan membersihkan atmosfer secara efektif.
A Tekanan Atmosfer: Sistem tekanan tinggi sering dikaitkan dengan kondisi atmosfer yang stabil, angin lemah, dan penurunan lapisan batas, yang kondusif untuk akumulasi polutan (Shen et al.
, 2.
Namun, analisis korelasi langsung antara tekanan permukaan dan konsentrasi polutan dapat menunjukkan hasil yang bervariasi (Zhang et , 2.
Studi regresi di Indonesia menemukan hubungan positif signifikan antara tekanan dan curah hujan A Faktor Lain: Titik embun .
ew poin.
ditemukan berkorelasi positif dengan PM2.
5 dalam satu studi, menyoroti peran kelembapan absolut.
Ketinggian lapisan batas atmosfer (PBLH) juga merupakan faktor penting, di mana PBLH yang rendah membatasi volume pencampuran vertikal dan meningkatkan konsentrasi permukaan (Shen et , 2.
Untuk memberikan gambaran yang lebih konkret
METODE PENELITIAN
Penelitian ini merupakan studi kuantitatif berbasis analisis data historis menggunakan dataset "Air Quality" yang berisi parameter polutan (PM2.
PM10.
SOCC.
CO.
OCE.
NOCC) dan faktor meteorologi .
uhu, kelembapan, kecepatan dan arah angin, tekanan, curah huja.
Prosedur penelitian meliputi akuisisi dan penggabungan data, pembersihan data .
engatasi missing values, pencilan, normalisas.
, eksplorasi data awal melalui statistik deskriptif dan visualisasi, serta analisis korelasi menggunakan koefisien Pearson.
Untuk mengkuantifikasi pengaruh faktor cuaca terhadap polutan, diterapkan model regresi linear berganda (MLR), sementara untuk prediksi deret waktu, digunakan model deep learning berbasis LSTM yang mampu menangkap pola dependensi jangka panjang.
Evaluasi model dilakukan menggunakan metrik RA.
MSE.
RMSE, dan MAE untuk model regresi kontinu, serta akurasi, presisi, recall.
F1-score, dan confusion matrix jika dilakukan klasifikasi kualitas Desain riset dirancang untuk mengidentifikasi hubungan linear maupun non-linear antara faktor meteorologi dan konsentrasi polutan, serta mengeksplorasi potensi prediksi berbasis cuaca.
Algoritma MLR memungkinkan analisis pengaruh simultan variabel meteorologi terhadap polutan, dengan interpretasi koefisien yang mewakili kekuatan kontribusi masing-masing variabel.
Sementara itu.
LSTM digunakan untuk memprediksi konsentrasi polutan ke depan dengan mempertimbangkan dinamika temporal data deret waktu.
Pemilihan antara MLR.
LSTM, http://jurnal.
id/index.
php/insantek INSANtek Ae Jurnal Inovasi dan Sains Teknik Elektro.
Volume 6 No.
1 Mei 2025
E-ISSN: 2722-547X
atau algoritma lain seperti Gradient Boosting atau SVM didasarkan pada hasil eksplorasi data dan tujuan spesifik Alur kerja penelitian dirancang secara sistematis mulai dari akuisisi data, pra-pemrosesan, eksplorasi, analisis korelasi dan regresi, pembangunan model prediktif, evaluasi, hingga pelaporan hasil dan pada gambar 1 representasi alur kerja penelitian dalam bentuk langkah-langkah.
Gambar 1.
Analisa Kualitas Udara Dua pendekatan utama yang dapat digunakan adalah Regresi Linear Berganda .
ntuk analisis hubunga.
dan LSTM .
ntuk analisis/prediksi deret wakt.
dengan persamaan umumn Y=0 1X1 2X2 .
k Xk A Dimana:
o Y adalah variabel dependen .
onsentrasi poluta.
o X1,X2,.
,Xk adalah variabel independen .
aktor cuaca: Suhu.
Kelembaban.
Kec.
Angin, dll.
o 0 adalah intersep .
ilai Y ketika semua X = .
o 1,2,.
,k adalah koefisien regresi yang menunjukkan perubahan rata-rata Y untuk setiap satu unit perubahan X, dengan asumsi variabel X lainnya konstan.
o A adalah error term .
Pada proses pendekatan utam harus Memilih variabel dependen .
atu poluta.
dan independen .
aktor cuaca releva.
dan memeriksa asumsi regresi .
inearitas, independensi error, homoskedastisitas, normalitas residual, tidak ada multikolinearitas signifikan ).
Setelah itu Melatih model menggunakan data pelatihan untuk mengestimasi koefisien ,kemudian Mengevaluasi signifikansi model .
ji F) dan signifikansi koefisien individu .
danMenginterpretasikan koefisien untuk memahami pengaruh setiap faktor cuaca.
Untuk memodelkan dan memprediksi urutan data deret waktu, dengan mempertimbangkan dependensi jangka panjang antara faktor cuaca dan polutan.
LSTM adalah jenis Jaringan Saraf Berulang (RNN) yang menggunakan unit memori khusus dengan tiga gerbang .
nput, forget, outpu.
untuk mengontrol aliran informasi(Karakoyun, 2.
Ini memungkinkannya untuk "mengingat" informasi relevan dari masa lalu yang jauh dan "melupakan" informasi yang tidak relevan, mengatasi masalah vanishing gradient pada RNN standar.
Forget Gate .
: Memutuskan informasi apa yang akan dibuang dari cell state.
Input Gate .
: Memutuskan nilai baru apa yang akan disimpan di cell state.
Output Gate .
: Memutuskan bagian mana dari cell state yang akan dikeluarkan sebagai output .
idden state h.
proses ini Menyiapkan data deret waktu dalam format sekuensial .
isalnya, menggunakan data beberapa jam/hari sebelumnya untuk memprediksi nilai berikutny.
Mendesain arsitektur jaringan LSTM .
umlah layer, jumlah unit LSTM per layer, fungsi aktivas.
dan juga Melatih model menggunakan data pelatihan dengan algoritma optimasi http://jurnal.
id/index.
php/insantek INSANtek Ae Jurnal Inovasi dan Sains Teknik Elektro.
Volume 6 No.
1 Mei 2025
E-ISSN: 2722-547X
Ada.
dan fungsi kerugian .
oss function, misalnya.
MSE).
selain itu LSTM Mengevaluasi kinerja model pada data pengujian menggunakan metrik yang relevan.
Menggunakan model yang telah dilatih untuk membuat prediksi konsentrasi polutan di masa depan.
Pemilihan antara MLR.
LSTM, atau algoritma lain .
eperti GRU .
Gradient Boosting .
SVM ) akan didasarkan pada hasil EDA dan tujuan spesifik analisis .
pakah fokus pada penjelasan hubungan atau akurasi prediks.
Kinerja model, terutama jika model prediktif digunakan, akan dievaluasi menggunakan metrik standar dalam dilihat pada gambar 2 Gambar 2.
Peningkatan Kinerja Modul
HASIL DAN PEMBAHASAN
Hasil analisis data dari "Dataset Air Quality" dan membahas temuan utama mengenai pengaruh faktor cuaca terhadap konsentrasi polutan udar dengan mangaalisa data kualitas udara, setelah dilakukan pra-pemrosesan.
Setelah tahap pembersihan dan pra-pemrosesan .
engisi nilai hilan.
, dataset yang dianalisis terdiri dari 420.
observasi per jam.
Statistik deskriptif untuk variabel polutan utama dan faktor meteorologi disajikan pada Tabel Tabel 1.
Statistik Deskriptif Variabel Polutan dan Meteorologi Variabel Polutan Satuan Ratarata PM2.
PM10
SO2
NO2
AAg/mA AAg/mA AAg/mA AAg/mA AAg/mA AAg/mA TEMP
(AC)
http://jurnal.
id/index.
php/insantek Median Std.
Dev.
Meteorologi Min Max Jumlah Observasi (Setelah Imputas.
INSANtek Ae Jurnal Inovasi dan Sains Teknik Elektro.
Volume 6 No.
1 Mei 2025
E-ISSN: 2722-547X
PRES
DEWP
(AC)
RAIN
WSPM .
AC Tabel 2 menunjukkan variasi yang luas dalam konsentrasi polutan dan kondisi meteorologi .
Konsentrasi PM2.
dan PM10 memiliki rata-rata yang tinggi dan standar deviasi yang besar, mengindikasikan fluktuasi signifikan dan seringnya terjadi tingkat polusi partikulat yang tinggi.
Konsentrasi CO juga menunjukkan variabilitas yang sangat Curah hujan rata-rata sangat rendah, khas untuk iklim, meskipun kejadian hujan lebat sesekali terjadi.
Suhu menunjukkan rentang musiman yang lebar.
Visualisasi data deret waktu memberikan wawasan tentang pola temporal polutan dan faktor cuaca.
(Deskripsi grafik berikut bersifat ilustratif, didasarkan pada statistik dan korelasi yang dihitung serta pengetahuan umum tentang pola kualitas udara.
pada data tabel ini bisa disimulasikan ke dalam 2 grafik yaitu :
A Grafik 1: Tren Temporal PM2.
5 dan Suhu (Data Harian Rata-rat.
Grafik ini akan menunjukkan fluktuasi harian konsentrasi PM2.
5 dan suhu rata-rata.
Terlihat pola musiman yang jelas, di mana konsentrasi PM2.
5 sangat tinggi selama musim dingin .
uhu renda.
dan jauh lebih rendah selama musim panas .
uhu tingg.
Hal ini sangat konsisten dengan kondisi di mana emisi dari pemanasan musim dingin dan kondisi meteorologi yang stabil .
nversi suhu, angin lema.
menyebabkan akumulasi polutan parah di musim dingin , sementara musim panas seringkali memiliki kondisi dispersi yang lebih baik.
Hubungan negatif antara suhu dan PM2.
5 terlihat jelas secara musiman.
Grafik 1: Tren Temporal PM2.
5 dan Suhu (Data Harian Rata-rat.
A Grafik 2: Tren Temporal PM2.
Kecepatan Angin, dan Curah Hujan (Data Harian Rata-rat.
Grafik ini akan membandingkan tren PM2.
5 dengan kecepatan angin dan curah hujan.
Akan terlihat bahwa periode dengan kecepatan angin rata-rata yang lebih tinggi seringkali bertepatan dengan penurunan konsentrasi PM2.
5, terutama di luar musim dingin.
Kejadian curah hujan, meskipun jarang, juga akan menunjukkan korelasi dengan penurunan tajam konsentrasi PM2.
5, mengkonfirmasi efek Angin dan hujan berperan sebagai mekanisme pembersihan penting http://jurnal.
id/index.
php/insantek INSANtek Ae Jurnal Inovasi dan Sains Teknik Elektro.
Volume 6 No.
1 Mei 2025
E-ISSN: 2722-547X
Grafik 2: Tren Temporal PM2.
Kecepatan Angin, dan Curah Hujan (Data Harian Rata-rat.
Analisis Hubungan Antar Variabel Analisis korelasi dan visualisasi hubungan antar variabel memberikan pemahaman lebih mendalam tentang interaksi antara cuaca dan polutan.
Tabel 2: Matriks Korelasi Pearson antara Faktor Meteorologi dan Polutan Udara Variabel PM2.
PM10
SO2
NO2
TEMP
PRES
DEWP
RAIN
WSPM
PM2.
PM10
SO2
NO2
TEMP
PRES
DEWP
RAIN
WSPM
Nilai korelasi dihitung dari dataset yang disediakan setelah pra-pemrosesan.
TEMP=Suhu.
PRES=Tekanan.
DEWP=Titik Embun.
RAIN=Curah Hujan.
WSPM=Kecepatan Angin.
Ada pola hubungan yang signifikan antara variabel meteorologi dan konsentrasi polutan udara, seperti yang ditunjukkan oleh analisis korelasi yang dilakukan berdasarkan data aktual (Tabel .
Kecepatan angin (WSPM) menunjukkan korelasi negatif moderat dengan NO2 (-0.
CO (-0.
, dan tekanan atmosfer (PRES, -0.
, sementara suhu udara (TEMP) sangat negatif dengan tekanan atmosfer.
Selain itu.
PM2.
5 (-0.
NO2 (-0.
, dan CO (-0.
menunjukkan peran kecepatan angin dalam mendispersikan polutan di atmosfer, dengan NO2 menunjukkan korelasi negatif terkuat.
Polutan primer seperti PM2.
PM10.
SO2.
NO2, dan CO menunjukkan korelasi positif yang kuat satu sama lain.
Nilai korelasi positif PM2.
5 dan PM10 adalah 0.
88 dan PM2.
5 dan CO adalah 0.
78, yang menunjukkan bahwa mereka mungkin berasal dari sumber yang sama atau kondisi akumulasi bersama.
Ozon (O.
menunjukkan korelasi positif kuat dengan suhu (TEMP, 0,.
dan korelasi positif sedang dengan kecepatan angin (WSPM, 0,.
, menunjukkan pengaruh faktor termal dan transportasi terhadap pembentukan ozon.
Sementara itu, titik embun (DEWP) menunjukkan korelasi positif lemah dengan suhu (TEMP, 0,.
, tetapi korelasi positif lemah terhadap PM2.
dan ozon (O3, 0,.
, mendukung peran kelembaban absolut dalam pembentukan aerosol Karena hujan yang sering terjadi dan berlangsung singkat di lokasi penelitian, hujan (RAIN) tidak memiliki korelasi yang signifikan dengan hampir semua polutan dan faktor cuaca lainnya.
Akibatnya, analisis korelasi linear per jam tidak dapat menggambarkan sepenuhnya dampak pembersihannya.
Selain itu, tekanan atmosfer (PRES) menunjukkan korelasi lemah positif terhadap SO2.
NO2, dan CO.
Ini menambah gambaran tentang pengaruh faktor meteorologi terhadap dinamika polusi udara di wilayah studi (Zhang et al.
, 2.
Grafik 3: Scatter Plot PM2.
5 vs Kecepatan Angin (Deskripsi Ilustrati.
Grafik ini akan menunjukkan sebaran titik data dengan konsentrasi PM2.
5 pada sumbu Y dan kecepatan angin pada sumbu X.
Pola umum yang diharapkan adalah konsentrasi PM2.
5 yang lebih tinggi cenderung terkonsentrasi pada kecepatan angin yang lebih rendah .
i bawah 2 m/.
, dan menyebar ke nilai yang lebih rendah saat kecepatan angin meningkat, menggambarkan hubungan negatif moderat (-0.
yang teridentifikasi dalam matriks korelasi.
http://jurnal.
id/index.
php/insantek INSANtek Ae Jurnal Inovasi dan Sains Teknik Elektro.
Volume 6 No.
1 Mei 2025
E-ISSN: 2722-547X
Grafik 3: Scatter Plot PM2.
5 vs Kecepatan Angin Grafik 4: Scatter Plot PM2.
5 vs Curah Hujan (Deskripsi Ilustrati.
Grafik ini akan menunjukkan konsentrasi PM2.
5 yang cenderung lebih rendah pada saat atau setelah kejadian curah hujan .
ilai RAIN > .
, dibandingkan dengan saat tidak ada hujan (RAIN = .
Namun, karena korelasi linear keseluruhan sangat lemah (-0.
, efek ini mungkin hanya terlihat jelas pada kejadian hujan yang signifikan dan tidak secara konsisten pada semua tingkat curah hujan rendah.
Grafik 4: Scatter Plot PM2.
5 vs Curah Hujan Grafik 5: Boxplot PM2.
5 Berdasarkan Musim (Deskripsi Ilustrati.
Boxplot ini akan membandingkan distribusi konsentrasi PM2.
5 antar musim .
DJF: Musim Dingin.
MAM: Musim Semi.
JJA: Musim Panas.
SON: Musim Gugu.
Diharapkan median dan sebaran PM2.
ermasuk nilai pencila.
jauh lebih tinggi selama Musim Dingin dibandingkan musim lainnya, terutama Musim Panas, yang konsisten dengan pola kualitas udara yang diketahui Grafik 5: Boxplot PM2.
5 Berdasarkan Musim A Grafik 6: Windrose Plot (Deskripsi Ilustrati.
Plot windrose akan menunjukkan distribusi frekuensi arah angin dan hubungannya dengan kecepatan angin.
Pola angin musiman .
isalnya, angin utara/barat laut di musim dingin, angin selatan/tenggara di musim pana.
kemungkinan akan terlihat.
Menggabungkan ini dengan konsentrasi polutan dapat menunjukkan bahwa angin dari arah tertentu .
isalnya, selatan di musim pana.
mungkin membawa udara yang relatif lebih bersih, sementara angin utara/barat laut di musim dingin mungkin terkait dengan udara dingin dan stabil yang memperburuk polusi.
http://jurnal.
id/index.
php/insantek INSANtek Ae Jurnal Inovasi dan Sains Teknik Elektro.
Volume 6 No.
1 Mei 2025
E-ISSN: 2722-547X
Grafik 6: Windrose Plot Hasil analisis data "Kualitas Udara" menunjukkan bahwa faktor meteorologi, terutama kecepatan angin dan suhu musiman, memiliki pengaruh yang signifikan terhadap tingkat polutan udara.
Sementara curah hujan tidak memiliki dampak yang signifikan karena karakteristik iklim lokal, kecepatan angin berkorelasi negatif kuat dengan polutan primer (PM2.
PM10.
NO2, dan CO), menunjukkan peran utamanya dalam proses dispersi.
Titik embun berkorelasi lemah dengan PM2.
5, memperkuat peran kelembaban absolut dalam pembentukan aerosol sekunder.
Sebaliknya, suhu berkorelasi positif dengan ozon, mendukung peran suhu tinggi dan radiasi matahari dalam pembentukan ozon selama musim panas.
Adanya sumber emisi serupa dan kondisi atmosfer yang mendukung akumulasi polusi di musim dingin ditunjukkan oleh korelasi positif antar polutan primer.
Keterwakilan spasial terbatas, kemungkinan bias imputasi data, dan penggunaan korelasi linear sederhana menghalangi penelitian untuk menangkap hubungan non-linear kompleks.
KESIMPULAN
Penelitian ini berhasil mengidentifikasi hubungan antara parameter meteorologi dan kualitas udara berdasarkan analisis data dari Dataset Air Quality.
Hasil penelitian menunjukkan bahwa faktor-faktor cuaca seperti kecepatan angin, suhu, tekanan atmosfer, dan kelembapan memiliki pengaruh yang signifikan terhadap konsentrasi polutan utama seperti PM2.
PM10.
NOCC.
CO, dan OCE.
Temuan ini sejalan dengan hipotesis yang diajukan pada bagian Pendahuluan, di mana faktor meteorologi diprediksi memainkan peran penting dalam perubahan kualitas Khususnya, kecepatan angin terbukti efektif dalam mengurangi konsentrasi polutan primer melalui mekanisme dispersi, sementara suhu tinggi berkaitan erat dengan peningkatan kadar ozon melalui reaksi fotokimia.
Studi ini juga menegaskan pentingnya mempertimbangkan dinamika lokal dan musiman dalam perencanaan strategi pengelolaan kualitas udara, mengingat adanya variasi temporal dan spasial yang signifikan dalam data.
Meskipun penelitian ini memberikan kontribusi kuantitatif penting, beberapa keterbatasan perlu diperhatikan, seperti penggunaan metode korelasi linear sederhana dan tidak tersedianya data emisi rinci.
Oleh karena itu, penelitian di masa depan disarankan untuk mengintegrasikan pendekatan machine learning non-linear dan memperhitungkan pengaruh emisi sumber spesifik untuk meningkatkan pemahaman prediktif terhadap kualitas Selain itu, perluasan studi ke wilayah lain dengan karakteristik meteorologi dan sumber emisi berbeda akan memperkaya generalisasi hasil temuan ini.
Hasil ini memberikan bukti kuantitatif yang penting untuk memahami bagaimana polusi udara berkembang dan membangun dasar untuk rencana pengendalian kualitas udara yang lebih baik di masa depan.
REFERENSI