Rekayasa Hijau: Jurnal Teknologi Ramah Lingkungan ISSN .
: 2579-4264 | DOI: https://doi.
org/10.
26760/jrh.
V9i2.
Volume 9 | Nomor 2 Juli 2025 Uji Keakuratan Kinerja Tiga Tree-Based Model Berbasis Classification dalam Memprediksi Kualitas Udara di Daerah Khusus Jakarta Muhizzadin Abdul Adzan1.
Binsar Hakim Aritonang1.
Agung Hari Saputra1 Program Studi Meteorologi.
Sekolah Tinggi Meterorologi Klimatologi dan Geofisika.
Kota Tangerang.
Indonesia Email: muhizzadin12@gmail.
com1, hakimarios01@gmail.
com1, agung.
hs@stmkg.
Received 10 Mei 2025 | Revised 20 Mei 2025 | Accepted 25 Mei 2025
ABSTRAK
Beberapa dekade terakhir, isu kualitas udara menjadi masalah di kota-kota besar seperti Daerah Khusus Jakarta.
Studi ini bertujuan untuk mengevaluasi performa tiga tree-based model random forest (RF), extra trees (ET), dan gradient boosting classifier (GBC) dalam memprediksi serta mencari faktor terpenting yang memengaruhi kualitas udara.
Model menggunakan data historis Automatic Weather Station dan ISPU Daerah Khusus Jakarta selama 2018 Ae 2021 yang dikembangkan untuk memprediksi 4 kategori kualitas udara .
Model dilatih menggunakan 90% data sebagai set pelatihan dan 10% data sebagai set Berdasarkan feature importance plot dari ketiga model tersebut menunjukkan bahwa parameter ISPU O3 merupakan parameter yang sangat memengaruhi kualitas udara, serta arah dan kecepatan angin merupakan faktor meteorologis yang paling memengaruhi kualitas udara.
Berdasarkan pengujian keakuratan model tersebut menunjukkan nilai yang hampir sama antara ketiga tree-based model tersebut dengan nilai accuracy 0.
8646Ae0.
8821, precision 0.
8755Ae0.
8870, recall 0.
8646Ae0.
8821, f1-score 0.
8674Ae 8816 serta AUC 0.
9286Ae0.
Berdasarkan ketiga tree-based model tersebut, model RF menunjukkan kemampuan terbaik dibandingkan dengan dua model lainnya dengan nilai accuracy 0.
8821, precision 8870, recall 0.
8821, f1-score 0.
8816, dan AUC 0.
Temuan ini diharapkan dapat mendorong penggunaan model RF sebagai sistem peringatan dini kualitas udara serta mendorong pentingnya pengendalian O3 dalam kebijakan mitigasi.
Kata kunci: random forest, extra trees, gradient boosting classifier, kualitas udara, meteorologi ABSTRACT In recent decades, air quality has become an issue in large cities such as the Special Capital Region of Jakarta.
This study aims to evaluate the performance of three tree-based modelsAirandom forest (RF), extra trees (ET), and gradient boosting classifier (GBC)Aiin predicting and identifying the most important factors affecting air quality.
The models utilize historical data from Automatic Weather Stations and the Jakarta Special Region's Air Quality Index (AQI) from 2018 to 2021, developed to predict four air quality categories .
Ae.
The models were trained using 90% of the data as the training set and 10% as the testing Based on the feature importance plots of the three models, it was found that the ISPU O 3 parameter is a parameter that significantly influences air quality, while wind direction and speed are the meteorological factors that most influence air quality.
Based on the accuracy testing of the models, the results show nearly identical values among the three tree-based models, with accuracy ranging from 0.
8646 to 0.
precision from 0.
8755 to 0.
8870, recall from 0.
8646 to 0.
F1-score 0.
8674Ae0.
8816, and AUC 0.
9286Ae Based on these three tree-based models, the RF model showed the best performance compared to the other two models with accuracy values of 0.
8821, precision of 0.
8870, recall of 0.
F1-score of 8816, and AUC of 0.
These findings are expected to encourage the use of the RF model as an early warning system for air quality and highlight the importance of O 3 control in mitigation policies.
Keywords: random forest, extra trees, gradient boosting classifier, air quality, meteorology Rekayasa Hijau Ae 113 Muhizzadin Abdul Adzan dkk.
PENDAHULUAN
Beberapa dekade terakhir, isu pencemaran udara kian mencuat karena sangat memengaruhi kualitas udara dan kehidupan manusia serta lingkungan sekitarnya .
Pencemaran udara merupakan penyebab terjadinya penurunan kualitas udara akibat masuknya polutan-polutan ke udara yang disebabkan oleh aktivitas manusia maupun secara alami .
Pencemaran udara dapat berasal dari berbagai faktor, terutama akibat aktivitas manusia seperti penggunaan kendaraan berbahan bakar fosil, pembangkit listrik, aktivitas industri, aktivitas rumah tangga, pertambangan, dan sebagainya .
Pencemaran udara di suatu wilayah dapat ditentukan berdasarkan nilai ISPU (Indeks Standar Pencemaran Udar.
yang merupakan pengukuran terhadap indeks kondisi mutu udara di suatu wilayah .
Parameter ISPU yang digunakan dalam menentukan kualitas udara suatu wilayah yaitu partikulat berukuran 10 m (PM.
CO.
SO2, dan NO2 .
Selain itu, terdapat faktor-faktor parameter meteorologi yang turut memengaruhi tingkat kualitas udara di suatu wilayah .
Parameter-parameter meteorologi tersebut terdiri dari suhu udara, tekanan udara, angin, perawanan, kelembaban, radiasi matahari, dan sebagainya .
Semua parameter meteorologi tersebut dapat memengaruhi kualitas udara di suatu wilayah dengan tingkat korelasi yang berbeda-beda antar parameternya.
Dalam menggambarkan tingkat kualitas udara suatu wilayah, digunakan model yang memiliki tingkat keakuratan yang terbaik untuk menggambarkan tingkat kualitas udara di suatu wilayah.
Penggunaan pemodelan dalam memprediksi suatu masalah karena pemodelan dapat menyelesaikan berbagai permasalah serta dapat menghasilkan prediksi berdasarkan data-data sebelumnya .
Tree-based model menjadi salah satu model algoritma yang paling populer dan sukses dalam prakteknya karena memiliki keunggulan yang lebih baik dalam mempelajari hubungan yang kompleks dalam data .
Beberapa tree-based model yang populer dalam melakukan tugas klasifikasi dan regresi dengan membangun struktur seperti pohon untuk menentukan kelas atau nilai variabel target sesuai dengan fitur adalah model random forest (RF), extra trees (ET), dan gradient boosting classifier (GBC) .
Random forest adalah metode pembelajaran mesin terintegrasi yang menggunakan teknik pengambilan sampel acak bootstrap dan teknik pemisahan simpul acak untuk membangun beberapa pohon keputusan .
Gradient boosting merupakan metode pengajaran yang berbasis pohon keputusan dengan metode pembelajaran berbasis pohon klasifikasi awal dan terus menyesuaikan pohon baru dengan mengurangi fungsi kerugian .
Selain itu, extra trees memiliki kesamaan dengan random forest dalam membangun serangkaian pohon keputusan.
Namun, keacakan model extra trees berasal dari pemisahan pengacakan pada semua pengamatan dan bukan berasal dari bootstrap data.
Ketiga tree-based model tersebut memiliki kelebihan dan kekurangan masing-masing dalam melakukan prediksi.
Pada penelitian ini.
Daerah Khusus Jakarta dipilih sebagai lokasi penelitian dikarenakan Daerah Khusus Jakarta merupakan salah satu kota dengan tingkat kualitas udara terburuk di dunia .
Dalam penelitian ini, ketiga tree-based model random forest (RF), extra trees (ET), dan gradient boosting classifier (GBC) akan dibandingkan keakuratannya dalam memprediksi kualitas udara di Daerah Khusus Jakarta.
Perbandingan keakuratan dari ketiga tree-based model ini menjadi penting karena dapat menentukan model terbaik yang dapat digunakan dalam memprediksi kualitas udara di suatu wilayah, terutama di Daerah Khusus Jakarta.
METODOLOGI
1 Lokasi dan data penelitian Lokus penelitian ini dilakukan di wilayah Daerah Khusus Jakarta yang merupakan salah satu kota dengan tingkat pencemaran udara terburuk di Indonesia.
Secara astronomi.
Daerah Khusus Jakarta terletak sekitar 5,32A Ae 6,3983A LS dan 106,3783A Ae 106,9717A BT seperti yang digambarkan pada Gambar 1.
Selain itu, penelitian ini berfokus pada periode 2018 hingga 2021 dalam menguji kinerja Rekayasa Hijau Ae 114 Uji Keakuratan Kinerja Tiga Tree-Based Model Berbasis Classification dalam Memprediksi Kualitas Udara di Daerah Khusus Jakarta ketiga tree-based model dalam memprediksi kualitas udara dan menghasilkan analisis yang Gambar 1.
Lokasi Penelitian Dalam penelitian ini, dataset yang digunakan yaitu parameter Indeks Standar Pencemaran Udara (ISPU) Daerah Khusus Jakarta dan parameter meteorologi dengan periode waktu selama 4 tahun .
8 - 2.
Data ISPU Daerah Khusus Jakarta yang digunakan yaitu PM10.
CO.
NO2.
O3, dan SO2 yang dapat diperoleh melalui web Jakarta Open Data .
ttps://data.
id/datase.
Selain itu, parameter meteorologis yang digunakan yaitu suhu udara maksimum dan minimum .
t_air_max dan tt_air_mi.
, tekanan udara .
p_ai.
, arah dan kecepatan angin .
d_avg dan ws_av.
, kelembaban .
h_av.
, curah hujan .
, dan radiasi matahari rata-rata dan maksimal .
r_avg dan sr_ma.
yang dapat diperoleh melalui data AWS BMKG .
ttps://awscenter.
id/accessdat.
Data yang telah diperoleh kemudian disatukan ke dalam format excel (*.
yang kemudian data akan diperbaiki dengan reprocessing terhadap data yang ganda, hilang, atau tidak .
Selanjutnya, akan dilakukan teknik rekayasa fitur untuk mengekstraksi fitur-fitur yang relevan dalam proses pemodelan seperti waktu.
ISPU, suhu, kelembaban, tekanan, angin, hujan, dan perawanan .
Selain itu, teknik ini juga berguna untuk memilih, memanipulasi, dan mengubah data mentah menjadi fitur yang dapat digunakan dalam pembelajaran model serta menentukan target dari data yang ada.
Target sasarannya adalah kualitas udara wilayah Jakarta dengan 4 kategori yaitu sehat .
, sedang .
, dan tidak sehat .
, sangat tidak sehat .
berdasarkan Tabel 1 .
Tabel 1.
Target Sasaran Kualitas Udara dalam Machine Learning Klasifikasi Kualitas Udara Sehat Sedang Tidak sehat Sangat tidak sehat Target .
inary number.
Data yang telah diproses sebelumnya akan dibagi menjadi set pelatihan dan pengujian untuk menentukan keakuratan model dan pembelajaran model .
Dalam penelitian ini, set pelatihan model yang digunakan yaitu 90% dari total data serta set pengujian model sebesar 10% .
Set pelatihan digunakan untuk melatih ketiga tree-based model, sedangkan set pengujian digunakan untuk mengevaluasi performa model .
Ketiga tree-based model random forest (RF), extra trees (ET), dan Rekayasa Hijau Ae 115 Muhizzadin Abdul Adzan dkk.
gradient boosting classifier (GBC) akan mempelajari dataset pelatihan sebelumnya dan mengevaluasi performa model dari dataset pengujian.
2 Penentuan Konfigurasi Hypermaters Penentuan konfigurasi hyperparameters menjadi hal yang sangat krusial dalam sebuah pemodelan karena konfigurasi hyperparameter berperan dalam penentuan parameter terbaik yang akan mengatur proses pembelajaran dan pengujian pada sebuah pemodelan .
Dalam penelitian ini, konfigurasi hyperparameters yang digunakan yaitu pada Tabel 2.
Tabel 2.
Tabel Hypermaters Description Session id Target Type Preprocess Fix imbalance Normalize Use GPU Log Experiment Fix imbalance method Value Multiclass True True True False False SMOTE 3 Analisis Parameter Penting Pada ketiga tree-based model dapat dianalisis parameter-parameter yang memengaruhi kategori kualitas udara di Daerah Khusus Jakarta.
Analisis fitur yang memengaruhi kualitas udara di wilayah Daerah Khusus Jakarta dilakukan berdasarkan feature importance plot .
Dari hasil feature importance plot tersebut dapat diketahui parameter ISPU dan meteorologi yang memiliki kontribusi yang besar dalam memengaruhi kualitas udara di wilayah Daerah Khusus Jakarta.
4 Evaluasi Performa Performa pemodelan dari tree-based model dapat dievaluasi menggunakan set pengujian berdasarkan nilai accuracy, precision, recall.
F1-score, confusion metrics, receiver operating characteristic (ROC) dan area under the curve (AUC) .
(Saputra & Oktarina, 2.
Nilai accuracy, precision, recall, confusion metrics, dan F1-score dapat dijelaskan melalui Tabel 3 dan Persamaan 1 Ae 4 berikut .
- .
Selain itu.
Menurut Florin Gorunescu .
, pedoman klasifikasi keakuratan pengujian AUC dijabarkan melalui Tabel 4.
Tabel 3.
Tabel Confusion Matrix Confusion Matrix Positive Negative Predicted Class Actual Class Positive True Positive (TP) False Negative (FN) Negative False Positive (FP) True Negative (TN) Tabel 4.
Tabel klarifikasi keakuratan pengujian AUC Skala yaycaycaycycycaycayc = ycEycyceycaycnycycnycuycu = Keterangan Excellent Classification Good Classification Fair Classification Poor Classification Failure ycNycE ycNycA ycNycE ycNycA yaycE yaycA ycNycE ycNycE yaycE ycIyceycuycycnycycnycycnycyc/ycIyceycaycaycoyco = .
ycNycE ycNycE yaycA Rekayasa Hijau Ae 116 Uji Keakuratan Kinerja Tiga Tree-Based Model Berbasis Classification dalam Memprediksi Kualitas Udara di Daerah Khusus Jakarta ya1 Oe ycIycaycuycyce = 2 ( ycEycyceycaycnycycnycuycu y ycIyceycaycaycoyco ycEycyceycycnycaycnycuycu ycIyceycaycaycoyco Keterangan:
TP : True Positive .
ata positif yang diidentifikasi positi.
TN : True Negative .
ata negatif yang diidentifikasi negati.
FP : False Positive .
ata negatif yang diidentifikasi positi.
FN : False Negative .
ata positif yang diidentifikasi negati.
HASIL DAN PEMBAHASAN 1 Important Features Analisis fitur yang memengaruhi kualitas udara di wilayah Daerah Khusus Jakarta dilakukan berdasarkan feature importance plot .
Gambar 2 merupakan feature importance plot dari model machine learning.
Feature importance digunakan dalam menentukan parameter-parameter yang paling memengaruhi atau memiliki kontribusi yang semakin tinggi terhadap sebuah variabel target yang dituju .
Fitur terpenting dalam grafik terbagi dalam 2 kategori yaitu parameter ISPU dan meteorologis.
Gambar 2.
merupakan model random forest dimana pada pemodelan ini.
O3 merupakan parameter yang paling penting serta arah angin merupakan parameter meteorologis yang paling memengaruhi kualitas udara di Daerah Khusus Jakarta.
Pada Gambar 2.
, model extra trees classifier menunjukan bahwa parameter O3 merupakan parameter terpenting yang memengaruhi kualitas udara serta arah angin merupakan parameter meteorologi yang paling memengaruhi kualitas udara di wilayah Daerah Khusus Jakarta.
Selain itu, pada Gambar 2.
, model gradient boosting classifier juga memberikan informasi bahwa O3 merupakan fitur terpenting serta arah dan kecepatang angin merupakan parameter meteorologi yang memengaruhi kualitas udara di wilayah Daerah Khusus Jakarta.
Dari ketiga model tersebut, dapat dilihat bahwa parameter yang paling memengaruhi kualitas udara di Daerah Khusus Jakarta yakni O3.
Dari segi meteorologi, parameter arah dan kecepatang angin menjadi paramater yang turut berkontribusi dalam memengaruhi tingkat kualitas udara di Daerah Khusus Jakarta.
Gambar 2.
Feature Importance Plot dari ketiga model .
Random Forest, .
Extra Trees Classifier, dan .
Gradient Boosting Classifer Rekayasa Hijau Ae 117 Muhizzadin Abdul Adzan dkk.
2 Uji keakuratan model Perbandingan performa ketiga model ditampilkan pada Tabel 5 berikut.
Masing-masing model dapat dievaluasi dengan membandingkan nilai yang tertinggi.
Beberapa metrik umum dalam pembelajaran machine learning diantaranya, yakni accuracy, recall, precision, area under the curve (AUC), dan F1 .
Dari data yang ditampilkan, dapat dilihat bahwa gradient boosting classifier memiliki nilai AUC lebih tinggi daripada model-model lainnya.
Hal tersebut menunjukkan bahwa performa gradient boosting classifier lebih baik membedakan antara kelas positif dan negatif dibandingkan model lainnya.
Selain itu, berdasarkan nilai accuracy, recall, precision, dan F1 dapat dilihat bahwa nilai pemodelan random forest classifier yang lebih tinggi dibandingkan dengan model-model lainnya.
Akan tetapi, secara umum, ketiga model tersebut menunjukkan tingkat keakurasian yang baik, dimana memiliki nilai AUC di atas 0,9 yang termasuk excellent classification .
Tabel 5.
Performa tiga model oleh matrik Model Acc.
Auc.
Rec.
Prec.
Random Forest Classifier .
Extra Trees Classifier .
Gradient Boosting Classifier .
Selain menggunakan accuracy, recall, precision, area under the curve (AUC), dan F1 dalam menguji keakuratan ketiga model tersebut, pengujian kinerja model juga dapat dilakukan menggunakan confusion matrix seperti pada Gambar 3 berikut.
Matriks kebingungan .
onfusion matri.
merupakan metode yang efektif untuk menilai kinerja pengklasifikasi serta dapat memberikan analisis terhadap kesalahan khusus pada parameter yang diuji seperti mencakup kesalahan false positive .
esalahan inklus.
dan false negative .
esalahan eksklus.
Pada ketiga gambar confusion matrix menunjukkan empat kelas .
,1,2,.
dengan memuat diagonal atas sebelah kiri hingga ke kanan bahwa menunjukkan jumlah prediksi yang benar setiap kelas.
Pada gambar 3.
model random forest memuat data dari kelas 0, 1, 2, dan 3 dengan memberikan prediction class yang sama dengan true class masing-masing sebanyak 5, 75, 45, dan 4 data.
Terdapat kesalahan di mana model menghasilkan prediction class yang berbeda dengan true class pada masingmasing kelas dengan total kesalahan kelas sekitar 17 data.
Gambar 3.
model extra trees classifier menunjukkan bahwa pada kelas 0, 1, 2, dan 3 memberikan prediction class yang sama dengan true class masing-masing sebanyak 5, 74, 42, dan 4 data.
Kesalahan pada model tersebut menghasilkan prediction class yang berbeda dengan true class pada masing-masing kelas dengan total kelas yang berbeda sekitar 21 data.
Selain itu, pada Gambar 3.
model gradient boosting classifier menjelaskan bahwa pada kelas 0, 1, 2, dan 3 memberikan prediction class yang sama dengan true class masing-masing sebanyak 5, 70, 49, dan 4 data.
Kesalahan pada model tersebut menghasilkan prediction class yang berbeda dengan true class pada masing-masing kelas dengan total kelas yang berbeda sekitar 18 data.
Rekayasa Hijau Ae 118 Uji Keakuratan Kinerja Tiga Tree-Based Model Berbasis Classification dalam Memprediksi Kualitas Udara di Daerah Khusus Jakarta .
Gambar 3.
Confusion Matrix dari tiga model .
Random Forest, .
Extra Trees Classifier, dan .
Gradient Boosting Classifier Gambar 4 merupakan grafik receiver operating characteristic (ROC).
Kurva AUC - ROC merupakan kurva yang digunakan dalam menentukan permasalahan klasifikasi pengaturan pada nilai ambang batas berdasarkan hasil pengukuran kinerja.
ROC adalah kurva kemungkinan serta AUC merupakan nilai yang menyatakan nilai atau derajat yang mana semakin mendekati 1, maka semakin baik model dalam membedakan kelas .
Klasifikasi nilai AUC dapat dilihat pada Tabel 4 di atas berdasarkan Gorunescu .
Gambar 4.
model random forest classifier memberikan informasi nilai bahwa kelas 0 dan 1 memiliki AUC sebesar 0,94 yang menunjukkan kriteria yang excellent classification.
Kemudian kelas 2 memiliki nilai sebesar 0,98 yang mendekati klasifikasi sempurna.
Kelas 3 memiliki AUC sebesar 1,00 yang menunjukkan klasifikasikan sempurna.
Selain itu, gambar tersebut memberikan informasi bahwa model random forest classifier menghasilkan kurva ROC rata-rata mikro (AUC = 0,.
dan kurva ROC ratarata makro (AUC = 0,.
Pada Gambar 4.
model extra trees classifier memberikan informasi bahwa nilai AUC pada kelas 0 sebesar 0,91 yang menunjukkan model excellent classification.
Kelas 1 memiliki nilai 0,94 yang menunjukkan kinerja excellent classification.
Kelas 2 memiliki nilai AUC sebesar 0,96 yang memberikan informasi bahwa model ini memiliki kinerja excellent classification.
Pada kelas 3 memiliki nilai AUC sebesar 0,99 menunjukkan kinerja yang hampir sempurna.
Selain itu, model extra trees classifier menghasilkan kurva ROC rata-rata mikro (AUC = 0,.
dan kurva ROC rata-rata makro (AUC = 0,.
Gambar 4.
model gradient boosting classifier memberikan informasi nilai AUC kelas 0 sebesar 0,94 yang menunjukkan bahwa model memiliki kemampuan yang excellent classification.
Kelas 1 memiliki nilai AUC sebesar 0,95 menunjukkan klasifikasi kinerja yang excellent classification.
Pada kelas 2 memiliki nilai 0,97 menunjukkan kinerja yang excellent classification serta kelas 3 dengan nilai AUC 1,00 yang menunjukkan kinerja yang sempurna.
Selain itu, model tersebut menghasilkan kurva ROC rata-rata mikro dan kurva ROC rata-rata makro masing-masing AUC = 0,97.
Berdasarkan nilai AUC dari ketiga model di atas, rata-rata AUC dari ketiga model berada di atas 0,9 yang menunjukan excellent Rekayasa Hijau Ae 119 Muhizzadin Abdul Adzan dkk.
Gambar 4.
Grafik receiver operating characteristic (ROC) dari ketiga model .
Random Forest .
Extra Trees Classifier .
Gradient Boosting Classifier KESIMPULAN Penelitian di atas menunjukkan performa dari tiga tree-based model random forest (RF), extra trees (ET), dan gradient boosting classifier (GBC) dalam memprediksi kualitas udara di wilayah Daerah Khusus Jakarta.
Data yang digunakan dalam penelitian ini berasal dari data AWS BMKG dan ISPU Daerah Khusus Jakarta selama periode 2018 Ae 2021 dengan parameter yang digunakan yaitu parameter ISPU dan meteorologi.
Berdasarkan feature importance plot dari ketiga model tersebut menunjukkan bahwa parameter ISPU O3 merupakan parameter yang sangat memengaruhi kualitas udara di Daerah Khusus Jakarta, serta arah dan kecepatan angin merupakan faktor meteorologis yang paling memengaruhi kualitas udara.
Di samping itu, berdasarkan uji keakuratan ketiga tree-based model tersebut, model random forest (RF) menunjukkan kemampuan terbaik dalam memprediksi kualitas udara di Daerah Khusus Jakarta dengan nilai accuracy 0.
8821, precision 0.
8870, recall 0.
8821, f1-score 8816 serta AUC 0.
Selain itu, berdasarkan model extra trees (ET) dan gradient boosting classifier (GBC) secara berurutan memiliki nilai accuracy 0.
8669 dan 0.
8646, precision 0.
8719 dan 8755, recall 0.
8669 dan 0.
8646, f1-score 0.
8648 dan 0.
8674, serta AUC 0.
9286 dan 0.
Berdasarkan confusion matrix, model RF.
ET, dan GBC dapat memberikan prediction class yang sama dengan true class masing-masing sebanyak 129, 125, dan 128 data.
Berdasarkan AUC dari ketiga model tersebut, rata-rata AUC ketiga model tersebut berada di atas 0,9 yang menunjukkan excellent UCAPAN TERIMA KASIH Terima kasih sebesar-besarnya diberikan kepada Program Studi Meteorologi.
Sekolah Tinggi Meteorologi Klimatologi dan Geofisika (STMKG) serta para dosen STMKG yang telah memberikan ilmu, dukungan, dan bantuan dalam penelitian ini.
Ucapan terima kasih juga diberikan kepada BMKG Rekayasa Hijau Ae 120 Uji Keakuratan Kinerja Tiga Tree-Based Model Berbasis Classification dalam Memprediksi Kualitas Udara di Daerah Khusus Jakarta dan Dinas Komunikasi.
Informatika, dan Statistik Provinsi DKI Jakarta yang telah menyediakan data AWS BMKG serta Indeks Standar Pencemaran Udara (ISPU) Jakarta yang menjadi data utama dalam penelitian ini.
Kontribusi dari semua pihak tersebut menjadi kunci dalam menyelesaikan penelitian ini.
DAFTAR PUSTAKA