Implementasi IoT dan Decision Tree untuk Prediksi dan Peringatan Dini Polusi Udara
Bilah Samping Artikel
Isi Artikel Utama
Abstrak
Kualitas udara merupakan faktor lingkungan yang berpengaruh signifikan terhadap kesehatan manusia, terutama di wilayah perkotaan dengan tingkat aktivitas dan mobilitas yang tinggi. Keterbatasan sistem pemantauan kualitas udara konvensional dalam aspek biaya, jangkauan, dan ketersediaan data real-time mendorong perlunya pengembangan sistem yang lebih adaptif dan efisien. Penelitian ini bertujuan untuk mengembangkan sistem pemantauan dan prediksi kualitas udara terintegrasi berbasis Internet of Things (IoT) dan machine learning. Metode penelitian yang digunakan adalah metode kuantitatif dengan memanfaatkan data primer dan data sekunder. Data primer diperoleh melalui sistem IoT berbasis ESP32 yang terhubung dengan sensor MQ-135, DHT22, dan BMP280, kemudian dikirimkan secara real-time ke Firebase Realtime Database dan diklasifikasikan menggunakan pendekatan rule-based berdasarkan nilai gas index. Data sekunder diperoleh melalui API eksternal dan dianalisis menggunakan model Decision Tree yang dilatih dengan dataset Indeks Standar Pencemar Udara (ISPU). Hasil pengujian menunjukkan sistem IoT beroperasi stabil dengan interval pengiriman data 5 detik, serta model Decision Tree menghasilkan akurasi sebesar 99,30%. Sistem ini efektif untuk pemantauan dan prediksi kualitas udara secara real-time.
Rincian Artikel
Referensi
A. Garcia, Y. Saez, I. Harris, X. Huang, and E. Collado, “Advancements in air quality monitoring: a systematic review of IoT-based air quality monitoring and AI technologies,” Artif Intell Rev, vol. 58, no. 9, Sep. 2025, doi: 10.1007/s10462-025-11277-9.
R. A. Guerrón et al., “IoT sensor nodes for air pollution monitoring: a review,” Acta IMEKO, vol. 12, no. 4, pp. 1–10, Dec. 2023, doi: 10.21014/ACTAIMEKO.V12I4.1676.
C. Banciu, A. Florea, and R. Bogdan, “Monitoring and Predicting Air Quality with IoT Devices,” Processes, vol. 12, no. 9, Sep. 2024, doi: 10.3390/pr12091961.
Z. Liu, G. Wang, L. Zhao, and G. Yang, “Multi-Points Indoor Air Quality Monitoring Based on Internet of Things,” IEEE Access, vol. 9, pp. 70479–70492, 2021, doi: 10.1109/ACCESS.2021.3073681.
J. Buelvas, D. Múnera, D. P. Tobón V, J. Aguirre, and N. Gaviria, “Data Quality in IoT-Based Air Quality Monitoring Systems: a Systematic Mapping Study,” Apr. 01, 2023, Institute for Ionics. doi: 10.1007/s11270-023-06127-9.
Y. Resti et al., “Ensemble of naive Bayes, decision tree, and random forest to predict air quality,” IAES International Journal of Artificial Intelligence, vol. 13, no. 3, pp. 3039–3051, Sep. 2024, doi: 10.11591/ijai.v13.i3.pp3039-3051.
M. Méndez, M. G. Merayo, and M. Núñez, “Machine learning algorithms to forecast air quality: a survey,” Artif Intell Rev, vol. 56, no. 9, pp. 10031–10066, Sep. 2023, doi: 10.1007/s10462-023-10424-4.
T. Xu, Y. Tian, X. Cai, C. Wu, and Z. Mian, “Air quality forecasting and rating based on machine learning algorithm and cumulative logit model: an empirical study for Lanzhou city of China,” Environ Dev Sustain, 2025, doi: 10.1007/s10668-024-05792-y.
J. Duan, Y. Gong, J. Luo, and Z. Zhao, “Air-quality prediction based on the ARIMA-CNN-LSTM combination model optimized by dung beetle optimizer,” Sci Rep, vol. 13, no. 1, Dec. 2023, doi: 10.1038/s41598-023-36620-4.
D. Kothandaraman et al., “Intelligent Forecasting of Air Quality and Pollution Prediction Using Machine Learning,” 2022, Hindawi Limited. doi: 10.1155/2022/5086622.