PERBANDINGAN ANALISIS ALGORITMA K-NEAREST NEIGHBORS (KNN) DAN NAÏVE BAYES DALAM KLASIFIKASI KUALITAS UDARA

Aldebran, M. Thoriq (2025) PERBANDINGAN ANALISIS ALGORITMA K-NEAREST NEIGHBORS (KNN) DAN NAÏVE BAYES DALAM KLASIFIKASI KUALITAS UDARA. Skripsi thesis, UNAMA.

	Text BAB I.pdf Download (183kB)
	Text BAB II.pdf Restricted to Registered users only Download (426kB)
	Text BAB III.pdf Restricted to Registered users only Download (231kB)
	Text BAB IV.pdf Restricted to Registered users only Download (821kB)
	Text BAB V.pdf Download (151kB)
	Text DAFTAR PUSTAKA.pdf Download (151kB)

Abstract

Penelitian ini bertujuan untuk membandingkan performa dua algoritma machine learning, yaitu K-Nearest Neighbours’ (KNN) dan Naïve Bayes, dalam mengklasifikasikan kualitas udara menggunakan dataset publik dari Kaggle. Data yang digunakan meliputi enam parameter utama polusi udara (PM2.5, PM10, SO2, CO, O3, dan NO2) serta kategori kualitas udara. Tahapan penelitian mencakup preprocessing data, pembersihan outlier menggunakan metode IQR, normalisasi dengan MinMaxScaler, serta pembagian dataset menjadi data latih dan data uji. Evaluasi model dilakukan dengan menggunakan metrik akurasi, precision, recall, F1-score, AUC, log loss, dan confusion matrix. Hasil penelitian menunjukkan bahwa algoritma KNN memiliki performa lebih unggul dengan akurasi 83%, precision dan recall yang konsisten di hampir semua kelas, serta AUC yang tinggi untuk kelas mayoritas (0,94 dan 0,93). Sebaliknya, algoritma Naïve Bayes hanya mencapai akurasi 55%, namun memiliki keunggulan dalam mendeteksi kelas minoritas dengan recall sempurna (1,0) dan AUC tinggi (0,95), meskipun precision rendah. Nilai log loss Naïve Bayes (0,21) juga lebih baik dibanding KNN (0,8981), yang menunjukkan konsistensi probabilitas prediksi meski akurasi keseluruhan rendah. Berdasarkan evaluasi menyeluruh, algoritma KNN direkomendasikan sebagai model terbaik untuk klasifikasi kualitas udara karena akurasinya yang lebih tinggi dan konsistensi performa di berbagai kelas. Namun, Naïve Bayes tetap dapat dipertimbangkan dalam kasus yang berfokus pada deteksi kelas minoritas. Penelitian ini diharapkan dapat berkontribusi pada pengembangan sistem pemantauan kualitas udara yang cerdas, akurat, dan adaptif, sehingga mendukung upaya pengendalian polusi udara dan perlindungan kesehatan masyarakat.

Actions (login required)

View Item