SISTEM MONITORING KUALITAS UDARA BERBASIS IOT DAN MACHINE LEARNING UNTUK PREDIKSI POLUSI MENGGUNAKAN RANDOM FOREST
DOI:
https://doi.org/10.59696/prinsip.v4i3.240Keywords:
IoT; kualitas udara; machine learning; monitoring; random forest.Abstract
Kualitas udara merupakan faktor penting yang memengaruhi kesehatan manusia dan lingkungan. Peningkatan aktivitas industri dan transportasi menyebabkan meningkatnya konsentrasi polutan udara sehingga diperlukan sistem monitoring yang mampu memberikan informasi secara real-time dan akurat. Penelitian ini bertujuan untuk mengembangkan sistem monitoring kualitas udara berbasis Internet of Things (IoT) yang terintegrasi dengan algoritma machine learning Random Forest untuk melakukan prediksi kualitas udara. Sistem menggunakan mikrokontroler ESP32 dengan sensor DHT22, MQ-135, dan MQ-7 untuk memperoleh data suhu, kelembaban, serta konsentrasi gas pencemar. Data dikirim ke server dan ditampilkan dalam dashboard berbasis web. Dataset historis digunakan untuk membangun model prediksi menggunakan Random Forest. Hasil penelitian menunjukkan sistem mampu melakukan monitoring real-time dan menghasilkan prediksi dengan akurasi sebesar 95,91%. Sistem ini dapat menjadi solusi efektif dalam pemantauan dan prediksi kualitas udara.
References
Alam, M. S., & Rahman, M. M. (2021). A review of smart air quality monitoring systems using Internet of Things. Environmental Monitoring and Assessment, 193(4), 1–15.
Gao, J., Sun, Y., & Zhao, H. (2022). Machine learning-based air quality prediction: A comparative study. Atmospheric Environment, 273, 118956.
Huang, C., Kuo, P., & Lin, Y. (2021). IoT-based air pollution monitoring and forecasting system. Sensors, 21(2), 456.
Li, X., Zhang, Y., & Chen, L. (2024). Random forest-based air quality prediction model for urban environments. Environmental Science Journal, 18(2), 200–210.
Nugroho, A., Sari, D., & Pratama, Y. (2024). Implementasi Metode Random Forest pada Kategori Konten Media Sosial. Jurnal Jendela Edukasi, 5(1), 78–89. https://ejournal.jendelaedukasi.id/index.php/JJM/article/view/633
Nugroho, A., & Wijaya, D. (2024). Ensemble learning for environmental data analysis. Journal of Data Science, 9(1), 33–41.
Pebralia, R., Saputra, D., & Firmansyah, M. (2024). Monitoring systems in environmental applications. Journal of Engineering Research, 15(1), 78–85.
Putro, H., Santoso, B., & Rahman, A. (2024). IoT-based air quality monitoring system. International Journal of Technology, 15(1), 85–94.
Saputra, D., Prasetyo, A., & Nugraha, F. (2023). Implementation of Internet of Things in environmental monitoring. Journal of Smart Systems, 7(1), 12–20.
Sarker, I. H. (2021). Machine Learning: Algorithms, Real-World Applications and Research Directions. SN Computer Science. https://doi.org/10.1007/s42979-021-00592-y
Wang, Y., Li, Z., & Guo, X. (2023). Air quality prediction based on machine learning models: A review. Atmosphere, 14(5), 789.
World Health Organization. (2022). WHO Global Air Quality Guidelines: Particulate Matter (PM2.5 and PM10), Ozone, Nitrogen Dioxide, Sulfur Dioxide and Carbon Monoxide. World Health Organization.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Raja Syahlul Idhamsyah Ruzfi, Yohanni Syahra
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
