Article Per Year (5 Year)
p-Index From 2020 - 2025
0.23
P-Index
This Author published in this journals
All Journal Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer)
Habibie, Husnul
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Implementasi Algoritma Random Forest Untuk Klasifikasi Pencemaran Udara di Wilayah Jakarta Berdasarkan Jakarta Open Data Firdaus, Rahmad; Habibie, Husnul; Rizki, Yoze
JURNAL FASILKOM Vol. 14 No. 2 (2024): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer)
Publisher : Unversitas Muhammadiyah Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37859/jf.v14i2.7669

Abstract

Pencemaran udara merupakan masalah dunia yang cukup memprihatinkan di beberapa negara, dan termasuk salah satunya di Jakarta. DKI Jakarta merupakan salah satu kota dengan peringkat tertinggi dalam kualitas udara yang terburuk di dunia. Algoritma Random Forest adalah pengembangan dari metode Classification and Regression Tree (CART) yang dapat meningkatkan hasil akurasi dalam membangkitkan atribut untuk setiap node yang dilakukan secara acak. Pada penelitian ini bertujuan untuk mengetahui Performa Algoritma Random Forest terhadap klasifikasi dalam data pencemaran udara wilayah Jakarta tahun 2016- 2021 dan untuk mendapatkan hasil klasifikasi dari Algorima Random Forest dalam klasifikasi pencemaran udara wilayah Jakarta tahun 2016-2021. Sehingga penelitian ini semoga dapat menjadi rujukan atau acuan bagi peneliti tentang algoritma Random Forest, dalam klasifikasi data Pencemaran Udara. Hasil performa model dari algoritma Random Forest, pada data train mendapatkan nilai precision, recall, dan F1-score yang sempurna yaitu 100% disemua kelas dan AUC juga sebesar 100%, lalu pada data test pada nilai precision untuk setiap kelas juga sangat tinggi yaitu 99%, dan AUC sebesar 99,96%. Hasil klasifikasi dari algoritma Random Forest mendapatkan akurasi pada data train sebesar 100% dan untuk data test mendapatkan akurasi pada data train sebesar 99,95%.
Co-Authors Rahmad Firdaus Rizki, Yoze