Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal Insect (Informatics and Security): Jurnal Teknik Informatika Jurnal Teknik Informatika (JUTIF)
Irjayana, Rizky Caesar
Unknown Affiliation
Computer Science & IT

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Pengaruh Seleksi Fitur Terhadap Klasifikasi Indeks Standar Pencemar Udara Menggunakan Naïve Bayes Irjayana, Rizky Caesar; Fadlil, Abdul; Umar, Rusydi
Insect (Informatics and Security): Jurnal Teknik Informatika Vol. 11 No. 1 (2025): Maret 2025
Publisher : Universitas Muhammadiyah Sorong

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33506/insect.v11i1.4303

Abstract

Tujuan penelitian ini adalah untuk mengklasifikasikan kualitas udara sesuai dengan Indeks Standar Pencemar Udara (ISPU) menggunakan algoritma Naïve Bayes serta mengevaluasi dampak penambahan fitur PM2.5 terhadap akurasi model dengan membagi dataset kedalam tiga kategori diantaranya BAIK, SEDANG dan TIDAK SEHAT. ISPU merupakan indikator penting dalam mengukur kualitas udara berdasarkan konsentrasi polutan seperti PM10, PM2.5, SO2, CO, O3, NO2 dan HC. Dengan tingginya volume data yang dikumpulkan setiap hari, diperlukan metode klasifikasi yang efektif untuk menyampaikan data kualitas udara dengan tepat. Penelitian ini mengusulkan dua skenario klasifikasi berdasarkan Peraturan NOMOR P.14/MENLHK/SETJEN/KUM.1/7/2020, yaitu: tanpa fitur PM2.5 dan dengan fitur PM2.5. Evaluasi dilakukan menggunakan K-Fold Cross Validation dengan K = 2, 3, 4, dan 5, dimana K = 5 menghasilkan akurasi tertinggi. Hasil penelitian menunjukkan bahwa penambahan fitur PM2.5 meningkatkan akurasi model dari 82,89% menjadi 93% dan F1-score dari 82,6% menjadi 92,8%, menunjukkan peningkatan sekitar 10%. Kontribusi utama penelitian ini adalah analisis komprehensif terhadap dampak fitur PM2.5 serta evaluasi berbagai nilai K dalam K-Fold Cross Validation. Dengan demikian, penemuan ini dapat menjadi sumbangsih ilmu pengetahuan pada ranah pengembangan sistem pemantauan kualitas udara yang lebih akurat untuk mendukung kebijakan lingkungan dan kesehatan masyarakat.
Air Quality Index Classification: Feature Selection for Improved Accuracy with Multinomial Logistic Regression Irjayana, Rizky Caesar; Fadlil, Abdul; Umar, Rusydi
Jurnal Teknik Informatika (Jutif) Vol. 6 No. 5 (2025): JUTIF Volume 6, Number 5, Oktober 2025
Publisher : Informatika, Universitas Jenderal Soedirman

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52436/1.jutif.2025.6.5.5155

Abstract

Air pollution is a major public health concern, creating the need for accurate and interpretable Air Quality Index (AQI) classification models. This study aims to classify AQI into three categories—Good, Moderate, and Unhealthy—using Multinomial Logistic Regression (MLR) with feature selection. The dataset, obtained from public monitoring stations in Jakarta between 2021 and 2024, initially contained 4,620 daily records. After cleaning and outlier removal, 3,586 valid samples remained, from which 900 balanced records (300 per class) were selected for modeling. Key features included PM₁₀, PM₂.₅, SO₂, CO, O₃, and NO₂, which were standardized using Max Normalization to ensure uniform feature scaling. The classification process applied k-fold cross-validation (k = 2–5), and performance was assessed using accuracy and Macro F1-score. Results show that including PM₂.₅ improves performance by about 10%, with the best outcome at k = 5 (accuracy = 91.67%, Macro F1 = 91.45%). These findings confirm PM₂.₅ as a decisive feature for AQI prediction and demonstrate that MLR provides a lightweight, transparent, and computationally efficient solution. Beyond environmental health, the contribution of this work lies in advancing data-driven decision support systems in Informatics, particularly for real-time monitoring and policy applications.
Co-Authors Abdul Fadlil Rusydi Umar