Model Prediksi Kualitas Udara dengan Support Vector Machines dengan Optimasi Hyperparameter GridSearch CV

Ahmad Toha (Universitas Nusa Mandiri)
Purwono Purwono (Universitas Harapan Bangsa)
Windu Gata (Universitas Nusa Mandiri)

Buletin Ilmiah Sarjana Teknik Elektro
Vol. 4 No. 1 (2022): April

Air pollution continues to increase in Jakarta. The city ranks 12th in the world as the capital of a country with high levels of pollution. The Jakarta Environmental Service requires processing air quality data generated by the Air Quality Monitoring Station in order to produce valuable information as a decision-making tool. This data processing can be processed with data mining techniques to seek new knowledge from the database so as to find valid, useful and easy-to-learn patterns. The SVM data mining classification model is proposed in this study. Our contribution in this research is to create a classification model with SVM with new techniques, namely improvements in data processing to perform hyperparameter tuning. We saw that previous researchers only pursued high accuracy scores. In contrast to previous studies, we used the gridsearch cv hyperparameter optimization technique on the SVM classification model. The kernel polynomial with 2 degrees is the best parameter recommendation from the grid search cv technique. The accuracy before optimization is 73,31%, while after optimization is 94,8%. This shows an increase in accuracy of 3.2% after applying the grid search cv method to the classification of air quality monitoring using the SVM model Pencemaran udara terus meningkat di Jakarta. Kota ini menempati urutan ke 12 di dunia sebagai ibukota negara dengan tingkat polusi tinggi. Dinas Lingkungan Hidup Jakarta memerlukan pengolahan data-data kualitas udara yang dihasilkan oleh Stasiun Pemantauan Kualitas Udara agar menghasilkan informasi berharga sebagai alat pengambil keputusan. Pengolahan data ini dapat diproses dengan teknik data mining untuk mencari pengetahuan baru dari basis data sehingga menemukan pola-pola yang valid, bermanfaat dan dapat dipelajari dengan mudah. Model klasifikasi data mining SVM diusulkan dalam penelitian ini. Kontribusi kami dalam penelitian ini adalah membuat model klasifikasi dengan SVM dengan teknik baru yaitu perbaikan dalam pemrosesan data hingga melakukan hyperparameter tuning. Kami melihat para peneliti sebelumnya hanya mengejar nilai akurasi yang tinggi. Berbeda dengan penelitian sebelumnya, kami menggunakan teknik optimasi hiperparameter gridsearch cv pada model klasifikasi SVM. Polinomial kernel dengan 2 derajat merupakan rekomendasi parameter terbaik dari teknik grid search cv. Akurasi sebelum optimasi adalah 73,31%, sedangkan setelah optimasi adalah 94,8%. Hal ini menunjukkan peningkatan akurasi sebesar 21,5% setelah menerapkan metode grid search cv pada klasifikasi pemantauan kualitas udara menggunakan model SVM.