Peramalan kualitas udara untuk pemantauan berdasarkan World Air Quality Index menggunakan Support Vector Regression

INDONESIA:

Kualitas udara merupakan faktor penting yang memengaruhi kesehatan masyarakat dan kondisi lingkungan. Konsentrasi partikulat halus PM2.5 menjadi salah satu indikator utama pencemaran udara karena dapat meningkatkan risiko gangguan pernapasan dan penyakit kardiovaskular. Oleh karena itu, diperlukan metode yang mampu meramalkan kualitas udara untuk memberikan informasi awal mengenai kondisi udara di masa mendatang. Penelitian ini bertujuan mengembangkan model peramalan konsentrasi PM2.5 menggunakan metode Support Vector Regression (SVR) serta mengimplementasikannya dalam sistem informasi pemantauan kualitas udara berbasis web. Data penelitian diperoleh dari World Air Quality Index (WAQI) API yang mencakup lima belas wilayah di Indonesia dengan periode pengamatan Juni 2025 hingga Januari 2026. Variabel yang digunakan meliputi PM2.5 sebagai variabel dependen serta variabel meteorologi berupa temperatur, kelembapan, tekanan udara, kecepatan angin, dan titik embun sebagai variabel independen. Proses pemodelan meliputi pra-pemrosesan data, rekayasa fitur, seleksi fitur menggunakan SelectKBest, serta pelatihan model SVR dengan kernel Radial Basis Function. Evaluasi model menggunakan metrik Mean Absolute Error, Root Mean Squared Error, dan koefisien determinasi. Hasil penelitian menunjukkan bahwa model SVR menghasilkan performa peramalan yang lebih baik dibandingkan model baseline persistence dengan nilai R² antara 0.089 hingga 0.512. Sistem informasi yang dikembangkan mampu menampilkan data kualitas udara dan hasil peramalan secara otomatis.

ENGLISH:

Air quality is a critical factor affecting public health and environmental conditions. Concentrations of fine particulate matter (PM2.5) are a key indicator of air pollution because they can increase the risk of respiratory disorders and cardiovascular diseases. Therefore, a method capable of forecasting air quality is needed to provide early information on future air conditions. This study aims to develop a PM2.5 concentration forecasting model using the Support Vector Regression (SVR) method and to implement it in a web-based air quality monitoring information system. Research data were obtained from the World Air Quality Index (WAQI) API, covering fifteen regions in Indonesia with an observation period from June 2025 to January 2026. The variables used include PM2.5 as the dependent variable and meteorological variables such as temperature, humidity, air pressure, wind speed, and dew point as independent variables. The modeling process includes data preprocessing, feature engineering, feature selection using SelectKBest, and training the SVR model with a Radial Basis Function kernel. Model evaluation uses the metrics Mean Absolute Error, Root Mean Squared Error, and the coefficient of determination. The results show that the SVR model produces better forecasting performance compared to the baseline persistence model, with R² values ranging from 0.089 to 0.512. The developed information system is capable of automatically displaying air quality data and forecasting results.

ARABIC:

تعد جودة الهواء عاملاً مهمًا يؤثر على صحة المجتمع وحالة البيئة. وتعد تركيزات الجسيمات الدقيقة PM2.5 أحد المؤشرات الرئيسية لتلوث الهواء، حيث إنها تزيد من مخاطر الإصابة بمشاكل الجهاز التنفسي وأمراض القلب والأوعية الدموية. ولذلك، هناك حاجة إلى طريقة قادرة على التنبؤ بجودة الهواء لتوفير معلومات مسبقة حول حالة الهواء في المستقبل. تهدف هذه الدراسة إلى تطوير نموذج للتنبؤ بتركيز PM2.5 باستخدام طريقة Support Vector Regression (SVR) وتطبيقه في نظام معلومات مراقبة جودة الهواء على شبكة الإنترنت. تم الحصول على بيانات الدراسة من واجهة برمجة تطبيقات World Air Quality Index (WAQI) التي تغطي خمسة عشر منطقة في إندونيسيا، مع فترة رصد تمتد من يونيو 2025 إلى يناير 2026. تشمل المتغيرات المستخدمة PM2.5 كمتغير تابع، بالإضافة إلى المتغيرات الجوية مثل درجة الحرارة والرطوبة وضغط الهواء وسرعة الرياح ونقطة الندى كمتغيرات مستقلة. تشمل عملية النمذجة المعالجة المسبقة للبيانات، وهندسة الميزات، واختيار الميزات باستخدام SelectKBest، بالإضافة إلى تدريب نموذج SVR باستخدام نواة Radial Basis Function. تم تقييم النموذج باستخدام مقاييس Mean Absolute Error وRoot Mean Squared Error ومعامل التحديد. أظهرت نتائج البحث أن نموذج SVR حقق أداءً تنبؤيًا أفضل مقارنةً بنموذج baseline persistence بقيم R² تتراوح بين 0.089 و0.512. تمكن نظام المعلومات الذي تم تطويره من عرض بيانات جودة الهواء ونتائج التنبؤ تلقائيًا.