Deteksi Anomali Polusi Udara Menggunakan Algoritma Isolation Forest tanpa Label pada Dataset Kualitas Udara Torino

Résumé fourni par la source

Polusi udara merupakan masalah masalah lingkungan yang berdampak langsung pada Kesehatan dan kualitas hidup manusia. Tujuan dari penelitian ini adalah untuk menggunakan algoritma Isolation Forest berbasis Unsupervised Learning, untuk menemukan anomali dalam data kualitas udara dan mengetahui situasi yang tidak normal dengan cepat dan akurat tanpa memerlukan label. Isolation forest dipilih karena efisien dalam menangani data yang besar dan bekerja dengan cepat dalam ruang fitur tinggi dibandingkan dengan algoritma yang lain. Penelitian ini mengimplementasikan algoritma isolation forest untuk dilakukannya identifikasi outlier pada data kualitas udara, khususnya parameter karbon monoksida (CO), nitrogen dioksida (NO?), nitrogen oksida (Nox), dan benzene (C6H6) dari dataset UCI Air Quality. Penelitian ini dilakukan dengan studi literatur, pengumpulan data, preprocessing (pembersihan data dan penanganan nilai hilang), analisis eksploratif, implementasi algoritma, serta visualisasi hasil. Hasilnya, dari total 9357 data, terdeteksi 468 anomali (5%) dengan karakteristik lonjakan nilai ekstrim seperti CO 8.1 mg/m³ dan NO? 187 µg/m³. Visualisasi grafik temporal dan boxplot memperkuat penelitian ini, dengan menunjukkan distribusi anomali yang tersebar. Sehingga, pendekatan ini bisa digunakan sebagai sistem peringatan dini terhadap lonjakan polusi udara yang berbahaya, sehingga berkontribusi dalam sistem monitoring kualitas udara otomatis yang lebih adaptif dan real-time.

Ce résumé expose les affirmations des auteurs. BNTIC ne l’interprète pas comme une validation indépendante des résultats.