Penerapan Metode eXtreme Gradient Boosting (XGBoost) pada Klasifikasi Kualitas Udara Indonesia Menggunakan Augmentasi Data Conditional Generative Adversarial Network (CGAN)

Abstrak

Latar belakang : Kualitas udara yang semakin menurun dari tahun ke tahun menjadi masalah penting bagi Indonesia, terutama karena dampaknya terhadap kesehatan masyarakat dan lingkungan. Salah satu contohnya adalah kasus ISPA yang semakin meningkat dan pada tahun 2023 kasusnya mencapai 1,5 hingga 1,8 juta dengan salah satu faktor penyebabnya adalah kualitas udara yang buruk. Oleh karena itu, diperlukan deteksi dan pemantauan kualitas udara yang lebih efektif. Metode : Metode machine learning seperti eXtreme Gradient Boosting (XGBoost) telah banyak digunakan untuk mengklasifikasikan kualitas udara. Namun, ketidakseimbangan data antar kelas dapat menyebabkan model klasifikasi menjadi kurang optimal, karena model cenderung bias terhadap kelas mayoritas. Oleh karena itu, penelitian ini menggunakan Conditional Generative Adversarial Network (CGAN) sebagai teknik augmentasi data guna meningkatkan performa klasifikasi dengan menambah jumlah sampel pada kelas minoritas. Hasil penelitian : Berdasarkan hasil klasifikasi, proses augmentasi data CGAN mampu meningkatkan keseimbangan prediksi antar kelas, terutama dalam mengklasifikasikan kelas minoritas. Model CGAN-XGBoost menunjukkan performa yang baik dengan akurasi mencapai 97.08% serta nilai presisi 97.11%, recall 97.1%, F1-Score 97.08%, dan AUC 98.82%. Hal ini menunjukkan bahwa XGBoost merupakan metode yang stabil dan akurat dalam memanfaatkan data sintetis CGAN. Kesimpulan : Dengan demikian, CGAN-XGBoost dinilai efektif dalam menangani ketidakseimbangan data kualitas udara di Indonesia.

____________________________________________________________________

Abstract

Background : The declining air quality year after year has become a significant problem for Indonesia, especially due to its impact on public health and the environment. One example is the increasing number of respiratory tract infection cases, which reached 1.5 to 1.8 million in 2023, with poor air quality being one of the contributing factors. Therefore, more effective air quality detection and monitoring are needed. Method : Machine learning methods such as eXtreme Gradient Boosting (XGBoost) have been widely used to classify air quality. However, data imbalance between classes can cause classification models to be less than optimal, as models tend to be biased towards the majority class. Therefore, this study uses Conditional Generative Adversarial Network (CGAN) as a data augmentation technique to improve classification performance by increasing the number of samples in the minority class. Result : Based on the classification results, the CGAN data augmentation process was able to improve the balance of predictions between classes, especially in classifying minority classes. The CGAN-XGBoost model showed good performance with an accuracy of 97.08%, precision of 97.11%, recall of 97.1%, F1-Score of 97.08%, and AUC of 98.82%. This shows that XGBoost is a stable and accurate method in utilizing CGAN synthetic data. Conclusion : Thus, CGAN-XGBoost is considered effective in handling the imbalance of air quality data in Indonesia.