Clustering Kualitas Udara DKI Jakarta dengan Algoritma K-Medoids Berdasarkan Indeks Standar Pencemar Udara
DOI:
https://doi.org/10.29313/bcss.v6i2.25833Keywords:
K-Medoids, Indeks Standar Pencemar Udara, Kualitas UdaraAbstract
Abstract. Air quality in DKI Jakarta exhibits considerable variation in pollutant concentrations, making clustering methods necessary to identify air quality patterns based on pollutant characteristics. This study aims to cluster air quality conditions in DKI Jakarta using the K-Medoids algorithm based on Air Pollution Standard Index. Daily ISPU data from January 2024 to November 2025 were obtained from the Satu Data Jakarta platform, covering five air quality monitoring stations and six pollutant parameters: PM₁₀, PM₂.₅, SO₂, CO, O₃, and NO₂. After data preprocessing, 3,090 observations were retained for analysis. Data preprocessing included missing value inspection, duplicate removal, outlier detection, and Z-score standardization. The optimal number of clusters was determined using the Silhouette Coefficient, followed by clustering with the K-Medoids algorithm. The results indicate that the optimal configuration consists of three clusters with a Silhouette Coefficient of 0.1944. The clusters exhibit distinct pollutant characteristics and different air quality patterns across monitoring stations. These findings provide an overview of air quality patterns and may support air quality monitoring and pollution control strategies in DKI Jakarta.
Keywords: K-Medoids, Air Pollution Standard Index, air quality.
Abstrak. Kualitas udara di DKI Jakarta menunjukkan variasi konsentrasi parameter pencemar yang tinggi, sehingga diperlukan metode pengelompokan untuk mengidentifikasi pola kualitas udara berdasarkan karakteristik pencemar. Penelitian ini bertujuan mengelompokkan kondisi kualitas udara di DKI Jakarta berdasarkan Indeks Standar Pencemar Udara (ISPU) menggunakan algoritma K-Medoids. Data yang digunakan berupa data harian ISPU periode Januari 2024 hingga November 2025 yang diperoleh dari platform Satu Data Jakarta, mencakup lima stasiun pemantauan kualitas udara dengan enam parameter pencemar, yaitu PM₁₀, PM₂.₅, SO₂, CO, O₃, dan NO₂. Setelah melalui tahap data preprocessing, diperoleh 3.090 data yang dianalisis. Tahapan prapemrosesan meliputi pemeriksaan missing value, data duplikat, outlier, serta standarisasi data menggunakan metode Z-score. Jumlah cluster optimal ditentukan menggunakan Silhouette Coefficient, kemudian dilakukan pengelompokan menggunakan algoritma K-Medoids. Hasil penelitian menunjukkan bahwa konfigurasi optimal terdiri atas tiga cluster dengan nilai Silhouette Coefficient sebesar 0,1944. Setiap cluster memiliki karakteristik yang berbeda berdasarkan dominasi parameter pencemar dan menunjukkan pola kualitas udara yang berbeda pada stasiun pemantauan di DKI Jakarta. Hasil penelitian ini memberikan gambaran pola kualitas udara serta dapat menjadi dasar dalam mendukung kegiatan pemantauan dan penyusunan strategi pengendalian pencemaran udara di DKI Jakarta.
Kata Kunci: K-Medoids, Indeks Standar Pencemar Udara, kualitas udara.
References
Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2019). Multivariate Data Analysis (8th ed.). Cengage Learning.
Han, J., Kamber, M., & Pei, J. (2012). Data Mining: Concepts and Techniques (3rd ed.). Morgan Kaufmann.
IQAir. (2024). 2024 World Air Quality Report.
Jain, A. K. (2010). Data Clustering: 50 Years Beyond K-Means. Pattern Recognition Letters, 31(8), 651–666. https://doi.org/10.1016/j.patrec.2009.09.011
Johnson, R. A., & Wichern, D. W. (2007). Applied Multivariate Statistical Analysis (6th ed.). Pearson Prentice Hall.
Kaufman, L., & Rousseeuw, P. J. (1990). Finding Groups in Data: An Introduction to Cluster Analysis.
Kementerian Lingkungan Hidup dan Kehutanan Republik Indonesia. (2020). Peraturan Menteri Lingkungan Hidup dan Kehutanan Republik Indonesia Nomor 14 Tahun 2020 tentang Indeks Standar Pencemar Udara.
Mazarei, A., Sousa, R., Mendes-Moreira, J., Molchanov, S., & Ferreira, H. M. (2025). Online boxplot derived outlier detection. International Journal of Data Science and Analytics, 19(1), 83–97.
Mercioni, M. A., & Holban, S. (2019). A Survey of Distance Metrics in Clustering Data Mining Techniques. Proceedings of the 2019 3rd International Conference on Graphics and Signal Processing, 44–47. https://doi.org/10.1145/3338472.3338490
Orisa, M., & Faisol, A. (2021). Analisis Algoritma Partitioning Around Medoid untuk Penentuan Klasterisasi. Jurnal Teknologi Informasi Dan Terapan, 8(2), 86–90. https://doi.org/10.25047/jtit.v8i2.258
Putra, A. P., Tshivana, J., & Rilvani, E. (2025). Perbandingan Teoritis dan Eksperimen Algoritma K-Means dan K-Medoids dalam Klasterisasi Data. Kohesi: Jurnal Multidisiplin Saintek, 10(2), 10–24.
Rousseeuw, P. J. (1987). Silhouettes: A Graphical Aid to the Interpretation and Validation of Cluster Analysis. Journal of Computational and Applied Mathematics, 20, 53–65. https://doi.org/10.1016/0377-0427(87)90125-7
Tukey, J. W. (1977). Exploratory Data Analysis.
World Health Organization. (2021). WHO Global Air Quality Guidelines: Particulate Matter (PM2.5 and PM10), Ozone, Nitrogen Dioxide, Sulfur Dioxide and Carbon Monoxide.
