KLASIFIKASI KUALITAS UDARA BERBASIS IOT DAN ALGORITMA K-NEAREST NEIGHBORS (KNN)

Abstrak

Penelitian ini bertujuan untuk merancang dan membangun sistem pemantauan kualitas udara berbasis Internet of Things (IoT) yang dipadukan dengan algoritma K-Nearest Neighbors (KNN) untuk mengklasifikasikan kualitas udara di lingkungan kampus Universitas Muhammadiyah Kalimantan Timur (UMKT). Sistem menggunakan sensor MQ-7 untuk mendeteksi karbon monoksida (CO), MQ-135 untuk mendeteksi sulfur dioksida (SO₂), serta GP2Y1010AU0F untuk mendeteksi partikel debu PM10 dan PM2.5. Data sensor dikirimkan secara real-time ke platform Blynk dan disimpan di Google Sheet untuk kemudian diproses menggunakan algoritma KNN. Data pengamatan dikumpulkan dari dua lokasi, yaitu parkiran Gedung A dan kantin Gedung G. Hasil pengujian menunjukkan bahwa algoritma KNN dengan nilai k=3 dapat mengklasifikasikan kualitas udara dengan akurasi sebesar 95%, precision rata-rata 94%, recall 89%, dan f1-score 91%. Dari 1.009 data yang dikumpulkan di parkiran, mayoritas dikategorikan sebagai “Sedang”, sedangkan di kantin sebagian besar data juga berada dalam kategori “Sedang” meskipun terdapat sejumlah data yang termasuk kategori “Baik”. Kesimpulannya, penerapan IoT yang terintegrasi dengan algoritma KNN terbukti mampu memantau dan memprediksi kualitas udara secara real-time dengan tingkat akurasi yang cukup baik. Sistem ini diharapkan dapat membantu pihak kampus dalam memantau kondisi udara dan menjadi acuan pengambilan kebijakan untuk menciptakan lingkungan yang lebih sehat.

This study aims to design and develop an air quality monitoring system based on the Internet of Things (IoT) integrated with the K-Nearest Neighbors (KNN) algorithm to classify air quality within the campus environment of Universitas Muhammadiyah Kalimantan Timur (UMKT). The system utilizes an MQ-7 sensor to detect carbon monoxide (CO), an MQ-135 sensor to detect sulfur dioxide (SO₂), and a GP2Y1010AU0F sensor to detect particulate matter PM10 and PM2.5. Sensor data are transmitted in real time to the Blynk platform and stored in Google Sheets, then processed using the KNN algorithm. Observation data were collected from two locations: the parking area of Building A and the canteen of Building G. The test results show that the KNN algorithm with k=3 can classify air quality with an accuracy of 95%, an average precision of 94%, recall of 89%, and an f1-score of 91%. From 1,009 data points collected in the parking area, the majority were classified as "Moderate," while in the canteen most data were also categorized as "Moderate," although there was a portion of data classified as "Good." In conclusion, the implementation of IoT integrated with the KNN algorithm has proven capable of monitoring and predicting air quality in real time with a fairly high level of accuracy. This system is expected to assist the campus in monitoring air conditions and serve as a reference for policy-making to create a healthier environment.