Klasifikasi Kualitas Udara Berbasis Citra Langit Menggunakan Metode Hybrid Deep Learning ConvXGB

Fikri, Saeful (2025) Klasifikasi Kualitas Udara Berbasis Citra Langit Menggunakan Metode Hybrid Deep Learning ConvXGB. Other thesis, Institut Teknologi Sepuluh Nopember.

Text 5003211049-Undergraduate_Thesis.pdf - Accepted Version Restricted to Repository staff only Download (8MB) | Request a copy

Abstract

Polusi udara merupakan masalah lingkungan global yang menjadi perhatian utama dalam Sustainable Development Goals (SDGs) 2030. Indeks Kualitas Udara (AQI) digunakan sebagai indikator utama untuk mengukur tingkat polusi. Dalam beberapa tahun terakhir, Indonesia sering berada pada peringkat tinggi negara dengan kualitas udara terburuk. Salah satu solusi adalah dengan menyediakan alat pemantau kualitas udara yang mudah diakses masyarakat. Penelitian ini bertujuan mengembangkan metode klasifikasi kualitas udara berbasis citra langit menggunakan pendekatan hybrid ConvXGB. Dataset yang digunakan terdiri dari 12240 citra langit yang terbagi ke dalam enam kategori kualitas udara sesuai indeks AQI. Citra dipra-proses melalui resize menjadi 224×224 piksel, seleksi manual, dan cropping. Tiga arsitektur model (CNN, VGG16, dan ResNet50) digunakan sebagai feature extractor, yang digabungkan dengan XGBoost sebagai classifier. Hasil menunjukkan bahwa model hybrid (CNN+XGBoost, VGG16+XGBoost, dan ResNet50+XGBoost) memberikan performa pelatihan lebih stabil dibanding model standar. Di antara ketiganya, ResNet50+XGBoost merupakan model terbaik. Model ini mengekstraksi fitur menggunakan blok konvolusi dan identity dari arsitektur ResNet50, lalu mengklasifikasikannya menggunakan XGBoost dengan parameter optimal yaitu jumlah pohon keputusan sebanyak 100, kedalam pohon maksimal adalah 10, rate pembelajaran yang digunakan sebesar 0,2656, subsample sebesar 0,7809, colsample_bytree sebesar 0,6275, nilai gamma sebesar 0,0127, dan penalti regularisasi L1 dan L2 sebesar 0,1122 dan 0,1438. Pada data uji, model ResNet50+XGBoost mencapai akurasi 86,67% dan rata-rata nilai F1-Score pada seluruh kelas adalah 0,8416. Penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan alat pemantau kualitas udara berbasis citra langit yang lebih akurat dan mudah diakses oleh masyarakat luas.
================================================================================================================================
Air pollution is a global environmental issue that has become a major concern in the Sustainable Development Goals (SDGs) 2030. The Air Quality Index (AQI) serves as a key indicator to measure pollution levels. In recent years, Indonesia has often ranked among the countries with the worst air quality. One potential solution is to develop accessible air quality monitoring tools for the general public.This study aims to develop an air quality classification method based on sky images using a hybrid ConvXGB approach. The dataset consists of 12,240 sky images categorized into six AQI-based air quality classes. The images were pre-processed through resizing to 224×224 pixels, manual selection, and cropping. Three deep learning architectures, CNN, VGG16, and ResNet50, were used as feature extractors, and their outputs were classified using the XGBoost algorithm.The results show that the hybrid models (CNN+XGBoost, VGG16+XGBoost, and ResNet50+XGBoost) achieved more stable training performance compared to their standalone counterparts. Among them, the ResNet50+XGBoost model performed best. It extracts features using convolutional and identity blocks from the ResNet50 architecture and classifies them using XGBoost. The optimal configuration includes 100 decision trees, a maximum tree depth of 10, a learning rate of 0.2656, a subsample ratio of 0.7809, and a feature sampling ratio of 0.6275 per tree. It also applies regularization to control overfitting, with a gamma value of 0.0127, L1 penalty of 0.1122, and L2 penalty of 0.1438. On the test set, the ResNet50+XGBoost model achieved an accuracy of 86.67% and a macro-average F1-Score of 0.8416. This study is expected to contribute to the development of sky-image-based air quality monitoring tools that are accurate and accessible to the public.

Item Type:	Thesis (Other)
Uncontrolled Keywords:	AQI, Citra Langit, ConvXGB, Klasifikasi, Polusi Udara Air Pollution, AQI, Classification, ConvXGB, Sky Images
Subjects:	T Technology > TA Engineering (General). Civil engineering (General) > TA1637 Image processing--Digital techniques. Image analysis--Data processing.
Divisions:	Faculty of Science and Data Analytics (SCIENTICS) > Statistics > 49201-(S1) Undergraduate Thesis
Depositing User:	Saeful Fikri
Date Deposited:	01 Aug 2025 02:34
Last Modified:	01 Aug 2025 02:34
URI:	http://repository.its.ac.id/id/eprint/124787

Actions (login required)

View Item