Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian ini bertujuan melihat hubungan konsentrasi PM2,5 udara ambien terhadap gangguan fungsi paru pada pedagang tetap di Terminal Kampung Rambutan Kota Jakarta. Hasil penelitian menunjukkan PM2,5 ambien mencapai 89 μg/m3. Didapatkan proporsi gangguan paru sebesar 79% (tipe retrikstif 73% dan campuran resktriktif dan obstruktif 6%) dari 68 responden. Tidak ada hubungan signifikan antara konsentrasi PM2,5 dengan gangguan fungsi paru pada pedagang di Terminal Kampung Rambutan (p value= 0,215, CI: 0,555-13,700). Ditemukan adanya hubungan yang signifikan antara status merokok (p=0,015) dan waktu kerja (p value = 0,047) dengan gangguan fungsi paru. Tidak terdapat satupun faktor lain seperti riwayat penyakit, durasi kerja, umur dengan kejadian gangguan fungsi paru pada pedagang di Terminal Kampung Rambutan. Selanjutnya diperlukan adanya perbaikan lingkungan terminal, perubahan perilaku merokok dan kerjasama multisektor terkait pencegahan penyakit.

---

This study aims to determine the relationship between ambient air PM2.5 concentrations to impaired lung function among sellers at Kampung Rambutan Bus Station, Jakarta City. The results showed ambient PM2.5 reached 89 μg / m3. The proportion of impaired lung function was 79% of 68 respondents (restrictive type 73% and restrictive and obstructive mixture 6%). There was no significant relationship between PM2.5 concentration and impaired lung function in Kampung Rambutan Bus Station seller (p value = 0.215, CI: 0.555-13,700). It was found there is significant relationship between smoking status (p = 0.015) and work time (p value = 0.047) with impaired lung function. There were no other factors such as disease history, duration of work, and age with the occurrence of impaired lung function among sellers at Kampung Rambutan Bus Station. Furthermore, it is necessary to improve the terminal environment, change smoking behavior and multisector cooperation related to disease prevention."

"

Polusi udara merupakan permasalahan krusial di Jakarta yang dapat berdampak pada berbagai sektor. Karena itu, penelitian ini mengembangkan model spasial-temporal kualitas udara di Jakarta menggunakan machine learning sebagai upaya manajemen kualitas udara yang efektif. Penelitian ini menggunakan PM2.5 sebagai variabel dependen dan kondisi meteorologi sebagai prediktor. Data PM2.5 diekstrak dari laman Jakarta Rendah Emisi sedangkan data meteorologi diekstrak dari laman Open Weather Map menggunakan API. Data yang terkumpul akan dirata-ratakan berdasarkan 4 interval waktu (00:00–05:00, 06:00–11:00, 12:00–17:00, dan 18:00–23:00) dan dua musim (kemarau dan hujan). Kemudian, data akan diinterpolasi dengan menggunakan Kriging interpolation. Hasil interpolasi akan digunakan sebagai input untuk model machine learning dengan menggunakan algoritma Random Forest (RF) dan XGBoost. Secara umum, algoritma RF memberikan performa yang lebih baik dilihat dari rendahnya nilai RMSE, MAE, dan MAPE yang dihasilkan. Selanjutnya, output machine learning digunakan untuk memetakan konsentrasi PM2.5 di Jakarta. Pemetaan tersebut menunjukan konsentrasi PM2.5 pada musim kemarau cenderung lebih tinggi daripada musim hujan yang disebabkan oleh proses washing out. Pada musim kemarau, konsentrasi PM2.5 pada malam hingga pagi bernilai lebih tinggi daripada siang hari yang disebabkan oleh rendahnya tinggi lapisan pencampuran udara yang membatasi pergerakan polutan udara. Sedangkan pada musim hujan, konsentrasi PM2.5 yang tinggi dipengaruhi oleh curah hujan yang rendah dan kelembapan yang tinggi. Selain itu, Kota Administrasi Jakarta Utara memiliki konsentrasi yang relatif lebih rendah dibandingkan kota administrasi lainnya akibat angin laut yang memicu dispersi polusi udara.

---

Air pollution is a crucial issue in Jakarta that can have impacts on various sectors. Therefore, this research develops a spatial-temporal model of air quality in Jakarta using machine learning as an effort for effective air quality management. This study uses PM2.5 as the dependent variable and meteorological conditions as predictors. PM2.5 data is extracted from the Jakarta Rendah Emisi website, while meteorological data is extracted from the Open Weather Map using an API. The collected data will be averaged based on four time intervals (00:00–05:00 a.m.; 6:00–11:00 a.m; 12:00–5:00 p.m; 6:00pm–11:00pm) and two seasons (dry and rainy). Then, the data will be interpolated using Kriging interpolation. The interpolation results will be used as input for the machine learning model using the Random Forest (RF) and XGBoost algorithms. The RF algorithm provides better performance with low values of RMSE, MAE, and MAPE. Furthermore, the output of the machine learning model is used to map the PM2.5 concentrations in Jakarta. The mapping shows that PM2.5 concentrations during the dry season tend to be higher than during the rainy season, due to the washing out process. During the dry season, PM2.5 concentrations are higher at night, due to low mixing layer height that restricts pollutants movement. During the rainy season, high PM2.5 concentrations are influenced by low rainfall and high humidity. In addition, the North Jakarta area has a relatively lower concentration compared to other area due to wind induced by the coastline which trigger the spread of air pollution.

"