Implementasi Decision Tree Sistem Monitoring Medan Listrik Atmosfer Berbasis IoT Menggunakan Sensor EFM  (Electric Field Mill)

Erlangga Keta Pratama; Masayu Anisah; Johansyah Al Rasyid

doi:10.31004/koloni.v5i2.995

Authors

Erlangga Keta Pratama Politeknik Negeri Sriwijaya
Masayu Politeknik Negeri Sriwijaya
Johansyah Politeknik Negeri Sriwijaya,

DOI:

https://doi.org/10.31004/koloni.v5i2.995

Keywords:

decision tree, electric field mill, internet of things, monitoring atmosfer

Abstract

Tujuan dari penelitian ini adalah untuk menerapkan algoritma decision tree pada sistem monitoring medan listrik atmosfer yang berbasis Internet of Things (IoT) yang menggunakan sensor Electric Field Mill (EFM). Sistem ini terdiri dari sensor EFM, mikrokontroler ESP32, database cloud Supabase, dan dashboard monitoring web yang memungkinkan pengumpulan, penyimpanan, dan visualisasi data secara real - time. Data hasil pengukuran medan listrik atmosfer diproses melalui tahapan preprocessing. Tahapan ini termasuk transformasi fitur, normalisasi menggunakan skala Min-Max, dan penyeimbangan data menggunakan metode Synthetic Minority Oversampling Technique (SMOTE). Setelah proses SMOTE, dataset awal dengan distribusi kelas yang tidak seimbang meningkat menjadi 828 data. Selanjutnya, kondisi atmosfer dimasukkan ke dalam kategori AMAN, WASPADA, dan BAHAYA menggunakan algoritma decision tree. Hasil uji 5-Fold stratified cross validation menunjukkan bahwa model menghasilkan nilai accuracy, precision, recall, dan skor F1 sebesar 100%. Selain itu, nilai rata-rata model sebesar 1,000 dengan standar deviasi 0,000, yang menunjukkan tingkat kestabilan model yang sangat baik. Menurut analisis nilai fitur, fitur Cuaca_PETIR dan kV_m_log adalah yang paling berpengaruh dalam proses klasifikasi. Hasil penelitian menunjukkan bahwa algoritma decision tree dapat diterapkan secara efektif pada sistem monitoring medan listrik atmosfer berbasis Internet of Things (IoT) untuk mendukung proses klasifikasi kondisi atmosfer secara otomatis dan real - time.

References

Adeagbo, A. A. (n.d.). IOT Based Environment Monitoring System Using.

Alotaibi, E., & Nassif, N. (2024). Artificial intelligence in environmental monitoring : in ‑ depth analysis. Discover Artificial Intelligence, November. https://doi.org/10.1007/s44163-024-00198-1

Bazhenov, V. (2023). ANALYSIS OF MODERN ATMOSPHERIC ELECTROSTATIC FIELD MEASURING. 1(72). https://doi.org/10.15587/2706-5448.2023.285963

Breiman, L., Friedman, J. H. ., Olshen, R. A. ., & Stone, C. J. (1984). NClassification and Regression Treeso Title. Wadsworth International Group. https://books.google.co.id/books/about/Classification_and_Regression_Trees.html?id=JwQx-WOmSyQC&redir_esc=y

Chawla, N. V, Bowyer, K. W., Hall, L. O., & Kegelmeyer, W. P. (2002). SMOTE : Synthetic Minority Over-sampling Technique. 16, 321–357.

Fahmi, M. H., & Zuhair, A. (2025). IOT-BASED MODEL FOR REAL-TIME MONITORING OF NEW AND RENEWABLE. 3, 36–48. https://doi.org/10.21303/2461-4262.2025.003471

Garcia, A., Saez, Y., Harris, I., & Huang, X. (2025). Advancements in air quality monitoring : a systematic review of IoT-based air quality monitoring and AI technologies.

Gryech, I., Asaad, C., Ghogho, M., & Kobbane, A. (2024). Applications of machine learning & IoT for Outdoor Air Pollution Monitoring and Prediction : 1–24.

Kiouvrekis, Y., Psomadakis, I., Vavouranakis, K., Zikas, S., & Katis, I. (2025). Explainable Machine Learning-Based Electric Field Strength Mapping for Urban Environmental Monitoring : A Case Study in Paris Integrating Geographical Features and Explainable AI. 1–19.

Laha, S. R., Pattanayak, B. K., & Pattnaik, S. (2022). Advancement of Environmental Monitoring System Using IoT and Sensor : A Comprehensive Analysis (Vol. 9, Issue September). https://doi.org/10.3934/environsci.2022044

Li, W., Sun, Z., Yan, Z., & Ma, Z. (2024). Observations and Variability of Near-Surface Atmospheric Electric Fields across Multiple Stations. 1–9.

Mariano, K. D. P., Almada, F. L. N., & Dutra, M. A. (n.d.). Smart Air Quality Monitoring for Automotive Workshop Environments.

Narayana, T. L., Venkatesh, C., Kiran, A., & J, C. B. (2024). Heliyon Advances in real time smart monitoring of environmental parameters using IoT and sensors. Heliyon, 10(7), e28195. https://doi.org/10.1016/j.heliyon.2024.e28195

Sudipa, I. G. I., Habibi, M., Setiyawa, E., Atmadji, J., & Arfiani, I. (2024). Predictive Modeling of Air Quality Levels Using Decision Tree Classification : Insights from Environmental and Demographic Factors. 4(3), 251–258.

Teknikal, U., Hang, J., Jaya, T., Studi, P., Elektro, T., Teknik, F., Sriwijaya, U., & Selatan, S. (2024). Design and Development of Lightning Detection System Utilizing Slow Atmospheric Electric Field Waveform at Legoland Malaysia. 16(3), 27–33.

Waworundeng, J. (2024). IoT-based Environmental Monitoring with Data Analysis of Temperature , Humidity , and Air Quality. 10(1), 271–284.