Latihan Mandiri Sistem Informasi Lingkungan

diberikan sebuah studi kasus dimana terdapat beberapa hal yang harus diselesaikan, sebagai berikut • Cek kelengkapan data tiap stasiun, • Hitung rata-rata & klasifikasikan prioritas, • Visualisasikan tren PM2.5 per stasiun, • Tulis 1 paragraf rekomendasi strategi. dengan data yang di berikan, sebagai berikut:

Latihan mandiri: kualitas udara Kota Y

data_latihan <- data.frame(
  hari = 1:7,
  Stasiun_P = c(35, 38, NA, 41, 39, 37, 40),
  Stasiun_Q = c(58, 60, 57, NA, NA, 62, 59),
  Stasiun_R = c(25, 27, 26, 28, 24, NA, 29)
)
print(data_latihan)
##   hari Stasiun_P Stasiun_Q Stasiun_R
## 1    1        35        58        25
## 2    2        38        60        27
## 3    3        NA        57        26
## 4    4        41        NA        28
## 5    5        39        NA        24
## 6    6        37        62        NA
## 7    7        40        59        29
# Ambang Ilustratif
ambang <- 55 # μg/m3, ambang ilustratif
# TODO: ulangi Langkah 1-3 seperti pada studi kasus

Hasil dan Pembahasan

Langkah 1: Cek kelengkapan Data

n_hari <- nrow(data_latihan)
lengkap <- sapply(data_latihan[,-1], function(x) sum(!is.na(x)))
persen  <- round(lengkap / n_hari * 100, 1)

tabel_kel1 <- data.frame(
  Variabel = names(lengkap),
  Data_Lengkap = lengkap,
  Persentase = persen
)

tabel_kel1
##            Variabel Data_Lengkap Persentase
## Stasiun_P Stasiun_P            6       85.7
## Stasiun_Q Stasiun_Q            5       71.4
## Stasiun_R Stasiun_R            6       85.7

Interpretasi awal

berdasarkan hasil yang pertama yakni 3 stasiun (p,q,r) memiliki beberapa data yang hilang. terlihat dari hasil persetase masing-masing stasiun selama 7 hari dimana masing-masing Stasiun memiliki persetase yakni p (85.7), q (71.4) dan r (85,7). sehingga bisa dikatakan kalau ketiga stasiun mashi memiliki data yang hilang. akan tetapi penanganan atau prioritas akan dilihat berdasarkan hasil persetase yang paling kecil yakni adalah Stasiun q (71.4)

Langkah 2: RIngkasan dan klarifikasi Prioritas

rata2 <- round(sapply(data_latihan[,-1], mean, na.rm = TRUE), 1)
ringkasan <- data.frame( Stasiun = names(rata2), Rata2_PM25 = rata2, Persen_Lengkap = persen
)
ringkasan$Prioritas <- ifelse(ringkasan$Rata2_PM25 > ambang | ringkasan$Persen_Lengkap < 80, "Prioritas Tinggi", "Normal")

print(ringkasan)
##             Stasiun Rata2_PM25 Persen_Lengkap        Prioritas
## Stasiun_P Stasiun_P       38.3           85.7           Normal
## Stasiun_Q Stasiun_Q       59.2           71.4 Prioritas Tinggi
## Stasiun_R Stasiun_R       26.5           85.7           Normal

Interpretasi Kedua

dari hasil yang didapat, rata-rata Pm.2.5 tertinggi jatuh pada stasiun q dengan rata-rata pm.2.5 yakni 59.2. ini menunujukkan kalau kualitas udara disana cukup buruk karena melebihi ambang batas sebesar 55. maka dapat disimpulkan kalau stasiun q merupakan skala prioritas yang harus di tangani

langkah 3: Visualisasikan tren PM2.5 per stasiu

library(ggplot2)
library(tidyr) 
data_long <- pivot_longer(data_latihan,
                          cols = starts_with("Stasiun"),
                          names_to = "Stasiun", values_to = "PM25") 
ggplot(data_long,
       aes(hari, PM25, color = Stasiun)) + 
  geom_line(linewidth = 1, na.rm = TRUE) + 
  geom_point(size = 2, na.rm = TRUE) + 
  geom_hline(yintercept = 55,
             linetype = "dashed",
             color = "red") + 
  labs(title = "Tren PM2.5 per Stasiun",
       x = "Hari ke-",
       y = "PM2.5 (μg/m3)") + 
  theme_minimal()

Interpretasi Hasil

berdasarkan hasil visualisasi yang didapat, terlihat selama 7 hari observasi stasiun Q memiliku nilai Pm.2.5 yang tinggi sehingga ini menujukkan kalau stasiun Q perlu oerhatian leboh serta penanganan yang baik untuk mengurangi buruknya kualitas udara di stasiun Q.

Langkah 4: Solusi Penanganan

Berdasarkan hasil visualisasi yang diperoleh, terlihat bahwa selama 7 hari observasi Stasiun Q memiliki nilai PM2.5 yang relatif tinggi dan beberapa kali melebihi batas ambang 55 µg/m³. Kondisi tersebut menunjukkan bahwa Stasiun Q memerlukan perhatian lebih dalam upaya pengendalian kualitas udara. Beberapa tindakan yang dapat dilakukan antara lain meningkatkan ventilasi dan sirkulasi udara, melakukan pemantauan konsentrasi PM2.5 secara berkala, mengurangi sumber emisi di sekitar stasiun seperti asap kendaraan dan aktivitas pembakaran, serta melakukan pembersihan area secara rutin untuk mengurangi akumulasi partikel debu. Selain itu, penggunaan penyaring udara atau air purifier pada area tertutup dapat dipertimbangkan untuk membantu menurunkan konsentrasi partikulat.