Input data untuk Kualitas kota Y, dengan jumlah 3 stasiun, selama 7 hari.

Tabel 1. Data Kualitas Kota Y

Stasiun Hari ke-1 Hari ke-2 Hari ke-3 Hari ke-4 Hari ke-5 Hari ke-6 Hari ke-7
Stasiun P 35 38 NA 41 39 37 40
Stasiun Q 58 60 57 NA 56 62 59
Stasiun R 25 27 26 28 24 NA 29

Berikut dibawah ini adalah Tahapan Analisis

Input data

data_kotaY <- 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)
)
data_kotaY
##   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

Berdasarkan hasil tabel “data_kotaY” untuk data pengamatan suhu selama tujuh hari pada tiga stasiun, diketahui bahwa terdapat beberapa data yang hilang (NA). Stasiun P pada hari yang ke-3, sedangkan Stasiun Q memiliki dua data hilang pada hari ke-4 dan ke-5, serta Stasiun R memiliki satu data hilang pada hari ke-6. Kondisi tersebut menunjukkan bahwa sebelum dilakukan analisis lebih lanjut, diperlukan penanganan terhadap missing value agar tidak memengaruhi hasil analisis.

Lakukan

1.Cek kelengkapan data tiap stasiun!

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

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

tabel_lengkap
##            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 :

Tahap pertama yang dilakukan setelah mengetahui terdapat missing values (NA) adalah menghitung angka persentase setiap masing-masing stasiun. Stasiun P dan Stasiun R memiliki tingkat kelengkapan data sebesar 85,7%, sedangkan Stasiun Q memiliki tingkat kelengkapan data sebesar 71,4%. Dengan demikian, seluruh stasiun memiliki data yang belum lengkap karena jumlah persentase belum 100%. Stasiun Q memiliki tingkat kelengkapan data paling rendah karena terdapat dua hari yang memiliki missing values.

2.Hitung rata-rata & klasifikasikan prioritas!

# Langkah 2: menghitung nilai rata-rata & klasifikasi prioritas
ambang <- 55 # contoh ambang baku mutu ilustratif (µg/m3)
rata2 <- round(sapply(data_kotaY[,-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

Adapun ketentuan dalam menentukan stasiun dalam kategori prioritas tinggi, yakni:

1. Jika nilai rata-rata PM 2.5 > ambang (55 µg/m³)

2. Jika kelengkapan data < 80%

Interpretasi:

Berdasarkan hasil perhitungan rata-rata konsentrasi PM2.5 dan klasifikasi prioritas, Stasiun P memiliki rata-rata konsentrasi PM2.5 sebesar 38,3 µg/m³ dengan tingkat kelengkapan data sebesar 85,7%. Nilai tersebut berada di bawah ambang batas 55 µg/m³ dan tingkat kelengkapan data melebihi 80%, sehingga Stasiun P dikategorikan sebagai Normal.

Stasiun Q memiliki rata-rata konsentrasi PM2.5 sebesar 59,2 µg/m³ dengan tingkat kelengkapan data sebesar 71,4%. Nilai rata-rata PM2.5 telah melebihi ambang batas 55 µg/m³ dan tingkat kelengkapan datanya juga berada di bawah 80%. Oleh karena itu, Stasiun Q dikategorikan sebagai Prioritas Tinggi dan memerlukan perhatian lebih lanjut.

Sementara itu, Stasiun R memiliki rata-rata konsentrasi PM2.5 sebesar 26,5 µg/m³ dengan tingkat kelengkapan data sebesar 85,7%. Karena rata-rata PM2.5 berada di bawah ambang batas dan kelengkapan data melebihi 80%, Stasiun R dikategorikan sebagai Normal.

Dengan demikian, Stasiun Q menjadi stasiun yang perlu diprioritaskan, karena memiliki konsentrasi rata-rata PM2.5 yang melebihi ambang batas sekaligus tingkat kelengkapan data yang rendah.

3.Visualisasikan tren PM2.5 per stasiun!

data_long <- pivot_longer(
  data_kotaY,
  cols = starts_with("Stasiun"),
  names_to = "Stasiun",
  values_to = "PM25"
)

ggplot(data_long, aes(x = hari, y = 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)"
  )

Interpretasi:

Berdasarkan hasil visualisasi, Stasiun Q menunjukkan konsentrasi PM2.5 paling tinggi dan cenderung berada di atas ambang 55 µg/m³, dengan nilai sekitar 57–62 µg/m³ pada hari pengamatan yang tersedia. Sementara itu, Stasiun P berada pada kisaran 35–41 µg/m³ dan Stasiun R sekitar 24–29 µg/m³, sehingga keduanya masih berada di bawah ambang. Dengan demikian, Stasiun Q menjadi wilayah yang perlu mendapat perhatian utama, sedangkan P dan R tetap perlu dipantau untuk melihat perubahan kualitas udara dari waktu ke waktu.

4.Tulis 1 paragraf rekomendasi strategi!

Berdasarkan hasil pemantauan, strategi pengendalian kualitas udara sebaiknya memprioritaskan Stasiun Q karena memiliki konsentrasi PM2.5 paling tinggi dan secara konsisten berada di atas ambang 55 µg/m³. Upaya yang dapat dilakukan meliputi identifikasi dan pengendalian sumber emisi, misalnya seperti emisi kendaraan bermotor, aktivitas pabrik industri, maupun pembakaran sampah ataupun lainnya, serta peningkatan pemantauan kualitas udara secara berkala. Sementara itu, Stasiun P dan Stasiun R tetap perlu dipantau sebagai langkah pencegahan agar peningkatan konsentrasi PM2.5 dapat terdeteksi sejak dini. Selain itu, data yang hilang pada beberapa hari perlu diminimalkan agar hasil pemantauan dan pengambilan keputusan menjadi lebih akurat.