Vol. 3, No. 3, Desember 2022, hal. 422-430 p-ISSN: 2723-567X e-ISSN: 2723-5661 Jurnal Computer Science and Information Technology (CoSciTech) http://ejurnal.umri.ac.id/index.php/coscitech/index doi: https://doi.org/10.37859/coscitech.v3i3.4380 422 Tinjauan: Algoritme Random Forest untuk Estimasi PM 2.5 Berbasis Pengindraan Jauh Mitra Unik *1 , Sri Nadriati 2 Email: 1 mitraunik@umri.ac.id 2 srinadriati@gmail.com 1 Teknik Informatika, Fakultas Ilmu Komputer, Universitas Muhammadiyah Riau 2 Sistem Informasi, STMIK Dharmapala Diterima: 6 Desember 2022 | Direvisi: 20 Desember 2022 | Disetujui: 21 Desember 2022 ©2020 Program Studi Teknik Informatika Fakultas Ilmu Komputer, Universitas Muhammadiyah Riau, Indonesia Abstrak Studi ini merangkum penelitian tentang estimasi PM2.5 menggunakan algoritme pembelajaran mesin random forest (RF), penginderaan jauh, dan keduanya. Tujuan dari tinjauan ini adalah menyajikan studi yang komprehensif untuk memfasilitasi dan menentukan batasan, luas dan kedalaman pengetahuan yang dieksplorasi untuk memperkirakan konsentrasi PM2.5 di masa depan menggunakan RF dan pengindraan jauh. PM2.5 merupakan parameter lingkungan atmosfer yang penting, terutama karena dampaknya terhadap kesehatan manusia dan lingkungan. Terlepas dari skala spasial-temporal, perkiraan PM2.5 yang akurat penting untuk memahami dan menanggapi berbagai efek buruk dari polusi udara. Oleh karena itu, metode penginderaan jauh dan pembelajaran mesin dikembangkan untuk mendapatkan estimasi PM 2.5 resolusi tinggi dan mengurangi kesalahan penilaian yang disebabkan oleh dislokasi spasial. Sejak penggunaan pertama jaringan saraf (NN) untuk mempelajari hubungan kompleks AOD-PM2.5, lebih dari 40 artikel terkait ML telah diterbitkan dalam dekade terakhir, dan lebih dari 90% di antaranya telah diterbitkan dalam lima tahun dan 75% dalam tiga tahun terakhir. Metode validasi yang mempertimbangkan pola spasial dalam validasi model ML mengungkapkan bahwa RF dan BPNN adalah yang paling populer digunakan. Kata kunci : random forest, pembelajaran mesin, AOD, PM2.5, pengindraan jauh Overview: Random Forest Algorithm for PM2.5 Estimation Based on Remote Sensing Abstract This study includes predictive research on PM2.5 using random forest (RF) machine learning algorithms, remote sensing, and both. The aim of this review is to present a comprehensive study to facilitate and define the boundaries, breadth and depth of knowledge explored for developing future concentrations of PM2.5 using RF and remote sensing. PM2.5 is an important atmospheric environmental parameter, especially because of its impact on human health and the environment. Regardless of the spatial-temporal scale, an accurate PM2.5 estimate is important for understanding and dealing with the adverse effects of air pollution. Therefore, remote sensing and machine learning methods were developed to obtain high-resolution PM2.5 estimates and reduce judgment errors caused by spatial dislocations. Since the first use of neural networks (NNs) to study the AOD-PM2.5 complex relationship, more than 40 ML-related articles have been published in the last decade, and more than 90% of them have been published within five years and 75% within the last three years. Method validation that considers spatial patterns in ML model validation reveals that RF and BPNN are the most popular ones used.. Keywor ds : AOD, machine learning, random forest, remote sensing, PM2.5 1. PENDAHULUAN Peningkatan penilaian paparan polusi PM2.5 (Particulate Matter /partikel halus dengan diameter < 2,5 μm) dalam kesenjangan temporal dan spasial, membuat remote sensing dari data satelit (seperti kedalaman optik aerosol (AOD) digunakan [1]–[6].