Pengembangan Sistem Klasifikasi Kualitas Air Minum Berbasis Web Menggunakan Algoritma K-Nearest Neighbors
Abstract
Air memiliki peran penting sebagai kebutuhan
primer dalam kehidupan manusia, termasuk untuk konsumsi.
Namun, sayangnya air mudah terkontaminasi sehingga dapat
membahayakan kesehatan tubuh. Oleh karena itu, penentuan
kelayakan air minum dengan metode manual seperti STORET
dan Indeks Pencemaran memakan waktu lama dan biaya yang
tinggi. Untuk mengatasi hal ini, penerapan machine learning
dengan algoritma K-Nearest Neighbors dan teknik SMOTE
untuk mengatasi ketidakseimbangan pada kelas target menjadi
pilihan yang efisien dan tepat. Hasil penelitian menunjukkan
bahwa model K-Nearest Neighbors dengan k=3 mampu
mencapai akurasi training sebesar 0.98928, akurasi testing
sebesar 0.99434, serta ROC AUC mencapai 1.00 dengan loss
hanya 0.38618. Model yang optimal akan divisualisasikan
hasilnya menggunakan Streamlit ssebagai alat untuk
menyajikan informasi secara interaktif, memungkinkan
pengguna untuk dengan mudah memahami dan menganalisis
kualitas air minum.
Kata kunci—Kelayakan Air Minum, K-Nearest Neighbors,
Machine Learning, SMOTE, Streamlit
References
S. Sharma and A. Bhattacharya,
contamination and treatment techniques,= Applied
Water Science, vol. 7, no. 3. Springer Verlag, pp.
-1067, Jun. 01, 2017. doi: 10.1007/s13201-016-
-7.
N. V. Sidabutar, D. M. Hartono, T. E. B. Soesilo, and
R. C. Hutapea,
water unit in Jakarta-Indonesia,= in AIP Conference
Proceedings, American Institute of Physics Inc.,
Mar. 2017. doi: 10.1063/1.4978140.
S. Sreeja Kurra, S. Geethika Naidu, S. Chowdala, S.
Chithra Yellanki, and B. Esther Sunanda,
QUALITY PREDICTION USING MACHINE
LEARNING.= [Online]. Available:
www.irjmets.com
A. G. Pertiwi, N. Bachtiar, R. Kusumaningrum, I.
Waspada, and A. Wibowo,
performance of k-nearest neighbor algorithm using
smote and k-nearest neighbor algorithm without
smote in diagnosis of diabetes disease in balanced
data,= in Journal of Physics: Conference Series,
Institute of Physics Publishing, Jun. 2020. doi:
1088/1742-6596/1524/1/012048.
W. Wang and K. Siau,
machine learning, automation, robotics, future of
work and future of humanity: A review and research
agenda,= Journal of Database Management, vol. 30,
no. 1, pp. 61-79, 2019, doi:
4018/JDM.2019010104.
A. P. Wibawa, M. Guntur, A. Purnama, M. Fathony
Akbar, and F. A. Dwiyanto,
Klasifikasi,= Prosiding Seminar Ilmu Komputer dan
Teknologi Informasi, vol. 3, no. 1, 2018.
M. A. Rahman, N. Hidayat, and A. A. Supianto,
Neighbor Dengan Naive Bayes Untuk Klasifikasi
Kualitas Air Bersih (Studi Kasus PDAM Tirta
Kencana Kabupaten Jombang),= 2018. [Online].
Available: -j-ptiik.ub.ac.id
R. Siringoringo,
SEIMBANG MENGGUNAKAN ALGORITMA
SMOTE DAN k-NEAREST NEIGHBOR,= 2018.
A. A. Arifiyanti and E. D. Wahyuni,
METODE PENYEIMBANG KELAS PADA
KLASIFIKASI DATA MINING=, [Online].
Available: -www.cs.
F. Thabtah, S. Hammoud, F. Kamalov, and A.
Gonsalves,
Experimental evaluation,= Inf Sci (N Y), vol. 513, pp.
-441, Mar. 2020, doi: 10.1016/j.ins.2019.11.004.
Z. Vujovic,
Metrics,= International Journal of Advanced
Computer Science and Applications, vol. 12, no. 6,
pp. 599-606, 2021, doi:
14569/IJACSA.2021.0120670.
A. Tharwat,
Applied Computing and Informatics, vol. 17, no. 1,
pp. 168-192, 2018, doi: 10.1016/j.aci.2018.08.003.
S. Keputusan Dirjen Penguatan Riset dan
Pengembangan Ristek Dikti, A. Nikmatul Kasanah,
U. Pujianto, T. Elektro, F. Teknik, and U. Negeri
Malang,
Penerapan Teknik SMOTE untuk Mengatasi
Imbalance Class dalam Klasifikasi Objektivitas
Berita Online Menggunakan Algoritma KNN,= masa
berlaku mulai, vol. 1, no. 3, pp. 196-201, 2017
