Classification of River Citarum Water Quality Using Artificial Neural Network, Gaussian Naive Bayes, and Weighted K-Nearest Neighbors
Abstract
Sungai Citarum, sungai terpanjang di Jawa Barat dengan panjang 323 kilometer, mengalir dari Situ Cisanti di Kabupaten Bandung ke Laut Jawa. Sungai ini sangat penting bagi ekologi dan kehidupan penduduk setempat. Pada tahun 2018, Sungai Citarum dinilai sebagai sungai terkotor di dunia, yang menimbulkan masalah lingkungan dan kesehatan yang signifikan di kota-kota sekitarnya. Untuk mengetahui hasil klasifikasi kualitas air Sungai Citarum menggunakan perhitungan manual membutuhkan waktu yang lama. Oleh karena itu menggunakan Machine Learning untuk mengetahui hasilnya dengan cepat, tepat, dan akurat untuk menentukan kualitas air sungai apakah tidak tercemar/memenuhi baku mutu, tercemar ringan, tercemar sedang, dan tercemar berat. Jumlah kontaminasi air sungai ditentukan dengan menggunakan pendekatan Supervised Learning dari Machine Learning. Tiga model yang digunakan adalah Artificial Neural Network (ANN), Gaussian Naive Bayes, dan Weighted K-Nearest Neighbor with Euclidean Distance. Setelah itu dilakukan berbagai pengujian terhadap 3 model tersebut untuk mendapatkan hasil klasifikasi kualitas air Sungai Citarum. Berdasarkan hasil pengujiannya, Weighted KNN with Euclidean Distance mengungguli dua model lainnya untuk mengklasifikasikan kualitas air sungai, dengan akurasi sebesar 97,3%. Sedangkan Artificial Neural Network mendapat akurasi sebesar 94,1% dan Gaussian Naive Bayes mendapat akurasi sebesar 94,7%.
Kata kunci— Kualitas Air Sungai, Klasifikasi, ANN, GNB, W-KNN
References
A. W. Utami, "Kualitas air sungai Citarum," 2019
A. Danades, D. Pratama, D. Anggraini, dan D. Anggriani, "Comparison of accuracy level K-Nearest Neighbor algorithm and Support Vector Machine algorithm in classification water quality status," 2017. doi: 10.1109/icsengt.2016.7849638.
L. A. Putri dan Suwanda, "Implementasi Metode Artificial Neural Network (ANN) Algoritma Backpropagation untuk Klasifikasi Kualitas Udara di Provinsi DKI Jakarta Tahun 2021," Bandung Conference Series: Statistics, vol. 3, no. 2, 2023, doi: 10.29313/bcss.v3i2.7826.
Q. Hasanah, H. Oktavianto, dan Y. D. Rahayu, "Analisis Algoritma Gaussian Naive Bayes Terhadap Klasifikasi Data Pasien Penderita Gagal Jantung," Jurnal Smart Teknologi, vol. 3, no. 4, 2022.
A. Mustofa, O. Okfalisa, E. P. Cynthia, Y. Yelfi, dan S. K. Gusti, "Klasifikasi Penerima Bantuan Covid-19 Menggunakan Metode Weighted K-Nearest Neighbour," Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI), vol. 5, no. 3, 2022, doi: 10.32672/jnkti.v5i3.4399.
N. V. Chawla, K. W. Bowyer, L. O. Hall, dan W. P. Kegelmeyer, "SMOTE: Synthetic minority over-sampling technique," Journal of Artificial Intelligence Research, vol. 16, 2002, doi: 10.1613/jair.953.
H. He, Y. Bai, E. A. Garcia, dan S. Li, "ADASYN: Adaptive synthetic sampling approach for imbalanced learning," dalam Proceedings of the International Joint Conference on Neural Networks, 2008. doi: 10.1109/IJCNN.2008.4633969.
E. Retnoningsih dan R. Pramudita, "Mengenal Machine Learning Dengan Teknik Supervised Dan Unsupervised Learning Menggunakan Python," BINA INSANI ICT JOURNAL, vol. 7, no. 2, 2020, doi: 10.51211/biict.v7i2.1422.
I. M. Esa Darmayasa Adi Putra, I. Fauzi, K. S. Krishna Prasad, K. S. Krishna Prasad, I. M. Putra Arya Winata, dan I. W. Widhiada, "Evaluasi Model Machine Learning Klasifikasi Gerak Tangan Untuk Sistem Kontrol Prototipe Prostesis Tangan," Majalah Ilmiah Teknologi Elektro, vol. 22, no. 1, 2023, doi: 10.24843/mite.2023.v22i01.p18.
Ž. Vujović, "Classification Model Evaluation Metrics," International Journal of Advanced Computer Science and Applications, vol. 12, no. 6, 2021, doi: 10.14569/IJACSA.2021.0120670.
A. Sharma, "Confusion Matrix in Machine Learning," Www.Geeksforgeeks.Org, 2018.
R. K. Dinata, H. Akbar, dan N. Hasdyna, "Algoritma KNearest Neighbor dengan Euclidean Distance dan Manhattan Distance untuk Klasifikasi Transportasi Bus," ILKOM Jurnal Ilmiah, vol. 12, no. 2, 2020, doi: 10.33096/ilkom.v12i2.539.104-111.
D. Irawan Saputra dan D. L. Hakim, "Implementasi Algoritma Gaussian Naive Bayes Classifier Untuk Prediksi Potensi Tsunami Berbasis Mikrokontroler," EPSILON: Journal of Electrical Engineering and Information Technology, vol. 20, no. 2, 2022, doi: 10.55893/epsilon.v20i2.94.
H. Hananti dan K. Sari, "Perbandingan Metode Support Vector Machine (SVM) dan Artificial Neural Network (ANN) pada Klasifikasi Gizi Balita," Seminar Nasional Official Statistics, vol. 2021, no. 1, 2021, doi: 10.34123/semnasoffstat.v2021i1.1014.
A. Kaur, M. Khurana, P. Kaur, dan M. Kaur, "Classification and Analysis of Water Quality Using Machine Learning Algorithms," dalam Lecture Notes in Electrical Engineering, 2021. doi: 10.1007/978-981-33- 4866-0_48.
S. Y. Abuzir dan Y. S. Abuzir, "Machine learning for water quality classification," Water Quality Research Journal, vol. 57, no. 3, 2022, doi: 10.2166/wqrj.2022.004. [17] E. K. Sari dan O. E. Wijaya, "Penentuan Status Mutu Air Dengan Metode Indeks Pencemaran Dan Strategi Pengendalian Pencemaran Sungai Ogan Kabupaten Ogan Komering Ulu," Jurnal Ilmu Lingkungan, vol. 17, no. 3, 2019, doi: 10.14710/jil.17.3.486-491.
Kementerian Lingkungan Hidup Republik Indonesia, "Keputusan Menteri Lingkungan Hidup No. 115 Tahun 2003 tentang Pedoman Penentuan Status Mutu Air," Jakarta, Indonesia: KLHK, 2003.
Peraturan Pemerintah Republik Indonesia, "Peraturan Pemerintah No. 82 Tahun 2001 tentang Pengelolaan Kualitas Air dan Pengendalian Pencemaran Air," Jakarta, Indonesia: 2001.
K. L. Hidup and K. R. Indonesia, "Indeks Kualitas Lingkungan Hidup Tahun 2013," 2014. [Daring]. Tersedia: https://ppkl.menlhk.go.id/website/filebox/1149/2306261353 50IKLH%202013.pd
