Klasifikasi Kualitas Air Sungai Citarum Menggunakan Metode K-Nearest Neighbors, Support Vector Machine, dan Random Forest
Abstrak
Sungai merupakan sumber kehidupan di
lingkungan sekitar baik untuk keperluan rumah tangga,
pertanian maupun industri. Karena sungai memiliki peranan
yang begitu penting, maka perlu dilakukan pemeliharaan
kualitas air agar tidak berdampak buruk bagi lingkungan
sekitar. Padahal, kualitas air Sungai Citarum pernah menjadi
sungai paling tercemar dan kotor di dunia. Kualitas air sungai
dapat ditentukan dengan menghitung nilai indeks pencemaran
secara manual. Namun, metode perhitungan manual dianggap
membutuhkan waktu yang lama. Oleh karena itu, diperlukan
suatu teknik yang efektif untuk mengukur kualitas air sungai.
Machine learning dipilih sebagai salah satu teknik yang
diusulkan untuk mengklasifikasikan kualitas air sungai. Tiga
metode klasifikasi diterapkan dalam penelitian ini. K-Nearest
Neighbors, Support Vector Machine, dan Random forest. Setalah
dilakukan pengujian, didapatkan kesimpulan bahwa
menggunakan random forest memberikan hasil yang lebih baik
antara metode K-Nearest Neighbors dan metode Support Vector
Machine dengan akurasi sebesar 99,24% dan jika model
random forest tersebut ditambahkan dengan metode AdaBoost
maka akurasi meningkat menjadi 99.34%.
Kata kunci— Klasifikasi, Kualitas Air Sungai, KNN, SVM, Random forest.
Referensi
A. Danades, D. Pratama, D. Anggraini, and D.
Anggriani,
Neighbor algorithm and support vector machine
algorithm in classification water quality status,= in
Proceedings of the 2016 6th International
Conference on System Engineering and Technology,
ICSET 2016, Institute of Electrical and Electronics
Engineers Inc., Feb. 2017, pp. 137-141. doi:
1109/FIT.2016.7857553.
E. Retnoningsih and R. Pramudita,
Machine Learning Dengan Teknik Supervised dan
Unsupervised Learning Menggunakan Python,= Bina
Insani ICT Journal, vol. 7, no. 2, pp. 156-165, 2020.
D. Atika, A. Ari Aldino, S. Informasi, J. Pagar Alam
No, L. Ratu, and K. Kedaton,
FREQUENCY-INVERSE DOCUMENT
FREQUENCY SUPPORT VECTOR MACHINE
UNTUK ANALISIS SENTIMEN OPINI
MASYARAKAT TERHADAP TEKANAN
MENTAL PADA MEDIA SOSIAL TWITTER,=
[Online]. Available:
-jim.teknokrat.ac.id/index.php/JTSI
R. Siringoringo,
Menggunakan Algoritma SMOTE dan K-Nearest
Neighbor,= Jurnal ISD, vol. 3, no. 1, 2018.
J. T. Kumalasari and A. Merdekawati,
Sentimen Terhadap Program Kampus Merdeka Pada
Twitter Menggunakan Metode Naive Bayes, Union
dan Synthetic Minority Sampling Technique
(SMOTE),= SATIN-Sains dan Teknologi Informasi,
vol. 9, no. 1, pp. 01-12, 2023, doi: 10.33372.
R. Kini M G and R. Bhandarkar,
Assessment of Seed Using Supervised Machine
Learning Technique,= Journal of The Institution of
Engineers (India): Series B, 2023, doi:
1007/s40031-023-00902-2.
J. Verma, M. Nath, P. Tripathi, and K. K. Saini,
Kth nearest neighbour (KNN) and support vector
machine (SVM) classification techniques,= Pattern
Recognition and Image Analysis, vol. 27, no. 3, pp.
-580, Jul. 2017, doi:
1134/S1054661817030294.
A. S. Ritonga and E. S. Purwaningsih,
MACHINE (SVM) DALAM KLASIFIKASI
KUALITAS PENGELASAN SMAW (SHIELD
METAL ARC WELDING),= 2018.
Y. Sulistyo Nugroho and dan Nova Emiliyawati,
Konsumen Terhadap Mobil Menggunakan Metode
Random Forest.= [Online]. Available:
-archive.ics.uci.edu/ml/
J. Elektronik and I. Komputer Udayana,
Metode Adaboost Untuk Multi-Label Classification
Pada Dokumen Teks=.
A. A. Cabrera et al.,
Framework for Behavioral Evaluation of Machine
Learning,= in Conference on Human Factors in
Computing Systems - Proceedings, Association for
Computing Machinery, Apr. 2023. doi:
1145/3544548.3581268.
D. Chicco, N. Totsch, and G. Jurman,
correlation coefficient (Mcc) is more reliable than
balanced accuracy, bookmaker informedness, and
markedness in two-class confusion matrix
evaluation,= BioData Min, vol. 14, pp. 1-22, 2021,
doi: 10.1186/s13040-021-00244-z.
S. Hussain, S. S. Oyelere, J. H. Joloudari, A. Marefat,
J. H. Joloudari, and M. A. Nematollahi,
Class-Imbalance learning based on SMOTE and
Convolutional Neural Networks.= [Online].
Available:-www.researchgate.net/publication/363269818
