Pengembangan Sistem Klasifikasi Kualitas Air Minum Berbasis Web Menggunakan Algoritma Decision Tree
Abstrak
Kualitas air sangat penting untuk kehidupan
manusia, namun tidak semua sumber air aman untuk
dikonsumsi. Oleh karena itu, diperlukan identifikasi kelayakan
air minum yang akurat dan cepat. Metode manual seperti
STORET dan Indeks Pencemaran kurang efisien karena
memakan waktu dan biaya yang tinggi. Oleh karena itu,
digunakan teknologi Machine Learning dengan algoritma
Decision Tree dan teknik SMOTE untuk menyeimbangkan
data. Hasil penelitian menunjukkan bahwa model Decision Tree
dengan max_depth = 4 menghasilkan performa yang paling
optimal. Pada max_depth ini, model mencapai akurasi training
sebesar 99.9% dan akurasi testing mencapai 100%. Waktu yang
dibutuhkan untuk proses training adalah 0.03570 detik,
sedangkan waktu testing adalah 0.00223 detik. Hasil evaluasi
lainnya juga menunjukkan nilai AUC sebesar 1.00. Selain itu
evaluasi juga dilakukan menggunakan classification report dan
didapatkan hasil bahwa model memiliki presisi (precision) dan
recall sebesar 1.00 untuk kelas "Air Layak Minum" dan "Air
Tidak Layak Minum". Nilai f1-score juga sebesar 1.00 untuk
kedua kelas, menunjukkan bahwa model memiliki performa
yang sangat baik dalam mengklasifikasikan data positif dan
negatif.
Kata kunci—Decision Tree, Evaluasi. Kualitas Air, TeknologiMachine Learning
Referensi
R. Shyamala, M. Shanthi, And P. Lalitha,
Telungupalayam Area In Coimbatore District, Tamilnadu,
India,= 2008.
M. N. B. Momba, V. K. Malakate, And J. Theron,
Typhimurium And Vibrio Cholerae In Nkonkobe Drinking Water
Sources,= J Water Health, Vol. 4, No. 3, Pp. 289-296, Sep.
, Doi: 10.2166/Wh.2006.011.
J. Eshcol, P. Mahapatra, And S. Keshapagu,
Contamination Of Drinking Water After Collection Associated
With Household Water Handling And Hygiene Practices? A
Study Of Urban Slum Households In Hyderabad, India,= J
Water Health, Vol. 7, No. 1, Pp. 145-154, 2009, Doi:
2166/Wh.2009.094.
M. A. Rahman, N. Hidayat, And A. A. Supianto,
Dengan Naive Bayes Untuk Klasifikasi Kualitas Air Bersih
(Studi Kasus Pdam Tirta Kencana Kabupaten Jombang),=
[Online]. Available: -J-Ptiik.Ub.Ac.Id
J. Liang, Z. Qin, S. Xiao, L. Ou, And X. Lin,
And Secure Decision Tree Classification For Cloud-Assisted
Online Diagnosis Services,= Ieee Trans Dependable Secure
Comput, Vol. 18, No. 4, Pp. 1632-1644, Jul. 2021, Doi:
1109/Tdsc.2019.2922958.
A. Prayoga Permana, K. Ainiyah, And K. Fahmi Hayati
Holle,
Knn, Dan Naive Bayes Untuk Prediksi Kesuksesan Start-Up,=
[Online]. Available:
-Www.Kaggle.Com/Manishkc06/Startup-Successprediction.
S. Bagga, A. Goyal, N. Gupta, And A. Goyal,
Card Fraud Detection Using Pipeling And Ensemble
Learning,= In Procedia Computer Science, Elsevier B.V.,
, Pp. 104-112. Doi: 10.1016/J.Procs.2020.06.014.
Hairani, N. A. Setiawan, & T. B. Adji. 2013. Metode
Klasifikasi Data Mining Dan Teknik Sampling
Smote.Seminar Nasional Sains Dan Teknologi, 168-172.
J. Peng, R. Gao, L. Nguyen, Y. Liang, S. Thng And Z.
Lin, "Classification Of Non-Tumorous Facial Pigmentation
Disorders Using Improved Smote And Transfer Learning,"
Ieee International Conference On Image Processing
(Icip), Taipei, Taiwan, 2019, Pp. 220-224, Doi:
1109/Icip.2019.8802993.
I.H. Witten, E. Frank, And M.A. Hall,
Practical Machine Learning Tools And Techniques=, Third
Edition, Elsevier Publisher, Usa, 2011.
T. Y. Hadiwandra,
Informasi Perbandingan Kinerja Model Klasifikasi Decission
Tree , Bayesian Classifier, Instance Base, Linear Function
Base, Rule Base Pada 4 Dataset Berbeda,= Vol. 5, No. 1, 2019,
[Online]. Available: -Jurnal.Stmik-Amik-Riau.Ac.Id.
