PENGEMBANGAN SISTEM KLASIFIKASI KUALITAS AIR MINUM BERBASIS WEB MENGGUNAKAN ALGORITMA MACHINE LEARNING - WRAP Entrepreneurship (Capstone)

SYIFA MELINDA NAF`AN

Informasi Umum

Kode

23.04.5778

Klasifikasi

006.31 - Machine Learning

Jenis

Karya Ilmiah - Skripsi (S1) - Reference

Subjek

Machine Learning

Dilihat

34 kali

Informasi Lainnya

Abstraksi

ABSTRAK

Air layak konsumsi adalah suatu hal yang sangat penting untuk diketahui, mengingat air mudah terkontaminasi dan dapat membahayakan tubuh manusia dalam jangka panjang. Ada beberapa metode manual yang digunakan untuk menentukan kelayakan air minum diantaranya yaitu STORET dan Indeks Pencemaran. Namun kedua metode ini tidak cukup efisien karena membutuhkan waktu yang lama, sehingga memerlukan bayak SDM dan biaya yang tinggi untuk dapat melakukan pengujian. Oleh sebab itu, dibutuhkan suatu teknologi yang mampu melakukan klasifikasi kelayakan air minum secara cepat dan akurat agar pengklasifikasian air minum semakin efisien.

Untuk menangani masalah yang sudah dipaparkan di atas, diusulkan pengklasifikasian menggunakan teknologi machine learning. Machine learning dipilih karena machine learning mampu membuat keputusan berdasarkan pola data yang sudah dipelajari atau diberi sebelumnya, sehingga dalam kasus kelayakan air minum machine learning dapat melakukan klasifikasi kelayakan air minum berdasarkan data yang diberikan untuk dipelajari oleh mesin. Dalam capstone project ini, diterapkan tiga algoritma klasifikasi, yaitu Decision Tree, K-Nearest Neighbours, dan Extreme Learning Machine. Selain itu, teknik SMOTE digunakan untuk menyeimbangkan data pada kelas target. Dataset yang digunakan untuk proses pembelajarannya berasal dari berbagai sumber, salah satunya PDAM.

Penelitian ini membuktikan bahwa penggunaan model machine learning dengan teknik resampling SMOTE efektif dalam mengklasifikasikan kualitas air. Model Decision Tree dan K-Nearest Neighbors (KNN) menunjukkan performa yang sangat baik dengan akurasi dan nilai AUC sebesar 1.00. Sementara itu, model Extreme Learning Machine (ELM) mencapai akurasi tinggi sebesar 98.6% dengan nilai AUC 1.00. Implementasi model ke dalam website ini berhasil mengurangi waktu dan biaya yang sebelumnya dibutuhkan untuk evaluasi kualitas air.

Kata Kunci : Akurasi Model, Algoritma Klasifikasi, Kelayakan Air Minum, Machine Learning, SMOTE.