Penerapan Algoritma XGBoost untuk Klasifikasi Kualitas Air Minum
DOI:
https://doi.org/10.33005/santika.v6i1.1003Keywords:
Kualitas Air, Air Minum, Klasifikasi, Machine Learning, XGBoostAbstract
Kualitas air minum merupakan salah satu faktor penting yang berpengaruh terhadap kesehatan manusia. Namun, metode konvensional dalam pengujian kualitas air cenderung memerlukan waktu yang lama serta biaya yang relatif tinggi. Oleh karena itu, diperlukan pendekatan yang lebih efisien untuk melakukan klasifikasi kualitas air secara otomatis. Penelitian ini bertujuan untuk menerapkan algoritma XGBoost dalam mengklasifikasikan kualitas air minum berdasarkan parameter fisik dan kimia. Tahapan penelitian meliputi pembersihan data melalui imputasi missing value, normalisasi menggunakan Min-Max Scaling, penyeimbangan data dengan metode oversampling, serta pembagian data menjadi data latih dan data uji. Model dilatih menggunakan parameter default dengan menerapkan mekanisme early stopping untuk mencegah overfitting. Hasil pengujian menunjukkan bahwa model XGBoost mampu mencapai akurasi sebesar 81,62% dengan nilai precision, recall, dan f1-score yang seimbang pada kedua kelas. Hal ini menunjukkan bahwa XGBoost memiliki kinerja yang baik dalam menangani data kualitas air yang bersifat kompleks dan nonlinier. Dengan demikian, pendekatan ini dapat digunakan sebagai solusi alternatif dalam proses klasifikasi kualitas air secara cepat dan efisien.
References
P. Bazaanah and R. A. Mothapo, Sustainability of drinking water and sanitation delivery systems in rural communities of the Lepelle Nkumpi Local Municipality, South Africa, vol. 26, no. 6. Springer Netherlands, 2024. doi: 10.1007/s10668-023-03190-4.
United Nations Children’s Fund (UNICEF) and World Health Organization (WHO), “Summary progress update 2021 : SDG 6 — water and sanitation for all,” UN-Water Integr. Monit. Initiat., pp. 1–58, 2021, [Online]. Available: https://www.unwater.org/new-data-on-global-progress-towards-ensuring-water-and-sanitation-for-all-by-2030/
WHO, Global water, sanitation and hygiene Annual report 2022. 2022.
A. A. Aydamo, S. R. Gari, and S. T. Mereta, “Access to Drinking Water, Sanitation, and Hand Hygiene Facilities in the Peri-Urban and Informal Settlements of Hosanna Town, Southern Ethiopia,” Environ. Health Insights, vol. 17, 2023, doi: 10.1177/11786302231193604.
M. Anindita, A. Rahman, M. A. Alim, C. Xiong, S. Hossain, and A. Sathasivan, “Microbial ecology of harvested rainwater: Assessing quality, antimicrobial resistance and geographical variation,” J. Clean. Prod., vol. 486, p. 144439, Jan. 2025, doi: 10.1016/J.JCLEPRO.2024.144439.
World Health Organization, Guidelines for drinking-water quality: fourth edition incorporating the first addendum. Geneva: World Health Organization, vol. 55. 2017. doi: 10.5005/jp/books/11431_8.
A. C. C. Fortes, P. R. G. Barrocas, and D. C. Kligerman, “Water quality indices: Construction, potential, and limitations,” Ecol. Indic., vol. 157, no. July, 2023, doi: 10.1016/j.ecolind.2023.111187.
S. Zhong et al., “Machine Learning: New Ideas and Tools in Environmental Science and Engineering,” Environ. Sci. Technol., vol. 55, no. 19, pp. 12741–12754, 2021, doi: 10.1021/acs.est.1c01339.
N. T. Anh, L. D. Can, N. T. Nhan, B. Schmalz, and T. Le Luu, “Influences of key factors on river water quality in urban and rural areas: A review,” Case Stud. Chem. Environ. Eng., vol. 8, no. July, p. 100424, 2023, doi: 10.1016/j.cscee.2023.100424.
F. T. A. Alif Wildan Azzahra, Satria Farras Ayhallansyah, Moh. Angga Ardiansyah, Moh. Ayyuhan Fawwazansa, “Deteksi Gambar Palsu Menggunakan Deep Learning,” vol. 19, 2024, doi: https://doi.org/10.33005/scan.v19i3.5032.
Ani Dijah Rahajoe; Agussalim; Emy Setyaningsih; Eka Prakarsa Mandyartha; Fawwaz Akbar; Faisal Muttaqin, “Comparison of Sequential Feature Selection Performance with Various Dimensional Data to Produce Optimal Classification,” 2022, doi: https://doi.org/10.1109/ITIS57155.2022.10009035.
F. M. Eka Prakarsa Mandyartha, Fetty Tri Anggraeny and F. A. Akbar, “Global and Adaptive Thresholding Technique for White Blood Cell Image Segmentation”, doi: 10.1088/1742-6596/1569/2/022054.
G. Özsezer and G. Mermer, “Prediction of drinking water quality with machine learning models: A public health nursing approach,” Public Health Nurs., vol. 41, no. 1, pp. 175–191, 2024, doi: 10.1111/phn.13264.
