Perbandingan Kinerja Algoritma Klasifikasi Status Mutu Air

Lidya Ningsih; Jajam Haerul Jaman; Naufal Ibnu Salam; Muhammad Haikal

doi:10.31004/ijmst.v2i1.298

Authors

Lidya Ningsih Rekayasa Perangkat Lunak, Fakultas Informatika, Telkom University
Jajam Haerul Jaman Informatika, Fakultas Ilmu Komputer, Universitas Singaperbangsa
Naufal Ibnu Salam Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor
Muhammad Haikal Ilmu Komputer, Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor

DOI:

https://doi.org/10.31004/ijmst.v2i1.298

Keywords:

K-Nearest Neighbour, Multiclass classification, Multi Layer Perceptron, Naïve Bayes, Random Forest, Status mutu air, Support Vector Machine

Abstract

Klasifikasi mutu air adalah salah satu teknik dalam melakukan penilaian terhadap air sebagai objek penelitian. Penelitian ini dilakukan dengan tujuan agar dapat memberikan pengetahuan terhadap mutu atau kualitas air, sehingga dapat menjadi solusi terbaik yang dapat dilakukan terhadap air tersebut sebelum dikonsumsi. Penelitian ini menggunakan dua skenario dengan beberapa teknik klasifikasi, diantaranya adalah Algoritme Naive Bayes, KNN, Multiclass classification, MLP, SVM, dan Random Forest. Berdasarkan hasil peneltiian yang dilakukan dengan beberapa algoritma klasifikasi tersebut, didapatkan hasil akurasi terbaik menggunakan Algoritme Random Forest dengan persentase akurasi sebesar 99,5% pada skenario pertama dan 99,7% pada skenario kedua . Sedangkan tingkat akurasi terendah ditemukan pada Algoritme Naive Bayes dengan persentase akurasi sebesar 22,3% pada skenario pertama dan 21,9% pada skenario kedua. Hal ini disebabkan karena dataset mutu air yang diperoleh tidak seimbang atau tidak terdistribusi normal (Gaussian). Selain itu, algoritme Naive Bayes memiliki kinerja baik dalam pekerjaan klasifikasi dengan data teks.

References

N. Lusiana, B. R. Widiatmono, and H. Luthfiyana, “Beban Pencemaran BOD dan Karakteristik Oksigen Terlarut di Sungai Brantas Kota Malang,” J. Ilmu Lingkung., vol. 18, no. 2, pp. 354–366, 2020, doi: 10.14710/jil.18.2.354-366.

F. Modaresi and S. Araghinejad, “A comparative assessment of support vector machines, probabilistic neural networks, and K-nearest neighbor algorithms for water quality classification,” Water Resour. Manag., vol. 28, no. 12, pp. 4095–4111, 2014, doi: 10.1007/s11269-014-0730-z.

R. Prakash, V. P. Tharun, and S. Renuga Devi, “A Comparative Study of Various Classification Techniques to Determine Water Quality,” Proc. Int. Conf. Inven. Commun. Comput. Technol. ICICCT 2018, no. Icicct, pp. 1501–1506, 2018, doi: 10.1109/ICICCT.2018.8473168.

M. L. Hidup, “Keputusan menteri lingkungan hidup nomor 115 tahun 2003 tentang pedoman Penentuan status mutu air,” 2003.

S. Chen, G. I. Webb, L. Liu, and X. Ma, “A novel selective naïve Bayes algorithm,” Knowledge-Based Syst., vol. 192, p. 105361, Mar. 2020, doi: 10.1016/j.knosys.2019.105361.

M. Kholil, Kusrini, and Henderi, “Penerapan Metode K Nearest Neighbord Dalam Proses Seleksi Penerima Beasiswa,” Semin. Nas. Sist. Inf. dan Teknol. Inf. 2018, pp. 13–18, 2018.

A. A. Syafitri Hidayatul AA, Yuita Arum S, “Seleksi Fitur Information Gain untuk Klasifikasi Penyakit Jantung Menggunakan Kombinasi Metode K-Nearest Neighbor dan Naïve Bayes,” J. Pengemb. Teknol. Inf. dan Ilmu Komput., vol. 2, no. 9, pp. 2546–2554, 2018.

V. Jakkula, “Tutorial on Support Vector Machine (SVM),” Sch. EECS, Washingt. State Univ., pp. 1–13, 2011, [Online]. Available: http://www.ccs.neu.edu/course/cs5100f11/resources/jakkula.pdf.

S. anto Nugroho and arif budi Witarto, “Support vector machine teori dan aplikasinya dalam bioinformatika,” 2003.

G. A. Sandag, “Prediksi Rating Aplikasi App Store Menggunakan Algoritma Random Forest,” CogITo Smart J., vol. 6, no. 2, p. 167, 2020, doi: 10.31154/cogito.v6i2.270.167-178.

V. W. Siburian and I. E. Mulyana, “Prediksi Harga Ponsel Menggunakan Metode Random Forest,” Pros. Annu. Res. Semin., vol. 4, no. 1, pp. 144–147, 2018.

i nyoman tri anindia Putra, ni komang ayu Sinariyani, N. Maharani, and ketut sepdayana Kartini, “decision support system for determining the type of workout using fuzzy analythical hierarchy process (F-AHP) method in STIKI GYM,” 2021.

I. G. R. M. Putra, M. W. A. Kesiman, G. A. Pradnyana, and I. M. D. Maysanjaya, “Identifikasi Citra Ukiran Ornamen Tradisional Bali Dengan Metode Multilayer Perceptron,” SINTECH (Science Inf. Technol. J., vol. 4, no. 1 SE-, pp. 29–39, 2021, [Online]. Available: https://ejournal.stiki-indonesia.ac.id/index.php/sintechjournal/article/view/552.