Article Per Year (5 Year)
p-Index From 2021 - 2026
0.23
P-Index
This Author published in this journals
All Journal Infotekmesin
Prasetya - Widiharso
Universitas Negeri Malang
Computer Science & IT Electrical & Electronics Engineering Mechanical Engineering

Published : 1 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 1 Documents
Search

 1 
Performa Metode Klasifikasi Tunggal dan Ensemble Model dalam Identifikasi Baku Mutu Air Prasetya - Widiharso
Infotekmesin Vol 13, No 2 (2022): Infotekmesin: Juli, 2022
Publisher : P3M Politeknik Negeri Cilacap

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35970/infotekmesin.v13i2.1338

Abstract

Pengukuran kualitas air sungai dan waduk yang digunakan untuk kebutuhan sarana rekreasi, peternakan, perikanan, dan pertanaman diperlukan untuk menentukan pemanfaatan berdasarkan kualitas air sesuai dengan baku mutu air yang ditetapkan dalam peraturan pemerintah. Pada jumlah tertentu, sampah dapat mengakibatkan kontaminasi bakteriologis serta beban nutrien yang berlebihan (euthrophication). Sampah jenis tertentu dapat menjadi limbah berbahaya yang mengadung senyawa yang beracun serta logam berat yang bersifat toksik. Metode yang digunakan dalam klasifikasi pemanfaatan kualitas air adalah metode K-Nearest Neighbors, Suport Vector Machine, Naïve Bayes, dan ensemble model. Parameter yang diukur terdiri dari temperatur, TDS, TSS, pH, COD, BOD, DO, dan curah hujan. Tujuan utama dari penelitian adalah mengetahui performa metode klasifikasi tunggal dan ensemble model dengan obyek klasifikasi peruntukan air sungai dan waduk kedalam dua kelas. Pertama, kelas untuk peruntukan sarana rekreasi, perikanan, dan peternakan. Kedua, kelas untuk peruntukan budidaya pertanaman. Hasil uji akurasi penerapan metode K-Nearest Neighbors (KNN) diperoleh hasil 86%, sedangkan melalui metode Suport Vector Machine diperoleh hasil 87%, Naïve Bayes diperoleh hasil 90,57%. Sedangkan melalui ensemble model diperoleh hasil Bagging Clasifier 94,43%, Gradient Boosting Clasifier 94,96%, Adaboost Clasifier 95,94%.
Co-Authors