<![CDATA[Kualitas air merupakan faktor penentu keberhasilan budidaya lobster, sehingga pemantauan dan analisis parameter lingkungan menjadi sangat penting. Namun, keterbatasan data lapangan sering menjadi kendala dalam pengembangan sistem klasifikasi berbasis pembelajaran mesin. Penelitian ini bertujuan mengembangkan dataset sintetis parameter kualitas air tambak lobster dengan memanfaatkan logika fuzzy menggunakan pustaka Scikit-Fuzzy. Parameter yang digunakan mencakup suhu, pH, kekeruhan, dissolved oxygen (DO), dan salinitas. Data diproses menggunakan sistem inferensi fuzzy untuk menghasilkan 1.500 data dengan tiga kategori kualitas air, yaitu buruk, sedang, dan baik. Dataset sintetis tersebut selanjutnya digunakan dalam pengembangan model pembelajaran mesin melalui tahapan label encoding, penyeimbangan data dengan SMOTE, serta pembagian data menjadi 80% untuk pelatihan dan 20% untuk pengujian. Tiga algoritma klasifikasi diterapkan, yaitu Naïve Bayes, Support Vector Machine (SVM), dan Random Forest. Hasil pengujian menunjukkan bahwa algoritma Random Forest memberikan kinerja terbaik dengan akurasi 89,06%, diikuti SVM sebesar 76,60%, sedangkan Naïve Bayes menghasilkan akurasi terendah sebesar 61,32%. Temuan ini menunjukkan bahwa dataset sintetis berbasis logika fuzzy dapat menjadi alternatif sekaligus pelengkap data nyata dalam pengembangan sistem klasifikasi kualitas air pada budidaya lobster. Selain itu, penelitian ini membuka peluang pengembangan lebih lanjut melalui integrasi data lapangan untuk meningkatkan validitas model dan mendukung penerapan praktis di lingkungan budidaya.]]>
Copyrights © 2025
