<![CDATA[Kualitas air merupakan isu lingkungan yang berdampak langsung terhadap kesehatan manusia dan keberlanjutan ekosistem, sehingga diperlukan sistem deteksi kualitas air yang akurat, cepat, dan andal untuk mendukung pengambilan keputusan. Penelitian ini bertujuan mengoptimalkan kinerja klasifikasi kualitas air dengan menerapkan metode Ensemble Stacking berbasis algoritma XGBoost, LightGBM, dan CatBoost, dengan Random Forest sebagai meta-learner. Proses penelitian meliputi pemuatan dataset kualitas air, eksplorasi data, tahap preprocessing, pelatihan model dasar, serta pembentukan skema stacking. Untuk meningkatkan performa model, diterapkan mekanisme passthrough atau penambahan fitur asli yang dikombinasikan dengan optimasi hyperparameter menggunakan RandomizedSearchCV guna memperoleh konfigurasi model terbaik. Hasil pengujian menunjukkan bahwa metode Ensemble Stacking mampu mencapai akurasi sebesar 97,06%. Setelah dilakukan optimasi melalui passthrough dan tuning hyperparameter, performa model meningkat dengan akurasi tertinggi sebesar 97,12% dan nilai precision mencapai 90,48%. Model yang diusulkan terbukti mampu menurunkan kesalahan prediksi, khususnya False Positive, sehingga lebih aman dalam penentuan status kualitas air. Dengan demikian, penelitian ini menghasilkan model prediksi yang andal dan berpotensi diterapkan pada instansi lingkungan, fasilitas pengolahan air, serta sistem pemantauan kualitas air berbasis data.]]>
Copyrights © 2026
