Perbandingan Algoritma Random Forest dan XGBoost dalam Klasifikasi Kualitas Air Danau Maninjau

Muhammad Fajri (Program Studi Informatika, Universitas Adzkia)
Muhammad Rama Kencana (Program Studi Informatika, Universitas Adzkia)
Wendi Marsa Putra (Program Studi Informatika, Universitas Adzkia)
Muhammad Thoriq (Program Studi Informatika, Universitas Adzkia)

Jurnas Nasional Teknologi dan Sistem Informasi
Vol 12 No 2 (2026): Agustus 2026

Danau Maninjau merupakan salah satu danau prioritas nasional yang berada di Kabupaten Agam, Sumatera Barat. Selain unggul pada sektor pariwisata, Danau Maninjau dimanfaatkan oleh masyarakat sekitar untuk melakukan budidaya Keramba Jaring Apung (KJA). Namun lonjakan KJA yang tidak terkontrol menyebabkan tercemarnya perairan Danau Maninjau dengan status trofik eutrofik hingga hipereutrofik. Pemantauan kualitas perairan danau secara rutin dibutuhkan untuk menganalisis perkembangan kualitas perairan danau. Namun pemantauan berbasis laboratorium dinilai mahal dan membutuhkan waktu yang lama. Penelitian ini bertujuan membangun dan membandingkan model machine learning menggunakan algoritma Random Forest dan XGBoost dalam mengklasifikasikan status mutu perairan Danau Maninjau. Penelitian ini memanfaatkan dataset indeks kualitas air (WQI) dengan skenario pembagian data 8:2. Hasil pengujian menunjukkan model Random Forest unggul secara signifikan dalam mengklasifikasi kualitas air dengan tingkat akurasi sebesar 97%, mengungguli model XGBoost yang hanya mencatatkan akurasi 87%. Implementasi model pada data pemantauan perairan Danau Maninjau berhasil mengidentifikasi secara konsisten status Kelas 3 (Marginal) pada empat lokasi krusial (Tengah Danau, Tanjung Sani, Sungai Tampang, dan PLTA Muko-Muko), yang diindikasikan kuat sebagai gejala eutrofikasi akibat supersaturasi oksigen terlarut (DO).