PREDIKSI KUALITAS AIR MENGGUNAKAN METODE RANDOM FOREST, DECISION TREE, DAN GRADIENT BOOSTING

Abstract

Air merupakan sumber daya alam yang sangat penting dan menjadi suatu
kebutuhan pokok bagi kelangsungan mahluk hidup baik manusia, hewan dan
tumbuhan, namun tidak semua air aman untuk dikonsumsi, sehingga
diperlukan adanya identifikasi kualitas air yang aman untuk di konsumsi.
Memperkirakan kualitas air telah menjadi salah satu tantangan signifikan
yang dihadapi dunia dalam beberapa dekade terakhir. Penelitian ini
menyajikan model prediksi kualitas air menggunakan tiga algoritma machine
learning Decision Tree, Gradient Boosting dan Random Forest, dimana model
machine learning tersebut kemudian dievaluasi secara eksperimental dengan
menggunakan data water_potability dari kaggle. Ketiga algoritma ini akan
dilakukan perbandingan pada proses klasifikasi data untuk mengetahui
metode mana yang paling akurat, dilihat dari tingkat akurasi yang paling
tinggi. Hasilnya menunjukan pada penelitian ini Random Forest menjadi
model yang memiliki akurasi dengan nilai akurasi yang tinggi dan akurat
sebesar 88.33%, dan untuk Decision Tree dengan nilai akurasi 80,83% dan
Gradient Boosting memiliki akurasi terendah yaitu 73,33%. Sehingga pada
penelitian yang dilakukan Random Forest menjadi algoritma paling akurat
dan baik untuk digunakan pada dataset water_potability.