Identifikasi Tingkat Kekeruhan Air Minum Menggunakan Machine Learning

Loading...
Thumbnail Image

Journal Title

Journal ISSN

Volume Title

Publisher

Fakultas Teknik

Abstract

Penggunaan metode machine learning untuk mengukur tingkat kekeruhan air dilakukan dengan fokus pada tiga algoritma utama: regresi linear, Random forest, dan Decision tree. Data yang digunakan mencakup pengukuran dari sensor Total Dissolved Solids (TDS) serta citra yang diolah menggunakan perangkat lunak MATLAB. Proses pengolahan citra melibatkan ekstraksi fitur visual, seperti intensitas warna dan tekstur, yang berfungsi sebagai input untuk model machine learning. Hasil pengujian menunjukkan bahwa algoritma Random Forest menghasilkan performa terbaik, dengan tingkat akurasi 83.33%, nilai Root Mean Square Error (RMSE) 1, serta koefisien determinasi (R²) 1, yang mencerminkan kestabilan prediksi meskipun memiliki sedikit error lebih tinggi dibanding metode lain. Algoritma Decision Tree memiliki akurasi 85%, RMSE 0.79, dan R² 0.95, sedangkan Regresi Linear memperoleh akurasi 83.89%, RMSE 0.83, dan R² 0.96, namun kurang optimal dalam menangani hubungan non-linear. Dari perbandingan antara metode pengolahan citra dan pengukuran manual menggunakan sensor TDS, dapat disimpulkan bahwa pendekatan machine learning, khususnya Random Forest, mampu menghasilkan prediksi yang mendekati nilai aktual dari sensor. Temuan ini menunjukkan bahwa pemanfaatan teknologi berbasis pengolahan citra dan machine learning dapat menjadi solusi yang efisien dan akurat dalam pemantauan kualitas air minum secara real-time.

Description

Validasi file repositori 26 Oktober 2026_Firli

Citation

Endorsement

Review

Supplemented By

Referenced By