Pemodelan Kualitas Air Sungai Bedadung dan Sungai Brantas Berdasarkan Parameter Kekeruhan Menggunakan Metode Multiple Linear Regression dan Random Forest

Abstract

Sungai merupakan sumber air bersih yang vital bagi aktivitas domestik dan industri, namun sifat alaminya yang terbuka menjadikannya sangat rentan terhadap pencemaran dari luar. Fluktuasi parameter kualitas air fisik, seperti kekeruhan (turbiditas), sangat dipengaruhi oleh dinamika lingkungan, termasuk intensitas curah hujan dan debit sungai. Pemantauan laboratorium konvensional sering kali terkendala oleh biaya yang tinggi, waktu, dan alokasi sumber daya manusia. Penelitian ini bertujuan untuk menganalisis pengaruh curah hujan harian, debit sungai, dan derajat keasaman (pH) terhadap kekeruhan; merumuskan serta membandingkan kinerja prediksi model *Multiple Linear Regression* (MLR) dan *Random Forest* (RF); serta memvalidasi keandalan model-model tersebut menggunakan pengukuran langsung di lokasi (*in-situ*) di Sungai Bedadung (Instalasi Pengolahan Air Tegal Besar, Jember) dan Sungai Brantas (Jembatan Kalipare, Malang) selama periode 2024–2025. Studi ini membandingkan efektivitas metode *Multiple Imputation by Chained Equations* berbasis *Random Forest* (MICE:RF) dan metode eksklusi *Listwise Deletion* dalam menangani nilai yang hilang (*missing values*) berkisar antara 18% hingga 36% pada dataset sekunder. Model dibangun menggunakan rasio pembagian data 80:20 dan 70:30 untuk bagian pelatihan dan pengujian. Kinerja model dievaluasi menggunakan metrik *Mean Absolute Error* (MAE), *Mean Absolute Percentage Error* (MAPE), dan *Adjusted R-squared*, diikuti dengan validasi lapangan pada pertengahan tahun 2026 menggunakan dua skenario prakiraan tren historis. Hasil penelitian menunjukkan bahwa untuk Sungai Bedadung, model optimal yang paling konsisten adalah *Random Forest* yang dikombinasikan dengan imputasi MICE:RF pada rasio 80:20 (baik dengan maupun tanpa variabel pH), di mana debit sungai teridentifikasi sebagai prediktor paling krusial (*feature importance* = 611,22). Untuk Sungai Brantas, model terbaik yang menyertakan variabel pH adalah *Random Forest* dengan imputasi MICE:RF rasio 80:20 (MAE = 0,71; MAPE = 7,73%), sedangkan tanpa variabel pH, model terbaik adalah MLR dengan *Listwise Deletion* rasio 80:20 (MAE = 0,51; MAPE = 4,00%), dengan curah hujan harian sebagai variabel yang paling dominan. Validasi lapangan membuktikan bahwa skenario kedua (pendekatan musiman dari tahun sebelumnya) menghasilkan tingkat presisi yang jauh lebih tinggi dibandingkan skenario pertama, dengan nilai deviasi absolut (MAE) terendah mencapai 3,49 untuk Sungai Brantas dan 7,8 untuk Sungai Bedadung. Model prediksi yang telah divalidasi ini memberikan kontribusi praktis yang sangat efisien bagi perusahaan air minum daerah (Perumdam) untuk memproyeksikan fluktuasi kekeruhan sungai secara instan guna menentukan dosis koagulan yang ekonomis.