Klasifikasi Kelayakan Air Minum Berbasis Pembelajaran Mesin Menggunakan Artificial Neural Network dan Random Forest

Penulis

  • FEGA YUDISTIRA Teknik Elektro UIN Sunan Gunung Djati Bandung
  • DILLA RESTU AGUSTHIANI Teknik Elektro UIN Sunan Gunung Djati Bandung
  • EKI AHMAD ZAKI HAMIDI Teknik Elektro UIN Sunan Gunung Djati Bandung
  • EDI MULYANA Teknik Elektro UIN Sunan Gunung Djati Bandung

Kata Kunci:

Random Forest, Convolutional Neural Network, Air Minum, Pembelajaran Mesin, Klasifikasi

Abstrak

Kualitas air minum merupakan faktor penting yang memengaruhi kesehatan masyarakat. Klasifikasi kelayakan air minum yang akurat diperlukan untuk memastikan keamanan air yang dikonsumsi. Penelitian ini bertujuan untuk membandingkan performa algoritma Artificial Neural Network (ANN) dan Random Forest dalam klasifikasi kelayakan air minum menggunakan dataset Water Potability. Dataset yang digunakan terdiri atas 3.276 sampel dengan sembilan parameter kualitas air, yaitu pH, hardness, solids, chloramines, sulfate, conductivity, organic carbon, trihalomethanes, dan turbidity. Tahap prapemrosesan data meliputi penanganan missing value, normalisasi menggunakan MinMaxScaler, serta pembagian data latih dan data uji dengan skenario 70:30 dan 80:20. Evaluasi performa model dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil pengujian menunjukkan bahwa skenario pembagian data 80:20 menghasilkan performa terbaik pada kedua model. Pada skenario tersebut, ANN memperoleh nilai accuracy sebesar 0,66, precision 0,67, recall 0,88, dan F1-score 0,76, sedangkan Random Forest memperoleh accuracy 0,66, precision 0,66, recall 0,87, dan F1-score 0,75. Hasil penelitian menunjukkan bahwa ANN memperoleh nilai precision, recall, dan F1-score yang sedikit lebih tinggi dibandingkan Random Forest. Namun demikian, perbedaan performa kedua model relatif kecil sehingga keduanya dapat dianggap memiliki kemampuan yang kompetitif dalam klasifikasi kelayakan air minum.

Referensi

A. K. Verma and S. Prakash, “WATER RESOURCES IN A CHANGING WORLD : SCIENCE , MANAGEMENT AND POLICY Water and Its Impact on Human Health,” pp. 61–63, 2025, doi: 10.5281/zenodo.15183465.

D. R. Tripathi, “Safe Drinking Water-Threats of Pollution to Potable Water For The Community,” J. Surv. Fish. Sci., vol. 10, no. 2, pp. 1854–1858, 2023, doi: 10.53555/g86wes45.

E. R. G. Ramakanth Reddy Tetali, Salomi K, BNV Sai Durga G, Sharon Pushpa P, “Analysis of Water Quality Parameters Across Diverse Sources: Research Article,” J. Pharma Insights Res., vol. 2, no. 3 SE-Articles, pp. 210–216, doi: 10.69613/3jxm7e23.

M. H. Pawar, “Advancements and Challenges in Water Analysis : A Comprehensive Review of Methods and Applications,” 2025.

J. Pandey and S. Verma, “Machine Learning Model for Water Quality Analytics BT - Data Science and Big Data Analytics,” D. Mishra, X. S. Yang, A. Unal, and D. S. Jat, Eds., Singapore: Springer Nature Singapore, 2024, pp. 719–729.

M. V. Subbarao, “Enhancing Water Quality Monitoring : Machine Learning-Based Estimation of Water Quality Index ( WQI ),” vol. 10, no. 4, pp. 189–195, 2025.

D. Chandu and D. B. Bidikar, “Random Forest Based ML Model for Potability of Water,” Int. J. Sci. Res. Eng. Manag., vol. 09, no. 07, pp. 1–9, 2025, doi: 10.55041/ijsrem51665.

D. Hartanti and A. I. Pradana, “Komparasi Algoritma Machine Learning dalam Identifikasi Kualitas Air,” SMARTICS J., vol. 9, no. 1, pp. 1–6, 2023.

I. Binanto, M. R. F. Mali, B. A. D. N, and A. Jaya, “Perbandingan Algoritma Random Forest Dan Artificial Neural Network Untuk Dataset Water Potability,” Jtriste, vol. 11, no. 1, pp. 53–59, 2024, doi: 10.55645/jtriste.v11i1.510.

M. H. Al-Adhaileh and F. W. Alsaade, “Modelling and prediction of water quality by using artificial intelligence,” Sustain., vol. 13, no. 8, pp. 1–18, 2021, doi: 10.3390/su13084259.

I. B. D, P. N. Andono, R. A. Pramunendar, and A. Winarno, “Pendekatan Machine Learning dengan Teknik Stacking untuk Memprediksi Kualitas Air Minum,” vol. 6, no. 4, pp. 2546–2558, 2025, doi: 10.47065/bits.v6i4.7014.

S. Y. Kurniawan, S. Sanjaya, Y. Vitriani, and I. Afrianty, “Klasifikasi Kelayakan Air Minum dengan Backpropagation Neural Network Berbasis Penanganan Missing Value dan Normalisasi,” J. Inf. Syst. Res., vol. 6, no. 1, pp. 76–84, 2024, doi: 10.47065/josh.v6i1.5871.

I. Darmawan, Muhammad Fatchan, and Andri Firmansyah, “Classification of Drinking Water Potability With Artificial Neural Network Algorithm,” Int. J. Integr. Sci. Technol., vol. 2, no. 5, pp. 506–515, 2024, doi: 10.59890/ijist.v2i5.1874.

E. Systems, A. Al-ataby, B. N. Getu, and H. Attia, “Machine Learning-Based Water Quality Prediction,” pp. 1–20, 2026.

F. Bouchraki, S. Hamchaoui, L. L. Ayad, Y. Fetouh, C. Mezhoud, and A. Berreksi, “Water Quality Assessment Using the Random Forest Classification Model,” Water Environ. Res., vol. 97, no. 10, p. e70197, Oct. 2025, doi: https://doi.org/10.1002/wer.70197.

S. M. Alomani, N. I. Alhawiti, and A. Alhakamy, “Prediction of Quality of Water According to a Random Forest Classifier,” Int. J. Adv. Comput. Sci. Appl., vol. 13, no. 6, pp. 892–899, 2022, doi: 10.14569/IJACSA.2022.01306105.

C. T. Tran, “Ensemble Learning Approaches for Classification With High-Dimensional Data,” J. Sci. Tech., vol. 12, no. 01, pp. 83–96, 2023, doi: 10.56651/lqdtu.jst.v12.n1.659.ict.

Y. Febriani, M. L. M. Akhlak, M. Apriniyadi, and A. R. Saleh, “Evaluation of Deep Learning Model Performance for Water Quality Classification: Comparison of CNN, LSTM, and Hybrid CNN-LSTM,” pp. 1–26, 2025, [Online]. Available: https://www.researchgate.net/publication/395878608_Evaluation_of_Deep_Learning_Model_Performance_for_Water_Quality_Classification_Comparison_of_CNN_LSTM_and_Hybrid_CNN-LSTM

Unduhan

Diterbitkan

06/29/2026

Terbitan

Vol 6 No 1 (2026): Fuse-teknik Elektro

Bagian

Artikel

Lisensi

Creative Commons License

Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.

Syarat yang harus dipenuhi oleh Penulis sebagai berikut:

  1. Penulis menyimpan hak cipta dan memberikan jurnal hak penerbitan pertama naskah secara simultan dengan lisensi di bawah Creative Commons Attribution License yang mengizinkan orang lain untuk berbagi pekerjaan dengan sebuah pernyataan kepenulisan pekerjaan dan penerbitan awal di jurnal ini.
  2. Penulis bisa memasukkan ke dalam penyusunan kontraktual tambahan terpisah untuk distribusi non ekslusif versi kaya terbitan jurnal (contoh: mempostingnya ke repositori institusional atau menerbitkannya dalam sebuah buku), dengan pengakuan penerbitan awalnya di jurnal ini.
  3. Penulis diizinkan dan didorong untuk mem-posting karya mereka online (contoh: di repositori institusional atau di website mereka) sebelum dan selama proses penyerahan, karena dapat mengarahkan ke pertukaran produktif, seperti halnya sitiran yang lebih awal dan lebih hebat dari karya yang diterbitkan. (Lihat Efek Akses Terbuka).