Text
Penerapan Algoritma Decision Tree Untuk Klasifikasi Dan Prediksi Potabilitas Air Minum
Ketersediaan air minum yang layak konsumsi (potabel) merupakan hal yang vital. Namun, data menunjukkan bahwa banyak sumber air yang terkontaminasi, sehingga menimbulkan kebutuhan akan sistem deteksi yang akurat dan efisien. Penelitian ini bertujuan untuk menerapkan algoritma Decision Tree dalam membangun model klasifikasi untuk memprediksi potabilitas air minum berdasarkan parameter fisika dan kimia.
Dataset yang digunakan bersumber dari Kaggle, yang terdiri dari 3.276 sampel data dengan 9 fitur, yaitu: pH, Hardness, Solids, Chloramines, Sulfate, Conductivity, Organic_carbon, Trihalomethanes, dan Turbidity. Target variabelnya adalah Potability (0 = Tidak Layak, 1 = Layak). Metodologi penelitian meliputi Exploratory Data Analysis (EDA), penanganan data hilang dengan imputasi rata-rata berdasarkan kelompok potabilitas, standardisasi data, dan pembagian dataset dengan rasio 80:20 untuk data latih dan uji.
Hasil evaluasi model menunjukkan bahwa algoritma Decision Tree mampu mengklasifikasikan potabilitas air dengan akurasi sebesar 74.7%. Analisis lebih lanjut menggunakan confusion matrix dan classification report mengungkapkan bahwa model lebih baik dalam memprediksi kelas "Tidak Layak" (Precision: 0.79, Recall: 0.81, F1-Score: 0.80) dibandingkan kelas "Layak" (Precision: 0.66, Recall: 0.65, F1-Score: 0.66), yang diduga akibat ketidakseimbangan jumlah data pada kedua kelas.
Kesimpulan dari penelitian ini adalah algoritma Decision Tree dapat diimplementasikan untuk memprediksi potabilitas air dengan kinerja yang cukup baik dan model yang mudah diinterpretasikan. Untuk penelitian selanjutnya, disarankan untuk menangani masalah data tidak seimbang, mengeksplorasi algoritma lain seperti Random Forest atau XGBoost, serta menambah jumlah dan variasi data untuk meningkatkan akurasi dan generalisasi model.
Tidak tersedia versi lain