Muhammad Almas Farros Dhiyaulhaq, . (2026) PENERAPAN PARTICLE SWARM OPTIMIZATION (PSO) UNTUK OPTIMASI HYPERPARAMETER DAN SELEKSI FITUR PADA MODEL RANDOM FOREST DALAM KLASIFIKASI STATUS MUTU AIR DI KOTA YOGYAKARTA. Skripsi thesis, Universitas Pembangunan Nasional Veteran Yogyakarta.
![[thumbnail of Cover_123220133.pdf]](http://eprints.upnyk.ac.id/style/images/fileicons/text.png) |
Text
Cover_123220133.pdf Download (278kB) |
|
Text
Abstrak_123220133.pdf Download (240kB) |
|
Text
Halaman Pengesahan_123220133.pdf Download (367kB) |
|
Text
Daftar Isi_123220133.pdf Download (414kB) |
|
Text
Dafar Pustaka_123220133.pdf Download (211kB) |
|
Text
Fulltext_123220133.pdf Restricted to Repository staff only Download (7MB) |
Abstract
Kualitas air merupakan aspek vital yang memengaruhi kesehatan masyarakat dan keberlanjutan ekosistem. Pemantauan status mutu air di Kota Yogyakarta menghadapi kendala dalam hal efisiensi waktu dan biaya analisis laboratorium, terutama ketika harus mengukur 24 parameter kualitas air secara rutin. Penelitian ini bertujuan mengembangkan model klasifikasi status mutu air yang optimal menggunakan algoritma Random Forest yang dioptimasi dengan Particle Swarm Optimization (PSO) untuk melakukan optimasi hyperparameter dan seleksi fitur secara simultan.
Penelitian ini menggunakan dataset kualitas air dari Dinas Lingkungan Hidup Kota Yogyakarta yang terdiri dari 260 sampel dengan 24 parameter kualitas air. Metodologi penelitian meliputi tahap data preprocessing (data cleaning, label encoding, data splitting, imputasi missing value menggunakan median, dan normalisasi), penanganan ketidakseimbangan kelas menggunakan Synthetic Minority Over-sampling Technique (SMOTE), pengembangan model baseline Random Forest, serta optimasi menggunakan PSO dengan Stratified K-Fold Cross Validation. Tiga skenario diuji: Skenario 1 (Baseline tanpa optimasi), Skenario 2 (PSO untuk optimasi hyperparameter saja), dan Skenario 3 (PSO untuk optimasi hyperparameter dan seleksi fitur simultan). Evaluasi model menggunakan metrik accuracy, precision, recall, dan F1-score.
Hasil penelitian menunjukkan bahwa Skenario 1 dan Skenario 2 menghasilkan performa identik dengan akurasi 96,15%, mengindikasikan bahwa optimasi hyperparameter saja tidak cukup untuk meningkatkan performa model. Skenario 3 memberikan performa terbaik dengan accuracy 100%, precision 100%, recall 100%, dan F1-score 100% pada data uji, membuktikan bahwa kombinasi optimasi hyperparameter dan seleksi fitur sangat krusial dalam mengatasi tumpang tindih karakteristik antar kelas. Algoritma PSO berhasil mereduksi dimensi data dari 24 fitur menjadi 7 fitur optimal (reduksi 70,8%), yaitu: Total Coliform, Kromium Heksavalen, Sulfida, Fecal Coli, Amonia NH3-N, Timbal terlarut (Pb), dan Tembaga (Cu) terlarut. Model yang dikembangkan telah diimplementasikan dalam sistem berbasis web menggunakan Streamlit dengan tingkat akurasi prediksi mencapai 100% pada pengujian batch 10 sampel. Penelitian ini membuktikan bahwa kombinasi PSO untuk seleksi fitur dan optimasi hyperparameter dapat meningkatkan performa model secara signifikan sekaligus memberikan efisiensi biaya dan waktu dalam pemantauan kualitas air.
Kata Kunci: Klasifikasi Mutu Air, Random Forest, Particle Swarm Optimization, Seleksi Fitur, Optimasi Hyperparameter
| Item Type: | Tugas Akhir (Skripsi) |
|---|---|
| Additional Information: | Muhammad Almas Farros Dhiyaulhaq (Penulis - 123220133) ; Ahmad Taufiq Akbar (Pembimbing) |
| Uncontrolled Keywords: | Klasifikasi Mutu Air, Random Forest, Particle Swarm Optimization, Seleksi Fitur, Optimasi Hyperparameter |
| Subjek: | T Technology > TK Electrical engineering. Electronics Nuclear engineering |
| Divisions: | Fakultas Teknik Industri > (S1) Informatika |
| Depositing User: | Bayu Pambudi |
| Date Deposited: | 13 Mar 2026 01:46 |
| Last Modified: | 13 Mar 2026 01:46 |
| URI: | http://eprints.upnyk.ac.id/id/eprint/47361 |
Actions (login required)
 |
View Item |