Pembangunan Model Prediksi Kualitas Air pada Rainwater Harvesting System Berbasis Machine Learning

Abstract

Air bersih merupakan kebutuhan dasar manusia, namun ketersediaannya di Indonesia, khususnya di beberapa wilayah Pulau Jawa dan Bali masih terbatas terutama pada saat terjadi musim kemarau panjang. Rainwater Harvesting System (RHS) dapat menjadi solusi alternatif dalam mendukung pemenuhan kebutuhan air secara berkelanjutan, meskipun masih menghadapi kendala pada kualitas air hasil tampungan. Penelitian ini bertujuan untuk membangun model prediksi kualitas air pada RHS dengan mempertimbangkan parameter pH dan tingkat kekeruhan air menggunakan algoritma machine learning. Algoritma yang diuji dalam penelitian ini adalah algoritma Logistic Regression, K-Nearest Neighbors, Support Vector Machine, Decision Tree, Random Forest, dan XGBoost. Tahapan penelitian meliputi pengumpulan dan praproses data, pelabelan data dengan metode Weighted Arithmetic Water Quality Index (WAWQI), pembagian data, penanganan ketidakseimbangan data dengan SMOTE, serta pembangunan model prediksi dan evaluasi model. Berdasarkan evaluasi kinerja model, XGBoost memberikan hasil terbaik dengan nilai accuracy sebesar 99,66%, precision 98,75%, recall 98,26%, dan F1-score sebesar 98,50% yang menunjukkan tingkat kinerja yang tinggi. Hasil penelitian ini menunjukkan potensi penggunaan machine learning untuk memprediksi kualitas air pada RHS. Selain itu, penelitian ini juga menguji perbandingan penggunaan parameter pH, tingkat kekeruhan, suhu, dan Total Dissolved Solids (TDS). Hasil penelitian menunjukkan bahwa model dengan keterbatasan parameter tetap mampu memberikan kinerja yang baik dalam memprediksi kualitas air.

Clean water is a basic human need, but its availability in Indonesia, especially in some areas of Java and Bali is still limited during the long dry season. The Rainwater Harvesting System (RHS) can be an alternative solution in supporting the fulfillment of water needs in a sustainable manner, although it still faces obstacles to the quality of water from the reservoir. This study aims to build a water quality prediction model in RHS by considering pH parameters and turbidity levels using machine learning algorithms. The algorithms tested in this study are the Logistic Regression, K-Nearest Neighbors, Support Vector Machine, Decision Tree, Random Forest, and XGBoost algorithms. The research stages include data collection and preprocessing, data labeling using the Weighted Arithmetic Water Quality Index (WAWQI) method, data splitting, handling data imbalances with SMOTE, and model prediction and evaluation development. Based on the model performance evaluation, XGBoost gave the best results with an accuracy value of 99.66%, precision of 98.75%, recall of 98.26%, and an F1-score of 98.50% indicating a high level of performance. The results of this study show the potential use of machine learning to predict water quality in RHS. In addition, this study also tested the comparison of the use of pH, turbidity levels, temperature, and Total Dissolved Solids (TDS) parameters. The results show that models with limited parameters are able to provide good performance in predicting water quality.