Komparasi Algoritma Machine Learning dalam Memprediksi Kapasitas Produksi Potensial Air Bersih di Indonesia

Tatang Rohana; Hilda Yulia Novita; Euis Nurlaelasari

Penulis

Tatang Rohana Universitas Buana Perjuangan Karawang
Hilda Yulia Novita Universitas Buana Perjuangan Karawang
Euis Nurlaelasari Universitas Buana Perjuangan Karawang

Kata Kunci:

Decision Tree, Machine Learning, Prediksi, Random Forest, Regresi Linier

Abstrak

Ketersediaan air bersih merupakan indikator penting dalam pembangunan berkelanjutan, terutama di negara berkembang seperti Indonesia. Pertumbuhan penduduk, perubahan iklim, dan urbanisasi menyebabkan fluktuasi dalam ketersediaan air bersih. Penelitian ini bertujuan untuk memperkirakan potensi produksi air bersih di Indonesia menggunakan algoritma pembelajaran mesin, seperti Regresi Linier, Decision Tree, Random Forest, Multilayer Perceptron, XGBoost (Extreme Gradient Boosting), dan Neural Network. Setiap algoritma dievaluasi dan dibandingkan berdasarkan Mean Squared Error (MSE), koefisien determinasi (R²), Mean Absolute Error (MAE), dan tingkat akurasi prediksi. Berdasarkan hasil evaluasi kinerja dari masing-masing algoritma, maka terlihat Regresi Linier memiliki nilai MSE yang sangat rendah (9.31E-18), hampir mendekati nol, yang menunjukkan bahwa model ini sangat tepat dalam memprediksi target pada dataset ini. Neural Network dan Multilayer Perceptron juga memiliki MSE yang sangat rendah, yaitu 0.00010898 dan 0.0001800368, yang menunjukkan performa model yang sangat baik dengan error yang sangat kecil. Regresi Linier dan Neural Network mencapai nilai R² = 1 dan 0.9905, yang berarti model ini dapat menjelaskan hampir 100% variasi dari data target, menunjukkan prediksi yang sangat akurat. Secara keseluruhan, Regresi Linier, Neural Network, dan Multilayer Perceptron dapat direkomendasikan sebagai algoritma yang paling efektif untuk prediksi kapasitas produksi air bersih di Indonesia.

Unduhan

Data unduhan belum tersedia.

Referensi

G. M. Geoniti dan F. Yustiana, “Analisis Kebutuhan dan Ketersediaan Air PDAM Tirtawening Wilayah Bandung Timur Kecamatan Kiaracondong Kota Bandung,” Reka Racana, vol. xx, pp. 1-7, 2020.

D. Hartanti dan A. I. Pradana, “Komparasi Algoritma Machine Learning dalam Identifikasi Kualitas Air,” SMARTICS Journal, vol. 9, pp. 1-6, 2023.

T. H. Hasibuan dan D. Mahdiana, “Prediksi Kelulusan Mahasiswa Tepat Waktu Menggunakan Algoritma C4.5 pada UIN Syarif Hidayatullah Jakarta,” SKANIKA: Sistem Komputer dan Teknik Informatika, vol. 6, no. 1, pp. 61-74, 2023.

D. A. Putra dan M. Kamayani, “Prediksi Kelulusan Mahasiswa Tepat Waktu Menggunakan Metode Naive Bayes,” Seminar Nasional TEKNOKA, vol. 5, pp. 34-40, 2020.

B. Putro, M. T. Furqon dan S. H. Wijoyo, “Prediksi Jumlah Kebutuhan Pemakaian Air Menggunakan Metode Exponential Smoothing,” Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer, vol. 2, pp. 4679-4686, 2018.

T. Rohana, J. Indra dan G. G. Munzi, “Kajian Model Backpropagation dan Hybrid ANFIS dalam Memprediksi Pertumbuhan Penduduk di Kabupaten Karawang,” JOURNAL OF INFORMATION SYSTEM RESEARCH, vol. 4, pp. 374-381, 2023.

S. Shabbir, “Comparing Performance of J48, Multilayer Perceptron,” Research, 2015.

M. Thoriq, A. E. Syaputra dan Y. S. Eirlangga, “Perkiraan Kebutuhan Air Bersih Menggunakan Metode Jaringan Syaraf Tiruan Backpropagation,” JURNAL FASILKOM, vol. 13, pp. 438-444, 2023.

M. Haekal dan W. C. Wibowo, “Prediksi Kualitas Air Sungai Menggunakan Metode Pembelajaran Mesin: Studi Kasus Sungai Ciliwung,” Jurnal Teknologi Lingkungan, vol. 24, no. 2, pp. 273-282, 2023.

T. Rohana, “Performance Evaluation of Adaptive Neuro-Fuzzy Inference System (ANFIS) In Predicting New Students (Case Study: UBP Karawang),” BIT and CS, vol. 2, no. 2, pp. 31-37, 2021.

T. Rohana, E. Nurlaelasari, E. E. Awal dan H. Y. Novita, “Kajian Model Jaringan Syaraf Tiruan untuk Memprediksi Secara Dini Tingkat Kelulusan Mahasiswa,” Technologia: Jurnal Ilmiah, vol. 15, no. 4, pp. 629-640, 2024.

U. Riyanto, “Penerapan Algoritma Multilayer Perceptron (MLP) Dalam Menentukan Kelayakan Kenaikan Jabatan: Studi Kasus PP. Abc - Jakarta,” Jurnal Teknik Informatika (JIKA), vol. 2, no. 1, pp. 58-65, 2018.

F. J. Zebua, R. P. B. Manalu dan M. N. K. Nababan, “Prediksi Kelulusan Mahasiswa Menggunakan Perbandingan Algoritma C5.0 Dengan Regression Linear,” Jurnal TEKINKOM, vol. 4, no. 2, pp. 230-238, 2021.

R. Soelistijadi, T. D. Wismarini, S. Eniyati dan S. S., “Pemodelan Prediktif Menggunakan Metode Ensemble Learning XGBoost dalam Peningkatan Akurasi Klasifikasi Penyakit Ginjal,” Kesatria, vol. 5, no. 4, pp. 1866-1875, 2024.

N. Muhammad, Data Mining Untuk Memprediksi Kelulusan Mahasiswa Jurusan Teknik Informatika UIN Syarif Hidayatullah Jakarta Menggunakan Metode Klasifikasi C4.5, Jakarta: UIN Syarif Hidayatullah, 2022.

T. Rohana, “Implementasi Model Hybrid Dalam Memprediksi Penyebaran Covid-19 Di Wilayah Jawa Barat,” Seminastika, vol. 4, no. 2, pp. 124-137, 2021.