%0 Thesis
%9 S2 - Magister
%A Widiyanto, Muhammad Yusuf
%A Universitas AMIKOM Yogyakarta,
%B Pascasarjana Magister Informatika
%D 2025
%F universitasamikomyogyakarta:31752
%I Universitas AMIKOM Yogyakarta
%K Kualitas air, STORET, XGBoost, machine learning, budidaya  ikan lele, ord: water quality, catfish  aquaculture.
%T KLASIFIKASI KUALITAS AIR PEMBENIHAN IKAN LELE  MENGGUNAKAN METODE STORET DENGAN  ALGORITMA XGBOOST
%U https://eprints.amikom.ac.id/id/eprint/31752/
%X Kualitas air merupakan faktor utama yang menentukan keberhasilan dalam  kegiatan budidaya ikan lele, khususnya pada fase pembenihan. Pengukuran kualitas  air secara manual menggunakan metode STORET memiliki keterbatasan karena  tidak dapat menampilkan kondisi air secara real-time dan bersifat statis dalam  sistem penilaiannya. Oleh karena itu, penelitian ini bertujuan untuk  mengembangkan model klasifikasi kualitas air berbasis machine learning dengan  algoritma eXtreme Gradient Boosting (XGBoost) yang dilatih menggunakan data  hasil penilaian metode STORET sebagai label.  asil penilaian metode STORET sebagai label. Penelitian ini menggunakan  parameter fisika dan kimia air yang meliputi suhu, pH, oksigen terlarut (DO),  amonia, alkalinitas, mangan, dan nitrat. Untuk meningkatkan kualitas data,  diterapkan teknik Synthetic Minority Oversampling Technique (SMOTE) guna  menyeimbangkan distribusi jumlah data antar kelas. Selain itu, dilakukan proses  hyperparameter tuning menggunakan metode Randomized Search untuk  memperoleh kombinasi parameter XGBoost yang paling optimal, meliputi learning  rate, max depth, n_estimators, dan subsample ratio. Evaluasi model dilakukan  menggunakan metode K-Fold Cross Validation dengan variasi nilai K dari 2 hingga  20 untuk mengukur kestabilan dan kemampuan generalisasi model.  Hasil pengujian menunjukkan bahwa penerapan SMOTE mampu  menyeimbangkan data antar kelas secara proporsional, sementara proses  hyperparameter tuning meningkatkan kinerja model secara signifikan dibandingkan  konfigurasi default. Berdasarkan hasil evaluasi, performa terbaik diperoleh pada KFold  =  19,  dengan  nilai  akurasi  sebesar  0,9433,  precision  0,9428,  recall  0,9433,  dan    F1-score    0,9429. Nilai evaluasi yang konsisten pada berbagai skenario  menunjukkan bahwa model XGBoost memiliki tingkat generalisasi yang tinggi  dalam mengklasifikasikan kualitas air.  Secara keseluruhan, hasil penelitian ini membuktikan bahwa kombinasi  antara metode STORET dan algoritma XGBoost yang dioptimasi melalui teknik  SMOTE, hyperparameter tuning, serta validasi K-Fold mampu menghasilkan  sistem klasifikasi kualitas air yang akurat, efisien, dan dapat diterapkan pada sistem  pemantauan berbasis IoT untuk mendukung pengelolaan budidaya ikan lele secara  berkelanjutan.