EPrints Universitas Amikom YogyakartaKLASIFIKASI KUALITAS AIR PEMBENIHAN IKAN LELE MENGGUNAKAN METODE STORET DENGAN ALGORITMA XGBOOSTMuhammad YusufWidiyantoauthorKualitas 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.000 Ilmu komputer, informasi dan pekerjaan umum2025-10-05Universitas AMIKOM Yogyakarta;Pascasarjana Magister InformatikaThesis

For work being deposited by its own author: In self-archiving this collection of files and associated bibliographic metadata, I grant EPrints Universitas Amikom Yogyakarta the right to store them and to make them permanently available publicly for free on-line. I declare that this material is my own intellectual property and I understand that EPrints Universitas Amikom Yogyakarta does not assume any responsibility if there is any breach of copyright in distributing these files or metadata. (All authors are urged to prominently assert their copyright on the title page of their work.)

For work being deposited by someone other than its author: I hereby declare that the collection of files and associated bibliographic metadata that I am archiving at EPrints Universitas Amikom Yogyakarta) is in the public domain. If this is not the case, I accept full responsibility for any breach of copyright that distributing these files or metadata may entail.

Clicking on the deposit button indicates your agreement to these terms.