<> "The repository administrator has not yet configured an RDF license."^^ . <> . . . "KLASIFIKASI KUALITAS AIR PEMBENIHAN IKAN LELE\r\nMENGGUNAKAN METODE STORET DENGAN\r\nALGORITMA XGBOOST"^^ . "Kualitas air merupakan faktor utama yang menentukan keberhasilan dalam\r\nkegiatan budidaya ikan lele, khususnya pada fase pembenihan. Pengukuran kualitas\r\nair secara manual menggunakan metode STORET memiliki keterbatasan karena\r\ntidak dapat menampilkan kondisi air secara real-time dan bersifat statis dalam\r\nsistem penilaiannya. Oleh karena itu, penelitian ini bertujuan untuk\r\nmengembangkan model klasifikasi kualitas air berbasis machine learning dengan\r\nalgoritma eXtreme Gradient Boosting (XGBoost) yang dilatih menggunakan data\r\nhasil penilaian metode STORET sebagai label.\r\nasil penilaian metode STORET sebagai label. Penelitian ini menggunakan\r\nparameter fisika dan kimia air yang meliputi suhu, pH, oksigen terlarut (DO),\r\namonia, alkalinitas, mangan, dan nitrat. Untuk meningkatkan kualitas data,\r\nditerapkan teknik Synthetic Minority Oversampling Technique (SMOTE) guna\r\nmenyeimbangkan distribusi jumlah data antar kelas. Selain itu, dilakukan proses\r\nhyperparameter tuning menggunakan metode Randomized Search untuk\r\nmemperoleh kombinasi parameter XGBoost yang paling optimal, meliputi learning\r\nrate, max depth, n_estimators, dan subsample ratio. Evaluasi model dilakukan\r\nmenggunakan metode K-Fold Cross Validation dengan variasi nilai K dari 2 hingga\r\n20 untuk mengukur kestabilan dan kemampuan generalisasi model.\r\nHasil pengujian menunjukkan bahwa penerapan SMOTE mampu\r\nmenyeimbangkan data antar kelas secara proporsional, sementara proses\r\nhyperparameter tuning meningkatkan kinerja model secara signifikan dibandingkan\r\nkonfigurasi default. Berdasarkan hasil evaluasi, performa terbaik diperoleh pada KFold\r\n=\r\n19,\r\ndengan\r\nnilai\r\nakurasi\r\nsebesar\r\n0,9433,\r\nprecision\r\n0,9428,\r\nrecall\r\n0,9433,\r\ndan\r\n\r\nF1-score\r\n\r\n0,9429. Nilai evaluasi yang konsisten pada berbagai skenario\r\nmenunjukkan bahwa model XGBoost memiliki tingkat generalisasi yang tinggi\r\ndalam mengklasifikasikan kualitas air.\r\nSecara keseluruhan, hasil penelitian ini membuktikan bahwa kombinasi\r\nantara metode STORET dan algoritma XGBoost yang dioptimasi melalui teknik\r\nSMOTE, hyperparameter tuning, serta validasi K-Fold mampu menghasilkan\r\nsistem klasifikasi kualitas air yang akurat, efisien, dan dapat diterapkan pada sistem\r\npemantauan berbasis IoT untuk mendukung pengelolaan budidaya ikan lele secara\r\nberkelanjutan."^^ . "2025-10-05" . . . "Universitas AMIKOM Yogyakarta"^^ . . . "Pascasarjana Magister Informatika, Universitas AMIKOM Yogyakarta"^^ . . . . . . . . <> . . "Muhammad Yusuf"^^ . "Widiyanto"^^ . "Muhammad Yusuf Widiyanto"^^ . . "Tonny"^^ . "Hidayat"^^ . "Tonny Hidayat"^^ . . "Universitas AMIKOM Yogyakarta"^^ . . . . . . . "KLASIFIKASI KUALITAS AIR PEMBENIHAN IKAN LELE\r\nMENGGUNAKAN METODE STORET DENGAN\r\nALGORITMA XGBOOST (Text)"^^ . . . . . "23.51.2488 Muhammad Yusuf Widiyanto.pdf"^^ . . "HTML Summary of #31752 \n\nKLASIFIKASI KUALITAS AIR PEMBENIHAN IKAN LELE \nMENGGUNAKAN METODE STORET DENGAN \nALGORITMA XGBOOST\n\n" . "text/html" . . . "000 Ilmu komputer, informasi dan pekerjaan umum"@en . .