Ide Judul Skripsi: Analisis Kualitas Air Tanah dengan Metode Machine Learning Terbaik

merlindawibowo.com – Machine learning dapat digunakan dalam analisis kualitas air tanah untuk memprediksi atau mengklasifikasikan tingkat pencemaran air tanah berdasarkan berbagai parameter yang diukur.

Machine learning adalah cabang dari kecerdasan buatan yang memungkinkan komputer untuk belajar dari data tanpa harus secara eksplisit diprogram. Dengan menggunakan algoritma dan model machine learning, komputer dapat menganalisis data kualitas air tanah yang kompleks, menemukan pola atau hubungan di dalamnya, dan menghasilkan prediksi atau klasifikasi yang berguna.

Prediksi Kualitas Air Tanah: Dengan menggunakan data historis tentang kualitas air tanah serta informasi tentang faktor-faktor lingkungan yang memengaruhinya (seperti penggunaan lahan, kegiatan industri, dan sifat geologi), model machine learning dapat dipelajari untuk memprediksi tingkat pencemaran air tanah di lokasi-lokasi yang belum terukur.

Klasifikasi Tingkat Pencemaran: Model machine learning dapat digunakan untuk mengklasifikasikan sampel air tanah ke dalam kategori-kategori tertentu berdasarkan tingkat pencemaran, seperti tingkat rendah, sedang, atau tinggi. Ini membantu dalam memahami distribusi dan tingkat pencemaran air tanah di suatu daerah.

Optimasi Pengawasan dan Pengambilan Keputusan: Dengan menggunakan model machine learning, dapat dikembangkan sistem yang dapat memberikan rekomendasi tentang di mana dan kapan harus melakukan pengambilan sampel air tanah, serta langkah-langkah mitigasi yang diperlukan berdasarkan hasil analisis prediktif atau klasifikasi.

Deteksi Dini dan Monitoring: Machine learning dapat digunakan untuk mendeteksi dini anomali atau perubahan yang tidak biasa dalam kualitas air tanah. Dengan memonitor data secara terus-menerus, model machine learning dapat mengidentifikasi pola-pola yang menunjukkan perubahan signifikan dalam kualitas air tanah, memungkinkan tindakan dini untuk diambil.

Analisis Fitur Penting: Model machine learning dapat membantu mengidentifikasi fitur-fitur atau parameter-parameter yang paling berpengaruh terhadap kualitas air tanah. Ini dapat membantu para ahli lingkungan untuk memahami faktor-faktor yang paling penting dalam menentukan kualitas air tanah dan merancang strategi pengelolaan yang efektif.

Dengan menerapkan machine learning dalam analisis kualitas air tanah, dapat meningkatkan pemahaman tentang kondisi lingkungan, mendukung pengambilan keputusan yang lebih baik, dan membantu dalam upaya pelestarian dan perlindungan sumber daya air tanah.

Berdasarkan letak geografisnya, Indonesia adalah sebuah negara kepulauan dengan lebih dari 65% wilayahnya terdiri dari perairan. Air merupakan kebutuhan pokok yang vital bagi kehidupan manusia, dengan lebih dari 50% tubuh manusia terdiri dari air dan konsumsi harian rata-rata sekitar 1,5 liter.

Ketersediaan air yang cukup dan bersih menjadi perhatian utama, terutama di daerah terpencil seperti desa-desa. Dengan kemajuan teknologi saat ini, diperlukan sistem yang dapat membantu masyarakat untuk menganalisis dan menguji kualitas air yang mereka gunakan. Salah satu contoh teknologi yang dapat digunakan adalah kecerdasan buatan, seperti Machine Learning. Machine Learning adalah algoritma yang memungkinkan komputer untuk belajar dari data dan sensor, sehingga dapat bertindak seperti manusia. Salah satu metode Machine Learning yang sering digunakan adalah K-Nearest Neighbor.

Air Tanah

Air tanah merupakan salah satu sumber primer dalam manajemen penyediaan air bersih melalui siklus hidrologi. Air ini terletak di dalam lapisan batuan terdalam di bawah permukaan tanah, bergantung pada geologi setempat. Penggunaan air tanah meliputi keperluan konsumsi, pertanian, industri, dan ekosistem lainnya. Kehadiran air tanah semakin krusial saat ini, terutama mengingat urbanisasi, polusi, dan pertumbuhan industri yang semakin meningkat.

Air tanah adalah air yang terdapat di dalam pori-pori tanah atau lapisan akuifer di bawah permukaan bumi. Air ini berasal dari proses infiltrasi air hujan atau air permukaan lainnya yang meresap ke dalam tanah dan kemudian terkumpul di antara butiran-butiran tanah atau batuan. Air tanah merupakan sumber air penting bagi manusia dan ekosistem, karena sering digunakan untuk konsumsi manusia, pertanian, industri, dan keperluan lainnya.

Kualitas air tanah sangat penting untuk dipertahankan karena dapat mempengaruhi kesehatan manusia dan ekosistem. Air tanah yang tercemar oleh zat-zat berbahaya seperti logam berat atau bahan kimia dapat menyebabkan berbagai masalah kesehatan dan lingkungan. Oleh karena itu, pemantauan dan perlindungan terhadap kualitas air tanah sangat diperlukan untuk memastikan bahwa air tersebut aman untuk digunakan dan menjaga kelestarian lingkungan.

Kualitas Air

Kualitas air merujuk pada kondisi suatu sumber air, baik itu tercemar atau bersih. Untuk menilai kualitas air, dapat dibandingkan dengan standar kualitas yang telah ditetapkan dalam Keputusan Menteri Negara Lingkungan Hidup Nomor 155 Tahun 2003 tentang Penetapan Status Mutu Air. Salah satu pendekatan untuk menilai kualitas air adalah melalui penggunaan indeks kualitas air. Indeks ini digunakan untuk merangkum data kualitas air ke dalam kategori yang lebih sederhana, seperti sangat baik, baik, atau buruk.

Kualitas air merujuk pada kondisi fisik, kimia, dan biologis dari suatu sumber air. Ini mencakup berbagai faktor seperti kejernihan, kandungan zat kimia seperti logam berat atau bahan organik, tingkat keasaman, serta keberadaan mikroorganisme. Evaluasi kualitas air penting untuk memastikan air tersebut aman untuk digunakan dalam berbagai keperluan, termasuk konsumsi manusia, pertanian, industri, dan menjaga kelestarian ekosistem air.

Potensial Hidrogen (pH)

Potensial Hidrogen (pH) atau tingkat keasaman adalah sebuah ukuran kuantitatif dari konsentrasi ion hidrogen (H+) dalam suatu larutan, yang digunakan untuk menentukan apakah larutan tersebut bersifat asam, netral, atau basa. Skala pH berkisar antara 1 hingga 14, di mana nilai 7 menandakan keadaan netral. Larutan dengan pH kurang dari 7 dianggap asam, sementara larutan dengan pH lebih dari 7 dianggap basa atau alkali. Sesuai dengan Peraturan Menteri Kesehatan No. 32 Tahun 2017, rentang pH yang dianggap layak untuk keperluan higienis sanitasi berada antara 6,5 hingga 8,5.

pH adalah singkatan dari Potensial Hidrogen, yang merupakan ukuran kuantitatif dari tingkat keasaman atau kebasaan dalam sebuah larutan. Itu menunjukkan konsentrasi ion hidrogen (H+) dalam larutan tersebut. Skala pH berkisar dari 0 hingga 14, di mana nilai 7 menandakan keadaan netral. Nilai pH di bawah 7 menunjukkan larutan asam, sedangkan nilai di atas 7 menunjukkan larutan basa atau alkali. pH adalah parameter penting dalam banyak aplikasi ilmiah dan industri, termasuk dalam bidang kimia, biologi, pertanian, dan pengolahan air.

Total Dissolved Solid (TDS)

TDS (Total Dissolved Solids) adalah jumlah zat yang larut dalam air, termasuk senyawa organik dan anorganik seperti magnesium, kalsium, dan koloid. Ini digunakan sebagai indikator untuk mengevaluasi kualitas air [24]. Standar baku mutu air menurut peraturan kesehatan nasional tahun 2010 adalah 1000 mg/L.

Tingginya kandungan TDS dapat memiliki dampak negatif, seperti mencemari sumber air dan berpotensi membahayakan kehidupan akuatik. Selain itu, konsentrasi zat kimia yang tinggi juga dapat memiliki efek buruk pada kesehatan manusia.

Suhu

Suhu adalah parameter termodinamika yang mengukur tingkat energi kinetik dalam suatu gas. Alat yang dipergunakan untuk mengukur suhu disebut termometer. Prinsip kerja termometer didasarkan pada perubahan karakteristik suatu zat cair atau benda saat suhunya berubah.

Suhu adalah ukuran dari tingkat panas atau dinginnya suatu benda atau lingkungan, yang berkaitan dengan tingkat energi kinetik partikel-partikel di dalamnya.

Citra

Citra adalah representasi visual dari suatu objek yang mencerminkan karakteristiknya. Pengolahan citra adalah metode untuk menganalisis, memanipulasi, dan meningkatkan citra melalui teknologi tertentu, dengan tujuan memperoleh informasi yang lebih mudah dipahami. Proses pengolahan citra bertujuan untuk meningkatkan kualitas citra agar lebih mudah diinterpretasikan. Beberapa teknik yang umum digunakan dalam pengolahan citra termasuk mengubah citra dari mode warna RGB menjadi Grayscale, normalisasi, dan binerisasi.

Grayscale, atau kadang disebut sebagai citra keabuan, adalah metode pengolahan citra digital yang menggunakan satu saluran untuk setiap intensitas pikselnya. Proses pengonversian ke grayscale dilakukan dengan mengambil rata-rata nilai intensitas RGB pada setiap piksel citra. Citra grayscale menampilkan tingkat keabuan warna dari hitam hingga putih.

Contrast Limited Adaptive Histogram Equalization atau CLAHE merupakan metode perbaikan citra dari Adaptive Histogram Equalization (AHE), untuk mengurangi noise pada sebuah citra.

Ekstraksi ciri orde satu merupakan metode pengambilan ciri berdasarkan pada karakteristik. Karakteristik yang akan digunakan dalam penelitian ini yaitu mean, standar deviation, skewness, dan kurtosis

Machine Learning

Klasifikasi merupakan tahap penting dalam data mining yang mengelompokkan objek berdasarkan karakteristiknya ke dalam label baru. Tujuannya adalah untuk menganalisis dan memprediksi label atau kelas objek yang belum diketahui sebelumnya. Proses klasifikasi meliputi beberapa langkah, antara lain:

• Pembangunan model: merancang model menggunakan data pelatihan yang memiliki kelas dan atribut.
• Penerapan model: menerapkan model dari data pelatihan untuk menetapkan kelas baru.
• Evaluasi model: mengevaluasi tingkat akurasi model yang dibangun dan diterapkan terhadap data baru.

Ada banyak metode machine learning yang dapat digunakan untuk klasifikasi, tergantung pada jenis data yang Anda miliki dan kompleksitas masalah klasifikasi yang ingin Anda pecahkan. Beberapa metode machine learning populer untuk klasifikasi termasuk:

Naive Bayes: Metode yang sederhana dan cepat, cocok untuk dataset dengan fitur kategorikal. Menggunakan teorema Bayes untuk klasifikasi berdasarkan probabilitas fitur.

K-Nearest Neighbors (K-NN): Mengklasifikasikan data berdasarkan mayoritas label dari K tetangga terdekat dalam ruang fitur.

Decision Trees: Membangun model dalam bentuk struktur pohon keputusan, di mana setiap simpul internal mewakili fitur, cabang merepresentasikan aturan keputusan, dan setiap daun mewakili label kelas.

Random Forest: Kombinasi dari beberapa pohon keputusan (ensemble learning), yang menggabungkan hasil dari beberapa pohon untuk meningkatkan kinerja dan mengurangi overfitting.

Support Vector Machines (SVM): Metode yang efektif untuk klasifikasi data linear dan non-linear dengan menemukan hyperplane terbaik yang memisahkan kelas dalam ruang fitur.

Neural Networks: Jaringan saraf tiruan yang terdiri dari beberapa lapisan (deep learning) dapat digunakan untuk klasifikasi kompleks dengan fitur yang rumit.

Logistic Regression: Model regresi yang digunakan untuk klasifikasi biner, menghitung probabilitas label kelas berdasarkan kombinasi linear dari fitur.

Gradient Boosting Machines (GBM): Metode ensemble learning yang menggabungkan beberapa model lemah (misalnya, pohon keputusan) secara bertahap untuk meningkatkan kinerja.

Extreme Gradient Boosting (XGBoost): Implementasi efisien dari GBM yang menggunakan algoritma optimasi yang dioptimalkan untuk meningkatkan kecepatan dan kinerja.

AdaBoost: Metode ensemble learning lainnya yang menggabungkan beberapa model lemah secara adaptif untuk meningkatkan kinerja secara bertahap.

Modified K-Nearest Neighbor (MK-NN): Modified K-Nearest Neighbor (MK-NN) adalah sebuah algoritma yang berasal dari metode K-Nearest Neighbor (K-NN). Prinsip kerja MK-NN masih serupa dengan K-NN, di mana data baru dikelompokkan berdasarkan nilai K tetangga terdekat. Namun, MK-NN memiliki perbedaan dengan K-NN, yaitu dengan memperhitungkan validitas nilai pada seluruh data pelatihan, serta melakukan perhitungan bobot suara untuk semua data uji dengan memanfaatkan validitas data.

Setiap metode memiliki kelebihan dan kelemahan masing-masing, dan pilihan terbaik tergantung pada karakteristik dataset dan tujuan klasifikasi Anda.

Untuk klasifikasi citra, terdapat beberapa metode machine learning yang efektif dan sering digunakan. Berikut adalah beberapa di antaranya:

Convolutional Neural Networks (CNN): CNN adalah pilihan utama untuk klasifikasi citra karena kemampuannya dalam menangkap fitur spasial hierarkis dari citra. CNN terdiri dari lapisan konvolusi yang secara otomatis mengekstrak fitur-fitur penting dari citra.

Deep Convolutional Neural Networks (DCNN): Ini adalah variasi dari CNN yang lebih dalam, dengan arsitektur yang lebih kompleks dan mampu menangani klasifikasi citra yang lebih rumit.

Transfer Learning: Menggunakan model CNN yang telah dilatih sebelumnya pada dataset besar seperti ImageNet dan menyesuaikannya dengan data citra target. Transfer learning memungkinkan penggunaan model yang sudah dilatih untuk tugas-tugas klasifikasi citra yang berbeda dengan hanya melakukan penyesuaian kecil.

Support Vector Machines (SVM): SVM juga dapat digunakan untuk klasifikasi citra dengan mengubah citra menjadi vektor fitur dan memisahkan kelas-kelas menggunakan hyperplane yang optimal di ruang fitur.

K-Nearest Neighbors (K-NN): K-NN dapat digunakan untuk klasifikasi citra dengan menghitung jarak antara citra yang akan diklasifikasikan dengan citra-citra yang ada dalam dataset dan menentukan label berdasarkan mayoritas kelas dari K tetangga terdekat.

Random Forests: Model ensemble seperti Random Forests dapat digunakan untuk klasifikasi citra dengan mengekstrak fitur-fitur dari citra dan membangun sejumlah pohon keputusan yang bekerja bersama-sama untuk mengklasifikasikan citra.

Extreme Gradient Boosting (XGBoost): XGBoost adalah metode ensemble learning yang dapat digunakan untuk klasifikasi citra dengan memanfaatkan kekuatan beberapa model lemah yang digabungkan secara adaptif.

Logistic Regression: Logistic Regression juga dapat digunakan untuk klasifikasi citra dengan mengubah citra menjadi vektor fitur dan menghitung probabilitas kelas berdasarkan kombinasi linear dari fitur-fitur tersebut.

K-fold Cross Validation

K-fold Cross Validation adalah metode pengujian yang digunakan untuk mengevaluasi kinerja model atau algoritma dengan membagi dataset menjadi K bagian yang sama besar secara acak. Setiap bagian tersebut bergantian digunakan sebagai data pengujian, sementara sisa bagian digunakan sebagai data pelatihan.

Pilihan metode terbaik tergantung pada kompleksitas masalah klasifikasi, jumlah data yang tersedia, dan sifat-sifat khusus dari citra yang ingin diklasifikasikan.

Semoga bermanfaat!