Hasanah, Lily Fitri and Manjawakang, Abdul Haris (2026) MODEL ENSEMBLE LEARNING UNTUK PREDIKSI PENCEMARAN AIR LAUT DALAM RANGKA MENDUKUNG KONSERVASI BIOTA TELUK JAKARTA. Diploma thesis, Institut Teknologi PLN.
COVER.pdf
Download (135kB)
PENGESAHAN.pdf
Download (246kB)
ABSTRAK.pdf
Download (206kB)
BAB I.pdf
Download (232kB)
BAB II.pdf
Download (798kB)
BAB III.pdf
Restricted to Registered users only
Download (920kB)
BAB IV.pdf
Restricted to Registered users only
Download (1MB)
BAB V.pdf
Restricted to Registered users only
Download (173kB)
DAFTAR PUSTAKA.pdf
Download (184kB)
202231001_LILY FITRI HASANAH_.pdf
Restricted to Registered users only
Download (4MB)
Abstract
Peningkatan tekanan pencemaran di perairan pesisir Teluk Jakarta menimbulkan ancaman serius terhadap keberlanjutan ekosistem dan kehidupan biota laut. Kompleksitas karakteristik kualitas air yang bersifat multivariat serta keterbatasan metode evaluasi konvensional menuntut pendekatan yang lebih adaptif dan akurat dalam memodelkan tingkat pencemaran perairan laut. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan model prediksi kualitas air laut berbasis machine learning menggunakan algoritma Extreme Gradient Boosting (XGBoost) guna mendukung pengelolaan dan perlindungan ekosistem biota laut secara berkelanjutan. Dataset yang digunakan terdiri atas 3.180 data pengamatan dari 53 lokasi sampling pada periode Maret dan Agustus 2024, mencakup 28 parameter kualitas air yang mengacu pada baku mutu biota laut berdasarkan Keputusan Menteri Lingkungan Hidup Nomor 51 Tahun 2004. Pelabelan kelas mutu air dilakukan melalui perhitungan Pollution Index (PI) sesuai Keputusan Menteri Lingkungan Hidup Nomor 115 Tahun 2003, yang menghasilkan empat kategori mutu air, yaitu Baik, Cemar Ringan, Cemar Sedang, dan Cemar Berat. Model XGBoost dikembangkan melalui proses hyperparameter tuning menggunakan metode grid search terhadap 13.122 kombinasi parameter untuk memperoleh konfigurasi model yang optimal. Hasil evaluasi menunjukkan tingkat kesesuaian prediksi PI yang sangat tinggi dengan nilai R² sebesar 0,9958, RMSE 0,2728, MAE 0,1942, dan MSE 0,0744 pada Periode I dan R² sebesar 0,9819, RMSE 0,4708, MAE 0,3702, dan MSE 0,2217 pada Periode II, serta menghasilkan akurasi klasifikasi sebesar 100% pada kedua periode pengamatan. Analisis feature importance menunjukkan bahwa Nitrat dan Salinitas menjadi parameter dominan pada Periode I, sedangkan Kecerahan dan Nitrat mendominasi pada Periode II. Dominasi parameter nutrien mengindikasikan adanya tekanan eutrofikasi yang signifikan terhadap habitat biota laut. Secara keseluruhan, hasil penelitian ini menunjukkan bahwa XGBoost efektif sebagai alat pendukung pengambilan keputusan dalam pengelolaan kualitas air laut yang berorientasi pada perlindungan ekosistem biota laut.
| Item Type: | Thesis (Diploma) |
|---|---|
| Uncontrolled Keywords: | Kualitas air laut, Indeks Pencemaran, XGBoost, klasifikasi multi-kelas, biota laut, Teluk Jakarta |
| Subjects: | Bidang Keilmuan > Artificial Intelligence Bidang Keilmuan > Classification Bidang Keilmuan > Machine Learning Bidang Keilmuan > Quality Skripsi Bidang Keilmuan > Teknik Informatika |
| Divisions: | Fakultas Telematika Energi > S1 Teknik Informatika |
| Depositing User: | Mrs Hasanah Lily Fitri |
| Date Deposited: | 04 Mar 2026 06:30 |
| Last Modified: | 04 Mar 2026 06:30 |
| URI: | https://repository.itpln.ac.id/id/eprint/5613 |
