PREDIKSI KUALITAS AIR SUNGAI DI JAKARTA MENGGUNAKAN KNN YANG DIOPTIMALISASI DENGAN PSO

Abstract

Kualitas air sungai merupakan isu lingkungan penting bagi masyarakat dan pemerintah. Penelitian ini fokus pada kualitas air sungai di Jakarta dengan 21 atribut yang berbeda dari standar KLHK. Peneliti menganalisis pengaruh seluruh atribut tersebut menggunakan algoritma K-Nearest neighbor (KNN) yang dioptimalisasi dengan Particle swarm optimization (PSO) untuk memprediksi kualitas air sungai di Jakarta. Penelitian ini bertujuan mengembangkan model prediksi kualitas air sungai yang dioptimasi menggunakan algoritma PSO-KNN serta membangun prototipe aplikasi web berbasis Flask. Preprocessing data dilakukan dalam tiga tahap utama: data cleaning, data transformation, dan balancing data untuk mengatasi masalah missing value, outlier, dan ketidakseimbangan data. Kemudian dilakukan seleksi fitur untuk mengidentifikasi atribut paling berpengaruh dimana dari total 21 atribut  didapatkan 8 atribut paling berpengaruh terhadap kualitas air sungai di Jakarta. Hasil penelitian menunjukkan bahwa model PSO-KNN mencapai akurasi 95,8%, lebih baik daripada model KNN tanpa optimasi yang hanya mencapai 77,9%. Seleksi fitur membantu mengidentifikasi atribut-atribut  yang paling berpengaruh dalam memprediksi kualitas air sungai di Jakarta.