SKRIPSI IF

SEGMENTASI KUALITAS AIR SUNGAI  DI INDONESIA DENGAN PENDEKATAN MACHINE LEARNING UNTUK PENILAIAN  INDEKS BAHAN BAKU MINUM

---

ABSTRAK

Sungai merupakan sumber daya air yang sangat penting untuk kehidupan dan pembangunan, namun kualitas airnya di Indonesia menurun akibat pencemaran domestik dan industri. Penelitian ini bertujuan melakukan segmentasi kualitas air sungai di 38 provinsi berdasarkan Indeks Kualitas Air (IKA) dan parameter fisik, kimiawi, serta mikrobiologis, berguna mendukung penilaian dan pemantauan sebagai bahan baku air minum. Pendekatan yang digunakan mengikuti metode CRISP-DM dengan penerapan algoritma klasterisasi K-Means dan Hierarchical Clustering. Evaluasi model menggunakan metrik internal seperti Silhouette Score, Davies-Bouldin Index, dan Dunn Index menunjukkan bahwa Hierarchical Clustering dengan konfigurasi empat klaster memberikan hasil terbaik. Segmentasi ini menghasilkan empat klaster utama yang menggambarkan tingkat pencemaran dan risiko kualitas air, yaitu klaster dengan kualitas sangat tercemar, buruk hingga sedang, pencemaran ekstrem, dan risiko mikrobiologis tinggi. Hasil segmentasi divisualisasikan untuk memperkuat interpretasi dan mendukung pengambilan kebijakan berbasis data. Penelitian ini membuktikan efektivitas metode klasterisasi dalam menyediakan informasi yang akurat dan komprehensif untuk pengelolaan kualitas air sungai secara nasional.

Kata kunci: kualitas air, klasterisasi, machine learning, hierarchical clustering, segmentasi sungai


ABSTRACT

Rivers are vital water resources for life and development, but their quality in Indonesia has declined due to domestic and industrial pollution. This study aims to segment river water quality across 38 provinces based on the Water Quality Index (WQI) and physical, chemical, and microbiological parameters to support assessment and monitoring as raw water sources for drinking water. The approach follows the CRISP-DM methodology, applying K-Means and Hierarchical Clustering algorithms. Model evaluation using internal metrics such as Silhouette Score, Davies-Bouldin Index, and Dunn Index indicates that Hierarchical Clustering with four clusters provides the best results. The segmentation identifies four main clusters representing pollution levels and water quality risks: severely polluted, poor to moderate, extreme pollution, and high microbiological risk. The segmentation results are visualized to strengthen interpretation and support data-driven policy making. This study demonstrates the effectiveness of clustering methods in providing accurate and comprehensive information for national river water quality management.

Keywords: water quality, clustering, machine learning, hierarchical clustering, river segmentation

---

Ketersediaan

S250925014

607.2 FIR s

Perpustakaan STMIK AMIKBANDUNG

Tersedia

Informasi Detil

Judul Seri

-

No. Panggil

607.2 FIR s

Penerbit

: ., 2025

Deskripsi Fisik

-

Bahasa

Indonesia

ISBN/ISSN

-

Klasifikasi

NONE

Tipe Isi

-

Tipe Media

-

Tipe Pembawa

-

Edisi

-

Subyek

-

Info Detil Spesifik

-

Pernyataan Tanggungjawab

-

Versi lain/terkait

Lampiran Berkas

Komentar

---

You must be logged in to post a comment