Perbandingan Algoritma Random Forest dan XGBoost dalam Klasifikasi Kualitas Air Danau Maninjau
DOI:
https://doi.org/10.25077/TEKNOSI.v12i2.2026.276-283Kata Kunci:
Danau Maninjau, Kualitas Air, Random Forest, XGBoost, Feature AlignmentAbstrak
Danau Maninjau merupakan salah satu danau prioritas nasional yang berada di Kabupaten Agam, Sumatera Barat. Selain unggul pada sektor pariwisata, Danau Maninjau dimanfaatkan oleh masyarakat sekitar untuk melakukan budidaya Keramba Jaring Apung (KJA). Namun lonjakan KJA yang tidak terkontrol menyebabkan tercemarnya perairan Danau Maninjau dengan status trofik eutrofik hingga hipereutrofik. Pemantauan kualitas perairan danau secara rutin dibutuhkan untuk menganalisis perkembangan kualitas perairan danau. Namun pemantauan berbasis laboratorium dinilai mahal dan membutuhkan waktu yang lama. Penelitian ini bertujuan membangun dan membandingkan model machine learning menggunakan algoritma Random Forest dan XGBoost dalam mengklasifikasikan status mutu perairan Danau Maninjau. Penelitian ini memanfaatkan dataset indeks kualitas air (WQI) dengan skenario pembagian data 8:2. Hasil pengujian menunjukkan model Random Forest unggul secara signifikan dalam mengklasifikasi kualitas air dengan tingkat akurasi sebesar 97%, mengungguli model XGBoost yang hanya mencatatkan akurasi 87%. Implementasi model pada data pemantauan perairan Danau Maninjau berhasil mengidentifikasi secara konsisten status Kelas 3 (Marginal) pada empat lokasi krusial (Tengah Danau, Tanjung Sani, Sungai Tampang, dan PLTA Muko-Muko), yang diindikasikan kuat sebagai gejala eutrofikasi akibat supersaturasi oksigen terlarut (DO).Referensi
Peraturan Presiden (Perpres) Nomor 60 Tahun 2021 tentang Penyelamatan Danau Prioritas Nasional, vol. No. 60 Tahun 2021. 2021.
S. Purwanto, S. Yudistira, dan L. Asnur, “Penguatan Kapasitas Sumber Daya Manusia dalam Pengelolaan Atraksi Wisata Air di Danau Maninjau,” vol. 6, no. 1, 2026.
Junaidi dkk., “Floating cage aquaculture production in Indonesia: Assessment of opportunities and challenges in Lake Maninjau,” AIMSES, vol. 9, no. 1, hlm. 1–15, 2022, doi: 10.3934/environsci.2022001.
A. Ridoh, “Website Resmi Badan Perencanaan Pembangunan Daerah Kabupaten Agam | Data Keramba Jaring Apung di Danau Maninjau Tahun 2022.” Diakses: 10 Juni 2026. [Daring]. Tersedia pada: https://bappeda.agamkab.go.id/View-dokumen/data-keramba-jaring-apung-di-danau-maninjau-tahun-2022.html
Peraturan Daerah (Perda) Kabupaten Agam Nomor 5 Tahun 2014 tentang Pengelolaan Kelestarian Kawasan Danau Maninjau, vol. No. 5 Tahun 2014. 2014.
A. Sunaryani, “Penentuan Status Mutu Air dan Status Trofik di Perairan Danau Maninjau: Determination of Water Quality Status and Trophic Classification of Lake Maninjau,” Jurtekling, vol. 24, no. 1, hlm. 021–027, Jan 2023, doi: 10.55981/jtl.2023.246.
H. Syandri, A. Azrita, dan A. Mardiah, “Water Quality Status and Pollution Waste Load from Floating Net Cages at Maninjau Lake, West Sumatera Indonesia,” IOP Conf. Ser.: Earth Environ. Sci., vol. 430, no. 1, hlm. 012031, Jan 2020, doi: 10.1088/1755-1315/430/1/012031.
S. Silvia dan R. Resdati, “Dampak Tubo Belerang terhadap Sosial Ekonomi Masyarakat Kawasan Danau Maninjau Nagari Koto Malintang Kecamatan Tanjung Raya Kabupaten Agam,” Etnoreflika, vol. 14, no. 3, hlm. 486–505, Okt 2025, doi: 10.33772/etnoreflika.v14i3.2878.
A. N. Agency, “Ikan keramba jaring apung Danau Maninjau mati lima ton selama 2026,” Antara News Sumbar. Diakses: 10 Juni 2026. [Daring]. Tersedia pada: https://sumbar.antaranews.com/berita/765535/ikan-keramba-jaring-apung-danau-maninjau-mati-lima-ton-selama-2026
S. Devi dan R. L. Arios, “TUBO DALAM PERSPEKTIF EKOLOGI BUDAYA PETANI KERAMBA JARING APUNG DI KAWASAN DANAU MANINJAU PROPINSI SUMATERA BARAT,” PATANJALA, vol. 13, no. 1, hlm. 35, Apr 2021, doi: 10.30959/patanjala.v13i1.646.
C. Henny dan S. Nomosatryo, “Changes in water quality and trophic status associated with cage aquaculture in Lake Maninjau, Indonesia,” IOP Conf. Ser.: Earth Environ. Sci., vol. 31, hlm. 012027, Jan 2016, doi: 10.1088/1755-1315/31/1/012027.
J. Xu dkk., “Assessing and predicting water quality index with key water parameters by machine learning models in coastal cities, China,” Heliyon, vol. 10, no. 13, hlm. e33695, Jun 2024, doi: 10.1016/j.heliyon.2024.e33695.
A. Rahman dkk., “Surface Water Quality Index (WQI) Forecasting Dataset.” figshare, hlm. 714018 Bytes, 2025. doi: 10.6084/M9.FIGSHARE.28184252.V1.
A. Ridoh, “Website Resmi Badan Perencanaan Pembangunan Daerah Kabupaten Agam | Hasil Uji Kualitas Air Danau Maninjau Kabupaten Agam Tahun 2018 s/d 2020.” Diakses: 19 Juni 2026. [Daring]. Tersedia pada: https://bappeda.agamkab.go.id/View-dokumen/hasil-uji-kualitas-air-danau-maninjau-kabupaten-agam-tahun-2018-s-d-2020.html
M. Thoriq, F. Maulana, Y. S. Eirlangga, N. Hayati, dan M. A. Madani, “Implementasi Algoritma Naïve Bayes dalam Prediksi Penerimaan Mahasiswa Penerima Beasiswa KIP di Universitas Adzkia,” JURNAL FASILKOM, vol. 15, no. 1, hlm. 108–114, Apr 2025, doi: 10.37859/jf.v15i1.8959.
R. Oktafiani dan R. Rianto, “Perbandingan Algoritma Support Vector Machine (SVM) dan Decision Tree untuk Sistem Rekomendasi Tempat Wisata,” TEKNOSI, vol. 9, no. 2, hlm. 113–121, Agu 2023, doi: 10.25077/TEKNOSI.v9i2.2023.113-121.
A. Fauzan, W. R. Melani, dan T. Apriadi, “Tingkat Kesuburan Perairan di Perairan Tembeling Tanjung, Kabupaten Bintan, Provinsi Kepulauan Riau,” Manajemen Sumberdaya Perairan, vol. 2, no. 1, hlm. 22–28, Nov 2018, doi: 10.31629/akuatiklestari.v2i1.2349.
A. Firmansyah, M. F. Syahidin, dan Y. S. Triana, “Prediksi Kebakaran Hutan Berdasarkan Titik Panas dan Iklim Menggunakan Algoritma Random Forest,” TEKNOSI, vol. 10, no. 2, hlm. 145–155, Sep 2024, doi: 10.25077/TEKNOSI.v10i2.2024.145-155.
M. Firmansyah, A. A. Rudiyat, R. Purnama, H. P. Utomo, dan H. S. Firmansyah, “Penerapan Algoritma Xgboost dan Random Forest dalam Prediksi Uraian Resiko Proyek Pada Dinas XYZ,” vol. 20, no. 2, Mar 2026.
E. Mustika Sari, C. Sabila, R. Fakhrizal Adam, dan R. Kurniawan, “Analisis dan Prediksi Indeks Kualitas Udara Jakarta: Penerapan Algoritma XGBoost,” TEKNOSI, vol. 11, no. 2, hlm. 161–169, Sep 2025, doi: 10.25077/TEKNOSI.v11i2.2025.161-169.
F. I. Sari, E. L. Gunawan, dan C. A. Adhigiadany, “Model Prediksi Kepadatan Lalu Lintas: Perbandingan Antara Algoritma Random Forest dan XGBoost,” 2023.
A. Arzhangi dan S. Partani, “Water quality index prediction via a robust machine learning model using oxygen-related indices for river water quality monitoring,” Sci Rep, vol. 16, no. 1, hlm. 6102, Jan 2026, doi: 10.1038/s41598-026-36156-3.
Y. Zhao dan M. Chen, “Prediction of river dissolved oxygen (DO) based on multi-source data and various machine learning coupling models,” PLOS ONE, vol. 20, no. 3, hlm. e0319256, Mar 2025, doi: 10.1371/journal.pone.0319256.
Unduhan
Telah diserahkan
Diterima
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2026 Jurnal Nasional Teknologi dan Sistem Informasi
Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Hak cipta untuk artikel ini ditransfer ke Jurnal Nasional Teknologi dan Sistem Informasi (TEKNOSI) jika dan ketika artikel diterima untuk publikasi. Yang bertanda tangan di bawah ini dengan ini mentransfer setiap dan semua hak di dalam dan ke kertas termasuk tanpa batasan semua hak cipta untuk TEKNOSI. Yang bertanda tangan di bawah ini dengan ini menyatakan dan menjamin bahwa makalah tersebut asli dan bahwa ia adalah pembuat makalah, kecuali untuk bahan yang secara jelas diidentifikasi sebagai sumber aslinya, dengan pemberitahuan izin dari pemilik hak cipta jika diperlukan. Yang bertanda tangan di bawah ini menyatakan bahwa ia memiliki kekuatan dan wewenang untuk membuat dan melaksanakan penugasan ini.
Kami menyatakan bahwa:
- Makalah ini belum diterbitkan dalam bentuk yang sama di tempat lain.
- Makalah ini tidak akan dikirimkan di tempat lain untuk publikasi sebelum penerimaan/penolakan oleh Jurnal ini
- Izin hak cipta diperoleh untuk materi yang diterbitkan di tempat lain dan yang memerlukan izin ini untuk reproduksi.
Selanjutnya, Saya/kami dengan ini mentransfer hak publikasi yang tidak terbatas dari makalah yang disebutkan di atas secara keseluruhan kepada TEKNOSI. Transfer hak cipta mencakup hak untuk mereproduksi dan mendistribusikan artikel, termasuk cetak ulang, terjemahan, reproduksi foto, mikroform, bentuk elektronik (offline, online) atau reproduksi lain yang serupa.
Penulis yang sesuai menandatangani dan menerima tanggung jawab untuk merilis materi ini atas nama setiap dan semua penulis bersama. Perjanjian ini harus ditandatangani oleh setidaknya salah satu penulis yang telah memperoleh persetujuan dari rekan penulis jika berlaku. Setelah pengajuan perjanjian ini ditandatangani oleh penulis yang sesuai, perubahan kepengarangan atau dalam urutan penulis yang tercantum tidak akan diterima.
Hak / Syarat dan Ketentuan yang dipertahankan :
- Penulis memiliki semua hak kepemilikan dalam setiap proses, prosedur, atau artikel manufaktur yang dijelaskan dalam Karya ini.
- Penulis dapat mereproduksi atau mengotorisasi orang lain untuk mereproduksi karya ini atau karya turunannya untuk penggunaan pribadi penulis atau untuk penggunaan perusahaan, dengan ketentuan bahwa sumber dan menyatakan hak cipta dimiliki TEKNOSI, salinan tidak digunakan dengan cara apa pun yang menyiratkan pengesahan TEKNOSI atas suatu produk atau layanan dari pihak mana pun, dan salinannya sendiri tidak ditawarkan untuk dijual.
- Meskipun penulis diizinkan untuk menggunakan kembali semua atau sebagian dari karya ini dalam karya lain, ini tidak termasuk mengabulkan permintaan pihak ketiga untuk mencetak ulang, menerbitkan ulang, atau jenis penggunaan ulang lainnya.
This work is licensed under a 