PENERAPAN ALGORITMA MACHINE LEARNING DAN AUGMENTASI DATA CGAN UNTUK KLASIFIKASI PENCEMARAN AIR

Klasifikasi status pencemaran air sungai memerlukan pendekatan analisis yang mampu menangani ketidakseimbangan data. Penelitian ini bertujuan untuk mengetahui kinerja algoritma machine learning dalam mengklasifikasikan status pencemaran air sungai di Kabupaten Banyumas. Variabel penelitian terdiri dari delapan parameter kualitas air, yaitu pH, BOD, COD, TSS, DO, nitrat, fosfat, dan fecal coliform, dengan variabel target berupa status mutu air yang diklasifikasikan ke dalam tiga kelas, yaitu memenuhi baku mutu, cemar ringan, dan cemar sedang. Metode analisis yang digunakan meliputi algoritma Decision tree, Random Forest, Support Vector Machine (SVM), dan K-Nearest Neighbors (KNN) dengan menggunakan teknik augmentasi data berbasis Conditional Generative Adversarial Networks (CGAN). Hasil penelitian menunjukkan bahwa penerapan augmentasi data CGAN memberikan pengaruh yang berbeda terhadap kinerja masing-masing algoritma. Algoritma Random Forest mengalami peningkatan akurasi dari 87,80% menjadi 93,98% dan menunjukkan performa terbaik dibandingkan algoritma lainnya. Peningkatan akurasi juga terjadi pada algoritma Support Vector Machine (SVM) dari 78,05% menjadi 85,54%, serta pada algoritma K-Nearest Neighbors (KNN) dari 75,61% menjadi 85,54%. Sebaliknya, algoritma Decision tree mengalami penurunan akurasi dari 95,12% menjadi 90,36% setelah diterapkan augmentasi CGAN. Penelitian ini menunjukkan bahwa efektivitas augmentasi data berbasis Conditional Generative Adversarial Network (CGAN) dalam klasifikasi pencemaran air sungai dipengaruhi oleh karakteristik algoritma yang digunakan, sehingga pemilihan algoritma menjadi faktor penting, dan pendekatan ini berpotensi dikembangkan lebih lanjut untuk meningkatkan keandalan hasil klasifikasi.