Segmentasi Kualitas Air Sungai Indonesia dengan Machine Learning untuk Penilaian Kelayakan Bahan Baku Minum

Shafira Febriani; Revi Firzatulloh; Rivaldo Nugraha; Anggi Cipta Lestari; Okyza Maherdi Prabowo; Yolanda Georgia Andriani

doi:10.30865/json.v7i4.9824

Authors

Shafira Febriani STMIK AMIK Bandung
Revi Firzatulloh STMIK AMIK Bandung
Rivaldo Nugraha STMIK AMIK Bandung
Anggi Cipta Lestari STMIK AMIK Bandung
Okyza Maherdi Prabowo STMIK AMIK Bandung
Yolanda Georgia Andriani STMIK AMIK Bandung

DOI:

https://doi.org/10.30865/json.v7i4.9824

Keywords:

CRISP-DM, Kualitas Air, Hierarchical Clustering, Machine learning, Segmentasi

Abstract

Sungai merupakan sumber daya air vital bagi kehidupan dan pembangunan di Indonesia, namun kualitasnya terus menurun akibat pencemaran domestik dan industri. Penelitian ini bertujuan untuk melakukan segmentasi kualitas air sungai di 38 provinsi di Indonesia berdasarkan Indeks Kualitas Air (IKA) serta parameter fisik, kimia, dan mikrobiologis tahun 2023. Segmentasi ini difungsikan untuk mendukung pemantauan dan penilaian kelayakan sungai sebagai bahan baku air minum. Metodologi penelitian mengikuti kerangka kerja Cross-Industry Standard Process for Data Mining (CRISP-DM) dengan menerapkan algoritma klasterisasi K-Means dan Hierarchical Clustering. Data yang dimanfaatkan bersumber dari Badan Pusat Statistik (BPS) yang mencakup parameter seperti pH, DO, BOD, COD, dan bakteri coliform. Meskipun evaluasi metrik internal (Silhouette Score, Davies-Bouldin Index, dan Dunn Index) menunjukkan bahwa konfigurasi dua klaster memberikan performa matematis terbaik , penelitian ini menetapkan konfigurasi empat klaster menggunakan Hierarchical Clustering. Langkah ini diambil secara sadar agar hasil pengelompokan tetap relevan secara praktis dan selaras dengan empat tingkat klasifikasi mutu air nasional (Kelas I–IV) serta skala penilaian IKA. Hasil segmentasi menghasilkan empat klaster utama yang menggambarkan tingkat risiko kualitas air: sangat tercemar, buruk hingga sedang, pencemaran ekstrem, dan risiko mikrobiologis tinggi. Temuan penelitian mengonfirmasi bahwa tidak ada provinsi yang memenuhi kriteria Kelas I (layak minum tanpa pengolahan), dengan mayoritas wilayah berada pada kategori sedang hingga buruk (Kelas III dan IV). Visualisasi melalui dashboard interaktif memperkuat interpretasi data untuk mendukung pengambilan kebijakan berbasis bukti. Penelitian ini membuktikan efektivitas metode klasterisasi dalam menyediakan informasi akurat bagi pengelolaan strategi kualitas air sungai secara nasional di Indonesia.

References

[1] World Health Organization, “Drinking-water,” World Health Organization. [Online]. Available: https://www.who.int/news-room/fact-sheets/detail/drinking-water.

[2] A. Afandi, “Dampak Laju Pertumbuhan Penduduk terhadap Alam dan Lingkungan,” Kompasiana. [Online]. Available: https://www.kompasiana.com/azizafandi6697/649ad694e1a1672c18036a12/dampak-laju-pertumbuhan-penduduk-terhadap-alam-dan-lingkungan.

[3] Kementerian Lingkungan Hidup dan Kehutanan Republik Indonesia, “Laporan Status Lingkungan Hidup Indonesia 2022,” KLHK RI, Jakarta, 2022.

[4] I. P. Rachmawati, E. Riani, and A. Riadi, “Status mutu air dan beban pencemaran Sungai Krukut, DKI Jakarta,” J. Nat. Resour. Environ. Manag., vol. 10, no. 2, pp. 220–233, 2020.

[5] L. Purwandari, “Laporan Kinerja Direktorat Pengendalian Pencemaran Udara Direktorat Jenderal Pengendalian Pencemaran dan Kerusakan Lingkungan Tahun 2022,” 2023. [Online]. Available: https://tanamanpangan.pertanian.go.id/assets/front/uploads/document/LAKIN DJTP 2022_UPDATE ATAP (2).pdf

[6] A. N. Azizah, T. Widiharih, and A. R. Hakim, “Kernel K-Means Clustering Untuk Pengelompokan Sungai di Kota Semarang Berdasarkan Faktor Pencemaran Air,” J. Gaussian, vol. 11, no. 2, pp. 228–236, 2022.

[7] B. Warsito, S. Sumiyati, H. Yasin, and H. Faridah, “Evaluation of river water quality by using hierarchical clustering analysis,” in IOP Conference Series: Earth and Environmental Science, 2021, pp. 1–7.

[8] M. N. Ahmed, S. Shahid, and A. El-Shafie, “Machine learning methods for better water quality prediction,” J. Hydrol., vol. 578, p. 124084, 2019, doi: 10.1016/j.jhydrol.2019.124084.

[9] H. Chen and M. Franklin, “Spatio-Temporal Modeling of Surface Water Quality Distribution in California (1956-2023),” arXiv preprint arXiv:2311.12736, 2023.

[10] F. Sulianta, Buku Dasar Data Mining from A to Z. Feri Sulianta, 2023. [Online]. Available: https://www.researchgate.net/publication/382274667_Basic_Data_Mining_From_A_to_Z

[11] I. P. Aldiansah and M. Akrom, “Effect of Virtual Sample Generation in Predicting Corrosion Inhibition Efficiency on Pyridazine,” J. Appl. Informatics Comput., vol. 9, no. 2, pp. 382–389, 2025.

[12] N. K. Zuhal, “Study Comparison K-Means Clustering Dengan Algoritma Hierarchical Clustering: AHC, K-Means Clustering, Study Comparison,” in Seminar Nasional Teknologi & Sains, 2022, pp. 200–205.

[13] A. R. Damayanti and A. W. Wijayanto, “Comparison of hierarchical and non-hierarchical methods in clustering cities in Java Island using the human development index indicators year 2018,” Eig. Math. J., vol. 4, no. 1, pp. 8–17, 2021.

[14] I. Indra, N. Nur, M. Iqram, and N. Inayah, “Perbandingan K-Means dan Hierarchical Clustering dalam Pengelompokan Daerah Beresiko Stunting,” INOVTEK Polbeng - Seri Informatika, vol. 8, no. 2, pp. 356–367, 2023.

[15] I. Yahya, G. N. A. Wibawa, and L. Laome, “Penggunaan korelasi cophenetic untuk pemilihan metode cluster berhierarki pada mengelompokkan kabupaten/kota berdasarkan jenis penyakit di Provinsi Sulawesi Tenggara tahun 2020,” in Seminar Nasional Sains dan Terapan VI, 2022, pp. 1–16.

[16] I. R. Drl, Y. H. Chrisnanto, and F. R. Umbara, “Analisis cluster pada kelompok masyarakat yang rentan terhadap paparan Covid-19 menggunakan metode K-Means clustering dan visualiasi dengan SIG,” Informatics Digit. Expert, vol. 4, no. 2, pp. 61–69, 2022.

[17] H. Malikhatin, A. Rusgiyono, and I. M. Di Asih, “Penerapan K-Modes Clustering dengan Validasi Dunn Index Pada Pengelompokan Karakteristik Calon TKI Menggunakan R-GUI,” J. Gaussian, vol. 10, no. 3, pp. 359–366, 2021.

[18] D. B. Krklješ, “Multiparameter Water Quality Monitoring System for Continuous Monitoring of Fresh Waters,” arXiv preprint arXiv:2307.11630, 2023.