Rancang Bangun Sistem Instrumentasi Cerdas Berbasis Machine LearningXGBoost untuk Klasifikasi Multivariabel Kualitas Air Berdasarkan StandarBaku Mutu Kesehatan

Oleh :
Ganesya Fajar Gumilang - I0719028 - Fak. Teknik

Rancang Bangun Sistem Instrumentasi Cerdas Berbasis Machine Learning XGBoost untuk Klasifikasi Multivariabel Kualitas Air Berdasarkan Standar Baku Mutu KesehatanGanesya Fajar GumilangProgram Studi Teknik Elektro, Fakultas Teknik, Universitas Sebelas Maret e-mail: ganesyafajar@student.uns.ac.idAbstrakPenelitian ini merancang sistem akuisisi data berbasis Internet of Things (IoT) untuk pemantauan kualitas air secara real-time menggunakan sensor pH, TDS, turbiditas, dan suhu dengan mikrokontroler Arduino Mega 2560 sebagai pengumpul data (data logger). Data hasil pembacaan sensor dicatat secara berkala ke dalam kartu MicroSD untuk selanjutnya dianalisis secara off-device di komputer. Algoritma eXtreme Gradient Boosting (XGBoost) diimplementasikan pada PC guna mengklasifikasikan kualitas air ke dalam kategori Layak Minum, Irigasi, atau Tercemar sesuai standar baku mutu. Pengujian dilakukan pada 30 sampel air melalui proses pencatatan data dan pelatihan model. Hasil menunjukkan sistem perangkat keras memiliki akurasi pengukuran di atas 90%, dengan akurasi pelatihan model XGBoost sebesar 100% dan akurasi validasi sebesar 97,6%. Sistem ini menawarkan solusi pemantauan lingkungan yang portabel, cepat, dan andal.Kata Kunci: Sistem Instrumentasi, Kualitas Air, XGBoost, IoT, Data Logger.ABSTRACTDesign of an XGBoost-Based Water Quality Classification SystemThis study designs an Internet of Things (IoT)-based data acquisition system for real-time water quality monitoring using pH, TDS, turbidity, and temperature sensors with an Arduino Mega 2560 microcontroller acting as a data logger. Sensor measurement data are periodically recorded onto a MicroSD card for subsequent off-device analysis on a computer. The eXtreme Gradient Boosting (XGBoost ) algorithm is implemented on a PC to classify water quality into Drinkable, Irrigation, or Polluted categories according to quality standards. Testing was conducted on 30 water samples through data logging and model training processes. The results show that the hardware system achieves a measurement accuracy above 90%, with an XGBoost model training accuracy of 100% and validation accuracy of 97.6%. This system offers a portable, fast, and reliable environmental monitoring solution.Keywords: Instrumentation System, Water Quality, XGBoost, IoT, Data Logger.