IMPLEMENTASI LOGISTIC REGRESSION DENGAN POLYNOMIAL FEATURES UNTUK KLASIFIKASI KONDISI PIPA BERDASARKAN DEBIT DAN TEKANAN AIR

AZIZ, RIFQI NAUFAL (2026) IMPLEMENTASI LOGISTIC REGRESSION DENGAN POLYNOMIAL FEATURES UNTUK KLASIFIKASI KONDISI PIPA BERDASARKAN DEBIT DAN TEKANAN AIR. Diploma thesis, UNIVERSITAS HARKAT NEGERI.

[img] Text (BAB I)
BAB I.pdf
Download (342kB)
[img] Text (BAB II)
BAB II.pdf
Download (347kB)
[img] Text (BAB III)
BAB III.pdf
Download (327kB)
[img] Text (BAB IV)
BAB IV.pdf
Restricted to Registered users only
Download (719kB) | Request a copy
[img] Text (BAB V)
BAB V.pdf
Restricted to Registered users only
Download (486kB) | Request a copy
[img] Text (BAB VI)
BAB VI.pdf
Download (200kB)
[img] Text (DAFTAR PUSTAKA)
DAFTAR PUSTAKA.pdf
Download (329kB)
[img] Text (LAMPIRAN)
LAMPIRAN.pdf
Download (1MB)
[img] Text (Cover)
Cover.pdf
Download (825kB)

Abstract

Kebocoran pipa pada sistem distribusi air bersih dapat menyebabkan kehilangan air, penurunan tekanan, serta terganggunya pelayanan kepada masyarakat. Penelitian ini bertujuan untuk menerapkan metode Logistic Regression dengan Polynomial Features dalam mengklasifikasikan kondisi pipa berdasarkan parameter tekanan air (Pressure) dan debit air (Flow_Rate). Dataset yang digunakan berasal dari Smart Water Leak Detection Dataset dan memiliki label Leakage_Flag yang terdiri atas kelas Normal dan Bocor. Tahapan penelitian meliputi pengumpulan dataset, preprocessing data, pembagian data, pembentukan pipeline model, optimasi hyperparameter, evaluasi model, dan penyimpanan model terbaik. Setelah proses preprocessing, jumlah data yang digunakan menjadi 19.929 data yang dibagi menjadi 15.943 data training dan 3.986 data testing. Model dibangun menggunakan pipeline yang terdiri dari Polynomial Features, StandardScaler, SMOTE, dan Logistic Regression. Optimasi dilakukan menggunakan GridSearchCV dengan 5-fold Cross Validation. Hasil pengujian internal menggunakan data testing menunjukkan nilai Accuracy sebesar 93,65%, sedangkan pengujian eksternal menggunakan dataset baru menghasilkan Accuracy sebesar 94,23%. Hasil penelitian menunjukkan bahwa metode Logistic Regression dengan Polynomial Features mampu mengklasifikasikan kondisi pipa Normal dan Bocor dengan baik berdasarkan parameter tekanan dan debit air. Kata kunci: Klasifikasi Kebocoran Pipa, Logistic Regression, Polynomial Features, Debit dan Tekanan Air

Item Type: Thesis (Diploma)
Subjects: T Technology
T Technology > TK Electrical engineering. Electronics Nuclear engineering
Divisions: Sekolah Vokasi Teknik > Diploma III Teknik Komputer
Depositing User: Rifqi Naufal Aziz
Date Deposited: 11 Sep 2026 08:14
Last Modified: 11 Sep 2026 08:14
URI: http://repository.harkatnegeri.ac.id/id/eprint/7607

Actions (login required)

View Item View Item