Febrian, Bani Fadhlih Azka (2026) IMPLEMENTASI DEEP NEURAL NETWORK (DNN) DENGAN DATA FUSION UNTUK KLASIFIKASI KUALITAS AIR. Diploma thesis, UNIVERSITAS HARKAT NEGERI.
![[img]](http://repository.harkatnegeri.ac.id/style/images/fileicons/text.png) |
Text (COVER)
COVER.pdf Download (1MB) |
|
Text (BAB I)
BAB I.pdf Download (207kB) |
|
Text (BAB II)
BAB II.pdf Download (187kB) |
|
Text (BAB III)
BAB III.pdf Download (328kB) |
|
Text (BAB IV)
BAB IV.pdf Restricted to Registered users only Download (365kB) | Request a copy |
|
Text (BAB V)
BAB V.pdf Restricted to Registered users only Download (641kB) | Request a copy |
|
Text (BAB VI)
BAB VI.pdf Download (110kB) |
|
Text (DAFTAR PUSTAKA)
DAFTAR PUSTAKA.pdf Download (225kB) |
|
Text (LAMPIRAN)
LAMPIRAN.pdf Download (1MB) |
Abstract
Kualitas air merupakan salah satu faktor penting yang memengaruhi kesehatan masyarakat, lingkungan, serta keberlangsungan penyediaan air bersih. Pemanfaatan teknologi machine learning dalam bidang kualitas air menjadi salah satu pendekatan yang dapat digunakan untuk membantu proses klasifikasi kualitas air berdasarkan parameter pengukuran yang tersedia. Penelitian ini bertujuan untuk mengimplementasikan metode DEEP NEURAL NETWORK (DNN) dalam melakukan klasifikasi kualitas air berdasarkan parameter pH, Total Dissolved Solids (TDS), dan Turbidity. Dataset yang digunakan berasal dari penggabungan dataset Water Quality 19K, Water Quality 3K, dan Macao Water Quality Dataset yang telah melalui tahap preprocessing berupa pembersihan data, penyeimbangan kelas menggunakan Synthetic Minority Over-sampling Technique (SMOTE), serta normalisasi menggunakan StandardScaler. Model DNN dibangun menggunakan framework TensorFlow dan Keras dengan arsitektur yang terdiri dari satu input layer, dua hidden layer, dan satu output layer untuk mengklasifikasikan kualitas air ke dalam kategori Layak dan Tidak Layak. Evaluasi model dilakukan menggunakan metrik accuracy, precision, recall, F1-score, dan Confusion Matrix. Hasil pengujian menunjukkan bahwa model DNN mampu mencapai akurasi sebesar 93,95% pada pengujian internal dan 95,97% pada pengujian eksternal. Hasil penelitian menunjukkan bahwa metode DNN mampu memberikan performa klasifikasi yang baik serta berpotensi untuk diterapkan pada perangkat dengan sumber daya komputasi terbatas. Kata Kunci: Machine learning, Deep Learning, Deep Neural Network, Kualitas Air, pH, Total Dissolved Solids, Turbidity
| 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: | BANI FADHLIH AZKA FEBRIAN |
| Date Deposited: | 11 Sep 2026 08:17 |
| Last Modified: | 11 Sep 2026 08:17 |
| URI: | http://repository.harkatnegeri.ac.id/id/eprint/7816 |
Actions (login required)
 |
View Item |