Analisis Kualitas Air Sungai Berbasis Decision Tree untuk Penentuan Status Pencemaran
DOI:
https://doi.org/10.47701/4w19c942Keywords:
Kualitas air sungai, BOD, DO, Decision Tree, Segmentasi pencemaranAbstract
Sungai memegang peranan penting dalam menunjang kehidupan masyarakat dan ekosistem, namun kualitas air sungai di Jakarta semakin menurun akibat pencemaran dari aktivitas industri dan domestik. Penelitian ini bertujuan untuk mengklasifikasikan status kualitas air dari 15 titik sungai utama di Jakarta serta melakukan segmentasi berdasarkan tingkat pencemaran. Parameter kualitas air yang dianalisis meliputi BOD, COD, pH, dan DO, yang diolah melalui pivot tabel, normalisasi, deteksi outlier, dan penetapan status baku mutu. Metode Decision Tree digunakan karena kemampuannya menghasilkan model yang mudah diinterpretasikan dan mendukung pengambilan keputusan. Hasil penelitian menunjukkan bahwa sekitar 62% sampel sungai berada pada kategori tercemar, terutama akibat tingginya BOD dan rendahnya DO. Dengan adanya segmentasi berdasarkan skor pencemaran, sungai dapat diprioritaskan untuk program penanganan dan rehabilitasi. Penelitian ini diharapkan menjadi dasar bagi perumusan kebijakan pengelolaan kualitas air sungai yang lebih efektif dan berkelanjutan di Jakarta.
References
[1] Aanisa, N. A. I. et al. (2023). Analisis kualitas dan tingkat pencemaran limbah B3 terlarut di Sungai Cideng. Jurnal Ilmu Lingkungan, 22(1), 215–227. DOI: https://doi.org/10.14710/jil.22.1.215-227 (ejournal.undip.ac.id)
[2] Naima, S. I. (2022). Analisis daya tampung beban pencemar BOD dan COD di Sungai Ciliwung Segmen 4 dengan metode QUAL2Kw. Tugas Akhir, Universitas Trisakti, Jakarta. (repository.trisakti.ac.id)
[3] Dinas Lingkungan Hidup DKI Jakarta. (2023). Laporan Pemantauan Kualitas Lingkungan Air Sungai Provinsi DKI Jakarta Tahun 2022–2023. Laporan Resmi. (id.scribd.com)
[4] Pramaningsih, V. et al. (2023). Optimisasi prediksi indeks kualitas air di Indonesia menggunakan machine learning (metode Prophet). ResearchGate. (researchgate.net)
[5] Napitupulu, R. T. & Putra, M. H. S. (2022). Pengaruh BOD-COD-DO terhadap kualitas air bersih di Sungai Pesanggrahan. CIVeng: Jurnal Teknik Sipil dan Lingkungan, 5(2). DOI: https://doi.org/10.30595/civeng.v5i2.17878 (jurnalnasional.ump.ac.id)
[6] Mutai, I. K. et al. (2022). Using Multivariate Linear Regression for BOD prediction in wastewater. arXiv. (arxiv.org)
[7] Victoriano, J. M. et al. (2022). Predicting pollution level using Random Forest: Marilao River, Philippines. arXiv. (arxiv.org)
[8] Castrillo, M. & López García, Á. (2020). Estimation of high- frequency nutrient concentrations using ML methods. arXiv. (Model ML relevan untuk perluasan) (arxiv.org)
[9] Arora, S. et al. (2024). Application of Analytical Hierarchical Process on remote sensing datasets (sungai Ganga). arXiv. (arxiv.org)
[10] Skripsi/TA (2022). Analisis daya tampung beban pencemar Sungai Ciliwung Segmen 4. Universitas Trisakti. (repository.trisakti.ac.id)
[11] Laporan resmi DKI (2023). Pemantauan parameter MBAS (detergen), BOD, COD, DO pada sungai Jakarta. (id.scribd.com)
[12] Laporan resmi DKI (2022). Data DO, BOD, COD di sungai- sungai Jakarta terhadap baku mutu per PP 22/2021. (id.scribd.com)
[13] Repository UB (2023). Evaluasi kualitas air sungai berdasarkan indikator lingkungan & lahan (termasuk DO, BOD, COD). (repository.ub.ac.id)
[14] imbolon, I. N. et al. (2024). Prediksi kualitas air sungai di Jakarta menggunakan KNN yang dioptimalkan dengan PSO. Jurnal Informatika dan Teknik Elektro Terapan, 12(2). DOI: https://doi.org/10.23960/jitet.v12i2.4191
[15] Yanidar, R., Hartono, D. M., Moersidik, S. S., & Andres, Y. (2023). Mapping the spatial variation of rivers water quality using multivariate analysis: a case study of Greater Jakarta, Indonesia. Indonesian Journal of Urban and Environmental Technology, 6(1), 1–19. DOI: 10.25105/urbanenvirotech.v6
