PENERAPAN SUPPORT VECTOR MACHINE (SVM) UNTUK ANALISIS KUALITAS AIR PADA BUDIDAYA IKAN NILA DI KABUPATEN PURWAKARTA

Tazkiah Kamilah Aulia, - (2025) PENERAPAN SUPPORT VECTOR MACHINE (SVM) UNTUK ANALISIS KUALITAS AIR PADA BUDIDAYA IKAN NILA DI KABUPATEN PURWAKARTA. S1 thesis, Universitas Pendidikan Indonesia.

Abstract

Kualitas air merupakan faktor kunci yang menentukan keberhasilan dan keberlanjutan budidaya ikan nila. Ketidaksesuaian parameter air, seperti suhu atau kandungan zat kimia, dapat menimbulkan stres fisiologis, menurunkan laju pertumbuhan, hingga menyebabkan kematian pada ikan. Kondisi ini menjadikan pemantauan kualitas air sebagai aspek yang sangat krusial dan mendesak dalam praktik budidaya. Penelitian ini bertujuan melakukan pemodelan klasifikasi kelayakan kualitas air menggunakan algoritma Support Vector Machine (SVM) yang dikombinasikan dengan Radial Basis Function (RBF) kernel. Kernel RBF merupakan fungsi matematis yang memungkinkan SVM memetakan data yang tidak terpisah secara linear ke dalam ruang berdimensi lebih tinggi, sehingga pola klasifikasi menjadi lebih terlihat. Data numerik diperoleh dari delapan parameter kualitas air: suhu, pH, total dissolved solids (TDS), oksigen terlarut, nitrit, nitrat, fosfat, dan amonia. Selanjutnya, data diklasifikasikan ke dalam dua kategori: layak dan tidak layak, berdasarkan ambang batas yang telah ditentukan. Model dibangun menggunakan pendekatan supervised learning dan dievaluasi melalui metrik akurasi dan confusion matrix. Hasil pengujian menunjukkan bahwa model SVM dengan kernel RBF menghasilkan akurasi sebesar 82%, dengan nilai presisi dan recall mencapai 100% pada kategori “Tidak Layak”. Ini menunjukkan bahwa model mampu mengidentifikasi kondisi air yang berisiko dengan baik, menjadikannya solusi potensial untuk pemantauan kualitas air budidaya. Model ini berkontribusi terhadap pengelolaan budidaya ikan yang modern, sekaligus mendukung keberlanjutan dengan meminimalkan risiko lingkungan dan penggunaan sumber daya secara berlebihan. Water quality is a key factor determining the success and sustainability of tilapia cultivation. Inappropriate water parameters, such as temperature or chemical content, can cause physiological stress, reduce growth rates, and even lead to fish mortality. This condition makes water quality monitoring a very crucial and urgent aspect of cultivation practices. This study aims to model the classification of water quality suitability using the Support Vector Machine (SVM) algorithm combined with the Radial Basis Function (RBF) kernel. The RBF kernel is a mathematical function that allows the SVM to map non-linearly separable data into a higher-dimensional space, thus making classification patterns more visible. Numerical data were obtained from eight water quality parameters: temperature, pH, total dissolved solids (TDS), dissolved oxygen, nitrite, nitrate, phosphate, and ammonia. Next, the data were classified into two categories: suitable and unsuitable, based on predetermined thresholds. The model was built using a supervised learning approach and evaluated using accuracy metrics and a confusion matrix. The test results showed that the SVM model with the RBF kernel produced an accuracy of 82%, with precision and recall values reaching 100% in the "unsuitable" category. ". This demonstrates that the model is capable of effectively identifying risky water conditions, making it a potential solution for aquaculture water quality monitoring. This model contributes to modern aquaculture management while also supporting sustainability by minimizing environmental risks and resource overuse.

	Text S_SIK_2104492_Title.pdf Download (544kB)
	Text S_SIK_2104492_Chapter1.pdf Download (232kB)
	Text S_SIK_2104492_Chapter2.pdf Restricted to Staf Perpustakaan Download (278kB)
	Text S_SIK_2104492_Chapter3.pdf Download (350kB)
	Text S_SIK_2104492_Chapter4.pdf Restricted to Staf Perpustakaan Download (749kB)
	Text S_SIK_2104492_Chapter5.pdf Download (168kB)
	Text S_SIK_2104492_Appendix.pdf Restricted to Staf Perpustakaan Download (770kB)

Item Type:	Thesis (S1)
Uncontrolled Keywords:	Klasifikasi, Kolam, Machine Learning, Radial Basis Function, Support Vector Machine Classification, Machine Learning, Pond, Radial Basis Function, Support Vector Machine
Subjects:	L Education > L Education (General)
Divisions:	UPI Kampus Serang > S1 Sistem Informasi Kelautan
Depositing User:	Tazkiah Kamilah Aulia
Date Deposited:	09 Sep 2025 07:53
Last Modified:	09 Sep 2025 07:53
URI:	http://repository.upi.edu/id/eprint/137816

Actions (login required)

View Item