Optimization of the Random Forest Algorithm Using Random Search for Potable Water Quality Classification

Abstract

Air minum yang layak untuk dikonsumsi merupakan kebutuhan dasar manusia yang memegang peranan penting dalam kesehatan. Di Indonesia, tantangan terkait kualitas dan aksesibilitas air masih cukup signifikan akibat keterbatasan infrastruktur dan pencemaran lingkungan. Penelitian ini bertujuan untuk membandingkan efektivitas optimasi algoritma Random Forest menggunakan Random Search dalam klasifikasi kualitas air bersih. Dataset yang digunakan adalah dataset “Water Quality and Potability” dari Kaggle yang terdiri dari 3.276 data, 9 parameter kimia air, dan 1 target potabilitas. Semua proses dilakukan menggunakan platform Google Colab. Hasil evaluasi menunjukkan bahwa model Random Forest default mencapai akurasi sebesar 84,12% dengan waktu komputasi 3 detik. Model yang dioptimalkan Random Search mencapai akurasi 84,38% dalam waktu 2 jam 2 menit dan 54 detik. Secara keseluruhan, optimasi hiperparameter dapat meningkatkan kinerja klasifikasi. Namun, peningkatan ini dibarengi dengan peningkatan waktu komputasi yang cukup besar, yang harus dipertimbangkan saat memilih metode optimasi.