Perbandingan Prediksi Status Pompa Tandon Air Berbasis IoT Menggunakan Random Forest dan XGBoost

Abstract

Pengelolaan air bersih di lingkungan rumah tangga dan instansi pemerintahan sering kali bergantung pada mekanisme manual atau saklar pelampung yang kurang efisien, menyebabkan pemborosan energi dan keterlambatan respons. Penelitian ini bertujuan mengembangkan model prediktif status pompa tandon air berbasis data sensor IoT, termasuk ketinggian air, kekeruhan, suhu, curah hujan, dan fitur temporal, untuk meningkatkan otomasi yang adaptif. Metodologi mencakup praproses data (normalisasi dengan StandardScaler, split 80:20), pelatihan enam algoritma machine learning (Logistic Regression, K-Nearest Neighbors, Support Vector Machine, Random Forest, XGBoost, Multi-Layer Perceptron) menggunakan Python di Google Colab, dengan hyperparameter tuning via GridSearchCV dan 5-fold cross-validation. Evaluasi menggunakan akurasi, precision, recall, F1-score, serta analisis interpretabilitas melalui feature importance dan SHAP. Hasil menunjukkan Random Forest dan XGBoost mencapai performa sempurna (100%), sementara model lain di atas 96%, dengan water_level_cm sebagai fitur dominan (>55-78%). Analisis SHAP mengonfirmasi konsistensi logis model. Kontribusi utama adalah dataset IoT realistis untuk skenario tandon air, evaluasi komparatif model, dan interpretabilitas yang mendukung SDGs 6 dan 9, memungkinkan implementasi otomasi efisien di konteks tropis Indonesia.