Pendahuluan: Transformasi Digital dalam Industri Wine

Dalam beberapa dekade terakhir, industri wine mengalami lonjakan produksi dan konsumsi global yang signifikan. Menurut data Organisasi Internasional Anggur dan Anggur (OIV), konsumsi wine dunia mencapai 31 juta metrik ton pada tahun 2020. Di tengah persaingan pasar yang ketat dan ekspektasi konsumen terhadap kualitas yang semakin tinggi, kebutuhan untuk pengujian kualitas wine yang akurat dan efisien menjadi krusial.

Paper karya Avinash Sanjay Gawale ini berjudul "Wine Quality Prediction using Machine Learning and Hybrid Modeling", sebuah penelitian yang berfokus pada penggunaan teknologi machine learning (ML) untuk meningkatkan akurasi prediksi kualitas wine. Penelitian ini menarik karena menggabungkan pendekatan hybrid modeling, yang memadukan kekuatan beberapa algoritma ML, menjadikannya relevan di era Industri 4.0 dan produksi berkelanjutan.

Latar Belakang Penelitian: Kualitas Wine Sebagai Kunci Keberhasilan Bisnis

Kualitas wine memainkan peran fundamental dalam industri, baik untuk kepuasan konsumen, kesehatan, maupun kredibilitas merek. Namun, metode tradisional untuk mengevaluasi kualitas wine masih mengandalkan pengujian organoleptik oleh ahli wine (wine sommeliers) dan uji laboratorium yang memakan waktu serta mahal.

Dalam konteks ini, pendekatan berbasis machine learning menawarkan solusi revolusioner: analisis data kimiawi dan fisik wine untuk memprediksi kualitas secara otomatis, cepat, dan konsisten.

Penelitian ini berangkat dari kebutuhan industri untuk mengatasi tantangan tersebut dengan menerapkan algoritma machine learning seperti Decision Tree (DT), Random Forest (RF), Extreme Gradient Boosting (XGBoost), dan model Hybrid ML, yang menggabungkan ketiganya.

Tujuan dan Manfaat Penelitian

Tujuan utama dari penelitian ini adalah:
✅ Menerapkan algoritma ML untuk memprediksi kualitas wine berdasarkan dataset red wine dan white wine dari UCI Machine Learning Repository.
✅ Mengembangkan hybrid model berbasis ML yang meningkatkan akurasi prediksi dibandingkan metode tunggal.
✅ Membuktikan bahwa pendekatan hybrid lebih efisien untuk klasifikasi kualitas wine dan mendukung produksi wine yang berkelanjutan.

 

Metodologi Penelitian: Proses Data hingga Implementasi Model Hybrid

1. Dataset dan Fitur

Data berasal dari UCI Repository, yang berisi 1599 sampel red wine dan 4898 sampel white wine tipe Vinho Verde asal Portugal. Dataset mengandung 11 fitur fisikokimia, antara lain:

• pH
• Alkohol
• Fixed Acidity
• Residual Sugar
• Chlorides
• Sulfates
• Density
  Fitur output adalah nilai kualitas wine dari skala 0 (sangat buruk) hingga 10 (sangat baik).

2. Preprocessing Data

Penelitian ini menerapkan data cleansing dengan menghapus outlier dan mengisi nilai null dengan nilai rata-rata. Untuk mengatasi data imbalance, digunakan teknik SMOTE (Synthetic Minority Oversampling Technique), yang memungkinkan peningkatan representasi kelas minoritas, memastikan model tidak bias pada data tertentu.

3. Algoritma Machine Learning yang Digunakan

• Decision Tree Classifier (DTC)
  Sederhana, cepat, namun rentan overfitting.
• Random Forest Classifier (RFC)
  Model ensemble yang meningkatkan akurasi dan stabilitas.
• Extreme Gradient Boosting (XGBoost)
  Lebih kompleks, meningkatkan akurasi lewat pendekatan boosting.
• Hybrid Model
  Kombinasi dari DTC, RFC, dan XGBoost, yang bertujuan menggabungkan keunggulan masing-masing model.

4. Evaluasi Model

Evaluasi dilakukan dengan metrik:

• Akurasi
• Precision
• Recall
• F1-score
  Sistem pengujian memisahkan data latih dan uji dengan rasio 70:30.

 

Hasil Penelitian: Random Forest Mengungguli Model Lain

Kinerja Model

• Random Forest mencatat akurasi tertinggi 85,57%, precision 86,82%, recall 83,71%, dan F1-score 85,24%.
• Decision Tree mencatat akurasi 79,25%, cukup baik namun lebih rendah dari Random Forest.
• XGBoost menghasilkan akurasi 78,07%, sedikit di bawah Decision Tree.
• Hybrid Model, meskipun diharapkan superior, hanya mencatat akurasi 77,71%.

Insight: Mengapa Random Forest Unggul?

Random Forest unggul karena:

• Kemampuannya mengatasi overfitting yang sering terjadi pada Decision Tree.
• Voting mechanism antar decision tree memperkecil kesalahan prediksi individual.
• Lebih andal dalam menghadapi dataset tidak seimbang, apalagi setelah dioptimalkan dengan SMOTE.

 

Studi Kasus Nyata: Potensi Implementasi di Industri Wine

Efisiensi Produksi

Penerapan Random Forest untuk prediksi kualitas wine memungkinkan perusahaan mengurangi kebutuhan uji manual hingga 50%.
✅ Waktu validasi produk berkurang, dari 24 jam menjadi kurang dari 5 menit.
✅ Biaya laboratorium dipangkas, meningkatkan ROI (Return on Investment).

Contoh Praktik Industri

Perusahaan wine di Portugal, seperti Sogrape Vinhos, telah mulai mengadopsi ML untuk pemantauan fermentasi otomatis, mendukung data-driven decision making yang mempermudah pengendalian kualitas produksi.

 

Analisis Kritis dan Perbandingan Penelitian Sebelumnya

Kelebihan Penelitian Ini

✅ Dataset gabungan red dan white wine (yang jarang dilakukan sebelumnya).
✅ Proses SMOTE meningkatkan kualitas prediksi, terutama untuk minoritas kelas (wine kualitas buruk).
✅ Evaluasi menyeluruh yang mencakup empat metrik evaluasi utama.

Kekurangan Penelitian

❌ Hybrid Model tidak menunjukkan performa lebih baik dibanding Random Forest. Hal ini mengindikasikan bahwa kombinasi model tidak selalu menghasilkan performa superior, tergantung integrasi yang diterapkan.
❌ Penelitian tidak mencakup aspek organoleptik atau preferensi manusia yang memengaruhi kualitas wine secara komersial.
❌ Dataset terbatas pada wine dari Portugal, padahal profil wine dari kawasan lain (misalnya Italia atau Prancis) mungkin berbeda.

Perbandingan dengan Penelitian Sebelumnya

• Liu (2021): Gradient Boosting pada red wine dengan akurasi 69,2%.
• Gupta & Vanmathi: Random Forest untuk red wine dan white wine dengan akurasi masing-masing 73,25% dan 76,39%.
• Penelitian Ini: Random Forest dengan dataset gabungan meraih 85,57%, menunjukkan keunggulan teknik dan preprocessing yang lebih baik.

 

Implikasi Praktis di Industri Wine dan Manufaktur Lainnya

1. Penghematan Biaya

Prediksi kualitas berbasis ML mengurangi kebutuhan tenaga ahli sensorik hingga 40%, mempercepat pengujian kualitas wine di lini produksi.

2. Sustainability

Dengan prediksi kualitas yang presisi, limbah produksi akibat wine cacat berkurang. Hal ini mendukung target net zero emission di banyak perusahaan wine besar seperti Constellation Brands dan Treasury Wine Estates.

3. Adaptasi pada Industri Lain

Model serupa dapat diterapkan di industri minuman lainnya seperti kopi, teh, hingga craft beer, di mana kualitas sangat ditentukan oleh komposisi kimia dan proses produksi.

 

Rekomendasi dan Pengembangan Masa Depan

✅ Integrasi Deep Learning
Penelitian selanjutnya bisa mengeksplorasi Artificial Neural Network (ANN) atau Convolutional Neural Network (CNN) untuk menangani dataset kompleks dengan pola non-linear.
✅ Pengujian Multiregional
Menggunakan data dari berbagai negara untuk membuktikan generalisasi model.
✅ IoT dan Edge Computing
Integrasi sensor real-time di pabrik dengan machine learning berbasis edge computing untuk monitoring kualitas secara instan.
✅ Explainable AI (XAI)
Memastikan interpretasi transparan dari hasil prediksi, khususnya untuk regulasi industri makanan dan minuman.

 

Kesimpulan: Masa Depan Industri Wine Ada di Tangan Machine Learning

Penelitian oleh Avinash Sanjay Gawale menunjukkan bahwa Random Forest adalah solusi prediksi kualitas wine paling efektif saat ini. Dengan akurasi 85,57%, model ini mendukung otomatisasi, efisiensi, dan keberlanjutan industri wine modern.

Meskipun hybrid modeling belum optimal, potensi teknologi ML untuk merevolusi industri wine tak terbantahkan. Ke depannya, integrasi ML dengan IoT dan teknologi prediktif lainnya akan menjadi standar baru dalam produksi wine premium di pasar global.

📖 Sumber Paper Asli:
Gawale, A. S. (2022). Wine Quality Prediction using Machine Learning and Hybrid Modeling. MSc Research Project, National College of Ireland.
 

Pendahuluan: Mengapa Prediksi Kualitas Udara Semakin Penting?

Kualitas udara merupakan isu krusial dalam kesehatan masyarakat dan lingkungan global. Laporan World Health Organization (WHO) tahun 2022 menyebutkan bahwa 9 dari 10 orang di dunia menghirup udara yang tidak sehat, menyebabkan lebih dari 7 juta kematian dini setiap tahunnya. Kota-kota besar seperti Chicago, New Delhi, dan Beijing menghadapi tantangan berat dalam mengelola polusi udara akibat urbanisasi dan industrialisasi.

Paper ini, yang diterbitkan dalam jurnal Big Data and Cognitive Computing (BDCC), mengulas bagaimana machine learning (ML)—khususnya teknik multi-task learning (MTL) dan regularisasi model—dapat digunakan untuk memprediksi kualitas udara secara akurat. Prediksi ini berfokus pada polutan utama seperti ozon (O3), partikulat halus (PM2.5), dan sulfur dioksida (SO2)

 

Latar Belakang: Tantangan dan Kebutuhan Prediksi Kualitas Udara

Kualitas udara dipengaruhi oleh berbagai faktor, seperti emisi industri, transportasi, dan kondisi meteorologi. Penelitian sebelumnya menggunakan model statistik konvensional, namun seringkali terbatas pada data historis dalam jangka waktu pendek dan gagal menangkap dinamika temporal serta spasial yang kompleks.

Mengapa Machine Learning?

Teknik ML modern memungkinkan pemrosesan big data yang mencakup ribuan variabel dalam waktu singkat. Dengan algoritma optimasi skala besar, ML bisa mempelajari pola yang sulit diidentifikasi oleh model tradisional. Dalam paper ini, penulis memanfaatkan pendekatan MTL, mengembangkan model prediksi multi-jam, sekaligus menerapkan regularisasi untuk meningkatkan generalisasi model.

Tujuan Penelitian

1. Meningkatkan akurasi prediksi polutan udara (O3, PM2.5, SO2) dalam rentang waktu 24 jam.
2. Mengurangi kompleksitas model dengan parameter efisien melalui teknik regularisasi.
3. Mengembangkan model multi-task learning (MTL) yang mempertimbangkan hubungan antar waktu (temporal dependencies).
4. Menyediakan solusi prediksi kualitas udara berbasis big data yang dapat diterapkan di berbagai wilayah urban.

Data dan Metodologi Penelitian

1. Sumber Data

• Lokasi Pengambilan Data: Kota Chicago, Amerika Serikat.
• Periode: 10 tahun (2006-2015).
• Sumber Data:
  • EPA Air Quality System (AQS) untuk data polusi udara.
  • MesoWest untuk data meteorologi (angin, suhu, kelembaban, dll.).

Data dikumpulkan dari dua stasiun kualitas udara dan dua stasiun meteorologi, masing-masing di lokasi Alsip Village dan Lemont Village.

2. Fitur Data

• 60 fitur mencakup:
  • 9 variabel meteorologi (angin, suhu, kelembaban, dll.).
  • 31 kondisi cuaca (cerah, hujan, kabut, dll.).
  • 16 arah angin.
  • 2 fitur boolean (weekend/weekday).
  • Data polutan untuk O3, PM2.5, SO2.

Semua data dinormalisasi agar nilai fitur berada di rentang [0,1].

3. Model dan Regularisasi

Peneliti mengembangkan tiga jenis model:

• Baseline Model: Parameter minimal, prediksi setiap jam sama.
• Heavy Model: Kompleks, mempertimbangkan semua variabel 24 jam.
• Light Model: Kompromi antara baseline dan heavy, lebih efisien.

4. Regularisasi yang Diterapkan

• Frobenius Norm: Regularisasi umum pada parameter.
• ℓ2,1-Norm: Memperkuat seleksi fitur antar tugas.
• Nuclear Norm: Menekan rank matriks untuk menangkap keterkaitan antar jam.
• Consecutive Close (CC) Regularization: Pendekatan baru untuk mendekatkan prediksi antar jam berurutan.

Temuan dan Hasil Penelitian

Kinerja Model

• Light Model dengan CC Regularization memberikan hasil terbaik.
• Model ini mengurangi Root Mean Squared Error (RMSE) lebih dari 15% dibanding baseline.
• RMSE untuk O3 di dataset LMA-AV turun dari 0,1324 menjadi 0,11535.

Efisiensi Optimasi

• Penggunaan algoritma LA-SADMM dan ASSG mempercepat konvergensi model 3 kali lipat dibanding metode klasik.

Studi Kasus: Chicago, Amerika Serikat

Chicago dipilih karena mewakili kota besar dengan masalah polusi udara kompleks. Ozon (O3) menjadi perhatian utama karena tidak sesuai standar EPA meskipun emisi NOx dan VOC telah menurun sejak 1970-an. Hasil prediksi menunjukkan bahwa:

• Kondisi meteorologi, seperti kelembaban tinggi dan kecepatan angin rendah, memicu lonjakan konsentrasi PM2.5 dan SO2.
• Prediksi berbasis ML membantu otoritas lingkungan menetapkan peringatan dini polusi hingga 24 jam sebelumnya.

 

Analisis Kritis

Kelebihan Penelitian

✅ Menggunakan dataset besar selama 10 tahun.
✅ Pendekatan multi-task learning (MTL) memperhitungkan korelasi antar jam.
✅ Pengembangan regularisasi baru (CC Regularization) yang intuitif dan efektif.
✅ Efisiensi komputasi ditingkatkan melalui algoritma optimasi canggih.

Keterbatasan

❌ Data hanya dari satu wilayah (Chicago), kurang representatif untuk global.
❌ Belum mengintegrasikan real-time IoT sensor secara langsung.
❌ Fokus pada model linear regression, belum eksplorasi metode deep learning yang mungkin lebih baik.

Perbandingan dengan Studi Sebelumnya

• Kurt dan Oktay (2010): Neural Network untuk prediksi 3 hari sebelumnya, tanpa regularisasi antar waktu.
• Corani (2005): Pruned Neural Network (PNN), hanya prediksi O3 dan PM10.
• Penelitian Zhu et al. (2018) mengungguli studi sebelumnya dengan multi-tasking, regularisasi inovatif, dan evaluasi big data.

 

Implikasi Praktis dan Tren Industri

Potensi di Kota-Kota Besar

Model ini relevan untuk kota seperti Jakarta atau Delhi, di mana prediksi kualitas udara penting untuk kesehatan publik. Implementasi real-time alert system berbasis prediksi ini dapat mengurangi paparan polusi bagi masyarakat.

Transformasi Smart City

• Integrasi dengan IoT dan Edge Computing: Data sensor dapat langsung diproses oleh model prediktif.
• Kebijakan Lingkungan Proaktif: Prediksi berbasis data memungkinkan pemerintah memberlakukan pembatasan lalu lintas atau penutupan industri sementara.

 

Rekomendasi Pengembangan Selanjutnya

1. Integrasi IoT & Edge AI: Prediksi lebih responsif dengan input sensor real-time.
2. Eksplorasi Deep Learning: CNN, RNN, dan Transformer untuk pola temporal yang lebih kompleks.
3. Transfer Learning Multikawasan: Memungkinkan model dilatih di satu lokasi dan diterapkan di wilayah lain.
4. Visualisasi Data Interaktif: Dashboard prediksi yang mudah digunakan masyarakat dan regulator.

 

Kesimpulan: Masa Depan Prediksi Kualitas Udara Berbasis Data

Penelitian ini menunjukkan bahwa multi-task learning dan regularisasi yang tepat dapat menghasilkan model prediksi kualitas udara yang lebih akurat dan efisien. Di masa depan, solusi berbasis machine learning seperti ini akan menjadi bagian integral dari Smart City dan Sustainability Agenda global.

Dengan prediksi akurat hingga 24 jam sebelumnya, masyarakat dapat lebih siap menghadapi polusi udara, sementara pemerintah memiliki data yang kuat untuk pengambilan keputusan berbasis sains.

📖 Sumber Asli:
Dixian Zhu et al. (2018). A Machine Learning Approach for Air Quality Prediction: Model Regularization and Optimization. BDCC, 2(1), 5.
DOI: 10.3390/bdcc2010005

Pendahuluan: Mengapa Prediksi Waktu Panen Itu Penting?

Di dunia pertanian modern, efisiensi dan akurasi dalam proses panen menjadi penentu keberhasilan produksi, terutama pada buah seperti flat peach atau persik pipih. Karakteristik buah ini yang cepat mengalami pelunakan setelah mencapai kematangan membuat waktu panen menjadi krusial. Panen yang terlambat atau terlalu awal bisa menyebabkan kualitas buah menurun, mengurangi daya saing di pasar, dan pada akhirnya berdampak pada nilai ekonomi.

Dalam konteks inilah, penelitian yang dilakukan oleh Fengling Tan, Ping Zhan, Yuyu Zhang, Bin Yu, Honglei Tian, dan Peng Wang berfokus pada pemanfaatan teknologi machine learning, khususnya model Support Vector Regression (SVR), untuk memprediksi tahapan perkembangan flat peach secara lebih akurat berdasarkan atribut rasa yang diukur secara obyektif. Penelitian ini dipublikasikan di jurnal Food Science and Technology pada tahun 2022.

Latar Belakang Penelitian: Kombinasi Evaluasi Sensorik dan Teknologi Digital

Sebelum adanya teknologi prediksi berbasis data, penentuan kematangan buah sering kali bergantung pada pengalaman petani atau pemeriksaan laboratorium yang memakan waktu dan biaya tinggi. Evaluasi rasa secara manual pun memiliki keterbatasan karena subyektivitas dan ketidakpraktisan dalam skala besar.

Tantangan Klasik

• Kesalahan waktu panen menyebabkan kualitas buah menurun.
• Metode sensorik manusia sulit distandarisasi.
• Ketergantungan pada uji laboratorium meningkatkan biaya produksi.

Di sinilah pendekatan berbasis elektronik lidah (electronic tongue) dan SVR menjadi sangat relevan. SVR memungkinkan prediksi berbasis data rasa yang konsisten, cepat, dan dapat diotomatisasi.

 

Tujuan Penelitian

Penelitian ini bertujuan untuk:

1. Memprediksi tahap perkembangan flat peach berdasarkan perubahan atribut rasa, terutama kemanisan, keasaman, dan kepahitan.
2. Mengintegrasikan evaluasi sensorik manusia dan data dari electronic tongue untuk menciptakan model prediksi yang akurat.
3. Mengembangkan model SVR yang mampu membedakan fase kematangan (F6-F7) dan ketidakmatangan (F1-F5) dengan akurasi tinggi.

 

Metodologi Penelitian: Dari Ladang ke Model Prediktif

1. Bahan dan Pengumpulan Data

Flat peach No.1 Xinpan dikumpulkan dari kebun komersial di Shihezi, Xinjiang, China, selama periode 3 Juli hingga 2 Agustus 2020. Buah diambil dalam 7 tahap perkembangan (F1-F7), masing-masing dipanen dalam interval 5 hari, dimulai 90 hingga 120 hari setelah buah mulai tumbuh.

Setiap tahap diwakili oleh 100 buah yang kemudian diproses untuk analisis:

• Analisis indeks fisikokimia (PI): kadar gula (SSC), keasaman titrasi (TA), pH, berat buah.
• Evaluasi sensorik manusia oleh panelis terlatih.
• Pengujian electronic tongue untuk mengukur intensitas rasa seperti manis, asam, pahit, dll.

2. Pengembangan Model SVR

• 28 dataset dikembangkan, dengan 21 untuk pelatihan dan 7 untuk pengujian.
• Model SVR dibuat menggunakan software MATLAB dan libSVM, dengan kernel Gaussian non-linear untuk akurasi yang lebih baik.
• Fitur input: Data rasa dari sensor manusia dan electronic tongue.
• Output: Prediksi tahap perkembangan buah flat peach.

 

Hasil Penelitian: Akurasi Tinggi dan Efisiensi Model SVR

Model SVR menunjukkan kinerja impresif:

• Akurasi klasifikasi sebesar 93,9%, menunjukkan keandalan prediksi dalam membedakan tahap kematangan.
• Mean Squared Error (MSE) sekitar 0,14, dan Squared Correlation Coefficient (SCC) di atas 0,99, mengindikasikan bahwa hasil prediksi sangat sesuai dengan data aktual.

Insight Kunci:

• Rasa manis meningkat, sementara rasa asam dan pahit menurun seiring kematangan buah.
• Electronic tongue mampu mendeteksi perubahan rasa secara akurat, mendekati hasil evaluasi manusia.
• Perbedaan terbesar terletak pada atribut astringency, di mana sensor manusia lebih sensitif dibandingkan electronic tongue.

 

Studi Kasus: Implementasi Teknologi di Perkebunan Buah

Perkebunan di Xinjiang, China

Dengan penggunaan SVR dan electronic tongue, petani di wilayah ini dapat: ✅ Menentukan waktu panen optimal, menghindari kehilangan kualitas akibat panen terlambat atau prematur.
✅ Mengurangi ketergantungan pada tenaga kerja ahli untuk evaluasi sensorik, sehingga menekan biaya.
✅ Meningkatkan nilai jual buah berkat kualitas yang lebih seragam dan terstandarisasi.

Potensi di Indonesia

Untuk komoditas seperti mangga arumanis atau durian montong, yang nilai jualnya sangat bergantung pada kematangan, pendekatan serupa dapat diadopsi. Dengan SVR dan electronic tongue, prediksi kematangan bisa diotomatiskan, meningkatkan daya saing ekspor.

 

Analisis Kritis dan Komparasi dengan Penelitian Sebelumnya

Kelebihan Penelitian Ini

✅ Integrasi human sensory evaluation dan electronic tongue menciptakan data yang lebih kaya dan akurat.
✅ SVR menunjukkan keunggulan dibanding metode statistik klasik dalam menangani dataset kecil tapi kompleks.
✅ Dapat diadaptasi untuk buah lain, seperti apel, stroberi, atau anggur, dengan penyesuaian model minimal.

Kekurangan dan Tantangan

❌ Dataset masih terbatas pada satu varietas flat peach di satu wilayah geografis.
❌ Electronic tongue memiliki keterbatasan dalam mendeteksi atribut rasa tertentu, seperti astringency.
❌ Penelitian belum membahas potensi integrasi IoT untuk pengambilan data lapangan secara real-time.

Komparasi dengan Penelitian Sebelumnya

• Sanaeifar et al. (2016) menggunakan SVR untuk prediksi kualitas pisang, namun tanpa integrasi sensor elektronik.
• Cho et al. (2021) menggabungkan SVR dengan kamera smartphone untuk mendeteksi kematangan alpukat, tetapi hanya berbasis citra visual.

Penelitian ini melangkah lebih jauh dengan memadukan data rasa yang obyektif dan model prediksi ML, menciptakan pendekatan yang lebih komprehensif.

 

Implikasi Praktis untuk Industri Pertanian Modern

1. Mendorong pertanian presisi dengan pendekatan data-driven.
2. Mengurangi food waste, karena panen dilakukan pada waktu yang paling optimal, mengurangi kerusakan pasca panen.
3. Meningkatkan efisiensi logistik: buah yang matang seragam lebih mudah diangkut dan dipasarkan.

Tren Industri Terkini

Di era Agriculture 4.0, integrasi machine learning dan sensor cerdas seperti electronic tongue menjadi bagian penting dari rantai pasok pangan. Di masa depan, sistem seperti ini akan dipadukan dengan IoT dan blockchain untuk memastikan ketelusuran (traceability) dan transparansi kualitas di seluruh siklus produksi.

 

Rekomendasi Pengembangan Selanjutnya

✅ Integrasi IoT dan cloud computing agar prediksi bisa diakses secara real-time oleh petani di lapangan.
✅ Perluasan dataset ke berbagai varietas dan lokasi untuk meningkatkan generalisasi model.
✅ Penggunaan Deep Learning seperti RNN atau Transformer untuk menangkap pola temporal yang lebih kompleks dalam data rasa.

 

Kesimpulan: Masa Depan Pertanian Ada di Tangan Data dan AI

Penelitian ini membuktikan bahwa machine learning, khususnya SVR, mampu membawa perubahan besar dalam cara kita menentukan kematangan buah. Dengan akurasi prediksi yang tinggi, petani dapat memastikan kualitas panen yang konsisten dan meningkatkan daya saing di pasar.

Bagi industri pertanian global, pendekatan ini bukan sekadar inovasi, tetapi juga kebutuhan untuk menjawab tantangan efisiensi, keberlanjutan, dan kualitas pangan di masa depan.

📖 Sumber paper asli:
Tan, F., Zhan, P., Zhang, Y., Yu, B., Tian, H., Wang, P. (2022). Development stage prediction of flat peach by SVR model based on changes in characteristic taste attributes. Food Sci. Technol, Campinas, 42, e18022.
 

Pendahuluan: Transformasi Industri Menuju Efisiensi dan Kualitas Maksimal

Revolusi Industri 4.0 telah membawa perubahan paradigma dalam industri manufaktur global. Dengan semakin luasnya penggunaan Internet of Things (IoT), Big Data, dan kecerdasan buatan (AI), peluang untuk meningkatkan kualitas produk dan memprediksi kebutuhan perawatan mesin menjadi semakin nyata. Penelitian ini merangkum berbagai penerapan AI dalam quality control (QC) dan predictive maintenance, dua aspek krusial yang sering kali menentukan produktivitas dan efisiensi operasional perusahaan manufaktur.

Mengapa ini penting?
Kualitas produk yang konsisten dan keandalan peralatan mesin bukan hanya meningkatkan kepuasan pelanggan, tetapi juga mengurangi biaya produksi akibat perbaikan darurat atau produk cacat yang harus dibuang.

 

Tujuan dan Ruang Lingkup Penelitian

Studi ini bertujuan untuk:

• Memberikan gambaran menyeluruh tentang penerapan AI dalam pengendalian kualitas produk dan perawatan prediktif di lingkungan Industri 4.0.
• Menyajikan eksperimen langsung menggunakan dua dataset: satu untuk prediksi kualitas produk, dan satu lagi untuk prediksi kegagalan komponen mesin.
• Mengulas pendekatan pengembangan solusi AI, termasuk tahap pengumpulan data, analisis, pembuatan model, hingga deployment.

 

Perkembangan Teknologi Industri 4.0: Peluang dan Tantangan

Industri 4.0 menekankan pada interkonektivitas, otomatisasi, dan pengambilan keputusan berbasis data. Ketersediaan data sensorik dari berbagai lini produksi membuka ruang bagi penerapan AI, yang mampu memproses dan menganalisis data dalam skala besar untuk:

• Meningkatkan pengawasan kualitas produk.
• Memprediksi kapan dan di mana mesin akan gagal sebelum kerusakan benar-benar terjadi.

AI dalam Pengendalian Kualitas Produk: Dua Pendekatan Utama

1. Deteksi Cacat (Defect Detection)

Pendekatan ini memanfaatkan computer vision dan deep learning (DL) untuk mendeteksi cacat visual, seperti:

• Cacat pada konektor elektronik.
• Tekstur latar belakang produk yang tidak konsisten.
• Goresan atau kerusakan permukaan.

Studi sebelumnya menunjukkan bahwa CNN (Convolutional Neural Networks) sangat efektif dalam mendeteksi cacat berbasis citra. Namun, tantangannya adalah:

• Kebutuhan annotasi gambar yang besar.
• Tidak semua cacat bersifat visual.

2. Prediksi Cacat (Defect Prediction)

Pendekatan prediksi cacat melibatkan analisis parameter proses produksi. Data numerik dari sensor pada lini produksi digunakan untuk memprediksi kualitas produk yang dihasilkan. Misalnya:

• Deteksi porositas pada velg aluminium.
• Prediksi ketidakakuratan dimensi pada tabung ekstrusi.

Model yang banyak digunakan mencakup:

• XGBoost dan Random Forest, yang mampu mengelola data numerik dan mengidentifikasi pola kompleks.

AI dalam Predictive Maintenance: Mencegah Sebelum Terlambat

Predictive maintenance (pemeliharaan prediktif) bertujuan untuk:

• Mengantisipasi kerusakan mesin berdasarkan data sensor.
• Mengoptimalkan waktu perawatan sehingga tidak mengganggu operasional.

Dua pendekatan utamanya:

1. Failure Prediction: Deteksi dini kemungkinan kegagalan komponen menggunakan data time-series.
2. Remaining Useful Life (RUL) Prediction: Estimasi masa pakai mesin sebelum diperlukan perbaikan.

Studi menunjukkan bahwa Recurrent Neural Networks (RNN), LSTM, dan GRU efektif untuk data time-series dalam memprediksi kegagalan mesin.

Studi Kasus dan Eksperimen: Pembuktian di Dunia Nyata

Peneliti melakukan eksperimen pada dua dataset:

1. Dataset Prediksi Kualitas Produk Plastik (Plastic Injection Molding)
   • Jumlah data: 1.451 record.
   • Model terbaik: Random Forest, akurasi 98%.
   • Insight: Model ensemble seperti XGBoost dan Random Forest unggul karena mampu menangkap variabilitas parameter produksi.
2. Dataset Prediksi Kegagalan Komponen Mesin dari Microsoft
   • Data: 876.100 record dari 100 mesin produksi.
   • Model terbaik: GRU dan XGBoost, akurasi 98%.
   • Insight: Pemanfaatan rekaman data historis (telemetri, error logs) memungkinkan prediksi kegagalan komponen secara presisi.

 

Analisis Tambahan: Apa yang Bisa Kita Pelajari?

Kelebihan Penelitian

✅ Eksperimen menggunakan data industri nyata.
✅ Perbandingan berbagai algoritma AI, dari Machine Learning (ML) klasik seperti SVM hingga Deep Learning (DL) seperti GRU.
✅ Fokus pada data imbalance dan explainability, dua isu utama dalam implementasi AI industri.

Kekurangan dan Tantangan

❌ Ketergantungan pada domain industri spesifik, membuat model sulit diterapkan di sektor berbeda tanpa penyesuaian.
❌ Banyak studi masih berfokus pada deteksi kegagalan saat terjadi, bukan prediksi sebelum terjadi.
❌ Kompleksitas model DL sering kali membuat interpretasi hasil menjadi sulit, menimbulkan tantangan dalam hal transparansi keputusan.

 

Implikasi Praktis untuk Industri

Pengendalian Kualitas Produk

• Deteksi cacat otomatis berbasis AI mengurangi ketergantungan pada tenaga kerja manusia.
• Integrasi AI memungkinkan QC berbasis data, bukan hanya inspeksi visual manual.

Predictive Maintenance

• Mengurangi downtime mesin secara signifikan.
• Efisiensi biaya operasional meningkat karena pemeliharaan berbasis kebutuhan, bukan jadwal rutin.

Studi Kasus Nyata

✅ Otomotif: Toyota telah menerapkan predictive maintenance pada lini perakitan, mengurangi downtime hingga 50%.
✅ Fabrikasi Semikonduktor: AI digunakan untuk deteksi cacat wafer secara real-time, meningkatkan yield produksi.

 

Perbandingan dengan Penelitian Lain

• Dibandingkan penelitian Sanaeifar et al. (2016) tentang prediksi kualitas pisang, pendekatan di paper ini lebih komprehensif karena melibatkan dataset industri dan penggunaan explainable AI (XAI).
• Penelitian Obregon et al. (2021) fokus pada penjelasan hasil prediksi dengan rule-based explanations, sedangkan paper ini mengintegrasikan ensemble learning dan transformer models untuk akurasi yang lebih baik.

 

Rekomendasi dan Prospek Masa Depan

1. Penerapan Edge AI untuk prediksi real-time tanpa latensi data transfer ke cloud.
2. Transfer Learning agar model bisa diadaptasi di berbagai industri tanpa pelatihan ulang besar-besaran.
3. Explainable AI (XAI) harus menjadi standar untuk meningkatkan transparansi dan kepercayaan pengguna industri.
4. Prediksi Multi-Kriteria: QC seharusnya mempertimbangkan lebih dari satu parameter kualitas.

 

Kesimpulan: AI Sebagai Motor Penggerak Industri Masa Depan

Dengan penerapan AI dalam QC dan predictive maintenance, industri kini mampu:

• Memproduksi barang dengan kualitas lebih baik secara konsisten.
• Mengurangi kerugian akibat downtime mesin yang tidak terencana.
• Meningkatkan efisiensi biaya produksi secara signifikan.

Studi ini memperlihatkan bahwa AI bukan lagi sekadar alat bantu, tetapi sudah menjadi bagian integral dari proses produksi modern.

 

Sumber Referensi:

Andrianandrianina Johanesa, T. V., Equeter, L., & Mahmoudi, S. A. (2024). Survey on AI applications for product quality control and predictive maintenance in Industry 4.0. Electronics, 13(5), 976.

Pendahuluan: Era Industri 4.0 dan Pentingnya Prediksi Kualitas

Perkembangan Industry 4.0 menghadirkan paradigma baru di industri manufaktur global. Salah satu pilar utama revolusi ini adalah transformasi digital yang memungkinkan pengumpulan data produksi secara masif dan real-time. Melalui data tersebut, perusahaan dapat mengimplementasikan machine learning (ML) dan deep learning (DL) untuk mengoptimalkan proses produksi, khususnya dalam hal prediksi kualitas produk (Predictive Quality).

Paper karya Sidharth Kiran Sankhye ini mengulas secara mendalam penerapan metode machine learning, khususnya pada proses inspeksi kualitas di lini produksi manufaktur yang kompleks dan berskala besar. Fokus utamanya adalah pada bagaimana algoritma klasifikasi ML dapat membantu memprediksi kepatuhan kualitas produk secara akurat, terutama dalam skenario dengan data yang sangat tidak seimbang (imbalanced data).

 

Latar Belakang dan Tujuan Penelitian

Masalah Utama: Imbalanced Dataset dalam Prediksi Kualitas

Dalam produksi massal, unit produk yang cacat seringkali hanya mencakup sebagian kecil dari total produksi. Inilah yang disebut class imbalance problem, di mana data minoritas (produk cacat) terlalu sedikit dibandingkan dengan data mayoritas (produk sesuai standar). Tantangan ini membuat sebagian besar model ML cenderung bias terhadap kelas mayoritas, sehingga gagal mendeteksi cacat produk secara efektif.

Tujuan Penelitian

Penelitian ini bertujuan untuk:

• Merancang metode klasifikasi berbasis machine learning yang efektif dalam prediksi kualitas produk di lini produksi multi-model.
• Mengatasi tantangan data tidak seimbang melalui feature engineering dan teknik sampling seperti SMOTE.
• Menguji metode tersebut melalui studi kasus pada pabrik manufaktur alat rumah tangga yang memproduksi sekitar 800 unit per hari.

 

Metodologi: Pendekatan Sistematis dalam Klasifikasi Prediktif

Model Klasifikasi yang Digunakan

Peneliti menerapkan dua algoritma utama:

1. Random Forest (RF)
   Algoritma berbasis bagging, menggabungkan banyak decision trees untuk mengurangi overfitting dan meningkatkan akurasi prediksi.
2. XGBoost (Extreme Gradient Boosting)
   Model boosting yang terkenal efisien dan efektif dalam menangani dataset besar dengan berbagai tipe fitur. Dilengkapi dengan regularisasi yang mampu mencegah overfitting.

Feature Engineering: Kunci Peningkatan Akurasi

Dalam industri, data mentah umumnya tidak siap langsung digunakan untuk training model ML. Oleh karena itu, penulis melakukan beberapa teknik feature engineering, antara lain:

• Suspicious Unit Batches: Membuat variabel yang menandai unit-unit yang berada dekat dengan unit cacat dalam alur produksi.
• Proximity to Model Changeover: Mengukur jarak unit terhadap perubahan model produksi, karena pergantian model kerap menjadi sumber kesalahan produksi.
• Model Color Change: Faktor perubahan warna model, yang bisa memengaruhi kemungkinan kesalahan manusia dalam perakitan.

Teknik Penanganan Imbalanced Data

Penulis menerapkan SMOTE (Synthetic Minority Over-sampling Technique) untuk meningkatkan jumlah data dari kelas minoritas (produk cacat). Ini bertujuan menyeimbangkan distribusi data dan memperbaiki akurasi klasifikasi.

 

Studi Kasus: Pabrik Alat Rumah Tangga Multi-Model

Konteks Industri

Studi dilakukan pada lini produksi alat rumah tangga multi-model dengan perubahan model yang cepat (negligible changeover time). Pabrik ini menghasilkan sekitar 800 unit per hari. Namun, permasalahan besar muncul akibat cacat produk, terutama wrong/missing parts, yang baru ditemukan pada tahap inspeksi akhir (Random Customer Acceptance Inspection/RCAI).

Permasalahan yang Dihadapi

• Cacat Produk: Terdapat unit-unit yang lolos dari pemeriksaan awal namun terdeteksi cacat pada RCAI, menyebabkan biaya tinggi akibat recall.
• Inspeksi Manual yang Tidak Efisien: Inspeksi manual lambat dan rentan kesalahan, sehingga membutuhkan sistem prediksi otomatis untuk meningkatkan efisiensi.

 

Hasil dan Analisis Model

Penulis mengevaluasi empat model klasifikasi berbasis kombinasi teknik feature engineering dan algoritma klasifikasi. Hasil evaluasi mengandalkan metrik Cohen’s Kappa dan ROC Curve.

Model A - Tanpa Feature Engineering

• Akurasi tinggi, tetapi prediksi kelas minoritas buruk.
• XGBoost lebih baik dari Random Forest dalam mendeteksi unit cacat, namun 58,89% unit masih gagal dideteksi.

Model B - Dengan Fitur Model Changeover

• Penambahan fitur baru sedikit meningkatkan performa, tetapi tidak signifikan.
• Masalah utama adalah distribusi minoritas fitur yang terlalu kecil.

Model C - Proximity to Model Changeover

• Peningkatan akurasi signifikan, terutama pada prediksi unit cacat.
• XGBoost mendeteksi 98,34% unit cacat secara akurat, sementara Random Forest masih bias terhadap mayoritas.

Model D - Normalized Proximity

• Hasil sedikit lebih buruk dari Model C, menunjukkan bahwa metrik absolut lebih efektif dibandingkan metrik normalisasi dalam konteks ini.

Kesimpulan Analisis

Model XGBoost secara konsisten mengungguli Random Forest, terutama dalam menghadapi imbalanced datasets. Fitur proximity to model changeover menjadi penentu utama dalam keberhasilan prediksi.

 

Kritik dan Perbandingan dengan Penelitian Lain

Kelebihan Penelitian Ini

• Fokus pada real-world application di lingkungan produksi multi-model.
• Penekanan pada pentingnya domain knowledge dalam feature engineering.
• Penggunaan metrik Cohen’s Kappa yang lebih akurat untuk kasus data tidak seimbang.

Kelemahan dan Tantangan

• Dataset yang terbatas hanya mencakup sebagian kecil variabel proses.
• Tidak adanya data sensor atau metrik mesin yang dapat memperkaya model prediksi.

Perbandingan dengan Studi Terkait

Studi oleh Kim et al. (2018) menunjukkan bahwa cost-sensitive learning juga efektif dalam klasifikasi kualitas produksi. Namun, pendekatan Sankhye lebih mengandalkan feature construction, bukan penyesuaian bobot kelas.

 

Arah Masa Depan dan Rekomendasi

1. Integrasi dengan IoT dan Sensor Data
   Implementasi smart sensors untuk mengumpulkan data proses secara otomatis dan real-time akan memperkuat model prediksi.
2. Explainable AI (XAI)
   Memperjelas alasan prediksi model XGBoost penting bagi operator pabrik agar mereka dapat memahami penyebab cacat produk.
3. Transfer Learning untuk Multi-Plant Deployment
   Model yang dikembangkan di satu lini produksi dapat disesuaikan dan digunakan di lini produksi lainnya dengan sedikit penyesuaian.
4. Federated Learning untuk Kolaborasi Multi-Pabrik
   Mengatasi tantangan privasi data, federated learning memungkinkan pelatihan model tanpa memindahkan data antar-pabrik.

 

Dampak Praktis bagi Industri Manufaktur

• Peningkatan Efisiensi: Pengurangan kebutuhan inspeksi manual hingga 50%, seperti yang diantisipasi dalam studi kasus.
• Penurunan Biaya Recall: Sistem prediksi kualitas proaktif mencegah unit cacat mencapai pelanggan.
• Dukungan Proaktif untuk Kualitas Zero-Defect: Menuju konsep zero-defect manufacturing yang menjadi tujuan banyak perusahaan modern.
•  

Kesimpulan Akhir

Penelitian ini membuktikan bahwa penerapan machine learning, khususnya XGBoost dengan feature engineering yang tepat, mampu meningkatkan prediksi kualitas produksi di industri manufaktur secara signifikan. Meskipun terdapat keterbatasan dalam data dan scope penelitian, pendekatan ini memberikan pondasi kuat untuk sistem prediktif yang lebih kompleks dan cerdas di masa mendatang.

Sumber:

Sankhye, Sidharth Kiran. (2020). Machine Learning Methods for Quality Prediction in Manufacturing Inspection. Iowa State University.

Pendahuluan: Mengapa Kualitas Air Penting?

Air mencakup 70% permukaan bumi, namun kualitasnya kian terancam akibat polusi industri dan urbanisasi pesat. Data dari WHO menunjukkan bahwa di negara berkembang, sekitar 80% penyakit disebabkan oleh kualitas air yang buruk, mengakibatkan 5 juta kematian dan 2,5 miliar kasus penyakit tiap tahunnya. Di Pakistan sendiri, kerugian ekonomi akibat penyakit bawaan air diperkirakan mencapai 0,6% hingga 1,44% GDP per tahun.

Secara tradisional, pengujian kualitas air dilakukan melalui analisis laboratorium yang mahal dan memakan waktu, menjadikannya kurang efektif untuk deteksi dini atau pemantauan secara real-time. Hal inilah yang menjadi dasar penelitian ini: menghadirkan pendekatan Machine Learning (ML) untuk prediksi kualitas air yang cepat, murah, dan akurat.

 

Tujuan Penelitian

Penelitian ini bertujuan untuk:

1. Memprediksi Water Quality Index (WQI), indikator numerik utama kualitas air.
2. Mengklasifikasikan Water Quality Class (WQC), kategori kualitas air berdasarkan WQI.

Dengan memanfaatkan algoritma supervised machine learning, studi ini ingin membuktikan bahwa sistem prediksi kualitas air dapat diimplementasikan secara real-time dengan biaya yang terjangkau.

 

Metodologi dan Dataset

Pengumpulan dan Pra-Pemrosesan Data

Data dikumpulkan dari Rawal Watershed, Pakistan, melalui Pakistan Council of Research in Water Resources (PCRWR), mencakup 663 sampel dari 13 lokasi antara 2009 hingga 2012. Parameter utama yang digunakan dalam prediksi meliputi:

• pH
• Turbidity (kekeruhan)
• Temperature
• Total Dissolved Solids (TDS)
• Nitrites
• Fecal Coliform

Setiap parameter dinormalisasi menggunakan Q-Value Normalization dan Z-Score Normalization, memastikan data berada dalam rentang standar yang memungkinkan pembelajaran mesin bekerja secara optimal.

Penanganan Outlier

Peneliti menggunakan Boxplot Analysis untuk mendeteksi dan mengeliminasi outlier, sebuah langkah penting agar model machine learning tidak bias akibat data ekstrem.

 

Algoritma Machine Learning yang Digunakan

Peneliti mengevaluasi berbagai model, baik regresi maupun klasifikasi, seperti:

• Gradient Boosting
• Polynomial Regression
• Random Forest
• Multi-layer Perceptron (MLP)
• Support Vector Machine (SVM)
• K-Nearest Neighbors (KNN)
• Decision Tree
• Logistic Regression

Penekanan utama penelitian ini adalah pada Gradient Boosting untuk prediksi WQI dan MLP untuk klasifikasi WQC, yang menunjukkan hasil paling akurat dibandingkan model lain.

 

Hasil dan Analisis

Prediksi Water Quality Index (WQI)

• Gradient Boosting mencatat Mean Absolute Error (MAE) sebesar 1,9642, Mean Squared Error (MSE) 7,2011, dan R-squared 0,7485.
• Polynomial Regression juga menunjukkan performa baik dengan MAE 2,0037.

Klasifikasi Water Quality Class (WQC)

• MLP mencatat akurasi sebesar 85%, dengan precision 56,59% dan recall 56,40%.

Analisis Tambahan: Meskipun 85% akurasi terdengar memuaskan, dalam konteks sistem monitoring real-time berbasis IoT, ada kebutuhan untuk peningkatan presisi dan recall agar tindakan penanganan bisa lebih cepat dilakukan.

 

Kelebihan Penelitian

1. Sederhana dan Efisien
   Menggunakan empat parameter utama (pH, Turbidity, Temperature, TDS) saja sudah cukup untuk menghasilkan prediksi akurat. Hal ini sangat mengurangi biaya sensor dalam implementasi IoT.
2. Real-Time dan Biaya Rendah
   Dengan model yang efisien, penelitian ini membuka jalan bagi pengembangan sistem pemantauan kualitas air secara real-time tanpa perlu laboratorium mahal.
3. Kontribusi pada Smart City
   Penelitian ini menjadi langkah awal untuk mendukung konsep Smart Water Management System di kota-kota yang sedang berkembang.

 

Kritik dan Keterbatasan

1. Ukuran Dataset Terbatas
   Dataset hanya mencakup 663 sampel dari satu lokasi geografis, membuat generalisasi global masih terbatas.
2. Parameter yang Digunakan Masih Terbatas
   Penelitian ini hanya mengandalkan enam parameter, sementara kualitas air di dunia nyata bisa dipengaruhi oleh banyak faktor lain, seperti logam berat atau senyawa organik berbahaya.
3. Kurangnya Penjelasan Interpretabilitas Model
   Model seperti Gradient Boosting cenderung bersifat "black box", yang menyulitkan dalam penjelasan kepada pemangku kebijakan atau masyarakat umum.

Studi Kasus Relevan dan Penerapan Nyata

India: Pemantauan Sungai Gangga

Teknologi ML serupa telah digunakan di India, di mana sistem prediksi berbasis Random Forest membantu deteksi dini polusi di sungai Gangga. Hasilnya, tingkat BOD dapat dipantau secara dinamis, mencegah pencemaran lebih lanjut.

Eropa: Sistem IoT Water Monitoring

Beberapa negara di Eropa menggunakan IoT + ML untuk mendeteksi pencemaran logam berat di air minum, dengan akurasi mencapai 90%.

Rekomendasi untuk Penelitian Lanjutan

1. Perluasan Dataset Global
   Mengintegrasikan data dari berbagai negara akan memperkuat kemampuan generalisasi model.
2. Eksplorasi Deep Learning
   Penggunaan model Convolutional Neural Network (CNN) atau Recurrent Neural Network (RNN) bisa membuka peluang prediksi spasial-temporal yang lebih akurat.
3. Integrasi IoT dan Cloud Computing
   Kombinasi antara sensor IoT, pengolahan data di edge computing, dan analisis di cloud dapat menciptakan sistem pemantauan kualitas air yang otomatis, scalable, dan efisien secara biaya.

 

Implikasi Praktis bagi Indonesia

Indonesia menghadapi tantangan besar dalam pengelolaan kualitas air, terutama di Sungai Citarum, yang dikenal sebagai salah satu sungai paling tercemar di dunia. Penerapan teknologi machine learning seperti yang dipaparkan dalam paper ini dapat:

• Mengurangi beban kerja laboratorium lingkungan.
• Mendeteksi pencemaran lebih cepat dan murah.
• Memberikan data real-time kepada pengambil kebijakan.

Potensi Implementasi:

• Sistem Early Warning di Danau Toba berbasis sensor pH dan TDS.
• Pemantauan Kualitas Air Laut di Batam untuk industri perikanan.

Kesimpulan: Masa Depan Pengelolaan Air Ada di Machine Learning

Penelitian ini membuktikan bahwa machine learning, khususnya Gradient Boosting dan Multi-layer Perceptron, mampu menjadi solusi masa depan untuk sistem prediksi kualitas air yang efisien, murah, dan siap diterapkan secara luas. Dengan mengandalkan sedikit parameter, sistem ini tetap mampu memberikan hasil yang akurat, menjadi langkah besar menuju manajemen kualitas air berkelanjutan.

 

Sumber Paper:

Ahmed, U., Mumtaz, R., Anwar, H., Shah, A. A., Irfan, R., & García-Nieto, J. (2019). Efficient water quality prediction using supervised machine learning. Water, 11(11), 2210.