Analysis of the Performance of the XGBoost Algorithm in the Feasibility Classification of Vaname Shrimp Pond Water Quality Using Data Before and After Scaling

Abstract

Kualitas air adalah faktor penting yang memengaruhi keberhasilan dalam budidaya udang vaname (Litopenaeus vannamei). Perubahan dalam kualitas air, seperti suhu, pH, salinitas, oksigen terlarut (DO), dan amonia, bisa memengaruhi pertumbuhan, kesehatan, serta tingkat kelangsungan hidup udang. Dengan semakin banyaknya data hasil pemantauan kualitas air, diperlukan cara yang bisa mengklasifikasikan kondisi perairan secara cepat dan tidak memihak. Penelitian ini bertujuan untuk mempelajari bagaimana algoritma Extreme Gradient Boosting (XGBoost) bekerja dalam mengklasifikasikan kualitas air tambak udang vaname, dengan menggunakan data yang telah diubah sebelum dan setelah dilakukan proses scaling. Dataset yang digunakan berasal dari Figshare, kemudian melalui proses analisis data secara eksploratif (EDA), mengatasi nilai-nilai yang hilang, memberi label pada kelas, serta membagi data menjadi bagian latihan dan bagian uji. Uji dilakukan dalam dua skenario, yaitu tanpa melakukan scaling dan dengan menggunakan StandardScaler. Evaluasi tidak hanya melihat akurasi saja, tetapi juga memperhatikan log loss dan selisih overfitting agar menggambarkan kinerja model secara lebih lengkap. Penelitian menunjukkan bahwa model tanpa penyesuaian skala memberikan akurasi 100% dengan log loss yang sangat kecil yaitu 0,014 dan gap overfitting sebesar 0%. Sebaliknya, model yang menggunakan penyesuaian skala mengalami penurunan kinerja dengan akurasi hanya 38,24% dan log loss mencapai 1,239. Analisis pentingnya fitur menunjukkan bahwa parameter amonia memiliki kontribusi terbesar sebesar 44%, disusul oleh pH dengan 40%, suhu sebesar 7,8%, salinitas 4,3%, dan dissolved oxygen sebesar 3,64%.