Klasifikasi Material Lingkungan dengan Machine Learning: Membandingkan algoritma Random Forest, Decision Tree, dan SVM
DOI:
https://doi.org/10.33633/joins.v11i2.16747Kata Kunci:
klasifikasi material lingkungan, Decision Tree, Random Forest, SVM, Earth Intelligence Dataset, machine learningAbstrak
Tanah, air, batuan, mineral maupun logam memiliki karakter material yang hampir serupa, sehingga perlu diklasifikasi. Proses klasifikasi dilakukan dengan mengembangkan dan menguji model menggunakan Decision Tree, Random Forest, dan Support Vector Machine (SVM). Jenis material yang diklasifikasi yaitu Air, Metal, Mineral, Organic, Rock, Sediment, Soil, dan Water, dataset diambil dari Earth Intelligence Dataset (EID) dengan 5.000 sampel dan 42 fitur. Dataset berisi data komposisi kimia, sifat fisik dan data lingkungan, pem-prosesan data dengan imputasi missing value, normalisasi Z-score dan encoding label. Data dipisah 80:20, proses evaluasi menggunakan akurasi, recall, F1-score, sedangkan pengujian dengan cross validation. Hasil penelitian mendapatkan hasil akurasi 98% untuk Decision Tree, 97% Random Forest dan SVM 94,60%. Kelas mineral dan batu memiliki kesamaan karakteristik geologis sehingga proses klasifikasi lebih rumit. Terdapat 5 fitur penting dalam proses klasifikasi ini yaitu, densitas, kadar oksigen, kadar magnesium, sifat termal, dan kadar kalsium. Diketahui bahwa Decision Tree mendapat nilai akurasi tertinggi, dengan standard deviation 0,0036, yang menandakan stabilitas model yang baik. Penelitian berkontribusi pada literatur dengan kombinasi beberapa algoritma yang belum banyak dieksplorasi dalam proses identifikasi material lingkungan berbasis komposisi kimia dan sifat fisik.Referensi
L. Breiman, “Random forests,” Machine Learning, vol. 45, no. 1, pp. 5–32, 2001, doi: 10.1023/A:1010933404324.
T. Hastie, R. Tibshirani, and J. Friedman, The Elements of Statistical Learning: Data Mining, Inference, and Prediction, 2nd ed. New York, NY, USA: Springer, 2009, doi: 10.1007/978-0-387-84858-7.
M. Kuhn and K. Johnson, Feature Engineering and Selection: A Practical Approach for Predictive Models. Boca Raton, FL, USA: CRC Press, 2019, doi: 10.1201/9781315108230
G. James, D. Witten, T. Hastie, and R. Tibshirani, An Introduction to Statistical Learning: With Applications in R, 2nd ed. New York, NY, USA: Springer, 2021, doi: 10.1007/978-1-0716-1418-1.
M. M. Sumon, “Earth Intelligence Dataset: A multi-domain dataset linking material composition & environmental factors.” 2026. [Online]. Available: https://www.kaggle.com/datasets/mdmahfuzsumon/earth-intelligence-dataset
A. Liaw and M. Wiener, “Classification and regression by randomForest,” R News, vol. 2, no. 3, pp. 18–22, Dec. 2002.
F. Pedregosa et al., “Scikit-learn: Machine learning in Python,” Journal of Machine Learning Research, vol. 12, pp. 2825–2830, 2011.
C. M. Bishop, Pattern Recognition and Machine Learning. New York, NY, USA: Springer, 2006.
I. H. Witten, E. Frank, and M. A. Hall, Data Mining: Practical Machine Learning Tools and Techniques, 3rd ed. San Francisco, CA, USA: Morgan Kaufmann, 2011.
A. Karim et al., “Comparison of machine learning algorithms for rice production prediction,” Jurnal RESTI, vol. 8, no. 2, pp. 1–8, 2026.
B. Bijanto, Z. Abidin, F. H. Asy’ari, and R. R. Ali, “An intelligent IoT-based hydroponic irrigation system for strawberry cultivation using extreme gradient boosting decision model,” Jurnal Teknik Informatika (JUTIF), vol. 6, no. 6, pp. 5462–5473, Dec. 2025.
S. Raschka and V. Mirjalili, Python Machine Learning: Machine Learning and Deep Learning with Python, Scikit-learn, and TensorFlow 2, 3rd ed. Birmingham, UK: Packt Publishing, 2019.
A. Géron, Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow, 2nd ed. Sebastopol, CA, USA: O’Reilly Media, 2019.
J. Han, M. Kamber, and J. Pei, Data Mining: Concepts and Techniques, 3rd ed. San Francisco, CA, USA: Morgan Kaufmann, 2011.
S. M. I. Hossain, “Stratified sampling techniques for imbalanced environmental datasets,” Environmental Data Science Journal, vol. 8, no. 1, pp. 34–47, Jun. 2024.
N. K. Dewi and A. H. Pratama, “Label encoding strategies for multi-class environmental material classification,” in Proceedings of the 2025 International Workshop on AI for Earth Sciences, Bandung, Indonesia, Jan. 2025, pp. 112–119.
K. P. Murphy, Machine Learning: A Probabilistic Perspective. Cambridge, MA, USA: MIT Press, 2012.
K. P. Murphy, Probabilistic Machine Learning: Advanced Topics, 2nd ed. Cambridge, MA, USA: MIT Press, 2023.
J. R. Quinlan, C4.5:Programs for Machine Learning. Morgan Kaufmann, 1993.
L. Devroye, L.Györfi, and G. Lugosi, A Probabilistic Theory of Pattern Recognition. New York,NY, USA: Springer, 1996.
C. Cortes and V. Vapnik, “Support-vector networks,” Machine Learning, vol. 20, no. 3, pp. 273–297, 1995, doi: 10.1007/BF00994018.
D. M. W. Powers, “Evaluation: From precision, recall and F-measure to ROC, informedness, markedness and correlation,” Journal of Machine Learning Technologies, vol. 2, no. 1, pp. 37–63, 2011.
C. E. Rasmussen and C. K. I. Williams, Gaussian Processes for Machine Learning. Cambridge, MA, USA: MIT Press, 2006, doi: 10.7551/mitpress/3206.001.0001.
S. Arlot and A. Celisse, “A survey of cross-validation procedures for model selection,” Statistics Surveys, vol. 4, pp. 40–79, 2010, doi: 10.1214/09-SS054
C. Strobl, A.-L. Boulesteix, T. Kneib, T. Augustin, and A. Zeileis, “Conditional variable importance for random forests,” BMC Bioinformatics, vol. 9, Art. no. 307, 2008, doi: 10.1186/1471-2105-9-307.
A. T. W. Min, “Visualization techniques for random forest feature importance in environmental studies,” Journal of Data Visualization and Analytics, vol. 12, no. 1, pp. 1–15, 2024.
##submission.downloads##
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2026 JOINS (Journal of Information System)

Artikel ini berlisensiCreative Commons Attribution-ShareAlike 4.0 International License.
Penulis yang menerbitkan artikel di JOINS (Journal of Information System) menyetujui ketentuan berikut:
- Penulis tetap memegang hak cipta dan memberikan hak publikasi pertama kepada JOINS. Karya ini sekaligus dilisensikan di bawah Lisensi Creative Commons Atribusi 4.0 Internasional (CC BY 4.0), yang memungkinkan pihak lain membagikan dan mengadaptasi karya dengan mencantumkan kredit yang layak kepada penulis dan publikasi awal di jurnal ini, menyertakan tautan lisensi, serta menyatakan jika ada perubahan.
- Penulis dapat membuat perjanjian tambahan terpisah untuk distribusi nonekslusif versi terbitan karya ini (misalnya mengunggahnya ke repositori institusi atau menerbitkannya dalam buku), dengan mencantumkan bahwa karya tersebut pertama kali terbit di JOINS.
- Penulis menjamin bahwa naskah ini asli, belum pernah dipublikasikan di tempat lain, tidak sedang ditinjau oleh jurnal lain, dan tidak melanggar hak pihak ketiga. Materi dari sumber lain harus dikutip dengan benar, dan izin harus diperoleh jika diperlukan.
- Penulis boleh mengunggah preprint naskah, tetapi wajib memberi tahu editor saat submission agar proses double-blind review dapat ditangani dengan semestinya.


















