Sistem akuaponik menggabungkan budidaya akuakultur dan hidroponik. Kualitas
air perlu diperhatikan untuk mendapatkan keberhasilan dalam budidaya. Dua
faktor yang paling penting dalam kualitas air adalah suhu dan oksigen terlarut.
Oksigen terlarut adalah jumlah oksigen dalam air yang berasal dari proses
fotosintesis dan difusi udara. Secara umum, kadar oksigen terlarut yang baik
untuk mendukung metabolisme yang tepat,pertumbuhan dan reproduksi bagi ikan
adalah lebih dari 5 mg/L. Metode machine learning banyak di terapkan dalam
memprediksi kualitas air. Penelitian ini bertujuan untuk mendapatkan model
prediktif jumlah kadar oksigen terlarut pada budidaya perikanan sistem akuaponik.
Hal ini diharapkan memudahkan manusia agar memilih langkah strategi dan
tindakan preventif jika terjadi anomali demi menjaga prinsip keberlanjutan pada
budidaya akuaponik. Pembelajaran mesin (Machine Learning) adalah teknik
untuk melakukan inferensi terhadap data dengan pendekatan matematis . Metode
machine learning yang diterapkan dalam penelitian ini adalah Random Forest
dan XGBoost. Random Forest merupakan algoritma supervised learning yang
terdiri dari sejumlah besar tree yang beroperasi sebagai ansambel. XGBoost
merupakan metode ensemble yang didasarkan pada gradient boosting tree. Data
yang di gunakan merupakan data sekunder yang diakses melalui website kagle,
data diambil dengan menerapkan perangkat internet of thing (IoT) dan lokasinya
berada di universitas Nigeria . Data yang di pakai berupa tiga dataset yaitu kolam
a, kolam b, dan kolam c dengan parameter yang dipakai adalah Suhu
(Temperature), Kekeruhan (Turbidity),Oksigen terlarut (Dissolved Oxygen), pH,
Amonia(Ammonia), dan Nitrat ( Nitrate). Rata- rata kandungan oksigen terlarut
pada kolam a adalah 6 mg/L, pada kolam b adalah 4 mg/L, dan pada kolam c
adalah 12 mg/L. Sehingga hal ini tidak berbahaya bagi ikan. Hasil yang di dapat
berupa model hasil prediksi vs data sebenarnya. Dari penelitian yang sudah
dilakukan, di dapatkan model random forest yang memiliki nilai R2 sekitar 0,7
namun nilai RMSE diatas 1. Sedangkan, model XGBoost yang di dapatkan
memiliki nilai R2 mencapai 0,99 dan nilai RMSE mendekati 0. Hal ini berarti
bahwa nilai prediksi yang di dapatkan pada model Random Forest memiliki
kesalahan yang cukup besar.