The Indonesian Journal of Computer Science Research

Komparasi XGBoost dan C4.5 dalam Klasifikasi Risiko Kredit untuk Kelayakan Pinjaman di India

2025-06-05T03:17:38+07:00

Transformasi digital telah mendorong kemajuan signifikan di sektor keuangan, khususnya dalam layanan kredit dan pinjaman. Meskipun proses pengajuan kini semakin mudah, risiko kredit tetap menjadi tantangan utama yang harus diantisipasi secara efektif. Penelitian ini bertujuan untuk membandingkan kinerja algoritma XGBoost dan C4.5 dalam memprediksi dan mengklasifikasikan risiko kredit guna menentukan kelayakan pinjaman. Metode yang digunakan mengikuti tahapan Knowledge Discovery in Data (KDD), meliputi seleksi data, pra-pemrosesan, transformasi, dan pembentukan model. Pengujian dilakukan menggunakan 10-Fold Cross Validation dengan variasi rasio data melalui empat pengujian. Evaluasi kinerja algoritma didasarkan pada metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma C4.5 unggul dibandingkan XGBoost, baik sebelum maupun setelah optimasi hyperparameter menggunakan GridSearchCV. Pada rasio 80:20, C4.5 mencatat akurasi 96,20% dengan AUC sebesar 0,9730. Temuan ini menyimpulkan bahwa C4.5 lebih efektif dalam menangani data berukuran besar dan menghasilkan klasifikasi yang efisien, sementara XGBoost tetap merupakan alternatif kompetitif pasca optimasi. Studi ini memberikan rekomendasi strategis bagi lembaga keuangan dalam meningkatkan akurasi analisis risiko kredit berbasis data

Penerapan Metode First Come First Serve (FCFS) Untuk Pengembangan Sistem Informasi Penjadwalan Produksi

2025-06-27T12:19:39+07:00

Sistem informasi penjadwalan produksi untuk usaha pembuatan box speaker "K3 Production" dikembangkan menggunakan metode prototyping dan model Unified Modeling Language (UML). Sistem ini menerapkan metode First Come First Serve (FCFS) untuk otomatisasi penjadwalan, pengelolaan pesanan, tugas pekerja, dan laporan produksi. Tujuan pengembangan sistem ini untuk meningkatkan efisiensi proses produksi, memperkirakan waktu penyelesaian secara akurat, serta mengatasi masalah penjadwalan manual yang sering menyebabkan keterlambatan dan ketidakteraturan. Sistem ini dirancang agar dapat memenuhi kebutuhan fungsional dan non-fungsional, dilengkapi dengan perangkat keras dan lunak yang sesuai untuk mendukung operasionalnya. Dalam proses pengembangannya, dilakukan pemodelan dan analisis proses bisnis menggunakan BPMN, diagram aktivitas, squence diagram, dan diagram use case guna memberikan visualisasi dari interaksi user dengan sistem. Hasilnya, sistem menyediakan tampilan antarmuka yang memudahkan pengguna seperti halaman utama, input pesanan, jadwal kerja produksi, login, dan laporan produksi. Sistem ini diharapkan dapat membantu UMKM dalam mengelola proses produksi secara otomatis, meningkatkan efisiensi, dan memanfaatkan teknologi informasi secara optimal dalam proses produksi box speaker. Dengan demikian, sistem ini mampu mengatasi tantangan penjadwalan manual dan lonjakan permintaan secara efektif.

Perbandingan Model BERT dan RNN-LSTM pada Analisis Sentimen Aplikasi BRI Mobile

2025-06-27T12:14:08+07:00

Penelitian ini dimaksudkan untuk mengevaluasi serta membandingkan performa dari dua arsitektur deep learning, yakni BERT (Bidirectional Encoder Representations from Transformers) dan RNN-LSTM (Recurrent Neural Network – Long Short-Term Memory), dalam mengklasifikasikan sentimen pada tanggapan pengguna aplikasi BRImo. Kumpulan data diperoleh melalui teknik web scraping di platform Google Play dengan metode pengambilan acak (random sampling), sehingga terkumpul 10.000 ulasan dari total sekitar satu juta ulasan yang tersedia. Proses preprocessing awal mencakup pembersihan teks, penghapusan simbol, angka, URL, serta tokenisasi. Evaluasi awal menunjukkan bahwa model BERT memiliki akurasi sebesar 54%, sedangkan RNN-LSTM memperoleh akurasi 53%. Selanjutnya, dilakukan eksperimen lanjutan dengan menghilangkan proses tokenisasi tambahan pada preprocessing. Hasilnya, akurasi meningkat secara signifikan menjadi 73% untuk BERT dan 70% untuk RNN-LSTM. Peningkatan ini menunjukkan bahwa tokenisasi ganda dapat menurunkan kualitas input ke dalam model. Secara keseluruhan, model BERT terbukti lebih unggul dalam memahami konteks linguistik dalam bahasa Indonesia, terutama dalam menangani ambiguitas dan struktur kalimat kompleks dalam teks ulasan pengguna aplikasi.

Pemodelan Klasifikasi Popularitas Produk Skincare Menggunakan Support Vector Machine (SVM): Studi Komparatif Kinerja Kernel.

2025-07-05T13:37:39+07:00

Pertumbuhan pasar digital telah meningkatkan variasi produk skincare di platform seperti Sephora. Kondisi ini yang pada akhirnya mendorong konsumen menghadapi tantangan dalam penentuan produk yang populer. Oleh karena itu, penelitian ini dilakukan untuk membantu mengidentifikasi popularitas produk skincare melalui pengembangan model klasifikasi berbasis algoritma machine learning. Tujuan penelitian ini adalah membangunodel klasifikasi untuk mengidentifikasi popularitas produk berdasarkan karakteristik produk serta menerapkan algoritma Support Vector Machine (SVM) dengan tiga jenis kernel: linear, RBF, dan polynomial. Data sekunder diperoleh dari Kaggle yang memuat informasi produk skincare di Sephora, dan diolah melalui tahapan CRISP-DM, mulai dari pemahaman bisnis, pembersihan data, labeling popularitas berdasarkan threshold jumlah “loves” dan “reviews”, penyeimbang data dengan Teknik SMOTE, hingga pemodelan menggunakan algoritma Support Vector Machine (SVM) dengan tiga jenis kernel serta evaluasi. Hasil pengujian menunjukkan bahwa kernel linear memberikan akurasi tertinggi sebesar 98,52%. Berdasarkan hasil seleksi fitur, faktor utama yang memengaruhi popularitas produk adalah jumlah ulasan (log_n_of_reviews), jumlah suka (log_n_of_loves), serta rasio interaksi pengguna seperti reviews_to_loves_ratio dan return_on_reviews. Penelitian ini memberikan kontribusi dalam pengembangan model prediksi berbasis machine learning untuk mendukung pengambilan keputusan dalam pemasaran produk skincare

Penerapan Bi-LSTM Untuk Named Entity Recognition Pada Teks Bahasa Indonesia

2025-07-05T13:31:01+07:00

Penelitian ini bertujuan untuk membangun dan mengevaluasi model Named Entity Recognition (NER) berbasis arsitektur Bidirectional Long Short-Term Memory (Bi-LSTM) yang mampu mengenali entitas secara otomatis dalam teks berbahasa Indonesia. Urgensi penelitian ini terletak pada masih minimnya sistem NER yang efektif untuk bahasa Indonesia, terutama pada teks non-formal yang memiliki struktur dan kosakata unik. Permasalahan utama yang diangkat adalah rendahnya akurasi ekstraksi entitas akibat keterbatasan model-model NER sebelumnya dalam memahami konteks bahasa Indonesia yang kompleks dan tidak baku. Data dikumpulkan dari korpus teks Indonesia yang telah dianotasi format BIO (Beginning-Inside-Outside) dan diklasifikasikan dalam jenis entitas seperti Person, Location, Organization, Quantity, dan Time. Proses melibatkan preprocessing (tokenisasi, pelabelan BIO, dan padding), pembangunan arsitektur Bi-LSTM, pelatihan model teknik train-test split (80:20), serta evaluasi menggunakan metrik Precision, Recall, F1-Score, dan confusion matrix. Hasil penelitian menunjukkan model Bi-LSTM berhasil mencapai akurasi keseluruhan sebesar 99% dan F1-Score sebesar 0.99, dengan performa terbaik pada entitas ORGANIZATION dan PERSON. Penelitian ini berkontribusi pada pengembangan NER berbasis budaya lokal serta potensial diterapkan dalam pendidikan, pelestarian budaya, dan pencarian informasi kontekstual berbahasa Indonesia.

Pendekatan BERT Dalam Analisis Sentimen Terhadap Kominfo Di Media Sosial X

2025-07-05T13:34:49+07:00

Perkembangan media sosial telah mengubah pola komunikasi masyarakat, termasuk dalam menyampaikan opini terhadap isu-isu publik. Salah satu isu yang sering dibahas adalah Kementerian Komunikasi dan Informatika (Kominfo). Media sosial X menjadi salah satu platform utama yang digunakan masyarakat untuk menyuarakan pendapat secara terbuka. Oleh karena itu dibutuhkan metode analisis yang mampu menangkap dan memahami sentimen publik. Penelitian ini bertujuan untuk menganalisis sentimen masyarakat terhadap Kominfo menggunakan algoritma Bidirectional Encoder Representations from Transformers (BERT), yang dikenal memiliki kemampuan unggul dalam memahami text. Data dikumpulkan melalui teknik scraping dengan kata kunci "kominfo", kemudian dilakukan tahapan pre-processing seperti cleaning, case folding, translation, tokenization, stopwords removal, dan stemming. Data yang telah dibersihkan kemudian diberi label sentimen menggunakan metode leksikon VADER dan diklasifikasikan ke dalam tiga kategori, positif, netral, dan negatif. Model BERT dilatih menggunakan data yang telah diproses dengan pembagian 80% untuk training, 10% validation, dan 10% testing. Hyperparameter yang digunakan meliputi epoch sebanyak 10, batch size 16, max length 100, learning rate 2e-5, dan dropout 0.3. Hasil evaluation menunjukkan bahwa model BERT mampu mengklasifikasikan sentimen dengan accuracy sebesar 84%, serta nilai precision, recall, dan F1-score yang seimbang di seluruh kelas. Kesimpulan dari penelitian ini adalah bahwa BERT efektif dalam menganalisis opini publik terhadap instansi pemerintah melalui media sosial X.

Perbandingan Algoritma Machine Learning Dalam Analisis Sentimen Isu Gempa Megathrust

2025-07-05T13:29:29+07:00

Isu gempa megathrust menjadi perhatian publik yang signifikan mengingat potensi dampaknya yang besar di wilayah Indonesia. Meningkatnya kesadaran dan kekhawatiran masyarakat terhadap isu ini tercermin dari banyaknya diskusi di berbagai platform media sosial, khususnya YouTube. Melihat fenomena tersebut, penelitian ini dilakukan untuk menganalisis dan mengklasifikasikan sentimen publik terhadap video bertema gempa megathrust. Tujuan utama dari penelitian ini adalah untuk mengkaji persepsi masyarakat melalui komentar di YouTube menggunakan pendekatan machine learning. Penelitian ini menggunakan tiga algoritma utama, yaitu Support Vector Machine dengan tiga jenis kernel yaitu linear, RBF, dan polynomial; Naive Bayes dengan Bernoulli dan Multinomial; serta Decision Tree. Data dikumpulkan melalui teknik scraping pada kolom komentar video YouTube yang relevan, dengan total data sebanyak 4337 komentar. Proses analisis dilakukan melalui sembilan tahap, yaitu pengumpulan data, preprocessing teks, pelabelan sentimen menggunakan lexicon VADER, pembobotan kata menggunakan TF-IDF, penyeimbangan data dengan SMOTE, seleksi fitur dengan mutual information, pembuatan model klasifikasi, evaluasi kinerja model, dan analisis hasil. Evaluasi performa model dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil menunjukkan bahwa algoritma SVM dengan kernel linear memberikan performa terbaik dengan akurasi mencapai 87%. Temuan ini mengonfirmasi bahwa pendekatan machine learning efektif untuk menganalisis opini publik terhadap isu kebencanaan, serta dapat menjadi landasan dalam pengambilan kebijakan mitigasi risiko bencana berbasis persepsi masyarakat.

Evaluasi Kesesuaian Implementasi SIMRS Khanza Berdasarkan Model Human-Organization-Technology Fit (HOT-FIT)

2025-06-30T11:53:01+07:00

Sistem Informasi Manajemen Rumah Sakit (SIMRS) merupakan kunci peningkatan efisiensi operasional dan mutu layanan. Wawancara dengan pengguna di unit rekam medis RS Bhayangkara Nganjuk mengungkap kendala seperti inkonsistensi data, kegagalan tampilan informasi, dan kesulitan penyusunan laporan. Penelitian ini mengevaluasi keberhasilan implementasi SIMRS sekaligus mengidentifikasi faktor determinannya menggunakan model Human‑Organization‑Technology Fit (HOT‑FIT). Pengumpulan data dilakukan melalui wawancara, studi literatur, dan kuesioner HOT‑FIT pada 420 pengguna (sampel ditentukan dengan rumus Slovin). Analisis—dijalankan dengan SPSS—mencakup uji validitas, reliabilitas (Cronbach’s Alpha 0,984), uji t, uji F, dan koefisien determinasi. Ketujuh variabel HOT‑FIT berpengaruh signifikan terhadap keberhasilan sistem, dengan R² 0,879 yang menunjukkan 87,9 % variabilitas keberhasilan dapat dijelaskan oleh model. Hasil ini menegaskan bahwa implementasi SIMRS tergolong berhasil namun tetap memerlukan peningkatan pada mutu sistem, mutu informasi, mutu layanan, intensitas penggunaan, kepuasan pengguna, dan dukungan organisasi

Peningkatan Akurasi Deteksi Liver Disease melalui Hyperparameter Tuning pada Algoritma Random Forest

2025-06-10T17:09:06+07:00

Penyakit liver merupakan salah satu penyebab utama kematian global, sehingga deteksi dini sangat penting untuk mendukung penanganan medis yang cepat dan tepat. Penelitian ini bertujuan meningkatkan akurasi deteksi penyakit liver menggunakan algoritma Random Forest. Dataset yang digunakan adalah Indian Liver Patient Dataset (ILPD) yang terdiri dari 583 entri. Penelitian mengikuti pendekatan CRISP-DM dan menerapkan teknik SMOTE untuk mengatasi ketidakseimbangan kelas serta Grid Search CV untuk optimasi hyperparameter. Berbeda dengan penelitian sebelumnya, studi ini menggabungkan SMOTE dan Grid Search secara sistematis untuk meningkatkan performa model pada dataset ILPD. Hasil menunjukkan bahwa akurasi model meningkat dari 74% menjadi 75%, dengan perbaikan pada precision dan recall, khususnya untuk kelas pasien yang terdiagnosis liver disease.Temuan ini menunjukkan bahwa Random Forest yang dioptimalkan melalui pendekatan ini dapat menjadi metode andal dalam mendukung diagnosis dini penyakit liver.