J-Icon : Jurnal Komputer dan Informatika https://ejurnal.undana.ac.id/index.php/jicon <p style="text-align: right;"><strong>ISSN:&nbsp;<a href="http://https://issn.brin.go.id/terbit?search=26544091" target="_blank" rel="noopener">2337-7631(Printed)</a></strong></p> <p style="text-align: right;"><strong>ISSN: <a href="https://issn.brin.go.id/terbit?search=26544091" target="_blank" rel="noopener">2654-4091 (Online)</a></strong></p> <p style="text-align: justify; line-height: 2em;">J-Icon : Jurnal Komputer dan Informatika diterbitkan dua kali dalam setahun (Maret dan Oktober) oleh Jurusan Ilmu Komputer Fakultas Sains dan Teknik Undana. Jurnal ini menerbitkan artikel hasil penelitian yang belum diterbitkan di bidang Ilmu Komputer. Persyaratan kontribusi terdapat pada halaman dalam kulit belakang setiap nomor terbitan.</p> <p style="text-align: justify; line-height: 2em;">J-Icon : Jurnal Komputer dan Informatika terakreditasi Nasional Sinta 4 berdasarkan Surat keuptusan Direktur Jenderal Pendidikan Tinggi, Riset, dan Teknologi, Kementerian Pendidikan dan Kebudayaan, Riset dan Teknologi Indonesia dengan Nomor&nbsp;<span class="VIiyi" lang="en"><strong>225/E/KPT/2022</strong></span><strong>.</strong></p> en-US <p>Penulis yang mengirimkan naskah harus memahami dan menyetujui bahwa jika diterima untuk diterbitkan, penulis memiliki hak cipta dan memberikan jurnal hak publikasi pertama dengan karya yang dilisensikan secara bersamaan di bawah <a href="https://creativecommons.org/licenses/by/4.0/">Creative Commons Attribution (CC-BY) 4.0 License</a>&nbsp; yang memungkinkan orang lain untuk berbagi karya dengan pengakuan kepenulisan karya dan publikasi awal dalam jurnal ini.</p> <p>&nbsp;</p> jicon@undana.ac.id (Dony Martinus Sihotang) jicon@undana.ac.id (Juan R.M Ledoh) Tue, 12 Aug 2025 00:00:00 +0000 OJS 3.1.1.2 http://blogs.law.harvard.edu/tech/rss 60 CONSTRUCTING A DATASET FOR INFECTIOUS DISEASE PREDICTION AND SPATIAL CLUSTER ANALYSIS https://ejurnal.undana.ac.id/index.php/jicon/article/view/23729 <p data-start="80" data-end="740">Penelitian ini menyajikan metodologi terstruktur dalam membangun dataset khusus yang berasal dari catatan kunjungan pasien selama periode tiga tahun (1 Januari 2019 – 31 Desember 2021) di sebuah fasilitas pelayanan kesehatan di Kabupaten Bandung, Indonesia. Catatan medis mentah tersebut secara sistematis diubah menjadi dataset yang siap digunakan untuk pemodelan machine learning, melalui proses ekstraksi fitur, pelabelan, dan pengayaan spasial. Transformasi utama mencakup penghapusan informasi identitas pribadi, standarisasi gejala klinis menjadi variabel terstruktur, serta pemberian label diagnosis dan rujukan sesuai dengan standar klasifikasi ICD-10.</p> <p data-start="742" data-end="1159">Selain itu, dataset ini diperkaya dengan koordinat spasial—longitude dan latitude—untuk memungkinkan analisis geospasial seperti estimasi radius penularan, klasterisasi berdasarkan kedekatan geografis, serta identifikasi kepadatan kasus di suatu wilayah. Struktur ini mendukung penerapan metode pembelajaran terawasi maupun tidak terawasi, termasuk klasifikasi penyakit, prediksi rujukan, dan deteksi klaster spasial.</p> <p data-start="1161" data-end="1724">Dataset yang dihasilkan telah berhasil digunakan dalam berbagai eksperimen lanjutan, antara lain klasifikasi penyakit, prediksi status rujukan, interpretasi pentingnya fitur menggunakan SHAP dan LIME, klasterisasi geospasial, serta generasi data sintetis untuk mengatasi tantangan terkait privasi dan keterbatasan ketersediaan data. Metodologi yang diuraikan dalam studi ini diharapkan dapat mendukung penelitian lanjutan di bidang analitik kesehatan serta berkontribusi pada pengembangan sistem pendukung keputusan dan perencanaan kebijakan kesehatan masyarakat.</p> <p data-start="1726" data-end="1796" data-is-last-node="" data-is-only-node="">&nbsp;</p> Husni Iskandar Pohan ##submission.copyrightStatement## http://creativecommons.org/licenses/by/4.0 https://ejurnal.undana.ac.id/index.php/jicon/article/view/23729 Tue, 12 Aug 2025 12:24:12 +0000 A COMPARATIVE STUDY OF SUPERVISED FEATURE SELECTION METHODS FOR PREDICTING UANG KULIAH TUNGGAL (UKT) GROUPS https://ejurnal.undana.ac.id/index.php/jicon/article/view/23893 <p><span style="vertical-align: inherit;"><span style="vertical-align: inherit;">Penentuan Uang Kuliah Tunggal (UKT) di perguruan tinggi negeri selama ini masih bergantung pada verifikasi manual dokumen sosio-ekonomi, yang rentan terhadap subjektivitas, memakan waktu, dan memicu banding. Penelitian ini mengkaji efektivitas lima teknik </span><em><span style="vertical-align: inherit;">seleksi fitur- filter ( </span></em></span><em><span style="vertical-align: inherit;"><span style="vertical-align: inherit;">Chi-Square</span></span></em><span style="vertical-align: inherit;"><span style="vertical-align: inherit;"> ), </span></span><em><span style="vertical-align: inherit;"><span style="vertical-align: inherit;">embedded</span></span></em><span style="vertical-align: inherit;"><span style="vertical-align: inherit;"> ( </span></span><em><span style="vertical-align: inherit;"><span style="vertical-align: inherit;">Random Forest Importance</span></span></em><span style="vertical-align: inherit;"><span style="vertical-align: inherit;"> , </span></span><em><span style="vertical-align: inherit;"><span style="vertical-align: inherit;">LASSO</span></span></em><span style="vertical-align: inherit;"><span style="vertical-align: inherit;"> ), </span></span><em><span style="vertical-align: inherit;"><span style="vertical-align: inherit;">wrapper</span></span></em><span style="vertical-align: inherit;"><span style="vertical-align: inherit;"> ( Recursive Feature Elimination </span><span style="vertical-align: inherit;">), dan reduksi tak berlabel ( </span><em><span style="vertical-align: inherit;">Exploratory Factor Analysis</span></em><span style="vertical-align: inherit;"> ) dalam meningkatkan kinerja lima algoritma klasifikasi ( </span><em><span style="vertical-align: inherit;">Decision Tree, Random Forest, SVM-RBF, K-Nearest Neighbor, Naïve Bayes</span></em><span style="vertical-align: inherit;"> ) pada </span><em><span style="vertical-align: inherit;">dataset</span></em><span style="vertical-align: inherit;"> UKT UNESA (9.369 entri × 53 variabel). Data dipra-proses dengan imputasi, </span><em><span style="vertical-align: inherit;">scaling, coding, dan SMOTE-NC</span></em><span style="vertical-align: inherit;"> , kemudian dievaluasi menggunakan </span><em><span style="vertical-align: inherit;">Stratified 5-fold CV</span></em><span style="vertical-align: inherit;"> dan </span><em><span style="vertical-align: inherit;">hold-out test</span></em><span style="vertical-align: inherit;"> (80:20). Hasil menunjukkan bahwa penggunaan seluruh 53 fitur ( </span><em><span style="vertical-align: inherit;">baseline</span></em><span style="vertical-align: inherit;"> ) memberikan akurasi </span><em><span style="vertical-align: inherit;">rata-rata tertimbang</span></em><span style="vertical-align: inherit;"> sebesar 0,6244 ± 0,0057. Seleksi fitur menggunakan </span><em><span style="vertical-align: inherit;">LASSO-13</span></em><span style="vertical-align: inherit;"> dan </span><em><span style="vertical-align: inherit;">Chi-Square-13</span></em><span style="vertical-align: inherit;"> secara signifikan meningkatkan akurasi rata-rata menjadi 0,7300 dan 0,6775, masing-masing, serta mengurangi waktu pelatihan hingga 40–70%. </span><em><span style="vertical-align: inherit;">SVM-RBF</span></em><span style="vertical-align: inherit;"> dengan </span><em><span style="vertical-align: inherit;">LASSO-13</span></em><span style="vertical-align: inherit;"> mencapai akurasi tertinggi (0,7939), diikuti </span><em><span style="vertical-align: inherit;">Random Forest-Chi-Square</span></em><span style="vertical-align: inherit;"> (0,6987) dan </span><em><span style="vertical-align: inherit;">Decision Tree-LASSO</span></em><span style="vertical-align: inherit;"> (0,7111). </span><em><span style="vertical-align: inherit;">Uji Friedman</span></em><span style="vertical-align: inherit;"> terhadap model distribusi pada enam kondisi konfirmasi perbedaan signifikan (χ²=15,06; p=0,010). Temuan ini menegaskan bahwa seleksi fitur khususnya </span><em><span style="vertical-align: inherit;">LASSO</span></em><span style="vertical-align: inherit;"> dan </span><em><span style="vertical-align: inherit;">Chi-Square</span></em><span style="vertical-align: inherit;"> mampu mereduksi kompleksitas data (dari 53 hingga 13 fitur) tanpa mengorbankan, bahkan meningkatkan kinerja model prediktif UKT. Rekomendasi meliputi integrasi metode seleksi seleksi dalam verifikasi UKT otomatis dan publikasi daftar fitur untuk transparansi.</span></span></p> Windy Chikita Cornia Putri, Wiyli Yustanti, Ervin Yohannes ##submission.copyrightStatement## http://creativecommons.org/licenses/by/4.0 https://ejurnal.undana.ac.id/index.php/jicon/article/view/23893 Sun, 31 Aug 2025 12:14:38 +0000 Optimasi Hiperparameter Model Pembelajaran Mesin Untuk Klasifikasi Data Survey Langit https://ejurnal.undana.ac.id/index.php/jicon/article/view/18493 <p>Dalam menemukan model yang optimal di tengah popularitas berbagai aplikasi pembelajaran mesin saat ini, tetap menjadi sebuah tantangan yang cukup penting. Selain ketergantungan pada data, kinerja model klasifikasi juga dipengaruhi oleh pemilihan algoritma yang sesuai dengan pengaturan hyperparameter yang optimal. Penelitian ini melakukan proses optimasi <em>hyperparameter</em> dan membandingkan hasil akurasi melalui penerapan berbagai model klasifikasi pada dataset observasi. Penelitian ini memperoleh data dari <em>Sloan Digital Sky Survey Data Release&nbsp;</em>18 (SDSS-DR18) dan <em>Sloan Extension for Galactic Understanding and Exploration</em> (SEGUE-IV). Kumpulan data SDSS-DR18 dan SEGUE-IV menunjukkan kumpulan data pengamatan objek ruang angkasa, seperti spektrum bintang dengan posisi dan magnitudo yang sesuai dengan galaksi atau bintang. Kumpulan data SDSS-DR18 berisi data magnitudo dan <em>redshift</em> objek langit dengan fitur target bintang, <em>Quasi Stellar Object</em> (QSO), dan galaksi. Sedangkan, kumpulan data SEGUE-IV berisi parameter lebar ekuivalen, indeks sebaris, dan fitur lainnya untuk kecepatan radial spektrum bintang yang sesuai. Penelitian ini menggunakan beberapa model pembelajaran mesin, seperti k-<em>Nearest Neighbor</em> (KNN), <em>Gaussian-Naive Bayes</em>, <em>eXtreme Gradient Boosting</em> (XGBoost), <em>Random Forest</em>, <em>Support Vector Machine</em> (SVM), dan <em>Multi-Layer Perceptron</em> (MLP). Penelitian ini menggunakan pendekatan berbasis <em>Bayesian, Grid,</em> dan <em>Random</em> untuk menemukan <em>hyperparameter</em> yang optimal untuk memaksimalkan kinerja model klasifikasi. Penelitian ini membuktikan bahwa beberapa model klasifikasi mengalami peningkatan nilai akurasi melalui pengaturan optimasi <em>hyperparameter</em> berbasis Bayesian. Penelitian ini menemukan model XGBoost menunjukkan hasil klasifikasi tertinggi setelah dilakukan optimasi <em>hyperparameter</em> dibandingkan dengan model lainnya untuk kedua dataset dengan rata-rata akurasi masing-masing sebesar 99,10% dan 95,11%.</p> Efraim Kurniawan Dairo Kette ##submission.copyrightStatement## http://creativecommons.org/licenses/by/4.0 https://ejurnal.undana.ac.id/index.php/jicon/article/view/18493 Fri, 26 Sep 2025 12:40:08 +0000