J-Icon : Jurnal Komputer dan Informatika

CONSTRUCTING A DATASET FOR INFECTIOUS DISEASE PREDICTION AND SPATIAL CLUSTER ANALYSIS

Husni Iskandar Pohan — Tue, 12 Aug 2025 12:24:12 +0000

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.

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.

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.

A COMPARATIVE STUDY OF SUPERVISED FEATURE SELECTION METHODS FOR PREDICTING UANG KULIAH TUNGGAL (UKT) GROUPS

Windy Chikita Cornia Putri, Wiyli Yustanti, Ervin Yohannes — Sun, 31 Aug 2025 12:14:38 +0000

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 seleksi fitur- filter ( Chi-Square ), embedded ( Random Forest Importance , LASSO ), wrapper ( Recursive Feature Elimination ), dan reduksi tak berlabel ( Exploratory Factor Analysis ) dalam meningkatkan kinerja lima algoritma klasifikasi ( Decision Tree, Random Forest, SVM-RBF, K-Nearest Neighbor, Naïve Bayes ) pada dataset UKT UNESA (9.369 entri × 53 variabel). Data dipra-proses dengan imputasi, scaling, coding, dan SMOTE-NC , kemudian dievaluasi menggunakan Stratified 5-fold CV dan hold-out test (80:20). Hasil menunjukkan bahwa penggunaan seluruh 53 fitur ( baseline ) memberikan akurasi rata-rata tertimbang sebesar 0,6244 ± 0,0057. Seleksi fitur menggunakan LASSO-13 dan Chi-Square-13 secara signifikan meningkatkan akurasi rata-rata menjadi 0,7300 dan 0,6775, masing-masing, serta mengurangi waktu pelatihan hingga 40–70%. SVM-RBF dengan LASSO-13 mencapai akurasi tertinggi (0,7939), diikuti Random Forest-Chi-Square (0,6987) dan Decision Tree-LASSO (0,7111). Uji Friedman terhadap model distribusi pada enam kondisi konfirmasi perbedaan signifikan (χ²=15,06; p=0,010). Temuan ini menegaskan bahwa seleksi fitur khususnya LASSO dan Chi-Square 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.

Optimasi Hiperparameter Model Pembelajaran Mesin Untuk Klasifikasi Data Survey Langit

Efraim Kurniawan Dairo Kette — Fri, 26 Sep 2025 12:40:08 +0000

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 hyperparameter dan membandingkan hasil akurasi melalui penerapan berbagai model klasifikasi pada dataset observasi. Penelitian ini memperoleh data dari Sloan Digital Sky Survey Data Release 18 (SDSS-DR18) dan Sloan Extension for Galactic Understanding and Exploration (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 redshift objek langit dengan fitur target bintang, Quasi Stellar Object (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-Nearest Neighbor (KNN), Gaussian-Naive Bayes, eXtreme Gradient Boosting (XGBoost), Random Forest, Support Vector Machine (SVM), dan Multi-Layer Perceptron (MLP). Penelitian ini menggunakan pendekatan berbasis Bayesian, Grid, dan Random untuk menemukan hyperparameter yang optimal untuk memaksimalkan kinerja model klasifikasi. Penelitian ini membuktikan bahwa beberapa model klasifikasi mengalami peningkatan nilai akurasi melalui pengaturan optimasi hyperparameter berbasis Bayesian. Penelitian ini menemukan model XGBoost menunjukkan hasil klasifikasi tertinggi setelah dilakukan optimasi hyperparameter dibandingkan dengan model lainnya untuk kedua dataset dengan rata-rata akurasi masing-masing sebesar 99,10% dan 95,11%.