Vincentius Jason Nyoto
Universitas Katolik Darma Cendika

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

Analisis Perbandingan Algoritma Random Forest, Decision Tree Dan Naive Bayes Dalam Mendeteksi Spam SMS Vincentius Jason Nyoto; Yosefina Finsensia Riti; Rafael Valentino Patrick Tantokusumo
Jurnal Sains Informatika Terapan Vol. 5 No. 1 (2026): Jurnal Sains Informatika Terapan (Februari, 2026)
Publisher : Riset Sinergi Indonesia (RISINDO)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62357/jsit.v5i1.1007

Abstract

Dalam penelitian ini, dilakukan analisis bandingan yang mendalam terhadap tiga algoritma machine learning untuk mendeteksi spam SMS, yaitu Random Forest, Decision Tree, dan Naive Bayes. Dataset UCI SMS Spam Collection yang memiliki 5.572 pesan digunakan, dan pipeline penuh dijalankan mulai dari menghapus duplikat, ekstraksi fitur TF-IDF, sampai augmentasi data apabila perlu. Pada tahap prapemrosesan, terdapat 403 pesan duplikat yang dibuang (sekitar 7,2%), sehingga akhirnya tersisa 5.169 sampel unik. Model-model ini dilatih dengan split data 80-20 untuk latih dan uji, dan dievaluasi secara menyeluruh menggunakan metrik seperti akurasi, presisi, recall, F1-score, serta matriks kebingungan. Hasilnya menunjukkan ketiga algoritma ini memiliki performa yang sangat tinggi, dengan Naive Bayes yang paling unggul dengan akurasi mencapai 98,1%, lalu Random Forest 97,8%, dan Decision Tree 96,4%. Dari analisis kurva pembelajaran, model konvergen dengan baik dan tidak terlalu overfit. Penelitian ini juga memberikan enam visualisasi lengkap, mulai dari analisis duplikat, distribusi data, word cloud, breakdown split data latih-uji, kurva pembelajaran, sampai matriks kebingungan. Pendekatan machine learning klasik ternyata masih sangat efektif untuk deteksi spam SMS.
Analisis Perbandingan Algoritma Random Forest, Decision Tree Dan Naive Bayes Dalam Mendeteksi Spam SMS Vincentius Jason Nyoto; Yosefina Finsensia Riti; Rafael Valentino Patrick Tantokusumo
Jurnal Sains Informatika Terapan Vol. 5 No. 1 (2026): Jurnal Sains Informatika Terapan (Februari, 2026)
Publisher : Riset Sinergi Indonesia (RISINDO)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62357/jsit.v5i1.1007

Abstract

Dalam penelitian ini, dilakukan analisis bandingan yang mendalam terhadap tiga algoritma machine learning untuk mendeteksi spam SMS, yaitu Random Forest, Decision Tree, dan Naive Bayes. Dataset UCI SMS Spam Collection yang memiliki 5.572 pesan digunakan, dan pipeline penuh dijalankan mulai dari menghapus duplikat, ekstraksi fitur TF-IDF, sampai augmentasi data apabila perlu. Pada tahap prapemrosesan, terdapat 403 pesan duplikat yang dibuang (sekitar 7,2%), sehingga akhirnya tersisa 5.169 sampel unik. Model-model ini dilatih dengan split data 80-20 untuk latih dan uji, dan dievaluasi secara menyeluruh menggunakan metrik seperti akurasi, presisi, recall, F1-score, serta matriks kebingungan. Hasilnya menunjukkan ketiga algoritma ini memiliki performa yang sangat tinggi, dengan Naive Bayes yang paling unggul dengan akurasi mencapai 98,1%, lalu Random Forest 97,8%, dan Decision Tree 96,4%. Dari analisis kurva pembelajaran, model konvergen dengan baik dan tidak terlalu overfit. Penelitian ini juga memberikan enam visualisasi lengkap, mulai dari analisis duplikat, distribusi data, word cloud, breakdown split data latih-uji, kurva pembelajaran, sampai matriks kebingungan. Pendekatan machine learning klasik ternyata masih sangat efektif untuk deteksi spam SMS.
Analisis Komparatif Model Statistik Dan Probabilistik Untuk Peramalan Harga Emas Dan Pengukuran Risiko Vincentius Jason Nyoto; Yosefina Finsensia Riti; Steven Christian Rudyanto
Jurnal Sains Informatika Terapan Vol. 5 No. 3 (2026): Jurnal Sains Informatika Terapan (Oktober, 2026)
Publisher : Riset Sinergi Indonesia (RISINDO)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62357/jsit.v5i3.1222

Abstract

Pergerakan harga emas yang dipengaruhi oleh volatilitas pasar dan ketidakpastian ekonomi memerlukan metode peramalan serta analisis risiko yang akurat. Penelitian ini bertujuan membandingkan kinerja Autoregressive Integrated Moving Average (ARIMA), Generalized Autoregressive Conditional Heteroskedasticity (GARCH), Extreme Value Theory (EVT), Monte Carlo Simulation berbasis Geometric Brownian Motion (GBM), dan Random Walk dalam peramalan harga emas dan analisis risiko. Data historis harga emas harian periode 1 Maret 2020 hingga 2 April 2026 yang diperoleh dari Investing.com dianalisis melalui tahapan pre-processing, transformasi log return, pemodelan, serta evaluasi menggunakan Mean Absolute Error (MAE), Root Mean Square Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Risiko investasi diukur menggunakan Value-at-Risk (VaR) dan Conditional Value-at-Risk (CVaR). Hasil penelitian menunjukkan bahwa model ARIMA(1,1,1) memberikan akurasi peramalan terbaik dengan nilai MAE 396,14, RMSE 454,31, dan MAPE 9,15%. Adapun GARCH efektif memodelkan volatilitas, EVT mampu mengidentifikasi risiko ekstrem, Monte Carlo menghasilkan distribusi probabilistik pergerakan harga, dan Random Walk digunakan sebagai model pembanding. Hasil penelitian menunjukkan bahwa kombinasi beberapa pendekatan memberikan analisis peramalan dan risiko yang lebih komprehensif dibandingkan penggunaan satu metode tunggal.