Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Jurnal Sistem Komputer dan Informatika (JSON) Impression : Jurnal Teknologi dan Informasi
Hartati Tammamah Lubis
Universitas Prima Indonesia
Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Identifikasi Faktor Dominan Risiko Depresi Remaja Menggunakan XGBoost dengan Interpretasi SHAP Hartati Tammamah Lubis; Randy Brilliant Chandra; Muhammad Nasri Gea; Erica Rian Safitri
Jurnal Sistem Komputer dan Informatika (JSON) Vol. 7 No. 4 (2026): Juni 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/json.v7i4.9864

Abstract

Depresi pada remaja merupakan salah satu masalah kesehatan mental yang dapat memengaruhi kesejahteraan psikologis, prestasi akademik, dan interaksi sosial. Identifikasi faktor-faktor yang berkontribusi terhadap risiko depresi diperlukan untuk mendukung upaya deteksi dini dan pencegahan yang lebih efektif. Penelitian ini bertujuan mengidentifikasi faktor dominan yang berkontribusi terhadap prediksi risiko depresi remaja menggunakan Extreme Gradient Boosting (XGBoost) dengan interpretasi SHapley Additive exPlanations (SHAP). Penelitian memanfaatkan dataset publik yang terdiri atas 1.200 sampel remaja dengan atribut karakteristik individu, kondisi psikologis, penggunaan media sosial, dan aspek gaya hidup. Untuk mengatasi ketidakseimbangan kelas digunakan pendekatan scale_pos_weight, sedangkan evaluasi model dilakukan menggunakan Repeated Stratified Cross Validation. Hasil pengujian menunjukkan rata-rata F1-score sebesar 96,11% dengan standar deviasi 5,66%, yang mengindikasikan performa klasifikasi yang baik dan konsisten. Analisis SHAP menunjukkan bahwa sleep_hours, stress_level, daily_social_media_hours, dan anxiety_level merupakan variabel yang memberikan kontribusi terbesar terhadap prediksi model. Temuan ini menunjukkan bahwa pada dataset yang digunakan, berkurangnya durasi tidur, tingginya tingkat stres dan kecemasan, serta penggunaan media sosial yang lebih intens berkontribusi terhadap peningkatan prediksi risiko depresi. Selain menghasilkan performa klasifikasi yang baik, pendekatan XGBoost dengan SHAP juga meningkatkan transparansi model dalam menjelaskan kontribusi masing-masing variabel terhadap hasil prediksi. Hasil penelitian ini bersifat prediktif berdasarkan dataset yang digunakan dan tidak dimaksudkan sebagai dasar diagnosis klinis depresi.
Optimasi Random Forest untuk Peningkatan Sensitivitas Deteksi Fraud pada Data Imbalanced Hartati Tammamah Lubis; Adi Harianto
Impression : Jurnal Teknologi dan Informasi Vol. 5 No. 1 (2026): Maret 2026
Publisher : Lembaga Riset Ilmiah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59086/jti.v5i1.1395

Abstract

Deteksi fraud pada transaksi keuangan merupakan permasalahan krusial akibat ketidakseimbangan data (imbalanced dataset) dan tingginya risiko kerugian finansial. Penelitian ini bertujuan mengoptimasi model Random Forest dalam mendeteksi transaksi fraud menggunakan dataset credit.csv. Proses optimasi dilakukan melalui RandomizedSearchCV untuk memperoleh kombinasi hyperparameter terbaik serta penyesuaian threshold probabilitas untuk meningkatkan nilai recall. Hasil eksperimen menunjukkan model mencapai nilai ROC-AUC sebesar 0.97 +, dengan recall fraud meningkatkan dari 0.83 pada threshold default menjadi 0.90 pada threshold 0.2. Hasil ini menunjukkan bahwa optimasi hyperparameter dan threshold efektif dalam meningkatkan sensitivitas sistem terhadap transaksi fraud.   Financial transaction fraud detection is a critical problem due to class imbalance in the dataset and the high financial losses associated with undetected fraudulent activities. This study aims to optimize a Random Forest model for detecting fraudulent transactions using the creditcard.csv dataset. The optimization process was conducted using RandomizedSearchCV to identify the best hyperparameter combination, and a probability threshold adjustment to improve recall performance. Experimental results show that the optimized model achieved an ROC-AUC score above 0.97, with fraud recall increasing from 0.83 at the default threshold to 0.90 at a threshold of 0.2. These findings indicate that hyperparameter tuning and threshold optimization effectively enhance the system's sensitivity to detecting fraudulent transactions.
Co-Authors Adi Harianto Erica Rian Safitri Muhammad Nasri Gea Randy Brilliant Chandra