Muhammad Nasri Gea
Akademi Manajemen Informatika dan Komputer ITMI

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

Found 3 Documents
Search

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.
Analisis dan Pengembangan Sistem Monitoring Berbasis Web untuk Meningkatkan Efektivitas Pengawasan Data secara Real Time Ammar Yasir Nasution; Muhammad Nasri Gea; Raja Anan Nasution; Efa Octavia Jawak; Marvin Frans Sakti Hutabarat; Joslen Sinaga
All Fields of Science Journal Liaison Academia and Sosiety Vol. 6 No. 2: Juni 2026
Publisher : Lembaga Komunikasi dan Informasi Dosen

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.58939/afosj-las.v6i2.1491

Abstract

Pengawasan data yang masih dilakukan melalui laporan manual file terpisah dan rekap berkala menimbulkan masalah keterlambatan informasi duplikasi data dan lemahnya keterlacakan perubahan Penelitian ini bertujuan menganalisis dan mengembangkan sistem monitoring berbasis web untuk meningkatkan efektivitas pengawasan data secara real time Metode penelitian menggunakan pendekatan research and development dengan prototyping dimulai dari identifikasi kebutuhan perancangan arsitektur implementasi prototipe pengujian fungsional dan evaluasi efektivitas Pengembangan sistem mengacu pada literatur dashboard real time kualitas perangkat lunak ISO IEC 25010:2023 keamanan API usability serta praktik secure software development tahun 2022 2025 Hasil pengujian skenario prototipe menunjukkan seluruh fungsi utama berjalan valid waktu akses informasi turun dari sekitar 15 menit menjadi 10 detik skor ketertelusuran perubahan meningkat dari 2 1 menjadi 4 6 dan skor kemudahan pengawasan meningkat dari 2 4 menjadi 4 4 Temuan ini menunjukkan bahwa sistem monitoring berbasis web dapat mempercepat visibilitas data memperkuat audit trail dan mendukung keputusan pengawasan berbasis informasi terbaru < p>
Analisis Kontribusi Fitur Bertahap dan Stabilitas Penjelasan SHAP pada Prediksi Risiko Diabetes Menggunakan XGBoost Juni Ismail; Raja Anan Nasution; Muhammad Nasri Gea; Evi Handayani
JURIKOM (Jurnal Riset Komputer) Vol. 13 No. 5 (2026): Oktober 2026
Publisher : Universitas Budi Darma

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30865/jurikom.v15i5.10234

Abstract

Model prediksi diabetes berbasis data tabular kerap dilaporkan dengan akurasi di atas 96%, padahal rendahnya prevalensi kasus membuat akurasi tersebut condong pada kelas mayoritas. Selain itu, fitur non-invasif dan penanda diagnostik umumnya digabungkan dalam satu model, sementara penjelasan SHAP jarang diuji kestabilannya. Penelitian ini bertujuan mengukur kontribusi marginal setiap kelompok fitur sekaligus menguji stabilitas penjelasan model. Sebanyak 96.128 rekam data dengan prevalensi diabetes 8,82% dimodelkan dalam empat tahap fitur, yaitu demografi dan riwayat penyakit (T0), penambahan indeks massa tubuh (T1), glukosa darah (T2), dan HbA1c (T3). XGBoost yang dioptimasi dengan Optuna dibandingkan dengan ResMLP dan FT-Transformer melalui validasi silang berulang 5×3 serta data uji terpisah, dengan AUPRC, balanced accuracy, dan Brier score sebagai metrik utama. AUPRC XGBoost mencapai 0,266; 0,325; 0,713; dan 0,889 untuk T0 hingga T3, dan setiap kenaikan antartahap signifikan (uji t terkoreksi, p < 0,001). Glukosa darah memberikan kenaikan AUPRC terbesar (0,389), sedangkan kontribusi usia menyusut dari 58,9% menjadi 12,7%. Peringkat fitur SHAP tetap stabil (Kendall τ = 0,93–1,00; Jaccard tiga fitur teratas = 1,0) walaupun kinerja model berbeda jauh antartahap. XGBoost setara dengan model deep learning pada T0–T1, unggul pada T2–T3, dan lebih terkalibrasi. Audit menemukan 23,1% label tidak sesuai ambang ADA, dan seluruh kesalahan T3 berada pada zona label tidak konsisten. Fitur non-invasif berpotensi menjadi alat triase, sedangkan diagnosis membutuhkan penanda glikemik; temuan dari data publik berpola sintetis ini memerlukan validasi klinis eksternal.