Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Prosiding Seminar Nasional Teknologi Informasi dan Bisnis
Aprilisa Arum Sari
Teknik Informatika/Ilmu Komputer, Universitas Duta Bangsa Surakarta
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Mechanical Engineering Physics

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

Found 2 Documents
Search

 1 
Komparasi Algoritma untuk Klasifikasi Penyakit Jantung Faris Pratama Putra; Fitra Mustofa; M. Syailendra Surya Viadar; Natan Setyo Agung; Aprilisa Arum Sari
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2026
Publisher : Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Tingginya angka kematian akibat penyakit jantung diperparah oleh proses diagnosis konvensional yang membutuhkan ketelitian tinggi serta rentan terhadap risiko kesalahan manusia (human error). Penelitian ini bertujuan untuk melakukan analisis komparasi performa algoritma Logistic Regression, Decision Tree, dan Support Vector Machine (SVM) guna mengidentifikasi model klasifikasi risiko penyakit jantung yang paling optimal bagi domain medis. Eksperimen diimplementasikan menggunakan skrip Python interaktif yang menguji 1.025 baris sampel klinis lewat pembagian data 80:20, standardisasi fitur, serta pengujian silang 5-Fold Cross-Validation. Berdasarkan hasil pengujian sistem, algoritma Decision Tree mencatatkan nilai Test Accuracy tertinggi mencapai 98,5%. Namun, pengujian validasi silang mengungkap performa aslinya jatuh di angka 82,2%, yang membuktikan adanya fenomena overfitting parah akibat rekayasa duplikasi data latihan, sehingga model ini dieksklusi dari pemilihan akhir. Sementara itu, algoritma Logistic Regression menunjukkan performa yang cukup stabil dengan nilai Test Accuracy sebesar 81,0% dan CV Mean Accuracy 84,4%. Di sisi lain, algoritma SVM dengan Linear Kernel terbukti menghasilkan stabilitas performa terbaik dengan Test Accuracy 81,5% dan CV Mean Accuracy mencapai 85,6%. Meskipun akurasi globalnya berada di bawah Decision Tree, SVM Linear menjadi model paling unggul karena mencatatkan metrik Recall (sensitivitas) kelas sakit tertinggi sebesar 92,38% yang krusial untuk menekan persentase kesalahan diagnosis fatal berupa False Negative. Dengan demikian, algoritma SVM Linear disimpulkan sebagai instrumen alternatif pendukung keputusan klinis terbaik yang paling andal bagi tim kardiologi.
Evaluasi Komparatif Algoritma Decision Tree dan Naive Bayes untuk Prediksi Churn Pelanggan pada Industri Telekomunikasi Irfan Harviansah; Higmatul Najib Ananda Saputra; Pratama Nur Hadiansah; Raihan Fadhil Aditya; Aprilisa Arum Sari
Prosiding Seminar Nasional Teknologi Informasi dan Bisnis Prosiding Seminar Nasional Teknologi Informasi dan Bisnis (SENATIB) 2026
Publisher : Fakultas Ilmu Komputer Universitas Duta Bangsa Surakarta

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Churn pelanggan merupakan tantangan signifikan bagi industri telekomunikasi karena biaya untuk memperoleh pelanggan baru jauh lebih besar dibandingkan biaya mempertahankan pelanggan lama. Penelitian ini bertujuan untuk membandingkan kinerja algoritma Decision Tree dan Naive Bayes dalam memprediksi churn pelanggan menggunakan dataset Telco Customer Churn yang terdiri atas 7.032 data pelanggan setelah praproses, dengan 19 atribut prediktor. Metode penelitian meliputi eksplorasi data, pembersihan data, transformasi atribut kategorikal melalui Label Encoding, normalisasi atribut numerik dengan MinMaxScaler, pembagian data latih dan data uji sebesar 80:20 secara stratified, serta penanganan ketidakseimbangan kelas pada data latih menggunakan Synthetic Minority Oversampling Technique (SMOTE). Kedua algoritma dilatih pada data yang telah diseimbangkan dan diuji pada data uji asli, kemudian dievaluasi menggunakan matrik Accuracy, Precision, Recall, F1-Score, dan AUC-ROC. Hasil penelitian menunjukkan bahwa algoritma Naive Bayes memberikan kinerja yang lebih baik dibandingkan Decision Tree pada seluruh matrik evaluasi, dengan Accuracy sebesar 0,7143, Precision 0,4763, Recall 0,7513, F1-Score 0,5830, dan AUC-ROC 0,8024, dibandingkan Decision Tree yang hanya mencapai Accuracy 0,7022, Precision 0,4528, Recall 0,5775, F1-Score 0,5076, dan AUC-ROC 0,6624. Selisih Recall yang signifikan menunjukkan bahwa Naive Bayes lebih mampu mengidentifikasi pelanggan yang benar-benar berpotensi churn, sehingga lebih sesuai untuk mendukung strategi retensi pelanggan pada industri telekomunikasi. Atribut Contract, InternetService, OnlineSecurity, dan TechSupport teridentifikasi sebagai faktor yang paling berpengaruh terhadap churn pada penelitian ini.
Co-Authors Faris Pratama Putra Fitra Mustofa Higmatul Najib Ananda Saputra Irfan Harviansah M. Syailendra Surya Viadar Natan Setyo Agung Pratama Nur Hadiansah Raihan Fadhil Aditya