Article Per Year (5 Year)
p-Index From 2021 - 2026
1.152
P-Index
This Author published in this journals
All Journal JOIV : International Journal on Informatics Visualization JURNAL MEDIA INFORMATIKA BUDIDARMA Journal Automation Computer Information System (JACIS) The Indonesian Journal of Computer Science Research
Verawati, Ike
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering

Published : 6 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : The Indonesian Journal of Computer Science Research

 1 
Analisis Performa Logistic Regression dan Random Forest dalam Klasifikasi Kelayakan Penerimaan Kredit Adrian, Andreas; Verawati, Ike
The Indonesian Journal of Computer Science Research Vol. 4 No. 2 (2025): Juli
Publisher : Hemispheres Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59095/ijcsr.v4i2.205

Abstract

Penentuan kelayakan penerimaan kredit merupakan proses yang sangat penting dalam industri perbankan dan keuangan. Hal ini sangat berpengaruh bagi badan keuangan tersebut, bahkan dapat menyebabkan kondisi finansial badan keuangan tersebut tidak sehat karena kesalahan dalam keputusan kelayakan kredit. Machine learning hadir untuk meminimalisir kesalahan tersebut. Untuk meningkatkan akurasi dan efisiensi dalam klasifikasi kelayakan kredit, penelitian ini berfokus pada penerapan dua model machine learning, yaitu Logistic Regression dan Random Forest Classifier. Logistic Regression dipilih karena kemampuannya dalam mengidentifikasi hubungan linear antara variabel input dan output, sedangkan Random Forest Classifier memiliki keunggulan dalam menangani dataset yang kompleks dan non-linear. Tujuan utama dari penelitian ini adalah untuk membandingkan performa kedua model tersebut dalam tugas klasifikasi kelayakan kredit. Perbandingan dilakukan dengan tahapan Studi Literatur, Akuisisi Data (Pengumpulan data) yang mengambil dataset perbankan public di kaggle, EDA, Pre-Processing, Modelling, Evaluasi, dan Analisis Evaluasi Model. Dataset yang akan digunakan mencakup informasi data finansial dari nasabah. Perbandingan performa pada penelitian ini menggunakan matrix akurasi, precision, recall, F1-Score dan AUC-ROC untuk mengevaluasi kinerja masing-masing model. Penelitian ini menghasilkan bahwa model random forest lebih unggul dengan skor Akurasi 0.95, Presisi 0.93, Recall 0.98 dan F1 Score 0.96. Skor AUC yang digunakan untuk melihat seberapa baik model dalam membedakan class 1 dan 0 mencapai 0.98. Hasil penelitian ini diharapkan mampu memberikan rekomendasi yang bermanfaat bagi industri perbankan dalam memilih model yang paling tepat untuk penilaian kelayakan kredit
Perbandingan Kinerja Model Transformer Monolingual Dalam Analisis Sentimen Terhadap Website Coretax Pada Platform X Rohman, Angga Airul; Verawati, Ike
The Indonesian Journal of Computer Science Research Vol. 5 No. 1 (2026): Januari
Publisher : Hemispheres Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59095/ijcsr.v5i1.239

Abstract

Implementasi sistem Coretax sebagai pembaruan administrasi perpajakan di Indonesia memicu beragam respons publik yang signifikan di media sosial, khususnya platform X. Pemantauan sentimen publik terhadap sistem ini memiliki urgensi tinggi sebagai bahan evaluasi penerimaan dan efektivitas sistem bagi pemerintah. Penelitian ini bertujuan untuk membandingkan kinerja tiga model Transformer monolingual, yaitu IndoBERT, IndoBERTweet, dan IndoRoBERTa, dalam melakukan analisis sentimen terhadap isu tersebut. Data dikumpulkan melalui mekanisme crawling pada platform X menggunakan library Tweet Harvest dengan kata kunci terkait Coretax sebanyak 8154 data, yang kemudian melalui tahapan praproses teks dan augmentasi data untuk menangani ketidakseimbangan kelas. Model kemudian di-fine-tune dan dievaluasi menggunakan metrik precision, recall, f1-score, dan akurasi. Hasil eksperimen menunjukkan bahwa IndoBERT memberikan kinerja terbaik dibandingkan model lainnya, dengan pencapaian akurasi 0.8889. Sementara itu, IndoBERTweet dan IndoRoBERTa masing-masing mencatatkan akurasi sebesar 0,8850 dan 0,8732. Temuan ini mengindikasikan bahwa model berbasis IndoBERT lebih efektif dalam menangkap konteks linguistik terkait perpajakan, sehingga direkomendasikan sebagai alat pemantauan persepsi masyarakat otomatis bagi instansi terkait
Co-Authors Adrian, Andreas Alva Hendi Muhammad Aunurrohim, Ridwan Al Akhyar Hanafi Hanafi Jaelani, Syarif Nurwahid Richki Hardi Rohman, Angga Airul Sigit Pramono