Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : journal of computer science and information technology

SISTEM KELAYAKAN PENERIMA BANTUAN SOSIAL MENGGUNAKAN ALGORITMA CATBOOST CLASSIFIER (STUDI KASUS KABUPATEN LUWU) Besse Taleha; Ida Mulyadi; Fahrim Irhamna Rachman
Journal of Computer Science and Information Technology Vol. 3 No. 3 (2026): Juni
Publisher : Yayasan Nuraini Ibrahim Mandiri

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

Abstract

Penelitian ini membahas pengembangan sistem kelayakan penerima bantuan sosial berbasis situs web dengan menerapkan algoritma CatBoost Classifier pada studi kasus Kabupaten Luwu. Dataset awal yang digunakan berjumlah 1.670 data calon penerima bantuan sosial. Permasalahan utama penelitian adalah proses seleksi penerima bantuan yang masih berpotensi mengalami ketidaktepatan sasaran karena melibatkan banyak variabel sosial ekonomi. Penelitian ini bertujuan membangun sistem yang mampu mengelola data masyarakat dan memberikan klasifikasi status Layak atau Tidak Layak. Variabel yang digunakan meliputi usia, pekerjaan, penghasilan per bulan, jumlah tanggungan, kondisi rumah, aset, dan status kelayakan sebagai label. Tahapan penelitian meliputi pengumpulan data, prapengolahan, pembagian data, pelatihan model CatBoost, implementasi sistem, serta pengujian Black Box. Hasil evaluasi menunjukkan akurasi 93,71% pada data uji dengan precision kelas Layak sebesar 0,94, recall kelas Layak sebesar 0,92, precision kelas Tidak Layak sebesar 0,94, dan recall kelas Tidak Layak sebesar 0,95. Sistem yang dibangun mampu membantu proses pendataan dan rekomendasi kelayakan bantuan sosial secara lebih terstruktur.
PENERAPAN EXTREME GRADIENT BOOSTING (XGBOOST) PADA DIAGNOSA PENYAKIT MATA Ilfauza Febrianty Faisal; Chyquithadanu putri; Ida Mulyadi
Journal of Computer Science and Information Technology Vol. 3 No. 3 (2026): Juni
Publisher : Yayasan Nuraini Ibrahim Mandiri

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

Abstract

Penelitian ini bertujuan menerapkan algoritma Extreme Gradient Boosting (XGBoost) untuk mengklasifikasikan penyakit mata berbasis data gejala pasien, khususnya pada tiga kelas penyakit, yaitu katarak, glaukoma, dan retinopati diabetik. Metode yang digunakan adalah kuantitatif dengan pendekatan machine learning. Data penelitian berasal dari RSUD Batara Guru dan terdiri atas 1.041 data pasien setelah melalui tahap preprocessing. Sebanyak 15 fitur gejala diekstrak dan digunakan sebagai variabel input, meliputi kabur, mata merah, sensitif cahaya, sakit kepala, gatal, nyeri, mata berair, kelopak mata bengkak, sulit buka mata, warna pudar, sulit melihat malam, floaters, pupil abnormal, mata berat, dan mual. Tahapan penelitian mencakup pemeriksaan data, transformasi nilai gejala, encoding label diagnosa, pemilihan fitur, pembagian data training dan testing, pelatihan model XGBoost, serta evaluasi menggunakan confusion matrix. Model menghasilkan performa seimbang di atas 93,7% pada seluruh metrik evaluasi, yaitu accuracy 93,78%, precision 93,80%, recall 93,78%, dan F1-score 93,75%. Hasil confusion matrix menunjukkan bahwa sebagian besar data berhasil diklasifikasikan dengan benar, meskipun masih terdapat kesalahan pada kelas glaukoma karena kemiripan gejala dengan katarak. Dengan demikian, XGBoost berpotensi digunakan sebagai sistem pendukung keputusan klinis untuk identifikasi awal penyakit mata berbasis gejala pasien, namun hasil prediksi tetap memerlukan konfirmasi medis oleh tenaga kesehatan.