Claim Missing Document
Check
Articles

Rancang Bangun E-Filling Pada PT. TRANS PUTRA EXIMINDO Jakarta Yunita, Yunita; Amalia, Hilda; Maulany, Nadya; Utami, Lila Dini
JAIS - Journal of Accounting Information System Vol. 2 No. 2 (2022): Desember
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/jais.v2i02.1537

Abstract

Arsip memainkan peran yang sangat penting dalam instansi. Dengan kata lain, berfungsi sebagai penyajian informasi dan sebagai pusat memori untuk berbagai kegiatan. Dalam melaksanakan berbagai kegiatannya, PT. Trans Putra Eximindo Jakarta adalah perusahaan pihak ketiga yang menangani dokumentasi persyaratan import barang mentah melalui jalur laut oleh perusahaan dalam negeri. Dalam pelaksaan kegiatan import nya, terdapat beberapa hal yang masih konventional dan perlu peningkatan di bagian sharing file import antara bagian internal PT. Trans Putra Eximindo Jakarta terutama dokumen import. Maka dari itu penulis merancang sebuah program E-Filling. Aplikasi web tersebut dirancang menggunakan bahasa pemrograman PHP, dan database MySQL, dengan menggunakan metode RAD. Dengan adanya program ini didapat akan bermanfaat serta memudahkan pihak administrasi dalam pembuatan serta pengarsipan surat secara langsung dengan lebih efektif dan efisien.
Penerapan Metode Algoritma XGBoost untuk Prediksi Risiko Penyakit Jantung Adani, Fadia Izni; Amalia, Hilda
Jurnal INSAN Journal of Information System Management Innovation Vol. 5 No. 2 (2025): Desember 2025
Publisher : LPPM Universitas Bina Sarana Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31294/j-insan.v5i2.10000

Abstract

Abstrak - Penyakit jantung masih menjadi salah satu penyebab utama kematian di dunia, termasuk di Indonesia, sehingga deteksi dini terhadap faktor risikonya menjadi sangat penting untuk menekan angka kematian dan meningkatkan kualitas hidup pasien. Penelitian ini menerapkan algoritma XGBoost untuk membangun model prediksi risiko penyakit jantung menggunakan dataset cardio_train.csv dari Kaggle, yang berisi data kesehatan pasien meliputi usia, jenis kelamin, tekanan darah, kolesterol, serta variabel lain yang relevan. Tahapan penelitian meliputi pra-pemrosesan data, pelatihan model, evaluasi performa menggunakan metrik akurasi dan AUC, serta analisis feature importance. Hasil menunjukkan bahwa model XGBoost mampu mencapai precision sebesar 0,72, recall sebesar 0,77, F1-score sebesar 0,74, akurasi sebesar 73%, serta nilai AUC sebesar 0,795, yang menandakan kemampuan klasifikasi yang cukup baik. Fitur-fitur seperti tekanan darah sistolik (ap_hi), usia (age), dan kolesterol merupakan faktor dominan dalam proses prediksi. Dengan hasil ini, XGBoost dapat direkomendasikan sebagai metode dalam pengembangan sistem pendukung keputusan untuk deteksi dini penyakit jantung secara otomatis.