Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal SKANIKA: Sistem Komputer dan Teknik Informatika Jurnal Pendidikan dan Teknologi Indonesia
Irfan, Khoiril
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Education Engineering

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

Found 2 Documents
Search

 1 
PERBANDINGAN TEKNIK OPTIMASI GRID SEARCH DAN RANDOMIZED SEARCH DALAM MENINGKATKAN AKURASI METODE KLASIFIKASI SVM PADA SENTIMEN ULASAN PENGGUNA APLIKASI JKN MOBILE Rachmatsyah, Agus Dendi; Sugihartono, Tri; Irfan, Khoiril
SKANIKA: Sistem Komputer dan Teknik Informatika Vol 8 No 1 (2025): Jurnal SKANIKA Januari 2025
Publisher : Universitas Budi Luhur

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36080/skanika.v8i1.3328

Abstract

This study discusses the comparison of two optimization techniques, Grid Search and Randomized Search, in improving the accuracy of the Support Vector Machine (SVM) classification method in sentiment analysis of JKN Mobile application user reviews. The problem faced is the low accuracy of SVM classification in sentiment analysis when hyper parameters are not optimized effectively. This study aims to identify a more effective optimization technique in improving the performance of the SVM model. The research methodology includes the steps of collecting user review data, preprocessing, feature extraction, data sharing, model training, hyper parameter optimization, and model evaluation. In addition, Synthetic Minority Over-Sampling Technique (SMOTE) is used to handle class imbalance. The results show that the combination of SVM with Randomized Search provides the highest accuracy of 82%, compared to Grid Search which produces an accuracy of 81.5%. The execution time for Randomized Search is also faster, which is 1 minute 21 seconds compared to Grid Search which requires 3 minutes 28 seconds. The SMOTE technique successfully improves the balance of the distribution of negative, neutral, and positive sentiment classes, although the F1-score values ​​for the neutral and positive classes remain low. In conclusion, Randomized Search is superior in terms of time efficiency and accuracy improvement, although challenges still remain in classifying neutral and positive sentiments.
Optimalisasi Kinerja Extreme Gradient Boosting melalui Grid Search untuk Prediksi Risiko Penyakit Jantung Sugihartono, Tri; Marini, Marini; Irfan, Khoiril; Pradana, Harrizki Arie
Jurnal Pendidikan dan Teknologi Indonesia Vol 5 No 10 (2025): JPTI - Oktober 2025
Publisher : CV Infinite Corporation

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52436/1.jpti.1346

Abstract

Penyakit kardiovaskular merupakan salah satu penyebab utama kematian global, sehingga deteksi dini melalui sistem prediksi yang andal sangat krusial untuk memungkinkan intervensi medis yang tepat waktu dan efektif. Penelitian ini bertujuan untuk meningkatkan akurasi prediksi risiko penyakit jantung dengan mengoptimalkan model Extreme Gradient Boosting (XGBoost) melalui penyetelan hiperparameter yang sistematis. Pendekatan yang digunakan menggabungkan GridSearchCV dengan validasi silang 5-fold untuk menjelajahi ruang parameter secara komprehensif, dengan fokus pada optimasi metrik ROC AUC pada dataset medis berukuran besar (70.000 sampel). Hasil menunjukkan bahwa model yang telah dioptimalkan mencapai performa tinggi (Akurasi: 0,9930; ROC AUC: 0,9997). Meskipun perbedaan numerik terhadap model baseline (Akurasi: 0,9926; ROC AUC: 0,9996) relatif kecil, secara klinis perbaikan ini bermakna signifikan—terutama karena mengurangi jumlah false negatives sebanyak 1,2 kasus, yang berpotensi menyelamatkan nyawa melalui deteksi dini yang lebih akurat. Analisis feature importance mengidentifikasi tekanan darah tinggi, usia, dan diabetes sebagai prediktor utama risiko penyakit jantung. Temuan ini menegaskan bahwa pendekatan penyetelan hiperparameter yang terstruktur dapat memberikan dampak material dalam konteks prediksi medis berbasis data tabular. Penelitian ini memberikan kontribusi pada bidang data mining medis dengan menunjukkan efektivitas hyperparameter tuning untuk meningkatkan sistem prediksi penyakit kardiovaskular.
Co-Authors Marini . Pradana, Harrizki Arie Rachmatsyah, Agus Dendi Sugihartono, Tri Sugihartono, Tri