Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal The Indonesian Journal of Computer Science Research
Trihartanti, Ninik
Unknown Affiliation
Computer Science & IT

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

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

 1 
Komparasi XGBoost dan C4.5 dalam Klasifikasi Risiko Kredit untuk Kelayakan Pinjaman di India Pora, Rastra Ardiansyah; Maulina, Dina; Trihartanti, Ninik
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.v4i2.194

Abstract

Transformasi digital telah mendorong kemajuan signifikan di sektor keuangan, khususnya dalam layanan kredit dan pinjaman. Meskipun proses pengajuan kini semakin mudah, risiko kredit tetap menjadi tantangan utama yang harus diantisipasi secara efektif. Penelitian ini bertujuan untuk membandingkan kinerja algoritma XGBoost dan C4.5 dalam memprediksi dan mengklasifikasikan risiko kredit guna menentukan kelayakan pinjaman. Metode yang digunakan mengikuti tahapan Knowledge Discovery in Data (KDD), meliputi seleksi data, pra-pemrosesan, transformasi, dan pembentukan model. Pengujian dilakukan menggunakan 10-Fold Cross Validation dengan variasi rasio data melalui empat pengujian. Evaluasi kinerja algoritma didasarkan pada metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa algoritma C4.5 unggul dibandingkan XGBoost, baik sebelum maupun setelah optimasi hyperparameter menggunakan GridSearchCV. Pada rasio 80:20, C4.5 mencatat akurasi 96,20% dengan AUC sebesar 0,9730. Temuan ini menyimpulkan bahwa C4.5 lebih efektif dalam menangani data berukuran besar dan menghasilkan klasifikasi yang efisien, sementara XGBoost tetap merupakan alternatif kompetitif pasca optimasi. Studi ini memberikan rekomendasi strategis bagi lembaga keuangan dalam meningkatkan akurasi analisis risiko kredit berbasis data
Klasifikasi Bakteri E. Coli Menggunakan Algoritma Decission Tree dan Random Forest Riyadi, Khoirul; Maulina, Dina; Dewi, Melany Mustika; Trihartanti, Ninik
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.v5i1.251

Abstract

Bakteri Escherichia coli (E. coli) merupakan mikroorganisme komensal yang umum ditemukan dalam saluran pencernaan manusia dan hewan, namun mencakup beragam strain dengan karakter berbeda, dari yang netral hingga patogen yang dapat menyebabkan penyakit serius. Akibatnya, klasifikasi yang akurat dan cepat terhadap berbagai jenis E. coli menjadi hal yang sangat penting, terutama dalam konteks diagnostik klinis, keamanan pangan, dan penelitian mikrobiologi. Penelitian ini bertujuan mengembangkan dan mengevaluasi model klasifikasi untuk membedakan strain bakteri E. coli dengan memanfaatkan dua algoritma machine learning, yaitu Decision Tree dan Random Forest. Dataset yang digunakan dalam penelitian ini bersumber dari UCI Machine Learning Repository, yang mencakup serangkaian fitur mikrobiologis. Evaluasi performa model dilakukan menggunakan beberapa metrik standar, yaitu akurasi, precision, recall, dan *F1-score* untuk memberikan analisis yang komprehensif. Hasil eksperimen menunjukkan bahwa model Random Forest secara signifikan mengungguli Decision Tree. Random Forest mencapai akurasi sebesar 88.24%, sedangkan Decision Tree mencapai 79.41%. Keunggulan Random Forest juga konsisten terlihat pada nilai precision, recall, dan *F1-score* yang lebih tinggi, menunjukkan kemampuan yang lebih baik dalam menangkap pola kompleks dalam data dan mengurangi overfitting. Dengan demikian, Random Forest terbukti lebih efektif dan andal untuk tugas klasifikasi ini. Temuan penelitian ini memberikan kontribusi potensial sebagai dasar pengembangan sistem pendukung keputusan otomatis yang dapat membantu tenaga laboratorium dalam identifikasi patogen, sehingga berdampak pada peningkatan efisiensi diagnostik di bidang biomedis
Co-Authors Dina Maulina Pora, Rastra Ardiansyah Riyadi, Khoirul