Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer)
Dwi Sanggar Wati, Anisa
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management

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

Found 2 Documents
Search

 1 
Peningkatan Kinerja Model Random Forest untuk Deteksi Kecurangan Kartu Kredit Menggunakan RandomizedSearchCV Oriana, Larisa; Dwi Sanggar Wati, Anisa; Putri Ramahdani, Anggi; Nurul Safira, Natasya; Ismanto, Edi
JURNAL FASILKOM Vol. 15 No. 2 (2025): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer)
Publisher : Unversitas Muhammadiyah Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37859/jf.v15i2.9832

Abstract

Pertumbuhan transaksi kartu kredit di Indonesia yang pesat diiringi dengan peningkatan kasus penipuan membutuhkan sistem deteksi yang handal. Penelitian ini mengembangkan model deteksi penipuan dengan mengoptimalkan algoritma Random Forest melalui teknik RandomizedSearchCV. Dataset mencakup 690 transaksi dengan 16 fitur, termasuk 14 variabel prediktor dan label kelas (0 untuk transaksi normal, 1 untuk fraud). Tahapan penelitian meliputi eksplorasi data (EDA) untuk memahami karakteristik dataset, standarisasi fitur, pembagian data (80% pelatihan, 20% pengujian), serta implementasi model Random Forest dalam dua versi: tanpa tuning dan dengan optimasi parameter. Hasil penelitian menunjukkan peningkatan performa model setelah optimasi, dengan akurasi mencapai 90,58% pada data uji (naik dari 89,86%). Model yang dioptimasi juga berhasil meningkatkan precision deteksi fraud dari 0,94 menjadi 0,98 dan mengurangi kesalahan klasifikasi transaksi normal (false positive) dari 3 menjadi 1 kasus. Namun, terdapat sedikit penurunan recall kelas fraud dari 0,82 menjadi 0,80, yang mengindikasikan perlunya penyeimbangan antara akurasi dan sensitivitas deteksi. Temuan ini membuktikan bahwa tuning hyperparameter dengan RandomizedSearchCV dapat meningkatkan kinerja model Random Forest dalam mendeteksi penipuan kartu kredit, khususnya dalam meminimalkan kesalahan klasifikasi
Prediksi Keberhasilan Akademik Siswa Berbasis Fitur Kategorikal Na-tive dengan Explainable AI (SHAP) menggunakan CatBoost vs LightGBM Anugerah Putra, Bayu; Soni, Soni; Firdaus, Rahmad; Putri, Ayunda; Dwi Sanggar Wati, Anisa
JURNAL FASILKOM Vol. 16 No. 2 (2026): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer)
Publisher : Unversitas Muhammadiyah Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37859/jf.v16i2.12360

Abstract

Prediction of students academic success is important to support decision-making in education. Educational datasets are generally dominated by categorical variables that require encoding before modeling, which may cause information loss and reduce accuracy. This study applies the CatBoost algorithm, which processes categorical variables natively without additional encoding, to predict students' Exam Score on the Student Performance Factors dataset from Kaggle, with LightGBM used as a comparison model. Evaluation was carried out under three data-split schemes (70:30, 80:20, 90:10) using k-fold cross-validation and three regression metrics (R², MAE, RMSE), followed by model interpretation using Shapley Additive Explanations (SHAP). The results show that CatBoost consistently outperforms LightGBM across all schemes, with the best performance obtained under the 90:10 scheme (CatBoost: R² = 0.851, MAE = 0.475, RMSE = 1.414; LightGBM: R² = 0.809, MAE = 0.758, RMSE = 1.599). SHAP analysis identifies Attendance, Hours_Studied, and Previous_Scores as the most influential features in the prediction. These findings confirm that combining CatBoost with SHAP produces an academic prediction model that is both accurate and transparen.
Co-Authors Ayunda Putri Bayu Anugerah Putra Edi Ismanto Nurul Safira, Natasya Oriana, Larisa Putri Ramahdani, Anggi Rahmad Firdaus Soni Soni, Soni