Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Jurnal Edukasi dan Penelitian Informatika (JEPIN)
Jaya, Muhammad Triyanda Taruna
Unknown Affiliation
Computer Science & IT Education

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

Found 2 Documents
Search

 1 
Prediksi Man-Hours Menggunakan Analisis Regression dan Cyclomatic Complexity Hersyaputra, Mohamad Syazimmi; Jaya, Muhammad Triyanda Taruna; Yuhana, Umi Laili; Alfian, Muhammad
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 11, No 1 (2025): Volume 11 No 1
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v11i1.89462

Abstract

Estimasi effort pengembangan perangkat lunak secara akurat merupakan kunci keberhasilan proyek untuk memastikan alokasi sumber daya yang efisien dan penyelesaian tepat waktu. Ketepatan dalam menghitung estimasi effort ini sangat krusial dalam proses pengembangan sistem perangkat lunak untuk mencapai keberhasilan dan mengurangi risiko, seperti risiko reputasi dari suatu organisasi. Metode konvensional seperti expert judgement sering kali kurang konsisten dan rawan kesalahan subjektif. Untuk mengatasi keterbatasan tersebut, penelitian ini mengusulkan pendekatan prediksi man-hours berbasis static code analysis, dengan fokus pada cyclomatic complexity sebagai fitur utama dalam pemodelan machine learning yang dapat diintegrasikan dalam proses rekayasa perangkat lunak untuk mendukung pengambilan keputusan yang lebih tepat dalam perencanaan proyek. Penelitian ini menggunakan data proyek perangkat lunak pada institusi perbankan. Tahapan preprocessing meliputi encode dengan teknik one hot encoding, data cleaning, dan data partitioning. Penelitian ini memanfaatkan cyclomatic complexity dari program perangkat lunak untuk memprediksi upaya dalam variabel man-hours menggunakan model Linear Regression, Lasso Regression, dan Ridge Regression. Evaluasi model dilakukan menggunakan metrik mean absolute percentage error (MAPE), mean absolute error (MAE), mean squared error (MSE), dan R-Squared guna menilai performa prediktif. Berdasarkan pengujian, model Lasso Regression menghasilkan peforma prediktif yang unggul dengan evaluasi menggunakan metrik MAPE 22.2731%, MAE 66.9679, MSE 8538.6359, dan R-Squared 0.98521. Temuan ini menunjukan bahwa pendekatan machine learning yang memanfaatkan analisis cyclomatic complexity mampu meningkatkan akurasi estimasi upaya dibandingkan metode konvensional.
Model Machine Learning Berbasis Perilaku Pembayaran Angsuran untuk Prediksi Gagal Bayar KPR Subsidi Jaya, Muhammad Triyanda Taruna; Hidayati, Shintami Chusnul
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 11, No 3 (2025): Volume 11 No 3
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v11i3.100857

Abstract

Penelitian ini menyajikan rancangan dan pembuktian pemanfaatan model machine learning untuk prediksi gagal bayar sesuai definisi Otoritas Jasa Keuangan pada produk KPRS (Kredit Pemilikan Rumah Subsidi) berbasis perilaku pembayaran angsuran pada segmen MBR (Masyarakat Berpenghasilan Rendah). Berbeda dengan sebagian besar penelitian terdahulu yang berfokus pada application scoring saat pengajuan atau pencairan kredit dengan data statis nasabah seperti kemampuan finansial, riwayat peminjaman, informasi pekerjaan, agunan dan data statis lainnya, studi ini menargetkan kredit yang sudah berjalan (on-book) dengan memanfaatkan jejak historis pembayaran angsuran sebagai sumber utama sinyal risiko. Dataset berasal dari salah satu bank penyalur KPRS. Dengan teknik rekayasa fitur, data pembayaran angsuran diubah menjadi fitur tabular yang merangkum perilaku pembayaran (misalnya konsistensi nominal, kelancaran waktu bayar dan pola keterlambatan) yang kemudian dipelajari oleh beberapa metode machine learning, antara lain Multilayer Perceptron, Random Forest, XGBoost dan Logistic Regression. Data mencakup 8.116 akun dan 409.130 catatan transaksi dengan evaluasi menggunakan train set periode 2017–2022 (6.585 akun) dan test set 2023–2024 (1.217 akun). Model terbaik dicapai oleh MLP dengan performa AUC ≈ 0,997 pada test set dengan F1 Score maksimum pada threshold 0,3013 memberikan precision 0,7907, recall 0,9444 dan F1 0,8608. Hasil ini menunjukkan bahwa untuk pinjaman KPRS yang sudah berjalan, pola perilaku pembayaran angsuran semata—tanpa perlu menambahkan informasi mengenai kondisi usaha, kondisi finansial, agunan, maupun karakteristik lain nasabah—dapat dimanfaatkan untuk membangun model machine learning yang mampu memprediksi risiko gagal bayar secara akurat dan dapat memberikan early warning pada portofolio KPRS, sehingga tindakan pencegahan seperti intervensi, reminder atau kunjungan lapangan diharapkan dapat dilakukan secara lebih terarah dan efisien.
Co-Authors Hersyaputra, Mohamad Syazimmi Hidayati, Shintami Chusnul Muhammad Alfian, Muhammad Yuhana, Umi Laili