Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal Nasional Komputasi dan Teknologi Informasi Jurnal Sains Informatika Terapan (JSIT)
Rizal Maulana
Universitas Bina Sarana Informatika
Aerospace Engineering Automotive Engineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Engineering Neuroscience Transportation

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

Found 2 Documents
Search

 1 
Perbandingan Hasil Klasifikasi Decision Tree dan Naïve Bayes dalam Memprediksi Churn Nasabah Bank Rizal Maulana; Fardha Hasykir; Muhammad Furqon Prasetyo; Rafi Kurniawan; Sumanto Sumanto; Andi Diah Kuswanto
Jurnal Nasional Komputasi dan Teknologi Informasi (JNKTI) Vol 8, No 3 (2025): Juni 2025
Publisher : Program Studi Teknik Komputer, Fakultas Teknik. Universitas Serambi Mekkah

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32672/jnkti.v8i3.9218

Abstract

Abstrak - Nasabah bank adalah individu  yang memiliki hubungan keuangan dengan bank, seperti simpanan, pinjaman, atau layanan lainnya. Fenomena Churn menjadi perhatian penting karena dapat mempengaruhi pendapatan dan stabilitas lembaga perbankan. Penelitian ini bertujuan untuk memprediksi churn nasabah menggunakan algoritma machine learning Decision Tree dan Naive Bayes. Model ini dianalisis untuk menentukan tingkat AUC (Area Under The Curve), CA (Classification Accuracy), dan F1 Score, serta menilai efektivitasnya dalam kategori klasifikasi.Hasil penelitian menunjukkan bahwa algoritma Decision Tree mampu mencapai tingkat akurasi yang cukup baik, dengan nilai accuracy (CA) sebesar 85.4% sedangkan Naïve Bayes memiliki nilai accuracy sebesar 84.5%.  Nilai akurasi ini menunjukkan bahwa Decision Tree berada dalam kategori Good Classification dan dapat digunakan sebagai alat yang handal dalam mengidentifikasi nasabah yang berisiko churn. Temuan ini mendukung potensi penerapan machine learning dalam strategi retensi pelanggan di sektor perbankan. Studi ini juga membuka peluang untuk pengembangan lebih lanjut, termasuk integrasi dengan metode klasifikasi lain atau pemanfaatan teknik seleksi fitur untuk meningkatkan akurasi prediksi churn.Kata kunci: Naive Bayes; Decision Tree; Klasifikasi; Churn; Nasabah Bank Abstract - Bank customers are individuals who have financial relationships with banks, such as deposits, loans, or other services. Churn phenomenon is an important concern because it can affect the income and stability of banking institutions. This research aims to predict customer churn using Decision Tree and Naive Bayes machine learning algorithms. The model is analyzed to determine the level of AUC (Area Under The Curve), CA (Classification Accuracy), and F1 Score, as well as assess its effectiveness in the classification category. The results show that the Decision Tree algorithm is able to achieve a fairly good level of accuracy, with an accuracy value (CA) of 85.4% while Naïve Bayes has an accuracy value of 84.5%. These accuracy values indicate that Decision Tree is in the Good Classification category and can be used as a reliable tool in identifying customers at risk of churn. These findings support the potential application of machine learning in customer retention strategies in the banking sector. This study also opens up opportunities for further development, including integration with other classification methods or utilization of feature selection techniques to improve churn prediction accuracy.Keywords: Naïve Bayes; Decision Tree; Classification; Churn; Bank Customers
Komparasi Algoritma Machine Learning Untuk Klasifikasi Risiko Serangan Jantung Di Indonesia Rizal Maulana; Ahmad Al Kaafi; Rizka Dahlia
Jurnal Sains Informatika Terapan Vol. 5 No. 3 (2026): Jurnal Sains Informatika Terapan (Oktober, 2026)
Publisher : Riset Sinergi Indonesia (RISINDO)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62357/jsit.v5i3.1346

Abstract

Serangan jantung merupakan salah satu penyebab kematian tertinggi di Indonesia sehingga diperlukan upaya deteksi dini untuk mengidentifikasi individu yang berisiko mengalami kondisi tersebut. Penelitian ini bertujuan membandingkan performa algoritma Decision Tree, Random Forest, dan Gradient Boosting dalam klasifikasi risiko serangan jantung di Indonesia, serta menganalisis pengaruh feature selection terhadap performa model. Penelitian menggunakan dataset Heart Attack Prediction in Indonesia yang diperoleh dari Kaggle, yang terdiri atas 158.355 data individu dan 28 atribut. Data tersebut mencakup karakteristik individu dan faktor yang berkaitan dengan risiko serangan jantung, seperti usia, jenis kelamin, hipertensi, diabetes, kadar kolesterol, obesitas, kebiasaan merokok, aktivitas fisik, tekanan darah, serta riwayat penyakit jantung sebelumnya. Tahapan penelitian meliputi data cleaning, transformasi data menggunakan one-hot encoding, feature selection menggunakan metode Gain Ratio, serta pembagian data menjadi 80% data latih dan 20% data uji. Performa model dievaluasi menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa Gradient Boosting memperoleh akurasi tertinggi sebesar 73,6%, diikuti Decision Tree sebesar 72,2% dan Random Forest sebesar 71,2%. Feature selection menghasilkan 9 atribut terpilih tanpa memberikan peningkatan performa yang berarti. Dengan demikian, Gradient Boosting merupakan algoritma dengan performa terbaik dalam klasifikasi risiko serangan jantung pada penelitian ini.
Co-Authors Ahmad Al Kaafi Andi Diah Kuswanto Fardha Hasykir Muhammad Furqon Prasetyo Rafi Kurniawan Rizka Dahlia Sumanto Sumanto