Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Leibniz: Jurnal Matematika
A’yunin Sofro
Unknown Affiliation
Mathematics

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

Found 2 Documents
Search

 1 
Pemodelan Kasus Pneumonia Berat pada Balita di Kota Surabaya Menggunakan Zero-Inflated Negative Binomial A’yunin Sofro; Deswita Nada Fitriani
Leibniz: Jurnal Matematika Vol. 6 No. 01 (2026): Leibniz: Jurnal Matematika
Publisher : Program Studi Matematika - Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas San Pedro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59632/leibniz.v6i01.730

Abstract

Pneumonia berat pada balita merupakan salah satu permasalahan kesehatan masyarakat yang signifikan, khususnya di perkotaan seperti Surabaya, karena dapat meningkatkan risiko morbiditas dan mortalitas balita. Data jumlah kasus pneumonia berat pada balita di Kota Surabaya berbentuk data cacah yang menunjukkan adanya overdispersi serta proporsi nilai nol berlebih. Penelitian ini bertujuan untuk memodelkan jumlah kasus pneumonia berat pada balita di Kota Surabaya menggunakan model Zero-Inflated Negative Binomial (ZINB) serta mengidentifikasi faktor-faktor yang memengaruhinya. Analisis awal menggunakan regresi Poisson menunjukkan ketidaksesuaian asumsi akibat overdispersi dan nilai nol berlebih, sehingga pemodelan dilanjutkan menggunakan beberapa pendekatan termasuk regresi ZINB. Pemilihan model dilakukan berdasarkan nilai Akaike Information Criterion (AIC). Hasil analisis menunjukkan bahwa model ZINB memiliki nilai AIC paling rendah dan mampu mengakomodasi karakteristik data dengan baik. Pada model ZINB, variabel jumlah rumah tangga dengan akses air bersih terbukti berpengaruh signifikan pada komponen count maupun pada komponen logit. Selain itu, variabel dummy tahun 2023 juga berpengaruh signifikan pada komponen count, yang menunjukkan jumlah kasus pneumonia berat yang lebih rendah dibandingkan dengan tahun 2022. Hasil ini menunjukkan bahwa akses air bersih merupakan faktor lingkungan yang berperan penting dalam menurunkan jumlah kasus pneumonia berat pada balita di Kota Surabaya.
Application of XGBoost and Catboost Algorithms for Elderly Hypertension Classification on IFLS 5 Data Ekklesiafilifi Loyalita Crossesa; A’yunin Sofro
Leibniz: Jurnal Matematika Vol. 6 No. 01 (2026): Leibniz: Jurnal Matematika
Publisher : Program Studi Matematika - Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas San Pedro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59632/leibniz.v6i01.734

Abstract

Hypertension in the elderly poses complex classification challenges, characterized by noisy categorical features in health survey datasets. This study focuses on using XGBoost and CatBoost algorithms to overcome barriers when classifying hypertension in the elderly ( years) using IFLS 5 data. Unlike standard methods that focus on accuracy, this evaluation emphasizes the recall metric to reduce false negative errors, which is crucial for ensuring safety in medical screening. After carefully tuning the hyperparameters using GridSearchCV and 5-fold cross-validation on 2,774 participants, the models revealed clear algorithmic trade-offs. CatBoost demonstrated superior generalization stability and achieved the highest accuracy (66.49%), while XGBoost exhibited significant superiority in sensitivity (recall of 80.18%) by effectively applying regularization to detect minority class signals. Evaluating feature significance using the information gain and prediction values change metrics verified that biological indicators, particularly diabetes and BMI, were the main predictors compared to demographic variables. In summary, CatBoost is reliable, but XGBoost is better suited for building clinical decision support systems where the priority is detecting sensitivity.
Co-Authors Deswita Nada Fitriani Ekklesiafilifi Loyalita Crossesa