cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Yosep Septiana
Contact Email
yseptiana@itg.ac.id
Phone
+6282124588750
Journal Mail Official
algoritma@itg.ac.id
Editorial Address
Jl. Mayor Syamsu No.1, Jayaraga, Kec. Tarogong Kidul, Kabupaten Garut, Jawa Barat 44151
Location
Kab. garut,
Jawa barat
INDONESIA
Jurnal Algoritma
Published by Institut Teknologi Garut
ISSN : 14123622     EISSN : 23027339     DOI : https://doi.org/10.33364/algoritma
Core Subject : Science,
Computer Science & IT
Jurnal Algoritma merupakan jurnal yang digunakan untuk mempublikasikan hasil penelitian dalam bidang Teknologi Informasi (TI), Sistem Informasi (SI), dan Rekayasa Perangkat Lunak (RPL), Multimedia (MM), dan Ilmu Komputer (Computer Science).
Arjuna Subject : Ilmu Komputer (semua kategori) - Ilmu Komputer (Lain-Lain)
Articles 1,145 Documents
 111   112   113   114   115 
Klasifikasi Risiko HIV Berbasis Data Agregat Populasi Menggunakan Random Forest, SVM, dan Logistic Regression Altarik Aziz; Heni Sulistiani
Jurnal Algoritma Vol 23 No 1 (2026): Jurnal Algoritma
Publisher : Institut Teknologi Garut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33364/algoritma/v.23-1.3492

Abstract

Penelitian ini bertujuan untuk menganalisis kinerja algoritma machine learning dalam mengklasifikasikan risiko terkait HIV berbasis indikator infeksi oportunistik pada data agregat populasi. Dataset diperoleh dari Kaggle yang berisi data kematian global, dengan variabel target dikonstruksi menjadi klasifikasi biner berdasarkan median jumlah kematian HIV/AIDS untuk merepresentasikan kategori risiko tinggi dan rendah pada tingkat populasi, bukan diagnosis individu. Tahapan penelitian meliputi preprocessing data, penanganan ketidakseimbangan menggunakan SMOTE pada data latih, seleksi fitur berbasis domain klinis, serta pelatihan model menggunakan Random Forest, Support Vector Machine (SVM), dan Logistic Regression dengan optimasi GridSearchCV dan cross-validation. Hasil penelitian menunjukkan bahwa Random Forest memberikan performa terbaik dengan akurasi 98,56% dan AUC 0,99. Namun, performa ini perlu diinterpretasikan secara hati-hati karena dipengaruhi oleh tingginya korelasi antar fitur serta konstruksi target berbasis median yang dapat menyederhanakan pola klasifikasi. Penelitian ini menunjukkan bahwa machine learning dapat digunakan untuk mengidentifikasi pola risiko terkait HIV pada data agregat populasi, tetapi model yang dihasilkan tidak ditujukan untuk diagnosis klinis individu, melainkan sebagai alat analisis risiko pada tingkat populasi.
Optimasi CatBoost Menggunakan Grid Search pada Klasifikasi Ketepatan Waktu Kelulusan Mahasiswa Christopher Radha; Evi Maria
Jurnal Algoritma Vol 23 No 1 (2026): Jurnal Algoritma
Publisher : Institut Teknologi Garut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33364/algoritma/v.23-1.3517

Abstract

On-time student graduation is one of the important indicators in evaluating higher education performance. However, the classification of on-time graduation in academic data often faces the problem of imbalanced class distribution, which can affect the performance of machine learning models. This study aims to develop a classification model for student on-time graduation using the CatBoost algorithm optimized through Grid Search Cross-Validation within the Educational Data Mining framework. The research dataset consists of 951 students with a class imbalance ratio of 1.83:1. Imbalance handling was performed using the Synthetic Minority Oversampling Technique (SMOTE), while hyperparameter optimization was conducted using stratified 5-fold cross-validation with a total of 108 parameter combinations. The results show that the optimized CatBoost model achieved better performance than the default model, with an accuracy of 91.10 percent, a weighted F1-score of 91.20 percent, and a ROC-AUC of 96.09 percent, improving from the default model’s accuracy of 89.01 percent, weighted F1-score of 89.20 percent, and ROC-AUC of 95.39 percent. Feature importance analysis shows that accumulated credits and academic performance in the middle to final semesters are the most influential factors in the classification results. This study demonstrates that hyperparameter optimization plays an important role in improving CatBoost performance on academic data with imbalanced class distribution. The developed model represents classification based on students’ longitudinal academic records, rather than an early prediction system based on initial-semester data, because the features with the highest predictive contribution come from the middle to final semesters.
Prediksi Penyakit Asma Menggunakan Naïve Bayes dan Random Forest Berbasis Data Klinis Multivariat Salsabila Ainur Hidayah; Zaenal Abidin
Jurnal Algoritma Vol 23 No 1 (2026): Jurnal Algoritma
Publisher : Institut Teknologi Garut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33364/algoritma/v.23-1.3521

Abstract

Asma merupakan penyakit kronis pada sistem pernapasan yang berpotensi menurunkan kualitas hidup pasien secara signifikan apabila tidak terdeteksi dan ditangani secara tepat. Penelitian ini bertujuan membandingkan kinerja Gaussian Naïve Bayes dan Random Forest dalam prediksi penyakit asma menggunakan Asthma Disease Dataset dari Kaggle yang memuat 2.392 data pasien dengan distribusi kelas yang tidak seimbang, yakni 2.268 data non-asma dan 124 data asma. Tahapan yang ditempuh meliputi seleksi fitur, preprocessing menggunakan StandardScaler, penanganan ketidakseimbangan kelas dengan SMOTE yang diterapkan eksklusif pada data latih, proses klasifikasi, serta evaluasi model menggunakan metrik accuracy, precision, recall, F1-score, ROC AUC, Cohen's Kappa, MCC, dan 5-Fold Cross Validation. Hasil pengujian menunjukkan bahwa Random Forest memperoleh accuracy tertinggi sebesar 0,904 dengan precision 0,080, sedangkan Gaussian Naïve Bayes menghasilkan recall 0,520, F1-score 0,134, dan ROC AUC 0,638. Temuan ini mengindikasikan bahwa Random Forest lebih unggul dari sisi akurasi keseluruhan, sementara Gaussian Naïve Bayes lebih efektif dalam mendeteksi kasus asma pada dataset yang digunakan. Hasil penelitian ini dapat menjadi referensi dalam pengembangan sistem pendukung keputusan untuk identifikasi risiko asma, meskipun validasi lebih lanjut menggunakan data klinis yang lebih beragam tetap diperlukan.
Deteksi Plagiarisme Tugas Mahasiswa Menggunakan Sentence Embedding Berbasis Transformer dan Metode Cosine Similarity Nawfal Tamim Syuja'i; Dennis Imanuel Daeli; Ichsan Alfarizi Darnela; Eveline Ardhelie Thio Candra; Juliansyah Putra Tanjung
Jurnal Algoritma Vol 23 No 1 (2026): Jurnal Algoritma
Publisher : Institut Teknologi Garut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33364/algoritma/v.23-1.3523

Abstract

Plagiarisme akademik semakin sulit dideteksi karena tidak hanya dilakukan melalui penyalinan langsung, tetapi juga melalui parafrase yang mengubah struktur kalimat tanpa mengubah makna. Penelitian ini mengembangkan sistem deteksi Plagiarisme tugas mahasiswa menggunakan Sentence Embedding berbasis Transformer dan Cosine Similarity. Dataset yang digunakan terdiri dari 600 pasangan teks berbahasa Indonesia yang dianotasi manual sebagai ground truth dengan label plagiat dan tidak plagiat. Tahapan penelitian meliputi pengumpulan data, preprocessing selektif, tokenisasi subword pada model Transformer, pembentukan vektor embedding, perhitungan Cosine Similarity, penentuan Threshold, dan evaluasi performa menggunakan accuracy, precision, recall, serta F1-score. Penelitian membandingkan metode baseline TF-IDF dengan dua model Transformer, yaitu all-MiniLM-L6-v2 dan paraphrase-multilingual-MiniLM-L12-v2. Hasil pengujian menunjukkan bahwa model paraphrase-multilingual-MiniLM-L12-v2 memperoleh performa terbaik dengan akurasi 86,67%, precision 0,83, recall 0,95, dan F1-score 0,89, sedangkan all-MiniLM-L6-v2 memperoleh akurasi 74,67% dan TF-IDF memperoleh akurasi 62,00%. Nilai Threshold 0,70 ditetapkan berdasarkan analisis perubahan precision, recall, dan F1-score sehingga keputusan plagiat tidak hanya didasarkan pada asumsi, tetapi pada hasil evaluasi kuantitatif. Dengan demikian, pendekatan Sentence Embedding berbasis Transformer terbukti lebih efektif dibandingkan metode leksikal dalam mendeteksi Plagiarisme berbasis parafrase pada tugas mahasiswa Teknik Informatika.
Determinan Perilaku, Etika, dan Finansial terhadap Penggunaan Buy Now, Pay Later (BNPL): Tinjauan Literatur Sistematis Bayu Liano Leader Habibullah; Mudjahidin
Jurnal Algoritma Vol 23 No 1 (2026): Jurnal Algoritma
Publisher : Institut Teknologi Garut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33364/algoritma/v.23-1.3524

Abstract

Studi ini menyajikan tinjauan literatur sistematis (Systematic Literature Review/SLR) terhadap 30 artikel peer-review mengenai adopsi, dinamika perilaku, dan implikasi finansial dari layanan Buy Now, Pay Later (BNPL). Dengan menggunakan protokol SPAR-4-SLR dan kerangka TCCM, tinjauan ini mengintegrasikan temuan dari bidang fintech, perilaku konsumen, ekonomi perilaku, dan penelitian kredit digital. Hasil penelitian menunjukkan bahwa studi BNPL terutama menggunakan teori perilaku dan penerimaan teknologi (misalnya TAM, TPB, UTAUT, serta teori pembelian impulsif). Penelitian banyak terkonsentrasi di Indonesia, Malaysia, Australia, Amerika Serikat, dan Inggris. Faktor utama yang memengaruhi niat penggunaan BNPL meliputi persepsi kegunaan, kepercayaan, keterjangkauan, kemudahan, kecenderungan impulsif, dan literasi keuangan. Sebagian besar studi menggunakan metode kuantitatif berbasis survei, sementara pendekatan kualitatif, metode campuran, dan data sekunder masih terbatas. Tinjauan ini mengidentifikasi adanya kesenjangan pada aspek teori, konteks, metode, dan konstruksi, serta membuka peluang penelitian lanjutan seperti integrasi multi-teori, perbandingan lintas negara, dan kajian pada kelompok dengan kerentanan finansial. Implikasi praktis bagi pembuat kebijakan dan penyedia layanan BNPL mencakup peningkatan transparansi, praktik pinjaman yang bertanggung jawab, serta perlindungan konsumen. Keterbatasan penelitian seperti fokus pada BNPL B2C, tidak mencakup model B2B, serta ketergantungan pada data sekunder menjadi peluang untuk penelitian empiris selanjutnya.

Page 115 of 115 | Total Record : 1145

 111   112   113   114   115 

Filter by Year

2012 2026


Reset
Filter By Issues
All Issue Vol 23 No 1 (2026): Jurnal Algoritma Vol 22 No 2 (2025): Jurnal Algoritma Vol 22 No 1 (2025): Jurnal Algoritma Vol 21 No 2 (2024): Jurnal Algoritma Vol 21 No 1 (2024): Jurnal Algoritma Vol 20 No 2 (2023): Jurnal Algoritma Vol 20 No 1 (2023): Jurnal Algoritma Vol 19 No 2 (2022): Jurnal Algoritma Vol 19 No 1 (2022): Jurnal Algoritma Vol 18 No 2 (2021): Jurnal Algoritma Vol 18 No 1 (2021): Jurnal Algoritma Vol 17 No 2 (2020): Jurnal Algoritma Vol 17 No 1 (2020): Jurnal Algoritma Vol 16 No 2 (2019): Jurnal Algoritma Vol 16 No 1 (2019): Jurnal Algoritma Vol 15 No 2 (2018): Jurnal Algoritma Vol 15 No 1 (2018): Jurnal Algoritma Vol 14 No 2 (2017): Jurnal Algoritma Vol 14 No 1 (2017): Jurnal Algoritma Vol 13 No 2 (2016): Jurnal Algoritma Vol 13 No 1 (2016): Jurnal Algoritma Vol 12 No 2 (2015): Jurnal Algoritma Vol 12 No 1 (2015): Jurnal Algoritma Vol 11 No 2 (2014): Jurnal Algoritma Vol 11 No 1 (2014): Jurnal Algoritma Vol 10 No 2 (2013): Jurnal Algoritma Vol 10 No 1 (2013): Jurnal Algoritma Vol 9 No 2 (2012): Jurnal Algoritma Vol 9 No 1 (2012): Jurnal Algoritma More Issue