cover
Article Per Year (5 Year)
All
Home Page
OAI Link
Editorial Team
Contact
Reviewer
Google Scholar
Contact Name
Ali Ibrahim
Contact Email
jurnaljcsitppmi@gmail.com
Phone
+6281271525366
Journal Mail Official
jurnaljcsitppmi@gmail.com
Editorial Address
Perum Taman Asri 1 Blok C2 RT 31 RW 06 Palembang South Sumatra 30149
Location
Kota palembang,
Sumatera selatan
INDONESIA
Journal of Computer Science and Information Technology
Published by Yayasan Nuraini Ibrahim Mandiri
ISSN : -     EISSN : 30318467     DOI : https://doi.org/10.59407/jcsit.v1i2
Core Subject : Economy, Science, Social,
Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Environmental Science Social Sciences
Journal of Computer Science and Information Technology (JCSIT) is a national journal for scientific research, thinking, and critical-analytical studies on Biomedical Application Computer Network and Architecture, Data Mining, E-Business, E-Commerce, E-Government E-Learning, Embedded Systems, Environmental Systems, Fuzzy Logics, Genetic Algorithms, Geographic Information System, High-Performance Computing, Human-Computer Interaction, Image Processing, Internet of Things (IoT), Computer Vision, Information Security, Information Retrieval, Modeling System and Control, Mobile Technology, Neural Networks, Pattern Recognition, Remote Sensing, Robotics, Signal Processing, Smart Home, Smart Sensor Networks
Arjuna Subject : Ilmu Komputer (semua kategori) - Sistem Informasi
Articles 112 Documents
 8   9   10   11   12 
PENERAPAN ALGORITMA GAUSSIAN NAIVE BAYES UNTUK KLASIFIKASI TINGKAT RISIKO PELANGGAN POTENSIAL PENUNGGAK TAGIHAN LISTRIK PADA DATA PLN Ari Ahmad Dahril; Rizki Yusliana Bakti; Muhammad Faisal
Journal of Computer Science and Information Technology Vol. 3 No. 4 (2026): September
Publisher : Yayasan Nuraini Ibrahim Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70248/jcsit.v3i4.4434

Abstract

Penunggakan pembayaran tagihan listrik pascabayar merupakan salah satu permasalahan yang berdampak pada arus kas PT Perusahaan Listrik Negara (Persero). Mekanisme penanganan tunggakan yang masih bersifat reaktif menyebabkan biaya operasional yang tinggi sehingga diperlukan pendekatan prediktif berbasis data untuk mengidentifikasi pelanggan berisiko sejak dini. Penelitian ini menerapkan algoritma Gaussian Naive Bayes untuk mengklasifikasikan tingkat risiko pelanggan listrik pascabayar PLN UP3 Makassar Selatan ke dalam tiga kategori, yaitu Rendah, Sedang, dan Tinggi, berdasarkan pola historis pembayaran. Data riwayat pembayaran diagregasi menjadi 670 data pelanggan dengan delapan atribut prediktor. Tahapan penelitian meliputi preprocessing data, standardisasi menggunakan StandardScaler, seleksi fitur dengan SelectKBest (ANOVA F-test), pembagian data 80:20 menggunakan Stratified Split, optimasi hyperparameter var_smoothing melalui Bayesian Optimization, serta evaluasi akhir menggunakan 5-Fold Stratified Cross Validation. Hasil pengujian menunjukkan model memperoleh akurasi sebesar 85,07%, dengan precision, recall, dan F1-score tertinggi pada kelas Rendah (0,90; 0,84; 0,87) dan performa lebih rendah pada kelas Tinggi (0,74; 0,57; 0,64) akibat jumlah data yang tidak seimbang. Atribut jumlah pembayaran tepat waktu, jumlah keterlambatan, dan status pembayaran bulan terakhir merupakan fitur yang paling berpengaruh dalam proses klasifikasi. Hasil ini menunjukkan bahwa Gaussian Naive Bayes efektif digunakan sebagai model pendukung Early Warning System bagi PLN dalam mengidentifikasi pelanggan yang berpotensi menunggak. Kata Kunci: Tunggakan Listrik, Gaussian Naive Bayes, Klasifikasi, Risiko Pelanggan, Data Mining.
SISTEM PREDIKSI MULTI-PENYAKIT BERBASIS GEJALA DENGAN KELUARAN PROBABILITAS TIGA TERATAS MENGGUNAKAN ALGORITMA RANDOM FOREST Hardita Subanda; Fahrim Irhamna Rachman; Muhammad Faisal
Journal of Computer Science and Information Technology Vol. 3 No. 4 (2026): September
Publisher : Yayasan Nuraini Ibrahim Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.70248/jcsit.v3i4.4478

Abstract

Beberapa penyakit umum seperti malaria, demam berdarah dengue (DBD), tifoid, infeksi saluran pernapasan akut (ISPA), dan Gastroenteritis memiliki gejala awal yang saling tumpang tindih sehingga sering menyulitkan identifikasi dini pada fasilitas kesehatan tingkat pertama, salah satunya Klinik Banda Neira yang saat ini masih melakukan identifikasi gejala secara manual. Penelitian ini bertujuan membangun sistem pendukung keputusan (decision support system) berbasis web menggunakan algoritma Random Forest sebagai alat bantu skrining awal bagi tenaga kesehatan, bukan sebagai penentu diagnosis mutlak, yang menampilkan tiga kemungkinan penyakit dengan probabilitas tertinggi (top-3 probability) berdasarkan gejala yang diinput pengguna. Dataset penelitian merupakan integrasi 4.027 data yang terdiri atas 886 data (22%) rekam medis Klinik Banda Neira dan 3.141 data (78%) dataset publik; sebelum digabungkan, kedua sumber data diselaraskan (harmonisasi) terlebih dahulu ke dalam struktur atribut yang identik, yaitu sepuluh variabel gejala biner (demam, batuk, mual, muntah, diare, sakit kepala, nyeri otot, menggigil, sesak napas, dan ruam merah) serta lima label penyakit yang sama. Tahapan penelitian meliputi preprocessing data, pembagian data latih-uji secara stratified (80:20), pelatihan model, hyperparameter tuning menggunakan GridSearchCV, serta evaluasi menggunakan accuracy, precision, recall, F1-score, confusion matrix, dan 5-fold cross-validation. Pengujian black box terhadap sembilan skenario menunjukkan seluruh fitur sistem berjalan sesuai rancangan. Hasil evaluasi menunjukkan algoritma Random Forest menghasilkan akurasi 87,59%, precision (weighted) 89,09%, recall (weighted) 87,59%, F1-score (weighted) 87,78%, serta rata-rata akurasi cross-validation 87,24% (standar deviasi 1,28%). Confusion matrix menunjukkan kesalahan klasifikasi terbesar antara kelas DBD dan Tifoid akibat kemiripan gejala awal, sedangkan feature importance menunjukkan gejala batuk sebagai fitur dengan kontribusi tertinggi. Dengan demikian, algoritma Random Forest terbukti mampu memberikan kinerja klasifikasi yang baik dan stabil sebagai sistem pendukung keputusan awal bagi tenaga medis, dengan keterbatasan utama berupa representasi gejala yang masih bersifat biner tanpa mempertimbangkan derajat keparahan

Page 12 of 12 | Total Record : 112

 8   9   10   11   12 

Filter by Year

2023 2026


Reset
Filter By Issues
All Issue Vol. 3 No. 4 (2026): September Vol. 3 No. 3 (2026): Juni Vol. 3 No. 2 (2026): Maret Vol. 3 No. 1 (2025): Desember Vol. 2 No. 4 (2025): September Vol. 2 No. 3 (2025): Juni Vol. 2 No. 2 (2025): Maret Vol. 2 No. 1 (2024): Desember Vol. 1 No. 4 (2024): September Vol. 1 No. 3 (2024): Juni Vol. 1 No. 2 (2024): Maret Vol. 1 No. 1 (2023): Desember 2023 More Issue