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 135 Documents
 10   11   12   13   14 
DIGITALISASI ADMINISTRASI ADIYUSWA PPSLU MAPPAKASUNGGUH: IMPLEMENTASI USER CENTERED DESIGN DAN VALIDASI SYSTEM USABILITY SCALE A.Fachri; Titin Wahyuni; Lukman
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.v3i4.4374

Abstract

Pengelolaan administrasi Adiyuswa di PPSLU Mappakasungguh masih mengandalkan Microsoft Excel, Microsoft Word, dan dokumen fisik, sehingga pencarian, pembaruan, pengelompokan, serta penyusunan laporan memerlukan waktu dan berisiko menimbulkan ketidakkonsistenan data. Penelitian ini bertujuan merancang sistem digitalisasi administrasi berbasis web menggunakan pendekatan User Centered Design (UCD) dan mengukur tingkat usabilitasnya menggunakan System Usability Scale (SUS). Penelitian dilaksanakan pada Januari–Juli 2026 dengan pendekatan mixed methods. Data kebutuhan diperoleh melalui observasi, pemeriksaan dokumen, dan wawancara dengan tiga petugas administrasi. Tahapan UCD meliputi identifikasi konteks penggunaan, penentuan kebutuhan pengguna, perancangan solusi, serta evaluasi dan penyempurnaan. Sistem dikembangkan menggunakan PHP, MySQL, Bootstrap, dan lingkungan server XAMPP. Evaluasi fungsional dilakukan melalui 23 skenario black-box, sedangkan evaluasi usabilitas melibatkan 11 petugas dan pengelola yang dipilih secara purposive. Sistem yang dihasilkan menyediakan pengelolaan data Adiyuswa terpusat, pencarian dan penyaringan, analisis data, unggah foto, laporan PDF, manajemen pengguna, serta mekanisme permintaan dan persetujuan akses edit. Seluruh skenario black-box berhasil dengan tingkat keberhasilan 100%. Evaluasi SUS menghasilkan skor rata-rata 82,05 dengan simpangan baku 8,28, yang berada pada kategori excellent. Sistem ini diharapkan mengurangi ketergantungan pada berkas fisik dan mempercepat penyusunan laporan administrasi. Hasil ini menunjukkan bahwa keterlibatan pengguna melalui UCD menghasilkan sistem yang sesuai dengan kebutuhan operasional dan memiliki tingkat penerimaan usabilitas yang tinggi.
KLASIFIKASI PAYLOAD MALWARE TERSEMBUNYI PADA CITRA DIGITAL (STEGANALISIS) MENGGUNAKAN ALGORITMA CONVOLUTIONAL NEURAL NETWORK (CNN) Muh.Dirham Rahim; Muhyiddin A.M Hayat; Rizki Yusliana Bakti; Darniati
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.v3i4.4400

Abstract

Evolusi ancaman keamanan siber saat ini semakin mengarah pada teknik penetrasi senyap, salah satunya pemanfaatan steganografi menggunakan aplikasi Steghide pada citra JPEG. Sistem steganalisis konvensional saat ini masih bertumpu pada klasifikasi biner, sehingga menimbulkan titik buta forensik yang gagal membedakan tingkat keparahan anomali, seperti antara sisipan teks biasa dan skrip malware destruktif. Penelitian ini mengusulkan model 1-Dimensional Convolutional Neural Network (CNN 1D) untuk mengklasifikasikan tingkat ancaman steganografi ke dalam tiga kelas: Normal, Anomali Ringan (teks 20 KB sebagai representasi eksfiltrasi data minor), dan Anomali Berat (malware berekstensi .bat 40 KB sebagai representasi ancaman skrip destruktif). Ambang batas payload spesifik ini dipilih secara empiris karena mampu merepresentasikan margin perubahan densitas koefisien DCT yang signifikan untuk menguji sensitivitas model. Untuk mengatasi overfitting dan kebutaan fitur spasial, ekstraksi fitur dilakukan pada domain frekuensi menggunakan koefisien Discrete Cosine Transform (DCT) yang menghasilkan 2.466 fitur statistik. Pengujian dilakukan menggunakan skenario Paired Dataset dan Grouped Split pada 1.500 citra beresolusi 1024x1024 piksel untuk mencegah bias visual. Hasil penelitian menunjukkan bahwa model CNN 1D yang diusulkan sukses mencatatkan tingkat akurasi pengujian sebesar 83,11% dengan rata-rata F1-Score 82,98%. Dari aspek keamanan siber preventif, model menunjukkan keandalan yang tinggi. Meskipun terdapat tumpang tindih (overlap) prediksi antara kelas Malware dan kelas Teks yang menyebabkan nilai Recall kelas Anomali Berat berada di angka 76,00%, sistem mencatatkan ketiadaan False Negative (0 kejadian) pada persilangan menuju kelas Normal. Hal ini mengindikasikan bahwa pada pengujian ini, tidak ada satupun sampel citra bermuatan skrip destruktif yang lolos dan terklasifikasi sebagai citra aman.
IMPLEMENTASI ALGORITMA CATBOOST BERBASIS TEXT FEATURES PADA KLASIFIKASI SENTIMEN PUBLIK TERKAIT KONFLIK EKOLOGI DAN EKONOMI PERTAMBANGAN Syauqiyah Mujahidah Yahya; Muhyiddin A. M. Hayat; Desi Anggreani
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.v3i4.4404

Abstract

Isu pertambangan kerap memicu dilema antara eksploitasi ekonomi dan pelestarian ekologi, yang memunculkan polarisasi opini publik secara masif di media sosial. Kumpulan opini publik yang berupa data tidak terstruktur ini berpotensi menjadi acuan mitigasi konflik jika dianalisis dengan tepat, namun metode analisis manual terbukti tidak efisien dan rentan terhadap bias. Penelitian ini bertujuan untuk mengimplementasikan algoritma CatBoost berbasis Text Features guna mengklasifikasikan sentimen publik terhadap isu pertambangan ke dalam kelas positif, negatif, dan netral. Data penelitian bersumber dari komentar TikTok dan YouTube yang diekstraksi menggunakan metode web scraping, menghasilkan 2.049 data bersih. Pemrosesan dilakukan dengan memanfaatkan fitur Native Text Handling pada arsitektur CatBoost, sehingga teks diproses secara internal berbasis probabilitas tanpa memerlukan konversi matriks vektor eksternal yang membebani komputasi  . Data dibagi menggunakan teknik stratified random sampling dengan rasio 80:20, yang terdiri dari 1.639 data latih dan 410 data uji. Hasil evaluasi model menggunakan Confusion Matrix dan optimasi hyperparameter Optuna menunjukkan tingkat akurasi keseluruhan sebesar 77% (0,7659) dan nilai rata-rata F1-Score Macro sebesar 0,77. Secara spesifik, kelas Netral mencapai tingkat kepekaan (Recall) tertinggi sebesar 79%, sedangkan kelas Negatif mencatatkan tingkat kehati-hatian (Precision) tertinggi sebesar 81%. Model klasifikasi berbasis CatBoost terbukti tangguh, efisien, dan seimbang dalam memetakan polaritas opini publik secara otomatis sebagai landasan deteksi dini mitigasi konflik sosial-lingkungan.
IMPLEMENTASI ALGORITMA RANDOM FOREST UNTUK KLASIFIKASI NILAI TUKAR EURO DAN DOLLAR SECARA REAL-TIME Sa'ban Sa'ban; Muhammad Faisal; Rizki Yusliana Bakti
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.v3i4.4408

Abstract

Penelitian ini membahas pengembangan sistem prediksi pergerakan nilai tukar pasangan mata uang EUR/USD berbasis situs web dengan menerapkan algoritma Random Forest. Aliran data awal yang digunakan merupakan riwayat harga Open, High, Low, Close, Volume (OHLCV) yang ditarik secara realtime sejak tahun 2021 melalui API MetaTrader 5. Permasalahan utama penelitian adalah tingkat volatilitas pasar valuta asing yang ekstrem sehingga menyebabkan kerugian bagi pelaku pasar ritel akibat pengambilan keputusan yang subyektif. Penelitian ini bertujuan membangun sistem komputasi cerdas dua tahap (Two-Stage Machine Learning) yang mampu mengklasifikasikan arah tren (Naik, Turun, Stabil) dan mengestimasi target jarak pergerakan dalam satuan pips. Variabel yang digunakan mencakup 14 fitur teknikal dari tiga kerangka waktu (M15, H1, H4). Tahapan penelitian meliputi pengumpulan data, rekayasa fitur (feature engineering), penyelarasan waktu (backward merging), pelatihan model Random Forest Classifier dan Regressor, implementasi dashboard website, serta pengujian fungsionalitas waktu nyata (real-time). Pengujian model klasifikasi dievaluasi melalui dua skenario batas toleransi (threshold), yakni 3 pips dan 17 pips. Hasil evaluasi menunjukkan bahwa skenario 17 pips menghasilkan akurasi sebesar 85,28% untuk 1 jam ke depan, namun rentan terhadap class imbalance karena didominasi oleh tebakan kelas stabil. Sebaliknya, penerapan batas 3 pips dipilih untuk menjaga keseimbangan deteksi (balanced detection) pada pergerakan tren yang aktif, meskipun akurasi keseluruhannya berada pada 47,80%. Pemilihan batas 3 pips ini juga ditujukan sebagai baseline pengujian, dengan menyadari perlunya penyesuaian lebih lanjut terhadap spread dan slippage pada transaksi perdagangan riil. Sistem regresi mencapai Mean Absolute Error (MAE) sebesar 4,33 pips. Sistem yang dibangun mampu membantu pelaku pasar mendapatkan rekomendasi prediksi target secara terstruktur dan objektif
Analisis ANALISIS KEPUASAN PELANGGAN PADA ULASAN PRODUK E-COMMERCE TOKOPEDIA MENGGUNAKAN BIDIRECTIONAL LONG SHORT-TERM MEMORY Muhammad Faturrachman Iswan; Muhammad Faisal; Rizki Yusliana Bakti
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.v3i4.4413

Abstract

Ulasan pelanggan pada platform e-commerce kerap menunjukkan ketidaksesuaian antara isi teks dan rating numerik yang diberikan, sehingga menyulitkan pelaku usaha dalam menilai kepuasan pelanggan secara objektif, terutama pada volume data yang besar. Penelitian ini bertujuan mengembangkan dan mengevaluasi model Bidirectional Long Short-Term Memory (BiLSTM) untuk mengklasifikasikan sentimen ulasan produk pada platform Tokopedia ke dalam kategori positif, netral, dan negatif sebagai representasi tingkat kepuasan pelanggan. Penelitian menggunakan pendekatan kuantitatif-eksperimental terhadap 4.060 data ulasan berbahasa Indonesia yang diperoleh melalui scraping. Data diproses melalui tahapan case folding, cleaning, tokenisasi, stopword removal, dan stemming, kemudian ditransformasikan menjadi representasi numerik melalui embedding layer berdimensi 128 sebelum dilatih menggunakan arsitektur BiLSTM dengan 64 unit dan optimizer Adam selama 10 epoch. Eksperimen dilakukan menggunakan dataset dengan distribusi kelas yang tidak seimbang (imbalanced dataset) tanpa penerapan teknik manipulasi data seperti SMOTE atau oversampling, maupun penyesuaian algoritma menggunakan class weight. Hasil pengujian pada 812 data uji dengan rasio 80:20 menunjukkan model mencapai akurasi 77,83%, dengan performa terbaik pada kelas positif (precision 0,84; recall 0,87; F1-score 0,86) dan performa terendah pada kelas netral dengan F1-score 0,44. Temuan ini menunjukkan bahwa BiLSTM mampu menangkap konteks dua arah dalam teks untuk klasifikasi sentimen berbahasa Indonesia, tetapi ketidakseimbangan distribusi kelas dan karakteristik kelas netral yang ambigu masih memengaruhi performa klasifikasi. Penelitian ini memberikan dasar bagi penerapan analisis sentimen untuk membantu pemantauan kepuasan pelanggan pada platform e-commerce secara otomatis
IMPLEMENTASI MEKANISME QUEUE DAN WORKER UNTUK OPTIMASI UTILISASI GPU DALAM PEMROSESAN LAYANAN AI PADA BACKEND Syahrul Ramadhan; Muhyiddin AM Hayat; Rizki Yusliana Bakti; Titin Wahyuni; Fahrim Irhamna Rachman; Darniati
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.v3i4.4439

Abstract

Pengembangan layanan Kecerdasan Buatan (AI) berbasis Large Language Models (LLM) telah meningkatkan kebutuhan akan sistem backend yang mampu menangani proses inferensi secara efisien. Proses inferensi yang berjalan pada Graphics Processing Units (GPU) membutuhkan komputasi yang intensif, yang berpotensi menyebabkan hambatan (bottleneck) dan penggunaan GPU yang tidak optimal. Penelitian ini bertujuan untuk mengimplementasikan mekanisme queue dan worker pada backend layanan AI berbasis GPU, menganalisis dampak variasi jumlah worker terhadap kinerja sistem dan penggunaan GPU, serta menentukan konfigurasi worker yang paling optimal. Sistem ini dikembangkan menggunakan bahasa pemrograman Go dengan arsitektur berlapis, Redis sebagai message queue, Asynq sebagai pengelola queue dan worker, serta vLLM sebagai layanan inferensi AI berbasis GPU. Pengujian dilakukan menggunakan K6 dengan beban 50 virtual users selama 60 detik pada konfigurasi dengan 1, 2, 4, 8, dan 16 worker. Parameter yang dianalisis meliputi waktu respons (response time), throughput, tingkat kesalahan (error rate), penggunaan GPU (GPU utilization), dan waktu GPU menganggur (GPU idle time). Hasil penelitian menunjukkan bahwa peningkatan jumlah worker meningkatkan throughput dari 26,60 menjadi 142,91 requests/s, mengurangi waktu respons dari 1.904 menjadi 343,54 ms, dan meningkatkan penggunaan GPU dari 80,21% menjadi 100%. Semua konfigurasi menghasilkan error rate sebesar 0%, sementara waktu GPU menganggur menurun dari 18,3% menjadi 0%. Berdasarkan seluruh parameter pengujian, konfigurasi 8 worker memberikan keseimbangan terbaik antara kecepatan respons, kapasitas pemrosesan, dan efisiensi penggunaan GPU, sehingga menjadikannya konfigurasi paling optimal dalam lingkungan pengujian penelitian ini.
KLASIFIKASI KELAYAKAN SAHAM JANGKA PANJANG MENGGUNAKAN RANDOM FOREST BERBASIS RASIO FUNDAMENTAL EMITEN BEI Afil Anugrah; 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.v3i4.4453

Abstract

Investasi saham jangka panjang memerlukan penyaringan yang mempertimbangkan kondisi fundamental perusahaan secara sistematis. Penelitian ini bertujuan membangun model klasifikasi kelayakan saham menggunakan Random Forest berbasis Price Earnings Ratio (PER), Price to Book Value (PBV), Return on Equity (ROE), Debt to Equity Ratio (DER), dan Earnings per Share (EPS) pada emiten Bursa Efek Indonesia. Dataset terdiri atas 375 perusahaan dengan data fundamental periode 2025 yang diperoleh menggunakan yfinance. Label dibentuk melalui rule-based scoring dengan kriteria PER < 25, PBV < 3, ROE > 15, DER < 1, dan EPS > 0; skor ≥ 3 dikategorikan Layak dan skor < 3 Tidak Layak. Data dibagi 80:20 menjadi 300 data training dan 75 data testing. Random Forest menggunakan 100 Decision Tree dan dievaluasi dengan Accuracy, Precision, Recall, F1-Score, dan Confusion Matrix. Hasil pengujian menunjukkan Accuracy 97,33%, Precision 97,92%, Recall 97,92%, dan F1-Score 97,92%, dengan 73 dari 75 data uji diklasifikasikan benar. Feature Importance menunjukkan PER 0,47, PBV 0,24, EPS 0,13, ROE 0,11, dan DER 0,05. Hasil tersebut menunjukkan konsistensi model dalam mereplikasi label berbasis aturan, bukan bukti kemampuan memprediksi return saham masa depan karena label dan fitur berasal dari indikator yang sama.
IMPLEMENTASI RANDOM FOREST DAN SHAP PADA PREDIKSI RISIKO STROKE BERDASARKAN POLA KONSUMSI NUTRISI Muh Fadhil Ahmad; Chyquita Danuputri; Ida Mulyadi
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.v3i4.4489

Abstract

Stroke merupakan salah satu penyebab utama kematian dan disabilitas di dunia, dengan pola konsumsi nutrisi yang tidak seimbang sebagai salah satu faktor risiko utamanya. Penelitian ini mengembangkan model klasifikasi tingkat risiko stroke berbasis algoritma Random Forest menggunakan data pola konsumsi nutrisi dan indikator kesehatan pasien Puskesmas Kanjilo, Kabupaten Gowa, Sulawesi Selatan, serta menerapkan metode SHAP (SHapley Additive exPlanations) untuk menginterpretasikan kontribusi setiap fitur terhadap hasil klasifikasi. Label kategori risiko (Aman, Berisiko, Sangat Berisiko) dibentuk melalui skema skor berbasis aturan klinis (rule-based scoring) atas 12 indikator kesehatan dan nutrisi, sehingga hasil evaluasi model perlu dibaca sebagai ukuran konsistensi model terhadap aturan pelabelan tersebut, bukan sebagai bukti prediksi klinis yang telah tervalidasi. Model Random Forest yang dibangun menunjukkan performa klasifikasi yang sangat tinggi dan konsisten pada pengujian data uji maupun validasi silang 5-fold, dengan kestabilan performa yang baik pada ketiga kategori risiko. Analisis SHAP menunjukkan bahwa konsumsi serat, konsumsi lemak, BMI, tekanan darah, dan status hipertensi merupakan fitur dengan kontribusi terbesar terhadap hasil klasifikasi, konsisten dengan feature importance bawaan Random Forest maupun dengan literatur epidemiologis mengenai peran nutrisi dan tekanan darah dalam risiko stroke. Model semacam ini berpotensi menjadi alat bantu skrining awal yang transparan bagi tenaga kesehatan di fasilitas pelayanan primer seperti Puskesmas untuk mengidentifikasi pasien berisiko dan mengarahkan edukasi gizi, dengan catatan bahwa penerapan klinisnya tetap memerlukan validasi lebih lanjut oleh tenaga medis serta pengujian pada data di luar skema pelabelan internal yang digunakan.
DETEKSI TEKS BERITA HASIL GENERATED KECERDASAN BUATAN BERDASARKAN FITUR STILOMETRI MENGGUNAKAN ALGORITMA TABPFN DAN SHAP Syamsul Alam; Muhammad Faisal; Rizki Yusliana Bakti
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.v3i4.4557

Abstract

Kemajuan pesat Large Language Models (LLM) seperti Llama 3.1 memicu eskalasi disinformasi digital akibat kemampuannya memproduksi teks berita sintetis yang menyerupai gaya penulisan jurnalis manusia. Penelitian ini mengusulkan kerangka deteksi forensik digital teks berbasis fitur stilometri tingkat permukaan yang dipadukan dengan algoritma klasifikasi Prior-Data Fitted Networks (TabPFN) serta transparansi model berbasis Shapley Additive Explanations (SHAP). Eksperimen dilakukan menggunakan korpus seimbang 500 dokumen berita berbahasa Indonesia (250 artikel orisinal Kompas.com dan 250 teks sintesis Llama 3.1) yang dipartisi secara terstratifikasi dengan rasio 80:20, yaitu 400 data latih dan 100 data uji. Enam atribut stilometri diekstraksi tanpa melalui tahap pembuangan kata henti maupun perataan morfologi guna mempertahankan keaslian sidik jari gaya kepenulisan. Pemanfaatan TabPFN memungkinkan inferensi data tabular dieksekusi secara instan melalui mekanisme in-context learning tanpa membutuhkan penalaan hiperparameter yang intensif. Hasil evaluasi empiris membuktikan keandalan tinggi dan konsistensi klasifikasi model dalam membedakan naskah berita manusia dari teks buatan mesin secara objektif dan independen terhadap topik wacana. Analisis keterbukaan model menggunakan SHAP mengungkap bahwa Type-Token Ratio (TTR) merupakan determinan stilometri paling krusial, di mana tingginya diversitas kosakata jurnalis manusia menjadi faktor pembeda esensial terhadap kecenderungan repetisi leksikal mesin. Secara keilmuan, integrasi ini membuktikan efektivitas pendekatan stilometri terukur sebagai instrumen forensik digital teks yang tangguh, efisien secara komputasi, dan akuntabel dalam mendukung verifikasi keaslian naskah pada ekosistem jurnalisme media daring.
PENDEKATAN DEEP NEURAL NETWORK UNTUK KLASIFIKASI KELAYAKAN PENERIMA BANTUAN SOSIAL: STUDI KASUS PENARGETAN SOSIAL PADA TINGKAT DESA Selfira Ayu Safitri; Muhammad Faisal; Desi Anggreani
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.v3i4.4623

Abstract

Bantuan sosial merupakan program pemerintah yang ditujukan untuk mendukung masyarakat yang memenuhi kriteria sosial ekonomi tertentu. Identifikasi penerima yang tepat sangat penting untuk meminimalkan kesalahan penargetan dan memastikan bantuan diberikan kepada rumah tangga yang benar-benar membutuhkan. Pendekatan klasifikasi konvensional memiliki keterbatasan dalam menangkap hubungan yang kompleks dan nonlinier antar karakteristik sosial ekonomi rumah tangga. Oleh karena itu, penelitian ini menerapkan *Deep Neural Network* (DNN) untuk mengklasifikasikan kelayakan penerima bantuan sosial berdasarkan karakteristik sosial ekonomi rumah tangga di Desa Parigi serta mengevaluasi kinerja klasifikasinya. Data diperoleh dari Pemerintah Desa Parigi dan diproses melalui tahapan pembersihan data, pemeriksaan nilai yang hilang, pelabelan, normalisasi, pembagian data, pelatihan model, dan pengujian. Dataset dibagi menjadi data pelatihan dan data pengujian dengan rasio 80:20. DNN dipilih karena arsitektur berlapisnya mampu mempelajari hubungan nonlinier antarvariabel masukan sehingga sesuai untuk memodelkan pola kompleks pada data sosial ekonomi rumah tangga. Hasil evaluasi berdasarkan confusion matrix menunjukkan nilai akurasi sebesar 95,24%, presisi sebesar 92%, recall sebesar 100%, dan F1-score sebesar 95,83%. Hasil tersebut menunjukkan bahwa model DNN memiliki kinerja klasifikasi yang baik dalam mengidentifikasi penerima bantuan sosial yang layak dan tidak layak. Temuan penelitian menunjukkan bahwa DNN dapat digunakan sebagai pendekatan pendukung keputusan berbasis data untuk membantu

Page 13 of 14 | Total Record : 135

 10   11   12   13   14 

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