DOI: 10.26418/justin.v12i3.

80135
Vol. 12, No. 3, Juli 2024

p-ISSN : 2460-3562 / e-ISSN : 2620-8989

Prediksi Pasien Pusat Kesehatan Masyarakat
Menggunakan Machine Learning
Neni Purwatia1, Windya Harieska Pramujatib2, Syakurc3, Egi Safitrid4
ac
Departemen Sistem Informasi, Fakultas Sains dan Teknologi, Universitas YPPI Rembang
b
Departemen Statistika, Fakultas Sains dan Teknologi, Universitas YPPI Rembang
Jl. Raya Rembang – Pamotan KM. 4 Rembang
1nenipurwati@uyr.ac.id
2windyaharieska@uyr.ac.id
3syakurpragen@uyr.ac.id

d
Departemen Sains Data, Fakultas Ilmu Komputer, Institut Informatika dan Bisnis Darmajaya
Jl. Z.A. Pagar Alam No.93 Labuhan Ratu Bandar Lampung
4egisafitri@darmajaya.ac.id

Abstrak
Kunjungan pasien yang bersifat fluktuatif membuat pihak manajemen rumah sakit kesulitan dalam melakukan
perencanaan sehingga prediksi kunjungan pasien penting dilakukan oleh pusat kesehatan masyarakat
(PusKesMas). Tujuan penelitian ini untuk melakukan prediksi terhadap pasien yang datang berobat pada
puskesmas dapat pelayanan menjadi lebih baik. Berdasarkan pada kinerja yang baik dalam menyelesaikan
permasalahan yang telah dirumuskan, model yang digunakan adalah Random Forest (RF) dan Extreme Gradient
Boosting (XGBoost). Bahasa pemrograman yang digunakan yaitu python dengan memanfaatkan google colab.
Tahapan memisahkan data tain dan test dengan prosentase 70% untuk data train dan 30% untuk data test
menghasilkan akurasi pada RF sebesar 0.69 sedangkan pada XGBoost sebesar 0.93. Adapun hasil confusion
matrix dari XGBoost yaitu true positive (TP) yakni data yang diprediksi dengan tepat dan benar sebanyak 53,
false negative (FN) bernilai 3, false positive (FP) bernilai 2 dan 1, true negative (TN) bernilai 40, 4, 1, 46.
Sedangkan hasil classification report model XGBoost dari weighted Average nilai precision 0.93, nilai recall 0.93
dan nilai F1-Score juga 0.93. Hasil tersebut menunjukkan bahwa model yang digunakan memiliki kinerja yang
berkualitas baik, sehingga layak digunakan. Penerapan yang di lakukan adalah dengan klasifikasi data XGBoost
untuk menilai kunjungan pasien dalam 5 tahun mendatang, dengan prediksi mencapai akurasi 93%.
Kata kunci: Prediksi, Machine Learning, Data Mining, Random Forest, XGboost, PusKesMas

Community Health Center Patient Predictions

Using Machine Learning
Abstract
The fluctuating nature of patient visits makes it difficult for hospital management to plan, so it is important to
predict patient visits by community health centers (PusKesMas) based on gender. The purpose of this study is to
predict whether patients who come for treatment at the community health center can be served immediately, the
supply/stock of drugs can meet the needs of patients and the availability of sufficient medical equipment, so that
community health center services improve for the better. Based on good performance in solving the problems
that have been formulated, the methods used are Random Forest (RF) and Extreme Gradient Boosting
(XGBoost). The programming language used is Python using Google Colab. The stage of separating tain and test
data using the scikit-learn train_test_split module with a percentage of 70% for train data and 30% for test data
produces an accuracy in RF of 0.69 while in XGBoost it is 0.93. The results of the confusion matrix from XGBoost
are true positive (TP), namely data that is predicted correctly and precisely as much as 53, false negative (FN)
worth 3, false positive (FP) worth 2 and 1, true negative (TN) worth 40, 4, 1, 46. Meanwhile, the results of the
XGBoost classification report model from the weighted Average precision value of 0.93, the recall value of 0.93
and the F1-Score value is also 0.93. These results indicate that the model used has good quality performance, so
it is worthy of use. The application carried out is with the XGBoost data classification to assess patient visits in
the next 5 years, with a prediction of achieving 93% accuracy.
Keywords: Predicted, Machine Learning, Data Mining, Random Forest, XGboost, PusKesMas

Submitted 11-06-2024; Revised 26-07-2024; Accepted 28-07-2024 578

JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol. 12 , No. 3 , Juli 2024

untuk meningkatkan performa model klasifikasi rendah

menjadi performa model yang tinggi[14].

II. METODOLOGI PENELITIAN

I. PENDAHULUAN Metodologi yang digunakan pada penelitian ini melalui
Kunjungan pasien yang bersifat fluktuatif atau tidak beberapa tahapan penelitian sebagai berikut[15]:
tetap membuat pihak manajemen rumah sakit kesulitan
dalam melakukan perencanaan[1], agar dapat mengetahui Mulai
kenaikan jumlah pengunjung dan membantu manajemen
rumah sakit dalam melakukan perencanaan, sehingga
prediksi kunjungan pasien penting dilakukan [2]
Puskesmas(Pusat Kesehatan Masyarakat) sebagai pusat Perumusan Masalah
tempat berobat masyarakat atau pasien untuk mengobati
penyakit yang diderita. Kondisi pada setiap puskesmas
berbeda-beda tergantung pada lingkungan masyarakat
Penentuan Metode
sekitarnya berupa luas wilayah dan jumlah penduduk
layanan yang berada dalam tanggungjawabnya. Masalah
yang sering terjadi pada puskesmas diantaranya antrian
yang lama karena keterbatasan SDM dan stok obat yang Pengambilan Data
ada tidak dapat mencukupi kebutuhan pasien, serta
peralatan medis yang masih minim pada puskesmas,
sehingga kebutuhan pasien tidak terpenuhi[3].
Penelitian ini bertujuan untuk melakukan prediksi Preprocessing Data
pasien yang datang berobat pada puskesmas agar dapat
terlayani dengan baik karena ketersediaan petugas layanan
puskesmas yang memadai dan persediaan/stok obat dapat Prediksi
memenuhi kebutuhan pasien, serta ketersediaan peralatan (Random Forest & eXtreme gradient boosting)
medis yang mencukupi, hal tersebut dimaksudkan agar
kualitas layanan puskesmas semakin meningkat menjadi
lebih baik[4], untuk memaksimalkan pelayanan di Evaluasi
butuhkan prediksi yang akurat[5] dengan menerapkan
Python sebagai pemegang peranan penting bahasa
pemrograman populer untuk aplikasi pembelajaran mesin
yang banyak digunakan dalam pengembangan aplikasi Selesai
ML geospasial[6]. Gambar 1. Tahapan Penelitian
Seiring berkembangnya kecerdasan buatan yang
dikenal dengan sebutan AI(Artificial Intelligence) sebagai A. Perumusan Masalah
program komputer yang dirancang untuk meniru Masalah yang terjadi pada puskesmas diantaranya
kecerdasan manusia, termasuk kemampuan pengambilan antrian yang lama, stok obat tidak mencukupi, serta
keputusan, logika, dan karakteristik kecerdasan lainnya[7]. peralatan medis yang masih minim pada puskesmas.
Ilmu yang dikembangkan dalam lingkup dan turunan AI Tujuan penelitian ini untuk melakukan prediksi pasien
ada beberapa macam diantaranya ML(Machine Learning) yang datang berobat pada puskesmas dapat dilayani
atau pembelajaran mesin yang memungkinkan komputer segera, persediaan/stok obat dapat memenuhi kebutuhan
belajar dari data dan membuat keputusan atau prediksi pasien serta ketersediaan peralatan medis yang mencukupi,
secara otomatis tanpa harus diprogram secara eksplisit[8], sehingga pelayanan puskesmas meningkat menjadi lebih
dan DM(Data Mining) digunakan untuk memanfaatkan baik.
data yang sudah ada di perusahaan atau instansi dalam Hasil dari penelitian ini diharapkan dapat memberikan
membantu mengidentifikasi tren, mengklasifikasikan data, wawasan yang lebih mendalam tentang kemampuan dan
memanfaatkan potensi besar dari data yang tersedia[9]. keunggulan dari masing-masing algoritma.
Dalam Teknik DM memiliki beberapa algoritma
diantaranya algoritma Random Forest(RF) dan Extreme B. Penentuan Metode
Gradient Boosting(XGBoost)[10]. RF merupakan konsep Pemilihan metode pada penelitian ini berdasarkan pada
penggabungan beberapa pohon keputusan (decision tree) kinerja yang baik dalam menyelesaikan permasalahan
independen untuk melakukan proses klasifikasi atau yang telah dirumuskan, karena dibeberapa penelitian RF
regresi[11]. RF dapat menghasilkan akurasi yang tinggi menghasilkan akurasi yang tinggi dibandingkan algortima
dibandingkan dengan metode klasifikasi lainnya[12]. klasifikasi lainnya, sedangkan XGBoost mampu
Model XGBoost telah terbukti mampu melakukan melakukan prediksi data regresi dan klasifikasi dengan
prediksi data regresi dan klasifikasi dengan baik dan baik dan akurat.
akurat[13]. XGBoost adalah algoritma klasifikasi yang C. Pengambilan Data
menggunakan teknik boosting, yaitu proses berulang

Korespondensi : Neni Purwati 579

JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol. 12 , No. 3 , Juli 2024

Data yang digunakan untuk melakukan prediksi dengan Langkah awal yang dilakukan pada preprocessing data
menggunakan dataset kunjungan pasien berobat rawat adalah transformasi dari ke-6 atribut ada 4 yang
jalan pada Puskesmas Hanura yang terletak di desa mengalami perubahan yaitu Usia Pasien, Alamat, Jenis
Hanura propinsi Lampung periode data bulan Oktober- Penyakit dan Jenis Kelamin. Usia Pasien mengacu pada
Desember 2023 sebanyak 500 record, dan sebanyak 6 ketentuan Departemen Kesehatan Republik Indonesia
atribut yaitu Usia Pasien, Tinggi Badan, Berat Badan, tahun 2009 dengan 9 kategori seperti pada table 1 berikut:
Jenis Penyakit, Alamat Pasien dan Jenis Kelamin. TABEL I
KATEGORI USIA
D. Preprocessing Data Rentang Usia Kelompok Transformasi
(tahun) Usia
Proses penggunaan data yang mentah sebelum
0-5 Balita 1
dilakukan analisis, yang mencakup beberapa tahapan 6-11 Kanak-kanak 2
seperti pembersihan dan pengubahan data ini disebut 12-16 Remaja Awal 3
dengan preprocessing[16]. 17-25 Remaja Akhir 4
26-35 Dewasa Awal 5
1) Pembersihan Data (Cleaning) 36-45 Dewasa Akhir 6
Dilakukan cleaning data yang kosong dan 46-55 Lansia Awal 7
menghilangkan data yang missing, serta mengecek 56-65 Lansia Akhir 8
duplikasi data, sehingga statusnya menjadi result yang >66 Manula 9
berarti telah layak dan baik untuk dilakukan pemrosesan
pada tahap selanjutnya. Data Alamat Pasien dilakukan transformasi menjadi
atribut desa untuk memudahkan pemrosesan selanjutnya,
ada 13 desa antara lain pada tabel 2 berikut:
TABEL II
DATA DESA
Desa Transformasi
Hanura 1
Lempasing 2
Gebang 3
Cilimus 4
Hurun 5
Sidodadi 6
Batu Menyan 7
Tanjung Agung 8
Magan 9
Seribu 10
Gambar 2. Hasil Pengecekan Duplikasi Data
Munca 11
Ketapang 12
Berikut salah satu tampilan visualisasi data dari dataset Margodadi 13
yang digunakan pada penelitian ini :
Transformasi dilakukan juga terhadap atribut Jenis
Penyakit yang terdiri dari 45 jenis antara lain seperti
pada table 3 berikut:
TABEL III
JENIS PENYAKIT
Jenis Penyakit Transformasi
HT/Hipertensi 1
J00/Flu Biasa 2
ISPA/Infeksi Saluran Pernapasan 3
Demam 4
DM/Diabetes Melitus 5
Maag 6
….. …..
OA/Osteoarthritis 40
Parotitis/Kelenjar Liur 41
STT/Tumor Jinak 42
Stomatitis 43
Tinea Corporis/Kurap 44
Gambar 3. Visualisasi Usia vs Jenis Penyakit l50/Urtikaria Alergi 45
2) Pengubahan Data (Transformasi)
Berikut data transformasi dari atribut Jenis Kelamin:
TABEL IV

Korespondensi : Neni Purwati 580

JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol. 12 , No. 3 , Juli 2024

JENIS KELAMIN kompleks[24]. Formula RF dapat dilihat pada persamaan

Jenis Kelamin Transformasi berikut[25]:
Perempuan 1
Laki-laki 2
(1)
Keterangan :
E. Prediksi F(X) : output dari Random Forest
Prediksi akan menggunakan algortima Random Forest J : jumlah pohon dalam ensemble
dan Extreme Gradient Boosting. Kedua algortima tersebut ℎj (X) : output dari pohon ke–(j)
digunakan untuk melakukan prediksi kunjungan pasien di
Puskesmas pada masa yang akan datang dari data histori Untuk scrypt dalam RF yang digunakan sebagai berikut:
yang ada, sehingga memberikan rekomendasi untuk
strategi perencanaan peningkatan kualitas pelayanan
Puskesmas menjadi lebih baik, dengan melihat hasil Gambar 5. Scrypt untuk Random Forest
akurasi model dalam mengklasifikasikan dataset yang
digunakan. 2) Extreme Gradient Boosting (XGBoost)
Gradient Boosting merupakan konsep dasar yang
F. Evaluasi
sangat penting pada algoritma pembelajaran mesin
Pada tahap ini akan dijelaskan hasil analisis dari populer seperti XGBoost[26]. Algoritma XGBoost dapat
metode Random Forest dan Extreme Gradient Boosting menyesuaikan skala bobotnya atau scale-pos-weight untuk
untuk mengevaluasi secara menyeluruh kualitas dan mengatasi masalah data yang tidak seimbang[27].
relevansi hasil penelitian dengan menggunakan confusion Algoritma klasifikasi Xgboost memperlihatkan rata-rata
matrix dan classification report yang terbentuk. nilai tertinggi dibandingkan algoritma yang lain[28].
Faktor terpenting di balik kesuksesan XGBoost adalah
III. HASIL DAN PEMBAHASAN skalabilitas dan kecepatannya di semua skenario[29].
A. Prediksi Rumus XGBoost dapat diamati pada persamaan di
bawah ini[30]:
Prediksi bermanfaat untuk membuat rencana kebutuhan
yang dinyatakan dalam kuantitas atau jumlah sebagai
fungsi dari waktu[17]. Analisis Big Data dapat
memberikan prediksi yang akurat dan bernilai tambah
tentang pola perilaku pengguna[18]. Keterangan :
Penelitian ini menggunakan bahasa pemrograman yi : prediksi untuk sampel ke-i
python pada google colab. Proses yang dilakukan dimulai k : jumlah pohon keputusan
dengan membaca data dan memisahkan data dengan fk(xi) : prediksi dari pohon ke-k untuk sampel ke-i
variabel X dan Y, dimana X adalah atribut dan Y adalah
target, kemudian memisahkan data tain dan test dengan Untuk scrypt dalam XGBoost yang digunakan sebagai
menggunakan modul scikit-learn train_test_split dengan berikut:
prosentase 70% untuk data train dan 30% untuk data test.
Adapun scrypt yang digunakan sebagai berikut:

Gambar 6. Scrypt untuk XGBoost

B. Evaluasi
Gambar 4. Scrypt Pembagian Data Train dan Test Pada tahap ini dilakukan evaluasi mendalam terhadap
performa model yang telah dibangun menggunakan
1) Random Forest (RF)
confusion matrix dan classification report.
Salah satu algoritma dalam machine learning yaitu RF Berikut hasil confusion matrix dan classification report
yang memanfaatkan data dan merupakan algoritma dari penelitian yang dilakukan:
supervised learning[19] sebagai metode klasifikasi[20] 1) Confusion Matrix
yang menggabungkan keunggulan dari beberapa pohon Confusion matrix merupakan matriks yang memiliki
keputusan untuk meningkatkan akurasi prediksi yang fungsi untuk menampilkan penaksiran kinerja dari
sering disebut ensemble[21] dengan cara membangkitkan algoritma, serta digunakan untuk menghitung kinerja
simpul anak untuk setiap node (simpul diatasnya) dan perfomansi dari suatu model algoritma dalam suatu
dilakukan pemilihan secara acak[22] serta kemampuannya prediksi aktual[31]. Adapun scrypt untuk mengetahui
dalam menangani dataset yang besar dan kompleks untuk confusion matrix-nya adalah sebagai berikut:
mengurangi risiko overfitting (mempelajari data pelatihan
dengan terlalu tepat, kemudian model tersebut menangkap
gangguan dalam data, bukan pada pola yang (a)
mendasarinya[23]) yang sering terjadi pada model yang

Korespondensi : Neni Purwati 581

JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol. 12 , No. 3 , Juli 2024

(b) sejauh mana model berhasil mendeteksi pekerjaan salah

Gambar 7. Scrypt Confusion Matrix (a) RF, (b) XGBoost secara keseluruhan, dan F1-Score adalah kombinasi
precision dan recall menjadi satu metrik yang
Menghasilkan nilai seperti pada gambar 8 dan 9 sebagai menghasilkan performa model secara keseluruhan[34].
berikut: Adapun scrypt untuk mengetahui classification report-nya
adalah sebagai berikut:

(a)

(b)
Gambar 10. Scrypt Classification Report
(a) RF, (b) XGBoost

Menghasilkan nilai seperti pada tabel VI sebagai berikut:

TABEL VI
CLASSIFICATION REPORT
Weighted Accuracy Precision Recall F1-
Avg Score
RF 0.69 0.68 0.69 0.68
Gambar 8. Confusion Matrix RF XGBoost 0.93 0.93 0.93 0.93

Dalam tabel VI di atas menjelaskan hasil weighted

average (bobot rata-rata) dari model RF dengan accuracy
0.69, precision 0.68, recall 0.69 dan F1-Score 0.68.
Sedangkan weighted average dari model XGBoost
menunjukkan hasil accuracy 0.93, precision 0.93, recall
0.93 dan F1-Score 0.93.

IV. KESIMPULAN
Dari proses yang telah dilakukan pada penelitian ini
dihasilkan akurasi tertinggi diantara algoritma RF dan
XGBoost adalah menggunakan XGBoost dengan score
sebesar 0.93 atau 93% dengan confusion matrix yaitu TP
bernilai 53, FN bernilai 3, FP bernilai 2 dan 1, TN bernilai
40, 4, 1, 46, dan nilai tersebut mewakili jumlah prediksi
dibandingkan dengan kelas sebenarnya yang dilakukan
Gambar 9. Confusion Matrix XGBoost
oleh model dari data tersebut. Sedangkan hasil
True Positives (TP): jumlah data yang diprediksi dengan classification report dari weighted average nilai precision
tepat sebagai “positif”. False Positif (FP): jumlah data 0.93, nilai recall 0.93 dan nilai F1-Score juga 0.93. Hasil
yang salah diprediksi sebagai “positif”. True Negatives tersebut menunjukkan bahwa model yang digunakan
(TN): jumlah data yang diprediksi dengan tepat sebagai memiliki kinerja yang berkualitas baik, sehingga layak
“negatif”. False Negatif (FN): jumlah data yang salah digunakan sebagai rujukan untuk mendukung strategi
diprediksi sebagai “negatif”[32]. perencanaan dalam pengembangan kualitas layanan pusat
kesehatan masyarakat (PusKesMas) di masa yang akan
Pada gambar 8 di atas menjelaskan bahwa model RF datang. Penerapan yang di lakukan adalah dengan
menghasilkan TP bernilai 76, FN bernilai 17, FP bernilai klasifikasi data XGBoost untuk menilai kunjungan pasien
30, TN bernilai 27. Sedangkan dari model XGBoost pada dalam 5 tahun mendatang, menghasilkan akurasi prediksi
gambar 9 membentuk 3 kelas dengan matrik hasil TP mencapai 93%. Penelitian ini masih memiliki kekurangan,
bernilai 53, FN bernilai 3, FP bernilai 2 dan 1, TN bernilai sehingga disarankan untuk penelitian selanjutnya
40, 4, 1, 46. menggunakan algoritma yang lain dari machine learning,
penambahan jumlah data dan atribut agar hasilnya makin
baik, serta dilakukan pengembangan sistem berbasis
2) Classification Report aplikasi agar masyarakat juga dapat merasakan
Classification report dipergunakan untuk mengukur manfaatnya.
kualitas prediksi dari teknik klasifikasi setiap algoritma
yang digunakan[33]. Accuracy merupakan nilai yang DAFTAR PUSTAKA
menunjukkan seberapa akurat model dalam memprediksi [1] S. Sabran, A. H. Faradila, and M. Yunus, “Prediksi Jumlah
keseluruhan data, precision mengukur sejauh mana data Pengunjung Pasien Rawat Jalan Instalasi Merpati RSUP DR .
Kariadi Semarang Tahun 2022- 2024,” J. Kesehat. Tambusai,
yang diprediksi salah itu salah, recall untuk mengukur vol. 4, no. 1, pp. 155–160, 2023.

Korespondensi : Neni Purwati 582

JUSTIN (Jurnal Sistem dan Teknologi Informasi) Vol. 12 , No. 3 , Juli 2024

[2] S. N. Azizah, E. Rachmawati, P. Studi, M. Informasi, K. Siswa SMK Teknik Komputer Menggunakan Algoritma
Politeknik, and N. Jember, “Prediksi Kunjungan Pasien Rawat Random Forest Prediction of On-Time Graduation for
Jalan Dengan Metode Analisis Trend Linear di RSUD Haji Computer Engineering Vocational School Students Using the
Provinsi Jawa Timur Tahun 2023-2025,” J. Manaj. Dan Adm. Random Forest Algorithm,” J. Manaj. Inform., vol. 14, no. 1,
Rumah Sakit Indones. ( MARSI ), vol. 8, no. 1, pp. 26–32, 2024. pp. 101–111, 2024.
[3] N. Rahmawati and M. A. Laras, “Prediksi Kunjungan Pasien [21] M. F. R. Aditya, N. Lutvi, and U. Indahyanti, “Prediksi
Rawat Jalan Di RSAU dr. Siswanto LANUD Adi Soemarmo Penyakit Hipertensi Menggunakan metode Decision Tree dan
Karanganyar Tahun 2022-2026,” INFOKES J. Ilm. Rekam Random Forest,” J. Ilm. KOMPUTASI, vol. 23, no. 1, pp. 9–16,
Medis dan Inform. Kesehat., vol. 13, no. 1, pp. 52–63, 2023. 2024.
[4] A. S. Novari and U. K. N. S, “Prediksi Faktor yang [22] H. Nicholas and J. Benedict, “Implementasi Machine Learning
Mempengaruhi Hipertensi dengan Metode Data Mining untuk Untuk Prediksi Harga Rumah Menggunakan Algoritma
meningkatkan Pelayanan Kesehatan di UPT Puskesmas Random Forest,” Comput. J. Comput. Sci. Inf. Syst., vol. 8, no.
Ngoro,” Phys. Sci. Life Sci. Eng., vol. 1, no. 2, pp. 1–16, 2024. 1, pp. 50–61, 2024.
[5] F. H. Muzaki and W. J. Pranoto, “Analisis Regresi Linear [23] A. Choudhury, A. Mondal, and S. Sarkar, “Searches for the
Dalam Data Mining Untuk Pprediksi Sijil Off Di KSOP Kelas BSM scenarios at the LHC using decision tree based machine
I Samarinda,” J. Ilmu Tek., vol. 1, no. 2, pp. 261–266, 2024. learning algorithms: A comparative study and review of
[6] M. Ahmad, M. A. Ali, M. R. Hasan, F. D. Mobo, and S. I. Rai, Random Forest, Adaboost, XGboost and LightGBM
Geospatial Machine Learning and the Power of Python frameworks,” arXiv Prepr., 2024, doi:
Programming: Libraries, Tools, Applications, and Plugins. https://doi.org/10.48550/arXiv.2405.06040.
2024. [24] M. Salsabil, N. L. Azizah, and A. Eviyanti, “Implementasi
[7] D. Febriyanto and M. R. A. Pangestu, “Pengaruh Artificial Data Mining dalam Melakukan Prediksi Penyakit Diabetes
Intelligence (Ai) Dan Social Media Dalam Pelaksanaan Pemilu Menggunakan Metode Random Forest dan Xgboost
2024,” Curtina, vol. 4, no. 2, pp. 37–43, 2023. Pendahuluan,” J. Ilm. KOMPUTASI, vol. 23, no. 1, pp. 51–58,
[8] R. F. Putra et al., Algoritma Pembelajaran Mesin ( Dasar , 2024, doi: http://dx.doi.org/10.32409/jikstik.23.1.3507.
Teknik , dan Aplikasi ), no. April. Sonpedia Publishing [25] P. K. Sari and R. R. Suryono, “Komparasi Algoritma Support
Indonesia, 2024. Vector Machine Dan Random Forest Untuk Analisis Sentimen
[9] N. Hendrastuty, “Penerapan Data Mining Menggunakan Metaverse,” J. Mnemon., vol. 7, no. 1, pp. 31–39, 2024.
Algoritma K-Means Clustering Dalam Evaluasi Hasil [26] R. N. Alifah et al., “Perbandingan Metode Tree Based
Pembelajaran Siswa,” J. Ilm. Inform. dan Ilmu Komput., vol. 3, Classification untuk Masalah Klasifikasi Data Body Mass
pp. 46–56, 2024. Index,” Indones. J. Math. Nat. Sci., vol. 47, no. 1, pp. 49–65,
[10] A. A. Saputra, B. N. Sari, and C. Rozikin, “Penerapan 2024.
Algoritma Extreme Gradient Boosting (Xgboost) Untuk [27] W. Nugraha and M. Syarif, “Teknik Weighting untuk
Analisis Risiko Kredit,” J. Ilm. Wahana Pendidik., vol. 10, no. Mengatasi Ketidakseimbangan Kelas Pada Prediksi Churn
7, 2024, doi: https://doi.org/10.5281/zenodo.10960080. Menggunakan XGBoost, LightGBM, dan CatBoost,”
[11] J. Asbullah and Samsudin, “Prediksi Harga Cryptocurrency Techno.COM, vol. 22, no. 1, pp. 97–108, 2023.
Binance Berdasarkan Informasi Blokchain dengan [28] W. Nugraha, “Prediksi penyakit jantung cardiovascular
Menggunakan Algoritma Random Forest,” Media Inform. menggunakan model algoritma klasifikasi,” J. SIGMATA, vol.
Budidarma, vol. 8, no. 1, pp. 260–271, 2024, doi: 9, no. 2, pp. 78–84, 2021.
10.30865/mib.v8i1.7100. [29] B. Jange, “Prediksi Harga Saham Bank BCA Menggunakan
[12] T. R. Nangon and A. D. Alexander, “Prediksi Tahap Awal XGBoost,” Arbitr. J. Econ. Account., vol. 3, no. 2, pp. 231–
Penyakit Jantung Menggunakan Algoritma Random Forest 237, 2022, doi: 10.47065/arbitrase.v3i2.495.
(Studi Kasus RSIJ),” Dawatuna J. Commun. Islam. Broadcast., [30] G. A. Putratama, S. M. Fahreza, and Y. R. Ramandhani,
vol. 4, no. 4, pp. 1561–1567, 2024. “Evaluasi Komparatif Metode Machine Learning Untuk
[13] H. Wijaya, D. P. Hostiadi, and E. Triandini, “Meningkatkan Memprediksi Perubahan Harga Saham,” ANTIVIRUS J. Ilm.
Prediksi Penjualan Retail Xyz Dengan Teknik Optimasi Tek. Inform., vol. 17, no. 2, pp. 278–285, 2024.
RandomSearchPada Model Xgboost,” in Prosiding Seminar [31] Annisa Aulia Lestari, L. C. Agatha, and A. Desiani, “Analisis
Hasil Penelitian Informatika dan Komputer (SPINTER), 2024, Perbandingan Klasifikasi Penyakit Jantung Menggunakan
pp. 829–833. Algoritma Naïve Bayes dan Algoritma Logistic Regression,” J.
[14] R. A. H. Winarso, “Prediksi Mahasiswa Drop Out Institut Rekayasa Elektro Sriwij., vol. 5, no. 2, pp. 82–90, 2024, doi:
Teknologi Sepuluh Nopember Menggunakan XGBoost dan https://doi.org/10.36706/jres.v5i2.104.
SHAP Values Berbasis Dashboard Interaktif,” 2024. [Online]. [32] Z. Shao, M. N. Ahmad, and A. Javed, “Comparison of
Available: https://repository.its.ac.id/105897/ Random Forest and XGBoost Classifiers Using Integrated
[15] R. S. Sinambela, M. Ula, and A. F. Ulva, “Prediksi Harga Optical and SAR Features for Mapping Urban Impervious
Emas Menggunakan Algoritma Regresi Linear Berganda Dan Surface,” Remote Sens., vol. 16, no. 4, 2024.
Support Vector Machine ( SVM ) Prediction Gold Price [33] I. Jayanto and B. Benisius, “Analisis Perbandingan Algoritma
Prediction Using Multiple Linear Regression Algorithm and Decision Tree untuk Prediksi Karyawan dengan Potensi
Support Vector Machine ( SVM ),” Justin(Jurnal Sist. dan Atrisidi PT. XYZ,” FAHMA –Jurnal Inform. Komputer, Bisnis
Teknol. Inf., vol. 12, no. 2, pp. 253–258, 2024, doi: dan Manaj., vol. 22, no. 1, pp. 49–59, 2024.
10.26418/justin.v12i2.73386. [34] R. Rofik, R. Aulia, K. Musaadah, S. S. F. Ardyani, and A. A.
[16] R. Harahap, M. Irpan, M. A. Dinata, R. Rahmaddeni, and L. Hakim, “The Optimization of Credit Scoring Model Using
Efrizoni, “Penerapan Algoritma K-NN Dan SVM Dalam Stacking Ensemble Learning and Oversampling Techniques,”
Klasifikasi Data Gempa Bumi Terhadap Potensi Tsunami Di JOISER (Journal Inf. Syst. Explor. Res., vol. 2, no. 1, pp. 11–
Indonesia,” J. Ilm. Betrik, vol. 15, no. 1, pp. 38–44, 2024. 20, 2014.
[17] B. A. Manurung, A. Gea, A. P. Silalahi, and N. Samosir,
“Penerapan Algoritma Regresi Linear Untuk Memprediksi
Jumlah Wisatawan,” Methosisfo J. Ilm. Sist. Inf., vol. 4, no. 1,
pp. 1–9, 2024.
[18] M. T. Astuti, “Analisis Big Data Menggunakan Teknik
Machine Learning Untuk Prediksi Pola Perilaku Pengguna,”
Duniadata.org, vol. 1, no. 4, pp. 1–15, 2024.
[19] A. S. Nurhikam, R. Syaputra, S. Rohman, S. R. Priyambodo,
and N. Agustina, “Deteksi Berita Palsu Pada Pemilu 2024
Dengan Menggunakan Algoritma Random Forest,”
DoubleClick J. Comput. Inf. Technol., vol. 7, no. 1, pp. 41–50,
2023.
[20] A. Fatunnisa and H. Marcos, “Prediksi Kelulusan Tepat Waktu

Korespondensi : Neni Purwati 583