Abstract:Deteksi emosi secara fine-grained pada teks media sosial merupakan salah satu tantangan dalam bidang pemrosesan bahasa alami (Natural Language Processing/NLP), terutama karena sifat data yang tidak terstruktur dan multi-label.…
label. Penelitian ini bertujuan untuk mengevaluasi performa tiga model berbasis arsitektur Transformer, yaitu EmoBERT, RoBERTa, dan EmoRoBERTa, dalam tugas klasifikasi emosi pada teks dari dataset SenWave. Dataset ini terdiri dari 10.001 tweet berbahasa Inggris yang telah dilabeli ke dalam sepuluh kategori emosi, namun penelitian ini berfokus pada empat label utama: anxious, annoyed, empathetic, dan sad. Proses penelitian meliputi prapemrosesan data, tokenisasi, pembagian data latih dan uji, pelatihan model, serta evaluasi menggunakan metrik akurasi, presisi, recall, dan f1-score. Hasil evaluasi menunjukkan bahwa model EmoBERT dan EmoRoBERTa memiliki performa terbaik dengan nilai f1-score sebesar 0,81, sedangkan RoBERTa memperoleh nilai f1-score sebesar 0,73. Temuan ini menunjukkan bahwa penyesuaian arsitektur Transformer khusus untuk emosi dapat meningkatkan akurasi klasifikasi emosi pada teks media sosial.
Abstract:Abstract: One of the main challenges in digital image processing is limited resolution, which makes it difficult to preserve visual details when images are enlarged. Conventional methods such as Bilinear Interpolation are…
e commonly used for image upscaling; however, these approaches often produce blurred images, lose fine textures, and fail to reconstruct complex visual structures. This study aims to enhance digital image resolution by employing a deep learni based approach using a Low-Light Convolutional Neural Network (LLCNN) built upon a Deep Neural Network (DNN) architecture. The dataset used in this study is the DIV2K dataset, which consists of 1,000 high-resolution images. These images were downsampled using scaling factors of ×2, ×3, and ×4 to generate paired Low Resolution–High Resolution (LR–HR) data for training and evaluation. The proposed LLCNN is designed to extract important features such as edges, textures, and local patterns through multiple convolutional layers, followed by non-linear mapping to reconstruct high-resolution images more accurately. Quantitative performance evaluation was conducted using the Peak Signal-to-Noise Ratio (PSNR) and the Structural Similarity Index (SSIM). Model performance was evaluated quantitatively using the Peak Signal-to-Noise Ratio (PSNR) metric. Experimental results showed that the proposed method improved image quality compared to the bilinear method. These results indicate that the deep learning based approach effectively improves image sharpness and structural fidelity, thereby demonstrating its potential for digital image resolution enhancement.
Keywords: deep neural network; image resolution; low-light convolutional neural network; machine learning
Abstrak: Permasalahan utama dalam pengolahan citra digital adalah keterbatasan resolusi yang menyebabkan detail visual sulit dipertahankan ketika citra diperbesar. Metode konvensional seperti Bilinear Interpolation masih banyak digunakan, namun sering menghasilkan citra buram, kehilangan tekstur halus, serta tidak mampu merekonstruksi struktur visual yang kompleks. Penelitian ini bertujuan untuk meningkatkan kualitas resolusi citra digital dengan memanfaatkan pendekatan deep learning berbasis Low-Light Convolutional Neural Network (LLCNN) yang dibangun di atas arsitektur Deep Neural Network (DNN). Data yang digunakan dalam penelitian ini berasal dari dataset DIV2K, yang terdiri dari 1000 citra beresolusi tinggi. Citra tersebut diturunkan menjadi resolusi rendah menggunakan faktor downsampling ×2, ×3, dan ×4 untuk membentuk pasangan data Low Resolution–High Resolution (LR–HR) sebagai data pelatihan dan pengujian. LLCNN dirancang untuk mengekstraksi fitur-fitur penting seperti tepi, tekstur, dan pola lokal melalui beberapa lapisan konvolusi, kemudian melakukan pemetaan non-linear guna merekonstruksi citra resolusi tinggi secara lebih presisi. Evaluasi performa model dilakukan secara kuantitatif menggunakan metrik Peak Signal-to-Noise Ratio (PSNR). Hasil eksperimen menunjukkan bahwa metode yang diusulkan mampu meningkatkan kualitas citra dibandingkan metode bilinear. Hasil ini membuktikan bahwa pendekatan berbasis deep learning efektif dalam meningkatkan ketajaman dan kesesuaian struktur citra digital.
Kata kunci: deep neural network; low-light convolutional neural network; machine learning; resolusi citra
Abstract:Abstract: The capital market plays an important role in describing the economic conditions of a country, and the IHSG is used as the main indicator to observe the movement of all stocks on the Indonesia Stock Exchange. Because…
ecause stock data is volatile and non-linear, the forecasting process becomes challenging, requiring methods that can capture historical patterns more accurately. This study aims to predict IHSG movements using the Long Short-Term Memory (LSTM) model to generate stable short-term predictions. Historical IHSG data was used to train the model, and accuracy was evaluated using Mean Squared Error (MSE). The results show that the model obtained an MSE 6784.0207, RMSE 82.3652 and MAPE 0.88%, indicating a relatively low prediction error rate. The visualization shows that the model's predictions are very close to the actual data, and the 60-day forecasting results show a potential increase in the IHSG of 1.05%. Thus, the LSTM model is capable of providing fairly accurate IHSG predictions and can be a useful tool for investors in analyzing short-term market movements.
Keywords: forecasting; JCI; long short term memory
Abstrak: Pasar modal memiliki peran penting dalam menggambarkan kondisi ekonomi suatu negara, dan IHSG digunakan sebagai indikator utama untuk melihat pergerakan seluruh saham di Bursa Efek Indonesia. Karena data saham bersifat fluktuatif dan tidak linear, proses peramalan menjadi tantangan, sehingga dibutuhkan metode yang mampu menangkap pola historis secara lebih akurat. Penelitian ini bertujuan memprediksi pergerakan IHSG menggunakan model Long Short-Term Memory (LSTM) untuk menghasilkan prediksi jangka pendek yang stabil. Data historis IHSG digunakan untuk melatih model, kemudian akurasi dievaluasi menggunakan Mean Squared Error (MSE). Hasil penelitian menunjukkan bahwa model memperoleh nilai MSE 6784.0207, RMSE 82.3652 dan MAPE 0.88% yang menandakan tingkat kesalahan prediksi relatif rendah. Visualisasi menunjukkan bahwa prediksi model sangat mendekati data aktual, dan hasil forecasting 60 hari ke depan memperlihatkan potensi kenaikan IHSG sebesar 1,05%. Dengan demikian, model LSTM mampu memberikan prediksi IHSG yang cukup akurat dan dapat menjadi alat bantu bagi investor dalam menganalisis pergerakan pasar jangka pendek.
Kata kunci: peramalan; JCI; memori jangka pendek
Abstract:Abstract: The determination of thesis topics is a fundamental stage in academic research, yet the evaluation process remains predominantly manual and subjective. This reliance on individual lecturer perception often leads…
s to inconsistent feasibility assessments and fails to systematically measure the topic's alignment with strategic needs. This research aims to develop a Decision Support System (DSS) model based on fuzzy logic to assess the feasibility of thesis topics objectively and systematically, focusing on enhancing the relevance of student research. The research method employed the Fuzzy Inference System (FIS) with the Sugeno method. This model was designed through literature review and FGD to establish four criteria (Topic Relevance, Difficulty Level, Idea Novelty, Reference Availability) and 81 rule bases. The model validation results against expert judgment using 15 test data showed a high accuracy rate of 91.31%, with a Mean Absolute Percentage Error (MAPE) value of 8.69%. In conclusion, this DSS model is proven to be valid and consistent, and it can be relied upon as an objective tool to improve the quality and relevance of thesis topics.
Keywords: academic evaluation; decision support system; fuzzy logic; fuzzy sugeno; thesis feasibility
Abstrak: Penentuan topik skripsi merupakan tahapan fundamental dalam penelitian akademik, namun proses evaluasinya hingga kini masih cenderung manual dan subjektif. Ketergantungan pada persepsi dosen secara individu sering kali menyebabkan penilaian kelayakan yang tidak konsisten serta kegagalan dalam mengukur keselarasan topik dengan kebutuhan strategis secara sistematis. Penelitian ini bertujuan mengembangkan model Sistem Pendukung Keputusan (SPK) berbasis logika fuzzy untuk menilai kelayakan topik skripsi secara objektif dan sistematis, dengan fokus pada peningkatan relevansi penelitian mahasiswa. Metode penelitian yang digunakan adalah Fuzzy Inference System (FIS) dengan metode Sugeno. Model ini dirancang melalui tinjauan pustaka dan Focus Group Discussion (FGD) untuk menetapkan empat kriteria (Relevansi Topik, Tingkat Kesulitan, Kebaruan Ide, Ketersediaan Referensi) serta 81 basis aturan. Hasil validasi model terhadap penilaian pakar menggunakan 15 data uji menunjukkan tingkat akurasi yang tinggi yaitu 91,31%, dengan nilai Mean Absolute Percentage Error (MAPE) sebesar 8,69%. Kesimpulannya, model SPK ini terbukti valid dan konsisten, serta dapat diandalkan sebagai alat objektif untuk meningkatkan kualitas dan relevansi topik skripsi.
Kata kunci: evaluasi akademik; sistem pendukung keputusan; logika fuzzy; fuzzy sugeno; kelayakan skripsi
Abstract:Abstract: Obesity is an escalating global health concern, with unhealthy lifestyle patterns contributing significantly to its development. This study aims to evaluate and compare three clustering techniques for categorizing…
ing lifestyle patterns and obesity-related factors: K-Means, Agglomerative Clustering, and Gaussian Mixture Model (GMM). The data used in this study is sourced from the Food Nutrition dataset, which includes variables such as dietary habits, physical activity, and socio-economic status. The three clustering methods were assessed using evaluation metrics such as Silhouette Score, Davies-Bouldin Index (DBI), and Calinski-Harabasz Index (CHI). The findings revealed that K-Means exhibited the best performance in terms of cluster separation with a Silhouette Score of 0.5559, while GMM showed better flexibility in handling more complex data. Although Agglomerative Clustering produced acceptable results, it had a higher overlap between clusters compared to the other methods. This study offers valuable insights into selecting the most appropriate clustering technique based on the data characteristics.
Keywords: agglomerative; clustering; GMM; k-means; lifestyle patterns; obesity
Abstrak: Obesitas menjadi masalah kesehatan yang semakin meningkat di seluruh dunia, dengan pola hidup yang tidak sehat berperan besar dalam perkembangannya. Penelitian ini bertujuan untuk membandingkan tiga metode clustering dalam mengelompokkan pola gaya hidup dan faktor yang memengaruhi obesitas, yaitu K-Means, Agglomerative Clustering, dan Gaussian Mixture Model (GMM). Data yang digunakan diperoleh dari dataset Food Nutrition yang mencakup informasi terkait pola makan, aktivitas fisik, serta faktor sosial-ekonomi. Ketiga metode tersebut diuji dengan menggunakan beberapa metrik evaluasi, seperti Silhouette Score, Davies-Bouldin Index (DBI), dan Calinski-Harabasz Index (CHI). Hasil penelitian menunjukkan bahwa K-Means memiliki kinerja terbaik dalam hal pemisahan klaster, dengan nilai Silhouette Score sebesar 0.5559, sementara GMM lebih fleksibel dalam menangani data yang lebih kompleks. Meskipun Agglomerative Clustering memberikan hasil yang dapat diterima, tumpang tindih antar klaster lebih besar dibandingkan dengan kedua metode lainnya. Penelitian ini memberikan pemahaman yang lebih baik mengenai pemilihan metode clustering yang tepat berdasarkan karakteristik data yang digunakan.
Kata kunci: agglomerative; clustering; GMM; k-means; obesitas; pola gaya hidup
Abstract:Abstract: The rapid expansion of digital learning environments has increased students’ reliance on Learning Management Systems (LMS), including SPOT UPI. However, limited studies have examined the platform’s overall user…
user experience across all User Experience Questionnaire (UEQ) dimensions. This study aims to evaluate the user experience (UX) of SPOT UPI, identify its strengths and weaknesses, and provide recommendations for system improvement. A quantitative-dominant mixed-method design was applied, involving 81 student respondents for the UEQ survey and two participants for follow-up semi-structured interviews selected through purposive sampling. The UEQ data were analyzed to generate mean scores for six UX dimensions, while interview data were thematically analyzed to support the interpretation of quantitative findings. The results indicate that Perspicuity (1.05) and Efficiency (0.78) achieved the highest scores, reflecting adequate clarity and functionality. In Contrast, Stimulation (0.50) and Novelty (-0.15) were the lowest, indicating limited engagement and innovation. Overall, pragmatic quality (0.84) outperformed hedonic quality (0.17), suggesting that users value functionality more than enjoyment. In conclusion, SPOT UPI is generally usable but lacks aesthetic appeal, emotional engagement, and innovative features, highlighting the need for interface redesign and performance optimization to enhance the overall learning experience.
Keywords: learning management system; user experience; user experience questionnaire
Abstrak: Perkembangan pembelajaran digital membuat mahasiswa semakin bergantung pada Learning Management System (LMS), termasuk SPOT UPI. Meski digunakan secara luas, evaluasi pengalaman pengguna secara komprehensif berdasarkan seluruh dimensi User Experience Questionnaire (UEQ) masih belum banyak dilakukan. Penelitian ini bertujuan untuk mengevaluasi user experience (UX) pada SPOT UPI, mengidentifikasi keunggulan dan kelemahannya, serta memberikan rekomendasi perbaikan sistem. Penelitian menggunakan desain penelitian mixed-method dominan kuantitatif, melibatkan 81 responden pada survei UEQ dan dua partisipan pada wawancara semi-terstruktur yang dipilih melalui purposive sampling. Data UEQ dianalisis untuk memperoleh nilai rata-rata pada enam dimensi UX, sedangkan data wawancara dianalisis secara tematik untuk memperkaya interpretasi temuan kuantitatif. Hasil menunjukkan bahwa Perspicuity (1,05) dan Efficiency (0,78) menjadi dimensi dengan skor tertinggi, mencerminkan bahwa SPOT UPI mudah dipahami dan cukup membantu dalam menyelesaikan tugas. Sebaliknya, Stimulation (0,50) dan Novelty (-0,15) memperoleh skor terendah, menandakan rendahnya tingkat keterlibatan dan inovasi yang dirasakan pengguna. Secara keseluruhan, pragmatic quality (0,84) lebih tinggi dibandingkan hedonic quality (0,17), menunjukkan bahwa pengguna lebih mengutamakan aspek fungsional daripada kenyamanan emosional. Temuan tersebut mengindikasikan bahwa SPOT UPI sudah layak digunakan secara fungsional, tetapi masih memerlukan peningkatan pada interface, pengalaman visual, dan fitur inovatif agar dapat memberikan pengalaman belajar digital yang lebih menarik dan optimal.
Kata kunci: learning management system; pengalaman pengguna; user experience questionnaire
Abstract:Abstract: SMP Muhammadiyah 5 Samarinda still relies on manual evaluation with limited data analysis tools in predicting student academic achievement. This study aims develop a system for predicting the learning achievement…
nt of students at SMP Muhammadiyah 5 Samarinda using the Naive Bayes classification method. The dataset used consists of 192 student exam scores covering academic scores, attendance, parents’ education and income, and living conditions as independent variables, while the dependent variable is the achievement label (achieved or not achieved). The preprocessing stage includes label normalization, feature selection, and median imputation to handle missing data. The dataset was divided into 75% training data and 25%. The model was implemented as a pipeline consisting of a median imputer and a Gaussian Naive Bayes classifier. The evaluation results showed that the model achieved an accuracy of 79.2%, with a perfect recall value (1.00) in the high-achieving class and (0.64) in the low-achieving class. This shows that the model is quite effective in identifying high-achieving students. The trained model was then integrated into a Flask-based web application, which enables online predictions through a simple form interface, facilitating contextual interpretation. This system is expected to assist in educational decision-making by helping teachers identify students’ achievement levels early on and design more targeted learning interventions.
Keywords: academic performance; educational data mining; naive bayes; prediction system; student achievement
Abstrak: SMP Muhammadiyah 5 Samarinda masih bergantung pada evaluasi manual dengan alat analisis data terbatas dalam melakukan prediksi prestasi akademik siswa. Penelitian ini bertujuan mengembangkan sistem prediksi prestasi belajar siswa SMP Muhammadiyah 5 Samarinda menggunakan metode klasifikasi Naive Bayes. Dataset yang digunakan terdiri atas 192 data nilai ujian siswa yang mencakup skor akademik, kehadiran, pendidikan dan pendapatan orang tua, serta kondisi tempat tinggal sebagai variabel independen, sedangkan variabel dependen berupa label prestasi (berprestasi atau tidak berprestasi). Tahap preprocessing meliputi normalisasi label, seleksi fitur, serta imputasi median untuk menangani data yang hilang. Dataset dibagi menjadi 75% data latih dan 25%. Model diimplementasikan dalam bentuk pipeline yang terdiri atas median imputer dan Gaussian Naive Bayes classifier. Hasil evaluasi menunjukkan bahwa model mencapai akurasi sebesar 79,2%, dengan nilai recall sempurna (1,00) pada kelas berprestasi dan lebih rendah (0,64) pada kelas tidak berprestasi. Hal ini menunjukkan bahwa model cukup efektif dalam mengidentifikasi siswa berprestasi. Model yang telah dilatih kemudian diintegrasikan ke dalam aplikasi web berbasis Flask, yang memungkinkan prediksi secara daring melalui antarmuka formulir sederhana untuk mendukung interpretasi kontekstual. Sistem ini diharapkan dapat membantu untuk pengambilan keputusan dalam pendidikan dengan membantu guru mengidentifikasi tingkat prestasi siswa sejak dini dan merancang intervensi pembelajaran yang lebih terarah.
Kata kunci: prestasi akademik; penambangan data Pendidikan; naive bayes; sistem prediksi; prestasi siswa
Abstract:Abstract: The policy to increase the Rural and Urban Land and Building Tax (PBB-P2) in Indonesia often elicits mixed reactions from the public. Some support it because they believe it can strengthen regional fiscal capacity,…
ity, while others reject it because they are concerned that it will increase the economic burden on the community. Understanding public sentiment towards this policy is important for evaluating the effectiveness of the policy and formulating appropriate communication strategies. This study aims to analyze public sentiment towards the PBB-P2 increase policy using data uploaded on Platform X (Twitter). The data were collected through crawling with the keyword “building tax,” then processed through several preprocessing stages before classifying tweets into positive and negative sentiments. Two models were used: Support Vector Machine (SVM) and Bidirectional Long Short-Term Memory (BiLSTM). Results show that SVM outperformed BiLSTM, achieving training accuracy of 99.4% and testing accuracy of 85.9%, with accuracy 0.8595, precision 0.8536, recall 0.8595, and F1-score 0.8449. Meanwhile, BiLSTM achieved training accuracy of 86.9% and testing accuracy of 82.9%, with accuracy 0.8294, precision 0.8150, recall 0.8294, and F1-score 0.8080. These findings suggest SVM is more effective in classifying public sentiment and can support better evaluation of regional tax policies.
Keywords: sentiment analysis; PBB-P2; BiLSTM; SVM; X platform
Abstrak: Kebijakan kenaikan tarif Pajak Bumi dan Bangunan Perdesaan dan Perkotaan (PBB-P2) di In-donesia sering memunculkan beragam reaksi dari masyarakat. Sebagian mendukung karena dianggap dapat memperkuat kapasitas fiskal daerah, sementara lainnya menolak karena kha-watir menambah beban ekonomi masyarakat. Pemahaman terhadap sentimen publik atas ke-bijakan tersebut penting untuk mengevaluasi efektivitas kebijakan dan merumuskan strategi komunikasi yang tepat. Penelitian ini bertujuan menganalisis sentimen masyarakat terhadap kebijakan kenaikan PBB-P2 menggunakan data unggahan di Platform X (Twitter). Data dik-umpulkan melalui proses crawling dengan kata kunci “pajak bangunan” kemudian diproses melalui beberapa tahap preprocessing sebelum diklasifikasikan menjadi sentimen positif dan negatif. Dua model digunakan dalam penelitian ini, yaitu Support Vector Machine (SVM) dan Bidirectional Long Short-Term Memory (BiLSTM). Hasil penelitian menunjukkan bahwa SVM memiliki kinerja lebih baik dibandingkan BiLSTM, dengan akurasi pelatihan 99,4% dan akurasi pengujian 85,9%. Nilai akurasi 0,8595, precision 0,8536, recall 0,8595, dan F1-score 0,8449. Sementara itu, BiLSTM memperoleh akurasi pelatihan 86,9% dan akurasi pengujian 82,9%, dengan akurasi 0,8294, precision 0,8150; recall 0,8294; dan F1-score 0,8080. Temuan ini menunjukkan bahwa SVM lebih efektif dalam mengklasifikasikan sentimen publik serta dapat mendukung evaluasi kebijakan pajak daerah dengan lebih baik.
Kata kunci: analisis sentimen; PBB-P2; BiLSTM; SVM; platform X
Abstract:Abstract: The rapid growth of the digital music industry requires accurate music genre classification systems to enhance user experience in streaming services. This study compares a domain-specific Long Short-Term Memory…
(LSTM) network with three Large Language Models (LLMs)—HuBERT, WavLM, and WAV2Vec 2.0—for Music Genre Classification (MGC). The LSTM model was trained using Mel-spectrograms transformed from the GTZAN dataset, while the LLMs were fine-tuned using a smaller set of raw audio samples due to computational constraints. All models were tested on datasets with identical genre labels to ensure a fair evaluation. Results show that the LSTM model achieved the highest accuracy of 97.10%, outperforming HuBERT (86.00%), WavLM (83.00%), and WAV2Vec 2.0 (80.00%). The LSTM demonstrated superior generalization and stability without overfitting, while the LLMs struggled to differentiate between genres with similar acoustic characteristics. These findings indicate that general-purpose pre-trained models, although powerful, are less effective in music-specific tasks due to domain mismatch. Therefore, incorporating music-specific features and architectures remains essential for achieving higher accuracy and reliability in automatic genre classification systems.
Keywords: audio large language models; comparative deep learning; music genre classification.
Abstrak: Pertumbuhan industri musik digital yang pesat menuntut sistem klasifikasi genre musik yang akurat untuk meningkatkan pengalaman pengguna dalam layanan streaming. Penelitian ini dilatarbelakangi oleh perkembangan pesat model pembelajaran mendalam, khususnya jaringan LSTM dan model bahasa berskala besar LLM seperti HuBERT, WavLM, dan WAV2Vec 2.0, yang telah menunjukkan kemampuan representasi audio yang kuat. Tujuan penelitian ini ini membandingkan jaringan Long Short-Term Memory (LSTM) khusus domain dengan tiga model Large Language Models (LLM)—HuBERT, WavLM, dan WAV2Vec 2.0—untuk tugas Klasifikasi Genre Musik (MGC). Metode penelitian melibatkan pelatihan LSTM menggunakan data Mel-spectrogram hasil transformasi dari dataset GTZAN, sementara LLM disesuaikan (fine-tuning) menggunakan data audio mentah dalam jumlah lebih kecil karena keterbatasan komputasi. Seluruh model diuji pada dataset dengan label genre yang sama untuk memastikan evaluasi yang adil. Hasil penelitian menunjukkan bahwa model LSTM mencapai akurasi tertinggi sebesar 97,10%, sedangkan model HuBERT, WavLM, dan WAV2Vec 2.0 masing-masing memperoleh 86,00%, 83,00%, dan 80,00%. Model LSTM menunjukkan kemampuan generalisasi yang lebih baik tanpa overfitting, sedangkan model LLM cenderung kesulitan membedakan genre dengan karakteristik akustik yang mirip. Kesimpulan penelitian ini adalah ketidaksesuaian domain secara signifikan membatasi performa model umum saat diterapkan pada tugas berbasis musik. Oleh karena itu, penggunaan fitur dan arsitektur khusus musik sangat penting dalam membangun sistem klasifikasi genre yang lebih akurat.
Kata kunci: klasifikasi genre musik; model bahasa besar; perbandingan pembelajaran mendalam.
Abstract:Abstract: Asthma is a chronic respiratory disease that affects millions of people worldwide, making early detection crucial to prevent complications. This study aims to compare the performance of the Decision Tree and Random…
ndom Forest algorithms in classifying asthma based on clinical symptom data. The data were processed through feature selection and model training stages, then evaluated using accuracy, precision, recall, and F1-score.The experimental analysis revealed that the Random Forest algorithm surpassed the Decision Tree in all metrics, achieving 95.19% accuracy, 90.43% precision, 95.00% recall, and 93.00% F1-score. In contrast, the Decision Tree obtained 89.14% accuracy, 90.60% precision, 88.70% recall, and 89.70% F1-score. These results suggest that Random Forest is more robust and dependable, especially in managing complex and imbalanced medical datasets.
Keywords: asthma detection; decision tree; random forest; machine learning.
Abstrak: Asma merupakan penyakit pernapasan kronis yang memengaruhi jutaan orang di seluruh dunia sehingga deteksi dini sangat penting untuk mencegah komplikasi. Penelitian ini bertujuan membandingkan kinerja algoritma Decision Tree dan Random Forest dalam mengklasifikasikan asma berdasarkan data gejala klinis. Data diproses melalui tahapan seleksi fitur dan pelatihan model, kemudian dievaluasi menggunakan akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa Random Forest memberikan performa terbaik dengan akurasi 90.43%, presisi 95.00%, recall 95.00%, dan F1-score 93.00%. Sebaliknya, Decision Tree memperoleh akurasi 89.14%, presisi 90.60%, recall 88.70%, dan F1-score 89.70%. Hasil ini menunjukkan bahwa Random Forest lebih kuat dan dapat diandalkan, terutama dalam mengelola kumpulan data medis yang kompleks dan tidak seimbang.
Kata kunci: deteksi asma; decision tree; random forest; pembelajaran mesin.