Jurnal Komputasi

Komparasi Perceptron dan Regresi Logistik pada Klasifikasi Data Breast Cancer Wisconsin

Sandi Badiwibowo Atim — 2026-04-24

Penelitian ini bertujuan untuk melakukan analisis komparatif terhadap dua model klasifikasi dasar dalam machine learning, yaitu Perceptron klasik dan Regresi Logistik, pada tugas klasifikasi data medis menggunakan dataset Breast Cancer Wisconsin (Diagnostic). Dataset yang digunakan terdiri dari 569 sampel dengan 30 fitur numerik yang merepresentasikan karakteristik morfologi sel kanker hasil biopsi, seperti radius, tekstur, perimeter, area, dan smoothness. Penelitian ini diawali dengan tahap pra-pemrosesan data berupa normalisasi menggunakan metode Min-Max Scaling untuk memastikan setiap fitur berada pada rentang skala yang sama sehingga tidak mendominasi proses pembelajaran model. Selanjutnya, data dibagi menggunakan teknik Hold-Out dengan proporsi 80% sebagai data latih dan 20% sebagai data uji. Proses pelatihan dilakukan pada kedua model dengan parameter standar tanpa optimasi lanjutan untuk menjaga objektivitas perbandingan. Evaluasi kinerja model dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score guna memberikan gambaran menyeluruh terhadap performa klasifikasi, khususnya dalam konteks data medis yang sensitif terhadap kesalahan prediksi. Hasil penelitian menunjukkan bahwa Regresi Logistik memperoleh performa lebih tinggi dengan akurasi sebesar 96,49%, dibandingkan Perceptron klasik yang mencapai 93%. Temuan ini mengindikasikan bahwa pendekatan probabilistik pada Regresi Logistik lebih efektif dalam memodelkan hubungan antar fitur numerik dan menghasilkan batas keputusan yang lebih stabil pada klasifikasi kanker payudara.

Kata Kunci: breast cancer; klasifikasi; logistic regression; machine learning; perceptron;

Perbandingan Algoritma Clustering K-Means dan DBSCAN untuk Segmentasi Outlet Ritel Berdasarkan Pola Transaksi Penjualan

Nurul Azwanti — 2026-04-24

Perkembangan sektor ritel yang pesat menghasilkan volume data transaksi yang besar dan berpotensi dimanfaatkan sebagai dasar pengambilan keputusan bisnis yang lebih efektif. Namun, pemanfaatan data tersebut masih belum optimal, khususnya dalam melakukan segmentasi outlet berdasarkan pola transaksi penjualan. Penelitian ini bertujuan untuk melakukan segmentasi outlet ritel di Kabupaten Kampar menggunakan algoritma K-Means dan DBSCAN, serta membandingkan kinerja kedua metode dalam mengelompokkan data transaksi. Data yang digunakan merupakan data transaksi penjualan yang telah melalui tahap pembersihan data, agregasi dari level transaksi ke level outlet, serta normalisasi untuk menyamakan skala antar variabel. Setiap outlet direpresentasikan berdasarkan total transaksi, total quantity, total penjualan, dan rata-rata transaksi, sehingga dapat dianalisis secara komprehensif. Hasil penelitian menunjukkan bahwa algoritma K-Means mampu menghasilkan tiga cluster utama, yaitu outlet kecil, menengah, dan besar, dengan kualitas clustering yang sangat baik yang ditunjukkan oleh nilai Silhouette Score sebesar 0,960. Sementara itu, algoritma DBSCAN hanya menghasilkan satu cluster utama dan sejumlah data yang teridentifikasi sebagai noise atau outlier, sehingga kurang optimal dalam membentuk segmentasi pada dataset yang cenderung homogen. Meskipun demikian, DBSCAN memiliki keunggulan dalam mendeteksi outlet dengan karakteristik ekstrem yang memiliki kontribusi signifikan terhadap penjualan. Berdasarkan hasil perbandingan, K-Means lebih efektif digunakan sebagai metode utama dalam segmentasi outlet, sedangkan DBSCAN berperan sebagai metode pendukung dalam identifikasi outlier. Hasil penelitian ini diharapkan dapat mendukung penyusunan strategi pemasaran, distribusi, dan pengelolaan outlet yang lebih tepat sasaran berbasis analisis data.

Transformasi Digital Sistem Pembimbing Akademik Berbasis Web Menggunakan Metode Rapid Application Development (RAD)

Sri Tria Siska Siska — 2026-04-24

Sinkronisasi jadwal bimbingan dan pengelolaan administrasi akademik konvensional masih menjadi hambatan utama dalam interaksi antara dosen pembimbing dan mahasiswa di institusi pendidikan tinggi. Ketidakefisienan sistem manual ini berdampak pada kurang maksimalnya pengawasan terhadap perkembangan studi mahasiswa secara real-time. Penelitian ini bertujuan untuk merancang dan mengimplementasikan transformasi digital pada sistem pembimbing akademik melalui aplikasi berbasis web. Metode yang digunakan adalah Rapid Application Development (RAD), yang dipilih karena kemampuannya dalam mempercepat siklus pengembangan sistem melalui keterlibatan pengguna secara intensif dalam pembuatan prototipe. Sistem ini mencakup fitur manajemen jadwal bimbingan, dokumentasi hasil konsultasi, serta pemantauan progres nilai mahasiswa. Hasil penelitian menunjukkan bahwa penggunaan metode RAD berhasil mempercepat proses pengembangan sistem sesuai dengan kebutuhan pengguna. Implementasi sistem ini mampu meningkatkan efisiensi proses bimbingan, meminimalisir risiko kehilangan data bimbingan, dan mendukung akselerasi transformasi digital di lingkungan institusi pendidikan.