Prediksi Estimasi Waktu Penyelesaian Perizinan pada Sistem SIMPONI Menggunakan Algoritma CatBoost dengan Optimasi Hiperparameter Optuna
DOI:
https://doi.org/10.62712/juktisi.v5i2.1487Keywords:
perizinan; prediksi waktu; CatBoost; Optuna; machine learning; SIMPONI; DPMPTSP; gradient boostingAbstract
Ketidakpastian waktu penyelesaian permohonan perizinan pada Sistem Informasi Manajemen Pelayanan Perizinan Online Terintegrasi (SIMPONI) Dinas Penanaman Modal dan Pelayanan Terpadu Satu Pintu (DPMPTSP) Kota Pematangsiantar menjadi permasalahan nyata yang menghambat perencanaan aktivitas usaha para pemohon. Ketika pemohon tidak dapat memperkirakan kapan izin mereka selesai diproses, beban komunikasi ke petugas meningkat dan kepercayaan publik terhadap layanan pemerintah berkurang. Penelitian ini mengusulkan sistem prediksi estimasi waktu penyelesaian perizinan berbasis machine learning dengan membandingkan delapan algoritma regresi: Linear Regression, Decision Tree, Random Forest, Extra Trees, Gradient Boosting, XGBoost, LightGBM, dan CatBoost. Dataset historis SIMPONI berjumlah 1.500 rekaman dengan 12 atribut, setelah melalui proses identifikasi dan eliminasi data leakage serta preprocessing, diperoleh 1.209 rekaman valid. Optimasi hiperparameter dilakukan menggunakan Optuna dengan algoritma Tree-structured Parzen Estimator (TPE), sebanyak 80 trial per model, dikombinasikan dengan validasi silang 5-lipat. Hasil eksperimen menunjukkan bahwa CatBoost dengan optimasi Optuna mencapai performa terbaik dengan nilai Root Mean Square Error (RMSE) sebesar 0,8530 hari, Mean Absolute Error (MAE) 0,7151 hari, koefisien determinasi (R²) 0,5865, dan Mean Absolute Percentage Error (MAPE) 16,69%. Analisis SHapley Additive exPlanations (SHAP) mengungkapkan bahwa fitur waktu_verifikasi_1_jam merupakan prediktor paling dominan dengan korelasi Pearson r = 0,750 terhadap total waktu penyelesaian. Model telah berhasil diintegrasikan ke dalam sistem SIMPONI melalui antarmuka RESTful API berbasis Flask, memungkinkan pemohon menerima estimasi waktu secara real-time beserta interval kepercayaan dan prediksi tanggal penyelesaian.
Downloads
References
[1] A. Rahmatulloh dan F. Mubarok, “Prediksi Waktu Penanganan Keluhan Pelanggan PLN Menggunakan Random Forest,” Jurnal Sistem Informasi, vol. 12, no. 2, pp. 45–54, 2023.
[2] B. Santoso dan T. Handayani, “Penerapan XGBoost untuk Prediksi Waktu Proses Permohonan Paspor di Kantor Imigrasi Indonesia,” Jurnal Teknologi Informasi dan Komunikasi, vol. 8, no. 1, pp. 12–21, 2024.
[3] R. Nugroho, “Perbandingan Algoritma Machine Learning untuk Prediksi Durasi Penyelesaian Tiket Helpdesk,” Jurnal Ilmu Komputer dan Informatika, vol. 5, no. 3, pp. 78–87, 2023.
[4] P. Chen dan X. Zhang, “CatBoost for Logistics Delivery Time Prediction: A Comparative Study,” Applied Sciences, vol. 14, no. 5, pp. 1234–1248, 2024. doi: 10.3390/app14051234.
[5] D. Wibowo, R. Kurniawan, dan M. Purnama, “Optimasi Prediksi Durasi Layanan Administrasi Kependudukan Menggunakan LightGBM dan Grid Search,” Jurnal Nasional Teknik Elektro dan Teknologi Informasi, vol. 13, no. 2, pp. 112–121, 2024.
[6] T. Akiba, S. Sano, T. Yanase, T. Ohta, dan M. Koyama, “Optuna: A Next-generation Hyperparameter Optimization Framework,” dalam Proc. 25th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2019, pp. 2623–2631. doi: 10.1145/3292500.3330701.
[7] A. V. Dorogush, V. Ershov, dan A. Gulin, “CatBoost: Gradient Boosting with Categorical Features Support,” arXiv preprint arXiv:1810.11363, 2018. [Online]. Tersedia: https://arxiv.org/abs/1810.11363.
[8] S. M. Lundberg dan S. I. Lee, “A Unified Approach to Interpreting Model Predictions,” dalam Advances in Neural Information Processing Systems, vol. 30, 2017, pp. 4765–4774.
[9] T. Chen dan C. Guestrin, “XGBoost: A Scalable Tree Boosting System,” dalam Proc. 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2016, pp. 785–794. doi: 10.1145/2939672.2939785.
[10] G. Ke et al., “LightGBM: A Highly Efficient Gradient Boosting Decision Tree,” dalam Advances in Neural Information Processing Systems, vol. 30, 2017, pp. 3146–3154.
[11] F. Pedregosa et al., “Scikit-learn: Machine Learning in Python,” Journal of Machine Learning Research, vol. 12, pp. 2825–2830, 2011.
[12] J. Bergstra, R. Bardenet, Y. Bengio, dan B. Kégl, “Algorithms for Hyper-Parameter Optimization,” dalam Advances in Neural Information Processing Systems, vol. 24, 2011, pp. 2546–2554.
[13] L. Breiman, “Random Forests,” Machine Learning, vol. 45, no. 1, pp. 5–32, 2001. doi: 10.1023/A:1010933404324.
[14] Kementerian Pendayagunaan Aparatur Negara dan Reformasi Birokrasi, “Peraturan Menteri PANRB No. 15 Tahun 2014 tentang Pedoman Standar Pelayanan,” Jakarta: KemenPANRB, 2014.
[15] Pemerintah Kota Pematangsiantar, “Peraturan Walikota Pematangsiantar tentang Penyelenggaraan Pelayanan Perizinan Terpadu Satu Pintu,” Pematangsiantar: Setda Kota, 2022.
[16] A. W. Moore, “Robust Regression for Machine Learning,” dalam Machine Learning Summer School Proceedings, Canberra, Australia, 2011, pp. 441–478.
[17] M. Kuhn dan K. Johnson, Applied Predictive Modeling. New York: Springer, 2013. doi: 10.1007/978-1-4614-6849-3.
[18] Y. LeCun, Y. Bengio, dan G. Hinton, “Deep Learning,” Nature, vol. 521, no. 7553, pp. 436–444, 2015. doi: 10.1038/nature14539.
Published
How to Cite
Issue
Section
License
Copyright (c) 2026 Randi Sumitro, Alief Panggabean, Davin Arva Adyatma, Ahmad Ryandika, Andrea Erich Sentana
This work is licensed under a Creative Commons Attribution 4.0 International License.
