Article Per Year (5 Year)
p-Index From 2021 - 2026
0.92
P-Index
This Author published in this journals
All Journal Jurnal Nasional Teknologi Komputer Sistem Pendukung Keputusan dengan Aplikasi ABDI UNISAP: Jurnal Pengabdian Kepada Masyarakat Management of Information System Journal Jurnal Pengabdian kepada Masyarakat (PEMAS)
Hadijah Hadijah
Program Studi Statistika, Fakultas MIPA, Universitas Negeri Medan, Indonesia
Religion Humanities Automotive Engineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Languange, Linguistic, Communication & Media Social Sciences Other

Published : 5 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 5 Documents
Search

 1 
Peningkatan Literasi Investasi melalui Pelatihan Analisis Matematis Pola Open Gap Up pada Investor Pemula di Kota Medan Muhammad Hafiz; Yuan Anisa; Hadijah Hadijah; Rizty Maulida Badri; Michael Sipayung
ABDI UNISAP: Jurnal Pengabdian Kepada Masyarakat Vol. 3 No. 2 (2025): ABDI UNISAP: Jurnal Pengabdian Kepada Masyarakat
Publisher : UPT Publikasi dan Penerbitan Universitas San Pedro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59632/abdiunisap.v3i2.534

Abstract

Literasi investasi merupakan kompetensi penting dalam menghadapi perkembangan pasar keuangan modern. Namun, investor pemula seringkali mengalami kesulitan memahami dinamika pergerakan harga saham, terutama dalam mengidentifikasi peluang dan risiko secara matematis. Kegiatan Pengabdian kepada Masyarakat ini bertujuan untuk meningkatkan literasi investasi melalui pelatihan analisis matematis pola Open Gap Up pada investor pemula. Metode pengabdian dilaksanakan melalui ceramah, demonstrasi, praktik langsung, dan evaluasi melalui pre-test dan post-test. Materi pelatihan mencakup konsep gap, perhitungan persentase gap, estimasi potensi keuntungan, analisis risk–reward, serta praktik menggunakan data saham riil yaitu perbankan besar di Indonesia (BBRI, BBCA, BMRI, dan BBNI)  melalui finance.yahoo.com. Jumlah peserta 50 orang. Hasil kegiatan menunjukkan bahwa peserta mengalami peningkatan pemahaman yang signifikan terhadap konsep dan analisis matematis investasi saham, serta mampu menerapkan strategi Open Gap Up secara lebih terukur yang awalnya sekitar 45,2% peserta yang faham  menjadi 68,7% peserta. Kegiatan ini diharapkan dapat menjadi kontribusi nyata bagi peningkatan literasi keuangan di masyarakat.
Prediksi Gap-Up Saham Berbasis Logistic Regression Menggunakan Indikator Teknikal Yuan Anisa; Muhammad Hafiz; Hadijah Hadijah; Abdul Gani
Sistem Pendukung Keputusan dengan Aplikasi Vol 4 No 2 (2025)
Publisher : Ali Institute or Research and Publication

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55537/spk.v4i2.1334

Abstract

This research aims to construct and test a predictive model for the gap-up phenomenon in stocks on the Indonesia Stock Exchange (IDX), with a case study on PT Bank Mandiri Tbk. (BMRI) stock. The research uses a quantitative approach by applying a Binary Logistic Regression model to analyze 1,213 daily historical data points from January 1, 2019, to January 1, 2024.Five technical analysis-based independent variables—vol_spike, rsi, prev_return, macd, and stochastic—were used to predict the probability of a stock gap-up occurrence.The analysis results show that the model as a whole is statistically significant (LLR p-value < 0.05), with an LLR p-value of (8.544e-11) and a Pseudo R-squared of 0.03389. Of the five variables, stochastic, macd, and prev_return were identified as significant predictors. Specifically, a high Stochastic Oscillator value has a strong positive influence on the probability of a gap-up. On the other hand, Moving Average Convergence Divergence (MACD) and Previous Return show a significant negative influence.These findings provide empirical evidence that a combination of technical indicators can be used to model and predict stock price movements at market opening. The implications of this research offer valuable insight for investors who rely on technical analysis as a basis for decision-making.
Prediksi Harga Rumah Berbasis Machine Learning dengan Explainable AI untuk Interpretabilitas Faktor Penentu Hadijah; Wiwin Handoko; Rizty Maulida Badri
Management of Information System Journal Vol 4 No 3: Juli 2026
Publisher : Forum Kerjasama Pendidikan Tinggi (FKPT)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/mis.v4i3.2860

Abstract

House prices are determined by numerous interrelated factors, making it essential to develop prediction methods that are not only accurate but also interpretable by property business practitioners, investors, and policymakers. This study aims to construct a house price prediction model using a machine learning approach integrated with Explainable Artificial Intelligence (XAI) to produce predictions that are more transparent and comprehensibly interpretable. The data used in this study were derived from real property listings, incorporating several key variables including building area, land area, number of bedrooms, number of bathrooms, and garage capacity. Four machine learning algorithms were evaluated and compared, namely Linear Regression, Random Forest, XGBoost, and Gradient Boosting. The performance of each model was assessed using multiple evaluation metrics, comprising Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), coefficient of determination (R²), and Mean Absolute Percentage Error (MAPE). Experimental results demonstrate that the Random Forest algorithm achieved the best performance, yielding an R² value of 0.7636, MAE of IDR 1.305 billion, RMSE of IDR 2.037 billion, and MAPE of 25.84%. The best-performing model was subsequently analyzed using SHapley Additive exPlanations (SHAP) to provide both global and local model interpretability, as well as Local Interpretable Model-agnostic Explanations (LIME) to explain individual predictions at the instance level. The analysis reveals that building area and land area are the most influential factors in determining house prices. The proposed approach demonstrates a measurable improvement in model transparency, rendering prediction outcomes more comprehensible and trustworthy for end users.
Edukasi Model Matematika dalam Menganalisis Harga Wajar dan Estimasi Peluang Penjatahan Saham IPO sebagai Strategi Investor Pemula Muhammad Hafiz; Yuan Anisa; Nanda Novita; Desniarti; Mahliza Nasution; Hadijah; Rizty Maulida Badri
Jurnal Pengabdian kepada Masyarakat (PEMAS) Vol. 3 No. 2 (2026): Mei 2026
Publisher : Yayasan Ran Edu Center

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.63866/pemas.v3i2.129

Abstract

Kurangnya pemahaman investor pemula mengenai analisis saham IPO menyebabkan keputusan investasi sering dilakukan tanpa pertimbangan kuantitatif yang memadai. Kegiatan Pengabdian Kepada Masyarakat (PKM) ini bertujuan memberikan edukasi dan pelatihan mengenai penggunaan model matematika sederhana dalam menentukan harga wajar saham IPO menggunakan metode Price Earning Ratio (P/E Ratio) serta estimasi peluang penjatahan saham melalui pendekatan probabilitas. Kegiatan dilaksanakan selama satu hari secara daring menggunakan aplikasi Zoom Meeting dengan metode ceramah, demonstrasi, praktik perhitungan, dan diskusi interaktif kepada 50 peserta yang terdiri dari mahasiswa dan masyarakat umum. Contoh saham IPO yang digunakan meliputi PT Wira Bakti Sejahtera Tbk (WBSA), PT Chandra Daya Investasi Tbk (CDIA), dan PT Hartadinata Abadi Tbk (EMAS). Hasil evaluasi pre-test dan post-test menunjukkan peningkatan rata-rata pemahaman peserta sebesar 47,8%, dari nilai rata-rata pre-test 34,4% menjadi 82,2% pada post-test. Sebanyak 74% peserta mencapai kategori nilai Sangat Baik (≥80) pada post-test. Peserta juga mampu melakukan simulasi perhitungan harga wajar dan probabilitas penjatahan secara mandiri. Kegiatan ini diharapkan dapat meningkatkan literasi keuangan masyarakat serta membantu investor pemula dalam mengambil keputusan investasi yang lebih rasional dan terukur.
Model Explainable Machine Learning pada Aplikasi Nutrisiaga untuk Prediksi Risiko Stunting di Wilayah Pascabencana Sri Wahyuni; Wiwin Handoko; Hadijah; Muhammad Hafiz; Rizty Maulida Badri
Jurnal Nasional Teknologi Komputer Vol 6 No 2 (2026): April 2026
Publisher : CV. Hawari

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.61306/jnastek.v6i2.442

Abstract

Stunting merupakan masalah gizi kronis yang berpotensi meningkat pada periode pascabencana akibat terganggunya akses pangan, layanan kesehatan, sanitasi, serta meningkatnya kerentanan kelompok anak. Dalam kondisi tersebut, diperlukan kemampuan untuk memprediksi risiko stunting secara lebih dini agar intervensi gizi darurat dapat ditetapkan secara tepat sasaran. Penelitian ini mengembangkan Model Explainable Machine Learning pada aplikasi Nutrisiaga untuk memprediksi risiko stunting di wilayah pascabencana dengan pendekatan yang transparan bagi tenaga kesehatan. Model prediksi dibangun menggunakan tiga algoritma, yaitu Random Forest, XGBoost, dan Neural Network, yang dilatih dengan fitur terkait karakteristik anak dan faktor pendukung di lingkungan pascabencana. Untuk mengatasi keterbatasan interpretasi dari model berbasis machine learning, penelitian ini mengintegrasikan Explainable AI (XAI) menggunakan metode SHAP dan LIME sebagai alat interpretabilitas. SHAP digunakan untuk mengukur kontribusi tiap fitur terhadap hasil prediksi, sedangkan LIME digunakan untuk memberikan penjelasan lokal pada contoh data tertentu sehingga pengguna dapat memahami alasan model pada kasus yang spesifik. Hasil pengujian menunjukkan bahwa model dapat memberikan prediksi risiko stunting yang terukur, sementara visualisasi dan skor interpretasi dari SHAP serta LIME membantu pengguna dalam mengidentifikasi faktor dominan yang memengaruhi prediksi. Dengan demikian, penelitian ini berkontribusi pada pengembangan aplikasi nutrisi yang tidak hanya mampu memprediksi risiko stunting, tetapi juga menyediakan penjelasan yang mendukung pengambilan keputusan intervensi gizi darurat secara lebih akuntabel dan dapat dipahami.
Co-Authors Abdul Gani Desniarti Mahliza Nasution Michael Sipayung Muhammad Hafiz Nanda Novita Rizty Maulida Badri Sri Wahyuni Wiwin Handoko Yuan Anisa