Article Per Year (5 Year)
p-Index From 2021 - 2026
0.61
P-Index
This Author published in this journals
All Journal GAUSS: Jurnal Pendidikan Matematika Reliability: Journal of Industrial Statistics
Seila Amalia
Universitas Negeri Medan
Mathematics

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Perbandingan Kinerja Model Multivariate LSTM dan GRU dalam Memprediksi Harga Saham TLKM berdasarkan Data Historis 5 Tahun Seila Amalia; Riski Melanton Banjarnahor; Arnis Wulan Andari Surbakti
GAUSS: Jurnal Pendidikan Matematika Vol. 8 No. 2 (2025)
Publisher : Universitas Serang Raya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30656/gauss.v8i2.11725

Abstract

Pergerakan harga saham yang fluktuatif menuntut adanya metode prediksi yang akurat untuk mendukung pengambilan keputusan investasi. Penelitian ini bertujuan untuk membandingkan kinerja model Multivariate Long Short-Term Memory (LSTM) dan Multivariate Gated Recurrent Unit (GRU) dalam memprediksi harga saham PT Telkom Indonesia Tbk (TLKM). Data yang digunakan merupakan data historis harian periode 20 November 2020 hingga 20 November 2025 sebanyak 1.205 data, yang meliputi variabel open, high, low, close, dan volume. Data dibagi menjadi 80% data latih dan 20% data uji, kemudian dinormalisasi menggunakan Min–Max Scaling serta dibentuk menjadi sekuens dengan window size 30 hari. Model dilatih menggunakan optimizer Adam, batch size 32, dan 50 epoch. Evaluasi kinerja dilakukan menggunakan Root Mean Square Error (RMSE) dan Mean Absolute Error (MAE). Hasil penelitian menunjukkan bahwa model GRU menghasilkan RMSE sebesar 103,04, lebih kecil dibandingkan LSTM sebesar 105,10, dengan peningkatan sekitar 1,96%. Sementara itu, berdasarkan MAE, model LSTM sedikit lebih unggul dengan nilai 81,03 dibandingkan GRU sebesar 81,62. Visualisasi prediksi menunjukkan bahwa kedua model mampu mengikuti pola pergerakan harga saham TLKM dengan baik. Prediksi harga 7 hari ke depan menunjukkan adanya kecenderungan tren kenaikan harga saham TLKM. Secara keseluruhan, kedua model memiliki performa yang baik, dengan GRU lebih unggul dalam meminimalkan kesalahan besar, sedangkan LSTM lebih stabil pada kesalahan rata-rata.
Regime Pasar Dan Volatilitas Saham PT Aneka Tambang Tbk Menggunakan Hidden Markov Model Dan GARCH Seila Amalia; Riski Melanton Banjarnahor; Wenny Susanty Nainggolan; Arnis Wulan Andari Surbakti; Ferdyanto Abangan Simanjuntak
Reliability: Journal of Industrial Statistics Vol. 2 No. 1 (2026): Reliability: Journal of Industrial Statistics
Publisher : Reliability: Journal of Industrial Statistics

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian ini bertujuan untuk menganalisis regime pasar dan volatilitas saham PT Aneka Tambang Tbk (ANTM) menggunakan Hidden Markov Model (HMM) dan Generalized Autoregressive Conditional Heteroskedasticity (GARCH). Data yang digunakan berupa harga penutupan harian periode 2021–2026 yang diperoleh dari Yahoo Finance dan ditransformasikan menjadi log return. Hasil analisis menunjukkan bahwa data return bersifat stasioner dan memiliki efek ARCH yang mengindikasikan adanya volatility clustering. Model GARCH(1,1) mampu menangkap dinamika volatilitas dengan baik, ditunjukkan oleh parameter yang signifikan serta sifat volatilitas yang persisten. Selanjutnya, model HMM mengidentifikasi dua regime pasar, yaitu volatilitas rendah dan volatilitas tinggi, di mana regime volatilitas tinggi mencerminkan tingkat risiko yang lebih besar dibandingkan regime volatilitas rendah. Probabilitas transisi menunjukkan bahwa masing-masing regime memiliki tingkat persistensi yang tinggi, sehingga kondisi pasar cenderung bertahan sebelum berpindah ke kondisi lain. Analisis gabungan HMM dan GARCH menunjukkan adanya hubungan yang jelas antara regime pasar dan tingkat volatilitas saham, di mana peningkatan volatilitas berkaitan dengan meningkatnya risiko pasar.
Pengelompokan Pola Musiman Tindak Pidana Asal Menggunakan Metode Hierarchical Clustering dan K-Means Berdasarkan Data LTKM PPATK Seila Amalia
Reliability: Journal of Industrial Statistics Vol. 2 No. 1 (2026): Reliability: Journal of Industrial Statistics
Publisher : Reliability: Journal of Industrial Statistics

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Laporan Transaksi Keuangan Mencurigakan (LTKM) merupakan salah satu indikator penting dalam mendeteksi tindak pidana pencucian uang dan tindak pidana asal yang mendasarinya. Perbedaan jumlah LTKM pada setiap kategori tindak pidana asal menunjukkan adanya pola musiman yang beragam sehingga diperlukan metode yang mampu mengelompokkan tindak pidana berdasarkan kemiripan karakteristiknya. Penelitian ini bertujuan untuk mengelompokkan tindak pidana asal berdasarkan pola musiman data LTKM PPATK tahun 2024 menggunakan metode Hierarchical Clustering dan K-Means Clustering. Data yang digunakan berupa jumlah LTKM bulanan dari 28 kategori tindak pidana asal selama periode Januari–Desember 2024. Data distandarisasi menggunakan metode Z-score dan kemiripan antarobjek diukur menggunakan Euclidean Distance. Hierarchical Clustering dengan metode Ward digunakan untuk menentukan struktur pengelompokan, sedangkan K-Means Clustering digunakan untuk memperoleh hasil cluster akhir. Hasil penelitian menunjukkan bahwa tiga cluster memberikan struktur pengelompokan yang paling informatif dengan nilai Silhouette Score sebesar 0,794. Cluster yang terbentuk memiliki karakteristik pola musiman yang berbeda sehingga mampu menggambarkan tingkat aktivitas LTKM pada masing-masing kelompok tindak pidana asal. Hasil penelitian menunjukkan bahwa kombinasi kedua metode clustering efektif dalam mengidentifikasi kemiripan pola musiman data LTKM.
Co-Authors Arnis Wulan Andari Surbakti Ferdyanto Abangan Simanjuntak Riski Melanton Banjarnahor Wenny Susanty Nainggolan