Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal ALMUISY: Journal of Al Muslim Information System
Gunawan Raharjo
Universitas Pancasakti Tegal
Computer Science & IT

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
Financial Instrument Prediction Using Information Retrieval Algorithm Approach on the Comparison of Tf-IDF, Bm25, and Cosine Similarity Methods Diajeng Tyas; Gunawan; Gunawan Raharjo; Didiek Trisatya; Nur Tulus Ujianto
ALMUISY: Journal of Al Muslim Information System Vol. 5 No. 1 (2026): ALMUISY: Journal of Al Muslim Information System
Publisher : STMIK Al Muslim

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

Abstract

Penelitian ini bertujuan untuk mengembangkan sistem prediksi instrumen finansial yang inovatif menggunakan pendekatan algoritma Information Retrieval. Dalam era digitalisasi pasar keuangan yang semakin kompleks, investor membutuhkan alat bantu pengambilan keputusan yang akurat dan berbasis data. Tiga metode yang dibandingkan adalah Term Frequency-Inverse Document Frequency (TF-IDF), Best Matching 25 (BM25), dan Cosine Similarity. Data dikumpulkan dari Yahoo Finance mencakup 18 instrumen finansial dari berbagai kelas aset termasuk saham teknologi Amerika Serikat, saham blue chip Indonesia, Exchange Traded Funds, dan mata uang kripto. Metodologi penelitian merepresentasikan setiap instrumen sebagai dokumen tekstual berdasarkan indikator teknikal. Hasil penelitian menunjukkan ketiga metode memiliki korelasi peringkat tinggi dengan Spearman Correlation di atas 0.94. Metode BM25 memberikan performa terbaik dengan NDCG sebesar 0.8756 dan MAP sebesar 0.8124. Instrumen yang diprediksi mengalami kenaikan meliputi NVIDIA, AMD, Bitcoin, Amazon, dan Microsoft.
Prediksi Customer Churn Berbasis Attention Gated Residual Deep Neural Network dengan Optimasi Optuna pada Tiga Dataset Transformasi Digita Diajeng Tyas; Gunawan; Nur Tulus Ujianto; Gunawan Raharjo; Didiek Trisatya
ALMUISY: Journal of Al Muslim Information System Vol. 5 No. 2 (2026): ALMUISY: Journal of Al Muslim Information System
Publisher : STMIK Al Muslim

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

Abstract

Transformasi digital pada sektor jasa seperti telekomunikasi, perbankan, dan perdagangan elektronik menuntut sistem informasi yang mampu mengidentifikasi pelanggan berisiko churn secara akurat dan tepat waktu. Penelitian ini mengusulkan model deep learning Attention-Gated Residual Deep Neural Network (AGR-DNN) untuk prediksi customer churn, dengan hyperparameter yang dioptimasi menggunakan Optuna berbasis Tree-structured Parzen Estimator. Model diuji pada tiga dataset sekunder publik dari domain berbeda, yaitu Telco Customer Churn, Bank Customer Churn, dan E-Commerce Customer Churn, untuk memperkuat generalisasi temuan dan memperkaya kajian state of the art. Studi ablasi dilakukan dengan menghilangkan komponen attention gate, koneksi residual, teknik SMOTE, dan optimasi Optuna secara bergantian pada ketiga dataset. Hasil pengujian menunjukkan model AGR-DNN penuh mencapai rata-rata F1-score 0,717, AUC 0,900, dan recall 0,824, mengungguli baseline Random Forest dan Logistic Regression terutama pada recall yang krusial bagi strategi retensi pelanggan. SMOTE terbukti sebagai komponen dengan kontribusi konsisten terbesar terhadap kenaikan recall pada ketiga dataset (4,9-30,6 poin persentase), sementara optimasi Optuna meningkatkan F1-score hingga 3,7 poin persentase dibandingkan hyperparameter default. Penelitian ini berkontribusi pada pengembangan sistem informasi prediktif berbasis data yang mendukung transformasi digital pada organisasi jasa..
Co-Authors Diajeng Tyas Didiek Trisatya Gunawan Nur Tulus Ujianto