Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Decode: Jurnal Pendidikan Teknologi Informasi
Nunik Pratiwi
Teknik Informatika Universitas Muhammadiyah Prof. DR. HAMKA
Computer Science & IT Control & Systems Engineering Education Languange, Linguistic, Communication & Media Other

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

Found 2 Documents
Search

 1 
Prediksi Harga Saham Menggunakan Metode Long-Short Term Memory Studi Kasus: Saham Intel Corporation Indah Winarni; Nunik Pratiwi
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 5 No. 2: JULI 2025
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v5i2.1192

Abstract

Perkembangan dalam bidang teknologi kecerdasan buatan telah mendorong penerapan teknik deep learning dalam analisis pasar keuangan, khususnya dalam meramalkan harga saham. Penelitian ini bertujuan untuk membuat sebuah model yang bisa memperkirakan harga saham Intel Corporation menggunakan metode Long Short-Term Memory (LSTM) untuk mendukung pengambilan keputusan dalam investasi. Metode yang dilakukan mencakup pengumpulan data historis dari Kaggle, preprocessing data (cleansing, scaling, dan membagi data untuk pelatihan dan pengujian), merancang model LSTM, dan melakukan evaluasi dengan menggunakan Root Mean Squared Error (RMSE). Model ini dilatih menggunakan 150 epoch dengan fungsi aktivasi tanh dan optimizer Adam. Hasil dari pengujian ini menunjukkan bahwa model LSTM mendapatkan nilai RMSE sebesar 0.0230 paling rendah, serta menunjukkan pola pergerakan harga yang sangat realistis. Hasil ini menunjukkan bahwa LSTM merupakan metode yang efisien untuk memodelkan data deret waktu dalam memprediksi harga saham, serta dapat berfungsi sebagai sumber informasi bagi investor dalam merancang strategi investasi yang didasarkan pada data.
Klasifikasi Stunting Pada Balita Menggunakan Algoritma Decision Tree Pada Machine Learning La Denna Hasri Monasari; Nunik Pratiwi
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 5 No. 2: JULI 2025
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v5i2.1193

Abstract

Stunting adalah gangguan pertumbuhan yang dialami balita akibat kekurangan gizi sehingga menghambat pertumbuhan fisik dan perkembangan kognitif. Faktor penyebabnya meliputi kurangnya asupan nutrisi, rendahnya pendidikan orang tua, serta lingkungan kesehatan yang tidak memadai. Penelitian ini bertujuan untuk mengklasifikasi faktor penyebab terjadinya stunting sehingga dapat dilakukan intervensi dini, serta dapat mengembangkan model klasifikasi stunting menggunakan algoritma Decision Tree. Untuk mendeteksi risiko stunting secara dini, teknologi machine learning dimanfaatkan guna mengklasifikasikan data secara lebih akurat dan efisien. Penelitian ini menggunakan algoritma Decision Tree untuk mengkategorikan status gizi balita berdasarkan usia (bulan), jenis kelamin, dan tinggi badan (cm). Data diperoleh dari platform Kaggle, terdiri atas 121.000 data. Penelitian mencakup proses pengumpulan data, pre-processing data (cleaning data, deteksi outlier, dan label encoding), eksplorasi data, pemisahan data latih dan uji, serta pelatihan model. Penelitian ini menerapkan confusion matrix sebagai metode evaluasi untuk menilai kinerja model dalam klasifikasi stunting pada balita. Hasil evaluasi model Decision Tree memperoleh akurasi sebesar 95.73% dalam mengklasifikasi status gizi ke dalam empat kategori yaitu normal, stunted, severely stunted, dan tinggi. Temuan menunjukkan bahwa algoritma Decision Tree efektif dalam mengidentifikasi kondisi stunting serta mendukung sistem pemantauan gizi anak balita secara digital.
Co-Authors Indah Winarni La Denna Hasri Monasari