Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Jurnal Minfo Polgan (JMP)
Wanayumini
Universitas Potensi Utama
Computer Science & IT Library & Information Science Mathematics Social Sciences

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

Found 2 Documents
Search

 1 
Perbandingan LSTM dan 1D CNN dalam Prediksi Harga Saham BCA Andra Alfitra; Rika Rosnelly; Wanayumini
Jurnal Minfo Polgan Vol. 15 No. 3 (2026): Artikel Penelitian
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/jmp.v15i3.16221

Abstract

Investasi merupakan salah satu aktivitas yang banyak diminati masyarakat, baik dalam bentuk real asset maupun financial asset, salah satunya adalah saham. Saham menjadi instrumen investasi yang memiliki potensi keuntungan tinggi, namun harga saham di pasar modal bersifat fluktuatif sehingga sulit diprediksi. Penelitian ini bertujuan untuk menganalisis dan membandingkan metode Long Short Term Memory (LSTM) dan One Dimensional Convolutional Neural Network (1D CNN) dalam prediksi harga saham PT Bank Central Asia Tbk (BBCA). Saham BBCA dipilih karena PT Bank Central Asia merupakan salah satu bank dengan jumlah pelanggan terbesar di Indonesia pada tahun 2024. Metode LSTM dipilih karena mampu menangani permasalahan vanishing gradient pada data sekuensial jangka panjang, sedangkan metode 1D CNN digunakan untuk mengekstraksi pola data time series secara efektif. Penelitian dilakukan melalui beberapa tahap pengujian parameter, meliputi time series, jumlah hidden neuron, max epoch, dan batch size untuk memperoleh model prediksi yang optimal. Hasil pengujian menunjukkan bahwa parameter terbaik diperoleh pada time series sebesar 5, hidden neuron sebesar 5, max epoch sebesar 50, dan batch size sebesar 4. Model yang dihasilkan memperoleh nilai Root Mean Square Error (RMSE) sebesar 117,266 dan Mean Absolute Percentage Error (MAPE) sebesar 2,980%. Nilai MAPE yang kurang dari 10% menunjukkan bahwa metode LSTM dan 1D CNN memiliki tingkat akurasi yang baik dalam melakukan prediksi harga saham BBCA. Penelitian selanjutnya disarankan menggunakan data yang lebih besar dan menambahkan indikator teknikal untuk meningkatkan performa prediksi.
Performance Evaluation of K-Nearest Neighbors and Random Forest on Monkeypox Dataset Using Particle Swarm Optimization (PSO) Limar Hartimar Rambe; Rika Rosnelly; Wanayumini
Jurnal Minfo Polgan Vol. 15 No. 3 (2026): Artikel Penelitian
Publisher : Politeknik Ganesha Medan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33395/jmp.v15i3.16603

Abstract

This study aims to evaluate and compare the performance of the K-Nearest Neighbors (KNN) and Random Forest (RF) algorithms in classifying Monkeypox disease by applying the Particle Swarm Optimization (PSO) technique. PSO is used to obtain optimal parameters for each algorithm in order to improve the accuracy and efficiency of the classification models. The data used consist of 10,000 patient records with 11 clinical symptom features representing health conditions related to Monkeypox infection and are numerical in nature. Model performance evaluation was conducted before and after optimization using accuracy, precision, recall, F1-score, and sensitivity metrics. The results show that the application of PSO improves the performance of both algorithms compared to the non-optimized models, particularly in enhancing accuracy and balancing precision and recall. Overall, the combination of classification algorithms with the PSO optimization technique produces more optimal performance in detecting Monkeypox disease. This study is expected to contribute to the development of more accurate machine learning based classification systems and to support effective early diagnosis of Monkeypox.
Co-Authors Andra Alfitra Limar Hartimar Rambe Rika Rosnelly