Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Jurnal Media Informatika Jurnal Informatika Dan Tekonologi Komputer
Christopher Mathew Putra
Universitas Esa Unggul
Computer Science & IT Control & Systems Engineering Other

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

Found 2 Documents
Search

 1 
Prediksi Harga Saham PT Bank Central Asia Tbk Menggunakan Long Short-Term Memory (LSTM) dengan Analisis Pengaruh Epoch Christopher Mathew Putra; Darren Jusman; Alfi Syahrian; Vitri Tundjungsari
Jurnal Media Informatika Vol. 7 No. 4 (2026): Edisi Juli - Agustus
Publisher : Lembaga Dongan Dosen

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

Abstract

Perkiraan harga saham adalah contoh kondisi pada analisis rentetan waktu keuangan karena dipengaruhi oleh perubahan pasar, model bukan linier, serta ketidakpastian yang besar. Penelitian ini memiliki tujuan untuk menilai kemampuan model Long Short-Term Memory (LSTM) dalam memperkirakan harga akhir tiap hari saham PT Bank Central Asia Tbk (BBCA), salah satu bidang perbankan dengan nilai pasar tertinggi di Indonesia. Data yang dipakai berupa data lampau harga saham yang diolah melalui tahap normalisasi. Pergeseran​‍​‌‍​‍‌ harga saham yang sering kali berfluktuasi serta dipengaruhi oleh pola temporal menjadikan permasalahan untuk memprediksi harga saham sebagai tantangan sekaligus suatu keharusan dalam pengambilan keputusan investasi. Metode penelitian yang digunakan adalah kuantitatif eksperimental dengan data historis harga saham yang telah melalui proses normalisasi Min–Max dan format deret waktu dibuat sebelum data dibagi menjadi data pelatihan dan pengujian. Evaluasi kinerja model dilakukan menggunakan Mean Absolute Error (MAE), Mean Absolute Percentage Error (MAPE), and Root Mean Squared Error (RMSE). Hasil eksperimen menunjukkan bahwa variasi epoch mempengaruhi akurasi prediksi, dimana konfigurasi terbaik diperoleh pada epoch 75 dengan nilai RMSE sebesar 249.196945, MAE sebesar 183.249475, dan MAPE sebesar 2.099024%. Berdasarkan hasil tersebut, dapat disimpulkan bahwa pemilihan jumlah epoch yang optimal berperan penting dalam meningkatkan kemampuan generalisasi model LSTM serta meminimalkan kesalahan prediksi, sehingga model lebih stabil dan tidak mudah mengalami overfitting.
Analisis Perbandingan Metode K-Means dan Gaussian Mixture Model dalam Pengelompokan Playlist Musik Berbasis Fitur Audio Daniel Prasetiyo Dodi Darmawan; Christopher Mathew Putra; Samuel Yahya; Darren Jusman; Alfi Syahrian; Vitri Tundjungsari
Jurnal Informatika Dan Tekonologi Komputer (JITEK) Vol. 6 No. 1 (2026): Maret : Jurnal Informatika dan Tekonologi Komputer
Publisher : Lembaga Pengembangan Kinerja Dosen

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55606/jitek.v6i1.10754

Abstract

Music streaming platforms rely on playlists as medium for users to store musical preferences and receive music recommendations based on the music stored. However, representing playlists as meaningful groups remains a major challenge due to the high diversity characteristics of music. In addition, the distribution of musical characteristics within playlists can vary significantly. This study aims to compare two clustering models with different approaches hard clustering using the K-Means method and soft clustering using the Gaussian Mixture Model (GMM). Playlists are represented as statistical aggregations of audio feature data from songs, such as energy, acousticness, and danceability. The hard clustering approach using K-Means produces compact and clearly separated clusters, while the Gaussian Mixture Model (GMM) generates clusters that capture playlist ambiguity, resulting in overlapping clusters due to its probabilistic nature. These differences have a direct impact on the implementation of the clustering results in downstream applications. This study emphasizes the importance of selecting an appropriate clustering method for further implementations, such as music recommendation systems, and provides insights into the trade-offs between interpretability and flexibility offered by both models.
Co-Authors Alfi Syahrian Daniel Prasetiyo Dodi Darmawan Darren Jusman Samuel Yahya Vitri Tundjungsari