Article Per Year (5 Year)
p-Index From 2021 - 2026
9.74
P-Index
This Author published in this journals
All Journal Jurnal Ilmu Komputer dan Informasi Techno.Com: Jurnal Teknologi Informasi TEKNOLOGI: Jurnal Ilmiah Sistem Informasi TELKOMNIKA (Telecommunication Computing Electronics and Control) Jurnal Ilmu Komputer dan Agri-Informatika EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi Jurnal Teknologi Informasi dan Ilmu Komputer International Journal of Advances in Intelligent Informatics Jurnal Teknologi dan Sistem Komputer JOIV : International Journal on Informatics Visualization Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Journal of Information Technology and Computer Science Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Jurnal Inovasi Hasil Pengabdian Masyarakat (JIPEMAS) Jurnal Litbang Edusaintech Tri Dharma Mandiri: Diseminasi dan Hilirisasi Riset Kepada Masyarakat (Jurnal Pengabdian Kepada Masyarakat) Kohesi: Jurnal Sains dan Teknologi
Novanto Yudistira
Teknik Informatika, Fakultas Ilmu Komputer, Universitas Brawijaya
Agriculture, Biological Sciences & Forestry Biochemistry, Genetics & Molecular Biology Chemical Engineering, Chemistry & Bioengineering Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Energy Engineering Health Professions Industrial & Manufacturing Engineering Library & Information Science Mathematics Public Health Social Sciences Other

Published : 86 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 86 Documents
Search

 5   6   7   8   9 
Sistem Rekognisi Citra Digital Bahasa Isyarat Menggunakan Convolutional Neural Network dan Spatial Transformer Mahardika, Mohammad Alfiano Rizky; Yudistira, Novanto; Ridok, Achmad
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 6: Desember 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2023118098

Abstract

Bahasa isyarat merupakan hal yang sangat penting bagi suatu kelompok masyarakat, yaitu masyarakat bisu atau tuli. Untuk dapat berkomunikasi dengan masyarakat bisu atau tuli, orang yang tidak bisu atau tuli memerlukan bahasa isyarat tersebut untuk dapat mengerti maksud atau pikiran mereka yang bisu atau tuli. Sebagian besar percakapan pada bahasa isyarat dilakukan dengan menggunakan tangan, dimana tangan beserta jari-jarinya digunakan untuk membentuk pose atau bentuk yang unik, sehingga dapat dikenali sebagai maksud tertentu. Penulis mengusulkan dikembangkan sistem rekognisi citra digital untuk dapat mengenali bahasa isyarat tersebut. Dengan menggunakan metode Convolutional Neural Network (CNN) yang merupakan bagian dari Deep Learning atau Machine Learning, sistem akan mengenali pose atau bentuk dari citra bahasa isyarat yang dimasukkan, dan memberikan luaran yang sesuai dengan maksud dari pose atau bentuk dari citra bahasa isyarat tersebut. Penelitian ini dimulai dengan pengumpulan data, baik data sekunder dari internet maupun data pribadi yang diambil secara manual. Data kemudian melalui pemrosesan awal dan diklasifikasikan dengan CNN, lalu didapatkan hasil untuk dianalisis. Apabila hasil memuaskan, model akan diekspor untuk dimasukkan ke dalam aplikasi berbasis web untuk digunakan secara real-time. Berdasarkan hasil pengujian, model yang terbaik untuk arsitektur adalah model EfficientNet B4 dengan menggunakan Hyperparameter optimizer Adam dan learning rate 0.001 beserta scheduler. Digunakan pretrained weights untuk meningkatkan akurasi tersebut, dan ditambahkan Spatial transformer untuk mencoba membuat model menjadi lebih kokoh. Ditambah dengan pretrained weights, model diekspor untuk digunakan secara real-time. Hasil pengujian real-time menunjukkan bahwa model mampu mendeteksi setidaknya 23 dari 26 alfabet pada latar belakang yang abstrak. Apabila diuji pada latar belakang polos seperti hitam atau putih, model mampu mendeteksi seluruh 26 alfabet dengan probabilitas yang hampir sempurna. Hal ini menunjukkan bahwa metode yang digunakan sudah mampu mengatasi masalah yang disampaikan.   Abstract Sign language is very important for a group of people, namely the deaf or dumb. To be able to communicate with people who are mute or deaf, people who are not mute or deaf require sign language to be able to understand the intentions or thoughts of those who are mute or deaf. Most conversations in sign language are carried out using the hands, where the hands and their fingers are used to form unique poses or shapes, so that they can be recognized as having certain meanings. The author proposes to develop a digital image recognition system to be able to recognize sign language. By using the Convolutional Neural Network (CNN) method which is part of Deep Learning or Machine Learning, the system will recognize the pose or shape of the entered sign language image, and provide output that matches the meaning of the pose or shape of the sign language image. This research began with data collection, both secondary data from the internet and personal data taken manually. The data then goes through initial processing and is classified with CNN, then results are obtained for analysis. If the results are satisfactory, the model will be exported to be included in a web-based application for use in real-time. Based on the test results, the best model for the architecture is the EfficientNet B4 model with the Hyperparameter consisting of optimizer Adam and learning rate 0.001 along with the scheduler. Pretrained weights were used to improve accuracy, and Spatial transformers were added to try to make the model more robust. Coupled with pretrained weights, the model is exported for use in real-time. Real-time test results show that the model is able to detect at least 23 of the 26 alphabets on an abstract background. When tested on a plain background such as black or white, the model was able to detect all 26 alphabets with almost perfect probability. This shows that the method used is able to overcome the problem presented.
Klasifikasi Penyakit Alzheimer Dari Scan Mri Otak Menggunakan Convnext Austin, Yehezkiel Stephanus; Irfano, Haikal; Christopher, Juan Young; Sukma, Lintang Cahyaning; Putra, Octo Perdana; Ardhanto, Riyadh Ilham; Yudistira, Novanto
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 6: Desember 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024118117

Abstract

Penyakit Alzheimer adalah gangguan neurodegeneratif yang menyebabkan penurunan fungsi kognitif yang signifikan. Penanganan penyakit ini dapat dilakukan melalui deteksi dini untuk meningkatkan kualitas kehidupan pasien melalui perawatan medis yang efisien dan tepat waktu. Teknologi machine learning dan neural network dapat mendukung deteksi dini melalui penggunaan model ConvNeXt yang telah dilatih dengan metode transfer learning menggunakan bobot awal dari ImageNet, dan di-fine-tune untuk mengklasifikasikan empat tingkat keparahan Alzheimer berdasarkan hasil pemindaian MRI otak, yaitu Mild Demented, Moderate Demented, Non Demented, dan Very Mild Demented. Penelitian ini akan menghasilkan model h5 dengan akurasi yang lebih baik daripada model lain sehingga dapat di-deploy pada aplikasi atau website untuk membantu deteksi dini klasifikasi tingkat keparahan Alzheimer.   Abstract   A Alzheimer's disease is a neurodegenerative disorder that causes significant cognitive decline. Early detection is crucial for managing this disease to improve patients' quality of life through efficient and timely medical care. Machine learning and neural network technology can support early detection through the use of the ConvNeXt model, which has been trained using transfer learning with initial weights from ImageNet and fine-tuned to classify four stages of Alzheimer's severity based on brain MRI scans: Non Demented, Very Mild Demented, Mild Demented, and Moderate Demented. This research will produce an h5 model with better accuracy than other models, enabling it to be deployed in applications or websites to assist in the early detection and classification of Alzheimer's severity.    
Deteksi Spam Berbahasa Indonesia Berbasis Teks Menggunakan Model Bert Amin, Muhammad Basil Musyaffa; Hakim, Gibran; Maulana, Muhammad Taufik; Alwan, Muhammad Fajrul; Anggraheni, Hanna Shafira; Naufal, Muhammad Jilan; Yudistira, Novanto
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 11 No 6: Desember 2024
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2024118121

Abstract

Spam pada SMS dan Email menyebabkan pengalaman kurang menyenangkan bagi pengguna dalam pemanfaatan teknologi. Spam secara umum merupakan sebuah tindakan mengirim pesan yang tidak diinginkan atau tidak diminta kepada sejumlah besar orang. Spam kini dapat ditemui dalam berbagai bentuk, seperti web maupun multimedia. Penelitian ini bertujuan untuk mengevaluasi model berbasis BERT, khususnya IndoBERT dan MultilingualBERT, dalam mendeteksi dan mengklasifikasi spam berbahasa Indonesia pada pesan SMS dan Email. Model yang dipilih kemudian dilatih untuk mengidentifikasi perbedaan antara pesan spam dan bukan spam. Hasil evaluasi pada percobaan menggunakan dataset SMS dan Email memiliki nilai akurasi sebesar 98% pada model IndoBERT dan 95% pada model MultilingualBERT, yang menunjukkan tingkat akurasi yang tinggi. Hasil ini menunjukkan bahwa model BERT efektif dalam mendeteksi pesan spam dalam Bahasa Indonesia.   Abstract Spam on SMS and Email causes an unpleasant experience for users in using technology. Spam in general is the act of sending unwanted or unsolicited messages to a large number of people. Spam can now be found in various forms, such as web and multimedia. This research aims to evaluate BERT-based models, specifically IndoBERT and MultilingualBERT, in detecting and classifying Indonesian spam in SMS and Email messages. The selected model is then trained to identify the differences between spam and non-spam messages. Evaluation results in experiments using SMS and Email datasets have an accuracy value of 98% in the IndoBERT model and 95% in the MultilingualBERT model, which shows a high level of accuracy. These results indicate that the BERT model is effective in detecting spam messages in Indonesian.
Chest X-Ray Images Clustering using Convolutional Autoencoder for Lung Disease Detection Syafira, Putri Amanda; Yudistira, Novanto; Kurnianingtyas, Diva
JOIV : International Journal on Informatics Visualization Vol 9, No 2 (2025)
Publisher : Society of Visual Informatics

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62527/joiv.9.2.2478

Abstract

In healthcare, medical imaging is commonly used for health assessments. One of the most commonly used types of medical imaging is X-ray imaging. One area that often undergoes examination using this modality is the lungs, where healthcare professionals use X-ray images to interpret the results. However, prolonged interpretation of X-ray results by healthcare professionals and other work activities can lead to errors and potentially result in invalid disease identification. There is a need for a system that can classify the detection results from these images to assist healthcare professionals in their tasks. Various methods can be used for this purpose, such as classification, clustering, segmentation, etc. However, data labeling requires significant resources and costs, especially with large-scale datasets. One possible solution is to use an unsupervised learning approach to address this. One method under unsupervised learning is clustering, which allows the system to process and understand data patterns without needing external annotations or manual labeling. This research uses an autoencoder as a subcategory of unsupervised learning. This is because autoencoders can automatically extract relevant features from the data without needing external label guidance. The research utilizes a dataset consisting of 700 X-ray images of the chest, including 500 images showing disease and 200 normal X-ray images. This research aims to determine the effectiveness of clustering methods using an autoencoder model in grouping X-ray image results. The research conducted two experiments. In the first experiment, an autoencoder with 18 Layers was used, resulting in the best performance with a value of K=15 and a rand index of 76%. In the second experiment, an autoencoder with a reduced number of Layers (11 Layers) was used, and it achieved the best performance with a value of K=15 and a rand index of 87%.
Improving Frame-based Engagement Classification in E-Learning Using EfficientNet and Normalized Loss Weighting Sugihdharma, Joseph Ananda; Bachtiar, Fitra; Yudistira, Novanto
Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Vol 9 No 3 (2025): June 2025
Publisher : Ikatan Ahli Informatika Indonesia (IAII)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29207/resti.v9i3.6161

Abstract

Engagement can be defined as how individuals are involved in and interact with a task that requires attention and emotional conditions. Engagement is an affective state positively correlated with learning processes. Engagement along with other affective states, such as boredom, confusion, and frustration must be analyzed to identify students’ learning behavior. Implementing proper prevention by measuring student engagement levels could increase students’ learning intake. Such implementation involves building an effective feedback system or rearranging the learning design. Several researchers have proposed deep-learning approaches using the DAiSEE dataset to classify student engagement levels. In addition, previous studies utilized various loss functions equipped with class weighting to assign higher importance to the minor classes, which are low and very low engagement classes. Most of the state-of-the-art models achieved high accuracy, but the f1-score was still low because of the minor class struggle. This research tries to solve engagement level classification on imbalance conditions by proposing a normalized loss function weighting based on the Inverse Class Frequency formula based on each class’ instances to give more importance and focus to the classes and trained on Vanilla EfficientNet model rather than experimenting on more advanced model to keep the efficient and suit the memory constraint on the e-learning implementation. Based on the conducted experiments, the normalized ICF obtained the highest accuracy of 51.64% and weighted f1-score of 50.86%, which is superior to the standard ICF performance, which received 50.32% accuracy and weighted f1-score of 50.49% using the same settings.
Konversi Prompt Ke Suara Berbahasa Indonesia Waludi, Ikbal; Novanto Yudistira; Achmad Basuki
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 5 (2025): Mei 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Sintesis suara berbasis teks (Text-to-Speech/TTS) merupakan teknologi penting dalam pengembangan interaksi manusia dan mesin. Tacotron 2, sebagai model deep learning yang mampu menghasilkan suara alami dari teks, memiliki potensi besar untuk berbagai aplikasi berbasis suara, termasuk dalam Bahasa Indonesia. Namun, pengembangan sistem TTS untuk Bahasa Indonesia masih menghadapi tantangan, terutama terkait dengan keterbatasan ketersediaan dataset ujaran yang berkualitas tinggi dan representatif. Penelitian ini bertujuan untuk mengumpulkan dan memproses dataset audio serta transkripsi Bahasa Indonesia, melatih model Tacotron 2, dan mengevaluasi kualitas suara yang dihasilkan. Evaluasi dilakukan secara objektif menggunakan metode Perceptual Evaluation of Speech Quality (PESQ), yang menilai kejelasan, intonasi, dan kealamian suara hasil sintesis berdasarkan model persepsi manusia. Hasil penelitian menunjukkan bahwa model Tacotron 2 yang dilatih menggunakan dataset manual dan semi-manual memperoleh skor PESQ rata-rata tertinggi sebesar 1,230 serta memiliki nilai validation loss yang lebih stabil dibandingkan dengan model berbasis dataset otomatis. Temuan ini menegaskan pentingnya kualitas dataset dalam pengembangan sistem TTS. Penelitian ini diharapkan dapat mendukung pengembangan sistem TTS Bahasa Indonesia yang lebih baik, terutama untuk aplikasi seperti asisten virtual dan teknologi aksesibilitas.
Sistem Deteksi dan Identifikasi Plat Nomor Kendaraan Menggunakan Vehicle Loop Detector dengan Rekognisi Citra Faster R-CNN – Optical Character Recognition Irfannanto, Adimas; Rizqika Akbar, Sabriansyah; Yudistira, Novanto
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 6 (2025): Juni 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Pencurian dengan pemberatan (curat) masih menjadi salah satu tindak kriminal yang sering terjadi di Indonesia, termasuk di kawasan permukiman. Berdasarkan data dari EMP Pusiknas Bareskrim Polri, sejak awal tahun hingga pertengahan Juni 2024 tercatat lebih dari 25.000 kasus curat. Sistem pengawasan kendaraan di lingkungan perumahan pada umumnya masih menggunakan metode konvensional seperti pendataan manual atau penggunaan karcis yang memiliki banyak keterbatasan, terutama dalam hal efisiensi dan ketergantungan terhadap interaksi manusia. Untuk menjawab permasalahan tersebut, penelitian ini mengembangkan sistem otomatis yang mampu mendeteksi dan mengidentifikasi plat nomor kendaraan dengan mengintegrasikan Vehicle Loop Detector (VLD), webcam, dan Jetson Nano sebagai perangkat komputasi utama. Sistem ini dirancang untuk mengurangi keterlibatan manusia serta mempercepat proses pendataan kendaraan. Metode Faster R-CNN digunakan untuk mendeteksi area plat nomor dalam gambar, dan PaddleOCR digunakan untuk mengekstraksi teks dari plat tersebut. Pengujian dilakukan pada dua posisi kendaraan, yaitu posisi depan dan posisi samping. Hasil pengujian menunjukkan bahwa tingkat keberhasilan deteksi plat nomor mencapai 100% pada kedua posisi, dengan akurasi ekstraksi teks sebesar 80,1% (depan) dan 79,1% (samping). Sistem ini menunjukkan performa rata-rata waktu komputasi sebesar 1,92 detik, menandakan efektivitasnya untuk pengawasan kendaraan di lingkungan perumahan.
Peningkatan Akurasi Prediksi Harga Barang Impor Menggunakan XGBoost dan Particle Swarm Optimization Haris, Asmuni; Sholeh, Mahrus; Muflikhah, Lailil; Yudistira, Novanto
Jurnal Teknologi Informasi dan Ilmu Komputer Vol 12 No 2: April 2025
Publisher : Fakultas Ilmu Komputer, Universitas Brawijaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jtiik.2025129419

Abstract

Impor di Indonesia dilakukan untuk memenuhi kebutuhan dalam negeri dan memastikan kelancaran produksi serta distribusi. Namun sering terjadi under invoicing, yaitu harga barang yang diimpor dilaporkan lebih rendah dari nilai sebenarnya, yang mengakibatkan kerugian penerimaan negara. Penelitian ini bertujuan untuk memprediksi harga barang impor yang sebenarnya guna mengurangi kerugian tersebut. Data yang digunakan diperoleh dari dataset barang impor yang tersedia di platform Kaggle, yang disediakan oleh Data Analytics Community (Mof-DAC) dari Kementerian Keuangan Indonesia. Metode yang diusulkan meliputi beberapa langkah, dimulai dengan ekstraksi fitur menggunakan Large Language Model (LLM) dan Regular Expression (Regex), diikuti oleh optimasi hyperparameter XGBoost menggunakan Particle Swarm Optimization (PSO). Hasil penelitian menunjukkan bahwa model dengan ekstraksi fitur menggunakan metode Regex mengungguli LLM berdasarkan nilai Mean Squared Error (MSE), Root Mean Squared Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Kombinasi ekstraksi fitur menggunakan Regex dan TFIDF memberikan hasil yang optimal dalam hal waktu pemrosesan dan akurasi prediksi. Hyperparameter terbaik untuk XGBoost ditemukan dengan max-depth 51,49, subsample 0,89, dan min_child_weight 0,65, yang meningkatkan akurasi MAPE menjadi 14,6%. Meskipun model Random Forest memiliki akurasi prediksi sedikit lebih baik dengan MAPE sebesar 12,8%, namun waktu pemrosesannya sangat lama sekitar 3 jam membuatnya kurang efisien. Sebaliknya, XGBoost dengan waktu pemrosesan hanya 51,49 detik dan MAPE 14,6% dipilih sebagai model terbaik karena akurasi yang cukup baik dengan waktu komputasi yang cepat.   Abstact Imports in Indonesia fulfill domestic needs and sustain manufacturing and distribution. Under invoicing, where imported products are purposely underpriced, reduces state revenue. This study predicts imported goods prices to reduce financial losses. The Data Analytics Community (Mof-DAC) of the Indonesian Ministry of Finance provided the Kaggle imported products dataset. The Large Language Model (LLM) and Regular Expression are used to extract features in the suggested method. XGBoost hyperparameters are then optimized using Particle Swarm Optimization. Research shows that the Regex-extracted feature model outperforms the LLM model in MSE, RMSE, and MAPE. Regex feature extraction and TFIDF produce the best processing time and prediction accuracy. The ideal XGBoost hyperparameters were a maximum depth of 51.49, a subsample value of 0.89, and a minimum child weight of 0.65. These hyperparameters increased MAPE accuracy to 14.6%. The Random Forest model has a Better Prediction Accuracy (MAPE) of 12.8%, but its processing time is 3 hours, lowering its efficiency. XGBoost was chosen as the best model due to its 51.49-second processing time and 14.6% MAPE. High accuracy and efficient computing make this model effective.
Prediksi Indeks Harga Saham Perusahaan Teknologi Menggunakan Long Short-Term Memory dan Analisis Hyperparameter Rahmadi, Anang Bagus; Yudistira, Novanto; Setiawan, Budi Darma
Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer Vol 9 No 7 (2025): Juli 2025
Publisher : Fakultas Ilmu Komputer (FILKOM), Universitas Brawijaya

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

Abstract

Pergerakan harga saham perusahaan teknologi merupakan salah satu indikator penting untuk mengukur sentimen pasar terhadap industri Artificial Intelligence (AI). Prediksi yang akurat terhadap tren harga saham ini dapat memberikan wawasan strategis bagi para analis dan investor. Penelitian ini bertujuan untuk merancang dan menerapkan algoritme Long Short-Term Memory (LSTM) untuk memprediksi indeks harga saham gabungan dari perusahaan-perusahaan teknologi terkemuka. Metode penelitian ini mencakup beberapa tahapan utama, yaitu agregasi data historis harga saham, normalisasi data menggunakan metode Min-Max, pembentukan data menjadi format sekuens, dan implementasi model LSTM dari awal. Kinerja model dievaluasi secara sistematis melalui 60 skenario pengujian hyperparameter yang mencakup sequence length, jumlah unit LSTM, dan jumlah epoch. Evaluasi dilakukan menggunakan metrik Mean Squared Error (MSE) dan Mean Absolute Error (MAE) pada data skala asli. Hasil pengujian menunjukkan bahwa konfigurasi model yang paling optimal dicapai dengan menggunakan sequence length 10 bulan, 82 unit pada lapisan LSTM, dan durasi pelatihan selama 250 epoch. Kombinasi ini menghasilkan nilai MAE terendah pada data uji, yaitu sebesar $69,63. Penelitian ini membuktikan bahwa algoritme LSTM merupakan metode yang efektif untuk pemodelan prediksi harga saham, dengan performa optimal yang sangat bergantung pada pemilihan konfigurasi hyperparameter yang tepat.
Gold Prices Prediction using Univariate Long Short Term Memory Method Aditama, Gustian; Yudistira, Novanto; Mahmudy, Wayan Firdaus
Journal of Information Technology and Computer Science Vol. 10 No. 2: August 2025
Publisher : Faculty of Computer Science (FILKOM) Brawijaya University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25126/jitecs.2025102525

Abstract

Gold is one of the precious metals that serves various purposes beyond being a jewelry material. When it comes to gold, it is often associated with the economy. Before the existence of currency, humans used gold as the base material for coins as a medium of exchange. Currently, one of the commonly utilized functions of gold is as an investment asset. Due to its utility and high demand, the price of gold can fluctuate over time. This research aims to predict the price of gold using the Long Short Term Memory (LSTM) method. LSTM is a deep learning technique that performs well when applied to time series data. The performance of LSTM can be assessed using metrics such as Mean Absolute Percentage Error (MAPE) and Root Mean Squared Error (RMSE). Thus, this study proposes the prediction of gold prices using LSTM with an optimized architecture. In order to achieve it, testing is conducted based on sequence length and hidden size. The best results were achieved using Univariate LSTM with a sequence length of 25 and a hidden size of 150, that produce RMSE of 22.014 and MAPE of 1.133%.
Co-Authors Abdurrachman Bachtiar, Fitra Abel Filemon Haganta Kaban Achmad Basuki Achmad Ridok Adam Hendra Brata Adhi Setiawan Aditama, Gustian Agi Putra Kharisma Agus Wahyu Widodo Agus Wahyu Widodo Agus Wahyu Widodo, Agus Wahyu Akbar, Alvin Tarisa Al Huda, Fais Aldi Fianda Putra Alfen Hasiholan Almasyhur, Muhammad Bin Djafar Alwan, Muhammad Fajrul Amin, Muhammad Basil Musyaffa Anarya Indika Putra Andina, Sherla Puspa Anggraheni, Hanna Shafira Annisa Sukmawati Apriyanti -, Apriyanti Ardhani, Luthfi Afrizal Ardhanto, Riyadh Ilham Arifandis Winata Arifien, Zainal Asmani, Wahayu Widyaning Austin, Yehezkiel Stephanus Bahrur Rizki Putra Surya Bana Falakhi Bayu Rahayudi Budi Darma Setiawan Caesar Rio Anggina Toruan Cahyo Prayogo, Cahyo Candra Dewi Cevita Detri Intan Suryaningrum Chindy Aulia Sari Christopher, Juan Young Darmawan, Abizard Hashfi Darmawan, Hanif Daud, Nathan Daut Daman Dewa Gede Trika Meranggi Dhaifullah, Afif Naufal Dhifan Diandra H Didik Suprayogo Dytha Suryani Edy Santoso Edy Santoso Elmira Faustina Achmal Eriq Muhammad Adams Jonemaro Fadhil Yusuf Rahadika Fadhil Yusuf Rahadika Fadhil Yusuf Rahadika Fahmi Achmad Fauzi Fajrina, Julia Nur Fathina Atsila F Fauzi, Muhammad Rifqi Firhan Fauzan Hamdani Fitra Abdurrachman Bachtiar Griselda Anjeli Sirait Griselda Anjeli Sirait Hafshah Durrotun Nasihah Hakim, Gibran Hakim, Sulthan Abiyyu Hanum, Assyfa Rasida Haris, Asmuni Harlan, Fajri Rayrahman Hawari, Rahmada Zulvia Azzahra Hermanto, Putri Tsania Maulidia Heru Nurwarsito Huda, Fais Al Hutamaputra, William Ikhwanul Kiram, Muh Zaqi Imam Cholissodin Indriati Indriati Iqra Ilhamsyah Irfan Ardiansyah Irfannanto, Adimas Irfano, Haikal Irwanto, M. Sofyan Izzatul Azizah Jauhar Bariq Rachmadi Javier Ardra Figo Karina Amadea Katrina Puspita Kevin Nadio Dwi Putra Khalid Rahman Khoirullah, Habib Bahari Krisnabayu, Rifky Yunus Kurnia Fakhrul Izza Kurnianingtyas, Diva Lailil Muflikhah Laksono, Khansa Salsabila Sangdiva Larasati, Saqina Salsabila Lutfi, Raniyah Mahardika, Mohammad Alfiano Rizky Manurung, Daniel Geoffrey Marasitua, Wahyu Valentino Marji Marpaung, Veronika Oktafia Maulana Ahmad Maliki Maulana, Muhammad Taufik Mawarni, Marrisaeka Meilinda Dwi Puspaningrum Michael David Muh. Arif Rahman Muhammad Rizaldi Muhammad Rizaldi Muhammad Tanzil Furqon Muhammad Zaini Rahman Natanniel Eka Christyanto Naufal, Muhammad Jilan Niluh Putu Vania Dyah Saraswati Nisa, Lisa N. Nisa, Septia Khoirin Novianti, Siska Nurannisa, Nadhira Oakley, Simon Pangondian, Yosia Permadhi, Raditya Atmaja Satria Pinasthika, Mohammad Ryan Prais Sarah Kayaningtias Prasetia, Anugrah Prayata, Rakan Fadhil Putra Pandu Adikara Putra, Octo Perdana Putri, Rania Aprilia Dwi Setya Putri, Salwa Cahyani Qurrata Ayuni Rahmadi, Anang Bagus Rahman, Muhammad Arif Raihan Hanif F RAMADHAN, ADITYA RIZKY Randy Cahya Wihandika Renata Rizki Rafi' Athallah Rian Nugroho Rilinka Rilinka Rishani Putri Aprilli Rizal Setya Perdana Rizky, Audhinata Bebytama RR. Ella Evrita Hestiandari Sabriansyah Rizqika Akbar, Sabriansyah Sahirah, Rafifa Addin Saputra, Kylix Eza Sastomo, Yogi Puji Selle, Nurfatima Setyawan Purnomo Sakti Sholeh, Mahrus Stephen Lui, Michael Sugihdharma, Joseph Ananda Sukma, Lintang Cahyaning Sulthon Akhdan G Suprapto Suprapto Sutrisna, Naufal Putra Syafira, Putri Amanda Tampubolon, Agustinus Parasian Thiodorus, Gustavo Timothy Bastian Sianturi Usfita Kiftiyani Vasya, Muhammad Azka Obila Wa Ode May Zhara Averina Wahyu Taufiqurrahman, Rayhan Waludi, Ikbal Wayan Firdaus Mahmudy Wulandari, Rafifah Ayud Yuita Arum Sari Yuita Arum Sari Zetha, Ivykaeyla Adriana