Claim Missing Document
Check
Articles

Found 22 Documents
Search

ARSITEKTUR SISTEM INFORMASI WEB UNTUK OTOMATISASI ESTIMASI BERAT BAYI LAHIR BERDASARKAN BIOMETRI JANIN HASIL USG Ledy Elsera Astrianty; RR. Hajar Puji Sejati
STORAGE: Jurnal Ilmiah Teknik dan Ilmu Komputer Vol. 5 No. 2 (2026): Mei
Publisher : Yayasan Literasi Sains Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55123/storage.v5i2.8174

Abstract

Pemantauan pertumbuhan janin sangat krusial dalam asuhan antenatal untuk mendeteksi risiko komplikasi persalinan, namun interpretasi manual sering memperlambat keputusan klinis. Penelitian ini bertujuan merancang arsitektur sistem informasi berbasis web untuk otomatisasi estimasi berat lahir bayi (EBL) atau Estimated Fetal Weight (EFW) berdasarkan biometri janin hasil USG. Kontribusi utama penelitian ini terletak pada integrasi parameter biometri, modul validasi input, kalkulasi otomatis berbasis web, dan penyimpanan data rekam medis terstruktur. Metodologi yang digunakan meliputi analisis kebutuhan, perancangan arsitektur sistem, perancangan modul kalkulasi, desain antarmuka, serta verifikasi dan evaluasi. Sistem dirancang menggunakan parameter hasil pemeriksaan USG meliputi Biparietal Diameter (BPD), Abdominal Circumference (AC), Femur Length (FL), dan Head Circumference (HC) untuk menghasilkan EBL. Hasil penelitian menunjukkan arsitektur sistem yang dibangun mampu mengolah data input secara akurat dan disajikan dalam antarmuka user-friendly untuk tenaga kesehatan, dengan 10 target uji yang valid serta tingkat kesalahan prediksi sebesar 0,027. Sistem ini dapat mengelola hasil pemeriksaan USG menjadi lebih terstruktur dan mendukung pemantauan EBL.
Sistem Prediksi Risiko Volatilitas Saham Menggunakan Hybrid LSTM dan Random Forest Ragil Leon Putra; Ledy Elsera Astrianty
INFORMASI (Jurnal Informatika dan Sistem Informasi) Vol 18 No 2 (2026): INFORMASI (Jurnal Informatika dan Sistem Informasi)
Publisher : LPPM STMIK Indonesia Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37424/informasi.v18i2.665

Abstract

Fluktuasi harga merupakan salah satu sumber risiko di pasar saham. Bagi investor yang belum berpengalaman, perubahan harga tersebut tidak selalu mudah diterjemahkan menjadi gambaran tingkat risiko. Penelitian ini mengembangkan sistem untuk memperkirakan volatilitas dan mengelompokkannya sebagai risiko rendah, sedang, atau tinggi pada saham BUMI.JK melalui gabungan Long Short-Term Memory (LSTM) dan Random Forest. Data Open, High, Low, Close, Adjusted Close, serta Volume diambil secara otomatis dari Yahoo Finance API. Setelah data dibersihkan, log return dihitung dan volatilitas diukur menggunakan standar deviasi log return untuk jendela 7 dan 30 hari. LSTM memodelkan pola berurutan pada data dan menghasilkan estimasi volatilitas; estimasi tersebut beserta fitur temporal yang relevan kemudian menjadi masukan Random Forest untuk menentukan kelas risiko. Ambang risiko ditetapkan sebagai kriteria operasional penelitian, yakni volatilitas di bawah 2% tergolong rendah, 2% sampai 5% sedang, dan di atas 5% tinggi. Aplikasi dikembangkan dengan Flask dan menyajikan angka volatilitas, kategori risiko, grafik pergerakan historis, serta tanggal data terakhir pada dashboard web. Pada evaluasi regresi, LSTM menghasilkan MAE 0,01240401 dan RMSE 0,01665610 dalam satuan log return. Untuk klasifikasi, model gabungan mencapai Accuracy 86,45%, Weighted Precision 86,19%, Weighted Recall 86,45%, dan Weighted F1-Score 86,27%. Perhitungan pada data terkini menghasilkan volatilitas 7,7418% untuk jendela 7 hari dan 5,8185% untuk jendela 30 hari; keduanya masuk kelas risiko tinggi menurut batas yang diterapkan. Sistem yang dihasilkan menyatukan estimasi dan pengelompokan risiko dalam bentuk informasi yang dapat dipakai sebagai analisis awal.