Article Per Year (5 Year)
p-Index From 2021 - 2026
0.562
P-Index
This Author published in this journals
All Journal Jurnal Sains Informatika Terapan (JSIT) Jurnal Pengabdian Masyarakat Bangsa
Arham, Budi
Unknown Affiliation
Humanities Computer Science & IT Control & Systems Engineering Economics, Econometrics & Finance Education Electrical & Electronics Engineering Languange, Linguistic, Communication & Media

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
Pelatihan Digital Marketing Tahap Pengembangan Teknik Iklan dan Pemahaman Indikator Analisis Periklanan Produk Masyarakat Desa Hangtuah Kecamatan Perhentian Raja Sukasih; Arham, Budi; Sani , Rafika
Jurnal Pengabdian Masyarakat Bangsa Vol. 4 No. 1 (2026): JURMAS BANGSA
Publisher : Riset Sinergi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62357/jurmas.v4i1.936

Abstract

Kegiatan pengabdian kepada masyarakat ini dilatarbelakangi oleh masih rendahnya pemahaman pelaku Usaha Mikro, Kecil, dan Menengah (UMKM) di Desa Hangtuah Kecamatan Perhentian Raja terhadap teknik pengembangan iklan digital serta indikator analisis periklanan produk. Banyak pelaku usaha telah menggunakan media digital sebagai sarana promosi, namun belum mampu mengukur efektivitas iklan yang dijalankan. Tujuan kegiatan ini adalah untuk meningkatkan kemampuan masyarakat dalam mengembangkan teknik iklan digital serta memahami indikator analisis periklanan seperti impresi, jangkauan, click through rate, conversion rate, dan return on investment. Metode pengabdian yang digunakan meliputi penyuluhan, pelatihan praktis, simulasi pembuatan iklan, serta evaluasi pemahaman peserta. Hasil kegiatan menunjukkan adanya peningkatan pengetahuan dan keterampilan peserta dalam merancang iklan digital yang lebih terarah serta kemampuan membaca data kinerja iklan sebagai dasar pengambilan keputusan pemasaran. Kegiatan ini diharapkan dapat mendukung peningkatan efektivitas promosi produk dan keberlanjutan usaha masyarakat.
Stacking Ensemble Model berbasis SVM, Random Forest, dan XGBoost untuk Klasifikasi Emosi dari Sinyal EEG Sani, Rafika; Sukasih; Arham, Budi
Jurnal Sains Informatika Terapan Vol. 5 No. 1 (2026): Jurnal Sains Informatika Terapan (Februari, 2026)
Publisher : Riset Sinergi Indonesia (RISINDO)

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

Abstract

Klasifikasi emosi berbasis sinyal EEG (Electroencephalography) merupakan bidang penting dalam pemrosesan sinyal biomedis karena perannya dalam pengambilan keputusan, interaksi sosial, dan evaluasi kondisi psikologis. Namun, tingginya dimensi data, kompleksitas pola, serta kerentanan terhadap noise menjadi tantangan utama dalam analisis EEG. Penelitian ini menerapkan Stacking Ensemble Model yang mengombinasikan Support Vector Machine (SVM), Random Forest (RF), dan XGBoost (XGB) dengan Logistic Regression sebagai meta-learner untuk meningkatkan akurasi dan stabilitas prediksi emosi. Dataset yang digunakan berasal dari Kaggle dengan 2132 data dan 2549 fitur, mencakup tiga kelas emosi: negatif, netral, dan positif. Tahapan penelitian meliputi pengecekan missing value, normalisasi menggunakan StandardScaler, encoding label, serta pembagian data menjadi data latih dan uji. Hasil eksperimen menunjukkan akurasi model tunggal yang tinggi, yaitu SVM 94,8%, RF 98,6%, dan XGB 99,5%, sedangkan model stacking mencapai akurasi 99,5% dengan nilai precision, recall, dan f1-score mendekati 1,00. Hasil ini menunjukkan bahwa stacking ensemble mampu meningkatkan keandalan klasifikasi emosi berbasis EEG dan berpotensi diterapkan pada HCI, pemantauan kesehatan mental, serta sistem pengenalan emosi real-time.
Prediksi Harga Emas Harian Dan Multi-Horizon Menggunakan ARIMA, LSTM Dan Model Hybrid ARIMA-LSTM Arham, Budi; Sukasih; Sani, Rafika
Jurnal Sains Informatika Terapan Vol. 5 No. 1 (2026): Jurnal Sains Informatika Terapan (Februari, 2026)
Publisher : Riset Sinergi Indonesia (RISINDO)

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

Abstract

Gold price forecasting is a crucial task in financial analysis due to high market volatility and dynamic price movements. This study aims to predict daily gold prices and perform multi-horizon forecasting up to 10 days ahead using Autoregressive Integrated Moving Average (ARIMA), Long Short-Term Memory (LSTM), and a hybrid ARIMA-LSTM model. The dataset consists of daily gold closing price data from January 2022 to December 2024 obtained from Yahoo Finance. Data preprocessing includes handling missing values, normalization using Min–Max scaling, and stationarity testing. ARIMA and LSTM models are developed independently to capture linear and nonlinear patterns, respectively, while the hybrid model combines both approaches by modeling ARIMA residuals using LSTM. Experimental results show that the hybrid ARIMA-LSTM model achieves the lowest prediction error compared to individual models, as indicated by RMSE, MAE, and MAPE values. Furthermore, multi-horizon forecasting results demonstrate that the hybrid model provides more stable and accurate short-term gold price predictions. These findings confirm that the hybrid modeling approach is effective and can support investors and analysts in decision-making processes.
Co-Authors Rafika Sani Sani , Rafika Sukasih