Article Per Year (5 Year)
p-Index From 2020 - 2025
0.61
P-Index
This Author published in this journals
All Journal Jurnal Sains dan Seni ITS
Mukarromah, Adatul
Departemen Statistika Institut Teknologi Sepuluh Nopember Surabaya
Arts Humanities

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

Found 3 Documents
Search
Journal : Jurnal Sains dan Seni ITS

 1 
Prediksi Harga Saham Berdasarkan Judul Berita dan Informasi Emiten Menggunakan Support Vector Machine, Long-Short Term Memory, dan Gated Recurrent Unit Sufyaan, Muhammad Khairii; Mukarromah, Adatul
Jurnal Sains dan Seni ITS Vol 13, No 4 (2024)
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373520.v13i4.152727

Abstract

Pasar saham yang dinamis dan kompleks dipengaruhi oleh informasi terkini mengenai internal emiten dan faktor eksternal. Fluktuasi harga yang tajam bisa menyebabkan keru-gian bagi investor. Peningkatan pesat data berita pasar mendo-rong penelitian tentang hubungan antara suatu berita yang berkaitan dengan emiten dan pergerakan harga sahamnya. Dengan perkembangan natural language processing dan deep learning, penelitian semakin tertuju pada prediksi pergerakan saham berdasarkan data teks seperti berita, yang sebelumnya dianggap sulit. Informasi emiten seperti pemahaman terhadap sektor, listing board, volume dan harga saham dapat membantu investor membuat keputusan yang lebih cerdas. Oleh karena itu, penelitian ini akan membahas mengenai prediksi perge-rakan harga saham berdasarkan integrasi judul berita dan informasi terkait emiten dengan tujuan mendapatkan model terbaik di antara metode Support Vector Machine (SVM), Long-Short Term Memory (LSTM), dan Gated Recurrent Unit (GRU) dan mengevaluasi kelayakannya untuk digunakan oleh investor. Analisis menemukan bahwa model SVM dapat mencapai akurasi 74,75% dan weighted f1-score 73,49%. Sementara itu, model LSTM dan GRU menunjukkan performa kurang mema-dai dengan akurasi masing-masing 53,77% dan 52,63% serta weighted f1-score 52,89% dan 52,57%. Hasil penelitian ini me-nyoroti kemampuan integrasi data berita dan informasi emiten dalam memprediksi pergerakan harga saham, dengan SVM sebagai model terbaik yang masih memerlukan penyempurnaan untuk meningkatkan kinerjanya.
Prediksi Pergerakan Naik Turun Harga Saham Berdasarkan Headline Berita Menggunakan Support Vector Machine Dan Naive Bayes Classifier Dwita, Olga Mauri Sandi; Mukarromah, Adatul
Jurnal Sains dan Seni ITS Vol 13, No 6 (2024)
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373520.v13i6.156225

Abstract

Saham merupakan bentuk kepemilikan dalam perusahaan yang dipengaruhi oleh faktor ekonomi dan kinerja perusahaan. Penelitian ini memprediksi harga saham SMGR.JK dengan menggunakan skor sentimen dari judul berita di situs bisnis.com dan Google News dan Google News serta fitur time-series harga saham, diklasifikasikan menjadi kategori naik dan turun berdasarkan pendekatan abnormal return. Dalam penelitian ini, model Support Vector Machine (SVM) dipilih karena kemampuannya dalam menangani data yang tidak linear dan kemampuannya yang terbukti unggul dalam klasifikasi kompleks. Di sisi lain, Naive Bayes Classifier (NBC) dipilih karena kesederhanaannya dan kecepatan komputasinya yang efisien, meskipun tidak selalu mampu menangani data non-linear dengan baik. Hasil penelitian menunjukkan bahwa model SVM secara konsisten mengungguli NBC baik pada data pelatihan maupun pengujian. Pada data pengujian, model SVM mencapai akurasi sebesar 72,88%, presisi 72,86%, recall 72,91%, dan F1-score 72,88%. Keberhasilan model SVM dalam mencapai hasil ini menunjukkan kemampuannya dalam memberikan prediksi yang akurat dan konsisten. Selain itu, hasil prediksi SVM pada tanggal 29 Desember 2023 terbukti sesuai dengan pergerakan harga saham aktual pada tanggal tersebut. Meskipun model SVM menunjukkan performa yang baik, penting untuk melakukan analisis lebih lanjut dengan data yang lebih luas dan periode waktu yang lebih panjang untuk memastikan keandalan dan efektivitas model ini dalam jangka panjang. Evaluasi berkelanjutan akan membantu mengidentifikasi potensi perbaikan dan memastikan bahwa model tetap relevan dengan kondisi pasar yang berubah.
Prediksi Financial Distress pada Perusahaan Sektor Pertambangan di Indonesia dengan Pendekatan Deep Learning (DL) Zulfikar, Marcia Nayfa Fahira; Mukarromah, Adatul
Jurnal Sains dan Seni ITS Vol 14, No 1 (2025)
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373520.v14i1.155790

Abstract

Selama beberapa dekade, isu mengenai financial di-stress telah menjadi fokus kajian mendalam di bidang keuangan perusahaan. Dampaknya yang signifikan terhadap kelangsung-an hidup bisnis, serta keputusan investor dan kreditur ekster-nal, menjadikan pemahaman dan prediksi financial distress sa-ngat penting. Pentingnya memprediksi financial distress perusa-haan dengan akurat, terutama di sektor pertambangan, men-jadi krusial mengingat kontribusinya yang signifikan terhadap pertumbuhan ekonomi Indonesia. Sebagaimana sektor pertam-bangan dan penggalian memberikan kontribusi sebesar 12,22% terhadap pertumbuhan ekonomi nasional di tahun 2022. Me-mastikan prediksi yang tepat terkait financial distress menjadi kunci dalam memitigasi risiko dan menjaga stabilitas sektor ini. Dengan mengintegrasikan metode deep learning, yaitu Artificial Neural Network (ANN), khususnya One-Dimensional Convolu-tional Neural Network (1D-CNN). Dalam penelitian ini, diguna-kan variabel prediktor berupa 11 rasio keuangan dan 1 variabel respon berupa klasifikasi biner melalui pendekatan nilai indeks Interest Coverage Ratio (ICR). Data dibagi menjadi 80% untuk training dan 20% untuk testing dengan Stratified 10-fold Cross Validation. Dengan tujuan untuk mendapatkan model dengan akurasi terbaik sebagai early warning perusahaan, model terba-ik yang diperoleh dalam penelitian ini adalah model dengan ker-nel size 3, learning rate α 0,0001, dan regularization L2 pada 3 layer terpilih dengan nilai akurasi sebesar 92,31%.
Co-Authors Dwita, Olga Mauri Sandi Sufyaan, Muhammad Khairii Zulfikar, Marcia Nayfa Fahira