Article Per Year (5 Year)
p-Index From 2021 - 2026
2.233
P-Index
This Author published in this journals
All Journal Techno Nusa Mandiri : Journal of Computing and Information Technology INTECOMS: Journal of Information Technology and Computer Science IJISTECH (International Journal Of Information System & Technology) JSI (Jurnal sistem Informasi) Universitas Suryadarma IJISTECH Jurnal Inovatif : Inovasi Teknologi Informasi dan Informatika Journal of Industrial Engineering and Management Global Science: Journal of Information Technology and Computer Science
Aji Nurrohman
Faculty Of Industrial Technology, Budi Utomo Institute Of Technology, Jakarta, Indonesia
Agriculture, Biological Sciences & Forestry Astronomy Automotive Engineering Chemical Engineering, Chemistry & Bioengineering Chemistry Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Electrical & Electronics Engineering Energy Engineering Environmental Science Industrial & Manufacturing Engineering Materials Science & Nanotechnology Mechanical Engineering Social Sciences Other

Published : 10 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : intecoms journal of information technology and computer science

 1 
KOMPARASI DAN IMPLEMENTASI ALGORITMA MACHINE LEARNING UNTUK KLASIFIKASI KREDIT BERMASALAH PADA PT BPR NUSUMMA KLATEN Teguh Muryanto; Aji Nurrohman; Rachmat Setiabudi; Wibisono Wibisono; Berliyanto Berliyanto
INTECOMS: Journal of Information Technology and Computer Science Vol. 9 No. 2 (2026): INTECOMS: Journal of Information Technology and Computer Science
Publisher : Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31539/r5rncz02

Abstract

Tingkat kredit bermasalah yang tinggi dapat mengganggu stabilitas keuangan lembaga perbankan, sehingga diperlukan sistem klasifikasi yang akurat untuk mendeteksi potensi gagal bayar sejak dini. Penelitian ini bertujuan untuk membangun dan membandingkan model klasifikasi risiko kredit menggunakan algoritma machine learning, yaitu Random Forest, XGBoost, dan Support Vector Machine (SVM). Permasalahan yang diangkat dalam penelitian ini meliputi ketidakakuratan dalam klasifikasi nasabah, kurangnya pemanfaatan data historis, serta belum diterapkannya metode analitik berbasis algoritma cerdas. Metode penelitian mengikuti pendekatan Cross-Industry Standard Process for Data Mining (CRISP-DM) yang mencakup pemahaman bisnis, eksplorasi data, praproses data, pemodelan, evaluasi model, hingga tahap implementasi. Dataset yang digunakan berasal dari laporan historis nasabah kredit di PT BPR Nusumma Klaten. Evaluasi dilakukan dengan mengukur akurasi, precision, recall, F1-score, dan AUC. Hasil penelitian menunjukkan bahwa algoritma Random Forest memiliki kinerja terbaik dengan nilai evaluasi yang lebih stabil dibandingkan XGBoost dan SVM. Temuan ini diharapkan dapat membantu lembaga keuangan dalam meningkatkan efisiensi proses analisis risiko kredit dan pengambilan keputusan berbasis data. Kata Kunci: Kredit Bermasalah, Random Forest, XGBoost, SVM, Klasifikasi
EVALUASI STRATEGI MOVING AVERAGE, RELATIVE STRENGTH INDEX, DAN PARABOLIC SAR TERHADAP PERGERAKAN HARGA EUR/USD PADA PT ROYAL TRUST FUTURES Abdurrahman Abdurrahman; Sigit Wibisono; Bagus Prabowo; Aji Nurrohman; Irlon Irlon
INTECOMS: Journal of Information Technology and Computer Science Vol. 9 No. 2 (2026): INTECOMS: Journal of Information Technology and Computer Science
Publisher : Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31539/nmen2h79

Abstract

Perdagangan valuta asing (forex) merupakan salah satu instrumen investasi yang memiliki risiko tinggi dan memerlukan analisis yang tepat dalam pengambilan keputusan. Salah satu pendekatan yang banyak digunakan adalah analisis teknikal dengan bantuan indikator teknikal. Penelitian ini bertujuan untuk mengevaluasi kinerja tiga indikator teknikal, yaitu Moving Average periode 5 (MA5), Relative Strength Index (RSI), dan Parabolic SAR dalam memberikan sinyal beli dan jual terhadap pasangan mata uang EUR/USD. Permasalahan dalam penelitian ini  adalah untuk mengetahui sejauh mana efektivitas masing-masing indikator dalam membaca pergerakan harga dan menghasilkan profit yang optimal. Data yang digunakan adalah data historis EUR/USD periode 2018–2025 yang diperoleh dari platform MetaTrader 4, dengan pendekatan metode CRISP-DM dan pengolahan data menggunakan bahasa pemrograman Python. Hasil evaluasi menunjukkan bahwa Parabolic SAR merupakan indikator paling unggul dengan win rate 76.84%, net return sebesar 65.43%, dan CAGR sebesar 7.46%. MA5 menunjukkan hasil moderat dengan win rate 36.55% dan net return 6.15%, sedangkan RSI menunjukkan performa terendah dengan hasil negatif. Penelitian ini memberikan gambaran mengenai efektivitas masing-masing indikator teknikal dan dapat menjadi referensi untuk pengambilan keputusan trading yang lebih tepat. Kata Kunci: Evaluasi indikator teknikal, MA5, RSI, Parabolic SAR, pergerakan harga EUR/USD
Co-Authors Abdurrahman Abdurrahman Alfry Aristo Jansen Sinlae Arman Syah Putra Bagus Prabowo Berliyanto Berliyanto Berliyanto Dewi Andriyanti Eka Julianti Faizal Riza Fathan Mubina Dewadi Dewadi Irlon Irlon Leni Asrar Leni Devera Asrar Muhammad Faisal Rachmat Setiabudi Rachmat Suryadithia Rudolf Sinaga Sigit Wibisono Sigit Wibisono Sitti Rachmawati Yahya Surya Darma Surya Darma Suryadarma Suryadarma Teguh Muryanto Triyono Budi Santoso Triyono Budi Santoso Tuti Agustin W Wibisono Wibisono Wibisono Wibisono Wibisono Wibisono WITRIANA ENDAH PANGESTI Yohan Indey