Article Per Year (5 Year)
p-Index From 2021 - 2026
2.407
P-Index
This Author published in this journals
All Journal Kubik Indonesian Journal on Computing (Indo-JC) IJoICT (International Journal on Information and Communication Technology) Sinkron : Jurnal dan Penelitian Teknik Informatika Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) JRSI (Jurnal Rekayasa Sistem dan Industri) JURNAL MEDIA INFORMATIKA BUDIDARMA Journal of Computer System and Informatics (JoSYC) KUBIK: Jurnal Publikasi Ilmiah Matematika Charity : Jurnal Pengabdian Masyarakat eProceedings of Engineering
Aniq Atiqi Rohmawati
Telkom University
Arts Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Mathematics Social Sciences

Published : 88 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 13 Documents
Search
Journal : Indonesian Journal on Computing (Indo-JC)

 1   2 
PREDIKSI CRASH SAHAM MENGGUNAKAN LOG PERIODIC POWER LAW DENGAN NONLINEAR OPTIMIZATION (STUDI KASUS: PASAR SAHAM INDONESIA) Ditta Febriany Sutrisna; Jondri Jondri; Aniq Atiqi Rohmawati
Indonesia Journal on Computing (Indo-JC) Vol. 1 No. 1 (2016): March, 2016
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21108/INDOJC.2016.1.1.10

Abstract

Pergerakan indeks harga saham menjadi tolak ukur para investor untuk membuat keputusan yang akan diambil seperti menjual, mempertahankan, atau membeli saham tersebut. Akan tetapi kondisi harga saham yang tidak menentu atau naik turun, mengakibatkan pasar keuangan rentan terhadap crash harga saham. Pada tugas akhir ini, digunakan model Log Periodic Power Law dengan Nonlinear Optimization untuk memprediksi crash terhadap harga saham. Nonlinear Optimization terdapat dua tahap yaitu metode Tabu Search dan algoritma Levenberg-Marquardt kuadrat terkecil nonlinier. Metode Tabu Search untuk mendapatkan tebakan awal dari parameter model LPPL, dan algoritma Levenberg-Marquardt kuadrat terkecil nonlinier untuk mendapatkan nilai parameter dari model LPPL. Hasil prediksi crash saham dilihat dari distribusi perkiraan waktu krisis dengan peluang paling besar. Berdasarkan informasi dari data IHSG, krisis terjadi pada bulan Oktober 2008. Hasil prediksi menggunakan model LPPL dengan Nonlinear Optimization menunjukkan waktu crash harga saham mendekati nilai pada tanggal 23 Januari 2008. Nilai harapan dengan probabilitas waktu paling besar terjadi pada tanggal 31 Januari 2008.
Implementasi Spasial Kriging Dengan Faktor Dependency Seasonal Time Series Aniq Atiqi Rohmawati
Indonesia Journal on Computing (Indo-JC) Vol. 1 No. 2 (2016): September, 2016
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21108/INDOJC.2016.1.2.61

Abstract

Time series analysis has been developed in concepts and theories to accommodate the behavior of the collected data by involving time. The unique feature of time series analysis is the time dependency. In this research, we observed a number of seasonal pets, fire caterpillars, on an oil palm plantation at Block Afdeling-D in Kalimantan. The number of Fire Caterpillars is dependent on time and spatial (location). Fire Caterpillars are seasonal pests on oil palm plantation. In addition, Pearson correlation indicates that the number of Fire Caterpillars is not influenced by the distance among the blocks. We suggests that the disinfection should be done simultaneously to avoid the migration of fire caterpillars. The spreading of fire caterpillars at Block Afdeling-D in Kalimantan is modeled with time series seasonal model, spesifically with ARIMA homoscedastic model. Kriging interpolation was conducted to identify behavior and determine the location Fire Caterpillars involving ARIMA model.Keywords: ARIMA, dependency, Kriging, Fire Caterpillars, variogram
Model GARCH dengan Pendekatan Conditional Maximum Likelihood untuk Prediksi Harga Saham Cipta Rahmadayanti; Hasbi Rabbani; Aniq Atiqi Rohmawati
Indonesia Journal on Computing (Indo-JC) Vol. 3 No. 2 (2018): September, 2018
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21108/INDOJC.2018.3.2.223

Abstract

Jual beli saham merupakan salah satu bentuk investasi yang menjanjikan para investor, investasi berkaitan dengan return atau keuntungan yang didapatkan oleh suatu investor atas suatu investasi yang dilakukan terhadap saham tertentu. Untuk mendapatkan nilai return pada beberapa periode kedepan dapat dilakukan prediksi, pada dasarnya prediksi dapat dilakukan dengan menggunakan beberapa metode, namun dengan menggunakan model time series diharapkan menghasilkan prediksi yang baik karna karakteristik dari data saham merupakan data time series yang bergerak kontinu terhadap waktu. Pada penelitian ini digunakan model time series Autoregressive (AR) dengan pendekatan Conditional Maximum Likelihood untuk memprediksi nilai return serta dapat melihat pergerakan harga saham. Nilai parameter yang penting pada model Autoregressive orde 1 adalah . Hasil penaksiran parameter dengan Conditional Maximum Likelihood digunakan untuk memperoleh nilai hasil prediksi. Berdasarkan hasil analisis,  model Autoregressive dengan pendekatan Conditional Maximum Likelihood adalah model yang baik untuk memprediksi return dan harga saham NASDAQ dengan RMSE sebesar 0,0002578. Berdasarkan hasil prediksi model AR(1), maka para investor dapat membuat strategi untuk berinvestasi pada indek saham NASDAQ agar dapat menghasilkan keuntungan.
Implemetasi Model Autoregressive (AR) Dan Autoregressive Conditional Heteroskedasticity (ARCH) Untuk Memprediksi Harga Emas Ni Luh Ketut Dwi Murniati; Indwiarti Indwiarti; Aniq Atiqi Rohmawati
Indonesia Journal on Computing (Indo-JC) Vol. 3 No. 2 (2018): September, 2018
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21108/INDOJC.2018.3.2.225

Abstract

Gold is a one of  high selling value items in the market, and it  can be used as an investment item. The price of gold in the market tends to be stable and not undergoing too significant changes which makes gold be a very valuable item. The aim of this research is to predict gold price using AR (1) and ARCH (1) model which are the part of time series methods. The data of gold price is obtained from ANTAM's daily historical website from 2007 - 2017. Here, the basic information about data is given by using descriptive statistic and the estimation of parameters in each model is condacted by using Maximum Likelihood Estimation (MLE). To evaluate the model, Mean Absolute Error (MAE) and Root Mean Square Error (RMSE) are used. In this research, the estimated model of AR (1) and ARCH (1) given as X_t = -0.012X_{t-1}+epsion_t and X_t = epsilon_t sqrt{0.000053+0.011958X^2_{t-1}} respectively. Moreover, the result of MAE and RMSE using AR (1) model are 0.0261 and 0.0342 respectively, meanwhile for ARCH (1) model  are 0.0170 and 0.0251 respectively.
Prediksi Curah Hujan Menggunakan Gerak Brown dan Rataan Tahunan Data Pada Missing Values Nur Nining Aulia; Putu Harry Gunawan; Aniq Atiqi Rohmawati
Indonesia Journal on Computing (Indo-JC) Vol. 3 No. 2 (2018): September, 2018
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21108/INDOJC.2018.3.2.233

Abstract

Air hujan yang turun dapat menimbulkan dampak negatif dan positif ke berbagai makhluk hidup yang ada di bumi. Salah satu dampak negatif yang ditimbulkan adalah banjir, sedangkan dampak positif yang ditimbulkan pada bidang teknologi adalah sebagai sumber listrik tenaga air. Sehingga untuk memaksimalkan dampak positif dan meminimalisir dampak negatif daricurah hujan maka dilakukan prediksi. Pada jurnal ini dilakukan prediksi curah hujan dengan menggunakan metode Monte Carlo dengan Gerak Brown. Sebelum memprediksi curah hujan terlebih dahulu menghitung rata-rata dan volatilitas pada data yang telah di normalisasi. Prediksi dilakukan sebanyak 10,50, 100, 150 dan 200 kali iterasi. Pada iterasi-200 didapatkan nilai RMSE sebesar 20.6875, 13.9811, 20.6112 dan 20.293 untuk masing-masing empat stasiun secara berurutan.
Pemilihan Portofolio dengan Metode Polynomial Goal Programming (PGP) Berdasarkan Momen Tinggi dan Entropi pada Saham JII Reza Pratama; Deni Saepudin; Aniq Atiqi Rohmawati
Indonesia Journal on Computing (Indo-JC) Vol. 4 No. 2 (2019): September, 2019
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34818/INDOJC.2019.4.2.302

Abstract

Dalam berinvestasi di pasar saham, hal yang perlu diperhatikan adalah bagaimana cara untuk melakukan manajemen atau diversifikasi portofolio yang tepat. Dalam memilih portofolio, Markowitz telah mengemukakan suatu teori modern yang memadukan antara ekspektasi return dan variansi return (resiko). Namun model milik Markowitz hanya berlaku jika distribusi data return saham berdistribusi normal. Penambahan momen tinggi yaitu skewness, kurtosis serta entropi shanon dan gini simpson menjadi solusi untuk data yang tidak berdistribusi normal. Penambahan momen pertama, kedua dan seterusnya menciptakan masalah optimasi berbentuk polinomial yang diselesaikan menggunakan Polynomial Goal Programming (PGP). PGP sendiri mengimplementasikan Minkowksi distance dengan momen tinggi dan entropi sebagai objektifnya. Sehingga, nilai optimum masing-masing objektif dapat diketahui dan disubstitusi ke dalam model PGP sehingga didapatkan output berupa nilai optimum masing-masing objektif terbaru sesuai model PGP yang diterapkan. Setelah menerapkan model PGP, hasil dari nilai optimum objektif terbaru akan dibandingkan antara model satu dengan lainnya. Didapatkan, kinerja model PGP yang melibatkan mean dan entropi gini simpson lebih baik daripada model milik Markowitz atau model tanpa dilakukan optimasi dalam hal mendapatkan keuntungan dan mengurangi resiko dalam pemilihan portofolio.
Perbandingan Prediksi Harga Saham dengan model ARIMA dan Artificial Neural Network Bagas Yafitra Pandji; Indwiarti Indwiarti; Aniq Atiqi Rohmawati
Indonesia Journal on Computing (Indo-JC) Vol. 4 No. 2 (2019): September, 2019
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34818/INDOJC.2019.4.2.344

Abstract

Kondisi perekonomian dunia mengalami perubahan yang signifikan, mayoritas merupakan dampak dari kenaikan minyak dunia, karena minyak merupakan sumber energi utama di dunia. Kondisi tersebut juga berimbas pada harga saham di pasar modal. Ada beberapa variabel yang mempengaruhi nilai return saham, yang sifatnya linier dan non-linier terhadap return harga saham. Untuk memodelkan observasi yang linier digunakan model time series Autoregressive Moving Average (ARIMA). Selanjutnya, untuk observasi yang non-linier digunakan Artificial Neural Network (ANN). Pada penelitian ini didapatkan perbandingan hasil perhitungan error RMSE dengan model ARIMA (1, 0, 0), dan ARIMA (2, 0, 0), masing-masing sebesar 1,3738, 1.5514, sedangkan ANN dengan 16 hidden layer sebesar 4.6814. Hasil dari penelitian ini model ARIMA (1, 0, 0) lebih akurat dibandingkan metode ANN dalam prediksi harga saham PT. Bumi Citra Permai Tbk.Kata Kunci: ARIMA, ANN, Prediksi, Saham
Implementasi Genetic Algorithm dalam Model ARIMA untuk Memprediksi Observasi Time Series Rangga Arya Pamungkas; Indwiarti Indwiarti; Aniq Atiqi Rohmawati
Indonesia Journal on Computing (Indo-JC) Vol. 4 No. 3 (2019): December, 2019
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34818/INDOJC.2019.4.3.353

Abstract

Nilai harga saham selalu berubah-ubah dan berfluktuasi setiap harinya. Untuk menghadapi masalah mengenai ketidakpastian harga saham, perlu dilakukan suatu peramalan time series untuk memprediksi harga saham di masa mendatang. Pada penelitian ini, metode yang digunakan untuk memprediksi harga saham adalah metode Autoregressive Moving Average (ARIMA). Untuk meningkatkan akurasi dari prediksi harga saham, akan diimplementasikan Genetic Algorithm (GA) pada model ARIMA terbaik yang didapatkan dari proses ARIMA. Hasil dari penelitian ini menunjukkan bahwa prediksi harga saham dengan menggunakan model ARIMA (1,1,1) memiliki nilai Root Mean Square Error (RMSE) sebesar 418.1314. Sedangkan hasil prediksi harga saham dengan mengimplementasikan GA pada model ARIMA (1,1,1) dengan 600 generasi, 1200 generasi, 1800 generasi, 2400 generasi, dan 3000 generasi masing-masing memiliki nilai RMSE berturut-turut sebesar 5827.738, 1319.903, 1080.704, 563.7984, dan 371.0107. Hasil yang didapat menunjukkan bahwa pengimplementasian GA pada ARIMA dengan 3000 generasi dapat meningkatkan akurasi prediksi harga saham, yaitu dengan memiliki nilai RMSE sebesar 371.0107.Kata Kunci: GA, Harga Saham, Model ARIMA, Prediksi, RMSE
Implementasi Dempster Shafer dalam Pembentukkan Portofolio Mean Varian Muhammad Iqbal Cholil; Deni Saepudin; Aniq Atiqi Rohmawati
Indonesia Journal on Computing (Indo-JC) Vol. 5 No. 1 (2020): Maret, 2020
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34818/INDOJC.2020.5.1.371

Abstract

Implementasi Dempster Shafer dalam pembentukkan portofolio saham Mean Varian menghasilkan nilai performansi saham yang menjadi acuan untuk pemilihan saham kedalam portofolio saham Mean Varian. Nilai performansi saham dihasilkan dari data variansi return dan faktor fundamental saham Indeks LQ45 yang dihitung menggunakan aturan kombinasi Dempster Shafer. Saham dengan nilai performansi tertinggi dipilih kedalam portofolio saham Mean Varian. Pada penelitian ini, terdapat 10 saham yang dipilih ke dalam portofolio saham yaitu BSDE, GGRM, INDF, SGRO, SMGR, SCMA, MNCN, BBCA, HMSP, dan BMTR dengan menghasilkan portofolio return sebesar 0,0125. Evaluasi kinerja portofolio diterapkan dengan menggunakan metode Sharpe Ratio dengan hasil yang didapat portofolio saham dengan metode Dempster Shafer sebesar 0,2063 dan portofolio saham Mean Varian tanpa Dempster Shafer sebesar 0,0905. Hasil dari penelitian ini, portofolio saham Mean Varian dengan metode Dempster Shafer memiliki kinerja portofolio yang lebih baik dibandingkan portofolio saham Mean Varian tanpa metode Dempster Shafer. Kata Kunci: Dempster Shafer, Portofolio Return, Portofolio Mean Varian, Sharpe Ratio
Forecasting Number of New Cases Daily COVID-19 in Central Java Province Using Exponential Smoothing Holt-Winters Dinda Fitri Irandi; Aniq Atiqi Rohmawati; Putu Harry Gunawan
Indonesia Journal on Computing (Indo-JC) Vol. 6 No. 2 (2021): September, 2021
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34818/INDOJC.2021.6.2.565

Abstract

There is hard to mention how long the COVID-19 pandemic will discontinue. There are some factors, including the public’s efforts to slow spread and researchers’ work to observe more about this outbreak. From the beginning of the health crisis, particularly following the announcement of the first positive case In Indonesia due to the COVID-19 on March 2, 2020. Afterwards, the number of daily cases increase simultaneously in other regions in Indonesia until today. Due to the fact that the significant mobility of the people, Central Java has contributed the 3rd rank of potential number of COVID-19 positive cases in Indonesia. This study aims to forecast the number of COVID-19 daily new cases in Central Java to assist the government in preparing the necessary resources and controlling the spread of the COVID-19 virus in Central Java Province. We proposed Exponential Smoothing Holt-Winters with the Additive model with seasonal addition considering trend and seasonal factors. The dataset during March 14 to April 17, 2021, revealed fluctuation of trend and seasonal patterns. Our simulation studies indicate that Exponential Smoothing Holt-Winters provides sharp and well performance for forecasting daily new cases of COVID-19 in Central Java province with MAPE less than 10%.
Co-Authors A. Maulana Mukhsin Abdurrazaq Naufal Abi Rafdhi Hernandy Abi Rafdhi Hernandy Adhitya Aldira Hardy Adiwijaya Agri Pratomo Alfian Yudha Iswara Ananda Affan Fattahila Annisa Aditsania Arifin Dwi Kandar Saputro Arnasli Yahya Ayu Wulandari Bagas Yafitra Pandji Bambang Eko Supriyadi Benedikto Krisnandy Wijaya Budi Ihsan Daulay Cipta Rahmadayanti Danar Satrio Aji Dara Ayu Lestari Deni Saepudin Dian Tiara Didit Adytia Dinda Fitri Irandi Dini Apriliani Lestari Ditta Febriany Sutrisna Elvina Oktavia Ergon Rizky Perdana Purba Erick Anugrah Prihananta Farah Diba Febry Triyadi Fendi Irfan Amorokhman Fhira Nhita Fikri Nur Hadiansyah Fiqi Ruli Setiawan Fitriaini Amalia Gharyni Nurkhair Mulyono Hadyatma Dahna Marta Hasbi Rabbani I Komang Gede Rusmawan Ihsan Hasanudin Ilma Mufidah Imannda Kusuma Putra Indwiarti Irandi, Dinda Fitri Irfan Fauzan Prasetyo Irwan Ramadhana Jeshurun Eliezer Cussoy Jondri Jondri Justinus Dedy Handyka Simanjuntak Kaenova Mahendra Auditama Kautsar Abdillah Lani Rohaeni Laode Muhammad Ali Al-Qomar Lola Yolanda Ruth Herinis Lumbanraja Mailia Putri Utamil Muhamad Lutfi Chandra Muhammad Akmal Afghani Muhammad Fadhil Maulana Muhammad Hafidh Raditya Muhammad Iqbal Cholil Muhammad Irfan Fathurrahman Nanda Putri Mintari Nathan Sukmawan Ni Luh Ketut Dwi Murniati Nisrina Nur Faizah Novelya Nababan Nur Nining Aulia Putu Harry Gunawan Rabbani, Hasbi Rahmadayanti, Cipta Rahmattullah, Rizky Raisa Betha Meiliza Rangga Arya Pamungkas Redha Arifan Juanda Reima Agustina Kusumawardani Reiza Krisnaviardi Reza Pratama Rian Febrian Umbara Rimba Whidiana Ciptasari Rizki Ayudiah Kartika Paramita Rizky Pujianto Rizky Retno Utami Rizma Nurviarelda Sabilla Fitriyantini Shuni’atul Ma’wa Siti Saadah Sri Suryani Prasetiyowati Suhendar, Annisya Hayati Susy Sundari Syahrizal Rizkiana Rusamsi Syaifrijal Zirkon Radion Tasya Salsabila Tedo Hariscandra Triandini Nurislamiaty Yahya, Arnasli ZulvanFirdaus ZulvanFirdausImanullah