Article Per Year (5 Year)
p-Index From 2021 - 2026
4.449
P-Index
This Author published in this journals
All Journal Lontar Komputer: Jurnal Ilmiah Teknologi Informasi JURNAL ELEKTRO Indonesia Symposium on Computing Indonesian Journal on Computing (Indo-JC) IJoICT (International Journal on Information and Communication Technology) JOIN (Jurnal Online Informatika) JURNAL MEDIA INFORMATIKA BUDIDARMA Jurnal Nasional Pendidikan Teknik Informatika (JANAPATI) JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika) TEKTRIKA - Jurnal Penelitian dan Pengembangan Telekomunikasi, Kendali, Komputer, Elektrik, dan Elektronika Building of Informatics, Technology and Science Journal of Computer System and Informatics (JoSYC) Charity : Jurnal Pengabdian Masyarakat Jurnal Indonesia Sosial Teknologi eProceedings of Engineering LOGIC: Jurnal Penelitian Informatika
Deni Saepudin
Universitas Telkom Bandung, Indonesia
Arts Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Industrial & Manufacturing Engineering Law, Crime, Criminology & Criminal Justice Social Sciences

Published : 112 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 112 Documents
Search

 8   9   10   11   12 
Application of Deep Reinforcement Learning for Stock Trading on The Indonesia Stock Exchange Saepudin, Deni; Rauf, Khalifatur
Jurnal Nasional Pendidikan Teknik Informatika: JANAPATI Vol. 14 No. 1 (2025)
Publisher : Prodi Pendidikan Teknik Informatika Universitas Pendidikan Ganesha

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23887/janapati.v14i1.83775

Abstract

In the last couple of years, stock trading has gained so much popularity because of its promising returns. However, most investors do not pay attention to the risks of trading without analysis, which can lead to a big loss. Some to reduce these risks, try their luck with automated and pre-programmed trading systems, which are called Expert Advisors. The current study examines the application of DRL for automated assistance in trading with an emphasis on decision-making enhancement, particularly the use of DRL in order to realize high asset returns with a low risk of exposure. Concretely, the two applied DRL methods within this work are A2C and PPO. By systematic testing, the A2C method produced a Sharpe Ratio of 1.6009 with a cumulative return of 1.4468, while the PPO method achieved a Sharpe Ratio of 1.7628 with a cumulative return of 1.4767. These were fine-tuned for the most optimal learning rates, cut loss, and take profit ratios, thus showing great promise with the capability to tune up trading strategies and improve trading performances. The research leverages these DRL techniques, hence arriving at better trading strategies that balance profit and risk, while underlining the promise of advanced algorithms in automated stock trading.
Prediksi Return Saham Berbasis Clustering Menggunakan K-Means Clustering dan Convolutional Neural Network Maulid Fathurachman, Rizaldi; Saepudin, Deni
eProceedings of Engineering Vol. 12 No. 1 (2025): Februari 2025
Publisher : eProceedings of Engineering

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

Abstract

Abstrak - Prediksi harga saham di masa depan merupakan sebuah masalah yang menantang. Dalam penelitian ini telah diterapkan pendekatan clustering untuk mengelompokkan saham-saham yang menunjukkan kesamaan dalam prediksi harga. Proses ini membantu dalam mempermudah prediksi harga, karena saham yang ada dalam 1 cluster yang sama diharapkan mempunyai pola yang lebih mirip. Melalui clustering, saham-saham yang memiliki prediksi harga yang sama dikelompokkan berdasarkan cluster yang telah terbentuk. Kemudian, dilakukan training model menggunakan data rata-rata dari harga saham dalam setiap cluster untuk menghasilkan prediksi harga yang lebih tepat. Dalam penelitian ini metode K-Means digunakan untuk mengelompokkan saham berdasarkan rata-rata return dan standar deviasi, sedangkan CNN digunakan untuk memprediksi harga saham harian. Selanjutnya prediksi return dapat dihitung berdasarkan prediksi harga yang telah diperoleh. Dataset harga saham LQ45 dibagi menjadi dua bagian, yaitu training data dan test data. Data training digunakan untuk melatih model CNN untuk menganalisis data harga saham historis yang dapat membantu memprediksi return saham di masa depan, sedangkan data test digunakan untuk mengevaluasi kinerja model yang telah dilatih. Hasil penelitian ini menunjukkan bahwa, dengan melihat kriteria elbow maka clustering dengan metode K-Means akan diambil dengan jumlah clusternya adalah sebanyak 4 cluster. Dan setelah itu di lakukan prediksi melalui CNN dan hasilnya mampu menghasilkan prediksi harga saham harian dengan baik, dibuktikan dengan nilai RMSE prediksi untuk 1 hari ke depan pada cluster 1 adalah 0,09, Untuk cluster 2, RMSE yang diperoleh adalah 0,05, Sementara itu, cluster 3 memiliki RMSE sebesar 0,07, dan untuk cluster 4 memiliki RMSE yang diperoleh yaitu 0,57. Setelah itu, dihasilkan dari prediksi saham-saham di setiap cluster yang menghasilkan prediksi return tertinggi di setiap harinya. Kemudian dibuat prediksi kinerja portofolio menggunakan equal weight dengan hasil ratarata return sebesar 0,0009 dan standar deviasi sebesar 0,0209 yang lebih baik dibandingkan dengan indeks LQ45. Kata kunci - Prediksi return saham, clustering, K-means, Convolutional Neural Network (CNN), portofolio investasi.
Sistem Pendukung Keputusan Pemilihan Saham Untuk Portofolio Dengan Menggunakan Metode Support Vector Regression (SVR) Dan Analisis Fundamental (FA) Lesmana, Rangga; Saepudin, Deni
eProceedings of Engineering Vol. 12 No. 1 (2025): Februari 2025
Publisher : eProceedings of Engineering

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

Abstract

Abstrak - Pemilihan saham yang tepat sangat penting dalam membangun portofolio investasi yang optimal karena dapat memaksimalkan keuntungan dan mengurangi risiko, yang merupakan fokus utama investor dalam pengambilan keputusan. Penelitian ini bertujuan mengembangkan sistem pendukung keputusan menggunakan Support Vector Regression (SVR) dan analisis fundamental (FA) untuk memprediksi return saham serta memilih saham terbaik untuk portofolio. SVR diterapkan dengan kernel Radial Basis Function (RBF) untuk memprediksi return saham berdasarkan data historis, sementara FA menganalisis indikator keuangan seperti Return On Asset (ROA), Return On Equity (ROE), Debt to Equity Ratio (DER), dan Price to Book Value (PBV). Portofolio kemudian dibentuk menggunakan model Equal-Weighted (EW). Hasil penelitian menunjukkan bahwa kombinasi SVR dan FA menghasilkan rata-rata return portofolio sebesar 0,0099 dengan standar deviasi 0,0726, lebih tinggi dibandingkan dengan SVR saja yang memiliki rata-rata return sebesar 0,0047 dan standar deviasi 0,0668. Temuan ini menegaskan bahwa pendekatan kombinasi SVR dan FA mampu meningkatkan kinerja portofolio dan mengurangi risiko secara signifikan, sehingga menawarkan strategi investasi yang lebih optimal. Penelitian ini juga merekomendasikan eksplorasi lebih lanjut dengan memperluas data yang digunakan serta mempertajam penerapan SVR dan analisis fundamental untuk meningkatkan akurasi prediksi dan optimasi portofolio. Kata kunci - Prediksi Harga Saham, Support Vector Regression (SVR), Analisis Fundamental (FA), Portofolio Equal-Weighted (EW), Pertumbuhan Portofolio
Mendeteksi Indikasi Peristiwa Besar Berdasarkan Fluktuasi IHSG Caramoy, Senza; Saepudin, Deni
eProceedings of Engineering Vol. 12 No. 3 (2025): Juni 2025
Publisher : eProceedings of Engineering

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

Abstract

Penelitian ini berfokus pada deteksi indikasi peristiwa besaryang mempengaruhi fluktuasi Indeks Harga SahamGabungan (IHSG) di Bursa Efek Indonesia menggunakanmodel power law. Metode ini digunakan untuk menganalisispola ekstrem dalam data time-series IHSG danmengidentifikasi hubungan antara peristiwa besar denganperubahan harga saham. Data yang digunakan dalampenelitian ini merupakan harga penutupan harian IHSGdari tahun 1993 hingga 2022. Setelah dilakukan pengolahandan analisis menggunakan model power law, ditemukanbahwa beberapa peristiwa besar di Indonesia, sepertireformasi ekonomi tahun 1999 dan pandemi COVID-19tahun 2020, memiliki korelasi dengan perubahan signifikandalam IHSG. Hasil analisis menunjukkan bahwa metodepower law lebih akurat dalam mendeteksi kejadian ekstremdibandingkan dengan pendekatan statistik konvensionalseperti standar deviasi, dengan nilai koefisien determinasi(R-squared) mencapai 0,98. Kesimpulan dari penelitian inimenunjukkan bahwa model power law dapat digunakansebagai pendekatan alternatif dalam analisis fluktuasi pasarsaham. Pengembangan lebih lanjut dapat dilakukan denganintegrasi teknologi machine learning serta peningkatankualitas data untuk hasil yang lebih akurat. Kata Kunci: IHSG, peristiwa besar, fluktuasi harga saham,power law, analisis data time-serie.
Prediksi Dividen Payout dengan menggunakan Metode Regresi Linear Berganda Widyasari, Felicia Dina; Saepudin, Deni
eProceedings of Engineering Vol. 12 No. 3 (2025): Juni 2025
Publisher : eProceedings of Engineering

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

Abstract

Dividen merupakan distribusi laba perusahaankepada investor dan mengukur kinerja keuangan perusahaan.Penelitian ini bertujuan memprediksi dividen payoutmenggunakan metode Regresi Linear Berganda denganvariabel fundamental keuangan, yaitu Earning per Share(EPS), Debt to Equity Ratio (DER), Return on Assets (ROA),Return on Equity (ROE), Current Ratio (CR), dan Firm Size.Evaluasi dilakukan dengan membandingkan performa modelRegresi Linear Sederhana, yang hanya menggunakan waktu(tahun) sebagai variabel independen, dengan model RegresiLinear Berganda menambahkan variabel fundamentalkeuangan. Hasil penelitian menunjukkan bahwa model RegresiLinear Sederhana memperoleh nilai rata-rata R-squaredsebesar 0.296. Penambahan EPS sebagai variabel independenmeningkatkan nilai rata-rata R-squared secara signifikanmenjadi 0.722. Dengan menambahkan variabel fundamentallainnya, seperti DER, ROA, ROE, CR, dan Firm Size nilai ratarata R-squared meningkat menjadi 0.797. Berdasarkanpengujian statistik, nilai rata-rata R-squared untuk RegresiLinear Berganda meningkat dengan penambahan variabelfundamental lainnya. Namun, peningkatan variansi modeltersebut tidak signifikan dan lebih kecil. Kesimpulannya, modelRegresi Linear Berganda meningkatkan akurasi prediksidividen payout dibandingkan model Regresi Linear Sederhana.Penggunaan data fundamental keuangan terbukti memberikanhasil prediksi yang lebih akurat dan dapat menjadi alat yangbermanfaat bagi investor dalam pengambilan keputusan Kata kunci— Regresi Linear Berganda, Prediksi Dividen Payout, Saham
Prediksi Pergerakan Harga Saham Berbasis Rasio Keuangan Menggunakan Metode Artificial Neural Network (ANN) Azizah , Nakhwa; Saepudin, Deni
eProceedings of Engineering Vol. 12 No. 3 (2025): Juni 2025
Publisher : eProceedings of Engineering

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

Abstract

Prediksi pergerakan harga saham merupakantantangan di dunia investasi karena sifatnya fluktuatif dandipengaruhi berbagai faktor. Penelitian ini menggunakan ArtificialNeural Network (ANN) untuk memprediksi pergerakan harga sahammingguan pada 19 perusahaan indeks LQ45. Data mencakup hargapenutupan mingguan (Close) dan enam indikator rasio keuangan:EPS, ROA, ROE, P/B Value, P/E Ratio, dan DER. Pergerakan hargasaham diklasifikasikan menjadi 1 (naik), 0 (stagnan), dan -1 (turun),berdasarkan tiga threshold perubahan harga (1%, 2%, 3%).Penelitian ini menerapkan Principal Component Analysis (PCA)untuk mengurangi noise dan meningkatkan performa model. Hasilmenunjukkan threshold optimal adalah 2%, dengan akurasi dan F1-Score yang lebih baik. Model berbasis data historis menunjukkanperforma terbaik dalam memprediksi pergerakan harga saham,dengan rata-rata akurasi mencapai 0,92. Sebaliknya, model yangmengintegrasikan rasio keuangan tanpa PCA memiliki akurasi lebihrendah sebesar 0,5 hingga 0,7. Hal ini menunjukkan rasio keuanganmemiliki korelasi rendah terhadap pergerakan harga saham dalamjangka pendek. Penerapan PCA pada data historis dan rasiokeuangan meningkatkan akurasi hingga setara dengan modelberbasis data historis saja. Uji statistik menunjukkan bahwa tidakterdapat perbedaan signifikan dalam akurasi dan varians antaramodel berbasis data historis dan model kombinasi dengan PCA. Kata kunci— prediksi pergerakan harga saham, artificial neuralnetwork, data historis, rasio keuangan, threshold, PCA.
Video Pembelajaran untuk Menjaga Keterlibatan Siswa pada Pembelajaran Online di SMP Pajajaran 1 Bandung saepudin, deni; Lhaksmana, kemas Muslim; adytia, didit
Charity : Jurnal Pengabdian Masyarakat Vol. 7 No. 2 (2024): Charity-Jurnal Pengabdian Masyarakat
Publisher : PPM Universitas Telkom

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

Abstract

Adanya pandemic Covid-19 memaksa penyelenggara pendidikan melakukan pembelajaran online untuk mencegah penularan penyakit di sekolah. Namun penyelenggaraan pembelajaran online memiliki tantangannya sendiri salah satunya adalah sulitnya menjaga keterlibatan (engagement) siswa dalam proses pembelajaran. Salah satu upaya yang dapat dilakukan untuk menjaga keterlibatan siswa adalah dengan menyajikan pembelajaran dalam bentuk video pembelajaran yang menarik. Atas dasar tersebut, pelatihan pembuatan video pembelajaran di SMP Pajajaran 1 dilakukan. Dampak pembelajaran melalui video animasi diukur untuk melihat ada tidaknya peningkatan keterlibatan peserta didik dalam proses pembelajaran.
Kebutuhan Harmonisasi pada Proses Pelaporan Data Posyandu: Evidence dari Posyandu Mawar Cipamokolan saepudin, deni; adytia, didit; ihsan, aditya firman
Charity : Jurnal Pengabdian Masyarakat Vol. 7 No. 2 (2024): Charity-Jurnal Pengabdian Masyarakat
Publisher : PPM Universitas Telkom

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

Abstract

Salah satu kegiatan rutin yang dilakukan oleh posyandu setiap bulannya adalah pemeriksaan kesehatan dan pengukuran, yaitu penimbangan berat dan pengukuran tinggi badan. Data tersebut merupakan indikator utama untuk mengetahui status gizi anak, apakah baik atau buruk berdasarkan usia. Data ini dilaporkan ke Kementrian Kesehatan melalui Puskesmas. Selain itu rekap data juga dilaporkan kepada Pemerintah Daerah melalui Kelurahan untuk mengetahui status kesehatan anak di sebuah wilayahnya. Untuk posyandu yang menangani balita cukup banyak (lebih dari seratus balita), proses perekapan ini cukup menyulitkan kader, terutama bila dilakukan secara manual. Hal ini dikarenakan banyaknya kriteria/kategori yang harus diperhatikan dan harus memperhatikan data hasil pengukuran pada waktu sebelumnya. Hal ini secara khusus dialami oleh para kader Posyandu Mawar Cipamokolan. Kegiatan abdimas ini bertujuan memberikan solusi yang mempermudah pekerjaan para kader posyandu sehingga pengolahan data dan penyiapan laporan dapat dilakukan dalam hitungan menit. Pada saat pelaksanaan kegiatan diperoleh informasi baru. Kader posyandu di Kota Bandung saat ini harus melaporkan data ini melalui aplikasi e-penting. Namun, penerapan aplikasi ini masih memerlukan harmonisasi agar kader tidak bekerja dua kali, dan adanya keterbatasan perangkat dan traffic data saat mengunggah hasil pengukuran.
Water Level Time Series Forecasting Using TCN Study Case in Surabaya Saepudin, Deni; Egi Shidqi Rabbani; Dio Navialdy; Didit Adytia
JOIN (Jurnal Online Informatika) Vol 9 No 1 (2024)
Publisher : Department of Informatics, UIN Sunan Gunung Djati Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15575/join.v9i1.1312

Abstract

Climate change is causing water levels to rise, leading to detrimental effects like tidal flooding in coastal areas. Surabaya, the capital of East Java Province in Indonesia, is particularly vulnerable due to its low-lying location. According to the Meteorological, Climatological, and Geophysical Agency (BMKG), tidal flooding occurs annually in Surabaya as a result of rising water levels, highlighting the urgent need for water level forecasting models to mitigate these impacts. In this study, we employ the Temporal Convolutional Network (TCN) machine learning model for water level forecasting using data from a sea level station monitoring facility in Surabaya. We divided the training data into three scenarios: 3, 6, and 8 months to train TCN models for 14-day forecasts. The 8-month training scenario yielded the best results. Subsequently, we used the 8-month training data to forecast 1, 3, 7, and 14 days using TCN, Transformers, and the Recurrent Neural Network (RNN) models. TCN consistently outperformed other models, particularly excelling in 1-day forecasting with coefficient of determination () and RMSE values of 0.9950 and 0.0487, respectively.
Prediction of Stock Industry Sectors Listed on the Indonesia Stock Exchange (IDX) based on Financial Statements with the Random Forest Method Zhafran, I Kamil Elian; Saepudin, Deni
Jurnal Indonesia Sosial Teknologi Vol. 5 No. 10 (2024): Jurnal Indonesia Sosial Teknologi
Publisher : Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59141/jist.v5i10.1239

Abstract

This research aims to predict the stock industry sector listed on the Indonesia Stock Exchange (BEI) based on financial reports using the Random Forest method. The dataset used in this research includes financial data from companies listed on the IDX in the period 2010 to 2022. The data processing process includes data cleaning, handling class imbalance with oversampling techniques using SMOTE, and feature scaling using StandardScaler. The Random Forest model is used to classify companies into appropriate industry sectors. The eval_uation results show that the model has good performance with an overall accuracy of 80.21%. Several classes showed very good performance, such as the Financials class with precision of 95.24%, recall of 100%, and F-1 score of 97.56%. However, there are also classes that show lower performance, such as the Healthcare class with a precision of 51.61% and an F-1 score of 61.54%. The confusion matrix indicates that the model is able to identify most classes accurately, although there are several classes with prediction errors.
Co-Authors Abdurrahman Muttaqiin Achmad Fadholy Achmad Rizal Aditya Firman Ihsan Adiwijaya Aisyah Aisyah Alberila Fraida Loceseima Putri Almaya Sofariah Andhika Rama Putra Anggia Parsaoran Exaudi Aniq Antiqi Rohmawati Aniq Atiqi Rohmawati Aniq Rohmawati Anjar Pratiwi Annas Wahyu Ramadhan Annisa Aditsania Annisa Resnianty Anton Sri Haryanto Arfananda, Muhammad Ghifari Arifin Dwi Kandar Saputro Ayunda Firsty Trisnowati Azizah , Nakhwa Benedikto Krisnandy Wijaya Caramoy, Senza Danar Satrio Aji Dara Ayu Lestari Defy Ayu Dewa Made Rai Widyadarma Diah Fitri Wulandari Diani Sarah Kamilial Diani Sarah Kamilial Didit Adytia Dimas Rizqi Guintana Dini Apriliani Lestari Dio Navialdy Egi Shidqi Rabbani Elvina Oktavia Erlina Febriani Esther Laura Christy Fadhlika Hadi Fahmi Muhamad Fauzi Farah Diba Faturachman Nugraha Sasmita Fazlur Rahman Amri Febry Triyadi Fhira Nhita Fikri Nur Hadiansyah Fitriaini Amalia Freyssenita Kanditami P Furqon Hidayat Gharyni Nurkhair Mulyono Ghufron, Sayid Giali Ghazali Gilang Rachman Perdana Gilang Rachman Perdana Hadyatma Dahna Marta Hario Adi Ghufron Herlansyah, Ridhwan Rifky Himatul Zulfa Husain Athfal Hidayat Ihsan Hasanudin Irfan Fauzan Prasetyo Irma Palupi Isman Kurniawan Izzata Izzata Jondri Jondri Kaisa Sekaring Pertiwi Kautsar Abdillah Kemas Muslim Lhaksmana Khoirunnisa Ulayya Kuntjoro Adji Sidarto Lani Rohaeni Laode Muhammad Ali Al-Qomar Lesmana, Rangga Made Larita Ditakristy Mailia Putri Utamil Maulid Fathurachman, Rizaldi Mayriskha Isna Indriyani Mega Silvia Desvi Muhamad Aziz, Reihan Muhammad Fadhil Maulana Muhammad Iqbal Cholil Muhammad Rifqi Arrahim Natadikarta Muhammad Taufiq Raihan Nanda Putri Mintari Narestha Adi Pratama, Putu Agus Naufal Abdurrahman Burhani Nisrina Nur Faizah Novelya Nababan Novi Syafira, Muthia Nur Roza Fitriyana Putri Nuvaisiyah Putu Harry Gunawan Rahmi Putri Amalia Raisa Betha Meiliza Ratih Puspita Furi Rauf, Khalifatur Razaq, Kukuh Sanddi Reima Agustina Kusumawardani Reiza Krisnaviardi Resi Annisa Nur Reza Pratama Rian Febrian Umbara Ridhwan Rifky Herlansyah Rizaldi Maulid Fathurachman Rizq Athariq, Muhammad Sabilla Fitriyantini Saputra, Muhammad Ridho Semeidi Husrin Shabrina Nanggala Sheila Nur Fadhila Sofyan, Denny Sri Rezeki Hardiyanti Susy Sundari Syaifrijal Zirkon Radion Tasya Salsabila Tifani Intan Solihati Triandini Nurislamiaty Triyana Kadarisman Uggi Stivani Savitri Vina Putri Damartya Widyasari, Felicia Dina Yanuar Ishaq Zhafran, I Kamil Elian Zhafran, Kamil Elian