Article Per Year (5 Year)
p-Index From 2021 - 2026
5.405
P-Index
This Author published in this journals
All Journal 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 Zero : Jurnal Sains, Matematika, dan Terapan 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 Journal of Novel Engineering Science and Technology Jurnal Indonesia Sosial Teknologi eProceedings of Engineering LOGIC: Jurnal Penelitian Informatika Proceeding of Community Service and Engagement
Deni Saepudin
Universitas Telkom
Agriculture, Biological Sciences & Forestry Arts Humanities Chemistry 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 Mathematics Mechanical Engineering Physics Social Sciences

Published : 118 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 118 Documents
Search

 8   9   10   11   12 
Prediksi Return Saham Berbasis Clustering Menggunakan K-Means Clustering dan Convolutional Neural Network Rizaldi Maulid Fathurachman; Saepudin, Deni
LOGIC: Jurnal Penelitian Informatika Vol. 3 No. 1 (2025): September 2025
Publisher : Universitas Telkom

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25124/logic.v3i1.9463

Abstract

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 cluster-nya adalah sebanyak 4 cluster. Dan setelah itu dilakukan 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 rata-rata return sebesar 0,0009 dan standar deviasi sebesar 0,0209 yang lebih baik dibandingkan dengan indeks LQ45.
Prediction of Stock Industry Sectors Listed on the Indonesia Stock Exchange (IDX) based on Financial Statements with the Random Forest Method I Kamil Elian Zhafran; Deni Saepudin
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.
EDUKASI PENCEGAHAN STUNTING DENGAN MEDIA INTERAKTIF DI KELURAHAN CIPAMOKOLAN KOTA BANDUNG Deni Saepudin; Didit Adytia; Aditya Firman Ihsan
The Proceeding of Community Service and Engagement (COSECANT) Seminar Vol. 3 No. 1 (2023): Prosiding COSECANT : Community Service and Engagement Seminar
Publisher : Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25124/cosecant.v3i1.7190

Abstract

Stunting adalah kondisi di mana pertumbuhan fisik dan perkembangan anak terhambat secara kronis akibat kekurangan gizi pada periode pertumbuhan awal. Stunting masih menjadi masalah serius di Indonesia. Persentase anak yang mengalami stunting di Indonesia masih cukup tinggi. Meskipun tidak termasuk kabupaten/kota yang diprioritaskan dalam menanggulangi stuntingberdasarkan data tahun 2022, Kota Bandung berupaya dengan serius menurukan prevalensi stunting. Cipamokolan merupakan salah satu kelurahan di Kota Bandung yang masih memiliki masalah terkait prevalensi stunting. Pemberian gizi yang tidak seimbang dapat disebabkan oleh keterbatasan dana atau pengetahuan tentang gizi. Oleh karena itu perlu upaya edukasi yang lebih melibatkan masyarakat rawan prevalensi stunting secara aktif. Pada kegiatan, dibuat media interaktif yang memungkinkan masyarakat sasar terlibat dalam kegiatan edukasi pencegahan stunting. Dalam skenario ini masyarakat sasar (orang tua atau calon orang tua) diedukasi dengan sedikit materi dan dilanjutkan dengan quiz interaktif. Dalam quiz interaktif ini, peserta diberikan pertanyaan dan diminta memilih jawaban yang benar. Dari setiap soal quiz yang diberikan, media akan memberikan feedback apakah jawabannya sudah benar atau masih salah. Edukasi secara interaktif ini meningkatkan engagement yang lebih baik mengingat peserta edukasi menjadi lebih aktif.
EDUKASI POLA ASUH ANAK DALAM KELUARGA MELALUI VIDEO UNTUK KADER PKK KELURAHAN CIPAMOKOLAN BANDUNG Deni Saepudin; Didit Adytia; Aditya Firman Ihsan
The Proceeding of Community Service and Engagement (COSECANT) Seminar Vol. 4 No. 1 (2024): The Proceeding of Community Service and Engagement (COSECANT) Seminar
Publisher : Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25124/cosecant.v6i1.7825

Abstract

Kegiatan abdimas ini merupakan kelanjutan dari abdimas sebelumnya dengan judul Edukasi Pencegahan Stunting dengan Media Interaktif. Mengingat pencegahan stunting perlu dilakukan secara komprehensif, materi edukasi yang disampaikan diperluas ke pola asuh anak, mulai edukasi untuk remaja calon ibu, fase kehamilan, merawat anak sejak janin dan paska melahirkan, terutama sampai anak berusia dua tahun. Materi edukasi tersedia dalam bentuk buku dan paparan narasumber yang disampaikan kepada para kader inti PKK Kelurahan. Namun untuk menyebarkan materi tersebut untuk masyarakat umum dengan bahasa yang mudah dan singkat merupakan tantangan tersendiri untuk para kader PKK. Dalam abdimas ini, materi edukasi disampaikan dalam bentuk paparan melalui video interaktif dan quiz. Media ini diharapkan dapat digunakan oleh para kader tim penggerak PKK untuk melakukan edukasi pada calon dan orang tua anak di bawah dua tahun (baduta). Hal ini dilakukan untuk memastikan bahwa ibu baduta yang merupakan tokoh kunci dapat memahami pola asuh yang benar sehingga anaknya sehat secara fisik dan mental, dan pastinya dapat terhindar dari stunting. Untuk mengukur efektivitas media edukasi ini akan dilakukan post-test melalui quiz untuk mengukur pemahaman masyarakat sasar.
Comparative Performance of Statistical and LSTM Based Arbitrage in the Indonesian Stock Market Yunita Yunita; Indwiarti Indwiarti; Deni Saepudin
ZERO: Jurnal Sains, Matematika dan Terapan Vol 9, No 3 (2025): Zero: Jurnal Sains Matematika dan Terapan
Publisher : UIN Sumatera Utara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30829/zero.v9i3.27373

Abstract

This study compares the performance of traditional statistical arbitrage and Long Short-Term Memory (LSTM)-based deep arbitrage strategies in generating returns and risk-adjusted performance in the Indonesian stock market. A quantitative approach is employed using long-only trading simulations on daily closing prices of blue-chip financial sector stocks listed on the Indonesia Stock Exchange from April 2015 to April 2025. Stock pairs are selected based on correlation and cointegration criteria, while spread volatility is modeled using a GARCH (1,1) framework. To ensure a genuine out-of-sample evaluation, the sample is divided into an in-sample period from April 2015 to August 2021 for model training and parameter optimization, and an out-of-sample period from September 2021 to April 2025 for performance assessment. Strategy performance is evaluated using portfolio return and Sharpe ratio. The empirical results show that both strategies are feasible in the Indonesian market; however, the LSTM-based deep arbitrage strategy significantly outperforms the traditional statistical arbitrage approach, achieving a higher out-of-sample portfolio return (735% versus 482%) and a superior Sharpe ratio (1.67 versus 0.69). These findings indicate that deep learning-based arbitrage can provide substantial improvements in both return and risk-adjusted performance under long-only trading constraints in an emerging market context.
Adaptive Portfolio Optimization Using MVF with Machine Learning Forecasting and Regime Switching: Evidence from LQ45 Stocks Fadly Ramdhani; Deni Saepudin
ZERO: Jurnal Sains, Matematika dan Terapan Vol 10, No 2 (2026): Zero: Jurnal Sains Matematika dan Terapan
Publisher : UIN Sumatera Utara

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30829/zero.v10i2.29447

Abstract

This study proposes an adaptive portfolio optimization framework that integrates Random Forest(RF)-based return forecasting into a Mean-Variance-Forecast Error (MVF) model, augmented by a Hidden Markov Model (HMM) for market regime identification. Using weekly historical return data from 40 LQ45-listed stocks spanning January 2014 to January 2025, the framework dynamically adjusts portfolio allocations in response to bull and bear market conditions detected by a two-state HMM. The primary methodological contribution lies in addressing the static limitation of conventional MVF under shifting market regimes. Out-of-sample evaluation over a 138-week test period demonstrates that regime-switching MVF achieves Sharpe ratios above 1.30, substantially lower maximum drawdowns than the MVF-only portfolio, and cumulative returns of 291.96%. Bootstrap-validated 95% confidence intervals confirm the statistical robustness of these improvements. Nevertheless, portfolio turnover remains high during active reallocations. These findings indicate that combining machine-learning-based predictive modelling with adaptive, regime-driven allocation enhances portfolio stability, mitigates extreme losses, and improves risk-return efficiency under dynamic emerging-market conditions.
Sistem Pendukung Keputusan Pemilihan Saham Untuk Portofolio Dengan Menggunakan Metode Support Vector Regression (SVR) Dan Analisis Fundamental (FA) Rangga Lesmana; Deni Saepudin; Erwin Budi Setiawan
LOGIC: Jurnal Penelitian Informatika Vol. 4 No. 1 (2026): June 2026
Publisher : Universitas Telkom

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25124/logic.v4i1.11853

Abstract

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.
LASSO-PCA-LSTM Framework for Predicting Indonesian Government Bond Yields with Bayesian-Optimized LSTM Amanda Kayla Putri Wibowo; Deni Saepudin
Journal of Novel Engineering Science and Technology Vol. 5 No. 03 (2026): In Press - Journal of Novel Engineering Science and Technology
Publisher : The Indonesian Institute of Science and Technology Research

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.56741/jnest.v5i03.2511

Abstract

Accurate government bond yield forecasting is important for investment decision-making and financial risk management, yet it remains challenging because of nonlinear yield behavior and complex macroeconomic interactions. This study proposes a hybrid forecasting framework combining Least Absolute Shrinkage and Selection Operator (LASSO), Principal Component Analysis (PCA), Bayesian Optimization, and Long Short-Term Memory (LSTM) to predict Indonesian fixed-rate government bond yields (FR0074, FR0075, and FR0076). Historical bond prices were converted into yield-to-maturity values and integrated with nine domestic and global macroeconomic indicators. Four forecasting scenarios—LSTM, LASSO-LSTM, PCA-LSTM, and LASSO-PCA-LSTM—were evaluated across three prediction horizons (t+1, t+5, and t+30). LASSO identified four influential predictors: the USD/IDR exchange rate, BI Rate, foreign exchange reserves, and the Fed Funds Rate. The LASSO-PCA-LSTM framework achieved the strongest predictive performance at the t+1 and t+5 horizons, with average R² values of 0.8685 and 0.1760, respectively, whereas PCA-LSTM performed relatively better at t+30. These findings indicate that the effectiveness of feature selection and dimensionality reduction varies across forecasting horizons. By combining predictor selection, dimensionality reduction, and Bayesian hyperparameter optimization, the proposed framework preserves relevant macroeconomic information while reducing redundancy. The results demonstrate its potential for government bond yield forecasting and for supporting investment analysis, portfolio management, and monetary policy assessment in emerging financial markets.
Co-Authors Abdurrahman Muttaqiin Achmad Fadholy Achmad Rizal Aditya Firman Ihsan Adiwijaya Aisyah Aisyah Alberila Fraida Loceseima Putri Almaya Sofariah Amanda Kayla Putri Wibowo 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 Erwin Budi Setiawan Esther Laura Christy Fadhlika Hadi Fadly Ramdhani 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 I Kamil Elian Zhafran Ihsan Hasanudin Indwiarti Irfan Fauzan Prasetyo Irma Palupi Isman Kurniawan Izzata Izzata 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 Mustaghfirin, Muhammad Rafid Nanda Putri Mintari Naufal Abdurrahman Burhani Nisrina Nur Faizah Novelya Nababan Novi Syafira, Muthia Nur Roza Fitriyana Putri Nuvaisiyah Putu Agus Narestha Adi Pratama Putu Harry Gunawan Rahmi Putri Amalia Raisa Betha Meiliza Rangga Lesmana 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 Yunita Yunita Zhafran, Kamil Elian