Claim Missing Document
Check
Articles

Penentuan Market Sentiment Menggunakan Markov Regime Switching Model Rica Ning Nurhasanah; Jondri Jondri; Indwiarti Indwiarti
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

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

Abstract

Saham merupakan objek investasi yang diminati oleh banyak pengusaha, baik itu individual maupun suatu perusahaan. Penting sekali untuk mengetahui kondisi saham untuk para pengusaha yang berminat dibidang ini. Karena, apabila kurangnya pengetahuan kondisi suatu saham dapat mengakibatkan resiko kerugian yang cukup tinggi. Untuk itu perlu adanya perhitungan untuk mengetahui kondisi saham, salah satu metodenya yaitu menggunakan Data Science. Pada Tugas Akhir ini, dilakukan penelitian terhadap indeks saham tiga negara yaitu, Indeks Indonesia(ISHG/JKSE), Indeks China(SEE) dan Indeks Singapura(SGX). Data yang digunakan adalah data indeks saham perminggu dimulai dari 1 Januari 2006 s/d 31 Desember 2016. Metode yang digunakan dalam Tugas Akhir adalah Markov Regime Switching Model. Hasil yang didapatkan adalah kondisi bull ketiga saham terjadi sebanyak 37,46% dan kondisi bear ketiga saham terjadi sebanyak 16,55%. Kata Kunci : Data Science, Indeks saham, Markov Switching
Comparison Of Stock Price Prediction With Generalized Autoregressive Conditional Heteroscedasticity Model And Artificial Neural Network Justinus Dedy Handyka Simanjuntak; Indwiarti Indwiarti; Aniq Atiqi Rohmawati
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

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

Abstract

Pasar modal sangat berkaitan dengan perekonomian karena pasar modal merupakan kegiatan perdagangan modal-modal perusahaan publik. Saham merupakan jumlah satuan dari modal kooperatif yang harganya dapat berubah sewaktu-waktu tergantung keuntungan dan kerugian atau kinerja perusahaan tersebut. Mengingat harga saham yang berubah-ubah maka diperlukan metode yang sesuai untuk dapat melakukan peramalan suatu harga saham. Untuk kasus harga saham berubah-ubah dapat diatasi dengan menggunakan metode time series. Generalized Autoregressive Conditional Heteroscedasticity (GARCH) merupakan salah satu model time series yang baik dalam melakukan peramalan harga saham. Model GARCH menganggap asumsi heteroscedasticity dapat meramalkan harga saham yang berubah-ubah secara signifikan terhadap waktu. Artifical Neural Network menunjukan pendekatan yang efektif dalam peramalan time series karena tingkat keakuratannya yang tinggi. Pada penelitian ini didapatkan hasil perhitungan error RMSE dengan model GARCH (1,0) sebesar 0.3234, dan ANN menggunakan 21 hidden layer sebesar 0.0091. Hasil dari penelitian ini metode ANN ialah metode terbaik dalam prediksi harga saham PT. Bumi Citra Permai Tbk. Kata kunci : GARCH, ANN, Saham
Retweet Prediction Using Multi-Layer Perceptron Optimized by The Swarm Intelligence Algorithm Jondri Jondri; Indwiarti Indwiarti; Dyas Puspandari
JOIN (Jurnal Online Informatika) Vol 8 No 2 (2023)
Publisher : Department of Informatics, UIN Sunan Gunung Djati Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15575/join.v8i2.1193

Abstract

Retweets are a way to spread information on Twitter. A tweet is affected by several features which determine whether a tweet will be retweeted or not. In this research, we discuss the features that influence the spread of a tweet. These features are user-based, time-based and content-based. User-based features are related to the user who tweeted, time-based features are related to when the tweet was uploaded, while content-based features are features related to the content of the tweet. The classifier used to predict whether a tweet will be retweeted is Multi Layer Perceptron (MLP) and MLP which is optimized by the swarm intelligence algorithm. In this research, data from Indonesian Twitter users with the hashtag FIFA U-20 was used. The results of this research show that the most influential feature in determining whether a tweet will be retweeted or not is the content-based feature. Furthermore, it was found that the MLP optimized with the swarm intelligence algorithm had better performance compared to the MLP.
Prediksi Retweet Berdasarkan Konten dan Berbasis Pengguna dengan Metode Seleksi Classifier Febiansyah, Muhamad; Jondri, Jondri; Indwiarti, Indwiarti
Smart Comp :Jurnalnya Orang Pintar Komputer Vol 14, No 1 (2025): Smart Comp: Jurnalnya Orang Pintar Komputer
Publisher : Politeknik Harapan Bersama

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30591/smartcomp.v14i1.7166

Abstract

Perkembangan media sosial telah mengubah cara penyebaran informasi secara drastis. Twitter, sebagai salah satu platform utama, memiliki peran penting dalam proses ini, dengan jutaan pengguna dan retweet yang terjadi setiap hari. Penelitian ini bertujuan untuk mengembangkan model prediksi retweet pada Twitter, memanfaatkan fitur content-based dan user-based. Metode classifier selection digunakan untuk memilih model terbaik, dengan eksplorasi berbagai teknik seperti oversampling. Hasil eksperimen menunjukkan bahwa penggunaan teknik-teknik tersebut dapat meningkatkan kinerja model dalam memprediksi retweet, terutama pada fitur user based. Meta learner dengan oversampling data pada fitur content based menunjukkan kinerja baik, penggunaan meta learner dan oversampling data memberikan dampak yang signifikan terhadap hasil penelitian
Retweet Prediction Using Artificial Neural Network Method Optimized with Firefly Algorithm Supriadi, Muhamad Rifqi; Jondri, Jondri; Indwiarti, Indwiarti
JINAV: Journal of Information and Visualization Vol. 4 No. 2 (2023)
Publisher : PT Mattawang Mediatama Solution

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35877/454RI.jinav1903

Abstract

Twitter is one of the social media platforms that has a large user base across various demographics. Users can use Twitter to search for information about celebrities, political issues, products, and trending topics of discussion. The information shared on Twitter can be referred to as tweets. Tweets can be further shared by other users using the retweet feature, which allows the tweet to reach a wider audience. This research aims to build a retweet prediction system and examine how tweets will spread. The method used in this research is Artificial Neural Network classification optimized with Firefly Algorithm, based on user-based and content-based features. This modeling approach demonstrated the best results after applying imbalanced class handling using oversampling with the SMOTE technique. The F1-Score obtained in this research is 88.07%.
Prediksi Retweet Berdasarkan Fitur UserBased, Content-Based, dan Time-Based Menggunakan Metode ANN-GSO Muhalani, Raisul; Jondri; indwiarti
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 - Media sosial menjadi salah satu platform yang banyak dipilih untuk sarana saling berbagi informasi, hiburan, serta dapat membuat mereka menghilangkan rasa penat dari aktifitas mereka sehari-hari. Media sosial sudah menjadi kebutuhan untuk sebagian besar masyarakat khususnya indonesia. Salah satu media sosial yang sering digunakan oleh masyarakat indonesia yaitu twitter. Twitter dapat membagikan sebuah postingan yang biasa disebut dengan tweet(kicauan) yang dapat digunakan oleh pengguna untuk membagikan tulisan, foto, video, maupun gif kepada publik. Salah satu fitur twitter yaitu retweet. Fitur retweet ini memiliki fungsi untuk membagikan kembali sebuah postingan, baik postingan mereka sendiri maupun postingan pengguna lain. Fitur ini sangat berperan penting dalam penyebaran informasi. Penelitian ini membahas mengenai prediksi retweet menggunakan fitur user-based, content-based, dan timebased dengan metode Jaringan Saraf Tiruan (Artificial Neural Network) untuk klasifikasinya, yang dioptimalkan dengan algoritma Glowworm Swarm Optimization (GSO) untuk mendapatkan tingkat akurasi yang lebih tinggi. Model ANN yang dioptimalkan dengan GSO menunjukkan hasil terbaik ketika dilakukan skenario oversampling, dengan akurasi sebesar 78% dan F1-Score 78%. Pada GSO terdapat peningkatan pada dataset model prediksi secara keseluruhan. Kata kunci - klasifikasi, Twitter, retweet, ANN, GSO
Prediksi Retweet Berdasarkan Konten Dan Pengguna Dengan Metode Classifier Selection Febiansyah, Muhamad; Jondri; indwiarti
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 - Perkembangan media sosial telah merubah cara penyebaran informasi, dengan Twitter memainkan peran utama. Penelitian ini bertujuan mengembangkan model prediksi retweet di Twitter menggunakan fitur content-based dan user-based, serta teknik oversampling untuk meningkatkan kinerja model. Hasil eksperimen menunjukkan bahwa meta learner tanpa oversampling pada fitur content-based memiliki macro average F1-score sebesar 0.52, namun dengan recall yang sangat rendah untuk kelas retweet (6%) dan F1-score 0.11. Sebaliknya, meta learner dengan oversampling pada fitur contentbased memperbaiki performa dengan presisi 0.86, recall 0.77, dan F1-score 0.80 untuk retweet, dengan nilai macro average F1-score sebesar 0.82 yang menunjukan kenaikan dibandingkan dengan meta learner tanpa oversampling. Untuk model user-based, tanpa oversampling, macro average F1-score memiliki nilai 0.75 dengan keseimbangan baik antara presisi dan recall pada kelas non retweet. Setelah oversampling, model user-based mempertahankan keseimbangan yang baik dengan presisi, recall, F1-score, dan macro average F1- score masing-masing sebesar 0.88 pada kelas retweet dan non retweet. Secara keseluruhan, oversampling meningkatkan kinerja model, terutama pada fitur content-based, dengan model user-based menunjukkan performa yang paling konsisten dan baik. Kata kunci - twitter, pemilihan pengklasifikasi, berbasis pengguna, berbasis konten
Prediksi Status Integrasi Spbu Di Wilayah Telkom Makassar Menggunakan Metode Decision Tree Nur, Muh.; Indwiarti, Indwiarti; Fitriyani, Fitriyani
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

Digitalisasi SPBU bertujuan meningkatkanefisiensi operasional melalui integrasi perangkat sepertidispenser, display, nozzle, dan EDC. Masalah utama adalahintegrasi perangkat digitalisasi ke sistem yang belum optimal,sehingga menyebabkan data tidak akurat dan laporan tidakkonsisten. Penelitian ini menggunakan metode Decision Treeuntuk memprediksi status integrasi perangkat berdasarkan 534data operasional SPBU di wilayah Telkom Makassar dengan 45atribut.Ketidakseimbangan data membuat model lebih akuratmendeteksi Partial Integrasi dibandingkan Full Integrasi. Datadiseimbangkan menggunakan SMOTE sebelum diterapkanpada model Decision Tree, yang dievaluasi melalui akurasi,precision, recall, dan F1-score. Hyperparameter tuningdilakukan untuk meningkatkan performa.Hasil penelitian menunjukkan bahwa setelah datadiseimbangkan menggunakan SMOTE, model Decision Treeberhasil meningkatkan kemampuan dalam mengenali kelasminoritas. Evaluasi akhir setelah SMOTE dan hyperparametertuning menghasilkan akurasi sebesar 69%, precision 62%,recall 89%, dan F1-score 73%. Hasil ini menunjukkan bahwamodel mampu memprediksi status integrasi perangkat denganlebih seimbang, mendukung pengambilan keputusan untukmeningkatkan sistem digitalisasi SPBU. Kata kunci—Digitalisasi SPBU, Decision Tree, StatusIntegrasi, SMOTE, Hyperparameter Tuning
Retweet Prediction Using Multi-Layer Perceptron Optimized by The Swarm Intelligence Algorithm Jondri, Jondri; Indwiarti, Indwiarti; Puspandari, Dyas
JOIN (Jurnal Online Informatika) Vol 8 No 2 (2023)
Publisher : Department of Informatics, UIN Sunan Gunung Djati Bandung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15575/join.v8i2.1193

Abstract

Retweets are a way to spread information on Twitter. A tweet is affected by several features which determine whether a tweet will be retweeted or not. In this research, we discuss the features that influence the spread of a tweet. These features are user-based, time-based and content-based. User-based features are related to the user who tweeted, time-based features are related to when the tweet was uploaded, while content-based features are features related to the content of the tweet. The classifier used to predict whether a tweet will be retweeted is Multi Layer Perceptron (MLP) and MLP which is optimized by the swarm intelligence algorithm. In this research, data from Indonesian Twitter users with the hashtag FIFA U-20 was used. The results of this research show that the most influential feature in determining whether a tweet will be retweeted or not is the content-based feature. Furthermore, it was found that the MLP optimized with the swarm intelligence algorithm had better performance compared to the MLP.
Improving Children's Computational Thinking Through a Combination of Unplugged and Plugged-in CT Techniques Tangible with Robot Games Gunawan, Putu Harry; Indwiarti, Indwiarti; Wirayuda, Tjokorda Agung Budi
Jurnal Abdimas Vol. 29 No. 1 (2025): June 2025
Publisher : Universitas Negeri Semarang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.15294/j1j9cc66

Abstract

In today's digital era, introducing the concept of computational thinking ( CT ) from an early age is very important. Binekas School, as an educational partner at the Playgroup, Kindergarten (TK), and Elementary School (SD) levels, is committed to introducing CT to children starting at the age of 4. Currently, Binekas School only offers optional extracurricular coding activities at the elementary school level and uses a hard coding approach, which may be too challenging for most students. This school wants to prepare students with an introduction to the basics of coding from kindergarten using a more child-friendly approach, namely plugged-in with tangible robotics. The proposed solution includes an introduction to CT knowledge with a focus on algorithm development and CT training through tangible plugged-in techniques using robots for children aged 4 years and above. This training will not only improve children's understanding of the CT concept in an interactive and fun way, but will also prepare them for future educational challenges. The tools that will be used in this training are the Robotic Gigo Smart Brick, a robotic system designed for children so that they can learn basic programming concepts and computational thinking through interactive games. This outreach activity uses a combination of unplugged CT through card media and physical maps to train problem-solving mindsets accompanied by the opportunity to test proposed solutions with plugged-in CT using the Robotic Gigo Smart Brick. From the results of the activity evaluation through a questionnaire, it was found that 92% of students agreed that the application of the combination of unplugged CT and plugged-in CT was fun, the material was easy to understand and they were interested in getting further material.