Garuda - Garba Rujukan Digital

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

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

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

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

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

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 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

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

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

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.

Prediksi Retweet Berdasarkan User-Based dan Content-Based Menggunakan Metode Ensemble Stacking Akbar, Muhammad Rizqi; Jondri, Jondri; Indwiarti, Indwiarti
eProceedings of Engineering Vol. 10 No. 2 (2023): April 2023
Publisher : eProceedings of Engineering

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

Abstrak-Twitter merupakan salah satu social media yang sangat popular dan mudah digunakan untuk mendapatkan informasi secara cepat. Fitur Retweet merupakan salah satu alasan mengapa penyebaran informasi tersebut dapat tersebar dengan cepat. Retweet terjadi jika seorang follower men-tweet ulang tweet dari followee-nya. Pada penelitian ini dilakukan pemodelan untuk prediksi retweet berdasarkan feature user-based dan content-based dengan menggunakan metode Ensemble Stacking melalui proses K-fold Cross Validation. Ensemble Stacking ini dibentuk dengan 3 base-learner yaitu Random Forest, Gradient Boosting, dan Support Vector Machine(SVM). Sedangkan meta-learner yang digunakan adalah Support Vector Machine(SVM) Pemodelan ini menunjukan hasil terbaik ketika sudah dilakukan Imbalanced Class Handling menggunakan Teknik SMOTE dan K-fold Cross Validation dengan k=10. Hasil F1-score menunjukkan 86.46%. Dengan hasil demikian, bisa disimpulkan bahwa pemodelan yang dibentuk mampu meningkatkan hasil prediksi dari base-learnernya. Kata kunci-twitter, retweet, ensemble stacking, k-fold cross validation, oversampling

Clustering Harga Rumah: Perbandingan Model K-Means dan Gaussian Mixture Model Rahmattullah, Rizky; Indwiarti, Indwiarti; Rohmawati, Aniq Atiqi
eProceedings of Engineering Vol. 10 No. 3 (2023): Juni 2023
Publisher : eProceedings of Engineering

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

Abstrak-Rumah merupakan kebutuhan primer manusia sebagai tempat bernaung, berlindung, dan beristirahat. Sebagai kebutuhan primer, seluruh manusia berhak untuk mencari tempat tinggalnya masing-masing dengan keluarganya. Seiring berjalannya waktu, kebutuhan akan tempat tinggal semakin meningkat dan mempengaruhi harga jual rumah. Maka dilakukan clustering mengenai harga rumah dengan menggunakan metode K-Means dan Gaussian Mixture Model. Pada penelitian ini menggunakan data harga rumah di wilayah Kabupaten Bogor yang dihimpun dari website olx.co.id. Silhouette Score digunakan sebagai pembanding dari dua metode Clustering yang digunakan. Hasil dari penelitian ini, K-Means memiliki Silhouette Score sebesar 0.63516 lebih besar dari Gaussian Mixture Model yang memiliki Silhouette Score sebesar 0.62723 menjadikan kualitas cluster pada K-Means lebih baik daripada Gaussian Mixture Model pada penelitian ini.Kata kunci-rumah, clustering, gaussian mixture model, K-Means

Title

Found 33 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 33 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 33 Documents
Search