Claim Missing Document
Check
Articles

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

Abstract

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

Abstract

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
Prediksi Harga Mata Uang Kripto Menggunakan LSTM dan MLR Erlangga, Samuel; Indwiarti, Indwiarti; Aditsania, Annisa
eProceedings of Engineering Vol. 10 No. 3 (2023): Juni 2023
Publisher : eProceedings of Engineering

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

Abstract

Abstrak-Perkembangan mata uang kripto terjadi begitu pesat dalam beberapa tahun ini. Hal ini membuat orang-orang semakin tertarik untuk menginvestasikan uangnya ke dalam mata uang kripto. Namun untuk mempelajari pergerakan pasar dan ilmu untuk memprediksi harga menggunakan analisa teknikal tidaklah mudah, seringkali terjadinya perubahan yang begitu besar pada harga membuat mata uang kripto menjadi aset yang cukup diminati namun beresiko tinggi. Tidak jarang para investor mengalami kerugian dikarenakan hasil analisa yang kurang tepat dan karena transaksi jual beli mata uang kripto yang tidak dipatok oleh waktu memungkinkan harga berubah kapan saja. Pada penelitian ini melakukan prediksi harga mata uang kripto berupa harga penutupan mata uang kripto tersebut. Prediksi mata uang kripto ini dilakukan dengan metode Long Short-Term Memory (LSTM) dan Multiple Linear Regression (MLR). Dengan menggunakan histori harga tutup sebelumnya (Close) dan jumlah penambahan kasus positif Covid-19 untuk menjadi data latih. Menggunakan dua mata uang kripto untuk memastikan mesin dapat bekerja untuk lebih dari satu mata uang kripto. Hasil dari kedua metode ini adalah prediksi harga mata uang kripto yang dibandingkan dengan menghitung nilai Root Mean Squared Error (RMSE) untuk memastikan metode apa yang lebih baik digunakan dalam memprediksi harga mata uang kripto. Hasil terbaik dihasilkan oleh model LSTM dengan nilai RMSE 0.000240.Kata kunci-LSTM, MLR, mata uang kripto 
Pengenalan Konsep Computational Thinking Menggunakan Robot Edukasi Untuk Anak Usia Dini Gunawan, Putu Harry; Indwiarti, Indwiarti; Wirayudha, Tjokorda Agung Budi
Surya Abdimas Vol. 9 No. 4 (2025)
Publisher : Universitas Muhammadiyah Purworejo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37729/abdimas.v9i4.6503

Abstract

Di era digital saat ini pengenalan konsep berpikir komputasi (Computational Thinking - CT) sejak usia dini menjadi sangat penting. Pelatihan computational thinking (CT) untuk anak usia PAUD/TK bertujuan untuk memperkenalkan konsep dasar CT melalui kegiatan bermain yang menyenangkan dan interaktif. CT bukan tentang pemrograman, melainkan tentang mengembangkan kemampuan berpikir logis, sistematis, dan kreatif dalam memecahkan masalah sejak dini. Saat ini TK Telkom Buah Batu berkomitmen untuk memperkenalkan CT kepada anak-anak mulai usia 4 tahun. Sementara itu, TK Telkom Buah Batu belum pernah mengadakan kegiatan yang berkaitan dengan coding. Sehingga tujuan dari kegiatan ini adalah mengenalkan konsep CT bagi siswa TK Telkom menggunakan pendekatan yang menyenangkan dan mudah dipahami anak, yaitu plugged-in dengan tangible robotics atau robot edukasi. Kegiatan pengmas ini memiliki bidang fokus TIK dengan TKT 1 (dasar) dan mendukung pendidikan berkualitas (SDG 4) dan inovasi (SDG 9). Metode atau tahapan kegiatan yang dilakukan dalam PKM ini dibagi menjadi empat tahapan besar yakni, presnetasi, praktikum atau demo, eval__uasi dan feedback atau masukan. Hasil kegiatan menunjukkan keberhasilan tim PkM dalam menyelesaikan kebutuhan mitra. Dari survey, rata-rata aspek respon diperoleh skor 4,75 dari 5,00 yang masuk kedalam kategori sangat baik.
Prediksi Pergerakan Harga Saham Harian Menggunakan Model Differencing Vector Autoregressive dan Vector Autoregressive Moving Average (Studi Kasus Saham PT Bank Neo Commerce Tbk) Hadi Sabililhaq; Indwiarti
LOGIC: Jurnal Penelitian Informatika Vol. 2 No. 2 (2024): Desember 2024
Publisher : Universitas Telkom

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25124/logic.v2i2.8807

Abstract

Abstrak Perkembangan teknologi informasi telah membuka peluang baru di sektor investasi. Pembukaan rekening sahamyang mudah membantu meningkatkan minat investasi di bursa saham Indonesia. Perbankan online menawarkan prospekinvestasi yang menarik, salah satunya saham PT Bank Neo Commerce Tbk (BBYB.JK). Peramalan dilakukan untuk mengetahui prediksi harga saham tersebut. Penggunaan analisis time series bisa membantu dalam memprediksi peramalan hargasaham mendatang. Model time series yang digunakan dalam penelitian ini adalah model Vector Autoregressive (VAR) danVector Autoregressive Moving Average (VARMA), dengan melibatkan dua variabel data. Pemilihan kedua model tersebutdidasarkan pada penggunaan dua variabel, yakni harga saham dan volume saham sebagai variabel kedua. Volume perdagangan saham berfungsi sebagai indikator aktivitas saham dan memberikan wawasan tentang permintaan beli dan jualsaham. Metode differencing digunakan untuk menangani data yang tidak memiliki kestasioneran. Model dievaluasi menggunakan nilai Mean Absolute Percentage Error (MAPE) dan Mean Absolute Error (MAE). Model VAR (1) dengan rasio datatraining 90% dan testing 10% memberikan hasil paling akurat dengan nilai MAPE 2.08% dan nilai MAE 11.04. Semakinrendah nilai MAPE dan MAE mengindikasikan hasil peramalan yang lebih akurat.
Prediksi Retweet Berdasarkan Konten Dan PenggunaDengan Metode Classifier Selection Muhamad Febiansyah; Jondri, Jondri; Indwiarti
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.v3i1.9744

Abstract

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 content-based 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.
Prediksi Retweet Berdasarkan Fitur UserBased, Content-Based, dan Time-Based Menggunakan Metode ANN-GSO Raisul Muhalani; Jondri, Jondri; Indwiarti
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.v3i1.9827

Abstract

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 time-based 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.
PELATIHAN PENGENALAN BERPIKIR KOMPUTASIONAL UNTUK GURU DAN SISWA SMA TELKOM Indwiarti Indwiarti; Putu Harry Gunawan; Jondri Jondri
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.v3i1.7128

Abstract

Berpikir komputasional merupakan proses yang memposisikan diri untuk berpikir menyerupai sebuah mesin yang bergerak secara dinamis. Sehingga berpikir komputasional merupakan sebuah konsep atau metode dalam mengamati masalah, dan mencari solusi dengan menggunakan teknologi komputer. Berdasarkan keputusan kepala Badan Standar, Kurikulum, dan Asesmen Pendidikan (BSKAP) No. 008/H/KR/2022 tentang Capaian Pembelajaran pada PAUD, jenjang Pendidikan Dasar dan jenjang Pendidikan Menengah Pada Kurikulum Merdeka, bahwa berpikir komputasional merupakan kemampuan problem solving yaitu keterampilan generik yang penting sejalan dengan perkembangan teknologi digital yang pesat. Sehingga dalam penerapan kurikulum Merdeka, diperlukan kemampuan guru dan siswa dalam menggunakan dan mengembangkan cara Berpikir Komputasional dalam kegiatan belajar mengajar. Saat ini SMA Telkom sudah menggunakan Kurikulum Merdeka, yang menekankan cara berpikir secara komputasional. Guru dan siswa merasakan kebutuhan untuk meningkatkan pengetahuan dan wawasan dalam berpikir komputasi yang bermanfaat dalam membantu dalam memecahkan masalah melalui cara-cara yang sederhana, dan melatih pikiran agar terbiasa berpikir secara logis, kreatif, dan terstruktur. Tujuan diadakan kegiatan pengabdian masyarakat ini adalah untuk memberikan pengetahuan kepada siswa dan guru di SMA Telkom Bandung tentang konsep berpikir komputasional. Pelatihan ini dilaksanakan pada tanggal 9 November 2023 bertempat di Telkom University Landmark Tower (TULT). Untuk mengukur apakah materi pelatihan ini dapat dipahami oleh peserta, maka dilakukan pre-test dan post-test. Kemudian dilakukan pengujian hipotesis terhadap rataan banyaknya pertanyaan yang dijawab benar oleh peserta. Menggunakan tingkat kepercayaan ? = 0.05, diperoleh hasil bahwa hasil post-test lebih bagus dibandingkan hasil pre-test. Hal ini menunjukkan bahwa peserta dapat mengikuti dan memahami materi pelatihan. Selain analisis terhadap pemahaman materi, juga dilakukan survey penilaian peserta terhadap pelatihan, dan mendapatkan nilai kepuasan sebesar 94.38%. Melalui pelatihan ini, diharapkan guru dan siswa SMA Telkom Bandung dapat menerapkan cara berpikir komputasional dalam kegiatan pembelajaran sehingga memacu penalaran kritis, kreatif, dan mandiri pada siswa.
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.
Evaluasi Metode SHAP dan LIME untuk Menganalisis Faktor Risiko Diabetes Raihan Fhadilah; Jondri Jondri; Indwiarti Indwiarti
eProceedings of Engineering Vol. 13 No. 1 (2026): Februari 2026
Publisher : eProceedings of Engineering

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

Abstract

Diabetes adalah penyakit yang angka penderitanya terus meningkat setiap tahunnya, menjadikannya salah satu masalah kesehatan utama yang dihadapi dunia. Meskipun ada berbagai metode untuk mendeteksi diabetes, prediksi berbasis kecerdasan buatan semakin populer dalam mendiagnosis penyakit diabetes dengan tingkat akurasi yang tinggi. Namun, model-model AI sering kali bersifat black-box, sehingga sulit untuk menginterpretasikan faktor-faktor yang memengaruhi hasil prediksi. Penelitian ini bertujuan untuk membandingkan metode Explainable AI (XAI), yaitu metode SHAP dan LIME, dalam memberikan penjelasan terhadap hasil dari prediksi model. Penelitian ini menggunakan dataset diabetes yang mencakup fitur-fitur seperti kehamilan, kadar glukosa, tekanan darah, ketebalan kulit, insulin, indeks massa tubuh, keturunan, usia, dan output (kelas diabetes dan kelas non-diabetes). Dengan menggunakan metode SHAP dan LIME, penelitian ini memuat hasil berupa penjelasan keputusan dari prediksi yang dibuat oleh model XGBoost. Hasil menunjukkan bahwa SHAP memberikan interpretasi yang lebih stabil, konsisten, dan dapat dipercaya dibandingkan LIME, serta lebih direkomendasikan untuk digunakan dalam mendukung pengambilan keputusan medis terkait diagnosis diabetes. Kata kunci: Explainable AI, SHAP, LIME, XGBoost, Diabetes, Black-Box.