Article Per Year (5 Year)
p-Index From 2021 - 2026
2.753
P-Index
This Author published in this journals
All Journal Indonesian Journal on Computing (Indo-JC) JOIN (Jurnal Online Informatika) Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) JURNAL MEDIA INFORMATIKA BUDIDARMA Zero : Jurnal Sains, Matematika, dan Terapan Surya Abdimas Building of Informatics, Technology and Science JINAV: Journal of Information and Visualization eProceedings of Engineering SmartComp Jurnal Abdimas Proceeding of Community Service and Engagement
Indwiarti
Universitas Telkom, Bandung
Agriculture, Biological Sciences & Forestry Humanities Chemistry Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Environmental Science Industrial & Manufacturing Engineering Library & Information Science Mathematics Physics Social Sciences Other

Published : 35 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 35 Documents
Search

 1   2   3   4 
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.
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.
Co-Authors Akbar, Muhammad Rizqi Aniq Atiqi Rohmawati Annisa Aditsania Bagas Yafitra Pandji Cici Olivia Daffa Ulayya Suhendra Deni Saepudin Dika Rizky Nurcholis Dyas Puspandari Edvan Tazul Arifin Erlangga, Samuel Erni Sumaryati Febiansyah, Muhamad Fhira Nhita Fiona Ramadhani Senduk Fitriyani Fitriyani Fitriyani Fitriyani Ika Nugraheni Irma Palupi Jondri Jondri Justinus Dedy Handyka Simanjuntak Kuntari Nur Angraini M. Abdul Jabbar May Rozakhi Takkas Mochamad Ikbal Ashari Muhammad Hafidh Raditya Ni Luh Ketut Dwi Murniati Ni Putu Winda Ardiyanti Nur, Muh. Puspandari, Dyas Putu Harry Gunawan Rafik Khairul Amin Rahmattullah, Rizky Raihan Fhadilah Rangga Arya Pamungkas Rian Febrian Umbara Rica Ning Nurhasanah Rizky Farida Utami Supriadi, Muhamad Rifqi Tegar Tionanda Putra Tjokorda Agung Budi Wirayuda varid vaya yusuf Vena Erla Candrika Wirayudha, Tjokorda Agung Budi Yulian Sibaroni Yuliant Sibaroni Yunita Yunita