Claim Missing Document
Check
Articles

Perbandingan Metode GARCH, LSTM, GRU, dan CNN pada Peramalan Volatilitas Kurs Septiani, Adeline Vinda; Afendi, Farit Mochamad; Kurnia, Anang
Limits: Journal of Mathematics and Its Applications Vol. 22 No. 1 (2025): Limits: Journal of Mathematics and Its Applications Volume 22 Nomor 1 Edisi Ma
Publisher : Pusat Publikasi Ilmiah LPPM Institut Teknologi Sepuluh Nopember

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/limits.v22i1.3384

Abstract

Currency volatility is an important aspect of time series data analysis in economics and finance. This study aims to compare the performance of four methods: Generalized Autoregressive Conditional Heteroscedasticity (GARCH), Long Short-Term Memory (LSTM), Gated Recurrent Unit (GRU), and Convolutional Neural Network (CNN), in predicting the volatility of the Rupiah against the US Dollar. The data used is daily exchange rates from January 2015 to March 2024. The evaluation is conducted by calculating the Root Mean Square Error (RMSE) and the percentage of actual values within a 95% confidence interval on training and testing data. The results indicate that LSTM achieves the lowest RMSE, with values of 5.30E-05 on training data and 2.50E-05 on testing data, demonstrating high accuracy in capturing non-linear patterns and long-term fluctuations. GRU records the highest percentage of actual values within the confidence interval, at 90.32% for training data and 91.72% for testing data, reflecting superior consistency compared to other methods. Meanwhile, GARCH shows competitive performance but lacks robustness on testing data. CNN exhibits the lowest performance, with high RMSE and a low percentage of data within the confidence interval. Overall, GRU emerges as the best method, offering an optimal balance between predictive accuracy and consistency, making it a reliable tool for modeling exchange rate volatility in high-volatility scenarios. Consequently, GRU is utilized for forecasting exchange rate volatility for the next 30 days. These findings contribute to the selection of appropriate methods for modeling exchange rate volatility, particularly amidst global market uncertainty.
Deep-Rasch as an Alternative to Rasch Modeling under Assumption Violations and Small Sample Sizes Santoso, Agus; Afendi, Farit Mochamad; Pardede, Timbul; Retnawati, Heri; Rafi, Ibnu; Apino, Ezi; Rosyada, Munaya Nikma
CAUCHY: Jurnal Matematika Murni dan Aplikasi Vol 10, No 2 (2025): CAUCHY: JURNAL MATEMATIKA MURNI DAN APLIKASI
Publisher : Mathematics Department, Universitas Islam Negeri Maulana Malik Ibrahim Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.18860/cauchy.v10i2.36276

Abstract

In certain situations, it may be challenging to fully exploit the advantages of modern test theory, including Rasch modeling and item response theory (IRT), when applied to real data. Although Rasch modeling tends to be more robust than IRT for small sample sizes, it still requires that the assumptions of unidimensionality and local independence be satisfied. In practice, these assumptions are often violated, which can lead to less accurate analyses and reduced validity of the results. Deep-Rasch, which integrates deep learning with Rasch modeling, has been proposed as an alternative measurement framework to overcome these limitations. This study examines the potential of Deep-Rasch as an alternative to Rasch modeling using student response data from 17 final semester examinations at Universitas Terbuka (UT), with sample sizes ranging from 33 to 11,504 students. Most examinations consisted of 30 multiple-choice items. The analyses showed that several datasets violated one or both assumptions of Rasch modeling. Nevertheless, Deep-Rasch performed comparably to conventional Rasch modeling in estimating item difficulty and student ability parameters, as well as in predicting student responses. Remarkably, for the smallest sample size (\emph{n} = 33), Deep-Rasch exhibited slightly better performance than Rasch modeling.
Pattern Recognition of Food Security in Indonesia Using Biclustering Plaid Model Hikmah, Nur; Sumertajaya, I Made; Afendi, Farit Mochamad
JTAM (Jurnal Teori dan Aplikasi Matematika) Vol 7, No 4 (2023): October
Publisher : Universitas Muhammadiyah Mataram

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31764/jtam.v7i4.16778

Abstract

Biclustering come in various algorithms, selecting the most suitable biclustering algorithm can be a challenging task. The performance of algorithms can vary significantly depending on the specific data characteristics. The Plaid model is one of popular biclustering algorithms, has gained recognition for its efficiency and versatility across various applications, including food security. Indonesia deals with complex food security challenges. The nation's unique geographic and socioeconomic diversity demands region-specific food security solutions. Identifying province-specific food security patterns is crucial for effective policymaking and resource allocation, ultimately promoting food sufficiency and stability at the regional level. This study assesses the performance of the Plaid model in identifying food security patterns at the provincial level in Indonesia. To optimize biclusters, we explore various parameter tuning scenarios (the choice of model, the number of layers, and the threshold value for row and column releases). The selection criteria are based on the change ratio of the initial matrix's mean square residue to the mean square residue of the Plaid model, the average mean square residue, and the number of biclusters. The constant column model was selected with a mean square residue change ratio of 0.52, an average mean square plaid model residue of 4.81, and it generates 6 overlapping biclusters. The results show each bicluster has unique characteristics. Notably, Bicluster 1 that consist of 2 provinces, exhibits the lowest food security levels, marked by variables X1, X2, X4, and X7. Furthermore, the variables X1, X4, and X7 consistently appear across several biclusters. This highlights the importance of prioritizing these three variables to improve the food security status of the regions. 
Perbandingan Metode Particle Swarm Optimization dan Artificial Bee Colony pada Support Vector Machine Hasibuan, Rafika Aufa; Afendi, Farit Mochamad; Wigena, Aji Hamim
JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 11, No 1 (2025): Volume 11 No 1
Publisher : Program Studi Informatika

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26418/jp.v11i1.91235

Abstract

Optimasi metode klasifikasi merupakan aspek krusial dalam meningkatkan akurasi model, terutama dalam analisis data medis yang kompleks dan memiliki karakteristik peubah yang beragam. Penelitian ini membandingkan performa klasifikasi dari Support Vector Machine (SVM) konvensional dengan dua metode optimasi berbasis metaheuristik yaitu, PSO-SVM dan ABC-SVM. Evaluasi dilakukan pada empat dataset medis, yaitu Breast Cancer, AIDS Disease, Darwin Disease, dan Parkinson Disease, dengan variasi seleksi peubah berbasis proporsi sebesar 30%, 50%, 70% dan 100% dari total peubah pada masing-masing dataset. Hasil penelitian menunjukkan bahwa metode PSO-SVM dan ABC-SVM secara konsisten mampu meningkatkan akurasi klasifikasi dibandingkan SVM standar. Pada beberapa dataset seperti Breast Cancer dan Parkinson Disease, akurasi meningkat dari 96,22% dan 85,53% (SVM) menjadi 100% dengan metode PSO-SVM dan ABC-SVM. Pada dataset AIDS Disease, akurasi meningkat dari 87,36% menjadi 100%. Sementara itu, pada dataset Darwin Disease yang memiliki tingkat overlap tertinggi (OV = 0,99727), peningkatan akurasi lebih terbatas, dari 83,76% (SVM) menjadi 91,65% (ABC-SVM). Proporsi terbaik yang ditemukan bervariasi antar dataset. Namun secara umum proporsi 70% dan 100% menunjukkan hasil akurasi yang paling stabil dengan waktu komputasi yang efisien pada PSO-SVM. Sedangkan pada ABC-SVM, peningkatan akurasi yang tinggi disertai waktu eksekusi yang jauh lebih besar, terutama pada dataset berdimensi tinggi. Analisis lebih lanjut juga menunjukkan bahwa metode optimasi efektif dalam mengatasi tantangan overlapping dan ketidakseimbangan kelas secara moderat, namun efektivitasnya menurun pada kondisi yang lebih kompleks. Dengan demikian, penggunaan metode optimasi PSO-SVM dan ABC-SVM dapat menjadi pendekatan yang efisien untuk meningkatkan akurasi klasifikasi data medis, selama disesuaikan dengan karakteristik data dan sumber daya komputasi yang tersedia.
Efek Sinergis Bahan Aktif Tanaman Obat Berbasiskan Jejaring Dengan Protein Target Syahrir, Nur Hilal A.; Afendi, Farit Mochamad; Susetyo, Budi
Jurnal Jamu Indonesia Vol. 1 No. 1 (2016): Jurnal Jamu Indonesia
Publisher : Tropical Biopharmaca Research Center, IPB University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jji.v1i1.6

Abstract

Medicinal plants contain inherently active ingredients. Such ingredients are beneficial to prevent and cure diseases, as well as to perform specific biological functions. In contrast to synthetic drugs, which is based on one single chemicals, medicinal plants exert their beneficial effects through the additive or synergistic action of several chemical compounds. Those chemical compound act on single or multiple targets (multicomponent therapeutic) associated with a physiological process. Active ingredients combinations show a synergistic effect. This means that the combinational effect of several active ingredients is greater than that of individual one acting separately. A network target can be used to identify synergistic effects of plants active ingredients. The method of NIMS (Network target-based Identification of Multicomponent Synergy) is a computational approach to identify the potential synergistics effect of active ingredients. It also assessess synergistic strength of any active ingradients at the molecular level by synergy scores. We investigate these synergistic on a Jamu formula for diabetes mellitus type 2. The Jamu formula is composed of four medicinal plants, namely Tinospora crispa , Zingiber officinale, Momordica charantia, and Blumea balsamivera. Our work succesfully demonstrates that the highest synergy scores on medicinal plants synergy can be seen in pairs of several active ingredients in Zingiber officinale. On the other hand, the synergy of pairs of active ingredients in Momordica charantia and Zingiber officinale posseses a relatively high score. The same occurs in Tinospora crispa and Zingiber officinale.
Analisis Gerombol Simultan dan Jejaring Farmakologi antara Senyawa dengan Protein Target pada Penentuan Senyawa Aktif Jamu Anti Diabetes Tipe 2 Qomariasih, Nurul; Susetyo, Budi; Afendi, Farit Mochamad
Jurnal Jamu Indonesia Vol. 1 No. 2 (2016): Jurnal Jamu Indonesia
Publisher : Tropical Biopharmaca Research Center, IPB University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jji.v1i2.16

Abstract

Selama ini pembuatan obat untuk menyembuhkan suatu penyakit masih menargetkan hanya satu protein khusus yang menjadi penyebab penyakit tersebut, yang tentu hanya menggunakan satu senyawa aktif. Padahal selain menimbulkan efek samping, penanganan suatu penyakit perlu menyasar banyak protein sekaligus. Sehingga, baru-baru ini terjadi perubahan paradigma dari “one drug, one target” menjadi “multi-components, network target”. Paradigma baru ini telah melahirkan beberapa penelitian untuk menghasilkan formulasi jamu, hal ini dikarenakan konsep formulasi jamu memerlukan beberapa senyawa aktif yang terlibat. Formula jamu yang diteliti sebagai upaya menyembuhkan penyakit Diabetes Melitus (DM) tipe 2 terdiri dari 4 tanaman yaitu Pare (Momordica charantia), Sembung (Blumea balsamifera), bratawali (Tinospora crispa), dan jahe (Zingiber officinale) berdasarkan hasil penelitian Nurishmaya tahun 2014 serta berdasarkan ramuan jamu yang sedang dikembangkan di Pusat Studi Biofarmaka, Bogor. Evaluasi senyawa yang berkaitan dengan DM tipe 2 dilakukan dengan terlebih dahulu menambahkan 19 obat sintetis yang ditujukan untuk DM tipe 2 dari basis data Drug Bank. Sehingga terdapat total sebanyak 74 senyawa aktif yang terdiri dari 55 senyawa alami dari tanaman dan 19 senyawa sintetis obat. Sebanyak 100 protein yang berkaitan erat dengan masing-masing senyawa diperoleh melalui hasil skor konkordan DrugCHIPER. Skor konkordan tersebut kemudian digunakan dalam analisis gerombol simultan antara senyawa dan protein target. Plot komponen utama dan submatrix penggerombolan simultan menunjukkan 2 dari 3 senyawa dari bratawali sangat dekat dengan kelompok sintetis. Selain itu, ada 11 dari 44 senyawa dari Jahe terkumpul bersama dengan senyawa sintetis tetapi dalam jarak yang jauh. Sedangkan berdasarkan jejaring kemiripan, lebih spesifik lagi terdapat 17 dari 19 senyawa obat sintetis yang memiliki kemiripan berdasarkan protein target dengan 2 senyawa tanaman Bratawali dan 5 senyawa tanaman Jahe.
Prediksi Senyawa Aktif Pada Tanaman Obat Berdasarkan Kemiripan Struktur Kimiawi untuk Penyakit Diabetes Tipe II Bakri, Rizal; Wijayanto, Hari; Afendi, Farit Mochamad
Jurnal Jamu Indonesia Vol. 1 No. 3 (2016): Jurnal Jamu Indonesia
Publisher : Tropical Biopharmaca Research Center, IPB University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jji.v1i3.18

Abstract

Diabetes melitus merupakan penyakit metabolik yang dicirikan oleh tingginya kadar glukosa dalam darah. Di Indonesia jumlah penderita diabetes menempati urutan keempat di dunia setelah Amerika Serikat, India, dan Cina dengan jumlah penderita mencapai lebih dari 12 juta jiwa. Salah satu upaya yang dilakukan untuk mengatasi diabetes adalah mengkonsumsi obat herbal berupa jamu sebagai alternatif obat sintetik. Pusat Studi Biofarmaka Bogor sedang mengembangkan ramuan jamu untuk penyakit Diabetes Melitus Tipe II yang terdiri dari empat tanaman obat yaitu pare (Momordica charantia), sembung (Blumea balsamifera), bratawali (Tinospora crispa), dan jahe (Zingiber officinale). Kandungan senyawa keempat tanaman diduga memiliki aktivitas biologis yang mirip dengan senyawa sintetik. Pada prinsipnya, diasumsikan bahwa senyawa yang struktur kimiawinya mirip memiliki sifat biologis yang mirip. Kemiripan senyawa diukur menggunakan koefisien Modifikasi Tanimoto dengan sidik jari molekuler KR. Hasil penelitian menunjukkan bahwa tanaman Bratawali merupakan tanaman utama pada ramuan jamu untuk penyakit diabetes berdasarkan jumlah kandungan senyawa yang dominan mirip dengan senyawa sintetik yaitu senyawa N-trans-feruloyltyramine (B015) dan N-formylanonaine (B018). Selanjutnya, Senyawa-senyawa yang memiliki nilai kemiripan tinggi dengan senyawa sintetik diperoleh pula pada senyawa karaviloside I (P195) dari tanaman pare, senyawa xanthoxylin (S002) dari tanaman sembung, senyawa borneol (J207) dan (-)- isoborneol (J226) dari tanaman Jahe.
Penguraian Mekanisme Kerja Jamu Berdasarkan Jejaring Bahan Aktif-Protein Target-Gene Ontology Handayani, Vitri Aprilla; Afendi, Farit Mochamad; Kusuma, Wisnu Ananta
Jurnal Jamu Indonesia Vol. 1 No. 3 (2016): Jurnal Jamu Indonesia
Publisher : Tropical Biopharmaca Research Center, IPB University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jji.v1i3.21

Abstract

Jamu merupakan obat tradisional Indonesia. Pada dasarnya obat herbal yang dibuat dari bahan-bahan alami yang diambil dari beberapa bagian dari tanaman obat yang mengandung beberapa zat dan senyawa yang penting dan bermanfaat bagi tubuh. Sejauh ini, khasiat untuk beberapa jenis jamu secara empiris telah terbukti. Dalam peneitian ini, kami bermaksud untuk menguraikan mekanisme kerja jamu menggunakan pendekatan komputasi. Penelitian ini berfokus pada ramuan jamu type 2 diabetesyang terdiri dari empat tanaman, yaitu: jahe, bratawali, sembung, dan pare. Kerangka analisis awal dengan membentuk 3 komponen jejaring yang terdiri dari: (1) bahan aktif tanaman (diperoleh dari Knapsack: 58 senyawa aktif), (2) protein target (diperoeh dari database pubchem: 416 protein target), dan (3) gene ontoogy(diperoeh dari database DAVID: 3104 GO). Selanjutnya, kami menerapkan analisis klaster-klasterdengan menggunakan konsep graf tri-partite. Graf tri-partite digunakan untuk mengelompokkan komponen-komponen penyusun jejaring dari empat tanaman yang disebutkandiatas, sehingga diperoleh system bagian-bagian penyusun ramuan jamu. Hal ini dilakukan untuk mengungkapkan mekanisme kerja jamu. Menggunakan metode fuzzy clustering pada data jejaring, kami memperoleh 15 senyawa aktif yang diduga potensial sebagai antidiabetes berada dalam kelompok berbeda. Pada 15 senyawa aktif memiliki nilai peluang cukup tinggi terbagi dalam kelompok yang berbeda, setiap kelompok terdiri dari pasangan bahan aktif yang memiliki efek sinergis tinggi. Berdasarkan koneksi antara klaster-klasterprotein dan GO-BP, penelitianini memperoleh informasi protein-protein yang menyebabkan T2D dan mekanisme proses biologis yang terkait. T2D bukan hanya disebabkan oleh protein kelainan sekresi insulin (insulin-merendahkan enzim isoform 1) saja, tetapi juga disebabkan oleh protein lain yang terlibat dalam penghambatan insulin di pankreas.
Penguraian Mekanisme Kerja Jamu dengan Menggunakan Analisis Graf Tripartit pada Jejaring Senyawa-Protein-Penyakit Rosyadah, Muchlishah; Afendi, Farit Mochamad; Kusuma, Wisnu Ananta
Jurnal Jamu Indonesia Vol. 2 No. 1 (2017): Jurnal Jamu Indonesia
Publisher : Tropical Biopharmaca Research Center, IPB University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/jji.v2i1.25

Abstract

Jamu adalah obat tradisional di Indonesia. Berbeda dengan konsep one drug-one target pada obat kimia, jamu memiliki konsep multi components-network target. Hal ini disebabkan oleh keterlibatan senyawa aktif di jamu yang menargetkan beberapa protein dalam tubuh manusia.Jaringan yang menghubungkan senyawa aktif dan protein target, serta penyakit yang berhubungan dengan protein target, memberikan dasar yang kuat guna menjelaskan menjelaskan mekanisme kerja jamu secara komputasi.Data yang digunakan berasal dari jamu yang terdiri dari 4 tanaman, yaitu: pare (Momordica charantia), sembung (Blumea balsamifera), bratawali (Tinospora crispa), dan jahe (Zingiber officinale). Setiap tanaman memiliki senyawa aktif dan protein target dari tiap-tiap senyawa. Terdapat 47 senyawa aktif yang diperoleh dari jahe, 4 senyawa aktif dari sembung, 4 senyawa aktif dari pare, dan 3 senyawa aktif dari bratawali. Total ada 58 senyawa aktif yang diperoleh dari empat tanaman. Database PubChem mengidentifikasi bahwa terdapat 3.059 koneksiantara senyawa aktif dan protein tergetnya, dari 3059 koneksi tereduksi menjadi 396 protein yang unik. Selanjutnya, dengan menggunakan database disgenet, PharmGKB, dan Theurapetic Target Database didapatkan 118 sasaran penyakit yang memiliki koneksi terhadap 396 protein yang unik. Jejaring senyawa, protein target, dan penyakit yang telah dianalisis menggunakan analisis graf tripartit menunjukkan bahwa 396 protein unik dari jamu terkait dengan beberapa penyakit, sebagian besar berkaitan dengan penyakit metabolik, penyakit kardiovaskular (jantung), penyakit mata, neoplasma, stomatognatik, penyakit sistem saraf, dan penyakit Saluran pernapasan.
Comparison of Chi-Square Automatic Interaction Detector (CHAID) and Random Forest Methods in the Classification of Household Poverty Status in Central Java: Perbandingan Metode Chi-Square Automatic Interaction Detector (CHAID) dan Random Forest dalam Klasifikasi Status Kemiskinan Rumah Tangga di Jawa Tengah Izzati, Fatkhul; Masjkur, Mohammad; Afendi, Farit Mochamad
Indonesian Journal of Statistics and Applications Vol 8 No 1 (2024)
Publisher : Statistics and Data Science Program Study, IPB University, IPB University, in collaboration with the Forum Pendidikan Tinggi Statistika Indonesia (FORSTAT) and the Ikatan Statistisi Indonesia (ISI)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29244/ijsa.v8i1p1-13

Abstract

Central Java was in second position as the province with the highest number of poor people in Indonesia in March 2020. Poverty alleviation efforts have been carried out, but many are still not yet on target. The purpose of this study was to model the classification of household poverty status in Central Java using CHAID and random forest methods and compare the two methods. The data used in this study is data from the 2020 National Socioeconomic Survey (SUSENAS) conducted by the Central Bureau of Statistics (BPS) for Central Java. The number of poor households is much less than non-poor households. Therefore, Synthetic Minority Oversampling Technique (SMOTE) was performed to handle unbalanced data. The random forest method produced better classification performance than the CHAID method with accuracy, sensitivity, specificity, and AUC of 93,95%, 98,43%, 89,92%, and 0,9417, respectively. The important variables that build the random forest model are the floor area of the house, the age of the head of the household, cooking fuel, the place for the final disposal of feces, and ownership of the place to defecate.
Co-Authors . Indahwati . Sutoro Aam Alamudi Abd. Rasyid Syamsuri Agus Mohamad Soleh Agus Santoso Aji Hamim Wigena Akbar Rizki Akbar Rizki Akbar Rizki Aki Hirai Anang Kurnia Anggraini Sukmawati Annisa Malik Apino, Ezi Aqmar, Nurzatil Bagus Sartono Budi Susetyo Budi Susetyo Budi Waryanto Budi Waryanto Budi Waryanto Cici Suhaeni Dairul Fuhron Dalimunthe, Amir Abduljabbar Dian Ayuningtyas Eka Setiawaty Erwandi Erwandi fatimah Fatimah Febie Tri Lestari Fitrianto, Anwar H S, Rahmat Handayani, Vitri Aprilla Handayani, Vitri Aprilla Hari Wijayanto Hari Wijayanto Hasibuan, Rafika Aufa Hasnita Hasnita Herdina Kuswari Heri Retnawati Hiroki Takahashi I Made Sumertajaya Ikhlasul Amalia Rahmi Indahwati Indahwati Indahwati Isnan Mulia Itasia Dina Sulvianti Izzati, Fatkhul Kensuke Nakamura Khairil Anwar Notodiputro Koesnandy H, Abialam Kusman Sadik Latifah Kosim Darusman M. Rafi Maya Deanti Maysarah Sabariah Kudadiri Md. Altaf-Ul-Amin . Melati Mochamad Ridwan Mochamad Ridwan, Mochamad Mohammad Masjkur Muchlishah Rosyadah Muhammad Ali Umar Mukhamad Najib Nadhif Nursyahban Nur Hikmah Nur Janah Nur Jannah Nurul Qomariasih Octaviani, Siti Nurfajar Panjaitan, Intan Juliana Pardede, Timbul Pika Silvianti Pika Silvianti Pika Silvianti Puspita, Novi Qomariasih, Nurul Rifqi Aulya Rahman Rizal Bakri Rossi Azmatul Barro Rosyada, Munaya Nikma Rosyadah, Muchlishah Rudi Heryanto Safitri, Wa Ode Rahmalia Septaningsih, Dewi Anggraini Septanti Kusuma Dwi Arini Septiani, Adeline Vinda Shigehiko Kanaya Sulistiyani . Syahrir, Nur Hilal A. Syahrir, Nur Hilal A. Usman, Muhammad Syafiuddin Widhiyanti Nugraheni Widya Putri Nurmawati Winata, Hilma Mutiara Wisnu Ananta Kusuma Zana Aprillia