Article Per Year (5 Year)
p-Index From 2021 - 2026
6.096
P-Index
This Author published in this journals
All Journal EXPERT: Jurnal Manajemen Sistem Informasi dan Teknologi JOURNAL OF INFORMATICS AND TELECOMMUNICATION ENGINEERING JURNAL MEDIA INFORMATIKA BUDIDARMA JURNAL TEKNIK INFORMATIKA DAN SISTEM INFORMASI Jurnal Teknologi Terpadu Jutisi: Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Jurnal Teknologi Informasi dan Multimedia Prosiding National Conference for Community Service Project Jurnal E-Komtek JITU : Journal Informatic Technology And Communication Journal of Innovation Information Technology and Application (JINITA) Telcomatics Journal of Information System and Technology (JOINT) Conference on Management, Business, Innovation, Education and Social Sciences (CoMBInES) Conference on Community Engagement Project (Concept) Conference on Business, Social Sciences and Technology (CoNeScINTech) Madani: Jurnal Pengabdian Masyarakat dan Kewirausahaan Jurnal Inovatif : Inovasi Teknologi Informasi dan Informatika Jurnal Pengabdian Masyarakat Indonesia (JPMI) Jurnal Ilmiah Betrik : Besemah Teknologi Informasi dan Komputer Jurnal ilmiah teknologi informasi Asia
Haeruddin, .
Universitas Internasional Batam
Aerospace Engineering Arts Humanities Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Environmental Science Library & Information Science Social Sciences Other

Published : 47 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 47 Documents
Search

 1   2   3   4   5 
Optimasi Hyperparameter N-BEATS Menggunakan Optuna untuk Prediksi Harga Saham BBCA Haeruddin, Haeruddin; Wijaya, Gautama; Sherly, Sherly
Jutisi : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Vol 15, No 1 (2026): Februari 2026
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/jutisi.v15i1.3517

Abstract

Stock price prediction is crucial for supporting informed investment decisions due to the high volatility of stock prices. One of the key challenges in deep learning–based stock price prediction is determining the right hyperparameters. This research aimed to assess whether hyperparameter tuning with Optuna can enhance the N-BEATS model performance for predicting the stock price of PT Bank Central Asia Tbk. Historical stock price data were used and chronologically divided into training, validation, and testing sets. The efficacy of the models was measured using MAPE, RMSE, and R². The results showed that hyperparameter optimization using Optuna considerably enhanced the performance of N-BEATS, achieving a MAPE of 1.27%, which outperformed the standard N-BEATS model (1.44%) and the LSTM model (1.41%). This study proved that a systematic hyperparameter optimization approach can improve the performance of stock price forecasting models.Keyword: N-BEATS; Optuna; Stock; Predict; BBCA AbstrakPrediksi harga saham menjadi aspek penting dalam mendukung penentuan keputusan investasi karena fluktuasi harga saham yang tinggi. Salah satu tantangan utama dalam pemodelan prediksi harga saham berbasis deep learning adalah penentuan hyperparameter yang tepat. Penelitian ini bertujuan untuk mengevaluasi efektivitas optimasi hyperparameter menggunakan Optuna dalam meningkatkan kinerja model N-BEATS untuk prediksi harga saham PT Bank Central Asia Tbk. Data historis harga saham digunakan dan dibagi secara kronologis menjadi data latih, validasi, dan uji. Evaluasi kinerja akhir dilakukan menggunakan metrik MAPE, RMSE, dan R². Hasil penelitian menunjukkan bahwa optimasi hyperparameter dengan Optuna mampu meningkatkan kinerja N-BEATS dengan nilai MAPE sebesar 1.27% dibandingkan dengan N-Beats standar (MAPE 1.44%) dan LSTM (MAPE 1.41%). Penelitian ini menunjukkan bahwa pendekatan optimasi hyperparameter yang sistematis efektif dalam meningkatkan kinerja model prediksi harga saham. 
Pengembangan Sistem Prediksi Harga Saham Berbasis Web Menggunakan Model LSTM dan CNN–LSTM Haeruddin, Haeruddin; Rinaldo, Rinaldo; Gautama, Gautama
Jutisi : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Vol 15, No 1 (2026): Februari 2026
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/jutisi.v15i1.3518

Abstract

This study discussed the challenges of stock price prediction, which is volatile and exhibits non-linear patterns, as well as the need for an easily accessible system to present prediction results quickly. A web-based application was developed to predict the closing prices of Indonesian non-banking stocks (ASII, TLKM, and UNVR) by utilizing daily market data that were updated periodically through an application programming interface. The integrated pre-trained models used were long short-term memory (LSTM) and convolutional neural network–long short-term memory (CNN-LSTM), which were integrated into the application for one-step-ahead (t+1) inference. The system development methodology followed the software development life cycle waterfall model. Functional testing using a black-box testing approach showed that the core features ran according to the requirements, so the application was considered suitable as a web-based medium for prediction and visualization.Keywords: Stock price prediction; Web application; Deep learning; Application programming interface; Non-banking stocksAbstrakPergerakan harga saham yang volatil dan non-linear menuntut pendekatan prediksi yang adaptif serta sistem yang mudah diakses. Penelitian ini bertujuan untuk mengembangkan suatu sistem prediksi harga penutupan saham dan menyajikannya secara cepat. Penelitian ini telah mengembangkan aplikasi berbasis web untuk prediksi harga penutupan saham emiten non-perbankan Indonesia (ASII, TLKM, dan UNVR) dengan memanfaatkan data pasar harian yang diperbarui berkala melalui application programming interface. Integrasi model terlatih yang digunakan yaitu long short-term memory (LSTM) dan convolutional neural network-long short-term memory (CNN-LSTM), yang diintegrasikan ke dalam aplikasi untuk proses inference satu langkah ke depan (t+1). Metodologi pengembangan sistem mengikuti software development life cycle model Waterfall. Sistem yang dikembangkan telah berfungsi sesuai dengan kebutuhan berdasarkan hasil black-box testing. 
Implementasi Multi-Factor Authentication Pada Aplikasi Berbasis Website dan Pengembangan Company Profile PT Raflesia Berjaya Properti Haeruddin Haeruddin; Stefanus Eko Prasetyo; Avista Mindy
Jurnal Pengabdian Masyarakat Indonesia (JPMI) Vol. 1 No. 6 (2024): Agustus
Publisher : Publikasi Inspirasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62017/jpmi.v1i6.2051

Abstract

PT Raflesia Berjaya Properti (PT RBP), sebuah pengembang properti di Batam, menghadapi tantangan kritis dalam keamanan data dan branding perusahaan. Untuk mengatasi hal ini, Program Pengabdian Kepada Masyarakat (PKM) dilaksanakan dengan dua tujuan utama yaitu meningkatkan keamanan sistem informasi dan pembuatan website profil perusahaan untuk mengingkatkan branding. Fokus keamanan melibatkan penerapan Multi-Factor Authentication (MFA) menggunakan Auth0 untuk mencegah akses tidak sah dan melindungi data sensitif. Peningkatan branding melalui pembuatan website profil perusahaan yang profesional untuk meningkatkan visibilitas PT RBP secara global dan meningkatkan kepercayaan. Pengembangan website dan MFA ini menggunakan metodologi Network Development Life Cycle (NDLC), yang meliputi tahap analisis, desain, implementasi, dan pengujian. Implementasi MFA berhasil mengurangi risiko akses tidak sah, dan website profil perusahaan yang baru meningkatkan kehadiran PT RBP di pasar global. Meskipun terdapat beberapa tantangan adaptasi bagi pengguna MFA dan kemungkinan penyesuaian fitur website, PKM ini secara signifikan meningkatkan keamanan data dan branding PT RBP untuk memastikan keberlanjutan operasional dan daya saing pasar yang lebih baik.
Penyusunan Sertifikasi ISO 27001 Di PT. Pundi Mas Berjaya Haeruddin Haeruddin; Stefanus Eko Prasetyo; Ari Wahyuni Kaharuddin
Jurnal Pengabdian Masyarakat Indonesia (JPMI) Vol. 1 No. 6 (2024): Agustus
Publisher : Publikasi Inspirasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.62017/jpmi.v1i6.2052

Abstract

Persiapan untuk sertifikasi ISO 27001 di PT Pundi Mas Berjaya merupakan proses yang melibatkan pemahaman mendalam tentang persyaratan standar, penyusunan SOP yang terstruktur, penilaian risiko yang cermat, kolaborasi antar departemen, dan dokumentasi yang teliti. Hasil dari persiapan ini menunjukkan komitmen perusahaan dalam meningkatkan keamanan informasi secara menyeluruh. Saran yang diambil adalah untuk terus berkomitmen pada peningkatan kontinu dalam manajemen keamanan informasi, sesuai dengan prinsip-prinsip ISO 27001. Dengan demikian, persiapan ini bukan hanya memenuhi persyaratan formal, tetapi juga membawa dampak positif dalam memperkuat keamanan informasi di PT Pundi Mas Berjaya.
Analisis Kinerja Smart Door Hybrid Haar Cascade dan ArcFace pada Raspberry Gautama Wijaya; Stefanus Eko Prasetyo; Haeruddin Haeruddin; Kevin Kevin
Jutisi : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Vol 15, No 2 (2026): April 2026
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/jutisi.v15i2.3537

Abstract

Implementing biometric security systems on deep learning devices faces a major challenge in balancing identity verification accuracy with computational resource efficiency. This study presents a performance analysis of a Raspberry Pi 5-based Smartdoor system integrating the detection speed of Haar Cascade with the recognition accuracy of ArcFace. System performance was evaluated based on RAM usage, CPU load, FPS stability, and access Success Rate parameters. Empirical evaluation results indicate that integrating Deep learning ArcFace increased RAM usage by 33.7% and CPU load from 33% to 53%. However, due to the processing capacity of the Raspberry Pi 5, the system maintained stable real-time performance with an average of 18.3 FPS. In terms of security, the Hybrid method proved superior with an access success rate of 73.7%, surpassing the conventional Haar Cascade method which only reached 68.4%. This study concludes that the Hybrid method is a viable solution for home security systems, where the increased computational load is justified by a significant improvement in identity verification reliability.Keyword: Raspberry Pi 5; Smartdoor; Haar Cascade; ArcFace; Computational Performance. AbstrakImplementasi sistem keamanan biometrik pada perangkat deep learning menghadapi tantangan utama dalam menyeimbangkan akurasi verifikasi dengan efisiensi sumber daya. Penelitian ini menyajikan analisis kinerja sistem Smartdoor berbasis Raspberry Pi 5 yang mengintegrasikan kecepatan deteksi Haar Cascade dengan akurasi pengenalan wajah ArcFace. Kinerja sistem dievaluasi berdasarkan parameter penggunaan RAM, beban CPU, stabilitas FPS, dan tingkat keberhasilan akses. Hasil evaluasi empiris menunjukkan bahwa integrasi Deep learning ArcFace meningkatkan penggunaan RAM sebesar 33,7% dan beban CPU dari 33% menjadi 53%. Namun, berkat kapasitas pemrosesan Raspberry Pi 5, sistem mampu mempertahankan stabilitas kinerja real-time dengan rata-rata 18,3 FPS. Dari segi keamanan, metode Hybrid terbukti lebih unggul dengan akurasi pengenalan wajah sebesar 73,7%, melampaui metode konvensional Haar Cascade yang hanya mencapai 68,4%. Penelitian ini menyimpulkan bahwa metode Hybrid merupakan solusi yang layak untuk sistem keamanan rumah, di mana peningkatan beban komputasi terbayar dengan peningkatan reliabilitas verifikasi identitas yang signifikan. 
Implementasi Algoritma ARIMA dan LSTM pada Dashboard Prediksi Saham Berbasis Web Gautama Wijaya; Haeruddin Haeruddin; Louis Lim
Jutisi : Jurnal Ilmiah Teknik Informatika dan Sistem Informasi Vol 15, No 2 (2026): April 2026
Publisher : STMIK Banjarbaru

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35889/jutisi.v15i2.3514

Abstract

The volatility of banking stock prices poses challenges for investors in making the right analytical decisions, especially due to the lack of availability of flexible and data-based prediction tools. This research aims to design and build a web-based stock price prediction system that integrates two algorithms at once, namely Autoregressive Integrated Moving Average (ARIMA) and Long Short-Term Memory (LSTM), in one integrated dashboard. The system development is carried out using the System Development Life Cycle (SDLC) method of the Waterfall model, covering the stages of needs analysis, design, implementation, and testing. The system leverages the Yahoo Finance API for automatic market data updates, eliminating reliance on manual file uploads. The test results showed that all functional features were valid, and the accuracy evaluation on BBCA shares proved that LSTM produced a Mean Absolute Percentage Error (MAPE) value of 1.12%, superior to ARIMA which obtained a MAPE of 1.85%. The system provides investors with greater analytical flexibility.Keywords: Stock Prediction; Multi-Model; Yahoo Finance API; Web-Based; Waterfall. AbstrakVolatilitas harga saham perbankan menimbulkan tantangan bagi investor dalam mengambil keputusan analitis yang tepat, terutama akibat minimnya ketersediaan alat bantu prediksi yang fleksibel dan berbasis data terkini. Penelitian ini bertujuan merancang dan membangun sistem prediksi harga saham berbasis web yang mengintegrasikan dua algoritma sekaligus, yaitu Autoregressive Integrated Moving Average (ARIMA) dan Long Short-Term Memory (LSTM), dalam satu dashboard terpadu. Pengembangan sistem dilakukan menggunakan metode System Development Life Cycle (SDLC) model Waterfall, mencakup tahap analisis kebutuhan, desain, implementasi, dan pengujian. Sistem memanfaatkan Yahoo Finance API untuk pembaruan data pasar secara otomatis, sehingga menghilangkan ketergantungan pada unggah file manual. Hasil pengujian menunjukkan seluruh fitur fungsional berjalan valid, dan evaluasi akurasi pada saham BBCA membuktikan bahwa LSTM menghasilkan nilai Mean Absolute Percentage Error (MAPE) sebesar 1,12%, lebih unggul dibandingkan ARIMA yang memperoleh MAPE 1,85%. Sistem ini memberikan fleksibilitas analisis yang lebih luas bagi investor. 
The Development of a Deep Learning-Based Chatbot for Stock Keeping Unit (SKU) Management Hendra Julianto; Gautama Wijaya; Haeruddin Haeruddin
Jurnal Inovatif : Inovasi Teknologi Informasi dan Informatika Vol. 7 No. 2 (2024)
Publisher : Universitas Ibn Khaldun Bogor

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

Abstract

Digital communications platforms, one of the revolutionary breakthroughs brought by rapid technological development. Such breakthroughs include technology in chatbots, which has now become a mighty tool, especially within the commercial sectors. This research hence focuses on the evolution of a chatbot in solving SKU management problems through deep learning technologies, such as the Multilayer Perceptron neural networks. The chatbot's goal is to deliver precise and effective information on SKU codes, stock levels, and product characteristics. The chatbot showed a high accuracy rate of 98% in answering questions about the given dataset after extensive testing. The findings demonstrate the potential of chatbots with deep learning to improve customer service and operational effectiveness in companies
Co-Authors ., Arron Agusyanto . Alzi Alzi Andy Lau Ari Prayoga Hutabarat Ari Wahyuni Kaharuddin Arif Kurniadi Aripradono, Heru Wijayanto Arron Arron Avista Mindy Bobby Fernando Pangaribuan Boby Candra Deven Lee Efendi Efendi Elia, Elia Elvis, Elvis Erick Erick Febrison Yohaness Felix Felix Firman Adiyasa Frans Hadinata Gautama Wijaya Gautama Wijaya Gautama, Gautama Hadi Hadi Hendra Julianto Hendra Winata Hendri Hendri Herman Herman Hermanto Hermanto Husnul Khatimah Husnul Khatimah Jefferson Richtan Jemmy Jemmy Kelvin Kelvin Kevin Kevin Leo Louis Lim M. Nahrul Indriawan Moezes Rasuanda Muhammad Nur Faiz Patrick Pratama Hendri Prasetyo, Stefanus Eko Rahman Syahputra Ricardo Ricardo Rinaldo, Rinaldo Sepbianto Sepbianto Sherly, Sherly Sukma Aji Syaeful Anas Aklani, Syaeful Tiara Tiara Tina Tina Vincent . Vivian Vivian Viviany Viviany Wijaya, Gautama Windi Afdal, Windi