Claim Missing Document
Check
Articles

Found 3 Documents
Search
Journal : eProceedings of Engineering

Analisis dan Implementasi Jaringan Syaraf Tiruan–Propagasi Balik Dalam Memprediksi Produksi dan Konsumsi Minyak Bumi, Gas Bumi, dan Batu Bara di Indonesia Anggit Nourislam; Jondri Jondri; Siti Saadah
eProceedings of Engineering Vol 1, No 1 (2014): Desember, 2014
Publisher : eProceedings of Engineering

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

Abstract

ndonesia adalah salah satu negara penghasil sumber energi yang terbentuk dari fosil ataupun non fosil. Sumber energi yang tercipta dari fosil bukanlah sesuatu yang dapat dengan mudah didaur ulang yang mengakibat terjadinya krisis energi di masa mendatang. Kondisi krisis energi ini perlu diprediksi kapan terjadinya karena dapat mempengaruhi kondisi perekonomian Indonesia. Prediksi krisis energi fosil di masa mendatang dapat dilakukandengan melihat pola dari produksi dan konsumsi energi tersebut di Indonesia. Untuk mengetahui pola tersebut, dibutuhkan sebuah model yang cukup stabil terhadap perubahan karena naik turunnya produksi dan konsumsi bisa terjadi dengan cepat.Oleh sebab itu dibutuhkan algoritma jaringan syaraf tiruan yang merupakanmodel pembelajar an yang stabil terhadap perubahan pola dalam kurun waktu yang cepat. Model ini menghasilkan keluaran berupa nilai prediksi dari produksi dan konsumsi di masa mendatang yang nantinya dapat dikelompokkan apakah indeks tersebut tergolong krisis atau tidak. Kata Kunci: krisis energi, jaringan syaraf tiruan.
Prediksi Harga Dogecoin Berdasarkan Sentimen dari Twitter Menggunakan LSTM Ecky Prasetyo Nugroho; Siti Saadah; Farah Afianti
eProceedings of Engineering Vol 10, No 5 (2023): Oktober 2023
Publisher : eProceedings of Engineering

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

Abstract

Abstrak— Dogecoin adalah mata uang kripto yang diciptakan oleh Billy Markus dan Jackson Palmer, tetapi mereka membuat Dogecoin hanya untuk dibuat sebagai bahan candaan di dunia mata uang kripto. Tugas akhir ini menganalisis sentimen dan prediksi terhadap Doge dengan melakukan korelasi antara harga Doge terhadap data yang dikumpulkan dari media social Twitter mengenai Doge. Penelitian ini dilakukan menggunakan pendapat-pendapat yang disampaikan oleh pengguna jejaring sosial yang menggunakan bahasa Inggris. Metode yang digunakan adalah LSTM dengan mengacu pada penelitian-penelitian sebelumnya yang menunjukkan bahwa LSTM memberikan akurasi tertinggi. Data yang digunakan pada penelitian ini adalah harga doge dan tweet pada periode januari-april 2021. Menentukan korelasi antara doge dan tweet dilakukan dengan korelasi pearson dimana hasil korelasi tersebut menentukan korelasi positif, korelasi negatif dan tidak berkorelasi, setelah itu dilakukan prediksi harga doge close dengan LSTM. Harga Doge Close berkorelasi dengan sentimen, namun tidak kuat tidak juga lemah. Tidak ada peningkatan akurasi hasil prediksi dibandingkan pengujian pertama yang dimana pada pengujian pertama nilai RMSE sebesar 0,003 dan pengujian kedua nilai RMSE sebesar 0,008.Kata kunci— analisis sentimen, LSTM, prediksi, korelasi
Forecasting of GPU Prices Using Transformer Method Risyad Faisal Hadi; Siti Saadah; Diditq Adytia
eProceedings of Engineering Vol 10, No 5 (2023): Oktober 2023
Publisher : eProceedings of Engineering

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

Abstract

Abstract— GPU or VGA (graphic processing unit) is a vital component of computers and laptops, used for tasks such as rendering videos, creating game environments, and compiling large amounts of code. The price of GPU/VGA has fluctuated significantly since the start of the COVID19 pandemic in 2020. This research aims to forecast future GPU prices using deep learning-based time series forecasting using the Transformer model. We use daily prices of NVIDIA RTX 3090 Founder Edition as a test case. We use historical GPU prices to forecast 8, 16, and 30 days. Moreover, we compare the results of the Transformer model with two other models, RNN and LSTM. We found that to forecast 30 days; the Transformer model gets a higher coefficient of correlation (CC) of 0.8743, a lower root mean squared error (RMSE) value of 34.68, and a lower mean absolute percentage error (MAPE) of 0.82 compared to the RNN and LSTM model. These results suggest that the Transformer model is an effective and efficient method for predicting GPU prices.Keywords— GPU, Transformer, Forecasting, Time Series Forecasting