Article Per Year (5 Year)
p-Index From 2021 - 2026
1.857
P-Index
This Author published in this journals
All Journal Jurnal Informatika dan Teknik Elektro Terapan Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) Jurnal ICT : Information Communication & Technology Tematik : Jurnal Teknologi Informasi Komunikasi Jurnal Mahasiswa Sistem Informasi (JMSI) Prosiding Seminar Nasional Sisfotek (Sistem Informasi dan Teknologi Informasi) Journal of Artificial Intelligence and Engineering Applications (JAIEA) Jurnal Mahasiswa Ilmu Komputer International Journal of Informatics and Computing
Dian Ade Kurnia
Unknown Affiliation
Automotive Engineering Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering

Published : 12 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 12 Documents
Search

 1   2 
Comparative Analysis of Serverless Container Service Performance Between Google Cloud Run and AWS App Runner in Cross-Cloud Architecture Muhammad Adithya Pratama; Odi Nurdiawan; Arif Rinaldi Dikananda; Denni Pratama; Dian Ade Kurnia
Journal of Artificial Intelligence and Engineering Applications (JAIEA) Vol. 5 No. 2 (2026): February 2026
Publisher : Yayasan Kita Menulis

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.59934/jaiea.v5i2.1919

Abstract

Research on the performance of serverless container services is becoming increasingly important as the need for modern distributed and cross-cloud architectures grows. This study analyzes the performance of two leading serverless services, Google Cloud Run and AWS App Runner, in a cross-cloud architecture scenario. Testing was conducted using identical parameters, including container configuration, region, memory, vCPU, and concurrency. Performance testing included p95 latency, throughput, and error rate metrics using loads of up to 1000 virtual users. The results showed that Google Cloud Run provided more stable performance with p95 latency of 47–71 ms, throughput of 436–438 RPS, and 0% error rate. In contrast, AWS App Runner showed p95 latency of 490–651 ms with throughput variation of 388–410 RPS and an error rate of 2–4.41%. The difference in performance was due to autoscaling mechanisms, cross-cloud communication overhead, and resource contention. This study provides empirical evidence for selecting the optimal serverless service for distributed architectures.
PERBANDINGAN MODEL LSTM DAN GRU UNTUK PREDIKSI HARGA SAHAM TELEKOMUNIKASI INDONESIA Ahmad Jamalul Noor; Dian Ade Kurnia; Yudhistira Arie Wijaya; Heliyanti Susana
Jurnal Mahasiswa Ilmu Komputer Vol. 7 No. 1 (2026): Jurnal Mahasiswa Ilmu Komputer March 2026
Publisher : Universitas Muhammadiyah Metro

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24127/ilmukomputer.v7i1.10651

Abstract

Penelitian ini bertujuan untuk mengevaluasi dan membandingkan performa model Long Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU) dalam memprediksi harga saham harian pada sektor telekomunikasi Indonesia, sebuah sektor yang memiliki karakteristik volatilitas fluktuatif dan dipengaruhi oleh dinamika pasar jangka pendek. Dua emiten yang dianalisis adalah GHON dan EXCL dengan rentang data dua tahun yang diambil dari platform Investing.com. Proses penelitian mencakup tahapan preprocessing, normalisasi menggunakan MinMaxScaler, pembentukan sliding window sepanjang 30 hari, serta pembagian data secara kronologis menjadi data latih, validasi, dan uji. Optimasi hyperparameter dilakukan menggunakan KerasTuner dengan pendekatan Random Search untuk memperoleh konfigurasi terbaik bagi masing-masing model. Evaluasi performa menggunakan tiga metrik utama yakni Root Mean Square Error (RMSE), Mean Absolute Error (MAE), dan Mean Absolute Percentage Error (MAPE). Hasil eksperimen menunjukkan bahwa GRU memberikan performa yang lebih unggul pada saham EXCL yang memiliki volatilitas tinggi, ditunjukkan oleh nilai RMSE, MAE, dan MAPE yang lebih rendah dibandingkan LSTM. Sebaliknya, pada saham GHON yang lebih stabil, kedua model menghasilkan performa yang relatif sebanding. Temuan ini menegaskan bahwa efektivitas model sangat dipengaruhi oleh karakteristik data, di mana GRU lebih adaptif pada pola harga yang dinamis, sedangkan LSTM tetap kompetitif pada pola yang lebih konsisten. Secara keseluruhan, GRU dapat direkomendasikan sebagai model yang lebih efisien dan akurat untuk prediksi harga saham pada lingkungan pasar yang berfluktuasi tinggi.
Co-Authors Abdul Aziz Abdul Latip Ade Irma Purnama Sari Ade Rizki Rinaldi Affan, Taryono Ibnu Ahmad Jamalul Noor Aldi Setiawan Arif Rinaldi Dikananda Dadang Sudrajat Denni Pratama Doni Anggara Fatihanursari Dikananda Heliyanti Susana Hidayatulloh Himawan Irfan Ali Jayawarsa, A.A. Ketut Khaerul Anam Lana Surlanto Martanto Maulana Sujarwadi Muhammad Adithya Pratama Nashir, Mukhtar Nisa Dienwati Nuris Odi Nurdiawan Othman bin Mohd Qosdu Sabil Rananda Deva Rian Rudi Kurniawan Saeful Anwar Salman Alfarizi Tati Suprapti Yudhistira Arie Wijaya