Claim Missing Document
Check
Articles

Found 33 Documents
Search

PERAMALAN MENGGUNAKAN HYBRID SEASONAL ARIMA DAN EXTREME LEARNING MACHINE: STUDI KASUS JUMLAH PRODUKSI BERAS DI PROVINSI JAWA TIMUR Vera Febrianti Pakpahan; Amri Muhaimin; Wahyu Syaifullah
Jurnal Informatika Teknologi dan Sains (Jinteks) Vol 7 No 4 (2025): EDISI 26
Publisher : Program Studi Informatika Universitas Teknologi Sumbawa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51401/jinteks.v7i4.6673

Abstract

Penelitian ini mengevaluasi performa metode hybrid Seasonal Autoregressive Integrated Moving Average (SARIMA) dan Extreme Learning Machine (ELM) untuk peramalan data deret waktu. Metode SARIMA digunakan untuk menangkap pola musiman dan linier, sedangkan ELM diaplikasikan pada residual prediksi SARIMA untuk mendeteksi pola non-linier yang sulit ditangkap oleh model tradisional. Studi kasus difokuskan pada prediksi produksi beras bulanan di Provinsi Jawa Timur, salah satu lumbung beras nasional dengan fluktuasi produksi yang memengaruhi perencanaan distribusi dan kebijakan pangan. Hasil evaluasi menunjukkan bahwa model hybrid SARIMA–ELM mencapai nilai MAPE sebesar 9,01% dan RMSE sebesar 38.639,93, menunjukkan akurasi prediksi yang baik. Temuan ini menegaskan bahwa kombinasi SARIMA dan ELM dapat menjadi pendekatan yang efektif untuk peramalan deret waktu dengan pola linier dan non-linier, serta memiliki potensi untuk diterapkan pada dataset atau sektor lain yang memiliki karakteristik serupa.
Analysis of the LQ45 Stock Portfolio Using Mean–Variance Method and Cornish–Fisher Expansion Shafira Amanda Putri; Trimono Trimono; Amri Muhaimin
bit-Tech Vol. 8 No. 3 (2026): bit-Tech
Publisher : Komunitas Dosen Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32877/bt.v8i3.3640

Abstract

Public interest in stock market investment in Indonesia has increased alongside growing awareness of financial planning and portfolio management. The LQ45 Index, consisting of stocks with high liquidity, large market capitalization, and strong fundamentals, is widely used as a benchmark for portfolio analysis. However, many portfolio studies still rely on conventional Value at Risk (VaR), which assumes normally distributed returns and may underestimate extreme losses, making it less effective in capturing tail risk. This study addresses this research gap by integrating Mean–Variance Optimization (MVO) with the Cornish–Fisher VaR approach, which incorporates skewness and kurtosis to accommodate non-normal return distributions. Daily adjusted closing price data of LQ45 stocks from January to December 2025 were obtained from Yahoo Finance, and logarithmic returns were calculated. Based on the highest Sharpe Ratios, BRPT, EXCL, and ANTM were selected as portfolio constituents. Correlation analysis shows low dependency among the selected stocks, supporting diversification, while normality tests confirm deviations from normality, justifying the use of Cornish–Fisher VaR. The optimal portfolio allocates 10.6% to BRPT, 65.5% to EXCL, and 23.9% to ANTM, producing an expected return of 65.7%, portfolio risk of 26.2%, and a Sharpe Ratio of 2.5, indicating strong risk-adjusted performance. Cornish–Fisher VaR estimates potential losses of 2.23%, 3.09%, and 5.30% at the 90%, 95%, and 99% confidence levels. These results demonstrate that combining MVO and Cornish–Fisher VaR offers a more robust framework for portfolio optimization in the Indonesian stock market.
Pengembangan Chatbot inapinep.id Berbasis Natural Language Processing sebagai Sistem Rekomendasi Hotel di Pulau Jawa Siti Naia Hesti Rachmawati; Fanny Widya Cahyani; Sonya Audina Akbar; Shindi Shella May Wara; Amri Muhaimin
MATHunesa: Jurnal Ilmiah Matematika Vol. 14 No. 02 (2026)
Publisher : Universitas Negeri Surabaya

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26740/mathunesa.v14n02.p296-306

Abstract

Pesatnya pertumbuhan sektor pariwisata di Pulau Jawa menyebabkan terjadinya fenomena information overload bagi wisatawan dalam menentukan akomodasi yang sesuai. Penelitian ini bertujuan untuk mengembangkan asisten virtual bernama inapinep.id, sebuah chatbot berbasis Natural Language Processing (NLP) yang berfungsi sebagai sistem rekomendasi hotel. Metode yang digunakan adalah Term Frequency-Inverse Document Frequency (TF-IDF) untuk pembobotan fitur dan Cosine Similarity untuk menghitung tingkat kemiripan antara kueri deskriptif pengguna dengan dataset hotel. Tahapan preprocessing difokuskan pada pembersihan teks, normalisasi sinonim, dan deduplikasi kata tanpa menggunakan proses stemming guna menjaga integritas istilah teknis fasilitas hotel. Hasil penelitian menunjukkan bahwa sistem mampu memberikan rekomendasi yang presisi dengan skor kemiripan tertinggi mencapai 0,6687 pada pengujian kueri spesifik. Uji statistik Chi-Square mengonfirmasi bahwa fitur "lift" merupakan parameter pembeda paling signifikan (p = 0,0071) dalam menentukan kecenderungan rating hotel tinggi dalam dataset. Sistem juga dilengkapi dengan mekanisme guardrails untuk menangani kueri di luar topik guna menjaga kualitas interaksi. Penelitian ini membuktikan bahwa integrasi model pembobotan kata dan analisis statistik mampu menghasilkan sistem rekomendasi yang cerdas dan intuitif dalam membantu navigasi wisatawan di Pulau Jawa. Kata Kunci: Chatbot, Natural Language Processing, TF-IDF, Cosine Similarity, Rekomendasi Hotel.