Claim Missing Document
Check
Articles

Found 3 Documents
Search

Prediksi Harga Emas Indonesia Menggunakan Model CNN-LSTM Septiana, Rika; Putri, Adetya Rielisa; Maharani, Wardah Shifa; Gultom, Gina Destia; Simanullang, Eka Darmayanti; Tania, Ken Dhita; Meiriza, Allsela; Rifai, Ahmad
INFOMATEK Vol 27 No 1 (2025): Juni 2025
Publisher : Fakultas Teknik, Universitas Pasundan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23969/infomatek.v27i1.24417

Abstract

Harga emas memiliki volatilitas tinggi yang menjadikannya menarik untuk dianalisis secara prediktif. Penelitian ini bertujuan untuk memprediksi harga emas Indonesia dengan kombinasi model Convolutional Neural Network dan Long Short-Term Memory (CNN-LSTM) berdasarkan data historis yang berjumlah 4.434 data dari PT Antam Tbk dari periode 2010 sampai 2025. Model ini dibangun menggunakan lapisan Conv1D (satu dimensi) untuk ekstraksi fitur dan dua lapisan LSTM untuk memahami pola waktu. Pengujian dilakukan dengan tiga variasi jumlah epoch pelatihan, yaitu 50, 100, dan 150, lalu hasilnya dievaluasi menggunakan metrik Root Mean Square Error (RMSE). Model terbaik ditemukan pada epoch 100 dengan nilai RMSE data pelatihan sebesar 5.811,51 dan data uji sebesar 13.236,10. Hasil ini menunjukkan bahwa model CNN-LSTM mampu mengenali pola harga emas lebih baik dibandingkan skenario lain. Dengan demikian, penelitian ini dapat dimanfaatkan untuk membantu para investor dalam mengambil keputusan investasi dan sebagai dasar pengembangan sistem prediksi harga komoditas lainnya.
ANALISIS K-MEANS DENGAN RAPIDMINER UNTUK KLASIFIKASI KUALITAS PENDIDIKAN SEKOLAH DASAR DI INDONESIA Irwansyah, Muhammad Aziiz; Alinda, Yelli Nur; Nur’Aini, Risma; Alfitrah, Intan Aidita; Khairani, Annisa; Tania, Ken Dhita; Meiriza, Allsela; Rifai, Ahmad
ZONAsi: Jurnal Sistem Informasi Vol. 7 No. 3 (2025): Publikasi artikel ZONAsi: Jurnal Sistem Informasi Periode September 2025
Publisher : Universitas Lancang Kuning

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31849/a0hhsc57

Abstract

Penelitian ini menerapkan metode K-Means Clustering untuk mengelompokkan 38 provinsi di Indonesia berdasarkan kualitas pendidikan dasar. Tujuan penelitian ini adalah mengidentifikasi pola distribusi pendidikan dengan mempertimbangkan faktor tenaga pendidik, angka putus sekolah, kondisi infrastruktur sekolah, serta tingkat kesejahteraan guru. Dataset yang digunakan berasal dari Kaggle SD tahun 2023-2024 dan data Upah Minimum Provinsi (UMP) tahun 2024, kemudian dianalisis melalui tahapan Knowledge Discovery in Database (KDD) menggunakan RapidMiner. Hasil klasterisasi menghasilkan tiga kelompok provinsi dengan karakteristik berbeda: Klaster 0 dengan jumlah sekolah dan siswa tinggi serta angka putus sekolah sedang; Klaster 1 dengan tenaga pendidik dan ruang kelas terbanyak serta angka putus sekolah terendah; dan Klaster 2 dengan angka putus sekolah tertinggi meskipun UMP tertinggi. Evaluasi kualitas klasterisasi menggunakan Davies-Bouldin Index (DBI = 0,162) menunjukkan hasil yang baik. Berdasarkan analisis magnitudo vektor Euclidean, faktor dominan dalam pembentukan klaster adalah Kepala Sekolah dan Guru (1,376), Putus Sekolah (1,368), Ruang Kelas (baik) (1,324), Sekolah (1,312), Siswa (1,286), dan UMP (1,214). Penelitian ini menyimpulkan bahwa faktor tenaga pendidik dan kondisi infrastruktur memiliki dampak lebih besar terhadap kualitas pendidikan dasar dibandingkan faktor ekonomi.
Comparison of Clustering Algorithms for Analyzing the Impact of Conflict on Poverty and Inflation Ramadan, M Raykah Alam; Wiransyah, Dhio Pratama; Ramadhani, Satria; Simangunsong, Rayya Ramadhan; Tania, Ken Dhita; Meiriza, Alsella; Rifai, Ahmad
Building of Informatics, Technology and Science (BITS) Vol 7 No 4 (2026): March 2026
Publisher : Forum Kerjasama Pendidikan Tinggi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bits.v7i4.9512

Abstract

Armed conflict can have significant impacts on the social and economic conditions of a region, particularly on poverty levels and inflation. This study aims to analyze the impact of conflict on key economic indicators using a Knowledge Management System (KMS) approach and to compare the performance of clustering algorithms in identifying underlying data patterns. The research applies clustering analysis by comparing K-Means, DBSCAN, and Hierarchical Clustering algorithms to group data based on similarities in economic characteristics. The dataset used in this study consists of several indicators, including poverty levels before and during conflict, extreme poverty rates, inflation rates, GDP changes, and currency devaluation. Data preprocessing techniques such as normalization are applied to ensure comparability among variables. The evaluation of clustering performance is conducted using Silhouette Score and Davies–Bouldin Index to determine the most effective algorithm. The results show that clustering methods are able to identify distinct grouping patterns of regions based on the level of conflict impact on economic conditions. Among the evaluated algorithms, DBSCAN demonstrates superior performance in handling complex and uneven data distributions. The analysis also indicates a consistent tendency for poverty and inflation to increase during periods of conflict, highlighting the economic vulnerability of affected regions. Furthermore, the integration of clustering results into a Knowledge Management System enables the transformation of analytical outputs into structured knowledge that can support data-driven decision making. These findings are expected to contribute to the development of more effective economic policies and analytical frameworks in conflict-affected areas.