Article Per Year (5 Year)
p-Index From 2021 - 2026
2.136
P-Index
This Author published in this journals
All Journal Proceeding International Conference on Information Technology and Business Jurnal Ilmiah Media Sisfo Jurnal Informatika dan Rekayasa Elektronik Jifosi PROFICIO: Jurnal Pengabdian Masyarakat Journal of Information Systems and Technology Research INFORMATIKA Data Sciences Indonesia (DSI) IT-Explore: Jurnal Penerapan Teknologi Informasi dan Komunikasi Jurnal Ilmiah Teknik Informatika dan Komunikasi Aspirasi : Publikasi Hasil Pengabdian dan Kegiatan Masyarakat Seminar Nasional Teknologi dan Multidisiplin Ilmu Mengabdi: Jurnal Hasil Kegiatan Bersama Masyarakat Indonesian Journal of Electronics, Electromedical Engineering, and Medical Informatics
Mohammad Idhom
Unknown Affiliation
Agriculture, Biological Sciences & Forestry Arts Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Health Professions Materials Science & Nanotechnology Mechanical Engineering Physics Public Health Social Sciences Other

Published : 16 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : INFORMATIKA

 1 
PREDIKSI HARGA PENUTUPAN SAHAM BBRI DENGAN MODEL HYBRID LSTM-XGBOOST Nabilah Selayanti; Dwi Amalia Putri; Trimono Trimono; Mohammad Idhom
Informatika: Jurnal Teknik Informatika dan Multimedia Vol. 5 No. 1 (2025): MEI : JURNAL INFORMATIKA DAN MULTIMEDIA
Publisher : LPPM Politeknik Pratama Kendal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51903/informatika.v5i1.1011

Abstract

The ease of investing in the digital era has driven Generation Z to dominate stock market participation, particularly in blue-chip stocks such as PT Bank Rakyat Indonesia Tbk (BBRI). However, stock price fluctuations influenced by macroeconomic factors, regulations, and global market sentiment make it difficult for investors to make accurate decisions. Decisions based on insufficient information pose a significant risk of loss, especially for novice investors. This study proposes a hybrid LSTM-XGBoost approach for predicting BBRI stock prices, combining the strengths of LSTM in capturing nonlinear time series patterns and XGBoost's effectiveness in reducing prediction errors. The model leverages both historical data and feature extraction outputs from the LSTM model. Future stock price values are then predicted by XGBoost using this combined dataset. The Hybrid LSTM XGBoost model outperforms the individual base models in terms of prediction accuracy, achieving an RMSE of 117.89, MAE of 92.45, and MAPE of 2.21%.
PERBANDINGAN KINERJA GRU DAN SVR UNTUK PREDIKSI EMAS DI INDONESIA Mohammad Sufa Ammar Habibi; Arindra Harris Abdillah; Mohammad Idhom; Trimono Trimono
Informatika: Jurnal Teknik Informatika dan Multimedia Vol. 5 No. 1 (2025): MEI : JURNAL INFORMATIKA DAN MULTIMEDIA
Publisher : LPPM Politeknik Pratama Kendal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51903/informatika.v5i1.1105

Abstract

Emas merupakan instrumen investasi yang banyak diminati di Indonesia, terutama saat terjadi ketidakstabilan ekonomi. Namun, volatilitas harga emas yang dipengaruhi oleh faktor makroekonomi domestik dan global membuat prediksinya menjadi tantangan tersendiri. Penelitian ini membandingkan kinerja dua model prediksi, yaitu Gated Recurrent Unit (GRU) dan Support Vector Regression (SVR), dalam meramalkan harga emas jangka pendek berdasarkan data historis harian periode 2020–2025 sebanyak 1.345 data. Data diolah melalui proses normalisasi dan pembentukan data sekuensial dengan jendela waktu 60 hari. Kedua model dievaluasi menggunakan metrik regresi seperti RMSE, MAE, MSE, dan R². Hasil menunjukkan bahwa model GRU lebih unggul dibandingkan SVR dalam menangkap pola non-linear dan temporal pada data deret waktu, serta menghasilkan prediksi yang lebih akurat. Harga emas pada 7 Mei 2025 diperkirakan sebesar Rp1.736.978. Temuan ini menunjukkan bahwa model deep learning seperti GRU memiliki potensi besar dalam analisis data keuangan dan dapat memberikan kontribusi praktis bagi investor, peneliti, dan pembuat kebijakan. Penelitian selanjutnya disarankan untuk mengintegrasikan variabel makroekonomi dan pendekatan hybrid guna meningkatkan akurasi prediksi.
Co-Authors Ahmad Sabiqun Nawa Ajeng Puspa Wardani Akhmadah Maulidiyah Alfian Farrel A.L Amanda Nazhira F Ameta Novelia Br Karo Ana Safira Putri Anabela Maria Lucia Sinambela Angelina Jannet Pratiwi Arif, Farah Yusnaida Arindra Harris Abdillah Aviolla Terza Damaliana Bagaskara, Bregas Arya Choirul Miftakhul Anam Damaliana, Aviolla Terza Dwi Amalia Putri Fikri Dwilaksono Henni Endah Wahanani Henni Indah Wahanani James Arthur Siahaya Krisnawan Kristanaya, Mirechelin Maulidya Prastita Syah Melinda Putri Azzahra Mohammad Sufa Ammar Habibi Muhammad Rizki Alamsyah Muizzadin, Muizzadin Nabilah Selayanti Nuriah Yuliati Putri, Safira Rahmalia Ramadhan, Aqshal Ilham Ramadhanti, Amirah Rizky Ronggo Alit Santika, Reghina Ajeng Trimono Trimono Trimono Trimono, Trimono Trisnanda Marselina Ariyanto Yosi Dieta Pratama Yudhistira Rakha Zufar Abdullah Rabbani