Article Per Year (5 Year)
p-Index From 2020 - 2025
0.751
P-Index
This Author published in this journals
All Journal Sainsbertek Jurnal Ilmiah Sains & Teknologi
Windra Swastika
Dosen Teknik Informatika, Fakultas Sains & Teknologi, Universitas Ma Chung
Arts Chemistry Computer Science & IT Decision Sciences, Operations Research & Management Engineering Industrial & Manufacturing Engineering Medicine & Pharmacology Public Health

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

 1 
PREDIKSI HARGA FOREIGN EXCHANGE MATA UANG EUR/USD DAN GBP/USD MENGGUNAKAN LONG SHORT-TERM MEMORY Angel Joanna Wijaya; Windra Swastika; Oesman Hendra Kelana
Sainsbertek Jurnal Ilmiah Sains & Teknologi Vol. 2 No. 1 (2021): September - Sainsbertek Jurnal Ilmiah Sains & Teknologi
Publisher : Fakultas Sains Dan Teknologi Universitas Ma Chung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33479/sb.v2i1.121

Abstract

Foreign exchange (Forex) adalah perdagangan pasangan mata uang dari harga mata uang suatu negara terhadap mata uang negara lainnya. Pada penelitian ini menggunakan metode Long Short-Term Memory (LSTM) untuk memprediksi harga close mata uang EUR/USD (Euro terhadap Dolar Amerika) dan GBP/USD (Pound Sterling terhadap Dolar Amerika) pada candle D1 (1 hari) dengan input harga open dan close. Hasil yang diperoleh model EUR/USD dengan 1 input mendapatkan nilai Mean Squared Error (MSE) terendah yaitu 0,0535 dengan model 1 layer LSTM 10 node dan menggunakan optimizer Nadam. Pada model 3 input mendapatkan nilai MSE terendah yaitu 0,0529 dengan model 1 layer LSTM 10 node dan menggunakan optimizer Nadam. Sedangkan, model 5 input mendapatkan nilai MSE terendah yaitu 0,0469 dengan model 1 layer LSTM 10 node dan menggunakan optimizer Nadam. Pada mata uang GBP/USD, model dengan 1 input mendapatkan nilai MSE terendah yaitu 0,0543 dengan model 1 layer LSTM 10 node dan menggunakan optimizer Nadam. Pada model 3 input mendapatkan nilai MSE terendah yaitu 0,0520 dengan model 1 layer LSTM 10 node dan menggunakan optimizer Adam. Sedangkan, model 5 input mendapatkan nilai MSE terendah yaitu 0,0631 dengan model 1 layer LSTM 10 node dan menggunakan optimizer Adam. Model dengan MSE terbaik yang digunakan pada website yang dibuat. Rekomendasi yang diberikan adalah pada mata uang EUR/USD menggunakan model 5 input dan mata uang GBP/USD menggunakan model 3 input. Hasil loss MSE, akurasi MSE, dan jumlah profit yang didapatkan semuanya adalah yang terbaik jika dibandingkan dengan model dengan jumlah input lainnya
IMPLEMENTASI TRANSFER LEARNING PADA CONVOLUTIONAL NEURAL NETWORK UNTUK DIAGNOSIS COVID-19 DAN PNEUMONIA PADA CITRA X-RAY Alexander Eric Wijaya; Windra Swastika; Oesman Hendra Kelana
Sainsbertek Jurnal Ilmiah Sains & Teknologi Vol. 2 No. 1 (2021): September - Sainsbertek Jurnal Ilmiah Sains & Teknologi
Publisher : Fakultas Sains Dan Teknologi Universitas Ma Chung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33479/sb.v2i1.125

Abstract

COVID-19 menjadi salah satu masalah yang besar bagi banyak negara di dunia sejak tahun 2020. COVID-19 dan Pneumonia memiliki kemiripan dalam hal gejala seperti batuk dan sesak napas. Upaya diagnosis COVID-19 dan Pneumonia dilakukan dengan pemeriksaan laboratorium dan juga rontgen dada. Citra hasil x-ray dada pasien COVID-19 memiliki kesamaan dengan hasil x-ray pasien Pneumonia tetapi ahli radiologi berhasil menemukan bahwa terdapat perbedaan antara citra x-ray dada penderita COVID-19 dengan citra x-ray dada pasien Pneumonia dimana terdapat pola seperti kaca yang ditumbuk pada hasil citra X-ray penderita virus Corona.Diagnosis pada citra x-ray dada pasien menggunakan model Deep Learning. Pada penelitian ini juga akan membandingkan performa model Xception menggunakan Transfer Learning dengan performa model Xception tanpa Transfer Learning. Terdapat 4 eksperimen konfigurasi pada model Xception tanpa Transfer yaitu konfigurasi pelatihan layer base model, pelatihan base model, pelatihan custom head model, dan pelatihan pada layer base model serta custom head model. Terdapat 2 eksperimen menggunakan model Resnet50 dan VGG16 tanpa Transfer Learning. Model Xception menggunakan Transfer Learning memiliki performa lebih baik daripada model Xception tanpa Transfer Learning. Keempat eksperimen model Xception tanpa Transfer Learning dan kedua eksperimen dengan model Resnet serta VGG16 memiliki akurasi diatas 85%. Namun keenam model tanpa Transfer Learning tersebut tidak mampu mengenali Pneumonia pada citra x-ray dada pasien.
ANALISIS SENTIMEN PADA ULASAN APLIKASI VIDEO CONFERENCE MENGGUNAKAN NAIVE BAYES Michael Suhendra; Windra Swastika; Mochamad Subianto
Sainsbertek Jurnal Ilmiah Sains & Teknologi Vol. 2 No. 1 (2021): September - Sainsbertek Jurnal Ilmiah Sains & Teknologi
Publisher : Fakultas Sains Dan Teknologi Universitas Ma Chung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33479/sb.v2i1.145

Abstract

Video conference merupakan aplikasi yang memungkinkan pengguna untuk berkomunikasi, melakukan rapat, belajar dan berbagi informasi. Hingga saat ini, sudah banyak aplikasi video conference yang digunakan, seperti Zoom, Google Meet, dan Microsoft Teams. Tentunya disetiap aplikasi terdapat ulasan mengenai aplikasi yang digunakan. Dengan adanya ulasan, maka pengguna lain dapat mempertimbangkan dan mengetahui lebih jauh terkait aplikasi yang digunakan. Namun karena jumlah ulasan di internet sangat banyak, maka diperlukan analisis sentimen untuk dapat mengklasifikasikan ke dalam sentimen positif, netral, atau negatif. Pada penelitian ini, sebanyak 400 data ulasan setiap aplikasi diambil dari Play Store. Data ulasan tersebut menggunakan Bahasa Indonesia dan diambil berdasarkan versi aplikasi terbaru. Sebelum digunakan, data perlu dilabeli dan dilakukan preprocessing terlebih dahulu untuk dapat melakukan klasifikasi sentimen. Proses pengerjaannya menggunakan pembobotan kata TF-IDF, klasifikasi Naïve Bayes, dan confusion matrix sebagai bahan evaluasi. Nantinya data ulasan dari ketiga aplikasi tersebut akan diproses secara terpisah. Dari hasil pengujian analisis sentimen menggunakan 100 data uji, didapatkan perbandingan jumlah sentimen positif antara kelas aktual (55 ulasan Zoom, 52 ulasan Google Meet, dan 47 ulasan Microsoft Teams) dengan kelas prediksi (90 ulasan, 76 ulasan, dan 71 ulasan). Selain itu, juga didapatkan nilai akurasi rata-rata dari ketiga aplikasi sebesar 69%.
PERANCANGAN APLIKASI BERBASIS WEB UNTUK PREDIKSI HARGA SAHAM DENGAN METODE LSTM Christofer Genta Kresnamurti Simatupang; Windra Swastika; Tarsisius Renald Suganda
Sainsbertek Jurnal Ilmiah Sains & Teknologi Vol. 3 No. 1 (2022): September - Sainsbertek Jurnal Ilmiah Sains & Teknologi
Publisher : Fakultas Sains Dan Teknologi Universitas Ma Chung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33479/sb.v3i1.212

Abstract

Dari data pada hari Bursa terakhir di bulan Maret 2022, jumlah investor di pasar modal meningkat mencapai 12.13% dari tahun sebelumnya dan jumlah investor reksa dana meningkat sebesar 13.12% dari tahun sebelumnya (PT Kustodian Sentral Efek Indonesia, 2022). Dengan meningkatnya investor dari tahun 2021 semakin beragam juga karakteristik investornya. Seperti dari jenis kelamin, investor laki-laki yang melakukan investasi sebanyak 62.89% sedangkan wanita adalah sisanya. Sehingga dilihat dari data yang dikumpulkan, masih banyak investor yang masih menduduki bangku SMA sehingga masih banyak pengetahuan yang belum mereka miliki mengenai saham dan akan berisiko saat melakukan investasi. Pada penelitian yang dilakukan oleh Nurjaman, Hasim, dan Zakin pada tahun 2021 mendapat nilai RMSE sebesar 0.9366032757092849 pada prediksi harga saham Pfizer Inc menggunakan LSTM. Penelitian yang dilakukan oleh Wijaksana dalam memprediksi harga saham pada PT. Telkom Indonesia mendapatkan hasil nilai MSE sebesar 0,045 dan RMSE sebesar 0,0212 untuk train score dan MSE sebesar 0,027 dan RMSE sebesar 0,165 untuk test score. Pada perancangan aplikasi ini hanya akan menggunakan dataset pada saham indeks LQ45 dengan data historis selama 5 tahun dan hanya menggunakan 15 emiten. Arsitektur LSTM yang digunakan 2 layer LSTM dengan 10 units dan menggunakan 100 dan 200 epoch dengan optimizer yang digunakan Adam dan Nadam. Aplikasi akan berbasis web dengan menggunakan framework Flask pada Python. Pengujian sistem dilakukan dengan menghitung MSE yang didapat dan juga MAPE dan trend LSTM pada model masing-masing emiten. Hasil pengujian yang didapat, dapat disimpulkan jika aplikasi berbasis website ini dapat memprediksi harga saham indeks LQ45.
Co-Authors Alexander Eric Wijaya Angel Joanna Wijaya Christofer Genta Kresnamurti Simatupang Michael Suhendra Mochamad Subianto Oesman Hendra Kelana Tarsisius Renald Suganda