Article Per Year (5 Year)
p-Index From 2021 - 2026
3.706
P-Index
This Author published in this journals
All Journal Dharmakarya : Jurnal Aplikasi Ipteks Untuk Masyarakat Desimal: Jurnal Matematika JTAM (Jurnal Teori dan Aplikasi Matematika) Jambura Journal of Mathematics Mandalika Mathematics and Educations Journal Jurnal Lebesgue : Jurnal Ilmiah Pendidikan Matematika, Matematika dan Statistika SisInfo : Jurnal Sistem Informasi dan Informatika Jurnal Matematika Integratif In Search (Informatic, Science, Entrepreneur, Applied Art, Research, Humanism)
Firdaniza Firdaniza
Departemen Matematika, Fakultas Matematika Dan Ilmu Pengetahuan Alam, Universitas Padjadjaran
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 Languange, Linguistic, Communication & Media Mathematics Mechanical Engineering Public Health Social Sciences Transportation Other

Published : 26 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 26 Documents
Search

 1   2   3 
Ekstraksi Fitur Berdasarkan Fuzzy Restricted Boltzmann Machine Pada Klasifikasi Fashion-MNIST Dengan Dan Tanpa Noise Muhammad Ribhan Hadiyan; Firdaniza Firdaniza; Herlina Napitupulu
SisInfo Vol 6 No 2 (2024): SisInfo
Publisher : Universitas Informatika dan Bisnis Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37278/sisinfo.v6i2.876

Abstract

Mixed accelerated learning method based on a Fuzzy Restricted Boltzmann Machine merupakan metode ekstraksi fitur pada gambar yang relatif baru dan belum banyak diimplementasikan. MAFRBM memiliki kelebihan dalam melakukan ekstraksi fitur pada gambar yang memiliki noise. Pada umumnya keberadaan noise pada gambar dapat mempengaruhi hasil ekstraksi fitur secara signifikan. Pada penelitian ini dilakukan ekstraksi fitur menggunakan MAFRBM pada dataset Fashion-MNIST dengan dan tanpa penambahan noise. Jenis noise yang ditambahkan pada gambar yaitu gaussian, salt & pepper, dan poisson. Hasil ekstraksi fitur MAFRBM kemudian diklasifikasikan menggunakan Support Vector Machine (SVM). Hasil klasifikasi yang diperoleh menunjukkan akurasi tertinggi sebesar 88,2%. Selain itu, perbandingan hasil akurasi dari klasifikasi fashion-MNIST dengan noise tidak berbeda jauh dengan gambar tanpa noise.
PENDAMPINGAN USAHA KECIL DALAM PENGGUNAAN MEDIA SOSIAL UNTUK PENINGKATAN PROFIT DAN PRODUKTIVITAS USAHA Chaerani, Diah; Perdana, Tomy; Rusyaman, Endang; Gusriani, Nurul; Firdaniza, Firdaniza; Balqis, Viona P; Irmansyah, Athaya Zahrani; Muslihin, Khoirunnisa R A; Ghiffari, Alif Muhamad
DHARMAKARYA: Jurnal Aplikasi Ipteks untuk Masyarakat Vol 12, No 3 (2023): September, 2023
Publisher : Universitas Padjadjaran

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.24198/dharmakarya.v12i3.43472

Abstract

Masalah utama yang diselesaikan dalam PPM Internal Unpad 2022 ini adalah bagaimana memberikan pendampingan pada usaha kecil yang ada di masyarakat untuk dapat membuka usaha secara online dan menggunakan internet atau smartphone  melalui media social sebagai upaya peningkatan manajemen usaha pada unit usaha yang telah berjalan, khususnya pada masa pandemi Covid-19 ini.  Dasar pemikiran merujuk pada kondisi bahwa media sosial telah berevolusi untuk menjadi alternatif cara berkomunikasi dan berbagi informasi serta ketertarikan. Indonesia merupakan negara keempat dengan jumlah pengguna internet terbesar. Pertumbuhan pesat dari sosial media beserta jaringannya terutama di negara-negara berkembang membuka lahan baru untuk adanya kontak antara produsen dan konsumen.Kontak antara produsen dan konsumen inilah yang biasanya dikenal dengan kegiatan berbelanja secara online. Keterkaitan antara penggunaan sosial media dengan kegiatan online shopping sangat erat.Untuk menganalisis data media sosial diperlukan pengetahuan yang dalam mengenai teknologi Internet, media sosial, basis data, struktur data, teori informasi, penambangan data, pembelajaran mesin, sampai kepada teknik visualisasi data dan informasi. Analisis media sosial bertujuan untuk pengembangan dan evaluasi informasi serta mengumpulkan, mengevaluasi, menganalisis, menyimpulkan, dan memvisualisasikan data dari media sosial. Analisis media sosial adalah proses untuk melihat, analisis, mengukur, dan prediksi interaksi digital, relasi, topik, ide-ide atau konten pada media sosial. Selanjutnya dalam rangka mendukung perkembangan perekonomian bangsa, diharapkan pendampingan ini dapat membantu para pelaku usaha kecil dalam bersosial media dalam hal peningkatan profit dan produktivas usaha. Lokasi PPM dipilih Desa Jatimukti yang terletak sekitar 5 KM dari Kampus Unpad Jatinangor.
PERAMALAN HARGA SAHAM PT UNILEVER INDONESIA MENGGUNAKAN FUZZY TIME SERIES MARKOV CHAIN ABSOLUTE DIFFERENCES K-MEANS CLUSTERING DAN FUZZY TIME SERIES MARKOV CHAIN TREE PARTITION METHOD Rafi', Muhammad Thufeil; Firdaniza, Firdaniza; Parmikanti, Kankan
Jurnal Lebesgue : Jurnal Ilmiah Pendidikan Matematika, Matematika dan Statistika Vol. 5 No. 3 (2024): Jurnal Lebesgue : Jurnal Ilmiah Pendidikan Matematika, Matematika dan Statistik
Publisher : LPPM Universitas Bina Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.46306/lb.v5i3.766

Abstract

Stocks are an investment instrument that is in high demand and can provide large profits for investors, especially stocks from large and popular companies, such as PT Unilever Indonesia. However, the boycott action causes its share price to tend to decline and makes it difficult for investors to make investment decisions. In this research, the development of the Fuzzy Time Series Markov Chain (FTSMC) method, namely Fuzzy Time Series Markov Chain Absolute Differences K-Means Clustering (FTSMC-ADKC) and Fuzzy Time Series Markov Chain Tree Partition Method (FTSMC-TPM) is used in forecasting the stock price of PT Unilever Indonesia. Both methods have a good ability to forecast volatile time series data and do not require data distribution assumptions such as classical forecasting methods. Furthermore, the accuracy of the two methods is compared through the Mean Absolute Percentage Error (MAPE) value, resulting in FTSMC-ADKC being more accurate with a MAPE of 0.71% compared to FTSMC-TPM with a MAPE of 1.21%. By using FTSMC-ADKC, the closing price of PT Unilever Indonesia shares on March 27, 2024 is estimated to be Rp2724.46, which has decreased from the previous day.
Penerapan Model Fuzzy Grey Markov (2,1) Dalam Meramalkan Harga Emas di Indonesia Soraya, Arthamevia Najwa; Firdaniza, Firdaniza; Parmikanti, Kankan
In Search (Informatic, Science, Entrepreneur, Applied Art, Research, Humanism) Vol 23 No 2 (2024): In Search
Publisher : LPPM UNIBI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37278/insearch.v23i2.878

Abstract

Investasi emas saat ini dianggap sebagai hal yang menjanjikan meskipun harga emas yang terus berubah. Hal ini menjadi tantangan bagi para investor untuk memperoleh keuntungan yang optimal, sehingga diperlukan metode peramalan yang tepat untuk meramalkan harga emas di Indonesia. Pada penelitian ini, digunakan pendekatan baru yang belum pernah digunakan, yaitu Model Fuzzy Grey Markov (2,1) (MFGM(2,1)). Metode ini merupakan metode gabungan yang memanfaatkan logika fuzzy untuk menangani ketidakpastian dalam data, model Grey untuk membentuk model peramalan, dan rantai Markov untuk menentukan matriks peluang transisi keadaan. Pendekatan MFGM(2,1) menarik untuk dikaji karena dapat dipertimbangkan dalam peramalan data yang menunjukkan peningkatan dan penurunan bervariasi, seperti data harga emas yang digunakan dalam penelitian ini. Selanjutnya, tingkat akurasi metode tersebut dihitung berdasarkan nilai Mean Absolute Percentage Error (MAPE), dan diperoleh hasil peramalan yang sangat akurat dengan nilai MAPE sebesar 4.32%.
Analisis Regresi TELBS Untuk Menentukan Pengaruh Lahan Kopi Terhadap Produksi Kopi di Indonesia Tahun 2023 Menggunakan Bahasa Pemrograman Python Ramdhani, Muhammad Dhafin Qinthar; Gusriani, Nurul; Firdaniza, Firdaniza
In Search (Informatic, Science, Entrepreneur, Applied Art, Research, Humanism) Vol 23 No 2 (2024): In Search
Publisher : LPPM UNIBI

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37278/insearch.v23i2.889

Abstract

Indonesia, as one of the world's largest coffee producers, is renowned for its diverse range of high-quality coffees such as Arabica, Robusta, and Liberica. Coffee production is influenced by various factors, including the extent of plantation land. Coffee production data may contain outliers due to factors like weather changes, pest attacks, inconsistent farming practices, or recording errors. These challenges can be addressed using robust regression methods, with one such estimation being Tabatabai Eby Li Bae Singh (TELBS) estimation. TELBS estimates model parameters by minimizing an objective function. In this study, a TELBS estimation model was applied to Indonesian coffee production data in 2023, with the dependent variable being coffee production quantity and the independent variable being plantation land area. Parameter testing using t-tests indicated that plantation land area significantly influences coffee production in that year at a significance level of 0.05. The TELBS estimation model yielded a coefficient of determination of 96.51%, demonstrating its capability to explain a substantial portion of the data's variance.
Penerapan Rantai Markov Terboboti Untuk Memprediksi Tingkat Inflasi Di Indonesia Diansyah D. Darmawan; Firdaniza Firdaniza; Kankan Parmikanti
SisInfo Vol 2 No 1 (2020): SisInfo
Publisher : Universitas Informatika dan Bisnis Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (513.053 KB)

Abstract

Inflasi diartikan sebagai kenaikan harga barang dan jasa secara umum dan terus-menerus. Inflasi yang terus meningkat atau tidak terkendali dapat berdampak buruk terhadap perekonomian suatu negara, sehingga penentuan kebijakan moneter untuk mengendalikan tingkat inflasi agar tetap rendah harus dilakukan dengan tepat. Namun, kebijakan moneter tidak akan berdampak secara langsung terhadap perekonomian suatu negara, oleh karena itu tingkat inflasi untuk masa yang akan datang perlu diketahui agar dapat membantu lembaga keuangan dalam penentuan kebijakan moneter. Pada penelitian ini rantai Markov terboboti digunakan untuk memprediksi keadaan inflasi di Indonesia untuk enam bulan ke depan dengan penentuan prediksi tingkat inflasinya berdasarkan nilai karakteristik keadaan. Hasil prediksi pada penelitian ini menghasilkan nilai MAPE sebesar 4,48% artinya prediksi tingkat inflasi di Indonesia dengan menggunakan rantai Markov terboboti dapat dikatakan memiliki akurasi yang sangat baik.
Peramalan Data Univariat Menggunakan Metode Long Short Term Memory Helma Syifa Izzadiana; Herlina Napitupulu; Firdaniza Firdaniza
SisInfo Vol 5 No 2 (2023): SisInfo
Publisher : Universitas Informatika dan Bisnis Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37278/sisinfo.v5i2.669

Abstract

Peramalan data univariat mengacu pada kegiatan meramalkan nilai pada data dengan satu variabel independen yang mungkin muncul di masa depan berdasarkan nilai-nilai yang ada di masa lalu. Penelitian ini bertujuan untuk memperoleh model yang dibangun menggunakan pendekatan deep learning jenis supervised learning yaitu metode Long Short Term Memory (LSTM) yang diterapkan pada data univariat. Metode LSTM merupakan pengembangan dari metode Recurrent Neural Network (RNN) dengan menambahkan 3 gate yang mampu memilih informasi yang dibutuhkan untuk pelatihan sel sehingga mampu mengurangi kemungkinan exploding gradients dan vanishing gradients. Model dibangun dengan input layer LSTM dengan unit sel dan output dense layer dengan tambahan hyperparameter tuning yang diset menggunakan optimizer, fungsi aktivasi dan , dan nilai epoch. Performa model peramalan diuji menggunakan mean absolute percentage error (MAPE).
Analisis Sentimen Menggunakan Metode Klasifikasi Support Vector Machine (SVM) dan Seleksi Fitur Chi-Square Ewen Hokijuliandy; Herlina Napitupulu; Firdaniza Firdaniza
SisInfo Vol 5 No 2 (2023): SisInfo
Publisher : Universitas Informatika dan Bisnis Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37278/sisinfo.v5i2.670

Abstract

Analisis sentimen adalah teknik komputasi untuk mengidentifikasi opini, sikap, emosi, dan maksud seseorang terhadap suatu subjek melalui ulasan yang diberikan. Studi sebelumnya menunjukkan teknik analisis sentimen menggunakan machine learning, seperti metode klasifikasi Support Vector Machine (SVM) telah terbukti efektif dalam mengklasifikasi opini. Penerapan metode seleksi fitur dapat meningkatkan performa model dan efisiensi model. Salah satu metode yang sering digunakan untuk seleksi fitur adalah metode Chi-Square. Penelitian ini bertujuan untuk memperoleh model SVM dari data teks yang telah melewati tahap seleksi fitur Chi-Square. Analisis sentimen dilakukan dengan kerangka kerja yang terdiri dari text preprocessing, representasi kata Term Frequency Inverse Document Frequency (TF-IDF), seleksi fitur Chi-Square, klasifikasi menggunakan metode SVM, evaluasi performa model, dan hyperparameter tuning.
Model Gerak Brown Fraksional Geometrik dalam Peramalan Harga Saham PT Indofood Sukses Makmur Tbk Menggunakan Pemrograman Python Nurhadini Putri; Firdaniza Firdaniza; Nurul Gusriani
SisInfo Vol 6 No 1 (2024): SisInfo
Publisher : Universitas Informatika dan Bisnis Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37278/sisinfo.v6i1.798

Abstract

Peramalan harga saham yang tepat diperlukan oleh para investor. Beberapa metode dapat dilakukan dalam peramalan harga saham, seperti model trend, Autoregressive Integrated Moving Average, Double Moving Average, dan Exponential Smoothing. Selain itu, terdapat pula model yang lebih kompleks, seperti model Gerak Brown Geometrik (GBG) dan model Gerak Brown Fraksional Geometrik (GBFG). Model GBG dan GBFG memiliki beberapa keunggulan, diantaranya dapat meramalkan harga saham dengan periode waktu pendek, kesesuaian model dengan pergerakan harga saham yang selalu bernilai positif dan tidak memerlukan banyak pengujian data. Selain itu, model GBFG juga dapat mengatasi masalah data aktual saham yang sebagian besar tidak saling bebas. Penelitian ini bertujuan melakukan peramalan harga saham PT Indofood Sukses Makmur Tbk (INDF) mengunakan model Gerak Brown Fraksional Geometrik (GBFG). Indeks Hurst pada model GBFG diestimasi menggunakan Rescaled Range (R/S) dengan bantuan pemrograman Python. Hasil dari peramalan pergerakan harga saham PT Indofood Sukses Makmur Tbk (INDF) menggunakan model GBFG memberikan nilai yang sangat akurat berdasarkan nilai MAPE.
Comparison of Fuzzy Grey Markov Model (1,1) and Fuzzy Grey Markov Model (2,1) in Forecasting Gold Prices in Indonesia Soraya, Arthamevia Najwa; Firdaniza, Firdaniza; Parmikanti, Kankan
Jambura Journal of Mathematics Vol 6, No 2: August 2024
Publisher : Department of Mathematics, Universitas Negeri Gorontalo

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37905/jjom.v6i2.26679

Abstract

Currently, gold investment is considered promising despite the ever-changing price of gold. However, obtaining optimal profits is a challenge for investors. Therefore, a proper forecasting method is needed to forecast the gold price so investors can know the best transaction time. This study used two forecasting methods: the Fuzzy Grey Markov Model (1,1) and a new, never-before-used approach, the Fuzzy Grey Markov Model (2,1). The Fuzzy Grey Markov Model (2,1) approach is interesting because it can be considered for forecast data that shows varying increases and decreases, such as the gold price data used in this study. Both methods are combined models that utilize fuzzy logic to handle uncertainty in data; the Grey model forms a forecasting model, and the Markov chain determines the state transition probability matrix. Next, the error rates of the two methods are compared based on the Mean Absolute Percentage Error (MAPE) value to obtain the best forecasting method. As a result of this study, the Fuzzy Grey Markov Model (1,1) was chosen as the best forecasting method with a MAPE value of 0.28%.
Co-Authors Albert Raja Harungguan Andriani, Mega Novia Aurillya Queency Azzahra, Rediva Balqis, Viona P Betty Subartini Dhea Amelia Diah Chaerani Diansyah D. Darmawan Dwi Susanti Susanti Edi Kurniadi Endang Rusyaman Ewen Hokijuliandy Fatimathuzahra, Alfia Azizah Ghiffari, Alif Muhamad Helma Syifa Izzadiana Herlina Napitupulu Iin Irianingsih Irmansyah, Athaya Zahrani Jondri Jondri Kankan Parmikanti Kusuma, Dianne Amor Mega Novia Andriani Muhammad Ribhan Hadiyan Muslihin, Khoirunnisa R A Natalia Syafitri Kustanto Nurhadini Putri Nurul Gusriani Nurul Gusriani Nurul Gusriani, Nurul Pratiwi, Dian Meilin Pratiwi, Putri Nisa Queency, Aurillya Rafi', Muhammad Thufeil Rahmayanti Putri Desiresta Ramdhani, Muhammad Dhafin Qinthar Rediva Azzahra Renata Philipa Plate Risdawati Risdawati Soraya, Arthamevia Najwa Tomy Perdana