Article Per Year (5 Year)
p-Index From 2021 - 2026
1.665
P-Index
This Author published in this journals
All Journal Masyarakat Telematika Dan Informasi : Jurnal Penelitian Teknologi Informasi dan Komunikasi KACANEGARA Jurnal Pengabdian pada Masyarakat Building of Informatics, Technology and Science JIKA (Jurnal Informatika) Community Development Journal: Jurnal Pengabdian Masyarakat Abditeknika - Jurnal Pengabdian Kepada Masyarakat Digital Transformation Technology (Digitech) DIPANEGARA KOMPUTER SISTEM INFORMASI (DIPAKOMSI)
Ahyuna Ahyuna, Ahyuna
Unknown Affiliation
Humanities Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Health Professions Languange, Linguistic, Communication & Media Library & Information Science Mathematics Public Health Social Sciences

Published : 11 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search
Journal : Digital Transformation Technology (Digitech)

 1 
Time Series Forecasting Menggunakan Deep Gated Recurrent Units Arwansyah, Arwansyah; Suryani, Suryani; SY, Hasyrif; Usman, Usman; Ahyuna, Ahyuna; Samsu Alam
Digital Transformation Technology Vol. 4 No. 1 (2024): Periode Maret 2024
Publisher : Information Technology and Science(ITScience)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/digitech.v4i1.4141

Abstract

Time series forecasting memiliki aplikasi yang luas dalam berbagai bidang seperti keuangan, ekonomi, meteorologi, dan pengelolaan rantai pasokan. Penelitian ini bertujuan untuk mengevaluasi kinerja model Gated Recurrent Unit (GRU) yang mendalam dalam konteks prediksi data time series. Akurasi prediksi time series sangat penting untuk pengambilan keputusan yang lebih baik dan efisien. GRU diperkenalkan sebagai varian Recurrent Neural Networks (RNN) yang lebih efisien dan efektif dalam menangani data time series. RNN sering digunakan untuk tugas ini, namun memiliki kelemahan dalam mempelajari ketergantungan jangka panjang akibat masalah vanishing gradient. Penelitian ini mengusulkan penggunaan model GRU mendalam untuk meningkatkan akurasi prediksi data time series. Arsitektur model yang diusulkan terdiri dari tiga lapisan GRU dengan 64 unit masing-masing, diikuti oleh satu lapisan output dense. Dataset yang digunakan dalam penelitian ini adalah dataset time series yang terdiri dari AQI, Weather, Exchange Rate, dan ETT. Model dilatih menggunakan optimizer Adam dan loss function mean squared error, dengan jumlah epoch sebanyak 100 dan batch size 32. Data dibagi menjadi set training dan testing dengan rasio 80:20. Kinerja model dievaluasi menggunakan metrik Mean Absolute Error (MAE) dan Root Mean Squared Error (RMSE). Hasil eksperimen menunjukkan bahwa model GRU mendalam menghasilkan prediksi yang lebih akurat dibandingkan dengan model ARIMA, RNN, dan LSTM. Model GRU mendalam menunjukkan kemampuan yang lebih baik dalam mempelajari ketergantungan jangka panjang dalam data time series, sehingga meningkatkan akurasi prediksi. Hasil penelitian ini memberikan kontribusi signifikan dalam bidang time series forecasting dan dapat menjadi alternatif yang lebih efektif dibandingkan model tradisional dan model machine learning lainnya.
Analisis Pengaruh Supply Terhadap Harga Cryptocurrency di Market Indodax dan Binance Menggunakan Metode Korelasi Spearman Suryani, Suryani; Herlinda, Herlinda; Ahyuna, Ahyuna; Baharuddin Rahman; Hasriani, Hasriani; Joseph Tumiwa
Digital Transformation Technology Vol. 3 No. 2 (2023): Artikel Periode September 2023
Publisher : Information Technology and Science(ITScience)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/digitech.v3i2.3500

Abstract

Cryptocurrency merupakan sebuah inovasi teknologi yang sangat canggih untuk zaman modern saat ini yang dibangun di atas sistem On-Chain. Di tengah maraknya cryptocurrency di era modern ini, banyak orang yang akhirnya terjun untuk mencoba cryptocurrency dengan tujuan mendapatkan uang. Hal tersbut didukung dengan adanya market yang menyediakan jual-beli crypto. Dalam sebuah transaksi jual-beli crypto, ada yang namanya supply, oleh karena itu kita perlu mengetahui hubungan antara supply terhadap harga crypto di market lokal maupun luar seperti market Indodax dan Binance. Sebagai upaya untuk memberikan insight lebih terhadap sistem transaksi yang ada di beberapa market jual beli crypto atas apa yang mempengaruhi pergerakan harga crypto tersebut di market. Dalam Penelitian ini, Penulis menggunakan metode Korelasi Spearman untuk mengetahui seberapa besar hubungan antara supply terhadap harga cryptocurrency di market Indodax dan Binance. Berdasarkan hasil dari penelitian komparasi harga yang terus naik maupun turun secara real time, supply memiliki peran yang sangat penting dalam pergerakan harga dari cryptocurrency baik dari segi Inflow maupun Outflow yang terjadi pada saat ada kegiatan transaksi dalam market. Dengan mengetahui hubungan antara supply dan harga, dapat memberi pemahamam tentang bagaimana harga cryptocurrency bergerak di market sehingga memungkinkan kita menentukan timing yang optimal dan tepat untuk melakukan pembelian dan penjualan di market Indodax dan Binance.
Time Series Forecasting Menggunakan Deep Gated Recurrent Units Arwansyah, Arwansyah; Suryani, Suryani; SY, Hasyrif; Usman, Usman; Ahyuna, Ahyuna; Samsu Alam
Digital Transformation Technology Vol. 4 No. 1 (2024): Periode Maret 2024
Publisher : Information Technology and Science(ITScience)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/digitech.v4i1.4141

Abstract

Time series forecasting memiliki aplikasi yang luas dalam berbagai bidang seperti keuangan, ekonomi, meteorologi, dan pengelolaan rantai pasokan. Penelitian ini bertujuan untuk mengevaluasi kinerja model Gated Recurrent Unit (GRU) yang mendalam dalam konteks prediksi data time series. Akurasi prediksi time series sangat penting untuk pengambilan keputusan yang lebih baik dan efisien. GRU diperkenalkan sebagai varian Recurrent Neural Networks (RNN) yang lebih efisien dan efektif dalam menangani data time series. RNN sering digunakan untuk tugas ini, namun memiliki kelemahan dalam mempelajari ketergantungan jangka panjang akibat masalah vanishing gradient. Penelitian ini mengusulkan penggunaan model GRU mendalam untuk meningkatkan akurasi prediksi data time series. Arsitektur model yang diusulkan terdiri dari tiga lapisan GRU dengan 64 unit masing-masing, diikuti oleh satu lapisan output dense. Dataset yang digunakan dalam penelitian ini adalah dataset time series yang terdiri dari AQI, Weather, Exchange Rate, dan ETT. Model dilatih menggunakan optimizer Adam dan loss function mean squared error, dengan jumlah epoch sebanyak 100 dan batch size 32. Data dibagi menjadi set training dan testing dengan rasio 80:20. Kinerja model dievaluasi menggunakan metrik Mean Absolute Error (MAE) dan Root Mean Squared Error (RMSE). Hasil eksperimen menunjukkan bahwa model GRU mendalam menghasilkan prediksi yang lebih akurat dibandingkan dengan model ARIMA, RNN, dan LSTM. Model GRU mendalam menunjukkan kemampuan yang lebih baik dalam mempelajari ketergantungan jangka panjang dalam data time series, sehingga meningkatkan akurasi prediksi. Hasil penelitian ini memberikan kontribusi signifikan dalam bidang time series forecasting dan dapat menjadi alternatif yang lebih efektif dibandingkan model tradisional dan model machine learning lainnya.
Co-Authors Abdul Karim Aini Nurul Akhriana, Asmah Andi Asvin Mahersatillah Suradi Andi Irmayana Arifin, Arham Arifin, Suci Ramadhani Arwansyah Arwansyah Baharuddin Rahman Djafar, Imran Erfan Hasmin Faizal Faizal, Faizal Fifto Nugroho Hasriani Hasriani, Hasriani Hasyrif SY Heriadi, Herman Herlinda Herlinda, Herlinda I Wayan Sugianta Nirawana Irmawati Irmawati Johanis M, Andrew Ridow Joseph Tumiwa Jufri Jufri Khaddafi, Muh. Layuk, Novita Sambo Madyana Patasik Magfirah, Magfirah Manduli, Piana Metoli, Milanda MUHAMMAD RIZAL Nurdiansah, Nurdiansah Piu, Sri Wahyuningsi Piu, Sri Wahyuningsih Rahman, Ben Rismayani Rismayani Samsu Alam Santi Santi Sitti Aisa, Sitti Suryani Suryani Syam, Asrul Syamsudddin, Sadly Tengku Riza Zarzani N Usman Usman