Article Per Year (5 Year)
p-Index From 2021 - 2026
2.177
P-Index
This Author published in this journals
All Journal Jurnal Psikologi Jurnal Review Pendidikan dan Pengajaran (JRPP) Metta : Jurnal Ilmu Multidisiplin Decode: Jurnal Pendidikan Teknologi Informasi Tridharmadimas: Jurnal Pengabdian Kepada Masyarakat Jayakarta Jurnal Pengabdian Masyarakat Ekonomi, Manajemen dan Akuntansi (JPMEMA) Indonesian Research Journal on Education Arjwa: Jurnal Psikologi Jurnal Kesehatan dan Kedokteran
Dina Kusuma Astuti
Universitas Gunadarma
Religion Agriculture, Biological Sciences & Forestry Arts Humanities Astronomy Chemistry Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Earth & Planetary Sciences Economics, Econometrics & Finance Education Electrical & Electronics Engineering Energy Engineering Environmental Science Health Professions Immunology & microbiology Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Library & Information Science Materials Science & Nanotechnology Mathematics Nursing Physics Public Health Social Sciences Other

Published : 13 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 13 Documents
Search

 1   2 
Optimasi Model Support Vector Machine (SVM) Menggunakan GridSearchCV untuk Prediksi Harga Penutupan Saham PT Aneka Tambang Tbk (ANTAM) Andriansyah Latif; Dina Kusuma Astuti; Rini Arianty
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 5 No. 3: NOVEMBER 2025
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v5i3.1416

Abstract

Pasar modal merupakan salah satu instrumen penting dalam perekonomian, di mana fluktuasi harga saham dapat memengaruhi keputusan investasi. PT Aneka Tambang Tbk (ANTAM) merupakan salah satu emiten di Bursa Efek Indonesia dengan tingkat volatilitas harga yang cukup tinggi sehingga diperlukan model prediksi yang akurat. Penelitian ini bertujuan untuk membangun model prediksi harga penutupan saham ANTAM tahun 2024 menggunakan algoritma Support Vector Machine (SVM). Data historis saham diolah melalui tahap pra-pemrosesan, meliputi penanganan missing value dan normalisasi, kemudian dilakukan pelatihan model dengan tiga rasio pembagian data. Evaluasi model dilakukan menggunakan metrik RMSE, MSE, dan R2 Score. Hasil penelitian menunjukkan bahwa model SVM mampu memberikan prediksi dengan tingkat akurasi yang sangat tinggi, ditunjukkan oleh nilai RMSE yang rendah (0.024–0.029) dan R2 Score mendekati 1 (0.9938–0.9953). Performa terbaik diperoleh pada rasio pembagian data 7:3 dengan MSE terkecil 0.0006 dan R2 Score tertinggi 0.9953. Dengan demikian, penelitian ini membuktikan bahwa algoritma SVM dapat menjadi metode yang andal dalam memprediksi harga penutupan saham ANTAM serta berpotensi memberikan kontribusi praktis bagi investor dalam meminimalisasi risiko dan meningkatkan keuntungan investasi.
Kombinasi Case-Based Reasoning dan Rule-Based Reasoning Pada Sistem Pakar Deteksi Awal Covid-19: Combination of Case-Based Reasoning and Rule-Based Reasoning in Expert Systems For Early Detection of Covid-19 Maukar; Ety Sutanty; Dina Kusuma Astuti
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 3 No. 1: MARET 2023
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v3i1.138

Abstract

Deteksi terhadap Covid-19 merupakan tahapan penting dalam mengenali secara dini pasien terduga Covid-19 sehingga dapat dilakukan langkah preventif. Gejala umum yang ditimbulkan penyakit Covid-19 memiliki gejala yang hampir sama dengan beberapa penyakit lainnya. Penelitian ini membentuk Sistem Pakar untuk deteksi awal Covid-19 dengan mengkombinasikan metode Case Based Reasoning dan Rule Based Reasoning dalam bentuk Website. Website Sistem Pakar pada penelitian ini akan menghitung kemungkinan user yang mengalami Covid-19 berdasarkan nilai atau bobot dari gejala yang dipilih user dengan mencari kesamaan dari gejala yang telah dialami pasien Covid-19 sebelumnya. Gejala Covid-19 yang digunakan dalam penelitian ini didapat dari dataset Kemunculan Gejala Covid-19 bersumber dari Kaggle Dataset. Masukan berupa gejala pasien yang telah terjadi sebelumnya digunakan dalam membentuk aturan yang telah diberikan bobot melalui proses wawancara seorang pakar. Penelitian ini menggunakan 14 variabel gejala  dengan metode hybrid case based dimana kesamaan gejala akan dihitung menggunakan cosine similarity. Hasil Penelitian diharapkan dapat membantu masyarakat dalam melakukan diagnosis mandiri dan tim medis untuk melakukan diagnosis awal kepada pasien sebagai langkah awal penanganan Covid-19.
Penerapan Model Arsitektur VGG16 Untuk Klasifikasi Jenis Sampah Ety Sutanty; Maukar; Dina Kusuma Astuti; Handayani
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 3 No. 2: SEPTEMBER 2023
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v3i2.331

Abstract

Data dari Kementerian Lingkungan Hidup dan Kehutanan melalui Sistem Informasi Pengelolaan Sampah Nasional menunjukkan peningkatan jumlah tumpukan sampah hampir 30 Ton pada 2021 dengan sumber sampah terbanyak berasal dari produksi sampah rumah tangga dan kegiatan industri. Cara menyelesaikan masalah pengolahan sampah adalah melalui kegiatan pengolahan sampah yang lebih efektif, salah satunya dengan melakukan klasifikasi jenis sampah menggunakan Convolutional Neural Network (CNN). Pada penelitian ini, dilakukan klasifikasi jenis sampah berdasarkan citra sampah dengan metode CNN menggunakan arsitektur VGG-16 menggunakan dataset Garbage Classification dari situs Kaggle. Arsitektur VGG-16 pada penelitian ini menggunakan 16 lapisan layer yang terdiri atas 13 lapisan layer konvolusi dan 3 lapisan fully-connected. Pelatihan model menggunakan library tensorflow dengan rasio split data 7:1.5:1.5 untuk data latih, data test dan data validasi. Model CNN arsitektur VGG-16 sebagai metode transfer learning dimodifikasi dengan penambahan beberapa lapisan diantaranya pooling layer dengan GlobalAveragePooling2D, dense layer dengan aktivasi ReLU, dan dense layer dengan aktivasi softmax sebagai lapisan full connected layer. Hasil dari pelatihan mendapatkan nilai accuracy sebesar 82.89% dan nilai val_accuracy sebesar 84.62%. Hasil penelitian ini diharapkan dapat membantu pemerintah dalam melakukan pengolahan sampah dalam bentuk yang lebih stabil dan tidak mencemari lingkungan serta mengurangi jumlah sampah yang harus ditimbun.
Co-Authors Ade Irma Suryani Afrilya, Zeni Almira Kusumaningrum Andriansyah Latif Asyavira Y. Purnama Avavidya, Ananda Bella Zanuba Ety Sutanty Hally Weliangan Handayani Intaglia Harsanti Klara Innata Arishanti M.M. Nilam Widyarini Maukar Maukar Nurul Huda Nurul Huda Rini Arianty