Article Per Year (5 Year)
p-Index From 2021 - 2026
0.659
P-Index
This Author published in this journals
All Journal Decode: Jurnal Pendidikan Teknologi Informasi
Rini Arianty
Sistem Informasi Universitas Gunadarma
Computer Science & IT Control & Systems Engineering Education Languange, Linguistic, Communication & Media Other

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search

 1 
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.
Pembentukan Model Recurrent Neural Network dan Connectionist Temporal Classification Pada Pengenalan Kata Tulisan Tangan Offline Diana Tri Susetianingtias; Rini Arianty; Rodiah; Eka Patriya
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.v3i2.151

Abstract

Pengolahan informasi sebagai bentuk dari pengembangan teknologi yang semakin pesat adalah pengenalan tulisan tangan. Pengenalan tulisan tangan saat ini banyak diimplementasikan untuk melakukan identifikasi dokumen-dokumen penting berbentuk digital. Pengenalan tulisan tangan cetak dengan benar dan akurat dapat digunakan untuk menunjang kegiatan manusia baik dalam kegiatan sehari – hari, sekolah, maupun pekerjaan. Pada penelitian ini, peneliti akan melakukan pengenalan tulisan tangan cetak menggunakan Convolutional Neural Network pada perangkat mobile. Penelitian juga akan mengimplementasikan model CNN yang dihasilkan pada android dan mengidentifikasi tulisan tangan yang diambil secara langsung menggunakan kamera. Proses pelatihan menggunakan library tensorflow pada bahasa pemrograman python, dilakukan secara online. Model CNN berhasil dibentuk dengan jumlah 11 hidden layer, terdiri dari 5 lapisan konvolusi, 3 lapisan max pooling, 1 lapisan flatten, dan 2 lapisan fully connected. Model mengambil masukan berupa citra berukuran 28 x 28 piksel dan menghasilkan keluaran berupa pengenalan tulisan tangan cetak. Total parameter bobot yang dimiliki oleh model berjumlah 1.556.495 variabel. Model CNN yang sudah dilatih berhasil diimplementasikan dan dijalankan pada aplikasi android. Berdasarkan perhitungan Global Performance Metric, Aplikasi berhasil mengenali citra tulisan tangan 1 kata dengan akurasi 82,12%. Hasil penelitian diharapkan dapat mengenali tulisan tangan cetak dengan akurasi tinggi pada perangkat android.
Implementasi Algoritma Ratcliff/Obershelp pada Pendeteksian Similaritas Dokumen Maukar; Ety Sutanty; Rini Arianty; Esti Setiyaningsih
Decode: Jurnal Pendidikan Teknologi Informasi Vol. 4 No. 3: NOVEMBER 2024
Publisher : Program Studi Pendidikan Teknologi Infromasi UMK

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51454/decode.v4i3.643

Abstract

Plagiarism merupakan tindakan menjiplak karya orang lain dan mengakui sebagai hasil karya pribadinya. Pada penelitian ini melakukan pendeteksian similaritas dari dokumen dengan menghitung similaritas dokumen menggunakan algoritma Ratcliff/Obershelp. Tipe dokumen yang diuji adalah .pdf. Dokumen yang digunakan untuk perbandingan teks ini adalah dokumen yang berbahasa Indonesia. Tahapan preprocessing pada penelitian ini dilakukan dengan menghitung nilai similaritas yang terdiri dari case folding, tokenisasi, filtering, dan stemming. Setelah proses preprocessing maka tahap selanjutnya adalah dilakukan perhitungan menggunakan algoritma Ratcliff/Obershelp. Pada pengujian menggunakan 150 data dokumen yang akan dihitung nilai similaritasnya menggunakan algoritma Ratcliff/Obershelp menghasilkan nilai similaritas dokumen dengan tingkat kemiripan berdasarkan tiga kategori (tinggi, sedang dan rendah). Hasil deteksi similaritas pada penelitian ini diharapkan dapat membantu proses pengerjaan pendeteksian perbandingan dua buah dokumen dalam jumlah yang sangat banyak.
Co-Authors Andriansyah Latif Dina Kusuma Astuti Eka Patriya Esti Setiyaningsih Ety Sutanty Maukar Maukar Rodiah Rodiah Susetianingtias, Diana Tri