Claim Missing Document
Check
Articles

Found 3 Documents
Search

Perbandingan Prediksi Saham BTPN Dengan BBRI Menggunakan LSTM(Long Short Term-Memory) Handika, Bayu Dwi; Sugianto, Sugianto
SUBMIT: Jurnal Ilmiah Teknologi Infomasi dan Sains Vol. 4 No. 2 (2024): Desember 2024
Publisher : Program Studi Teknik Informatika, Universitas Islam Majapahit Mojokerto, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36815/submit.v4i2.3360

Abstract

Salah satu opsi yang banyak diminati investor adalah saham perbankan. Rephrase.Pergerakan harga saham berubah dengan cepat. Oleh karena itu, perlu dilakukan prediksi harga saham untuk meminimalkan risiko kerugian. Tujuan dari penelitian ini adalah untuk menguji kinerja model memori jangka pendek panjang (LSTMs) dalam memprediksi harga saham di sektor perbankan. Data yang digunakan adalah data harga penutupan harian perbankan pada tanggal 16 April 2001 sampai dengan tanggal 30 September 2022. Tahap eksplorasi meliputi (1) entri data untuk memperoleh data harga penutupan dan (2) praproses data untuk mencari nilai data yang hilang. (3) Pemisahan data yaitu pemisahan data menjadi data latih dan data uji dengan perbandingan 80:×20.(4) Normalisasi data.Artinya, mengubah data ke skala yang sama. (5) Rekonstruksi data untuk mengubah data ke dalam format array. (6) Gunakan data pelatihan untuk melatih model yang terdiri dari dua lapisan LSTM dan satu lapisan. (7) Uji model pada data uji menggunakan MAE dan evaluasi hasil prediksinya. Berdasarkan hasil penelitian, nilai uji MAE BTPN sebesar 0,014443 dan nilai uji MAE BBRI sebesar 0,014066.
Pengembangan Game Edukasi Sortir Sampah Berbasis Web Menggunakan Javascript Nordiansah, Yossi; Majid, Pria Satya Faizal; Handika, Bayu Dwi
SUBMIT: Jurnal Ilmiah Teknologi Infomasi dan Sains Vol. 5 No. 1 (2025): Juni 2025
Publisher : Program Studi Teknik Informatika, Universitas Islam Majapahit Mojokerto, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36815/submit.v5i1.3952

Abstract

Pola konsumsi masyarakat yang semakin tinggi dan kurangnya kesadaran masyarakat, khususnya generasi muda, menjadi tantangan serius dalam pengelolaan lingkungan yang berkelanjutan. Penelitian ini membahas tentang pembuatan game edukasi berbasis website bertema Zero Waste yang dapat menjadi media pembelajaran interaktif mengenai pengelompokan sampah. Game ini dikembangkan menggunakan bahasa pemrograman JavaScript yang yang lebih modern dan modular dengan konsep yaitu pemilahan sampah ke dalam tiga kategori utama, yaitu organik, anorganik, dan B3 (bahan berbahaya dan beracun). Metode pengembangan yang digunakan meliputi tahap perancangan sistem seperti flowchart, use case diagram, wireframe, dan storyboard. Hasil pengujian menunjukkan bahwa seluruh fitur game berjalan dengan baik dan responsif, serta mampu menyampaikan pesan edukatif secara efektif. Game ini tidak hanya sekadar hiburan; ia menawarkan pengalaman belajar yang interaktif dan menyenangkan. Dengan menggunakan desain kartun dan animasi yang menarik tentu akan lebih disukai oleh anak -anak, game ini mengajarkan cara memilah sampah dan membuangnya pada tempat sampah yang sesuai untuk diolah kembali. Dengan pendekatan gamifikasi, game ini tidak hanya menghibur, tetapi juga mengajarkan anak-anak cara memilah dan membuang sampah pada tempat yang sesuai. Diharapkan game ini menjadi alternatif media pembelajaran yang menarik dan efektif dalam menanamkan kebiasaan memilah sampah sejak dini, sehingga dapat berkontribusi pada peningkatan kesadaran lingkungan di kalangan generasi muda.
Penerapan Algoritma Machine Learning Untuk Memprediksi Bencana Alam Banjir Menggunakan Algoritma SVM dan LSTM Handika, Bayu Dwi; Rakhmawati , Ismi Yayuk; Kurniawan, Fajar Indra
SUBMIT: Jurnal Ilmiah Teknologi Infomasi dan Sains Vol. 5 No. 1 (2025): Juni 2025
Publisher : Program Studi Teknik Informatika, Universitas Islam Majapahit Mojokerto, Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36815/submit.v5i1.3969

Abstract

Banjir adalah bencana alam dan sering terjadi di DKI Jakarta dan sekitarnya. Untuk mengurangi dampak buruk dari bencana ini, sangat penting memiliki sistem prediksi yang cepat dan tepat. Memiliki sistem peramalan yang cepat dan tepat sangat penting untuk mengurangi dampak negatif dari bencana ini. Tujuan dari penelitian ini adalah untuk mengimplementasikan algoritma pembelajaran mesin, yaitu Support Vector Machine (SVM) dan Long Short-Term Memory (LSTM), untuk memproyeksikan atau mengimplementasikan potensi banjir berdasarkan data lingkungan. Data yang digunakan mencakup tingkat air yang tinggi dan peristiwa astronomi di wilayah DKI Jakarta. Proses penelitian mencakup akurasi metrik, akurasi, tahap preprocessing data menggunakan klasifikasi, pelatihan model, dan penilaian kinerja model. Hasil pengujian menunjukkan bahwa model SVM menghasilkan akurasi tertinggi sebesar 87%, sedangkan LSTM menghasilkan akurasi 58%. SVM, dimana dapat diambil kesimpulan bahwa kinerja metode SVM lebih baik daripada metode LSTM.