Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal JATI (Jurnal Mahasiswa Teknik Informatika) Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer)
Faris Al Fatih, Mohammad
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management

Published : 2 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 2 Documents
Search

 1 
ANALISIS PERBANDINGAN OPTIMIZER SGD DAN ADAM PADA MODEL CNN UNTUK KLASIFIKASI JAMUR EDIBLE DAN POISONOUS Prasetyo, Yogi; Faris Al Fatih, Mohammad; Iqbal An Zida, M. Jauharul; Isnan, Mohammad; Mustika Rizki, Agung
JATI (Jurnal Mahasiswa Teknik Informatika) Vol. 9 No. 1 (2025): JATI Vol. 9 No. 1
Publisher : Institut Teknologi Nasional Malang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36040/jati.v9i1.12659

Abstract

Identifikasi jamur secara tradisional menghadapi berbagai tantangan, terutama dalam hal kompleksitas karakteristik morfologi dan kebutuhan akan keahlian khusus yang mendalam. Hal ini dapat meningkatkan risiko kesalahan identifikasi yang berpotensi membahayakan kesehatan manusia, mengingat beberapa jenis jamur bersifat beracun. Untuk mengatasi tantangan tersebut, penelitian ini mengadopsi pendekatan deep learning dengan menggunakan Convolutional Neural Network (CNN) untuk mengklasifikasikan jamur ke dalam kategori edible dan poisonous. Model CNN dikembangkan dan dioptimalkan menggunakan dua algoritma optimasi populer, yaitu Stochastic Gradient Descent (SGD) dan Adaptive Moment Estimation (Adam). Dataset yang digunakan berisi 2.000 gambar jamur dari dua kelas dengan proporsi data pelatihan, validasi, dan pengujian masing-masing sebesar 80%, 10%, dan 10%. Hasil eksperimen menunjukkan bahwa model dengan optimizer SGD mencapai akurasi tertinggi sebesar 95,50% dan F1-Score 0,9550, sedangkan model dengan optimizer Adam menghasilkan akurasi 94,50% dan F1-Score 0,9450. Analisis lebih lanjut menunjukkan bahwa model SGD memiliki performa yang lebih stabil dibandingkan Adam, terutama dalam recall untuk kelas jamur edible sebesar 97%. Dengan demikian, penelitian ini menunjukkan bahwa optimizer SGD lebih unggul untuk implementasi klasifikasi jamur berbasis CNN pada dataset ini. Hasil ini diharapkan dapat memberikan kontribusi bagi pengembangan metode identifikasi jamur yang lebih efisien dan akurat.
Multi-Horizon Bitcoin Volatility Forecasting Using Support Vector Machines Hidayat, Syaiful; Faris Al Fatih, Mohammad; Parlika, Rizky
JURNAL FASILKOM Vol. 16 No. 2 (2026): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer)
Publisher : Unversitas Muhammadiyah Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37859/jf.v16i2.11683

Abstract

This study uses Support Vector Regression (SVR) to forecast Bitcoin realized volatility across four timeframes (2h, 4h, 8h, and daily) and four forecast horizons using Binance OHLCV data from January 2023 to June 2026. Realized volatility is estimated using a 5-period rolling standard deviation of log returns. We construct 14 features from lagged volatility, returns, trading volume, RSI, MACD, Bollinger Bandwidth, and high-low spread. We evaluate linear and radial basis function (RBF) kernels using walk-forward validation with a 100-sample rolling window. To prevent look-ahead bias, the training window is adjusted for each forecast horizon so that only targets observable at the forecast time are included. Performance is evaluated using MAE, RMSE, MAPE, and R². The linear kernel outperforms the RBF kernel across all 16 timeframe-horizon combinations, achieving the highest R² of 0.5140 for daily volatility at the shortest horizon. Short horizons () generally produce positive R², whereas longer horizons () yield near-zero or negative R². The look-ahead bias correction produces only modest changes in performance, indicating that the initial bias had limited influence on the results. Permutation importance identifies lagged volatility as the dominant predictor, supporting volatility persistence. Overall, the findings demonstrate that linear SVR provides a simple, effective, and interpretable approach to Bitcoin volatility forecasting.
Co-Authors Iqbal An Zida, M. Jauharul Isnan, Mohammad Mustika Rizki, Agung Parlika, Rizky Syaiful Hidayat, Syaiful yogi prasetyo