Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal Fuse-teknik Elektro eProceedings of Engineering
Qomariyati, Laily Nur
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering

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

Found 2 Documents
Search

 1 
Perbandingan Akurasi Random Forest Classifier dalam Memprediksi Kelayakan Kendaraan berdasarkan Jumlah Decision Tree dan Selection Feature Qomariyati, Laily Nur; Nurpadillah, Sifa
Fuse-teknik Elektro Vol 4 No 1 (2024): Fuse-teknik Elektro
Publisher : Fakultas Teknik Universitas Garut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.52434/jft.v4i1.4017

Abstract

Pasca pandemi, terdapat peningkatan permintaan dan kebutuhan kendaraan yang ditandai dengan peningkatan penjualan. Konsumen memiliki banyak pertimbangan dalam membeli kendaraan. Produsen harus memahami kebutuhan dan pertimbangan konsumen agar kendaraan yang diluncurkan dapat diterima dengan baik. Penelitian ini bertujuan memprediksi kelayakan kendaraan menggunakan Random Forest Classifier berdasarkan jumlah decision tree dan pemilihan fitur. Model Random Forest diterapkan dengan variasi jumlah decision tree untuk mengidentifikasi pengaruhnya terhadap akurasi. Hasil menunjukkan bahwa akurasi meningkat signifikan dengan penambahan jumlah decision tree dan mencapai stabil pada sekitar 50-100 pohon dengan akurasi maksimum 94.57%. Selanjutnya, penelitian mengevaluasi pengaruh jumlah fitur input terhadap akurasi. Hasil menunjukkan peningkatan akurasi dari 69.53% dengan satu fitur hingga 94.57% dengan semua fitur. Fitur-fitur utama seperti Safety, Persons, Buying, Maint, dan Lug_boot terbukti sangat penting, dengan penggunaan lima fitur ini menghasilkan akurasi 92.64%. Analisis importance score menunjukkan bahwa menghilangkan fitur dengan importance tinggi, seperti Safety, menurunkan akurasi secara signifikan. Kesimpulan penelitian ini adalah bahwa pemilihan jumlah decision tree yang optimal dan fitur yang tepat sangat penting untuk meningkatkan akurasi model Random Forest. Penggunaan sekitar 50-100 decision tree dan pemilihan fitur berdasarkan importance score dapat memberikan prediksi yang akurat dan efisien. Penelitian ini memberikan panduan praktis bagi produsen kendaraan dalam memanfaatkan data mining dan machine learning untuk memahami preferensi konsumen dan meningkatkan efektivitas produksi.
Pendekatan Dengan Bilstm: Kasus Peramalan Harga Penutupan Saham Qomariyati, Laily Nur; Wibowo, Suryo Adhi; Sunarya, Unang
eProceedings of Engineering Vol. 11 No. 4 (2024): Agustus 2024
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

— Peramalan saham merupakan salah satu tugas penting di pasar saham karena prediksi harga saham di masa depan dapat membantu investor dalam mengambil keputusan yang lebih baik. Penelitian ini mengkaji potensi jaringan Bidirectional Long Short-Term Memory (BiLSTM) sebagai bagian dari model deep learning untuk meningkatkan akurasi prediksi saham. Model BiLSTM yang diusulkan memanfaatkan kemampuan arsitektur model ini untuk menangkap ketergantungan jangka pendek dan jangka panjang dengan memproses data secara dua arah. Hal ini memungkinkan model untuk memanfaatkan informasi dari masa lalu dan masa depan secara simultan, memberikan prediksi yang lebih akurat. Model BiLSTM ini dievaluasi menggunakan metrik evaluasi seperti Mean Absolute Error (MAE), Root Mean Square Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Penelitian ini menguji model pada beberapa saham, termasuk Apple, Gold, Oil, dan Silver. Hasil penelitian menunjukkan bahwa pendekatan BiLSTM tidak hanya efektif dalam memajukan metode peramalan harga penutupan saham, tetapi juga memiliki aplikasi praktis pada berbagai instrumen keuangan lainnya. Temuan ini memberikan kontribusi signifikan dalam bidang peramalan pasar saham, memperlihatkan bahwa BiLSTM dapat menjadi alat yang andal dan efektif dalam memprediksi pergerakan harga saham dan instrumen keuangan lainnya. Kata kunci — peramalan saham, deep learning, BiLSTM.
Co-Authors Sifa Nurpadillah Suryo Adhi Wibowo Unang Sunarya