Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Journal of Economic, Bussines and Accounting (COSTING) JRIIN :Jurnal Riset Informatika dan Inovasi
Febryan, Ilham
Unknown Affiliation
Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance

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

Found 2 Documents
Search

 1 
Tinjauan Literatur Sistematis: Analisis Pembelajaran Terarah Dan Tidak Terarah Pada Machine Learning Rakha Ez'ra Ramadhan, Ahmad; Purwanto, Firman; Purnama, Gilang; Febryan, Ilham; Setiawan, Ifan
Jurnal Riset Informatika dan Inovasi Vol 2 No 10 (2025): JRIIN: Jurnal Riset Informatika dan Inovasi
Publisher : shofanah Media Berkah

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

Abstract

Artikel ini membahas secara komprehensif dua pendekatan utama dalam pembelajaran mesin, yaitu Pembelajaran Terarah (Supervised learning) dan Pembelajaran Tidak Terarah (Unsupervised learning). Kajian ini bertujuan untuk memberikan wawasan mendalam tentang perbedaan antara kedua metode tersebut, termasuk kelebihan dan kekurangannya. Penelitian menggunakan pendekatan Systematic Literature Review (SLR) dengan mengikuti pedoman PRISMA, meninjau publikasi yang relevan dalam kurun waktu lima tahun terakhir. Dari total 540 artikel yang dianalisis, sebanyak 10 artikel dipilih untuk ditelaah lebih rinci, terdiri dari lima yang berfokus pada Supervised learning dan lima lainnya mengenai Unsupervised learning. Hasilnya menunjukkan bahwa Supervised learning memanfaatkan data berlabel untuk tugas prediksi dan klasifikasi, menggunakan algoritma seperti K-Nearest Neighbor (KNN), Naïve Bayes, Decision Tree, dan Support Vector Machine (SVM), yang secara umum memberikan tingkat akurasi tinggi. Sebaliknya, Unsupervised learning bekerja tanpa data berlabel, lebih diarahkan pada eksplorasi pola dan pengelompokan data melalui algoritma seperti K-Means, Artificial Neural Network (ANN), dan Gaussian Mixture Model (GMM), menawarkan fleksibilitas yang lebih tinggi meskipun dengan akurasi yang cenderung lebih rendah. Kedua pendekatan memiliki karakteristik unik yang perlu dipertimbangkan berdasarkan tujuan aplikasi, ketersediaan data, dan kebutuhan analisis.
ANALISIS TEKNIKAL PADA SAHAM SYARIAH DI SEKTOR PERTAMBANGAN DENGAN MENGGUNAKAN INDIKATOR FIBONACCI RETRACEMENT DAN MOVING AVERAGE CONVERGENCE DIVERGENCE (MACD) Febryan, Ilham
Journal of Economic, Bussines and Accounting (COSTING) Vol. 8 No. 4 (2025): COSTING : Journal of Economic, Bussines and Accounting
Publisher : Institut Penelitian Matematika, Komputer, Keperawatan, Pendidikan dan Ekonomi (IPM2KPE)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31539/pb8k3n42

Abstract

Penelitian ini bertujuan untuk melakukan analisis teknikal terhadap saham-saham syariah di sektor pertambangan dengan menggunakan Indikator Fibonacci Retracement dan Moving Average Convergence Divergence (MACD). Dalam penelitian ini, data pergerakan harga harian saham, termasuk harga pembukaan, harga penutupan, harga tertinggi, dan harga terendah, direpresentasikan melalui grafik saham yang diakses melalui situs tradingview. Metode penelitian yang digunakan adalah metode kuantitatif, dengan populasi penelitian terdiri dari seluruh perusahaan tambang yang terdaftar di Jakarta Islamic Index (JII) dalam periode 1 Mei 2022 hingga 1 Mei 2023. Jumlah sampel yang diambil sebanyak 11 perusahaan, yaitu Aneka Tambang Tbk (ANTM), Bukit Asam Tbk (PTBA), United Tractors Tbk (UNTR), Adaro Energy Indonesia Tbk (ADARO), Bumi Resources Minerals Tbk (BRMS), Barito Pacific Tbk (BRPT), Harum Energy Tbk (HRUM), Vale Indonesia Tbk (INCO), Indika Energy Tbk (INDY), Indo Tambangraya Megah Tbk (ITMG), dan Merdeka Copper Gold Tbk (MDKA). Teknik pengambilan sampel yang digunakan adalah teknik purposive sampling, di mana pemilihan sampel didasarkan pada pertimbangan tertentu.
Co-Authors Gilang Purnama, Gilang Purwanto, Firman Rakha Ez'ra Ramadhan, Ahmad Setiawan, Ifan