Article Per Year (5 Year)
p-Index From 2020 - 2025
0.702
P-Index
This Author published in this journals
All Journal Digital Transformation Technology (Digitech)
Muhaimin, M. Rizal
Unknown Affiliation
Computer Science & IT Library & Information Science

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

 1 
Evaluasi Metode Single Exponential Smoothing dan Long Short-Term Memory pada Prediksi Saham Bank BRI Muhaimin, M. Rizal; Pamuji, Fandi Yulian
Digital Transformation Technology Vol. 4 No. 2 (2024): Periode September 2024
Publisher : Information Technology and Science(ITScience)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/digitech.v4i2.4948

Abstract

Penelitian ini membahas perbandingan kinerja metode peramalan harga saham Bank BRI (BBRI) menggunakan dua pendekatan kuantitatif, yaitu metode Single Exponential Smoothing (SES) dan Long Short-Term Memory (LSTM) yang dioptimasi dengan GridSearchCV. Data historis harga saham BBRI dari periode 2019 hingga 2024 yang diperoleh dari Yahoo Finance digunakan sebagai data utama. Metode SES dipilih karena sederhana dan efektif dalam menangani data deret waktu, sedangkan metode LSTM dipilih karena kemampuannya dalam menangkap pola kompleks dan ketergantungan temporal pada data saham. GridSearchCV digunakan untuk mengoptimalkan parameter LSTM agar menghasilkan akurasi peramalan yang lebih baik. Hasil penelitian menunjukkan bahwa metode LSTM yang dioptimasi dengan GridSearchCV secara konsisten memberikan performa prediksi yang lebih akurat dibandingkan dengan metode SES, yang ditunjukkan melalui nilai error yang lebih rendah, seperti Mean Absolute Error (MAE) dan Root Mean Square Error (RMSE). Dengan demikian, metode LSTM yang dioptimasi dengan GridSearchCV lebih efektif dalam memodelkan data saham dengan karakteristik jangka panjang seperti harga saham BBRI. Hasil penelitian ini diharapkan dapat memberikan kontribusi signifikan dalam pengembangan strategi peramalan dan investasi berbasis data historis.
Prediksi Kualitas Udara Malang Menggunakan Metode Gradient Boosting Regression Muhaimin, M. Rizal; Karina, Daffa Mirah; Krisna, Andreas Bayu
Digital Transformation Technology Vol. 4 No. 2 (2024): Periode September 2024
Publisher : Information Technology and Science(ITScience)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/digitech.v4i2.5046

Abstract

Penelitian ini bertujuan untuk mengembangkan sistem prediksi kualitas udara di Kota Malang menggunakan metode Gradient Boosting Regression. Permasalahan kualitas udara di Kota Malang menjadi perhatian serius dengan tercatatnya 47 kejadian level PM2.5 tidak sehat pada tahun 2023, mencapai konsentrasi tertinggi 101.2 µg/m³. Metode penelitian menggunakan pendekatan kuantitatif dengan fokus pada pengembangan model prediksi menggunakan data dari stasiun pemantau kualitas udara Kota Malang pada tahun 2022-2024. Preprocessing data meliputi pembersihan missing values, normalisasi menggunakan StandardScaler, dan feature engineering untuk menghasilkan fitur temporal dan statistik. Model dikembangkan menggunakan pipeline terintegrasi dengan Gradient Boosting Regressor yang dioptimalkan. Hasil penelitian menunjukkan performa model yang baik dengan nilai R² training 0.86 dan testing 0.68. Prediksi untuk periode 20-26 November 2024 mengindikasikan kualitas udara akan konsisten berada dalam kategori "Tidak Sehat" dengan nilai PM2.5 berkisar antara 69.41-76.53 µg/m³. Implementasi sistem menggunakan framework Streamlit untuk antarmuka yang interaktif. Penelitian ini memberikan kontribusi signifikan dalam upaya pengendalian pencemaran udara di Kota Malang melalui sistem prediksi yang akurat dan dapat diandalkan.
Evaluasi Metode Single Exponential Smoothing dan Long Short-Term Memory pada Prediksi Saham Bank BRI Muhaimin, M. Rizal; Pamuji, Fandi Yulian
Digital Transformation Technology Vol. 4 No. 2 (2024): Periode September 2024
Publisher : Information Technology and Science(ITScience)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/digitech.v4i2.4948

Abstract

Penelitian ini membahas perbandingan kinerja metode peramalan harga saham Bank BRI (BBRI) menggunakan dua pendekatan kuantitatif, yaitu metode Single Exponential Smoothing (SES) dan Long Short-Term Memory (LSTM) yang dioptimasi dengan GridSearchCV. Data historis harga saham BBRI dari periode 2019 hingga 2024 yang diperoleh dari Yahoo Finance digunakan sebagai data utama. Metode SES dipilih karena sederhana dan efektif dalam menangani data deret waktu, sedangkan metode LSTM dipilih karena kemampuannya dalam menangkap pola kompleks dan ketergantungan temporal pada data saham. GridSearchCV digunakan untuk mengoptimalkan parameter LSTM agar menghasilkan akurasi peramalan yang lebih baik. Hasil penelitian menunjukkan bahwa metode LSTM yang dioptimasi dengan GridSearchCV secara konsisten memberikan performa prediksi yang lebih akurat dibandingkan dengan metode SES, yang ditunjukkan melalui nilai error yang lebih rendah, seperti Mean Absolute Error (MAE) dan Root Mean Square Error (RMSE). Dengan demikian, metode LSTM yang dioptimasi dengan GridSearchCV lebih efektif dalam memodelkan data saham dengan karakteristik jangka panjang seperti harga saham BBRI. Hasil penelitian ini diharapkan dapat memberikan kontribusi signifikan dalam pengembangan strategi peramalan dan investasi berbasis data historis.
Prediksi Kualitas Udara Malang Menggunakan Metode Gradient Boosting Regression Muhaimin, M. Rizal; Karina, Daffa Mirah; Krisna, Andreas Bayu
Digital Transformation Technology Vol. 4 No. 2 (2024): Periode September 2024
Publisher : Information Technology and Science(ITScience)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47709/digitech.v4i2.5046

Abstract

Penelitian ini bertujuan untuk mengembangkan sistem prediksi kualitas udara di Kota Malang menggunakan metode Gradient Boosting Regression. Permasalahan kualitas udara di Kota Malang menjadi perhatian serius dengan tercatatnya 47 kejadian level PM2.5 tidak sehat pada tahun 2023, mencapai konsentrasi tertinggi 101.2 µg/m³. Metode penelitian menggunakan pendekatan kuantitatif dengan fokus pada pengembangan model prediksi menggunakan data dari stasiun pemantau kualitas udara Kota Malang pada tahun 2022-2024. Preprocessing data meliputi pembersihan missing values, normalisasi menggunakan StandardScaler, dan feature engineering untuk menghasilkan fitur temporal dan statistik. Model dikembangkan menggunakan pipeline terintegrasi dengan Gradient Boosting Regressor yang dioptimalkan. Hasil penelitian menunjukkan performa model yang baik dengan nilai R² training 0.86 dan testing 0.68. Prediksi untuk periode 20-26 November 2024 mengindikasikan kualitas udara akan konsisten berada dalam kategori "Tidak Sehat" dengan nilai PM2.5 berkisar antara 69.41-76.53 µg/m³. Implementasi sistem menggunakan framework Streamlit untuk antarmuka yang interaktif. Penelitian ini memberikan kontribusi signifikan dalam upaya pengendalian pencemaran udara di Kota Malang melalui sistem prediksi yang akurat dan dapat diandalkan.
Co-Authors Fandi Yulian Pamuji Karina, Daffa Mirah Krisna, Andreas Bayu