Article Per Year (5 Year)
p-Index From 2021 - 2026
1.006
P-Index
This Author published in this journals
All Journal Almufi Jurnal Pengabdian kepada Masyarakat eProceedings of Engineering LOGIC: Jurnal Penelitian Informatika
indwiarti
Unknown Affiliation
Religion Humanities Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Languange, Linguistic, Communication & Media Law, Crime, Criminology & Criminal Justice Mathematics Social Sciences Other

Published : 6 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search
Journal : logic jurnal penelitian informatika

 1 
Prediksi Pergerakan Harga Saham Harian Menggunakan Model Differencing Vector Autoregressive dan Vector Autoregressive Moving Average (Studi Kasus Saham PT Bank Neo Commerce Tbk) Hadi Sabililhaq; Indwiarti
LOGIC: Jurnal Penelitian Informatika Vol. 2 No. 2 (2024): Desember 2024
Publisher : Universitas Telkom

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25124/logic.v2i2.8807

Abstract

Abstrak Perkembangan teknologi informasi telah membuka peluang baru di sektor investasi. Pembukaan rekening sahamyang mudah membantu meningkatkan minat investasi di bursa saham Indonesia. Perbankan online menawarkan prospekinvestasi yang menarik, salah satunya saham PT Bank Neo Commerce Tbk (BBYB.JK). Peramalan dilakukan untuk mengetahui prediksi harga saham tersebut. Penggunaan analisis time series bisa membantu dalam memprediksi peramalan hargasaham mendatang. Model time series yang digunakan dalam penelitian ini adalah model Vector Autoregressive (VAR) danVector Autoregressive Moving Average (VARMA), dengan melibatkan dua variabel data. Pemilihan kedua model tersebutdidasarkan pada penggunaan dua variabel, yakni harga saham dan volume saham sebagai variabel kedua. Volume perdagangan saham berfungsi sebagai indikator aktivitas saham dan memberikan wawasan tentang permintaan beli dan jualsaham. Metode differencing digunakan untuk menangani data yang tidak memiliki kestasioneran. Model dievaluasi menggunakan nilai Mean Absolute Percentage Error (MAPE) dan Mean Absolute Error (MAE). Model VAR (1) dengan rasio datatraining 90% dan testing 10% memberikan hasil paling akurat dengan nilai MAPE 2.08% dan nilai MAE 11.04. Semakinrendah nilai MAPE dan MAE mengindikasikan hasil peramalan yang lebih akurat.
Prediksi Retweet Berdasarkan Konten Dan PenggunaDengan Metode Classifier Selection Muhamad Febiansyah; Jondri, Jondri; Indwiarti
LOGIC: Jurnal Penelitian Informatika Vol. 3 No. 1 (2025): September 2025
Publisher : Universitas Telkom

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25124/logic.v3i1.9744

Abstract

Perkembangan media sosial telah merubah cara penyebaran informasi, dengan Twitter memainkan peran utama. Penelitian ini bertujuan mengembangkan model prediksi retweet di Twitter menggunakan fitur content-based dan user-based, serta teknik oversampling untuk meningkatkan kinerja model. Hasil eksperimen menunjukkan bahwa meta learner tanpa oversampling pada fitur content-based memiliki macro average F1-score sebesar 0.52, namun dengan recall yang sangat rendah untuk kelas retweet (6%) dan F1-score 0.11. Sebaliknya, meta learner dengan oversampling pada fitur content-based memperbaiki performa dengan presisi 0.86, recall 0.77, dan F1-score 0.80 untuk retweet, dengan nilai macro average F1-score sebesar 0.82 yang menunjukan kenaikan dibandingkan dengan meta learner tanpa oversampling. Untuk model user-based, tanpa oversampling, macro average F1-score memiliki nilai 0.75 dengan keseimbangan baik antara presisi dan recall pada kelas non retweet. Setelah oversampling, model user-based mempertahankan keseimbangan yang baik dengan presisi, recall, F1-score, dan macro average F1- score masing-masing sebesar 0.88 pada kelas retweet dan non retweet. Secara keseluruhan, oversampling meningkatkan kinerja model, terutama pada fitur content-based, dengan model user-based menunjukkan performa yang paling konsisten dan baik.
Prediksi Retweet Berdasarkan Fitur UserBased, Content-Based, dan Time-Based Menggunakan Metode ANN-GSO Raisul Muhalani; Jondri, Jondri; Indwiarti
LOGIC: Jurnal Penelitian Informatika Vol. 3 No. 1 (2025): September 2025
Publisher : Universitas Telkom

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.25124/logic.v3i1.9827

Abstract

Media sosial menjadi salah satu platform yang banyak dipilih untuk sarana saling berbagi informasi, hiburan, serta dapat membuat mereka menghilangkan rasa penat dari aktifitas mereka sehari-hari. Media sosial sudah menjadi kebutuhan untuk sebagian besar masyarakat khususnya indonesia. Salah satu media sosial yang sering digunakan oleh masyarakat indonesia yaitu twitter. Twitter dapat membagikan sebuah postingan yang biasa disebut dengan tweet (kicauan) yang dapat digunakan oleh pengguna untuk membagikan tulisan, foto, video, maupun gif kepada publik. Salah satu fitur twitter yaitu retweet. Fitur retweet ini memiliki fungsi untuk membagikan kembali sebuah postingan, baik postingan mereka sendiri maupun postingan pengguna lain. Fitur ini sangat berperan penting dalam penyebaran informasi. Penelitian ini membahas mengenai prediksi retweet menggunakan fitur user-based, content-based, dan time-based dengan metode Jaringan Saraf Tiruan (Artificial Neural Network) untuk klasifikasinya, yang dioptimalkan dengan algoritma Glowworm Swarm Optimization (GSO) untuk mendapatkan tingkat akurasi yang lebih tinggi. Model ANN yang dioptimalkan dengan GSO menunjukkan hasil terbaik ketika dilakukan skenario oversampling, dengan akurasi sebesar 78% dan F1-Score 78%. Pada GSO terdapat peningkatan pada dataset model prediksi secara keseluruhan.
Co-Authors Febiansyah, Muhamad Hadi Sabililhaq Jondri Jondri Ledya Novamizanti Muhalani, Raisul Muhamad Febiansyah Raisul Muhalani