Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Indonesian Journal of Applied Informatics Indonesian Journal of Innovation Multidisipliner Research
Auliya Afifah Adnan Hakim
Universitas Halu Oleo
Chemical Engineering, Chemistry & Bioengineering Civil Engineering, Building, Construction & Architecture Computer Science & IT Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Industrial & Manufacturing Engineering

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

Found 2 Documents
Search

 1 
Deteksi Dini Gejala Stres pada Mahasiswa Berdasarkan Faktor-Faktor Penyebabnya Menggunakan Metode Logistic Regression Auliya Afifah Adnan Hakim; Rizal Adi Saputra; Statiswaty Statiswaty
IJAI (Indonesian Journal of Applied Informatics) Vol 8, No 2 (2024)
Publisher : Universitas Sebelas Maret

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20961/ijai.v8i2.83441

Abstract

Abstrak Di era saat ini, kesehatan mental seringkali diabaikan dibandingkan dengan kesehatan fisik. Hal ini sangat berlaku bagi mahasiswa yang berjuang dengan tekanan yang meningkat dalam kehidupan kuliah. Oleh karena itu, ada kebutuhan mendesak untuk solusi yang dapat mendukung kesehatan mental, salah satunya adalah metode Logistic Regression. Penelitian ini menegaskan efektivitas metode Logistic Regression dalam memprediksi dan mendeteksi dini gejala stres berdasarkan faktor penyebabnya. Eksplorasi fitur dan parameter mengungkap variasi tingkat akurasi, mencapai puncak 95%, diikuti oleh 88% dan 61%. Menganalisis hasil menggunakan Counseling_Service_Use sebagai output menunjukkan keahlian model dalam memprediksi hasil positif, meskipun dengan kecenderungan untuk memprediksi data negatif sebagai positif, dan sebaliknya. Sementara itu, model yang menggunakan Chronic_Illness dan Stress_Level sebagai output menunjukkan kinerja luar biasa dalam memprediksi semua kelas. Secara keseluruhan, penelitian ini memberikan dukungan kuat untuk efektivitas Logistic Regression dalam memprediksi gejala stres, memperkaya pemahaman tentang penerapannya dalam konteks kesehatan mental. Ini menunjukkan bahwa metode ini dapat digunakan sebagai alat yang efektif untuk deteksi dini gejala stres.===============================================AbstractIn the current era, mental health often takes a backseat compared to physical health. This is particularly true for students who are grappling with the increasing pressures of college life. Therefore, there is an urgent need for solutions that can support mental health, one of which is the Logistic Regression method. This study affirms the effectiveness of the Logistic Regression method in predicting and early detecting symptoms of stress based on their causative factors. Exploration of features and parameters revealed variations in accuracy rates, reaching a peak of 95%, followed by 88% and 61%. Analyzing results using Counseling_Service_Use as the output demonstrated the model’s proficiency in predicting positive outcomes, albeit with a tendency to predict negative data as positive, and vice versa. Meanwhile, models employing Chronic_Illness and Stress_Level as outputs exhibited outstanding performance in predicting all classes. Overall, this research provides robust support for the effectiveness of Logistic Regression in predicting stress symptoms, enriching the understanding of its application in the context of mental health. This shows that this method can be used as an effective tool for early detection of stress symptoms.
Perbandingan XGBoost dan LSTM untuk Prediksi Rentang Harga Penutupan Saham BBRI, ANTM dan ASII Auliya Afifah Adnan Hakim; Adha Mashur Sajiah; Ilham Julian Efendi
Indonesian Journal of Innovation Multidisipliner Research Vol. 4 No. 3 (2026): Juli - September
Publisher : Institute of Advanced Knowledge and Science

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.69693/ijim.v4i3.2030

Abstract

Prediksi harga saham harian umumnya menghasilkan satu nilai titik sehingga tidak menggambarkan ketidakpastian pergerakan harga, padahal pelaku pasar membutuhkan gambaran rentang untuk mengelola risiko. Penelitian ini bertujuan membandingkan kinerja XGBoost dan Long Short-Term Memory (LSTM) dalam memprediksi titik tengah serta rentang harga penutupan harian saham BBRI, ASII, dan ANTM. Data historis 2020 sampai 2025 dibentuk menjadi empat belas fitur relatif, lalu dibagi secara kronologis menjadi data training, validation, dan testing agar informasi masa depan tidak bocor ke dalam proses pelatihan. Ketiga kuantil, yaitu kuantil bawah, tengah, dan atas, dipelajari secara terpisah melalui pendekatan regresi kuantil. Evaluasi dilakukan dengan akar galat kuadrat rata-rata, galat persentase absolut rata-rata, koefisien determinasi, ketepatan arah, cakupan rentang, lebar rentang rata-rata, interval score, waktu komputasi, dan ukuran model. Ketahanan model juga diuji pada kondisi bullish, bearish, dan sideways, kemudian diverifikasi melalui forward test 121 hari perdagangan tahun 2026 tanpa pelatihan ulang. Pada historical test, XGBoost memberikan RMSE terendah untuk seluruh saham dan unggul pada tujuh dari sembilan kombinasi kondisi pasar. Pada forward test, XGBoost tetap unggul untuk BBRI dan ASII, sedangkan LSTM sedikit lebih baik untuk ANTM serta menghasilkan coverage lebih tinggi pada ketiga saham. Hasil ini menunjukkan bahwa XGBoost lebih konsisten untuk prediksi titik, sementara LSTM lebih baik dalam mencakup harga aktual pada rentang prediksi forward.
Co-Authors Adha Mashur Sajiah Ilham Julian Efendi Rizal Adi Saputra Statiswaty