Article Per Year (5 Year)
p-Index From 2021 - 2026
0.408
P-Index
This Author published in this journals
All Journal Jurnal Pengembangan Sistem Informasi dan Informatika Jurnal Pustaka AI : Pusat Akses Kajian Teknologi Artificial Intelligence
Darma, Satria Agus
Unknown Affiliation
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Mathematics Social Sciences

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

Found 2 Documents
Search

 1 
Prediksi Harga Saham Malindo Feedmill Tbk. (MAIN) Menggunakan Jaringan Saraf Tiruan Long Short-Term Memory (LSTM) Putri, Vivin Mahat; Zain, M Syafrizal; Darma, Satria Agus
Jurnal Pengembangan Sistem Informasi dan Informatika Vol. 6 No. 3 (2025): Jurnal Pengembangan Sistem Informasi dan Informatika
Publisher : Training & Research Institute - Jeramba Ilmu Sukses

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47747/jpsii.v6i3.2789

Abstract

Stock price prediction presents a significant yet intricate challenge in financial forecasting, primarily due to volatile market dynamics and the nonlinear nature of data. This study investigates the efficacy of the Long Short-Term Memory (LSTM) model, a specialized Recurrent Neural Network (RNN), for forecasting the stock price of PT. Malindo Feedmill, Tbk., a publicly listed agribusiness firm on the Indonesia Stock Exchange. A five-year historical dataset of daily stock prices (open, high, low, close, volume) was utilized. Pre-processing involved data normalization, the application of a sliding window approach, and partitioning the data into training and testing subsets. The LSTM model was trained on sequential closing prices to effectively learn and model long-term dependencies inherent in stock price movements. The model's predictive performance was rigorously assessed using Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), and Mean Absolute Percentage Error (MAPE) metrics. Our results reveal that the LSTM model adeptly captures price trends, yielding a low MAPE of 3.47% on the test set. Comparative analysis against traditional models like linear regression confirms that LSTM provides superior accuracy and robustness, especially under volatile market conditions. This research highlights the significant potential of deep learning models in facilitating smarter investment decisions within the Indonesian agricultural sector. Subsequent work will aim to integrate sentiment analysis and macroeconomic indicators to further improve real-time predictive accuracy.
Sistem Pakar Hibrida Deteksi Keterlambatan Bicara pada Anak Menggunakan Forward Chaining dan Naïve Bayes putri, vivin mahat; Wisesa, Bradika Almandin; Edyyul, Ilham Akerda ; Darma, Satria Agus
Jurnal Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence) Vol 5 No 3 (2025): Pustaka AI (Pusat Akses Kajian Teknologi Artificial Intelligence)
Publisher : Pustaka Galeri Mandiri

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55382/jurnalpustakaai.v5i3.1323

Abstract

Penelitian ini bertujuan untuk mengembangkan dan memvalidasi sebuah metode inferensi hibrida yang mengintegrasikan penalaran berbasis aturan (rule-based reasoning) dari Forward Chaining dengan klasifikasi probabilistik dari Naïve Bayes. Sistem ini dirancang sebagai alat skrining (penapisan) dini terhadap risiko keterlambatan bicara dan bahasa pada anak. Sistem dikembangkan dengan pendekatan hibrida. Metode Forward Chaining diimplementasikan untuk merepresentasikan pengetahuan klinis yang pasti. Sementara itu, metode klasifikasi Naïve Bayes digunakan sebagai sistem probabilistik yang dilatih menggunakan dataset yang telah divalidasi. Proses optimasi model Naïve Bayes melibatkan serangkaian teknik, termasuk penyederhanaan masalah menjadi klasifikasi biner, penyeimbangan data latih menggunakan Synthetic Minority Over-sampling Technique (SMOTE), dan hyperparameter tuning. Pengujian model Naïve Bayes menunjukkan bahwa proses optimasi yang komprehensif berhasil meningkatkan performa secara signifikan. Dengan menggunakan model Bernoulli Naïve Bayes pada data biner yang telah diseimbangkan, performa model berhasil mencapai akurasi sebesar 72.22%. Secara khusus, model menunjukkan nilai recall yang tinggi sebesar 84% untuk kelas 'Terindikasi', yang sangat krusial untuk alat skrining. Sistem pakar hibrida yang diusulkan menunjukkan validitasnya sebagai instrumen skrining yang fungsional. Sinergi antara penalaran logis dari Forward Chaining dan inferensi probabilistik dari Naïve Bayes yang telah dioptimalkan menghasilkan sistem dengan keandalan yang tinggi. Implementasi metode ini telah berhasil divalidasi melalui sebuah prototipe aplikasi web yang fungsional.
Co-Authors Bradika Almandin Wisesa Edyyul, Ilham Akerda  Putri, Vivin Mahat Zain, M Syafrizal