Article Per Year (5 Year)
p-Index From 2020 - 2025
0.61
P-Index
This Author published in this journals
All Journal Jurnal Sains dan Seni ITS
Atok, R. Mohamad
Departemen Statistika Institut Teknologi Sepuluh Nopember Surabaya
Arts Humanities

Published : 3 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 3 Documents
Search
Journal : Jurnal Sains dan Seni ITS

 1 
Peramalan Volatilitas Nilai IHSG dengan Metode Hybrid GARCH-LSTM Pramudito, Samuel Cahyo; Atok, R. Mohamad; Hakiki, Moch. Taufik
Jurnal Sains dan Seni ITS Vol 13, No 6 (2024)
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373520.v13i6.150094

Abstract

Investasi merupakan penempatan aset dengan harapan nilainya akan meningkat dan menghasilkan pendapatan pasif. Investasi saham di pasar modal penting bagi perusahaan global karena dampaknya signifikan terhadap ekonomi negara. Saham memiliki risiko tinggi namun dapat memberikan return besar. Investor harus mempertimbangkan pilihan saham sesuai toleransi risiko dan indikator seperti Indeks Harga Saham Gabungan (IHSG), yang mengukur kinerja portofolio dan pergerakan harga saham di pasar modal. IHSG berbanding lurus dengan harga saham. Volatilitas IHSG dipengaruhi berbagai faktor, meningkatkan risiko dan ketidakpastian investasi, sehingga analisis tren IHSG perlu dilakukan sebelum investasi. Peramalan volatilitas IHSG bertujuan memprediksi pergerakan harga saham di masa mendatang. Penelitian ini menggunakan metode hybrid GARCH-LSTM untuk meramalkan volatilitas IHSG dari Januari 2018 hingga Desember 2023. Imputasi menggunakan metode linear imputation dilakukan untuk mengatasi 33 missing value pada data. Orde GARCH yang digunakan pada penelitian ini adalah GARCH (1,1). Pemodelan conditional variance pada model GARCH (1,1) menghasilkan nilai volatilitas dengan rentang 0,0000360984 sampai 0,0025139193. Model LSTM yang digunakan untuk melakukan prediksi residual adalah model dengan proporsi split data 80:20 dan menghasilkan nilai MAE sebesar 0,000015339655. Hasil prediksi volatilitas IHSG menggunakan kombinasi hybrid GARCH-LSTM pada penelitian ini menghasilkan rentang nilai 0,0000319 sampai 0,0000741. Hasil prediksi volatilitas dengan menggunakan metode hybrid GARCH-LSTM memiliki MAPE sebesar 30.38%, yang menunjukkan bahwa prediksi dengan metode ini termasuk dalam kategori reasonable prediction. Hal ini menunjukkan bahwa metode hybrid GARCH-LSTM masih dapat dipertimbangkan untuk melakukan prediksi volatilitas IHSG. Hasil peramalan nilai log return untuk 20 periode selanjutnya dengan mempertimbangkan volatilitas IHSG menunjukkan bahwa peramalan nilai log return cenderung konstan dan tidak mengalami perubahan yang signifikan.
Perbandingan Metode Random Forest Regression (RFR) dan Support Vector Regression (SVR) dalam Memprediksi Risiko Kredit pada Bank XYZ Tualeka AC, Nur Aisha Al Zahra; Atok, R. Mohamad; Alfajriyah, Aimmatul Ummah
Jurnal Sains dan Seni ITS Vol 13, No 6 (2024)
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373520.v13i6.150012

Abstract

Meningkatnya animo masyarakat terhadap pengajuan pinjaman kredit di lembaga keuangan telah diimbangi dengan peningkatan kredit bermasalah yang berpotensi menimbulkan kerugian dan mempengaruhi rasio Non-Performing Loan (NPL). Penelitian ini bertujuan untuk membandingkan efektivitas metode Random Forest Regression (RFR) dan Support Vector Regression (SVR) dalam memprediksi risiko kredit pada Bank XYZ. Pemilihan parameter dilakukan dengan metode Grid Search, sementara evaluasi model menggunakan metrik Mean Absolute Percent Error (MAPE) dan Mean Squared Error (MSE). Hasil prediksi risiko kredit menggunakan metode RFR menunjukkan akurasi tinggi pada data pelatihan dengan MAPE sebesar 0,0125%, namun performanya menurun pada data pengujian dengan MAPE sebesar 14,86% dan MSE sebesar 0,3766. Sebaliknya, hasil prediksi risiko kredit menggunakan metode SVR dengan beberapa kernel menunjukkan bahwa kernel RBF memberikan hasil terbaik dengan MAPE sebesar 11,63% dan MSE sebesar 0,2486, mengungguli kernel Linear, Polynomial, dan Sigmoid. Perbandingan metode RFR dan SVR dengan kernel RBF menunjukkan bahwa meskipun RFR menunjukkan akurasi sangat tinggi pada data pelatihan, performanya yang buruk pada data pengujian menunjukkan overfitting yang signifikan. Sebaliknya, SVR dengan kernel RBF menunjukkan kinerja yang konsisten baik pada data pelatihan maupun pengujian, dengan nilai MAPE dan MSE yang lebih rendah. Kesimpulan dari penelitian ini menunjukkan bahwa SVR dengan kernel RBF merupakan pilihan yang lebih baik untuk prediksi risiko kredit, memberikan keseimbangan terbaik antara akurasi prediksi dan kemampuan menjelaskan variasi dalam data. Penelitian ini diharapkan dapat mendorong perusahaan perbankan untuk meningkatkan kualitas kredit melalui manajemen risiko yang efektif dan pemanfaatan teknologi machine learning dalam memprediksi risiko kredit.
Penerapan Gravitational Search Algorithm-Fuzzy C-Means (GSA-FCM) pada Pemetaan Indeks Ketahanan Pangan di Indonesia Mustofa, Andrea Avisa Nurhidayatul; Atok, R. Mohamad; Adipradana, Dimaz Wisnu
Jurnal Sains dan Seni ITS Vol 14, No 1 (2025)
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373520.v14i1.149494

Abstract

Kerawanan pangan dan gizi merupakan isu penting yang harus dituntaskan karena pangan merupakan kebutuhan pokok makhluk hidup. Upaya pengentasan kerawanan pangan terus dilakukan demi mencapai target-target Tujuan Pembangunan Berkelanjutan (TPB) atau Sustainable Development Goals (SDGs), yaitu di antaranya mencapai ketahanan pangan dan tanpa kelaparan (zero hunger) pada tahun 2030. Salah satu cara melihat kondisi kerawanan pangan dan gizi adalah melalui angka Prevalensi Ketidakcukupan Konsumsi Pangan atau dikenal dengan istilah Prevalence of Undernourishment (PoU). Indonesia berhasil menurunkan angka PoU pada tahun 2023 menjadi 8,53% dari angka 10,21% pada tahun 2022. Namun, angka tersebut masih di bawah target dari amanat Perpres 111 tahun 2022 tentang Pelaksanaan Pencapaian TPB sebesar 5% pada tahun 2024. Indonesia terdiri dari 34 provinsi dengan kondisi yang berbeda-beda, sehingga ketahanan pangan di setiap provinsi juga berbeda. Oleh karena itu, diperlukan adanya pengelompokan (clustering) provinsi di Indonesia untuk menentukan daerah prioritas dalam upaya penanganan kerawanan pangan, sehingga dapat memaksimalkan pembuatan kebijakan penyelenggaraan pangan dan mengurangi kondisi ketimpangan pangan. Clustering merupakan proses pengelompokan suatu data ke dalam kelompok-kelompok tertentu (cluster), dimana anggota dalam suatu cluster memiliki karakteristik serupa, namun berbeda dengan cluster yang lain. Penelitian ini akan mengelompokkan provinsi-provinsi di Indonesia berdasarkan indikator pada Indeks Ketahanan Pangan (IKP) tahun 2023 menggunakan metode Gravitational Search Algorithm-Fuzzy C-Means (GSA-FCM). Algoritma optimasi GSA digunakan untuk mengatasi permasalahan local optimum yang sering terjadi pada FCM. Tujuan dari penelitian ini adalah mendapatkan cluster optimal hasil pemetaan 34 provinsi di Indonesia berdasarkan indikator IKP tahun 2023 dan mengetahui karakteristik dari setiap cluster yang dihasilkan. Berdasarkan nilai fungsi objektif akhir yang dihasilkan, algoritma GSA-FCM terbukti mampu mengatasi masalah pada FCM karena menghasilkan nilai yang jauh lebih kecil. Terdapat 2 cluster yang dihasilkan, yang berturut-turut merupakan cluster dengan prioritas penanganan sekunder dan utama. Cluster 1 beranggotakan 25 provinsi dan cluster 2 beranggotakan 9 provinsi.
Co-Authors Adipradana, Dimaz Wisnu Alfajriyah, Aimmatul Ummah Hakiki, Moch. Taufik Mustofa, Andrea Avisa Nurhidayatul Pramudito, Samuel Cahyo Tualeka AC, Nur Aisha Al Zahra