Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal PkM MIFTEK Jurnal Algoritma
Rusdiawan, Mohamad Mihradi
Unknown Affiliation
Humanities Computer Science & IT Economics, Econometrics & Finance Languange, Linguistic, Communication & Media Social Sciences Other

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

Found 2 Documents
Search

 1 
Literasi Digital Sebagai Pondasi Awal Menjadi Masyarakat Informasi Dimasa Pandemi Ahdan, Alfin Muhamad; Muttaqin, Epwan Nurul; Nurhisyam, Fahmi; Nurahman, Gia; Salsabil, Ilham; Rusdiawan, Mohamad Mihradi; Handayani, Nanda; Fitriyani, Ranti; Fauzan, Wildan Ahmad Nur; Hidayattuloh, Yusuf; Tresnawati, Dewi; Nanang, Nanang
Jurnal PkM MIFTEK Vol 2 No 2 (2021): Jurnal PkM MIFTEK
Publisher : Institut Teknologi Garut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33364/miftek/v.2-2.1121

Abstract

Literasi digital adalah menggunakan teknologi informasi dan komunikasi untuk menemukan, mengevaluasi, memanfaatkan, membuat, dan mengkomunikasikan konten atau informasi dengan kecakapan kognitif maupun teknikal. Kemajuan teknologi menjadi salah satu jembatan penyampaian informasi dimasa pandemi Covid-19 dan literasi digital di masyarakat menjadi sangat penting karena perkembangan teknologi semakin cepat, Tetapi disisi lain teknologi menjadi berbahaya karena banyak terjadi penyebaran informasi yang tidak benar atau hoax tersebar seperti penyebaran informasi tentang Covid-19 yang berlebihan sehingga menyebabkan masyarakat menjadi resah dan ketakutan. Covid-19 menyebar dengan cepat dari kota sampai ke perdesaan, tetapi tidak sedikit masyarakat yang mengabaikan protokol kesehatan sehingga penyebaran sangat sulit dihentikan, tidak sedikit masyarakat yang terpapar Covid-19 dan berakibat pada ekonomi yang semakin menurun karena banyak orang yang berhenti berbinis pasca Covid-19. Untuk itu Kegiatan Kuliah Kerja Nyata (KKN) daring masa pandemi Covid-19 dengan tema pengabdian kepada komunitas maya menjadi sarana bagi kami untuk menyampaikan edukasi tentang himbauan kembali protokol kesehatan supaya lebih diperhatikan, pemanfaatan media online sebagai lapak berbisnis serta mengenali dan mencegah penyebaran berita hoax. Metode yang digunakan yaitu metode kuantitatif yang nantinya akan terlihat dari banyaknya partsipan yang mengisi pre-test dan post-test. Diharapkan masyarakat lebih mengetahui serta memahami cara memanfaatkan literasi digital dengan tepat seperti pada kondisi pandemi Covid-19.
Prediksi Jangka Pendek Harga Bitcoin Menggunakan Model Autoregressive Integrated Moving Average (Arima) Rusdiawan, Mohamad Mihradi; Julianto, Indri Tri; Baswardono, Wiyoga
Jurnal Algoritma Vol 22 No 2 (2025): Jurnal Algoritma
Publisher : Institut Teknologi Garut

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33364/algoritma/v.22-2.2161

Abstract

Cryptocurrency trading, particularly Bitcoin, faces significant price fluctuations, necessitating accurate price prediction to support decision-making. This study aims to apply the Autoregressive Integrated Moving Average (ARIMA) model for short-term Bitcoin price forecasting. The choice of ARIMA is based on its ability to capture price trends using historical data. The research adopts the Cross Industry Standard Process for Data Mining (CRISP-DM) methodology, which comprises five main phases: Business Understanding, Data Understanding, Data Preparation, Modeling, and Evaluation. The dataset used consists of historical Bitcoin USD prices from investing.com, encompassing 1,462 records with seven attributes: Date, Price, Open, High, Low, Vol, and Change, covering the period from May 5, 2020, to May 5, 2024. The ARIMA model applied to this dataset is evaluated using the Root Mean Square Error (RMSE) metric to measure prediction error, along with a stationarity test using the Augmented Dickey-Fuller (ADF) test. Evaluation results indicate that the ARIMA (1, 2, 1) model achieves an RMSE of 0.0712, demonstrating strong predictive accuracy. The ADF test reveals that the original data is non-stationary, requiring two rounds of differencing (d=2) to achieve stationarity. Furthermore, analysis of the Autocorrelation Function (ACF) and Partial Autocorrelation Function (PACF) confirms that the ARIMA (1, 2, 1) parameters are suitable for capturing the data patterns. Although the model performs well, the findings also suggest the need for more advanced predictive models, such as machine learning or deep learning techniques, to better handle higher market volatility.
Co-Authors Ahdan, Alfin Muhamad Baswardono, Wiyoga Dewi Tresnawati Fauzan, Wildan Ahmad Nur Fitriyani, Ranti Handayani, Nanda Hidayattuloh, Yusuf Indri Tri Julianto Muttaqin, Epwan Nurul nanang nanang Nurahman, Gia Nurhisyam, Fahmi Salsabil, Ilham