Garuda - Garba Rujukan Digital

Prediksi Harga Rumah di Boston Dengan Model Regresi Linear Menggunakan Python Hartarti, Intania Dharma; Septiyani, Intan Amelia; Gultom, Daniel Armando; Hendrian, Yayan; Kinanti, Shynde Limar
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 2 (2025): Mei - Juli
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v4i2.1210

Prediksi harga rumah merupakan aspek krusial dalam sektor properti dan ekonomi karena dapat membantu proses pengambilan keputusan bagi pembeli, penjual, serta pengembang. Penelitian ini memiliki tujuan untuk membangun model prediksi harga rumah dengan pendekatan algoritma regresi linear. Dataset yang digunakan adalah Boston Housing, yang memuat berbagai variabel penentu harga rumah. Beberapa variabel penting dalam dataset tersebut mencakup jumlah kamar, usia bangunan, tingkat kriminalitas di lingkungan sekitar, dan jarak ke pusat kota. Pengolahan data dilakukan menggunakan bahasa pemrograman Python di editor Visual Studio Code (VS Code). Proses analisis mencakup eksplorasi data, analisis korelasi antar variabel, pemilihan fitur, pembangunan model, evaluasi performa model, dan visualisasi hasil. Model regresi linear kemudian dievaluasi dengan metrik seperti MAE, MSE, RMSE, dan R² untuk mengukur akurasi prediksi. Hasil evaluasi menunjukkan bahwa regresi linear mampu menghasilkan prediksi yang cukup baik dengan nilai R² yang menggambarkan korelasi yang kuat antara fitur dan harga. Berdasarkan temuan ini, regresi linear dinilai efektif sebagai pendekatan awal dalam memprediksi harga rumah berdasarkan data historis.

Prediksi Harga Saham Bank BRI dan Bank BCA dengan Menggunakan Model LSTM Rizki, Muhamad; Danneswara, Aditya Eka; Aprilia, Yesa Dwi; Al Fajri, Muhammad Fatir Rizky; Hendrian, Yayan; Kinanti, Shynde Limar
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 2 (2025): Mei - Juli
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v4i2.1264

Dalam era modern, prediksi harga saham menjadi bidang penting dalam dunia keuangan dan investasi karena mampu membantu investor dalam membuat keputusan yang lebih tepat. Penelitian ini bertujuan membangun model prediksi harga saham Bank Rakyat Indonesia (BBRI) dan Bank Central Asia (BBCA) menggunakan metode Long Short-Term Memory (LSTM), yang dikenal efektif untuk mengolah data deret waktu (time series). Data historis harga saham BBRI dan BBCA dikumpulkan dari platform Yahoo Finance dengan rentang waktu 20 Januari 2019 hingga 14 Maret 2025. Sebelum pelatihan model, data dinormalisasi menggunakan teknik MinMaxScaler untuk memastikan skala data seragam. Dataset kemudian dibentuk berdasarkan jendela waktu selama 60 hari untuk menangkap pola tren harga sebelumnya. Model LSTM yang digunakan terdiri dari dua lapisan bertingkat yang memungkinkan pengenalan pola jangka panjang secara lebih akurat. Evaluasi kinerja dilakukan dengan menghitung Root Mean Squared Error (RMSE), yang digunakan untuk mengukur seberapa dekat hasil prediksi dengan data aktual. Hasil prediksi divisualisasikan dalam bentuk grafik agar dapat dibandingkan secara langsung dengan pergerakan harga saham sebenarnya. Berdasarkan evaluasi awal, model menunjukkan kemampuan mengikuti tren harga saham dengan nilai RMSE yang cukup rendah, mengindikasikan performa yang baik. Penelitian ini diharapkan dapat memberikan kontribusi signifikan dalam pengembangan sistem prediksi harga saham berbasis kecerdasan buatan dan menjadi referensi bermanfaat bagi para investor dalam menentukan strategi investasi yang lebih tepat.

PENGEMBANGAN WEBSITE KLASIFIKASI KUALITAS TIDUR DAN REKOMENDASI PENANGANAN MENGGUNAKAN LOGISTIC REGRESSION Nugraha, Rizky; Muflih, Shidqi Rizkilah; Ferianda, Ilham; Arashi, Zulfan Raihan; Sahubawa, Ninhesa Sahrani; Hendrian,ST, M.Kom, Yanyan; Limar Kinanti, M.Si, Shynde
RISTEK : Jurnal Riset, Inovasi dan Teknologi Kabupaten Batang Vol 9 No 2 (2025): RISTEK :Jurnal Riset, Inovasi dan Teknologi Kabupaten Batang
Publisher : Bapelitbang Kabupaten Batang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55686/ristek.v9i2.204

Proses klasifikasi kualitas tidur masyarakat saat ini masih dilakukan secara manual, sehingga membutuhkan waktu dan tenaga yang tidak sedikit. Permasalahan ini disebabkan oleh kurangnya sistem otomatisasi dalam mengolah data tidur serta memberikan rekomendasi yang tepat. Penelitian ini bertujuan untuk mengembangkan sebuah sistem berbasis website yang mampu mengklasifikasikan kondisi tidur pengguna berdasarkan data gaya hidup yang diinputkan, serta memberikan rekomendasi penanganan yang sesuai. Metode yang digunakan adalah pengembangan perangkat lunak berbasis model Waterfall dengan algoritma Logistic Regression untuk klasifikasi. Dataset yang digunakan bersumber dari Sleep Health and Lifestyle di Kaggle, dengan atribut gaya hidup seperti usia, durasi tidur, tingkat stres, dan aktivitas fisik. Hasil evaluasi menunjukkan bahwa model klasifikasi yang dikembangkan memiliki akurasi sebesar 77%. Sistem ini mampu memberikan prediksi kategori tidur seperti Sehat, Insomnia, dan Sleep Apnea, serta rekomendasi penanganan berbasis hasil klasifikasi. Dengan adanya sistem ini, diharapkan proses pengklasifikasian tidur menjadi lebih efektif dan efisien, serta dapat meningkatkan kesadaran masyarakat terhadap kualitas tidur mereka

PENGEMBANGAN WEBSITE KLASIFIKASI KUALITAS TIDUR DAN REKOMENDASI PENANGANAN MENGGUNAKAN LOGISTIC REGRESSION Nugraha, Rizky; Muflih, Shidqi Rizkilah; Ferianda, Ilham; Arashi, Zulfan Raihan; Sahubawa, Ninhesa Sahrani; Hendrian,ST, M.Kom, Yanyan; Limar Kinanti, M.Si, Shynde
RISTEK : Jurnal Riset, Inovasi dan Teknologi Kabupaten Batang Vol 9 No 2 (2025): RISTEK :Jurnal Riset, Inovasi dan Teknologi Kabupaten Batang
Publisher : Bapelitbang Kabupaten Batang

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55686/ristek.v9i2.204

Proses klasifikasi kualitas tidur masyarakat saat ini masih dilakukan secara manual, sehingga membutuhkan waktu dan tenaga yang tidak sedikit. Permasalahan ini disebabkan oleh kurangnya sistem otomatisasi dalam mengolah data tidur serta memberikan rekomendasi yang tepat. Penelitian ini bertujuan untuk mengembangkan sebuah sistem berbasis website yang mampu mengklasifikasikan kondisi tidur pengguna berdasarkan data gaya hidup yang diinputkan, serta memberikan rekomendasi penanganan yang sesuai. Metode yang digunakan adalah pengembangan perangkat lunak berbasis model Waterfall dengan algoritma Logistic Regression untuk klasifikasi. Dataset yang digunakan bersumber dari Sleep Health and Lifestyle di Kaggle, dengan atribut gaya hidup seperti usia, durasi tidur, tingkat stres, dan aktivitas fisik. Hasil evaluasi menunjukkan bahwa model klasifikasi yang dikembangkan memiliki akurasi sebesar 77%. Sistem ini mampu memberikan prediksi kategori tidur seperti Sehat, Insomnia, dan Sleep Apnea, serta rekomendasi penanganan berbasis hasil klasifikasi. Dengan adanya sistem ini, diharapkan proses pengklasifikasian tidur menjadi lebih efektif dan efisien, serta dapat meningkatkan kesadaran masyarakat terhadap kualitas tidur mereka

Perbandingan Performa Model GARCH, LSTM dan Hybrid untuk Prediksi Harga Saham Syariah JII Kinanti, Shynde Limar; Rozana, Intan
RIGGS: Journal of Artificial Intelligence and Digital Business Vol. 4 No. 3 (2025): Agustus - October
Publisher : Prodi Bisnis Digital Universitas Pahlawan Tuanku Tambusai

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.31004/riggs.v4i3.3109

Pasar saham syariah di Indonesia menunjukkan pertumbuhan yang pesat seiring meningkatnya minat masyarakat terhadap investasi berbasis prinsip Islam. Namun demikian, harga saham syariah bersifat fluktuatif sehingga untuk melakukan prediksi harga saham menjadi sebuah tantangan. Penelitian ini bertujuan untuk membandingkan performa model GARCH, LSTM, dan model hybrid GARCH–LSTM dalam memprediksi harga saham. Data yang digunakan adalah data harga saham syariah dari Jakarta Islamic Index (JII) yaitu salah satu indeks saham yang ada di Indonesia yang menghitung index harga rata-rata saham untuk jenis saham-saham yang memenuhi kriteria syariah. Data diambil dalam periode 5 tahun sejak 1 September 2019 hingga 31 Agustus 2025. Evaluasi model berdasarkan nilai Root Mean Square Error (RMSE) dan Mean Absolute Percentage Error (MAPE), model hybrid menunjukkan performa terbaik dengan RMSE sebesar 6.85 dan MAPE 1.10%, jauh lebih rendah dibandingkan model GARCH (RMSE 41.45; MAPE 6.79%) maupun LSTM (RMSE 39.81; MAPE 6.67%). Hal ini menunjukkan bahwa integrasi volatilitas dari GARCH ke dalam struktur pembelajaran LSTM secara signifikan meningkatkan akurasi dan stabilitas hasil prediksi. Model hybrid berhasil mengatasi kelemahan masing-masing model tunggal, dengan menggabungkan kemampuan GARCH dalam menangkap volatilitas serta keunggulan LSTM dalam mempelajari pola non-linear dan jangka panjang.

Perbandingan Algoritma Klasifikasi Sentimen pada Ulasan Aplikasi Mobile JKN Maulana, Ramadhoni Gibran; Budiman, Muhammad Shidiq; Prasetyo, Tegar Hardiansyah; Karimuddin, Muhammad Fadhlan; Adriansyah, Rizqy; Hendrian, Yayan; Kinanti, Shynde Limar
Jurnal IT UHB Vol 6 No 3 (2025): Jurnal Ilmu Komputer dan Teknologi
Publisher : Universitas Harapan Bangsa

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35960/ikomti.v6i3.1891

Sentiment classification plays an important role in evaluating public response to digital services such as BPJS Kesehatan's Mobile JKN application. This study aims to compare the performance of three machine learning algorithms-Support Vector Machine (SVM), Naive Bayes, and K-Nearest Neighbor (KNN) for classifying user sentiment based on reviews in the Google Play Store. A total of 10,000 user reviews were collected using Python and processed on Google Colab. The research process includes text pre-processing, sentiment labeling based on ratings, data splitting, and model training. Evaluation was conducted using accuracy, precision, recall, F1 score, and confusion matrix metrics. The results show that the SVM algorithm provides the best accuracy of 90.9%, followed by Naive Bayes (90.3%) and KNN (86%). These findings prove that SVM is the most effective model for sentiment classification in the context of public services and provide important insights for government policy evaluation and digital service improvement.

Title

Found 6 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 6 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 6 Documents
Search