Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal Jurnal Informatika dan Teknik Elektro Terapan
Sofi Defiyanti
Unknown Affiliation
Computer Science & IT

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

Found 2 Documents
Search

 1 
DETEKSI SUBGRUP NYERI DADA DENGAN UMAP DAN STRATIFIKASI RISIKO Muhammad Tegar Pamungkas; Sofi Defiyanti
Jurnal Informatika dan Teknik Elektro Terapan Vol. 13 No. 3S1 (2025)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v13i3S1.7480

Abstract

Stratifikasi risiko pada pasien dengan nyeri dada merupakan tantangan klinis yang kompleks karena heterogenitas presentasi dan prognosis yang beragam. Penelitian ini bertujuan mengidentifikasi subgrup tersembunyi dalam tipe nyeri dada menggunakan teknik pembelajaran tanpa supervisi untuk meningkatkan akurasi prediksi risiko penyakit jantung. Dataset yang terdiri dari 918 pasien dengan 12 variabel klinis dianalisis menggunakan kombinasi UMAP (Uniform Manifold Approximation and Projection) untuk reduksi dimensi dan K-means clustering untuk identifikasi subgrup. Hasil clustering kemudian diintegrasikan dengan Random Forest classifier untuk prediksi risiko. Analisis berhasil mengidentifikasi 4 cluster dengan karakteristik risiko yang berbeda signifikan. Cluster 1 menunjukkan risiko tertinggi (86,9%) dengan dominasi nyeri dada asimtomatik dan angina akibat olahraga, sedangkan cluster 2 dan 3 memiliki risiko lebih rendah (32,2% dan 22,3%). Model prediksi yang dikembangkan mencapai akurasi 88,0% dengan AUC-ROC 0,935. Pendekatan clustering ini berhasil mengungkap pola tersembunyi yang tidak terdeteksi melalui analisis konvensional, memberikan wawasan baru untuk stratifikasi risiko yang lebih presisi dalam praktik klinis.
FORECASTING HARGA GOLD DALAM GAME ALBION ONLINE MENGGUNAKAN MODEL LSTM (LONG SHORT-TERM MEMORY) Fergiano Deren Ryandi; Sofi Defiyanti; Mohamad Jajuli
Jurnal Informatika dan Teknik Elektro Terapan Vol. 14 No. 3 (2026)
Publisher : Universitas Lampung

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.23960/jitet.v14i3.10562

Abstract

Abstrak. Pasar ekonomi dalam gim MMORPG Albion Online memiliki tingkat kompleksitas dan volatilitas yang tinggi, khususnya pada pergerakan harga Gold sebagai mata uang premium. Fluktuasi harga yang tidak menentu sering kali menyebabkan kerugian ekonomi bagi para pemain dalam menentukan momentum transaksi. Penelitian ini bertujuan untuk membangun sistem peramalan (forecasting) harga Gold dengan menggunakan model Long Short-Term Memory (LSTM) dengan arsitektur Triple-Stacked. Data yang digunakan merupakan data deret waktu (time series) harga Gold selama periode satu bulan lima belas hari yang dikumpulkan per jam. Pra-pemrosesan data dilakukan melalui tahap pembersihan data dan normalisasi menggunakan metode Min-Max Scaling untuk meningkatkan efisiensi pelatihan model. Hasil penelitian menunjukkan bahwa model LSTM yang dikembangkan mampu memprediksi harga dengan tingkat akurasi yang sangat tinggi, dibuktikan dengan nilai Mean Absolute Percentage Error (MAPE) sebesar 2,90%. Visualisasi perbandingan antara data aktual dan prediksi menunjukkan kedekatan yang signifikan, terutama pada peramalan jangka pendek. Sistem ini diharapkan dapat menjadi instrumen pendukung keputusan bagi pemain dalam mengoptimalkan strategi perdagangan di ekosistem ekonomi Albion Online. Abstract. The economic market in the MMORPG game Albion Online exhibits high levels of complexity and volatility, particularly in the price movement of Gold as a premium currency. Uncertain price fluctuations often lead to economic losses for players when determining transaction momentum. This study aims to build a Gold price forecasting system using the Long Short-Term Memory (LSTM) model with a Triple-Stacked architecture. The data used is time series data of Gold prices over a period of one month and fifteen days, collected hourly. Data pre-processing was conducted through data cleaning and normalization using the Min-Max Scaling method to enhance model training efficiency. The results show that the developed LSTM model is capable of predicting prices with very high accuracy, evidenced by a Mean Absolute Percentage Error (MAPE) of 3.50% for a 24-hour horizon and 5.15% for a 72-hour horizon. These results categorize the model as a highly accurate forecasting classification. This system is expected to serve as a decision-support instrument for players to optimize trading strategies within the Albion Online economic ecosystem.
Co-Authors Fergiano Deren Ryandi Mohamad Jajuli Muhammad Tegar Pamungkas