Article Per Year (5 Year)
p-Index From 2020 - 2025
0.408
P-Index
This Author published in this journals
All Journal Prosiding Seminar Nasional CORISINDO
Hadi, M Fawazi
Unknown Affiliation
Computer Science & IT

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

Found 2 Documents
Search
Journal : Prosiding Seminar Nasional CORISINDO

 1 
Penerapan SMOTE dan Random Forest dalam Klasifikasi Tren Harga Saham Harian: Studi Kasus Saham PT Telkom Indonesia Tbk (TLKM) Hadi, M Fawazi; Hairani, Hairani; Wijaya, Hartono; Vidiasari, Herlita
CORISINDO 2025 Vol. 1 (2025): Prosiding Seminar Nasional CORISINDO 2025
Publisher : CORISINDO 2025

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/corisindo.v1.5267

Abstract

Salah satu masalah utama dalam sistem klasifikasi tren harga saham adalah ketidakseimbangan kelas dalam data historis saham.  Studi ini melihat bagaimana menggunakan teknik over-sampling synthetic minority (SMOTE) dan algoritma Random Forest untuk mengklasifikasikan tren harga saham harian PT Telkom Indonesia Tbk (TLKM).  Data diukur dengan lima metrik utama: volume, open, high, low, dan close. Semua ini diperoleh dari Kaggle.  Hasil uji menunjukkan bahwa kombinasi SMOTE dan Random Forest mampu meningkatkan distribusi data dan memberikan kinerja klasifikasi yang cukup baik, dengan akurasi sebesar 51% dan skor macro F1-sebesar 0.51.  Temuan ini menunjukkan bahwa, meskipun data berubah, model mengenali kedua arah tren dengan cukup andal.  Penelitian ini membangun fondasi untuk sistem yang mendukung keputusan investasi berbasis data.
Perbandingan Kinerja RNN, LSTM, dan GRU dalam Prediksi Harga Saham TLKM Menggunakan Deep Learning Hadi, M Fawazi; Priyanto, Dadang
CORISINDO 2025 Vol. 1 (2025): Prosiding Seminar Nasional CORISINDO 2025
Publisher : CORISINDO 2025

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30812/corisindo.v1.5381

Abstract

Prediksi harga saham merupakan tantangan kompleks yang memerlukan pendekatan komputasi cerdas guna menangkap pola temporal dari data historis. Studi ini menganalisa kinerja tiga model jaringan saraf berulang, yaitu Recurrent Neural Network (RNN), Long Short-Term Memory (LSTM), dan Gated Recurrent Unit (GRU) dalam memprediksi harga penutupan saham PT Telkom Indonesia Tbk berdasarkan data deret waktu dari tahun 2019 hingga 2024. Dataset diperoleh dari Kaggle dan difokuskan pada variabel harga penutupan. Data diproses melalui normalisasi MinMaxScaler dan dibentuk dalam jendela waktu 60 hari. Evaluasi dilakukan menggunakan metrik RMSE dan MAE. Hasil menunjukkan bahwa GRU menghasilkan performa terbaik dengan nilai RMSE 48.77 dan MAE 34.87, diikuti oleh RNN, sementara LSTM menunjukkan performa terendah. Penelitian ini memberikan rekomendasi pemilihan arsitektur berdasarkan kompleksitas data pasar saham domestik.
Co-Authors Hairani Hairani Hartono Wijaya Vidiasari, Herlita