Article Per Year (5 Year)
p-Index From 2021 - 2026
0.444
P-Index
This Author published in this journals
All Journal AnoaTIK: Jurnal Teknologi Informasi dan Komputer
Muhammad Riansyah Tohamba
Univesitas Halu Oleo
Computer Science & IT

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

Found 2 Documents
Search

 1 
IMPLEMENTASI MODEL LONG SHORT-TERM MEMORY PADA PREDIKSI HARGA SAHAM BERBASIS WEB Fadhillah Muslimin; Andi Tenriawaru; Muhammad Riansyah Tohamba
AnoaTIK: Jurnal Teknologi Informasi dan Komputer Vol 3 No 2 (2025): Desember 2025
Publisher : Program Studi Ilmu Komputer FMIPA-UHO

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33772/anoatik.v3i2.116

Abstract

This study aims to develop a web-based stock price prediction system using the Long Short-Term Memory (LSTM) algorithm to forecast the highest and lowest prices of stocks listed in the LQ45 index. LSTM was chosen for its ability to recognize long-term patterns in time series data and its more stable performance compared to methods such as ARIMA and GRU. The system features an interactive interface and user activity logging to enhance usability and user experience. Evaluation results show that the LSTM model performs well, with MAPE below 3% and RMSE values varying according to stock volatility. The best results were achieved by ACES, with RMSE values of 28,772 (High) and 27,142 (Low), and MAPE of 2,19% and 2,2%, while AMMN had the highest error rates with RMSE values of 247,154 and 281,926, and MAPE of 2,42% and 2,79%. The system successfully delivers real-time predictions through a responsive and user-friendly web interface.
KOMPARASI ALGORITMA XGBOOST DAN ADABOOST UNTUK ANALISIS KLASIFIKASI KEPUASAN MAHASISWA ILMU KOMPUTER FMIPA UNIVERSITAS HALU OLEO TERHADAP PEMBELAJARAN DARING Jejen; Budi Wijaya Rauf; Muhammad Riansyah Tohamba
AnoaTIK: Jurnal Teknologi Informasi dan Komputer Vol 4 No 1 (2026): Juni 2026
Publisher : Program Studi Ilmu Komputer FMIPA-UHO

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33772/anoatik.v4i1.141

Abstract

Penelitian ini bertujuan untuk mengetahui hasil komparasi dua algoritma machine learning, yaitu Extreme Gradient Boosting (XGBoost) dan Adaptive Boosting (AdaBoost), dalam mengklasifikasikan tingkat kepuasan mahasiswa Ilmu Komputer FMIPA Universitas Halu Oleo terhadap pembelajaran daring. Pembelajaran daring telah menjadi salah satu inovasi penting dalam bidang pendidikan, dengan memanfaatkan teknologi informasi dan komunikasi sebagai media utama dalam proses pembelajaran. Efektivitas pembelajaran daring sangat dipengaruhi oleh berbagai faktor, seperti pemahaman materi, kemudahan interaksi, kemudahan pengumpulan tugas, pemanfaatan e-learning, fasilitas mengikuti kuliah daring, dan koneksi jaringan. Data diperoleh melalui kuesioner yang diisi oleh 80 mahasiswa Program Studi Ilmu Komputer FMIPA Universitas Halu Oleo. Pengujian kinerja algoritma menggunakan sistem analisis klasifikasi kepuasan mahasiswa. Parameter utama yang diuji berupa learning rate dan n_estimators. Evaluasi performa model dilakukan menggunakan metrik klasifikasi seperti akurasi, presisi, recall, F1-score, dan Area Under the Curve (AUC). Hasil pengujian menunjukkan bahwa AdaBoost mencapai AUC tertinggi sebesar 0.964 pada skenario II (70:30) dengan parameter learning rate 0.3 dan n_estimator 200. Sementara, XGBoost memperoleh AUC sebesar 0.914 pada skenario II (70:30) dengan parameter larning rate 0.1, 0.2 dan 0.3 pada seluruh variasi jumlah n_estimator. Hasil AUC tersebut menunjukkan bahwa algoritma AdaBoost lebih unggul dibandingkan XGBoost
Co-Authors Andi Tenriawaru Budi Wijaya Rauf Fadhillah Muslimin Jejen