Article Per Year (5 Year)
p-Index From 2019 - 2024
0.23
P-Index
This Author published in this journals
All Journal Jurnal Ilmiah Teknik Elektro Komputer dan Informatika (JITEKI) eProceedings of Engineering
Siti Sa’adah
Telkom University
Computer Science & IT Control & Systems Engineering Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering

Published : 4 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 4 Documents
Search

 1 
Crude Oil Price Forecasting Using Long Short-Term Memory Muhamad Fariz Maulana; Siti Sa’adah; Prasti Eko Yunanto
Jurnal Ilmiah Teknik Elektro Komputer dan Informatika Vol 7, No 2 (2021): August
Publisher : Universitas Ahmad Dahlan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.26555/jiteki.v7i2.21086

Abstract

Crude oil has an important role in the financial indicators of global markets and economies. The price of crude oil influences the income of a country, both directly and indirectly. This includes affecting the prices of basic needs, transportation, commodities, and many more. Therefore, understanding the future price of crude oil is essential in helping to budgeting and planning for a better economy. The contribution of this research is in finding the best hyperparameters and using early stopping methods in the LSTM model to predict oil prices. This research implemented Long Short-Term Memory (LSTM), an artificial neural network that can handle long-term dependencies and the problems of time series data. The LSTM method will be used to predict Brent oil prices on daily and weekly time frames. The experiment has been conducted by tuning some parameters to obtain the best result. From the daily time frame experiment, the model obtained RMSE and MAE of 1.27055 and 0.92827, respectively, while the weekly time frame has RMSE and MAE of 3.37817 and 2.60603, respectively. The results show that the LSTM model can improve to the trends that occur in the original data.
Klasifikasi Argumen Semantik Menggunakan Feature Argumen Semantik Tetangga Dwi Marlina Sari; Moch. Arif Bijaksana; Siti Sa’adah
eProceedings of Engineering Vol 2, No 2 (2015): Agustus, 2015
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Argumen Semantik adalah salah satu bidang linguistik dalam mempelajari makna di dalam sebuah kalimat. Argumen sematik merupakan bagian dari teknik mengembangkan solusi text mining. Dengan melakukan klasifikasi argumen semantik, akan mengidentifikasikan argumen semantik ke dalam peran semantik yang lebih spesifik, sehingga dapat membantu dalam menggali informasi pada teks, seperti dapat menjawab pertanyaan Who, Whom, When, Where, Why, and How. Tugas akhir ini, berfokus dalam melakukan klasifikasi argumen semantik menggunakan feature baseline dan feature tambahan yaitu feature argumen semantik tetangga yang menggunakan database PropBank. Feature argumen semantik tetangga dapat dimanfaatkan sebagai feature tambahan dalam membantu klasifikasi argumen semantik, dikarenakan pada masing-masing argumen dalam predikat saling ketergantungan. Klasifikasi argumen semantik dilakukan dengan menggunakan classifier Support Vector Machine (SVM). Dari uji skenario, hasil rata-rata akurasi klasifikasi argumen semantik mengggunakan feature baseline sebesar 63.91%, sedangkan hasil rata-rata akurasi berdasarkan feature baseline dan feature ketergantungan argumen tetangga dari predikat di dalam sebuah kalimat sebesar 71.21%. Kata Kunci : klasifikasi argumen semantik, feature, ketergantungan argumen semantik
Klasifikasi Posting Tweet Mengenai Kebijakan Pemerintah Menggunakan Naïve Bayesian Classification Garnis Berliana; Shaufiah Shaufiah; Siti Sa’adah
eProceedings of Engineering Vol 5, No 1 (2018): April 2018
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Twitter merupakan media sosial yang populer di kalangan masyarakat dalam memberikan informasi karena lebih mudah dan cepat. Dengan adanya media sosial, masyarakat menjadi lebih mudah menyampaikan aspirasi dan pendapat mengenai kebijakan yang telah dibuat oleh pemerintah. Salah satu kebijakan tersebut adalah amnesti pajak. Pada penelitian ini menggunakan algoritma Naïve Bayesian Classification untuk mengklasifikasikan tweet yang berisi informasi tentang amnesti pajak. Naïve Bayesian Classification merupakan salah satu teknik klasifikasi dalam data mining yang sederhana. Ekstraksi fitur yang digunakan pada pengklasifikasian amnesti pajak menggunakan naive bayesian classification adalah unigram dan frekuensi kata dimana hasil akurasi tertinggi yang didapat sebesar 53,45% dengan data training sebesar 80% dari 578 data tweet amnesti pajak. Metode naive bayes dengan fitur unigram kurang tepat untuk digunakan dalam pengklasifikasian tweet mengenai amnesti pajak.
Analisis Monolingual Alignment Dalam Mengukur Nilai Kesamaan Teks Semantik Pada Pasangan Ayat Al-quran Dengan Penambahan Sistem Supervised Learning Sang Made Naufal Caesarya Mahardhika; Moch. Arif Bijaksana; Siti Sa’adah
eProceedings of Engineering Vol 5, No 1 (2018): April 2018
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Penelitian terkait pengukuran nilai semantik dan korelasi pada pasangan ayat Al-Quran masih sangat sedikit. Penelitian masih terbatas pada pencarian ayat-ayat yang dibagi menjadi level 0, level 1, dan level 2 pada penelitian Qursim. Oleh karena itu, perlu adanya metode lain salah satunya yaitu metode monolingual alignment. Pada penelitian tugas akhir ini digunakan metode monolingual alignment dan penambahan sistem supervised learning dalam mengukur nilai kesamaan semantik pada pasangan ayat-ayat Al-Quran. Hasil pengujian penelitian sistem fitur-fitur alignment pada dataset 2016 mendapatkan nilai korelasi tertinggi yaitu 0,728 dan pada dataset 2017 yaitu 0,698. Sedangkan untuk sistem fitur-fitur alignment yang ditambahkan sistem supervised learning, nilai korelasi tertinggi pada dataset testing 2016 yaitu 0,728 dan pada dataset testing 2017 yaitu 0,7. Berdasarkan hasil tersebut, disimpulkan bahwa fitur identical words sebagai fitur dasar alignment masih menjadi fitur terbaik dibandingkan fitur lainnya yaitu PPDB dan WordNet. Nilai korelasi dari penambahan supervised learning berhasil mendekati nilai korelasi dari sistem alignment.
Co-Authors Dwi Marlina Sari Garnis Berliana Moch. Arif Bijaksana Muhamad Fariz Maulana Prasti Eko Yunanto Sang Made Naufal Caesarya Mahardhika Shaufiah .