Article Per Year (5 Year)
p-Index From 2019 - 2024
2.517
P-Index
This Author published in this journals
All Journal Indonesian Journal on Computing (Indo-JC) JOIN (Jurnal Online Informatika) JURNAL MEDIA INFORMATIKA BUDIDARMA Building of Informatics, Technology and Science JINAV: Journal of Information and Visualization eProceedings of Engineering
Indwiarti, Indwiarti
Telkom University, Bandung
Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Library & Information Science Mathematics

Published : 25 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 14 Documents
Search
Journal : eProceedings of Engineering

 1   2 
Comparison Of Stock Price Prediction With Generalized Autoregressive Conditional Heteroscedasticity Model And Artificial Neural Network Justinus Dedy Handyka Simanjuntak; Indwiarti Indwiarti; Aniq Atiqi Rohmawati
eProceedings of Engineering Vol 6, No 2 (2019): Agustus 2019
Publisher : eProceedings of Engineering

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

Abstract

Pasar modal sangat berkaitan dengan perekonomian karena pasar modal merupakan kegiatan perdagangan modal-modal perusahaan publik. Saham merupakan jumlah satuan dari modal kooperatif yang harganya dapat berubah sewaktu-waktu tergantung keuntungan dan kerugian atau kinerja perusahaan tersebut. Mengingat harga saham yang berubah-ubah maka diperlukan metode yang sesuai untuk dapat melakukan peramalan suatu harga saham. Untuk kasus harga saham berubah-ubah dapat diatasi dengan menggunakan metode time series. Generalized Autoregressive Conditional Heteroscedasticity (GARCH) merupakan salah satu model time series yang baik dalam melakukan peramalan harga saham. Model GARCH menganggap asumsi heteroscedasticity dapat meramalkan harga saham yang berubah-ubah secara signifikan terhadap waktu. Artifical Neural Network menunjukan pendekatan yang efektif dalam peramalan time series karena tingkat keakuratannya yang tinggi. Pada penelitian ini didapatkan hasil perhitungan error RMSE dengan model GARCH (1,0) sebesar 0.3234, dan ANN menggunakan 21 hidden layer sebesar 0.0091. Hasil dari penelitian ini metode ANN ialah metode terbaik dalam prediksi harga saham PT. Bumi Citra Permai Tbk. Kata kunci : GARCH, ANN, Saham
Prediksi Harga Mata Uang Kripto Menggunakan LSTM dan MLR Samuel Erlangga; Indwiarti Indwiarti; Annisa Aditsania
eProceedings of Engineering Vol 10, No 3 (2023): Juni 2023
Publisher : eProceedings of Engineering

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

Abstract

Abstrak-Perkembangan mata uang kripto terjadi begitu pesat dalam beberapa tahun ini. Hal ini membuat orang-orang semakin tertarik untuk menginvestasikan uangnya ke dalam mata uang kripto. Namun untuk mempelajari pergerakan pasar dan ilmu untuk memprediksi harga menggunakan analisa teknikal tidaklah mudah, seringkali terjadinya perubahan yang begitu besar pada harga membuat mata uang kripto menjadi aset yang cukup diminati namun beresiko tinggi. Tidak jarang para investor mengalami kerugian dikarenakan hasil analisa yang kurang tepat dan karena transaksi jual beli mata uang kripto yang tidak dipatok oleh waktu memungkinkan harga berubah kapan saja. Pada penelitian ini melakukan prediksi harga mata uang kripto berupa harga penutupan mata uang kripto tersebut. Prediksi mata uang kripto ini dilakukan dengan metode Long Short-Term Memory (LSTM) dan Multiple Linear Regression (MLR). Dengan menggunakan histori harga tutup sebelumnya (Close) dan jumlah penambahan kasus positif Covid-19 untuk menjadi data latih. Menggunakan dua mata uang kripto untuk memastikan mesin dapat bekerja untuk lebih dari satu mata uang kripto. Hasil dari kedua metode ini adalah prediksi harga mata uang kripto yang dibandingkan dengan menghitung nilai Root Mean Squared Error (RMSE) untuk memastikan metode apa yang lebih baik digunakan dalam memprediksi harga mata uang kripto. Hasil terbaik dihasilkan oleh model LSTM dengan nilai RMSE 0.000240.Kata kunci-LSTM, MLR, mata uang kripto 
Clustering Harga Rumah: Perbandingan Model K-Means dan Gaussian Mixture Model Rizky Rahmattullah; Indwiarti Indwiarti; Aniq Atiqi Rohmawati
eProceedings of Engineering Vol 10, No 3 (2023): Juni 2023
Publisher : eProceedings of Engineering

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

Abstract

Abstrak-Rumah merupakan kebutuhan primer manusia sebagai tempat bernaung, berlindung, dan beristirahat. Sebagai kebutuhan primer, seluruh manusia berhak untuk mencari tempat tinggalnya masing-masing dengan keluarganya. Seiring berjalannya waktu, kebutuhan akan tempat tinggal semakin meningkat dan mempengaruhi harga jual rumah. Maka dilakukan clustering mengenai harga rumah dengan menggunakan metode K-Means dan Gaussian Mixture Model. Pada penelitian ini menggunakan data harga rumah di wilayah Kabupaten Bogor yang dihimpun dari website olx.co.id. Silhouette Score digunakan sebagai pembanding dari dua metode Clustering yang digunakan. Hasil dari penelitian ini, K-Means memiliki Silhouette Score sebesar 0.63516 lebih besar dari Gaussian Mixture Model yang memiliki Silhouette Score sebesar 0.62723 menjadikan kualitas cluster pada K-Means lebih baik daripada Gaussian Mixture Model pada penelitian ini.Kata kunci-rumah, clustering, gaussian mixture model, K-Means
Prediksi Retweet Berdasarkan User-Based dan Content-Based Menggunakan Metode Ensemble Stacking Muhammad Rizqi Akbar; Jondri Jondri; Indwiarti Indwiarti
eProceedings of Engineering Vol 10, No 2 (2023): April 2023
Publisher : eProceedings of Engineering

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

Abstract

Abstrak-Twitter merupakan salah satu social media yang sangat popular dan mudah digunakan untuk mendapatkan informasi secara cepat. Fitur Retweet merupakan salah satu alasan mengapa penyebaran informasi tersebut dapat tersebar dengan cepat. Retweet terjadi jika seorang follower men-tweet ulang tweet dari followee-nya. Pada penelitian ini dilakukan pemodelan untuk prediksi retweet berdasarkan feature user-based dan content-based dengan menggunakan metode Ensemble Stacking melalui proses K-fold Cross Validation. Ensemble Stacking ini dibentuk dengan 3 base-learner yaitu Random Forest, Gradient Boosting, dan Support Vector Machine(SVM). Sedangkan meta-learner yang digunakan adalah Support Vector Machine(SVM) Pemodelan ini menunjukan hasil terbaik ketika sudah dilakukan Imbalanced Class Handling menggunakan Teknik SMOTE dan K-fold Cross Validation dengan k=10. Hasil F1-score menunjukkan 86.46%. Dengan hasil demikian, bisa disimpulkan bahwa pemodelan yang dibentuk mampu meningkatkan hasil prediksi dari base-learnernya. Kata kunci-twitter, retweet, ensemble stacking, k-fold cross validation, oversampling
Co-Authors Aniq Atiqi Rohmawati Annisa Aditsania Bagas Yafitra Pandji Cici Olivia Daffa Ulayya Suhendra Dika Rizky Nurcholis Dyas Puspandari Edvan Tazul Arifin Erni Sumaryati Fhira Nhita Fiona Ramadhani Senduk Fitriyani Fitriyani Ika Nugraheni Irma Palupi irma palupi Jondri Jondri Jondri Jondri Jondri Jondri Justinus Dedy Handyka Simanjuntak M. Abdul Jabbar May Rozakhi Takkas Mochamad Ikbal Ashari Muhammad Rizqi Akbar Ni Luh Ketut Dwi Murniati Ni Putu Winda Ardiyanti Rafik Khairul Amin Rangga Arya Pamungkas Rian Febrian Umbara Rica Ning Nurhasanah Rizky Farida Utami Rizky Rahmattullah Samuel Erlangga Tegar Tionanda Putra varid vaya yusuf Vena Erla Candrika Yulian Sibaroni Yuliant Sibaroni