Jurnal Teknik Informatika dan Sistem Informasi

Penerapan Pemodelan Konvensional dan Deep Learning pada Data Saham dengan Pencilan

Muhammad Firlan Maulana — 2026-04-23

Saham Apple Inc. (AAPL), salah satu perusahaan teknologi terkemuka, menjadi salah satu perhatian investor karena terus mengalami peningkatan jumlah pengguna setiap tahun. Oleh karena itu, peramalan harga saham Apple penting untuk membantu investor memitigasi risiko dan mengoptimalkan keputusan investasi. Peramalan ini dapat dilakukan menggunakan dua pendekatan utama, yaitu pendekatan konvensional seperti autoregressive integrated moving average (ARIMA) dan pendekatan berbasis deep learning seperti long short-term memory network (LSTM). Penelitian ini bertujuan untuk menemukan model terbaik menggunakan kedua metode tersebut, serta membandingkan akurasi model berdasarkan dataset dengan pencilan dan dataset pencilan tertangani. Dataset yang dianalisis dalam penelitian ini berasal dari data harga penutupan saham AAPL mingguan selama 500 periode, dari 26 Januari 2015 hingga 19 Agustus 2024 yang diperoleh dari Yahoo Finance. Penelitian ini memperoleh model ARIMA(1,1,1) sebagai model terbaik untuk kedua dataset, dengan dataset pencilan tertangani menghasilkan MAPE uji lebih baik, sedangkan dataset dengan pencilan memiliki MAPE latih lebih baik. Metode LSTM menghasilkan nilai MAPE yang lebih kecil dibandingkan ARIMA, menunjukkan keunggulannya dalam menangkap pola fluktuatif data saham AAPL. Penanganan pencilan terbukti meningkatkan akurasi model, sebagaimana terlihat pada dataset pencilan tertangani. Penelitian ini memberikan wawasan mengenai efektivitas metode statistik dan deep learning dalam memodelkan harga saham, serta menekankan pentingnya penanganan pencilan dalam analisis data keuangan.

Analisis Prediksi Length of Stay Pasien Infeksi Paru Menggunakan Algoritma Klasifikasi

Glory Emilisa Rupilu — 2026-04-23

Penelitian ini menginvestigasi hubungan antara faktor usia, jenis kelamin, dan faktor lain dalam atribut dengan Length of Stay (LOS) pada pasien dengan penyakit paru. Tujuan utama penelitian adalah untuk membantu memprediksi LOS pasien baru yang datang dengan diagnosa yang sama dan untuk membantu mengurangi biaya perawatan yang berkaitan dengan durasi tinggal di rumah sakit. Teori yang digunakan dalam penelitian ini adalah factor usia, jenis kelamin, diagnose, nilai leukosit dan hasil rontgen dada dapat mempengaruhi durasi tinggal mereka di rumah sakit. Data untuk penelitian ini diperoleh dari rekam medis salah satu rumah sakit di Jawa Barat selama periode penelitian selama kurang lebih 3 bulan. Metode dan teknik yang digunakan adalah Artificial Neural Network-MLP (ANN), naïve bayes, J48 dan Random Tree untuk menganalisis dan memodelkan hubungan antara variabel input (usia, jenis kelamin, diagnosa sekunder dan lain-lain) dan variabel output (LOS). Hasil dari penelitian ini diharapkan dapat memberikan pemahaman yang lebih baik tentang faktor-faktor yang memengaruhi LOS pada pasien dengan penyakit paru, serta memberikan kontribusi dalam pengembangan metode prediksi yang dapat membantu manajemen pasien dan pengambilan keputusan klinis yang lebih baik di rumah sakit.

Regresi Logistik Biner dan Support Vector Machine dalam Klasifikasi Indeks Pembangunan Manusia

Rupmana Butar Butar — 2026-04-23

Regresi Logistik Biner dan Support Vector Machine (SVM) merupakan dua metode klasifikasi yang banyak digunakan dalam analisis data, terutama untuk permasalahan dengan variabel target kategorik. Dalam penelitian ini, kedua metode tersebut dibandingkan untuk mengklasifikasikan status Indeks Pembangunan Manusia (IPM) Indonesia tahun 2024. Data awal terdiri dari lima variabel prediktor, namun setelah dilakukan analisis korelasi untuk menghindari multikolinearitas, hanya tiga variabel yang digunakan dalam pemodelan. Teknik Synthetic Minority Over-Sampling Technique (SMOTE) diterapkan untuk menangani ketidakseimbangan kelas. Regresi Logistik Biner dipilih karena interpretabilitasnya yang baik, sedangkan SVM digunakan sebagai pembanding karena kemampuannya yang robust terhadap outliers. Hasil evaluasi menunjukkan bahwa Regresi Logistik Biner menghasilkan akurasi sebesar 87,85%, sedikit lebih tinggi dibandingkan SVM yang mencapai 86,92%. Oleh karena itu, Regresi Logistik Biner dinilai lebih optimal dalam mengklasifikasikan status IPM pada data yang telah diseimbangkan dan disederhanakan. Penelitian ini memberikan kontribusi dalam penerapan metode statistik dan pembelajaran mesin untuk mendukung analisis pembangunan manusia berbasis data.

Analisis Trade-Off Efisiensi dan Stabilitas pada Kontrol Prediktif Mikroklimat

Gerrio Irfan Pratama — 2026-04-23

Kontrol mikroklimat presisi merupakan aspek krusial dalam berbagai aplikasi IoT, namun strategi kontrol reaktif berbasis ambang batas yang umum digunakan seringkali terbukti tidak efisien. Penelitian ini menyajikan sebuah analisis komparatif berbasis simulasi untuk mengevaluasi secara kuantitatif performa antara strategi kontrol reaktif dan kontrol prediktif yang lebih cerdas. Dengan menggunakan data kelembapan time-series dari sebuah terarium Tropidolaemus sp., sebuah model peramalan SARIMA dikembangkan dan divalidasi untuk menjadi dasar dari kontroler prediktif. Kinerja kedua strategi kemudian diadu dalam lingkungan simulasi berdasarkan dua metrik utama: efisiensi aktuasi dan stabilitas lingkungan. Hasil menunjukkan bahwa kontroler prediktif secara signifikan lebih efisien, dengan mampu mengurangi jumlah aktivasi aktuator hingga 47% dibandingkan kontroler reaktif. Namun, penelitian ini mengungkap adanya trade-off fundamental: efisiensi tersebut diiringi oleh penurunan stabilitas akibat fenomena overshoot yang disebabkan oleh mekanisme aksi kontrol yang kaku. Studi ini menyimpulkan bahwa keunggulan prediksi proaktif harus disinergikan dengan mekanisme aksi yang adaptif untuk mencapai performa sistem yang holistik, seraya menawarkan metodologi simulasi sebagai kerangka kerja yang efisien untuk evaluasi sistem kontrol cerdas.

Peningkatan Performa Classification and Regression Tree Menggunakan Bagging pada Diagnosis Penyakit Jantung

Kokom Hera Fitriyana — 2026-04-23

Penyakit jantung merupakan salah satu penyebab utama kematian di dunia, sehingga diperlukan metode diagnosis yang cepat dan akurat untuk menanggulanginya. Salah satu pendekatan yang dapat digunakan adalah data mining, khususnya metode klasifikasi untuk menganalisis data kesehatan. Algoritma Classification and Regression Tree (CART) dikenal memiliki keunggulan dalam hal interpretabilitas, namun memiliki kelemahan dari segi kestabilan model terhadap perubahan data. Untuk mengatasi kelemahan tersebut, diterapkan teknik Bootstrap Aggregating (Bagging) guna meningkatkan kestabilan dan akurasi model. Penelitian ini bertujuan untuk menerapkan dan mengevaluasi efektivitas teknik Bagging dalam meningkatkan performa algoritma CART dalam diagnosis penyakit jantung. Data yang digunakan dalam penelitian ini terdiri dari tiga dataset yang tersedia di platform Kaggle, yaitu Heart Disease, Heart Disease Cleveland, dan Heart Disease Prediction. Model dibangun dalam dua kondisi, yaitu menggunakan parameter default dan parameter hasil tuning dengan metode Grid Search. Proses penelitian mencakup tahapan preprocessing data (penyesuaian tipe data, missing value, dan outlier), pelatihan dua jenis model klasifikasi (CART tunggal dan CART dengan Bagging), serta evaluasi berdasarkan metrik akurasi. Hasil penelitian menunjukkan bahwa penerapan teknik Bagging secara konsisten meningkatkan akurasi algoritma CART. Pada kondisi parameter default, akurasi meningkat dari 72,89% menjadi 78% (Heart Disease), 81,89% menjadi 85,78% (Heart Disease Cleveland), dan 77,44% menjadi 82,44% (Heart Disease Prediction). Sedangkan pada parameter hasil tuning, akurasi meningkat dari 75% menjadi 84% (Heart Disease), 77% menjadi 83% (Heart Disease Cleveland), dan tetap 83% (Heart Disease Prediction). Dengan demikian, teknik Bagging terbukti efektif dalam meningkatkan akurasi dan kestabilan model CART untuk diagnosis penyakit jantung.

Analisis Implementasi Sistem Penilaian Otomatis Jawaban Singkat Berbahasa Indonesia

Natanael Tegar Pramudya — 2026-04-23

Dalam dunia pendidikan, sudah berkembang banyak sekali tipe soal untuk mengukur sejauh mana pemahaman siswa terhadap materi yang sudah diberikan, seperti pilihan ganda, jawaban singkat, uraian, dan lain-lain. Penilaian untuk soal bertipe uraian sering menyita banyak sekali waktu tenaga pendidik. Salah satu solusi untuk mengatasi masalah ini adalah pengembangan sistem penilaian soal uraian otomatis. Sistem ini dikembangkan di berbagai literatur tentang Automatic Essay Scoring dan Automatic Short Answer Grading. Penelitian ini menggunakan model Support Vector Machine (SVM) Multikelas dalam membangun sistem penilaian otomatis. Terdapat beberapa temuan dari hasil penelitian yang sudah dilakukan. Untuk dataset yang digunakan, kombinasi fitur Unigram & Bigram Cosine Similarity, Type-Token Ratio, dan Word Count Ratio diimplementasikan bersama dengan kernel RBF dengan γ = 100 menghasilkan nilai presisi tertinggi pada tahap validasi. Di tahap evaluasi, dengan nilai metrik evaluasi presisi sebesar 0,49 dan RMSE sebesar 2,77, model ini dinilai kurang akurat. Karena, model KNN dan Logistic Regression memiliki nilai metrik evaluasi yang lebih tinggi. Model Logistic Regression lebih direkomendasikan untuk sistem penilaian soal uraian otomatis ini, karena model ini dapat memberikan prediksi yang lebih seimbang dan akurat berdasarkan nilai RMSE yang terendah dan nilai metrik presisi, recall, dan f1-score yang cenderung stabil.

Model Switching Hybrid Untuk Menangani User dan Item Cold-Start

Muhammad Ilman Aqilaa — 2026-04-23

Sistem rekomendasi menghadapi tantangan signifikan dalam kondisi cold-start, yaitu saat informasi tentang pengguna atau item masih terbatas. Penelitian ini mengusulkan pendekatan hybrid switching yang secara adaptif mengombinasikan Content-Based Filtering (CBF), Collaborative Filtering (CF) User-Based, dan CF Item-Based berdasarkan jumlah interaksi pengguna dan item. Evaluasi dilakukan melalui pengujian skenario cold-start terhadap satu pengguna, pengukuran akurasi menggunakan RMSE dan MAE dengan 5-Fold Cross-Validation, serta uji adaptivitas terhadap berbagai tingkat kondisi cold-start (5%, 20%, dan 50%). Hasil eksperimen menunjukkan bahwa model hybrid mampu menangani seluruh skenario cold-start secara efektif, dengan melakukan fallback ke metode CBF atau CF User-Based saat data tidak mencukupi, dan memilih CF Item-Based ketika informasi sudah memadai. Model ini mencatatkan performa terbaik dengan RMSE rata-rata sebesar 0.8165 dan MAE sebesar 0.6592, serta standar deviasi rendah, yang menunjukkan kestabilan performa antar-fold. Selain itu, sistem hybrid menunjukkan kemampuan adaptasi dinamis terhadap tingkat kelengkapan data, dengan pergeseran penggunaan algoritma fallback seiring meningkatnya kondisi cold-start. Dengan demikian, pendekatan hybrid switching tidak hanya unggul dari segi akurasi, tetapi juga fleksibel dan robust, menjadikannya solusi untuk meningkatkan kualitas sistem rekomendasi dalam skenario data yang tidak lengkap.

Pemanfaatan Differential Evolution dalam Optimasi Kebutuhan Gizi Balita Gizi Kurang dan Buruk

Sinyo April Dethan — 2026-04-23

Abstrak — Masalah gizi pada balita khususnya gizi kurang (wasted) dan gizi buruk (severely wasted), masih menjadi tantangan serius di Indonesia, khususnya di Provinsi Nusa Tenggara Timur (NTT). Penelitian ini bertujuan untuk mengembangkan sistem optimasi menu makanan harian bagi balita gizi kurang dan buruk (wasted dan severely wasted) usia 12-59 bulan dengan menggunakan algoritma Differential Evolution (DE). Sistem dirancang untuk menyeimbangkan kebutuhan gizi makro (energi, protein, lemak, karbohidrat, serat) dan gizi mikro (kalsium, zat besi, seng, tembaga, fosfor, vitamin C). Basis data yang digunakan terdiri dari bahan makanan yang umum dijumpai dan mudah diakses di NTT, yang dikelompokkan ke dalam kategori makanan pokok, lauk-pauk, sayuran, dan buah-buahan. Algoritma DE diimplementasikan untuk menghasilkan kombinasi menu yang optimal, variatif, dan terjangkau. Hasil penelitian menunjukkan bahwa algoritma DE berhasil menyusun rekomendasi menu yang seimbang. Konfigurasi optimal dicapai dengan ukuran populasi 20 dan 1.500 iterasi, yang secara konsisten menghasilkan solusi menu yang valid dengan waktu komputasi efisien. Sistem ini terbukti efektif sebagai alat bantu untuk mengatasi masalah pemenuhan gizi balita dengan mempertimbangkan variasi bahan pangan lokal dan keterjangkauan harga.

Paradoks Efisiensi: Persepsi Pengguna dan Hambatan Sistemik dalam Implementasi Rekam Medis Elektronik

Naurah Zharifah — 2026-04-23

Penelitian ini bertujuan untuk menganalisis implementasi sistem rekam medis elektronik dalam meningkatkan efisiensi layanan kesehatan. Pendekatan yang digunakan adalah metode kualitatif dengan teknik pengumpulan data melalui wawancara mendalam dan observasi terhadap beberapa unit pelayanan kesehatan. Hasil penelitian menunjukkan bahwa sistem ini memberikan dampak positif dalam mempercepat proses pencatatan dan akses data medis pasien, serta mengurangi penggunaan dokumen fisik. Namun, beberapa kendala juga ditemukan, seperti keterbatasan pelatihan teknis bagi tenaga kesehatan dan ketidakstabilan jaringan internet. Simpulan dari penelitian ini adalah bahwa sistem rekam medis elektronik berpotensi meningkatkan efisiensi layanan kesehatan, namun perlu didukung oleh pelatihan yang merata dan infrastruktur teknologi yang memadai.

Hybrid Fuzzy Logic dan Profile Matching untuk Meningkatkan Klasifikasi Obat Hipertensi

Agus Wantoro — 2026-04-23

Klasifikasi obat hipertensi telah dilakukan dengan berbagai metode, namun kombinasi Fuzzy dan Profile Matching (F-PM) untuk klasifikasi obat hipertensi belum banyak dilaporkan. Penelitian ini mengembangkan usulan baru dengan pendekatan yang berbeda, yaitu menggabungkan Logika Fuzzy pada metode Profile Matching. Evaluasi metode ini menggunakan lima puluh dataset klinis yang diambil dari www.kaggle.com. Hasil eksperimen menunjukkan bahwa penerapan Logika Fuzzy pada metode Profile Matching mampu meningkatkan akurasi sebesar 20,18% atau 98,39%. Penelitian ini juga membandingkannya dengan metode klasifikasi lainnya. Hasil perbandingan kinerja menunjukkan bahwa pendekatan yang diusulkan lebih baik. Pendekatan ini dapat menjadi referensi untuk banyak penelitian selanjutnya.

Sistem Perencanaan Gizi Harian Berbasis Optimasi Porsi dan Clustering K-Means

Muhamad Rianda — 2026-04-23

Abstrak — Perencanaan gizi harian yang personal merupakan tantangan kompleks akibat sulitnya menerjemahkan kebutuhan nutrisi individual ke dalam porsi makanan akurat, diperparah dengan tingginya prevalensi masalah gizi ganda di Indonesia. Penelitian ini bertujuan merancang dan mengimplementasikan sebuah Sistem Pendukung Keputusan (SPK) gizi harian yang mampu menghasilkan rekomendasi menu terukur. Metode penelitian menggunakan pendekatan hibrida, mengintegrasikan basis pengetahuan sistem pakar (aturan Mifflin-St Jeor, FAO, IOM) dengan mekanisme inferensi berbasis optimisasi porsi dinamis menggunakan pemrograman linier (PuLP). Selain itu, unsupervised machine learning (K-Means) diterapkan untuk melakukan clustering bahan makanan guna menghasilkan label nutrisi edukatif. Sistem diimplementasikan sebagai aplikasi web menggunakan Python Flask dan diuji melalui studi kasus serta verifikasi fungsional. Temuan utama menunjukkan bahwa mekanisme optimisasi berhasil menghasilkan rencana makan harian dengan porsi (gramasi) spesifik yang akurasinya sangat mendekati target kalori dan makronutrien (contoh studi kasus deviasi kalori <3%). Integrasi K-Means juga terbukti efektif memberikan label fungsional (misal: "Protein Murni", "Padat Energi") pada bahan makanan. Simpulan dari penelitian ini adalah bahwa arsitektur hibrida berbasis optimisasi porsi dinamis mampu menyediakan alat bantu perencanaan diet yang lebih akurat secara kuantitatif dan informatif dibandingkan pendekatan kualitatif tradisional.

Dampak Filter Digital Terhadap Kinerja Convolutional Neural Network pada Klasifikasi Suara Lingkungan

I Kadek Arya Sugianta — 2026-04-23

Sering kali, teknik pembatasan bandwidth ala telefoni diterapkan mentah-mentah pada sistem klasifikasi suara lingkungan tanpa validasi yang cukup. Untuk menguji efektivitasnya, penelitian ini mengevaluasi dampak berbagai filter digital (Low-Pass, High-Pass, Band-Pass, Band-Stop) terhadap kinerja CNN pada dataset ESC-50. Setelah menetapkan Log-Mel Spectrogram sebagai fitur input terbaik (mengungguli MFCC), eksperimen membuktikan bahwa filter Band-Pass standar (300-3400 Hz) dan Low-Pass justru merusak akurasi. Ini mengonfirmasi bahwa suara lingkungan membutuhkan spektrum frekuensi yang luas (broadband), terutama di frekuensi tinggi. Temuan positif justru didapat dari penggunaan High-Pass Filter (HPF) orde rendah (FIR-32) dengan cut-off 1000 Hz, yang berhasil meningkatkan akurasi hingga 66.20% di atas baseline. Analisis spektral memperlihatkan bahwa konfigurasi ini sukses membuang noise rendah tanpa memicu efek transient smearing (distorsi waktu). Oleh karena itu, studi ini merekomendasikan HPF orde rendah sebagai standar baru, sembari menyarankan penggunaan filter adaptif (learnable filters) di masa depan.