IRPI Publisher Journals (Institute of Research and Publication Indonesia)
Not a member yet
1012 research outputs found
Sort by
Amazon Stock Price Prediction Using Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU)
No full textStocks have become one of the largest and most intricate financial markets globally due to their high popularity, making them very challenging to predict as they can process millions of transactions rapidly. The objective of this study is to enhance the field by creating a dependable and accurate model for predicting the stock price of Amazon. This will be achieved via the use of advanced algorithms such as Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU). This research utilised historical data on Amazon's stock price from the past five years, which was acquired from Yahoo Finance. The data was partitioned using a hold-out validation technique, allocating 80% for training and 20% for testing. The model underwent training using different optimizers (Adam, SGD, RMSprop), batch sizes (8, 16, 32), and learning rates (0.001, 0.0001). The evaluation criteria comprised of mean squared error (MSE), root mean squared error (RMSE), mean absolute error (MAE), and mean absolute percentage error (MAPE). The results suggest that the GRU model, when trained with the RMSprop optimizer using a batch size of 16 and a learning rate of 0.0001, as well as with the SGD optimizer using a batch size of either 16 or 32 and a learning rate of either 0.001 or 0.0001, produced the lowest error metrics, indicating superior performance. This study enables more precise forecasts of stock prices and more efficient investment techniques
Implementasi Sensor Gas Amonia Berbasis Internet of Things pada Peternakan Ayam Potong dengan Sistem Monitoring dan Pengendalian Kualitas Udara Otomatis: Implementation of Internet of Things-Based Ammonia Gas Sensors on Broiler Chicken Farms with an Automatic Air Quality Monitoring and Control System
No full textPenelitian ini bertujuan untuk mengembangkan dan mengimplementasikan sensor gas amonia berbasis IoT pada peternakan ayam potong dengan sistem monitoring dan pengendalian kualitas udara otomatis. Sistem ini menggunakan sensor MQ137 untuk mendeteksi kadar gas amonia dan mikrokontroler ESP32 untuk mengontrol berbagai komponen seperti buzzer, RTC DS1307, dan sistem penyemprotan otomatis. Data kualitas udara dikumpulkan dan dipantau secara real-time melalui aplikasi web, memungkinkan peternak untuk mengambil tindakan cepat dalam menjaga kondisi optimal di kandang ayam. Hasil penelitian menunjukkan bahwa sistem ini efektif dalam mengendalikan kadar gas amonia, dengan penyemprotan air otomatis yang diaktifkan ketika kadar gas melebihi ambang batas 7,2 ppm, sehingga meningkatkan kesehatan dan produktivitas ayam poton
Information Gain Feature Selection for Temporal Sentiment Analysis of Pedulilindungi Application Review using Naïve Bayes Classifier Algorithm: Information Gain Feature Selection for Temporal Sentiment Analysis of Pedulilindungi Application Review using Naïve Bayes Classifier Algorithm
No full textThrough the Instruction of the Minister of Home Affairs of the Republic of Indonesia Number 38 of 2021 concerning the Implementation of Restrictions on Community Activities (PPKM), all communities are required to use the Pedulilindungi application from August 31, 2021, to September 6, 2021, and updated regularly. Users can download and access the Pedulilindungi application through the Google Play Store application market. There, users can directly assess an application by providing reviews that can describe user responses and satisfaction with the application. The Naïve Bayes Classifier (NBC) algorithm is applied to perform modeling in classifying temporal sentiment analysis data. Prior to classification, a feature selection process with information gain is performed. Based on the experimental results, the best evaluation was produced on temporal data dated September 03, 2021, with an accuracy of 91.9% and precision and recall values of 99.9% and 91.9%, respectively
Rancang Bangun Alat Monitoring Tanaman Hidroponik dengan Pemanfaatan Pupuk Cair Limbah Sampah Berbasis IoT: Design and Construction of IoT-Based Hydroponic Plant Monitoring Tool Utilizing Liquid Fertilizer from Waste
No full textIndonesia sebagai negara agraris menghadapi tantangan keterbatasan lahan pertanian akibat urbanisasi yang meningkat. Sistem hidroponik menjadi media untuk mengatasi permasalahan tersebut, seperti tanaman selada (Lactuca sativa). Mayoritas petani masih menggunakan cara manual dalam penanaman tanaman sehingga tidak konsisten untuk memantau tanaman. Penelitian ini bertujuan untuk mengembangkan alat monitoring yang diteliti sebelumnya. Pengembangan yang dilakukan pada alat ini dengan menambahkan fitur kamera berbasis Internet of Things. Metode yang dilakukan meliputi pembuatan pupuk cair melalui fermentasi limbah rumah tangga dengan cairan EM4 dan molase, serta perancangan sistem berbasis sensor ESP32 yang terhubung dengan sensor pH, sensor TDS, sensor DHT11, dan modul kamera ESP32-CAM. Data sensor ditampilkan pada LCD dan dikirim secara real-time ke aplikasi Blynk. Hasil dari penelitian menunjukkan bahwa sistem mampu bekerja dengan baik dalam monitoring tanaman dengan koneksi WiFi sensor ESP32 terhubung hingga jarak 10 meter, nilai sensor pH memiliki rata-rata error 4.6% sebelum pemupukan dan 5% sesudah pemupukan, sedangkan sensor TDS memiliki rata-rata error 6% sebelum pemupukan dan 10.8% sesudah pemupukan. Sensor DHT11 mencatat suhu lingkungan antara 27–31°C dan kelembapan 67–71%
Optimasi Seleksi Fitur Menggunakan Algoritma Hybrid ARO-DBSCAN untuk Meningkatkan Akurasi Model Klasifikasi K-Nearest Neighbor: Feature Selection Optimization Using the Hybrid ARO-DBSCAN Algorithm to Improve the Accuracy of the K-Nearest Neighbor Classification Model
No full textPenelitian ini mengusulkan metode ARO-DBSCAN, sebuah pendekatan hybrid yang menggabungkan algoritma optimasi Artificial Rabbits Optimization (ARO) dengan teknik clustering Density-Based Spatial Clustering of Applications with Noise (DBSCAN) untuk pemilihan fitur yang lebih efektif. Hasil eksperimen menunjukkan bahwa ARO-DBSCAN secara konsisten mengungguli metode ARO dan AROD, dengan peningkatan akurasi klasifikasi pada 13 dari 18 dataset (populasi 15) dan 12 dataset (populasi 30), sekaligus mampu memilih fitur lebih sedikit tanpa mengurangi kualitas model. Dibandingkan dengan algoritma hybrid lain seperti GA-DBSCAN dan PSO-DBSCAN, ARO-DBSCAN tetap lebih unggul berkat kemampuan clustering DBSCAN yang mengelompokkan solusi serupa, sehingga mempercepat pencarian solusi optimal dan menghindari terjebak di solusi lokal. Temuan ini membuktikan bahwa integrasi teknik metaheuristik dengan clustering berbasis kepadatan dapat menjadi solusi efisien untuk pemilihan fitur pada data berdimensi tinggi di era big data
Implementasi Machine Learning untuk Analisis Sentimen Opini Publik Mengenai Pembukaan Kebun Kelapa Sawit di Papua: Machine Learning-Based Sentiment Analysis of Public Opinion on Palm Oil Plantation Expansion in Papua
No full textEkspansi perkebunan kelapa sawit di Papua menimbulkan beragam respons publik di media sosial, khususnya pada platform X (Twitter). Penelitian ini bertujuan untuk menganalisis sentimen dan emosi publik terhadap isu tersebut menggunakan pendekatan machine learning melalui aplikasi Orange Data Mining. Sebanyak 1.355 tweet dikumpulkan menggunakan Twitter API v2 dan Google Colab yang terintegrasi dengan pustaka snscrape guna mengatasi batasan pengambilan data. Analisis dilakukan dengan model Multilingual Sentiment untuk klasifikasi polaritas (positif, negatif, netral) dan model Ekman Emotion untuk identifikasi enam emosi dasar. Hasil menunjukkan bahwa sentimen netral mendominasi (39,78%), diikuti negatif (32,16%) dan positif (28,05%). Namun, sentimen netral tidak selalu bersifat informatif, melainkan dapat muncul akibat ambiguitas linguistik atau keterbatasan model dalam memahami konteks lokal bahasa Indonesia. Emosi Joy (sukacita) merupakan emosi paling dominan, tetapi juga muncul dalam kategori sentimen negatif, yang mengindikasikan adanya ekspresi sarkasme dan ironi terhadap isu sawit. Hal ini mencerminkan keterbatasan model otomatis dalam mendeteksi makna tersirat dan gaya bahasa satir. Penelitian ini menyimpulkan bahwa meskipun model Multilingual Sentiment efektif untuk mendeteksi pola umum opini publik, pendekatan ini memerlukan penyesuaian kontekstual agar lebih sensitif terhadap nuansa budaya dan semantik bahasa Indonesi
Sistem Pendukung Keputusan Penilaian Kinerja Guru Menggunakan Metode Simple Additive Weighting (SAW): Decision Support System for Teacher Performance Assessment Using The Simple Additive Weighting (SAW) Method
No full textGuru merupakan komponen yang sangat berpengaruh dalam menentukan keberhasilan pendidikan. Kinerja guru yang baik akan meningkatkan mutu pendidikan secara keseluruhan. Penilaian Kinerja Guru (PKG) menjadi suatu hal yang sangat penting dalam upaya meningkatkan kinerja guru. Namun, Proses PKG di Sekolah Islam Terpadu Al-Qalam Depok masih dilakukan secara manual sehingga rentan terhadap kesalahan perhitungan dan memakan waktu yang lama. Pembuatan Sistem Pendukung Keputusan (SPK) dengan metode Simple Additive Weighting (SAW) ini bertujuan membantu mengatasi permasalahan tersebut. Berdasarkan data yang diproses dengan metode SAW terdapat 5 alternatif guru yang dinilai dengan 4 kriteria penilaian yaitu pedagogik, kepribadian, sosial, dan profesional. hasil perangkingan menunjukkan alternatif A5 memperoleh nilai kinerja guru yang tertinggi yaitu 95. Hasil pengujian fungsionalitas dengan metode black box menunjukkan Sistem berjalan sesuai fungsi yang ditetapkan. Dengan SPK ini, PKG menjadi lebih akurat dan efisien dalam waktu untuk mengevaluasi kinerja guru yang ada disekolah tersebut sehingga dapat digunakan sebagai dasar pengambilan keputusan dalam meningkatkan mutu pendidikan di Sekolah Islam Terpadu Al-Qalam Depok
Perbandingan Data Prediksi Diabetes Menggunakan Machine Learning: Comparison of Diabetes Prediction Data Using Machine Learning
No full textDiabetes merupakan penyakit metabolisme jangka panjang yang berdampak pada tubuh manusia dengan cara mengubah glukosa darah menjadi energi. Individu yang telah didiagnosis dengan diabetes tidak dapat mengontrol level gula dalam darah, yang akan menyebabkan peningkatan kadar gula darah dan tekanan darah. Penelitian ini bertujuan untuk menganalisis dan membandingkan visualisasi data dari empat model machine learning (Random Forest, Logistic Regression, SVC, dan Gradient Boosting ) dalam prediksi penyakit diabetes. Hasil penelitian ini diharapkan dapat memberikan panduan dalam pemilihan teknik visualisasi yang optimal untuk mendukung interpretasi hasil prediksi diabetes berbasis machine learning, serta meningkatkan efektivitas komunikasi hasil prediksi kepada praktisi medis dan pasien. Hasil penelitian memperlihatkan bahwa Gradient Boosting menempati posisi teratas dengan skor ROC AUC sebesar 0,97, disusul oleh Random Forest (0,94) dan Logistic Regression (0,93), sementara SVC mencatatkan nilai 0,84. Walaupun tingkat akurasi keseluruhan model cukup tinggi (?97%), nilai recall pada kelas positif masih rendah (0,39–0,49), yang menunjukkan adanya kendala dalam mengidentifikasi kasus minoritas pada dataset yang tidak seimbang. Variabel fisiologis, seperti BMI dan HbA1c, terbukti berperan signifikan sebagai prediktor, namun kinerja model diperkirakan dapat meningkat lebih jauh dengan mengintegrasikan faktor perilaku dan riwayat medis yang lebih terperinci
Comparative Analysis of Corona Discharge Characteristics in High Voltage AC and DC Transmission Lines : Comparative Analysis of Corona Discharge Characteristics in High Voltage AC and DC Transmission Lines
No full textThe increasing demand for reliable long-distance electricity transmission has elevated the importance of understanding corona discharge phenomena in high-voltage AC (HVAC) and DC (HVDC) transmission lines. Corona discharge, caused by local electric fields exceeding air breakdown strength, contributes to power losses, audible noise, and electromagnetic interference, which collectively reduce system efficiency and operational reliability. This study investigates the behavior of corona under varying environmental and conductor conditions, focusing on pressure, humidity, and surface roughness, which are known to influence onset voltage, power loss, and noise emissions. A combination of empirical modeling and regression-based analysis was employed, incorporating effective breakdown field estimations, geometric voltage scaling, AC/DC mode corrections, and power-law relationships for corona current and power loss. Experimental and simulation results demonstrate that the breakdown field is maximized at 3.0 MV/m under high pressure (105 kPa) and low humidity (10%), while decreasing to 1.9 MV/m at 80 kPa and 95% humidity. Corona onset voltage decreases with surface roughness, with AC voltage dropping from 72.0 kV to 56.4 kV and DC voltage from 78.0 kV to 61.2 kV over roughness ranges of 0.5–50 ?m. Power losses scale with excess voltage, with AC losses following and DC losses . Audible noise increases from 24 dB(A) to 71 dB(A) as power loss rises, with surface roughness and humidity amplifying the effect. Sensitivity analysis identifies surface roughness and humidity as dominant factors, while AC lines exhibit 14% higher power losses and 13% higher noise levels than DC lines. The findings provide quantitative insights for transmission line design and operational policies, emphasizing the need for surface maintenance and humidity mitigation strategies to enhance efficiency, reduce energy losses, and comply with environmental noise standards.
 
Capacity Building through Digital Application Utilization Training to Improve Teacher Productivity at SMP PGRI Pangkalan Kerinci : Pelatihan Pemanfaatan Aplikasi Digital untuk Meningkatkan Produktivitas Guru di SMP PGRI Pangkalan Kerinci
No full textSMP PGRI Pangkalan Kerinci menghadapi tantangan dalam meningkatkan produktivitas guru melalui pemanfaatan teknologi digital pada proses pembelajaran dan administrasi sekolah. Oleh karena itu, dilaksanakan kegiatan Pengabdian kepada Masyarakat berupa Pelatihan Pemanfaatan Aplikasi Digital yang berfokus pada aplikasi kolaborasi dokumen, formulir online, pembuatan presentasi berbasis AI, pengelolaan kelas online, dan pembuatan website sederhana. Kegiatan ini dilaksanakan secara tatap muka dengan metode praktik langsung agar peserta dapat menguasai keterampilan secara aplikatif. Evaluasi dilakukan melalui penyebaran angket kepada 15 responden dengan 10 butir pertanyaan yang mencakup aspek keandalan, daya tanggap, empati, kepastian, dan bukti fisik. Hasil menunjukkan bahwa 43% responden menyatakan setuju dan 57% menyatakan sangat setuju terhadap kesesuaian materi, metode penyampaian, serta kompetensi pelaksana. Selain itu, seluruh responden menilai pelatihan ini responsif, ramah, dan memberikan layanan terbaik sesuai kebutuhan guru. Dengan demikian, kegiatan ini berhasil meningkatkan pemahaman serta keterampilan guru dalam memanfaatkan aplikasi digital sebagai upaya peningkatan produktivita