Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penyakit Demam Berdarah Dengue (DBD) merupakan salah satu penyakit yang penyebarannya sangat cepat. Dengan memprediksi angka insiden penyakit tersebut, diharapkan dapat membantu pemerintah dalam mengatasi penyakit ini. Seiring berkembangnya ilmu pengetahuan, salah satu metode untuk memprediksi penyakit DBD adalah machine learning. Penelitian dilakukan dengan memanfaatkan salah satu metode dalam machine learning yaitu Long Short-Term Memory (LSTM) dalam membangun model prediksi insiden DBD. Pada penelitian sebelumnya, LSTM telah digunakan dalam memprediksi angka insiden DBD di 20 kota di negara China. Pada skripsi ini model LSTM diterapkan untuk memprediksi angka insiden DBD di DKI Jakarta dengan menggunakan data cuaca dan insiden DBD. Hasil implementasi LSTM dalam memprediksi angka insiden DBD menunjukkan bahwa model terbaik diperoleh dengan menggunakan proporsi data training-testing 90%-10% dengan RMSE dan MAE berdasarkan data test. Nilai RMSE pada wilayah Jakarta Pusat, Jakarta Timur, Jakarta Barat, Jakarta Utara, dan Jakarta Selatan adalah 5,218412, 9,570137, 10,527401, 6,496117, dan 5,952310. Nilai MAE pada wilayah yang sama secara berturut-turut adalah 4,016646, 7,791134, 8,405053, 5,279802, dan 4,416999.

---

Dengue Hemorrhagic Fever (DHF) is a disease that spreads very fast. By predicting the incidence of the disease, it is expected to help the government in overcoming this disease. As the development of science, one method to predict DHF is machine learning. The study was conducted by utilizing one method in machine learning that is Long Short Term-Memory (LSTM) in building a DHF incident prediction model. In previous studies, LSTM has been used in predicting the incidence of DHF in 20 cities in China. In this thesis the LSTM model is applied to predict the number of DHF incidents in DKI Jakarta by using weather data and DHF incidents. The results of LSTM implementation in predicting the number of DHF incidents showed that the best model was obtained using the proportion of training data-testing 90% -10% with RMSE and MAE based on test data. The RMSE values in the Central Jakarta, East Jakarta, West Jakarta, North Jakarta and South Jakarta areas are 5.218412, 9.570137, 10.527401, 6.496117, and 5.952310. MAE values in the same region are 4,016646, 7.791134, 8.405053, 5.279802, and 4.416999."

"Demam Berdarah Dengue (DBD) merupakan penyakit yang disebabkan oleh virus dengue (DENV) yang ditularkan kepada manusia melalui gigitan nyamuk betina. DBD cenderung memiliki siklus musiman, dimana puncak transmisinya di saat dan setelah musim hujan. Faktor iklim yang paling berpengaruh terhadap kasus DBD adalah curah hujan, suhu, dan kelembapan. Berdasarkan data dari Kemenkes (2021), masih terjadi penurunan dan peningkatan jumlah penderita DBD pada tahun 2016-2020. Oleh karena itu, diperlukan adanya pencegahan untuk mengendalikan jumlah kasus DBD. Prediksi jumlah insiden DBD dengan menggunakan deep learning dapat menjadi alternatif dalam pengendalian kasus DBD. Penelitian ini menggunakan data insiden DBD dan data iklim yang terdiri dari data temperatur rata-rata, kelembapan rata-rata, dan curah hujan di DKI Jakarta. Data yang digunakan merupakan data yang tercatat dari tahun 2008-2023. Prediksi insiden DBD dilakukan pada 5 wilayah di DKI Jakarta, yaitu Jakarta Barat, Jakarta Pusat, Jakarta Selatan, Jakarta Timur, dan Jakarta Utara. Untuk mencapai tujuan penelitian, penelitian ini menggunakan metode Long Short-Term Memory (LSTM). LSTM merupakan merupakan arsitektur recurrent network yang mampu mengingat informasi dalam jangka waktu yang lama. Hasil analisis menunjukkan bahwa LSTM dapat diimplementasikan untuk memprediksi insiden DBD di DKI Jakarta dimana wilayah Jakarta Pusat memiliki hasil terbaik dengan nilai MAE sebesar 6,021466 dan nilai RMSE sebesar 9,062668.

---

Dengue Hemorrhagic fever (DHF) is a disease caused by the dengue virus (DENV), which is transmitted to humans through the bite of female mosquitoes. Dengue tends to have a seasonal cycle, with transmission peaks during and after the rainy season. The climatic factors that have the most influence on dengue cases are rainfall, temperature, and humidity. Based on data from the Ministry of Health (2021), there are still changes in the number of dengue patients in 2016-2020. Therefore, prevention is needed to control the number of dengue cases. Predicting the number of dengue incidents using deep learning can be an alternative in controlling dengue cases. This study uses dengue incidence data and climate data consisting of average temperature, average humidity, and rainfall in DKI Jakarta. Data used is data recorded from 2008 - 2023. The prediction of dengue incidence was carried out in 5 regions in DKI Jakarta, namely West Jakarta, Central Jakarta, South Jakarta, East Jakarta, and North Jakarta. To achieve the research objectives, this study uses the Long Short-Term Memory (LSTM) method. LSTM is a recurrent network architecture that is able to remember information over a long period of time. The analysis results show that LSTM can be implemented to predict dengue incidents in DKI Jakarta, where Central Jakarta region has the best results with an MAE value of 6,021466 and an RMSE value of 9,062668.

"

"Jakarta merupakan ibukota Indonesia yang berfungsi sebagai pusat pemerintahan dan ekonomi, dimana urbanisasi menjadi masalah di Jakarta yang memiliki laju pertumbuhan penduduk yang mencapai 0,86% menurut Badan Pusat Statistik. Dengan pertumbuhan penduduk yang masih terus bertambah, pengelolaan sumber air menjadi aspek yang krusial dalam tata kota dan urban planning. Salah satu aspek utama dalam pengelolaan tersebut adalah mengelola hubungan curah hujan-limpasan permukaan pada daerah tersebut. Salah satu cara dalam pengelolaan tersebut adalah melalui metode pemodelan dimana metode ini dapat memberikan analisis secara mendalam serta kemampuannya dalam memprediksi yang berguna untuk pengelolaan sumber air. Terdapat berbagai cara dalam memodelkan hubungan curah hujan-limpasan permukaan dimana salah satunya adalah pemodelan berbasis data. Salah satu metode pemodelan tersebut adalah melalui deep learning dimana pada penelitian ini penulis mengunakan metode Long Short-term Memory (LSTM). Penelitian ini akan menggunakan LSTM sebagai alat untuk memodelkan data curah hujan dari tiga stasiun pengukuran dan data debit sungai dari tiga stasiun pengukuran dengan rentang waktu sepanjang 12 tahun (2009-2020). Hasil dari prediksi menunjukkan bahwa model LSTM memiliki performa yang buruk dalam dataset curah hujan dimana nilai R² tertinggi yang mencapai 0.09 dengan nilai MAE dan RMSE yang masing-masing berada pada 9,7 mm dan 18,14 mm. Performa pada dataset limpasan permukaan menunjukkan bahwa LSTM memiliki performa yang cukup baik dimana masing-masing rata-rata nilai R², MAE dan RMSE tertinggi berada pada 0,58, 4,15 m³/s dan 8 m³/s. Berdasarkan dari hasil evaluasi tersebut, penulis menyimpulkan bahwa meskipun dengan nilai akurasi yang rendah, model LSTM masih memiliki potensi untuk dikembangkan secara lebih lanjut apabila melihat nilai MAE dan RMSE yang berada pada kisaran yang cenderung lumayan sehingga LSTM dapat dikembangkan dengan penambahan data masukan.

---

Jakarta is a capital city which functioned as both a governmental and economic centre in Indonesia, which makes urbanization a problem in Jakarta, on which Jakarta itself has a population growth rate of 0.86% according to Statistic Indonesia. As Jakarta is still growing in terms of its population, managing water resources in the city is such a critical aspect of its urban planning. ­One of the key aspects of water resources management is managing the rainfall-runoff relationship in the area. One of the ways of managing it is through modelling the relationship itself which can give an in-depth analysis and its capability for forecasting which can be valuable in water resources management. Various approaches to modelling rainfall-runoff have been developed over the years, which data-driven modelling is one of them. One of the methods is through deep learning, which in this study we will use long short-term memory (LSTM) neural network. This study will use LSTM neural network as a tool to model 9 years (2009-2020) of rainfall data from three rain gauge stations and three discharge gauge stations to train the model. Results from the prediction shows that the LSTM model performed terribly on rainfall datasets, which the highest from the R² values are 0.09 with MAE and RMSE are on 9.7 mm and 18.4 respectively. Performance on runoff datasets shows that LSTM performed on a decent level, which mean from the R², MAE and RMSE are on 0.58, 4.15 m³/s and 8 m³/s respectively. Based on the evaluation results, author suggests that despite of its low level of accuracy, models based on LSTM still have some room for improvement based on their MAE and RMSE value that at least are on a respectable level shown that they could benefit from adding more data as an input for better performance of the model."

"Saham merupakan salah satu surat berharga yang diterbitkan dan dijual oleh perusahaan,yang telah memenuhi syarat, di Bursa Efek Indonesia. Prinsip dasar yang dimiliki olehsaham adalah High Risk High Reward, yang menggambarkan bahwa saham memangdapat memiliki hasil yang besar, namun memiliki risiko yang tinggi pula. Denganprinsip High Risk High Reward, tentunya para investor harus lebih hati-hati dalammenentukan langkah yang akan mereka lakukan. Salah satu cara yang dapat digunakanuntuk mengurangi risiko, yaitu melakukan prediksi tren harga saham menggunakanMachine Learning. Menggunakan data historis saham pada Bursa Efek Indonesia,yaitu open, high, low, dan close price, algoritma Machine Learning dapat melakukanprediksi tren harga saham yang selanjutnya akan digunakan sebagai strategi investasipara investor. Terdapat banyak metode Machine Learning yang dapat digunakan untukmelakukan prediksi, salah satu metode yang dapat digunakan adalah Recurrent NeuralNetwork yaitu Long Short Term Memory (LSTM). Pada metode LSTM, data historisharga saham akan dibawa ke depan melalui seluruh gerbang LSTM yaitu: ForgetGate, Input Gate, dan Output Gate. Selanjutnya akan dicari nilai loss dari model,setelah didapat nilai loss, model akan ditinjau kembali setiap tahapannya, dimulai daribelakang. Langkah pengulangan tesebut dilakukan agar mendapat variabel Weight danBias yang optimal. Kemudian, tingkat akurasi dari metode tersebut akan ditentukanmenggunakan: Root Mean Square Error (RMSE) dan Mean Absolute Error (MAE).Penelitian ini menggunakan data historis perusahaan yang termasuk pada Indeks LQ45dan dapat diambil melalui website, finance.yahoo.com. Dari penelitian ini, diketahuibahwa, masing-masing masalah memiliki model terbaiknya, untuk penyelesaian masalahtersebut.

---

Stock is a part of ownership of a company, that have fulfill the requirement to be sold at

Bursa Efek Indonesia. The basic principal of stock market is High Risk High Reward,

which describe that stock market indeed have a chance to get a great profit, but it also

come with a high risk. This principal is the reason that all investor must be cautious in

deciding their move. There’s many method to do this, with one of the being, forecasting

the stock market trend with machine learning. With the historical data, that include

open, high, low, dan close price, the machine learning algorithm, could forecast the stock

market direction for the next days, which will be one of the deciding factor for investor to

choose their move. Nowadays, there’s many machine learning method that can be used to

forecast, one of them is the branch method of Recurrent Neural Network, which is, Long

Short Term Memory (LSTM). LSTM use the historical data, and bring them forward to,

Forget Gate, Input Gate, Memory State, Output Gate. Then the loss value of the model

will be calculated. After all the process the model will be re-evaluated. The re-evaluation

step is to update all the weights and biases in the model. Then the accuracy of the model

will be evaluated with Root Mean Squared Error (RMSE) and Mean Absolute Error

(MAE). This study uses the historical data of the companys that’s included in the index

LQ45, and the data is taken from the website, finance.yahoo.com. From this research, it

is known that every problem has their own preference model to solve."

"Demam Berdarah Dengue (DBD) disebabkan oleh virus dengue yang disebarkan oleh nyamuk Aedes aegypti dan Aedes albopictus. Menurut WHO, sebagai negara yang berada di daerah tropis, Indonesia adalah negara yang berisiko DBD tinggi. DBD dapat menyebar dari penderita DBD ke orang yang sehat melalui gigitan nyamuk yang telah terinfeksi virus dengue. Faktor cuaca yang terdiri dari temperatur, kelembaban, dan curah hujan mempunyai pengaruh terhadap jumlah insiden DBD. Dengan memprediksi jumlah insiden DBD, diharapkan pemerintah dan masyarakat lebih siap menangani DBD ketika jumlah insiden DBD diprediksi tinggi jumlahnya. Pada tugas akhir ini, jumlah insiden DBD diprediksi dengan support vector regression, dengan jumlah insiden dan faktor cuaca sebelumnya yang terdiri dari temperatur, kelembaban, dan curah hujan sebagai variabel prediktor. Fungsi kernel yang digunakan adalah kernel linear dan kernel gaussian radial basis function (radial). Variabel prediktor ditentukan dengan mencari time lag dari masing-masing variabel prediktor terhadap jumlah insiden menggunakan korelasi silang. Model yang dibentuk dievaluasi dengan Root Mean Squared Error dan Mean Absolute Error. Pada tugas akhir ini, support vector regression dengan kernel linear memberikan performa yang lebih baik daripada kernel radial.

---

Dengue fever is a disease caused by dengue virus, which is spread by Aedes aegypti and Aedes albopictus mosquitoes. According to WHO, as a tropical country, Indonesia is a country at risk for dengue. Dengue can spread to other people by mosquitoes bite. Weather factors, such as temperature, humidity, and rainfall have effects on the number of dengue incidences. It is important to predict the number of incidences so that the government and people will be ready to prevent a dengue outbreak when the number of incidences is predicted high.

In this final paper, number of dengue incidences in DKI Jakarta is predicted using support vector regression, with weather and the previous number of incidences as predictor variables. Linear and gaussian radial basis function kernel are used. These predictor variables are determined by analyzing the time lag between each predictor variables and the number of incidences by using cross correlation. Models for prediction are evaluated by Root Mean Squared Error and Mean Absolute Error. The result shows that support vector regression with linear kernel have better performance than support vector regression with gaussian radial basis function kernel for predicting dengue incidences number."

"

Sejak tahun 2017 hingga Oktober 2023, telah terjadi peningkatan jumlah investor Indonesia sebesar 959%, yang menyoroti kebutuhan akan model peramalan untuk membantu mereka mendapatkan keuntungan dari pasar modal. Diversifikasi investasi, seperti pasar modal syariah dengan tolak ukur Jakarta Islamic index (JII) yang relatif lebih rendah risiko, telah menjadi alternatif yang penting. Penelitian ini bertujuan untuk menentukan model terbaik untuk meramalkan harga Jakarta Islamic Index (JII) dengan membandingkan metode tunggal dan hibrida yang menggabungkan transformasi Discrete Wavelet Transform (DWT), model ekonometrik ARIMA, dan model artificial intelligence LSTM, berdasarkan evaluasi Mean Absolute Percentage Error (MAPE) dan akurasi ketepatan arah pergerakan indeks saham. Selain itu, penelitian ini juga mengevaluasi strategi investasi terbaik di pasar modal syariah antara strategi market timing dan buy-and-hold. Metodologi yang digunakan adalah pendekatan prediktif-eksploratif untuk menggali informasi dari data JII dan mengolahnya dengan enam model. Temuan menunjukkan bahwa model tunggal ARIMA sendiri mencapai MAPE terendah sebesar 0.631%. Nilai MAPE untuk model-model lainnya adalah sebagai berikut: ARIMA-LSTM sebesar 0.643%, DWT-ARIMA sebesar 0.736%, DWT-ARIMA-LSTM sebesar 0,744%, LSTM sebesar 0.992%, dan DWT-LSTM sebesar 1.609%. Selain itu, akurasi ketepatan arah peramalan tertinggi dicapai oleh model DWT-ARIMA-LSTM dengan 50.48% sedangkan ARIMA hanya 45.47%, menunjukkan pentingnya mempertimbangkan tidak hanya nilai MAPE tetapi juga akurasi arah dalam evaluasi model peramalan. Dengan menggunakan model DWT-ARIMA-LSTM untuk meramalkan harga JII yang diterapkan pada strategi market timing, ditemukan bahwa pendekatan ini menghasilkan simple return sebesar 19.78%, secara signifikan mengungguli strategi buy-and-hold, yang menghasilkan pengembalian negatif sebesar -5.44%. Namun, ketika disesuaikan dengan biaya transaksi simple return yang didapatkan dengan strategi market timing menjadi -28.08%. Dengan demikian, meskipun melakukan peramalan dapat menghasilkan return yang menarik, penting untuk mempertimbangkan biaya transaksi sebagai faktor krusial dalam strategi investasi.

---

From 2017 to October 2023, there has been a 959% increase in the number of Indonesian investors, highlighting the need for forecasting models to help them benefit from the capital market. Investment diversification, such as the Islamic capital market with the relatively lower-risk Jakarta Islamic index (JII) benchmark, has become an important alternative. This research aims to determine the best model for forecasting the price of the Jakarta Islamic Index (JII) by comparing single and hybrid methods that combine Discrete Wavelet Transform (DWT), ARIMA econometric model, and LSTM artificial intelligence model, based on the evaluation of Mean Absolute Percentage Error (MAPE) and accuracy of stock index movement direction. In addition, this study also evaluates the best investment strategy in the Islamic capital market between market timing and buy-and-hold strategies. The methodology used is a predictive-exploratory approach to extract information from the JII data and process it with six models. The findings showed that the single ARIMA model alone achieved the lowest MAPE of 0.631%. The MAPE values for the other models are as follows: ARIMA-LSTM at 0.643%, DWT-ARIMA at 0.736%, DWT-ARIMA-LSTM at 0.744%, LSTM at 0.992%, and DWT-LSTM at 1.609%. In addition, the highest forecasting directional accuracy was achieved by the DWT-ARIMA-LSTM model with 50.48% while ARIMA was only 45.47%, indicating the importance of considering not only the MAPE value but also directional accuracy in the evaluation of forecasting models. Using the DWT-ARIMA-LSTM model to forecast JII prices applied to a market timing strategy, it is found that this approach generates a simple return of 19.78%, significantly outperforming the buy-and-hold strategy, which generates a negative return of -5.44%. However, when adjusted for transaction costs the simple return obtained with the market timing strategy becomes -28.08%. Thus, while forecasting can generate attractive returns, it is important to consider transaction costs as a crucial factor in investment strategy.

 

"

"Pemantauan harga komoditas strategis merupakan pekerjaan yang penting karena kontribusi signifikan yang dimiliki oleh komoditas strategis terhadap perhitungan laju inflasi. Untuk membantu menyelesaikan pekerjaan ini, dibutuhkan metode prediksi terbaik yang mampu memprediksi pergerakan harga komoditas pangan strategis. Penelitian ini memiliki tujuan untuk menemukan model prediksi terbaik di antara Long-Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU), dalam memprediksi harga harian sepuluh komoditas pangan strategis: bawang merah, bawang putih, beras, cabai merah, cabai rawit, daging ayam, daging sapi, gula pasir, minyak goreng, dan telur ayam. Model ARIMA digunakan sebagai standar model klasik dalam penelitian kali ini. Mean Absolute Error (MAE) dan Mean Absolute Percentage Error (MAPE), GRU memberikan hasil prediksi harga harian paling baik pada enam dari total sepuluh komoditas dan LSTM memberikan hasil prediksi terbaik pada empat komoditas sisanya. Model terbaik pada tiap komoditas berhasil mengurangi angka MAE dari ARIMA sekitar 3% hingga 43%. Ketika model mempelajari data, GRU berhasil menyelesaikan prosesnya lebih cepat daripada LSTM pada delapan komoditas. Model peramalan terbaik yang ditemukan pada penelitian kali ini dapat digunakan untuk memperbaiki metode peramalan klasik yang telah digunakan dalam memprediksi harga harian pangan Indonesia, sehingga dapat membantu pemerintah dalam memformulasikan kebijakan dan peraturan terkait manajemen stabilitas harga pangan.

---

Managing strategic commodities prices in the market is considered an important task since they have a significant contribution to the calculation of the inflation rate. To aid this task, it is necessary to find the best forecasting model that can predict commodities daily price. This paper aims to find the best prediction model between Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU) in forecasting the daily price of ten Indonesia’s strategic commodities: shallot, garlic, rice, chili pepper, cayenne pepper, broiler meat, topside beef, granulated sugar, cooking oil, chicken egg. This research used ARIMA as a benchmark model. Based on Mean Absolute Error (MAE) and Mean Absolute Percentage Error (MAPE), GRU gave the best result in predicting the daily price of six out of ten commodities. It is found that the best model for each commodity managed to reduce the MAE score from ARIMA by around 3% until 43%. GRU managed to finish faster than LSTM in training eight commodities data. The best forecasting method found in this research can be used to improve the classic method to forecast the daily price of Indonesia’s food commodities in assisting the government in formulating policies and regulations related to food price management."

"Demam Berdarah Dengue (DBD) merupakan salah satu virus yang menginfeksimanusia melalui gigitan nyamuk Aedes aegypti dan Aedes albopictus. Menurut laporanCDC, Indonesia yang masuk dalam level 1 dari 3 yaitu level tertinggi, frequent orcontinuous kasus DBD. Perkiraan lebih awal dan akurat dari persebaran insiden DBDdapat meminimalkan ancaman dan membantu pihak yang berwenang untuk menerapkanlangkah-langkah pengendalian yang efektif. Pada penelitian ini, prediksi angka insidenDBD menggunakan faktor-faktor cuaca yang mempengaruhi perkembangan nyamuk itusendiri, yaitu temperatur, kelembapan, dan curah hujan sebagai variabel prediktor.Variabel prediktor ditentukan berdasarkan nilai korelasi silang dari time lag variabelprediktor terhadap jumlah insiden DBD. Penelitian dilakukan dengan memanfaatkansalah satu metode dalam machine learning, yaitu gated recurrent unit dalammembangun model prediksi insiden DBD tersebut. Performa model yang digunakandievaluasi dengan Root Mean Squared Error dan Mean Absolute Error. Hasil penelitianini menunjukkan bahwa prediksi angka insiden DBD terbaik, diperoleh denganmenggunakan proporsi data training-test: 90%-10%.

---

Dengue Fever (DF) is a virus that infects humans through the bite of Aedes aegypti andAedes albopictus mosquitoes. According to the CDC report, Indonesia is included inlevel 1 of 3, namely the highest level, frequent or continuous cases of DF. Early andaccurate estimates of the spread of dengue incidents can minimize threats and help theauthorities to implement effective control measures. In this study, the prediction of DFincidence uses weather factors that influence the development of mosquitoesthemselves, namely temperature, humidity, and rainfall as predictor variables. Predictorvariables are determined based on the value of the cross correlation of the time lagpredictor variable to the number of DF incidents. The study was conducted by utilizingone method in machine learning, namely the gated recurrent unit in building the DFincident prediction model. The performance of the model are evaluated by Root MeanSquared Error and Mean Absolute Error. The results of this study shows that the bestprediction model of DF incidence rate, obtained using the proportion of training-testdata: 90% -10%."

"Gasifier biomassa merupakan suatu alat yang dapat mengkonversi biomassa seperti dari tumbuhan dan hewan menjadi gas sintetik (synthetics gas/syngas). Output dari gasifier biomassa ini sendiri berupa syngas yang dapat dimanfaatkan menjadi sumber energi panas atau energi listrik. Hal tersebut dilakukan berdasarkan kelangkaan energi tak terbarukan seperti minyak dan batubara pada masa ini dan tentunya untuk masa yang akan datang. Dengan menggunakan gasifier biomassa, diharapkan masyarakat di Indonesia dapat menghasilkan energi terbarukan melalui media biomassa. Efisiensi merupakan hal yang diharapkan pada kasus gasifier dan untuk kontrol motor gasifier sendiri masih melibatkan operator. Reaksi pada reaktor di gasifier sendiri memiliki banyak parameter yang berpengaruh, salah satunya reaksi termokimia yang sangat random. Untuk itu pada penelitian sebelumnya, dilakukan studi literatur terhadap penggunaan ANN pada kasus gasifier yang bertujuan untuk memprediksi temperatur beberapa saat ke depannya. Hasilnya adalah lebih disarankannya penggunaan RNN pada kasus gasifier, dikarenakan dianggap lebih suitable dengan time-series data dari gasifier. Penelitian ini memiliki tujuan untuk mengimplementasikan prediksi temperatur dengan LSTM untuk keperluan efisiensi dan efektivitas running gasifier biomassa itu sendiri. LSTM sendiri merupakan pengembangan dari algoritma SimpleRNN. Metode pengambilan data sendiri dilakukan dengan mengambil data pada Gasifier Prototipe 2. Hasil dari implementasi prediksi temperatur dengan LSTM sendiri pada penelitian ini, didapatkan hasil R Squared beragam, dimulai dari 0.75, 0.84 dan juga 0.96 ke atas (0.97 dan 0.99). R squared pada penelitian ini adalah korelasi antara variabel data actual dan prediction. Dengan hasil seperti itu maka dapat disimpulkan sudah semakin akurat nya model yang dibuat.

---

Biomass gasifier is a device that can convert biomass such as from plants and animals to synthetic gas (synthetics gas/syngas). The output of the biomass gasifier itself is in the form of syngas which can be used as a source of heat or electrical energy. This is done based on the scarcity of non-renewable energy such as oil and coal at this time and of course for the future. By using a biomass gasifier, it is hoped that people in Indonesia can produce renewable energy through biomass media. Efficiency is what is expected in the case of a gasifier and to control the gasifier motor itself still involves the operator. The reaction in the reactor in the gasifier itself has many influential parameters, one of which is a very random thermochemical reaction. For this reason, in previous studies, a literature study was carried out on the use of ANN in the case of the gasifier which aims to predict the temperature for a while to the studio. The result is that it is more advisable to use RNN in the case of the gasifier, because it is considered more suitable for the time series of the gasifier. This study aims to implement temperature prediction with LSTM for the purposes of efficiency and effectiveness of running the biomass gasifier itself. LSTM itself is a development of the SimpleRNN algorithm. The data retrieval method itself is carried out by taking data on the Gasifier Prototype 2. The results from the implementation of temperature prediction/forecasting with the LSTM itself in this study, the results of R Square are varied, starting from 0.75, 0.84 and also 0.96 and above (0.97 and 0.99). R squared in this study is the correlation between the actual and predicted data variables. With such results, it can be ascertained that the model made is accurate."

"Meningkatnya jumlah investor dari tahun ke tahun di pasar modal berbagai negara mengakibatkan proses pengambilan keputusan dalam membeli saham menjadi salah satu hal yang penting. Tahapan ini merupakan tahapan yang penting karena akan memengaruhi tingkat kekayaan atau pendapatan yang akan diterima oleh seorang investor. Dalam membantu proses pemilihan saham tersebut, seorang investor dapat menggunakan analisa teknikal atau analisa fundamental dalam prosesnya. Namun seiring dengan perkembangan teknologi dan juga kemudahan dalam mengakses data harga indeks saham, maka proses prediksi selanjutnya dapat dilakukan dengan menggunakan analisis big data dalam prosesnya. Penelitian ini akan dilakukan proses prediksi indeks harga saham dengan menggunakan ARIMA dan juga algoritma Long Short-Term Memory untuk pengolahan datanya dan metode web scraping untuk metode pengumpulan data harga indeks saham. Hasil dari penelitian menunjukkan nilai MAPE 1.243% untuk indeks JKSE, 1.005% untuk indeks KLSE, 1.923% untuk indeks PSEI, 1.523% untuk indeks SET.BK dan 3.7944% untuk indeks STI.

---

The increasing number of investors from year to year in the capital markets of various countries has made the decision-making process in buying shares become one of the essential things. This stage is crucial because it will affect the level of wealth or income that an investor will receive. In helping the stock selection process, an investor can use technical analysis or fundamental analysis. However, along with technological developments and the ease of accessing stock index price data, the next prediction process can be carried out using big data analysis. This research will carry out the stock price index prediction process using ARIMA and the Long Short-Term Memory algorithm for data processing and web scraping methods for stock index price data collection methods. The study results showed that the MAPE value was 1.243% for the JKSE index, 1.005% for the KLSE index, 1.923% for the PSEI index, 1.523% for the SET.BK index and 3.7944% for the STI index."