Articles
<![CDATA[Prediksi Tingkat Inflasi Di Indonesia Berbasis Jaringan Syaraf Tiruan Dan Algoritma Genetika ]]>
<![CDATA[Rita Rismala]]>;
<![CDATA[Said Al Faraby]]>
<![CDATA[ Indonesia Symposium on Computing Indonesian Symposium on Computing 2014/Seminar Nasional Ilmu Komputasi Teknik Informatika (SNIKTI) ]]>
Publisher : <![CDATA[Indonesia Symposium on Computing ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Inflasi menjadi indikator yang sangat penting dalam menganalisis perekonomian negara. Oleh karena itu prediksi terhadap nilai inflasi menjadi penting agar dapat membantu pemerintah dalam mengambil kebijakan untuk menjaga stabilitas moneter dan perekonomian. Pada penelitian ini dilakukan prediksi tingkat inflasi di Indonesia dengan tidak hanya mempertimbangkan data historis inflasi, namun juga mempertimbangkan faktor-faktor lain yang mempengaruh tingkati inflasi di Indonesia. Prediksi dilakukan menggunakan Jaringan Syaraf Tiruan dengan menggunakan algoritma pembelajaran berbasis Algoritma Genetika. Hasil pengujian menunjukkan bahwa akurasi sistem dalam memprediksi nilai tingkat inflasi belum cukup baik. Namun dalam memprediksi kelas inflasi, sistem ini sudah cukup baik terutama dalam mengidentifikasi inflasi dengan kelas rendah.]]>
<![CDATA[Prediksi Kelulusan Tepat Waktu Mahasiswa Menggunakan Neuro-Fuzzy Classification (NEFClass) (Studi Kasus: Program Studi S1 Teknik Informatika, Universitas Telkom) ]]>
<![CDATA[Rita Rismala]]>;
<![CDATA[Serli Fatriandini]]>;
<![CDATA[Retno Novi Dayawati]]>
<![CDATA[ Indonesia Symposium on Computing Indonesia Symposium on Computing 2015 ]]>
Publisher : <![CDATA[Indonesia Symposium on Computing ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Salah satu indikator yang dapat digunakan untuk mengukur performansi studi mahasiswa adalah informasi mengenai lama studi yang berkaitan erat dengan kelulusan tepat waktu. Prediksi kelulusan tepat waktu mahasiswa dapat berperan sebagai early warning, baik bagi dosen wali, ketua program studi, orang tua, maupun mahasiswa itu sendiri. Prediksi kelulusan tepat waktu yang dilakukan secara dini setelah selesai masa Tahap Persiapan Bersama (TPB) akan berdampak positif dalam proses perbaikan performansi studi mahasiswa dan memperbesar peluang kelulusan tepat waktu. Penelitian ini menggunakan model Neuro Fuzzy Classification (NEFCLASS) untuk memprediksi kelulusan tepat waktu mahasiswa. Prediktor yang digunakan untuk memprediksi kelulusan tepat waktu mahasiswa pada penelitian ini adalah IPK TPB, lama masa TPB yang ditempuh, jumlah mata kuliah TPB yang diulang, dan jumlah pengambilan mata kuliah tertentu di masa TPB. Hasil prediksi diklasifikasikan ke dalam 2 kelas yaitu kelas tepat waktu dan kelas tidak tepat waktu. Analisis dilakukan terhadap pengaruh prediktor dan pengaruh parameter learning rate serta epoch terhadap performansi sistem. Hasil yang diperoleh dari penelitian menunjukkan performansi optimal yang dapat diperoleh adalah sebesar 77.725%. Â ]]>
<![CDATA[Implementasi dan Analisis Online â Updating Regularization Kernel Matrix Factorization Model pada Sistem Rekomendasi ]]>
<![CDATA[Kadek Byan Prihandana Jati]]>;
<![CDATA[Agung Toto Wibowo]]>;
<![CDATA[Rita Rismala]]>
<![CDATA[ Indonesia Symposium on Computing Indonesia Symposium on Computing 2015 ]]>
Publisher : <![CDATA[Indonesia Symposium on Computing ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Faktorisasi Matriks adalah salah satu metode yang digunakan pada Sistem Rekomendasi untuk membuat sebuah model prediksi rating. Salah satu jenisnya adalah Regularized Matrix Factorization yang mampu memberikan kualitas rekomendasi yang tinggi pada sebuah sistem rekomendasi. Akan tetapi, teknik - teknik Faktorisasi Matriks bermasalah jika model pada sistem rekomendasi berupa model yang statik. Permasalahan performansi terjadi, karena proses learning data pada Faktorisasi Matriks membutuhkan waktu yang lama. Model Online dari Faktorisasi Matriks merupakan hal yang dapat memperbaiki model sebelumnya, dengan model online, waktu yang dibutuhkan untuk melakukan proses prediksi untuk user dan item yang baru, lebih cepat dibandingkan dengan model offline faktorisasi matriks. Penelitian ini berfokus dalam menganalisis dan mengimplementasikan model online dari Regularized Matrix Factorization pada sebuah sistem rekomendasi. Hasil yang diperoleh adalah kualitas prediksi rating dengan metode online â update RKMF mengungguli kualitas prediksi rating dengan metode full â retrain RKMF dengan perbedaan nilai RMSE 1.5% pada kondisi terbaik, dan dengan waktu prediksi yang sangat singkat. Â ]]>
<![CDATA[Lodging Recommendations Using the SparkML Engine ALS and Surprise SVD ]]>
<![CDATA[Ramadhan, Sageri Fikri]]>;
<![CDATA[Baizal, Z K Abdurahman]]>;
<![CDATA[Rismala, Rita]]>
<![CDATA[ JURNAL MEDIA INFORMATIKA BUDIDARMA Vol 4, No 4 (2020): Oktober 2020 ]]>
Publisher : <![CDATA[STMIK Budi Darma ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30865/mib.v%vi%i.2257
<![CDATA[Recommendation system is a process or tool used to provide predictions for users to choose something based on an existing domain. This system has become a primary need for today's modern digital industry such as in the entertainment, shopping, and service sectors. In this research, we focus on how to develop a recommendation system for accommodation services. We use the Alternating Least Square and Singular Value Decomposition methods to predict and recommend lodging to users]]>
<![CDATA[Kajian Ilmiah dan Deteksi Adiksi Internet dan Media Sosial di Indonesia Menggunakan XGBoost ]]>
<![CDATA[Rismala, Rita]]>;
<![CDATA[Novamizanti, Ledya]]>;
<![CDATA[Ramadhani, Kurniawan Nur]]>;
<![CDATA[Rohmah, Yuyun Siti]]>;
<![CDATA[Parjuangan, Sabam]]>;
<![CDATA[Mahayana, Dimitri]]>
<![CDATA[ JEPIN (Jurnal Edukasi dan Penelitian Informatika) Vol 7, No 1 (2021): Volume 7 No 1 ]]>
Publisher : <![CDATA[Program Studi Informatika ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26418/jp.v7i1.43606
<![CDATA[Internet dan media sosial telah menjadi kebutuhan pokok manusia untuk mengakses informasi, terutama di masa pandemi COVID-19 saat ini. Hal ini penting untuk dikaji karena berdampak pada perilaku dan kesehatan psikologi seseorang. Berdasarkan sudut pandang filsafat sains, adiksi internet dan media sosial di Indonesia merupakan kenyataan saintifik karena telah memenuhi kriteria falsifikasi dan bisa diuji (testable) secara empiris. Hasil survei terhadap 1980 responden, diperoleh 25,56% responden teradiksi internet dan 20,2% teradiksi media sosial. Penelitian ini juga berhasil membangun model untuk mendeteksi adiksi internet dan media sosial menggunakan XGBoost, dengan F-Measure sebesar 69,23% untuk adiksi internet dan 67,66% Â untuk adiksi media sosial. Oleh karena itu, fenomena adiksi internet dan media sosial ini perlu mendapatkan perhatian khusus agar dapat diantisipasi sejak dini.]]>
<![CDATA[Momentum Backpropagation Optimization for Cancer Detection Based on DNA Microarray Data ]]>
<![CDATA[Untari Novia Wisesty]]>;
<![CDATA[Febryanti Sthevanie]]>;
<![CDATA[Rita Rismala]]>
<![CDATA[ International Journal of Artificial Intelligence Research Vol 4, No 2 (2020): December 2020 ]]>
Publisher : <![CDATA[STMIK Dharma Wacana ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
Full PDF (251.127 KB)
|
DOI: 10.29099/ijair.v4i2.188
<![CDATA[Early detection of cancer can increase the success of treatment in patients with cancer. In the latest research, cancer can be detected through DNA Microarrays. Someone who suffers from cancer will experience changes in the value of certain gene expression. In previous studies, the Genetic Algorithm as a feature selection method and the Momentum Backpropagation algorithm as a classification method provide a fairly high classification performance, but the Momentum Backpropagation algorithm still has a low convergence rate because the learning rate used is still static. The low convergence rate makes the training process need more time to converge. Therefore, in this research an optimization of the Momentum Backpropagation algorithm is done by adding an adaptive learning rate scheme. The proposed scheme is proven to reduce the number of epochs needed in the training process from 390 epochs to 76 epochs compared to the Momentum Backpropagation algorithm. The proposed scheme can gain high accuracy of 90.51% for Colon Tumor data, and 100% for Leukemia, Lung Cancer, and Ovarian Cancer data.]]>
<![CDATA[Implementation of Evolution Strategies for Classifier Model Optimization ]]>
<![CDATA[Mahmud Dwi Sulistiyo]]>;
<![CDATA[Rita Rismala]]>
<![CDATA[ Indonesia Journal on Computing (Indo-JC) Vol. 1 No. 2 (2016): September, 2016 ]]>
Publisher : <![CDATA[School of Computing, Telkom University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.21108/INDOJC.2016.1.2.43
<![CDATA[Classification becomes one of the classic problems that are often encountered in the field of artificial intelligence and data mining. The problem in classification is how to build a classifier model through training or learning process. Process in building the classifier model can be seen as an optimization problem. Therefore, optimization algorithms can be used as an alternative way to generate the classifier models. In this study, the process of learning is done by utilizing one of Evolutionary Algorithms (EAs), namely Evolution Strategies (ES). Observation and analysis conducted on several parameters that influence the ES, as well as how far the general classifier model used in this study solve the problem. The experiments and analyze results show that ES is pretty good in optimizing the linear classification model used. For Fisher’s Iris dataset, as the easiest to be classified, the test accuracy is best achieved by 94.4%; KK Selection dataset is 84%; and for SMK Major Election datasets which is the hardest to be classified reach only 49.2%.]]>
<![CDATA[Analisis dan Implementasi Imputation-Boosted Neighborhood-Based Collaborative Filtering Menggunakan Genre Film ]]>
<![CDATA[Rita Rismala]]>
<![CDATA[ Indonesia Journal on Computing (Indo-JC) Vol. 2 No. 1 (2017): Maret, 2017 ]]>
Publisher : <![CDATA[School of Computing, Telkom University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.21108/INDOJC.2017.2.1.50
<![CDATA[Sistem rekomendasi adalah sebuah sistem yang mampu memberikan rekomendasi sejumlah item kepada user dengan memprediksi rating terhadap item berdasarkan minat user. Neighborhood-based collaborative filtering adalah salah satu metode pada Sistem Rekomendasi untuk melakukan perhitungan prediksi rating. Akan tetapi, neighborhood-based collaborative filtering tidak mampu memberikan prediksi rating yang akurat ketika data rating yang ada bersifat sparse atau memiliki banyak kekosongan. Kekosongan data mengakibatkan perhitungan similarity antar user atau item menjadi kurang tepat, yang berakibat pada pemilihan neighbor dan perhitungan prediksi yang tidak tepat pula. Salah satu solusi adalah melakukan imputasi yaitu proses pengisian awal terhadap data dengan metode tertentu. Dengan memanfaatkan feature item berupa genre, dilakukan imputasi terhadap data untuk selanjutnya digunakan oleh neighborhood-based collaborative filtering. Penelitian ini berfokus pada penerapan proses imputasi terhadap neighborhood-based collaborative filtering dan menganalisis pengaruhnya terhadap performansi. Hasil yang diperoleh adalah proses imputasi meningkatkan performansi akurasi prediksi rating pada dataset dengan sparsity 85%, dan peningkatan performansi yang terukur menjadi semakin besar seiring semakin sparse dataset yang ada.]]>
<![CDATA[Analisis dan Implementasi pendekatan Hybrid untuk Sistem Rekomendasi Pekerjaan dengan Metode Knowledge Based dan Collaborative Filtering ]]>
<![CDATA[Sari Rahmawati]]>;
<![CDATA[Dade Nurjanah]]>;
<![CDATA[Rita Rismala]]>
<![CDATA[ Indonesia Journal on Computing (Indo-JC) Vol. 3 No. 2 (2018): September, 2018 ]]>
Publisher : <![CDATA[School of Computing, Telkom University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.21108/INDOJC.2018.3.2.210
<![CDATA[Mencari pekerjaan secara online dapat menjadi kendala tersendiri baik pada pada pelamar pekerjaan maupun pada perusahaan yang mencari karyawan. Saat ini banyak pelamar dan perusahaan lebih memilih menggunakan situs rekruitasi online dibandingkan mencari dengan menggunakan mesin pencari. Recommender system menjadi salah satu kelebihan dari website rekruitasi karena website menyimpan informasi profil pekerja lalu memberikan rekomendasi sesuai dengan data yang mereka dapatkan. Pada penelitian ini penulis membuat hybrid recommender system dengan menggabungkan dua teknik yaitu knowledge based recommender system yang akan merekomendasikan pekerjaan berdasarkan profil user, kualifikasi pekerjaan dan pengaruh dari user lain yang akan memberikan rekomendasi pekerjaan berdasarkan user lain yang memiliki kesamaan. Hasil prediksi dari 2 metode itu akan digabungkan berdasarkan social aperture yang diberikan. Berdasarkan hasil pengujian hybrid recommender system memberikan hasil terbaik untuk memprediksi interaksi dan memberikan rekomendasi berdasarkan hasil RMSE dan f1 score.]]>
<![CDATA[Pairwise Preference Regression on Movie Recommendation System ]]>
<![CDATA[Rita Rismala]]>;
<![CDATA[Rudy Prabowo]]>;
<![CDATA[Agung Toto Wibowo]]>
<![CDATA[ Indonesia Journal on Computing (Indo-JC) Vol. 4 No. 1 (2019): Maret, 2019 ]]>
Publisher : <![CDATA[School of Computing, Telkom University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.21108/INDOJC.2019.4.1.255
<![CDATA[Recommendation System is able to help users to choose items, including movies, that match their interests. One of the problems faced by recommendation system is cold-start problem. Cold start problem can be categorized into three types, they are: recommending existed item for new user, recommending new item for existed user, and recommending new item for new user. Pairwise preference regression is a method that directly deals with cold-start problem. This method can suggest a recommendation, not only for users who have no historical rating, but also for those who only have less demographic info. From the experiment result, the best score of Normalized Discounted Cumulative Gain (nDGC) from the system is 0.8484. The standard deviation of rating resulted by the recommendation system is 1.24, the average is 3.82. Consequently, the distribution of recommendation result is around rating 5 to 3. Those results mean that this recommendation system is good to solving cold-start problem in movie recommendation system.]]>
