Article Per Year (5 Year)
p-Index From 2021 - 2026
2.607
P-Index
This Author published in this journals
All Journal TEKNIK INFORMATIKA Seminar Nasional Aplikasi Teknologi Informasi (SNATI) Jurnal Ilmiah Teknik Elektro Komputer dan Informatika (JITEKI) Indonesian Journal on Computing (Indo-JC) Proceeding of the Electrical Engineering Computer Science and Informatics JURNAL MEDIA INFORMATIKA BUDIDARMA JTP - Jurnal Teknologi Pendidikan Building of Informatics, Technology and Science Jurnal Locus Penelitian dan Pengabdian eProceedings of Engineering Advance Sustainable Science, Engineering and Technology (ASSET)
Dade Nurjanah
Universitas Telkom
Aerospace Engineering Automotive Engineering Chemistry Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Mathematics

Published : 38 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 38 Documents
Search

 1   2   3   4 
Implementasi Metode Knowledge Tracing Untuk Memprediksi Masa Studi Mahasiswa Menggunakan Pengetahuan Sebelumnya Setyadi Putra Rahmandya; Dade Nurjanah
eProceedings of Engineering Vol 5, No 3 (2018): Desember 2018
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Proses belajar mengajar hingga proses wisuda merupakan rentang waktu lamanya masa studi untuk menyelesaikan proses pendidikan pada program studi yang dijalani oleh mahasiswa. Namun tidak semua mahasiswa dapat menyelesaikan masa studi yang ditempuh dengan tepat waktu, sehingga mengakibatkan penumpukan jumlah mahasiswa yang tidak lulus sesuai dengan masa periode kelulusannya. Salah satu cara untuk mencapai kualitas mutu tertinggi dari sistem perguruan tinggi adalah dengan menggali pengetahuan dari data bidang akademik. Tugas Akhir ini bertujuan untuk menganalisis seberapa besar kelulusan atau ketidaklulusan pada mahasiswa dengan mengimplementasikan algoritma knowledge tracing dalam memprediksi masa studi mahasiswa. Masa studi dapat diketahui dengan melihat kelulusan atau ketidaklulusan mahasiswa, baik yang lulus tepat waktu, dan tidak tepat waktu. Parameter knowledge tracing pada studi kasus ini yaitu K0 (nilai awal knowledge user atau nilai mata kuliah wajib pada tingkat 1 yaitu semester 1 dan 2), guess, slip, dan learning rate (nilai konstan jumlah mahasiswa di Fakultas Informatika khususnya angkatan 2015 dan 2016) berpengaruh terhadap nilai knowledge user. Maka pada Tugas Akhir ini dapat diketahui waktu terbaik dilakukan prediksi kelulusan tepat waktu dan tidak tepat waktu untuk masa studi mahasiswa menggunakan pengetahuan sebelumnya, yaitu untuk mahasiswa reguler tahun ke-2 (tingkat 2) adalah ketika mahasiswa telah melewati mata kuliah dari semester 3 sampai dengan semester 4 dengan precision sebesar 69.6%. Sedangkan untuk mahasiswa pindahan tahun ke-2 (tingkat 2) adalah ketika mahasiswa telah melewati mata kuliah dari semester 3 sampai dengan semester 5 dengan precision sebesar 75.8%. Kata Kunci: masa studi, knowledge tracing, K0, slip, guess, learning rate. Abstract The process of teaching and learning to the graduation process is a span the length of the period of study to complete the process of education on the course traveled by the student. But not all students can complete the study period is on time, resulting in a buildup of the number of students who did not pass in accordance with the period of high school graduation. One way to achieve the highest quality of the college system is to dig up the knowledge from the academic field data. This thesis aims to analyze how much a graduation or ketidaklulusan on students by implementing algorithms knowledge tracing in predicting the study period the student. The period of study can be found by looking at the graduation or ketidaklulusan, both students graduating on time, and not on time. Knowledge tracing parameter in this case study, namely K0 (initial value knowledge user or the value of the compulsory subjects at level 1 i.e. the semester 1 and 2), guess, slip, and the learning rate (constant value number of students at the Faculty of Informatics especially the force 2015 and 2016) effect on the value of knowledge users. It is in this final Task can be known best time do predictions of graduation on time and not just in time for the study period the student using prior knowledge, i.e. for regular student year 2 (level 2) is when a student have passed courses from semester 3 to 4 semesters with a precision of 69.6%. As for transfer students year 2 (level 2) is when students have passed courses from semester 3 up to 5 semester with the precision of 75.8%. Keyword: the period of study, knowledge tracing, K0, slip, guess, learning rate
Sistem Rekomendasi Pada Buku Dengan Menggunakan Tags And Latent Factors Shendy Murty; Dade Nurjanah; Rita Rismala
eProceedings of Engineering Vol 4, No 3 (2017): Desember, 2017
Publisher : eProceedings of Engineering

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

Abstract

Sistem Rekomendasi atau Recommender System, bertujuan untuk membantu user dengan cara memberikan rekomendasi kepada user ketika dihadapkan dengan jumlah informasi yang besar. Rekomendasi yang diberikan diharapkan dapat membantu user dalam proses pengambilan keputusan, seperti buku apa yang akan dibaca. Dengan adanya rekomendasi yang tepat, user akan memiliki preferensi tambahan ketika mencari buku. Dalam pengerjaan Tugas Akhir ini, penulis menggunakan Tags and Latent Factors yang merupakan algoritma tambahan pada metode Matrix Factorization yang membantu sistem rekomendasi dalam meningkatkan akurasi prediksi sehingga mampu menebak minat user dan mampu memberikan rekomendasi. Tags berfungsi sebagai jembatan yang memungkinkan user untuk lebih memahami hubungan yang tidak diketahui antara item dan user itu sendiri, sedangkan latent factors bertujuan untuk membentuk kesamaan antara user dan item dimana kesamaan ini berupa antar user yang tertarik atau menyukai item yang sama. Pada Tugas akhir ini akan dilakukan skenario pengujian dimana nilai dari hasil pengujian akan menjadi parameter akurat atau tidaknya sebuah sistem dengan menggunakan Mean Absolute Error (MAE) . Diberikan 3 buah skenario pengujian dengan menggunakan 3 jenis dan jumlah data berbeda dan didapatkan 3 nilai hasil pengujian akhir dengan nilai masing-masing 0.41, 0.38, dan 0.38 dimana 3 nilai tersebut memiliki selisih yang tidak terlalu besar. Dan dapat disimpulkan bahwa Tags and Latent Factors dapat digunakan untuk memberikan rekomendasi pada buku. Kata kunci: recommender system, matrix factorization, tags and tatent factors
Sistem Rekomendasi Buku dengan Metode Berbasis Clustering Hilmi Eko Arianto; Dade Nurjanah; Rita Rismala
eProceedings of Engineering Vol 5, No 3 (2018): Desember 2018
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Metode collaborative filtering adalah metode populer yang digunakan untuk sistem rekomendasi dengan berbagai macam domain. Pada domain buku, metode tersebut menggunakan rating yang diberikan user terhadap buku. Tetapi ada kekurangan terhadap metode tersebut dikarenakan harus mempertimbangkan semua buku yang ada untuk proses rekomendasi. Karena harus mempertimbangkan keseluruhan buku, maka membutuhkan waktu yang lebih lama untuk melakukan rekomendasi. Clustering adalah salah satu cara untuk mengatasi kekurangan metode collaborative filtering. Metode ini akan mengelompokkan buku berdasarkan kemiripan user, sehingga proses rekomendasi tidak perlu mempertimbangkan keseluruhan buku. Kebanyakan metode berbasis clustering harus mengetahui berapa jumlah kelompok buku yang akan digunakan. Karena tidak memiliki jumlah kelompok buku sebelumnya, self-constructing clustering dapat digunakan jika data yang digunakan tidak memiliki jumlah kelompok. Pada tugas akhir ini, dilakukan studi tentang implementasi metode berbasis clustering dengan algoritma self-constructing clustering. Algoritma ini akan mengelompokkan buku berdasarkan kemiripan user tanpa mengetahui jumlah kelompok buku yang ada. Hasil pengujian menunjukkan bahwa metode dengan algoritma tersebut dapat digunakan hingga merekomendasikan buku kepada user pada data yang hanya berupa data user, buku, dan rating. Pengujian dilakukan dengan menggunakan 2 data. Hasil pengujian menghasilkan DOA dan MAE sebesar 50% dan 1.10283, serta pada data kedua didapatkan 56% dan 1.137. Abstract Collaborative filtering method is a popular method used for recommendation systems with various domains. In the book domain, the method uses the rating that the user gives to the book. But there are disadvantages to the method because they have to consider all the books available for the recommendation process. Having to consider the whole book, it will take longer to make a recommendation. Clustering based is one way to overcome the lack of collaborative filtering methods. This method will group books according to user resemblance, so the recommendation process does not need to consider the entire book. Most clustering based methods must know how many groups of books will be used. Because it does not have the number of previous book groups, self-constructing clustering can be used if the data used has no number of groups. In this final project, a study about clustering based method implementation with self-constructing clustering algorithm. This algorithm will group the book based on the user's similarity without knowing the number of existing book groups. The test results show that the method with the algorithm can be used up to recommend the book to the user on the data only in the form of user data, books, and rating. Testing is using 2 data. The test results produced DOA and MAE of 50% and 1.10283, and the second data obtained 56% and 1,137.
Sistem Rekomendasi Pada Buku Dengan Menggunakan Metode Trust-aware Recommendation Mohammad Fathurrahman; Dade Nurjanah; Rita Rismala
eProceedings of Engineering Vol 4, No 3 (2017): Desember, 2017
Publisher : eProceedings of Engineering

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

Abstract

Sistem rekomendasi merupakan fitur yang banyak digunakan pada perangkat lunak zaman sekarang. Sistem rekomendasi sangat berguna untuk pengguna yang menggunakan sebuah perangkat lunak terutama sistem rekomendasi pada buku, karena fitur ini dapat memanjakan pengguna dengan memberikan rekomendasi buku yang mungkin sesuai dengan preferensi buku yang diinginkan. Sistem rekomendasi pada Tugas Akhir ini menggunakan metode Trust-Aware, dimana metode ini merupakan hasil penggabungan metode Collaborative Filtering dan PageRank. Dimana Collaborative Filtering menggunakan similarity metric untuk melakukan penghitungan rating, dan PageRank menggunakan trust metric untuk melakukan penghitungan terhadap setiap buku yang dikunjungi dengan melakukan show synopsis. Kemudian akan dilakukan pengukuran hasil pengujian terhadap sistem rekomendasi ini menggunakan MAE. Pengujian dilakukan dengan 3 skenario yang menggunakan 3 jenis jumlah data yang berbeda. Hasil pengujian memberikan angka 1,267 , 1,294 dan 1,181, yang artinya ketiga nilai tersebut tidak mempunyai selisih yang tidak terlalu jauh. Sehingga dapat ditarik kesimpulan bahwa metode Trust-Aware dapat digunakan pada sistem rekomendasi buku dan tidak terpengaruh oleh jumlah buku yang digunakan. Kata kunci: sistem rekomendasi, collaborative filtering, pagerank, trust-aware
Sistem Rekomendasi Pemilihan Mata Kuliah Peminatan Menggunakan Algoritma K-means Dan Apriori (studi Kasus: Jurusan S1 Teknik Informatika Fakultas Informatika) Riki Nur Afifuddin; Dade Nurjanah
eProceedings of Engineering Vol 6, No 1 (2019): April 2019
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Setiap mahasiswa Universitas Telkom wajib merencanakan mata kuliah pilihan yang akan diambil mulai dari semester empat. Masih banyak mahasiswa yang mengalami kesulitan untuk memilih mata kuliah pilihan sesuai dengan kelompok keahlian. Oleh karena itu, dibutuhkansistem rekomendasi yang dapat digunakan untuk melakukan prediksi terhadap pengambilan mata kuliah pilihan yang ada di Universitas Telkom pada jurusan S1 Teknik Informatika.Tugas Akhir ini melakukan studi dan implementasi metoda K-means dan Apriori untuk memberikan rekomendasi pemilihan mata kuliah pilihan sesuai dengan kelompok keahlian. Eksperimen dilakukan dengan menggunakan data 660 Sajarna S1 Teknik Informatika tahun 2013. Hasil eksperimen menunjukan algoritma K-means dapat mengelompokkan mahasiswa kedalam kelompok keahlian dan Apriori dapat menghasilkan rule yang dapat digunakan sebagai rekomedasi pemilihan mata kuliah pilihan. Kata kunci : rekomendasi, K-means, Apriori. Abstract Every Telkom University student is required to plan elective courses to be taken starting from the fourth semester. There are many students who have difficulty choosing elective courses according to the expertise group. Therefore, a recommendation system that can be used to predict the selection of elective subjects at Telkom University in the S1 Informatics Department Faculty of Informatics. The final task is to study and implement the K-means and Apriori methods to provide recommendations for the selection of elective courses according to the expertise group. Experiments were carried out using 660 S1 Informatics Engineering students data in 2013. The experimental results showed that the K-means Algorithm can group students into expertise groups and Apriori can produce rules that can be used as recommendation for the choice of elective subjects. Keywords: recommendation, K-means, Apriori
Sistem Rekomendasi Peer Helper Pada Forum Pembelajaran Dengan Metode K Nearest Neighbor Aditiyan Iswahyudin; Dade Nurjanah
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

AbstrakMenurut teori pembelajaran Vygotsky, model pembelajaran kooperatif (atau bisa dibilang juga peerlearning) adalah penekanan pembelajaran dengan model dialog yang dilakukan secara interaktif berbasissosial. Keterlibatan learner lain membuka kesempatan bagi learner untuk mengevaluasi dan memperbaikipemahaman dalam proses belajar. Peer helper merupakan learner yang mempunyai pengetahuan lebihyang mampu dan bersedia untuk membagikan ilmu dan pengalamannya kepada learner lain. Peer learningini juga dapat dilakukan secara online, melalui suatu forum diskusi layaknya MOOC. Namun untukmenentukan siapa yang layak menjadi kandidat peer helper masih menjadi masalah utama. Tugas akhir inimenjelaskan tentang sebuah sistem untuk mengklasifikasi learner yang cocok menjadi kandidat peer helperdengan menggunakan metode KNN. Peer helper yang direkomendasikan diperoleh berdasarkan hasilklasifikasi peserta didik yang memiliki label untuk direkomendasikan menjadi peer helper. Uji cobamenggunakan data hasil aktivitas learner dalam forum pembelajaran online dan dari data tersebutditerapkan metode KNN untuk mengklasifikasi learner yang cocok menjadi peer helper. Hasil dari uji cobadidapat bahwa penggunaan KNN meningkatkan akurasi klasifikasi sebesar 0.20% dengan hasil 85.71%.Kata kunci : Recommender System, Peer Helper, KNN, Naïve Bayes, forum diskusi onlineAbstractAccording Vygotsky, cooperate learning model (also known as peer learning) emphasise learning usingdialog model that happen interactively based on social interaction. Learner’s involvement in the forum canopen opportunities for other learner to evaluate and improve their understanding on learning process. Peerhelper is a student who has more knowledge and willing to share his knowledge and experience with otherstudents in a learning forum. Peer helper must be able to master and understand the subjects that are beingstudied well and have the desire to help other fellow students. However, to determine who is eligible to be apeer helper candidate is still a major problem. Therefore, due to this problem, this final project focuses onclassifying students who are suitable to be peer helper candidates using the KNN method. Experiments areconducted using activity data from online learning forum. The experiments prove that KNN can improvethe accuracy of classification by 0.20% in comparison with Naïve Bayes implemented in a previous study.The highest accuracy is 85.71%.Keywords: Recommender System, Peer Helper, KNN, Naïve Bayes, Online discussion forum
Sistem Pemandu Latihan Individual Adaptif Menggunakan Tautan Anotasi (link Annotation) Dan Pemandu Langsung (direct Guidance) Julia Julia; Dade Nurjanah
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

AbstrakDalam pembelajaran sudah tidak asing lagi istilah latihan bagi siswa. Latihan tersebut ditujukan untukmeningkatkan pengetahuan siswa setelah diberi materi dalam kelas. Pada saat ini, latihan bagi para siswasebagian besar masih dilakukan dengan metode konvensional, yaitu dengan menyamaratakan setiap soalbagi siswa. Hal ini dianggap tidak terlalu efektif karena sebenarnya setiap siswa memiliki tingkatpengetahuan yang berbeda sehingga penyamarataan pemberian latihan dianggap kurang efisien.Sebelumnya terdapat teknologi dimana semua soal ditampung dalam suatu sistem dan siswa bebas untukmemilih soal mana yang akan dikerjakan. Namun hal ini juga masih mempunyai kekurangan yaitu darisekian banyak soal yang ada, sistem tidak dapat memberi rekomendasi pada siswa mengenai soal manayang sebaiknya dikerjakan terlebih dahulu.Pada tugas akhir ini telah dibangun sebuah sistem latihan adaptif dengan tujuan membantu siswa dalamberlatih lebih baik dari latihan konvensional dengan nama Learning Crane. Dengan adaptasi ini, sistemdapat memberi rekomendasi pada siswa mengenai soal mana yang sebaiknya dikerjakan terlebih dahuluberdasarkan tingkat pengetahuan siswa saat ini. Sistem ini mempunyai domain model yang berkaitandengan topik dan sistem navigasi adaptasi tautan anotasi dan langsung. Pengujian atas sistem dilakukanuntuk mengetahui apakah terdapat peningkatan pengetahuan atau tidak. Pengujian melibatkan respondenmahasiswa dan kalangan umum. Dari pengujian, didapatkan hasil peningkatan pengetahuan respondendengan rata-rata sebesar 6. Selain itu, dari hasil kuesioner yang diberikan, didapatkan kesimpulan bahwasistem Learning Crane dengan teknologi adaptasinya membantu siswa lebih baik daripada metodekonvensional.Kata kunci : Learning Crane, adaptasi langsung, adaptasi anotasiAbstractThe term student’s exercise is not rare to be found in our education system. The exercise has aim to increasethe knowledge of the students after they got the material needed from class. Today, most of student’sexercise is still done by conventional method, that is by giving same questions to each student. The methodis not really effective since each student has different knowledge level thus giving same questions to eachstudent is considered as inefficient. There was a technology where all of exercise’s questions are collectedand put in a system and students are free to choose which question they want to answer. But the system stillhas weakness that is among all of those questions, system can’t give recommendation to student about whichquestion needed to be answered first. In this final project, an adaptive system had been build which has goalto help student exercising better than conventional method called Learning Crane. With the adaptationfeature, system can give recommendation to students about which questions needed to be done first base onstudent’s current knowledge level. This system is build using topic-based domain model with link annotationand direct guidance as the adaptive system. A test was held to determine whether the system affect theknowledge level of respondence which consist of students and general public. Based on the test result, theaverage of knowledge score raise is 6. Meanwhile based on questionnaire given, Learning Crane with itsadaptive technology is better than conventional method is drawn as conclusion.Keywords: Learning Crane, link annotation adaptive system, direct guidance adaptive system
Sistem Rekomendasi Berbasis Model Ontology Dalam Memberikan Rekomendasi Diet Makanan Untuk Penderita Penyakit Diabetes Dhuki Dwi Rachman; Dade Nurjanah
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

AbstrakTingginya penderita penyakit diabetes di Indonesia disebabkan oleh kurangnya perhatian masyarakatterhadap informasi mengenai makanan yang sehat maupun pola hidup yang sehat. Hal tersebut kurangmendapatkan perhatian karena informasi yang didapatkan terlalu umum dan tidak menyeluruh, sehinggainformasi yang diberikan tidak sesuai dengan informasi yang diinginkan oleh penderita penyakit diabetes.Selain karena informasi yang terlalu umum dan tidak menyeluruh, banyaknya informasi yang didapatkansaat ini pun masih belum dapat dibuktikan apakah informasi tersebut valid atau tidak. Pemodelan basispengetahuan digunakan untuk memberikan informasi yang lebih menyeluruh tentang suatu domainterhadap informasi yang sering ditanyakan oleh penderita penyakit diabetes. Sumber informasi yangdigunakan berasal dari hasil ekstraksi pengetahuan yang dimiliki oleh expert. Basis pengetahuan tersebutkemudian diolah dengan menggunakan IRS (Information Retrieval System) untuk memberikan informasiyang dapat diterima oleh user. Hasil informasi yang diberikan oleh sistem pada penelitian ini merupakaninformasi yang valid menurut expert dan dapat diterapkan oleh penderita penyakit diabetes. Kata kunci : Recommender System, Ontology, Diabetes, Diet makananAbstractThe high number of people with diabetes in Indonesia is caused by a lack of public attention to informationabout healthy food and a healthy lifestyle. This is not getting enough attention because the informationobtained is too general and not comprehensive, so the information provided is not in relate with theinformation that desired by people with diabetes. Apart from being too general and not comprehensiveinformation, the amount of information obtained at this time is still not proven whether the information isvalid or not. Modeling the knowledge base is used to provide more comprehensive information about adomain for information that is often asked by people with diabetes. The source of information used comesfrom the extraction of knowledge from the expert. The knowledge base is then processed using the IRS(Information Retrieval System) to provide information that can be received by the user. The results of theinformation provided by the system are information that is valid according to the expert and can be appliedby people with diabetes.Keywords: Recommender System, Ontology, Diabetes, Food Diet
Implementasi Convolutional Neural Network Dan Probabilistic Matrix Factorization Pada Sistem Rekomendasi Buku Zaki Mudzakir Hidayatullah; Dade Nurjanah; Rita Rismala
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

AbstrakSistem Rekomendasi dapat merekomendasikan buku pada user tertentu berdasarkan prediksi rating, isikonten buku, ataupun metode lainnya. Banyak metode recommendation system yang digunakan sepertiProbabilistic Matrix Factorization, dimana konten yang sudah diberi rating akan seringdirekomendasikan. Namun pada Probabilistic Matrix Factorization memiliki kekurangan yaitu dalammengatasi data yang memiliki nilai rating yang jarang. Maka diperlukan suatu metode yang digunakanuntuk memahami konteks isi dari buku sehingga tidak hanya melihat dari rating saja namun dilihat jugadari review suatu buku. Untuk mempelajari review maka diigunakan suatu metode yaitu ConvolutionalNeural Network dengan cara memberikan suatu nilai vektor yang mengarah terhadap konteks buku kepada Probabilistic Matrix Factorization suatu recommender system. Berdasarkan hasil pengujiannya,metode tersebut dapat meningkatkan keakuratan data dengan MAE = 3,0114707. Sedangkan untukProbabilistic Matrix Factorization nilai MAE = 4,0185377. Dari nilai tersebut dapat dijelaskan bahwametode Convolutional Neural Network dan Probabilistic Matrix Factorization bekerja cukup baik untuk data yang jarang memiliki rating..Kata kunci : recommender system, Convolutional Neural Network, Probabilistic Matrix FactorizationAbstractThe Recommendation System can recommend books to certain users based on rating predictions, bookcontent, or other methods. Many system recommendation methods are used such as Probabilistic MatrixFactorization, where content that has been rated will often be recommended. However, the ProbabilisticMatrix Factorization has the disadvantage of overcoming data that has a rare rating value. So we need amethod used to understand the context of the contents of the book so that it is not only seen from therating but also seen from a book review. To study the review, a method called Convolutional NeuralNetwork is used by giving a vector value that leads to the context of the book to the Probabilistic MatrixFactorization of a recommender system. Based on the test results, this method can improve the accuracy ofthe data with MAE = 3.0114707. As for the Probabilistic Matrix Factorization the MAE= 4.0185377. Fromthese values it can be explained that the Convolutional Neural Network and Probabilistic MatrixFactorization methods work well enough for data that rarely has a rating.Keywords: Recommender system, Probabilistic Matrix Factorization, Convolutional Neural Network
Sistem Rekomendasi Mata Kuliah Berbasis Ontologi Mata Kuliah Dan User Model R. Hatim Muhammad Amin; Dade Nurjanah
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

AbstrakMata kuliah pilihan yang ada di S1 Informatika Telkom University sangat banyak. Hal ini menyebabkanmahasiswa sering bingung dalam menentukan mata kuliah pilihan apa yang harus mereka ambil. Padapenelitian kali ini, sebuah sistem rekomendasi untuk mata kuliah pilihan telah dibangun. Sistem yangdibangun menerapkan sebuah ontologi mata kuliah. Rekomendasi ditentukan berdasarkan peluang kecocokan mahasiswa tersebut dengan setiap mata kuliah pilihan berdasarkan nilai yang dimilikimahasiswa tersebut pada mata kuliah prequisite. Hasil dari penelitian memperlihatkan bahwa sistem yangdibangun dapat memberikan rekomendasi yang akurat, di indikasikan dengan akurasi yang tinggi, 90%.Kata kunci : Ontologi, User Model, Rekomendasi Mata Kuliah, Mata Kuliah prequisiteAbstractThere are many elective courses offered in bachelor program of informatics at Telkom University. Thiscondition often causes students confused to determine which elective courses they need to take. In this finalproject, a recommender system for elective courses has been developed. The tool applies an ontology ofcourses. Recommendations are performed based on the ontology and students’ grades on prerequisitecourses. Recommendations is determined based on probabilities for student suitability with each electivesubject based on student grades in a prequisite course. The experiment results show the tool can giveaccurate recommendation, indicated by high accuracy, 90%.Keywords: Ontology, User Model, Course Recommendation System, Prequisite Courses
Co-Authors Ade Romadhony Aditia Rafif Khoerulloh Aditiyan Iswahyudin Adiyaka Niastya Ihsan Maulana Agung Toto Wibowo Arbaatun, Cepthari Ningtyas Ardiyanto, Fajar Widhi Ayu, Ravika Berliana Shafa Wardani Dhuki Dwi Rachman Diffo Elza Pratama Fahmi, Fitra Zul Fakhri Fauzan Fikri Bahiransyah Fitra Zul Fahmi Florita Diana Sari Hani Nurrahmi Henri Tantyoko Henri Tantyoko Hilmi Eko Arianto Irfansyah, Muhammad Rafi Ismail, Asep Maulana Jayaperwira, Iklil Johan NMP Simatupang Josua Deston Girsang Julia Julia Maman Abdurohman Mohammad Fathurrahman Muhammad Rafi Irfansyah Muttaqien, Rifqi Fauzia Odia Pratama Putri Waisnawa, Ni Luh Putu Mawar Silveria R. Hatim Muhammad Amin Rahmawati Sitti Azizah Razaq, Muhammad Thaariq Rifqi Fauzia Muttaqien Riki Nur Afifuddin Rita Rismala Rusmawati, Yanti sa'adah, siti Sari Rahmawati Selly Meliana Setyadi Putra Rahmandya Shendy Murty Siti Sa'adah Wahyu Setiawan Wardani, Berliana Shafa Yanti Rusmawati Yunanda, Gisela Zaki Mudzakir Hidayatullah