Article Per Year (5 Year)
p-Index From 2021 - 2026
0.817
P-Index
This Author published in this journals
All Journal Jurnal Edukasi dan Penelitian Informatika (JEPIN) Journal of Information Systems Engineering and Business Intelligence Indonesia Symposium on Computing Indonesian Journal on Computing (Indo-JC) IJoICT (International Journal on Information and Communication Technology) JOIN (Jurnal Online Informatika) International Journal of Artificial Intelligence Research JURNAL MEDIA INFORMATIKA BUDIDARMA JITTER (Jurnal Ilmiah Teknologi Informasi Terapan) eProceedings of Engineering
Rita Rismala
Universitas Telkom
Civil Engineering, Building, Construction & Architecture Computer Science & IT Control & Systems Engineering Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Mechanical Engineering

Published : 32 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 13 Documents
Search
Journal : eProceedings of Engineering

 1   2 
Analisis Dan Implementasi Imputation-boost Menggunakan Genre Film Pada Neighborhood-based Collaborative Filtering Muhammad Hanif Oktavianto; Agung Toto Wibowo; Rita Rismala
eProceedings of Engineering Vol 2, No 3 (2015): Desember, 2015
Publisher : eProceedings of Engineering

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

Abstract

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. Kata kunci : collaborative filtering, data imputation, neighborhood-based collaborative filtering
Prediksi Harga Saham Menggunakan Support Vector Regression Dan Firefly Algorithm Alfredo Alfredo; Jondri Jondri; Rita Rismala
eProceedings of Engineering Vol 2, No 2 (2015): Agustus, 2015
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Dalam dunia investasi, saham merupakan salah satu instrumen pasar keuangan yang paling populer karena menjanjikan keuntungan yang lebih besar dari instrumen konvensional lain seperti deposito ataupun emas. Keuntungan tersebut didapat dari dividen (keuntungan dari hasil pembagian laba perusahaan) maupun capital gain (keuntungan yang diperoleh dari kelebihan nilai jual terhadap nilai beli saham). Akan tetapi harga suatu saham dapat berubah secara cepat dari waktu ke waktu dan para investor diharapkan untuk segera memutuskan kapan sebaiknya saham dijual atau tetap dipertahankan. Oleh karena itu dibutuhkan sistem yang dapat memprediksi pergerakan harga saham tersebut untuk membantu para investor dalam melakukan analisis dan tindakan yang tepat sehingga resiko dapat diminimalisir dan keuntungan dapat dioptimalkan. Dalam Tugas Akhir ini, akan dibangun sebuah sistem yang melakukan prediksi terhadap harga saham menggunakan analisis teknikal yang diimplementasikan menggunakan Support Vector Regression dan Firefly Algorithm. Support Vector Regression (SVR) merupakan pengembangan dari metode support vector machine untuk kasus regresi. Metode ini mampu mengatasi overfitting serta mampu menunjukkan performa yang bagus. Akan tetapi terdapat kelemahan pada SVR dalam menentukan nilai parameter yang paling optimal untuk digunakan. Untuk mengatasi kelemahan tersebut digunakanlah algoritma optimasi Firefly Algorithm untuk mencari nilai parameter SVR yang paling optimal. Database yang digunakan pada Tugas Akhir ini menggunakan data historis pergerakan harga empat saham blue chip yang mengacu pada finance.yahoo.com periode 2010 - 2014. Hasil penelitian menunjukkan bahwa SVR dan FA dapat diimplementasikan sebagai metode untuk memprediksi harga saham dengan error kurang dari 5%. Kata kunci: Prediksi harga saham, Time Series, Support Vector Regression (SVR), Firefly Algorithm (FA).
Analisis dan Implementasi Algoritma Differential Evolution Pada Jaringan Syaraf Tiruan Studi Kasus Prediksi Masa Studi Mahasiswa Fahrudin Julianto; Jondri Jondri; Rita Rismala
eProceedings of Engineering Vol 1, No 1 (2014): Desember, 2014
Publisher : eProceedings of Engineering

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

Abstract

Lama masa studi mahasiswa merupakan salah satu parameter penting dalam evaluasi performansi studi mahasiswa. Untuk itu, sangatlah wajar jika prediksi lama masa studi mahasiswa dibutuhkan oleh manajemen perguruan tinggi. Pada penelitian ini dibangun sistem prediksi menggunakan Jaringan Syaraf Tiruan dengan Differential Evolution sebagai algoritma pelatihannya. Differential Evolution merupakan salah satu dari Evolution Algorithms, algoritmaalgoritma optimasi yang berbasis evolusi biologi yang ada di dunia nyata. Berbeda dengan metode Evolution Algorithms lainnya yang menggunakan mutasi acak, pada Different Evolution, mutasi yang dilakukan adalah mutasi semi terarah. Hal ini sangat mempengaruhi pencarian solusi yang terbukti lebih cepat dibandingkan Genetik Algorithm dan Evolution Strategies. Differential Evolution juga cepat konvergen dan sangat mudah digunakan. Data yang digunakan pada penelitian ini adalah data akademik yang berupa data Kartu Hasil Studi mahasiswa. Variabel yang digunakan sebagai input untuk sistem yang dibangun adalah nilai beberapa mata kuliah tahun pertama dan tahun kedua beserta berapa kali setiap mahasiswa mengambil mata kuliah tersebut dengan output sistem prediksi adalah mahasiswa lulus tepat waktu dan mahasiswa lulus tidak tepat waktu. Akurasi terbaik yang dihasilkan dari sistem yang dibangun adalah 75,9726. Kata Kunci : Differential Evolution, Jaringan Syaraf Tiruan, prediksi masa studi mahasiswa.
Analisis Dan Implementasi Neuro Fuzzy Function Approximator (nefprox) Pada Prediksi Nilai Saham Bobby Brillian Yerikho; Agung Toto Wibowo; Rita Rismala
eProceedings of Engineering Vol 2, No 3 (2015): Desember, 2015
Publisher : eProceedings of Engineering

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

Abstract

Saham merupakan faktor penting bagi sebuah perusahaan maupun investor. Saat ini sudah ada beberapa metode yang di terapkan untuk memprediksi saham terutama closing value, namun dari keseluruhan metode tersebut penulis melihat bahwa variabel input cukup kompleks, selain itu tidak ada yang menjamin akurasi yang cukup baik. Unt uk memprediksi hal yang substansial seperti closing value, tercatat bahwa metode Jaringan Syaraf Tiruan dengan input variabel closing value mempunyai akurasi kurang baik. Menggunakan akurasi tersebut, sangat besar kemungkinan investor mengalami kerugian dalam transaksi. Penulis menggunakan Neuro Fuzzy Function Approximator (NEFPROX). NEFPROX merupakan pengembangan dari Neuro-Fuzzy yang merupakan gabungan dari Jaringan Syaraf Tiruan dan Logika Fuzzy. Function Approximator atau pendekatan fungsi dapat didefinisikan dari pasangan data input dan output yang dilatihkan, maka fungsi kontinyu untuk memetakan pasangan data tersebut dapat diketahui. Metode ini mampu membuat arsitektur sistem fuzzy yang optimal yang telah dilatih menggunakan Jaringan Syaraf Tiruan dengan memanfaatkan pergeseran fungsi keanggotaan. Hasil dari penelitian ini menunjukkan bahwa NEFPROX dengan menggunakan satu tipe data input dapat memberikan akurasi lebih baik daripada Jaringan Syaraf Tiruan yang juga memiliki satu tipe data input, hal ini dapat dilihat dari hasil analisa yang menujukkan bahwa NEFPROX dapat menghasilkan MAPE yang baik yaitu 2,5919%. . Kata Kunci : Neuro-Fuzzy,NEFROX, Jaringan Syaraf Tiruan, Fuzzy, Saham.
Perancangan Model Sistem Prediksi Nilai Tukar Rupiah Terhadap Dollar Amerika Menggunakan Jaringan Syaraf Tiruan Quickpropagation Arief Hutauruk; Jondri Jondri; Rita Rismala
eProceedings of Engineering Vol 1, No 1 (2014): Desember, 2014
Publisher : eProceedings of Engineering

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

Abstract

Setiap negara mempunyai mata uang masing-masing yang digunakan sebagai alat tukar. Nilai tukar mempunyai peranan penting dalam proses perdagangan, karena dengan mengetahui nilai tukar suatu mata uang terhadap mata uang lain kita dapat membanding harga barang dan jasa yang dihasilkan oleh negara lain. Prediksi nilai tukar Rupiah terhadap Dollar Amerika diperlukan agar pelaku kegiatan ekonomi di Indonesia dapat menentukan strategi bisnis yang tepat. Jaringan Syaraf Tiruan Quickpropagation merupakan hasil pengembagan dari algoritma Bakcpropagation standar. Pada algoritma Quickpropagation dilakukan pendekatan dengan asumsi bahwa kurva fungsi error terhadap masingmasing bobot penghubgung berbentuk parabola terbuka ke atas, dan gradien dari kurva error untuk suatu bobot tidak terpengaruh oleh bobot-bobot lain, sehingga penggunaan algoritma ini dapat meninggkatkan kecepatan training pada Jaringan Syaraf Tiruan. Kata Kunci :Quickpropagation, Jaringan Syaraf Tiruan, nilai tukar.
Peramalan Harga Emas Menggunakan Algoritma Memetika Dengan Pencarian Local Tabu Search Iqbal Dwihanandrio; Jondri Jondri; Rita Rismala
eProceedings of Engineering Vol 2, No 2 (2015): Agustus, 2015
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Emas memegang peranan penting dalam perekonomian dunia karena memiliki banyak kegunaan, antara lain sebagai pelindung asset, jaminan mata uang dan lain-lain. Beberapa alasan berinvestasi emas diantaranya emas lebih tahan terhadap inflasi dan kebal terhadap intervensi poltik. Pada dasarnya harga emas bergerak secara fluktuatif setiap harinya oleh karena itu dibutuhkan sistem yang dapat memprediksi pergerakan harga emas tersebut untuk membantu para investor dalam melakukan analisis dan tindakan yang tepat sehingga resiko dapat diminamilisir dan return dapat dioptimalkan. akan dibangun sebuah perangkat lunak yang akan melakukan prediksi pergerakan harga emas menggunakan pendekatan technical analysis yang diimplementasikan menggunakan algoritma memetika. Algoritma yang diperkenalkan pertama kali oleh Pablo Moscato pada tahun 1989 ini merupakan gabungan antara algoritma genetika dan algoritma pencarian lokal.Algoritma memetika digunakan sebagai kerangka dasar karena algoritma memetika memiliki kompleksitas yang lebih tinggi dibandingkan dengan algoritma genetika (untuk domain tertentu) dikarenakan pada algoritma memetika terdapat metode pencarian lokal untuk mengurangi kemungkinan pemusatan nilai fitness yang prematur sehingga bisa mengatasi permasalahan konvergensi dini
Analisa Web Usage Mining Dengan Algoritma Particle Swarm Optimization (pso) (studi Kasus : Aktifitas Internet Di Universitas Telkom) Arby Fahrizi Subiyanto; Eko Darwiyanto; Rita Rismala
eProceedings of Engineering Vol 2, No 2 (2015): Agustus, 2015
Publisher : eProceedings of Engineering

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

Abstract

Abstrak Website BAA Universitas Telkom dipilih karena merupakan salah satu website di Universitas Telkom yang cukup sering diakses oleh mahasiswa untuk mencari informasi tentang panduan akademik dan berbagai kebutuhan informasi lainnya tentang perkuliahan dan wisuda. Pola pengunjung web dapat digunakan untuk mengetahui halaman apa saja yang telah dikunjungi oleh user dalam suatu website. Hal tersebut bertujuan sebagai acuan dalam perbaikan kualitas website dan menjamin kepuasan user dalam mengakses website tersebut dalam menemukan informasi didalamnya sesuai dengan kebutuhannya. Dalam tugas akhir ini, digunakan web server log dari BAA Universitas Telkom. Web server log dari BAA Unversitas Telkom kemudian akan diproses dengan mengimplementasikan salah satu metode pada web usage mining yaitu clustering. Data log tersebut awalnya diolah dengan tahap preprocessing, kemudian dilakukan proses clustering dengan menggunakan algoritma Particle Swarm Optimization (PSO). Algoritma PSO digunakan karena memiliki kelebihan yaitu memiliki swarm yang dapat mencari solusi terbaik dalam penentuan hasil cluster. Penggunaan algoritma PSO pada penelitian ini ditemukan hasil cluster terbaik adalah delapan dan dari hasil cluster tersebut dihasilkan rekomendasi terhadap website BAA Universitas Telkom. Kata Kunci: web usage mining, web log, clustering, preprocessing, swarm, particle swarm optimization.
Implementasi Dan Analisis Online – Updating Regularized Kernel Matrix Factorization Model Pada Sistem Rekomendasi Kadek Byan Prihandana Jati; Agung Toto Wibowo; Rita Rismala
eProceedings of Engineering Vol 2, No 2 (2015): Agustus, 2015
Publisher : eProceedings of Engineering

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

Abstract

Abstrak 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 – update RKMF mengungguli kualitas prediksi rating dengan metode full – retrain RKMF dengan perbedaan nilai RMSE 2% pada kondisi terbaik, dan dengan waktu prediksi yang sangat singkat. Kata kunci : faktorisasi matriks, online updating, recommender performance
Bayesian Personalized Ranking – Matrix Factorization untuk Rekomendasi Buku Fikri Bahiransyah; 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 Pada umumnya, sistem merekomendasi sejumlah barang yang dibutuhkan oleh pengguna, terutama dalam merekomendasikan sebuah buku, namun terkadang sistem rekomendasi merekomendasikan beberapa buku yang tidak dibutuhkan oleh pengguna. Penyebab sebuah sistem rekomendasi merekomendasikan buku yang tidak sesuai kebutuhan pengguna, salah satunya dikarenakan sistem rekomendasi tersebut berfokus hanya pada rating buku dan tidak pada personal atau kepribadian pengguna. Metode Bayesian Personalized Ranking (BPR) merupakan metode yang berfokus ranking item yang berdasarkan pada item yang lebih disukai atau diketahui oleh user, dibandingkan menerapkan teknik dengan memprediksi rating. Pada tugas akhir ini, akan menerapkan metode Bayesian Personalized Ranking (BPR) dalam sistem rekomendasi buku, dataset yang akan digunakan dalam sistem menggunakan dataset Goodreads dan Bookcrossing. Dataset yang digunakan akan dimodelkan menggunakan teknik Matrix Factorization (MF). Tugas akhir ini bertujuan untuk mengetahui nilai Area Under Curve (AUC) yang dihasilkan dengan menggunakan metode BPR-MF. Dari hasil tugas akhir ini didapatkan nilai skor ( ) = 0.962 untuk dataset Goodreads dan ( ) = 0.95518 untuk dataset Bookcrossing. Dari skor yang didapat menjelaskan bahwa metode BPR-MF bekerja dengan baik dalam memprediksi buku untuk direkomendasikan kepada user. Kata kunci : sistem rekomendasi, bayesian personalized ranking, matrix factorization, buku Abstract In general, the recommendation system is recommending a number of items that the user needs, especially in recommending a book, but sometimes recommendation systems is recommending some books that are not required by the user. The cause of a recommendation system recommends books that do not fit the needs of users, which is because the recommendation system focuses only on book ratings and not on personal or user personalities. The Bayesian Personalized Ranking (BPR) method is a method of rankingbased items that are based on favored items or items that known by the user, rather than applying a technique by predicting a rating. In this final project, will implementing Bayesian Personalized Ranking (BPR) method in recommendation system for recommending books, the dataset will be used in the system using Goodreads and Bookcrossing dataset. Dataset will be modeled using the Matrix Factorization (MF) technique. This final project aims to find out the value of Area Under Curve (AUC) produced by using BPR-MF method. From the results of this final task is obtained value of ( ) = 0.962 for datasets Goodreads and AUC (u) = 0.95518 for Bookcrossing datasets. From the scores obtained explained that the BPR-MF method works well in predicting books to be recommended to users.. Keywords: recommendation system, bayesian personalized ranking, matrix factorization, book
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
Co-Authors Ade Romadhony Agung Toto Wibowo Al Faraby, Said Alfredo Alfredo Anditya Arifianto Arby Fahrizi Subiyanto Arief Hutauruk Bobby Brillian Yerikho Dade Nurjanah Dimitri Mahayana Eko Darwiyanto Fahrudin Julianto Fakhri Fauzan Febryanti Sthevanie Fikri Bahiransyah Hasna Haifa Zahrah Hifzi Priabdi Hilmi Eko Arianto Iqbal Dwihanandrio Jondri Jondri Kadek Byan Prihandana Jati Kadek Byan Prihandana Jati Kridanto Surendro Kurniawan Nur Ramadhani Ledya Novamizanti Lugina Muhammad Mahmud Dwi Sulistiyo Mohammad Fathurrahman Muhammad Hanif Oktavianto Nur Ulfa Maulidevi Parjuangan, Sabam Ramadhan, Sageri Fikri Retno Novi Dayawanti Retno Novi Dayawati Rudy Prabowo Sari Rahmawati Serli Fatriandini Serli Fatriandini Shendy Murty Siti Sa’adah Tjokorda Agung Budi Wirayuda Untari Novia Wisesty YUYUN SITI ROHMAH Zaki Mudzakir Hidayatullah ZK Abdurahman Baizal