Claim Missing Document
Check
Articles

Found 32 Documents
Search

Apriori Association Rule for Course Recommender system Fakhri Fauzan; Dade Nurjanah; Rita Rismala
Indonesia Journal on Computing (Indo-JC) Vol. 5 No. 2 (2020): September, 2020
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.34818/INDOJC.2020.5.2.434

Abstract

Until recently, recommender systems have been applied in learning, such as to recommend appropriate courses. They are based on users’ ratings, learning history, or curriculum that provide relationship between courses. The last approach, however, can’t be applied to Massive Open Online Courses (MOOCs) that don’t maintain such information. Hence, course recommender systems for MOOCs must be based on other learners’ experience. This paper discusses such recommender systems. We apply Apriori Association Rule and the case study used in this study is the Canvas Network dataset and the HarvardX-MITx dataset. The proposed recommender system consists of a pre-processing to normalize data and reduce anomalous data, data cleaning to handle empty data, K-Modes clustering to group users, grouping registration transactions for filtering user registration transaction, and finally, rule formation using the Apriori Association Rule. The performance of the association rules obtained, a lift ratio evaluation metric is used. The experiments results show the best parameters in this study are 0.01 for minimum support and 0.6 for minimum confidence. With these two parameters, the number of rules and the average lift ratio value on the Canvas Network dataset are 110 rules and 19.055, while the HarvardX-MITx dataset is 48 rules and 3.662.
Brain Tumor Detection and Classification in Magnetic Resonance Imaging (MRI) using Region Growing, Fuzzy Symmetric Measure, and Artificial Neural Network Backpropagation Lugina Muhammad; Retno Novi Dayawanti; Rita Rismala
International Journal on Information and Communication Technology (IJoICT) Vol. 1 No. 1 (2015): December 2015
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21108/IJOICT.2015.11.2

Abstract

Brain tumor is one type of malignant tumors that occurs because there is an abnormal and uncontrolled cell division activity. There are several ways to diagnose brain tumors, for example use MRI images. Through the MRI images, the radiologist can see the brain anatomy without performing surgery. However, this process is still done manually and could lead to misdiagnose. In addition, the different characteristics of brain tumor makes the diagnose more difficult. Therefore, we need a system of Computer-Aided Diagnostic (CAD) that will help radiologist in identifying brain tumors. In general, the CAD system consists of two major processes, namely image segmentation and feature extraction and classification. One example of segmentation is Region Growing that will classify the pixels based on certain criteria. However, the manual selection of seed point is a drawback of this method. The examples of feature extraction methods are Fuzzy Symmetric Measure (FSM), and First and Second Order Statistics. FSM values can be used to calculate the symmetry of the image brain, while the first and second order to represent feature in the image. As for the classification process, Artificial Neural Network Backpropagation method is widely used for its ability to resolve nonlinear dan complex problems.This research implements CAD system that uses Region Growing, Symmetric Fuzzy Measure, and Backpropagation Neural Network for detecting and classifying the brain tumors. In addition, the modification of converging square is conducted to select a seed point automatically. After testing, the system generates a 100% accuracy and BER is 0 in the case of distinguishing between normal and tumor brain. Besides, the average accuracy in classifying the types of brain tumors achieved 89.72% , the BER 0.1 for training data, and the average accuracy of 84.44%, BER 0.16 for the testing data.
The Foreign Exchange Rate Prediction Using Long-Short Term Memory: A Case Study in COVID-19 Pandemic Hasna Haifa Zahrah; Siti Sa’adah; Rita Rismala
International Journal on Information and Communication Technology (IJoICT) Vol. 6 No. 2 (2020): December 2020
Publisher : School of Computing, Telkom University

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.21108/IJOICT.2020.62.538

Abstract

The foreign exchange market is a global financial market that is influenced by economic, political, and psychological factors that are interconnected in complex ways. This complexity makes the foreign exchange market a difficult time-series prediction. At the end of 2019, the world was faced with the COVID-19 pandemic that has not only affected public health but also the foreign exchange market, which makes the trading behaviour affected. Long Short-Term Memory network (LSTM) is a type of recurrent neural network (RNN) that can solve long-term dependencies and is suitable to be a financial time-series model. This study implemented the LSTM model to predict the foreign exchange rate at a timeframe of 1 hour and daily in 2020 to get the best hyperparameter based on the RMSE evaluation results. Furthermore, with the obtained hyperparameters, the prediction result of 2020 was then compared with the 2018 and 2019 prediction results. The best RMSE result was obtained in 1-hour timeframe and when 2020’s RMSE result was compared to 2018’s and 2019’s RMSE result, the prediction of 2019 gave the best RMSE result. The LSTM model is able to achieve good results in the 2020 prediction, proven by the RMSE result which is 0.00135.
PREDIKSI TIME SERIES TINGKAT INFLASI INDONESIA MENGGUNAKAN EVOLUTION STRATEGIES Rita Rismala
Jurnal Ilmiah Teknologi Infomasi Terapan Vol. 1 No. 2 (2015)
Publisher : Universitas Widyatama

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (328.772 KB) | DOI: 10.33197/jitter.vol1.iss2.2015.49

Abstract

[INA]Prediksi tingkat inflasi bisa dilakukan dengan cara mempelajari data historis masa lalu yang dinamakan dengan metode prediksi data time series. Permasalahan pencarian model prediksi yang paling optimal berdasarkan pola data historis ini dapat dipandang sebagai sebuah permasalahan optimasi untuk mencari model prediksi yang menghasilkan tingkat error prediksi paling kecil. Evolution Staregies (ES) sering digunakan untuk menyelesaikan masalah-masalah optimasi numerik seperti itu. Oleh karena itu, pada penelitian ini dilakukan prediksi time series tingkat inflasi Indonesia dengan menggunakan ES.Berdasarkan penelitian yang telah dilakukan dapat diketahui bahwa akurasi prediksi yang didapatkan kurang optimal, dengan MAPE 6.54%. Hal ini dikarenakan data historis tingkat inflasi di Indonesia sangat fluktuatif. Namun untuk pola data linear, ES bisa mendapatkan hasil prediksi yang akurat.[EN]The inflation rate can be predicted by studying the history of past data, called time series prediction method. Problem in finding optimal prediction model based on historical data can be viewed as an optimization problem to find a predictive model that resulting the smallest prediction error rate. Evolution Staregies (ES) is often used to solve numerical optimization problems like that. Therefore, in this study was performed Indonesian inflation rate time series prediction using ES.Based on the study can be seen that the accuracy of prediction was less than optimal, with MAPE 6.54%. This was because the historical data of Indonesia inflation rate was very fluctuative. However, for linear data pattern, ES can obtain accurate prediction.
PENERAPAN TEKNIK KLASIFIKASI PADA SISTEM REKOMENDASI MENGGUNAKAN ALGORITMA GENETIKA Rita Rismala; Mahmud Dwi Sulistiyo
Jurnal Ilmiah Teknologi Infomasi Terapan Vol. 2 No. 3 (2016)
Publisher : Universitas Widyatama

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (534.54 KB) | DOI: 10.33197/jitter.vol2.iss3.2016.108

Abstract

[Id]Sistem rekomendasi yang dibangun dalam penelitian ini adalah sistem rekomendasi yang dapat memberikan rekomendasi sebuah item terbaik kepada user. Dari sisi data mining, pembangunan sistem rekomendasi satu item ini dapat dipandang sebagai upaya untuk membangun sebuah model classifier yang dapat digunakan untuk mengelompokkan data ke dalam satu kelas tertentu. Model classifier yang digunakan bersifat linier. Untuk menghasilkan konfigurasi model classifier yang optimal digunakan Algoritma Genetika (AG). Performansi AG dalam melakukan optimasi pada model klasifikasi linier yang digunakan cukup dapat diterima. Untuk dataset yang digunakan dengan kombinasi nilai parameter terbaik yaitu yaitu ukuran populasi 50, probabilitas crossover 0.7, dan probabilitas mutasi 0.1, diperoleh rata-rata akurasi sebesar 72.80% dengan rata-rata waktu proses 6.04 detik, sehingga penerapan teknik klasifikasi menggunakan AG dapat menjadi solusi alternatif dalam membangun sebuah sistem rekomendasi, namun dengan tetap memperhatikan pengaturan nilai parameter yang sesuai dengan permasalahan yang dihadapi.Kata kunci:sistem rekomendasi, klasifikasi, Algoritma Genetika[En]In this study was developed a recommendation system that can recommend top-one item to a user. In terms of data mining, it can be seen as a problem to develop a classifier model that can be used to classify data into one particular class. The model used was a linear classifier. To produce the optimal configuration of classifier model was used Genetic Algorithm (GA). GA performance in optimizing the linear classification model was acceptable. Using the case study dataset and combination of the best parameter value, namely population size 50, crossover probability 0.7 and mutation probability 0.1, obtained average accuracy 72.80% and average processing time of 6.04 seconds, so that the implementation of classification techniques using GA can be an alternative solution in developing a recommender system, due regard to setting the parameter value depend on the encountered problem.Keywords:Recommendation system, classification, Genetic Algorithm
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.