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 32 Documents
Search

 1   2   3   4 
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
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
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
Enhancing the Comprehensiveness of Criteria-Level Explanation in Multi-Criteria Recommender System Rismala, Rita; Maulidevi, Nur Ulfa; Surendro, Kridanto
Journal of Information Systems Engineering and Business Intelligence Vol. 11 No. 2 (2025): June
Publisher : Universitas Airlangga

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.20473/jisebi.11.2.160-172

Abstract

Background: The explainability of recommender systems (RSs) is currently attracting significant attention. Recent research mainly focus on item-level explanations, neglecting the need to provide comprehensive explanations for each criterion. In contrast, this research introduces a criteria-level explanation generated in a content-based pardigm by matching aspects between the user and item. However, generation may fall short when user aspects do not match perfectly with the item, despite possessing similar semantics.  Objective: This research aims to extend the aspect-matching method by leveraging semantic similarity. The extension provides more detail and comprehensive explanations for recommendations at the criteria level.    Methods: An extended version of the aspect matching (AM) method was used. This method identified identical aspects between users and items and obtained semantically similar aspects with closely related meanings.   Results: Experiment results from two real-world datasets showed that AM+ was superior to the AM method in coverage and relevance. However, the improvement varied depending on the dataset and criteria sparsity.  Conclusion: The proposed method improves the comprehensiveness and quality of the criteria-level explanation. Therefore, the adopted method has the potential to improve the explainability of multi-criteria RSs. The implication extends beyond the enhancement of explanation to facilitate better user engagement and satisfaction.  Keywords: Comprehensiveness, Content-Based Paradigm, Criteria-Level Explanation, Explainability, Multi-Criteria Recommender System
Momentum Backpropagation Optimization for Cancer Detection Based on DNA Microarray Data Wisesty, Untari Novia; Sthevanie, Febryanti; Rismala, Rita
International Journal of Artificial Intelligence Research Vol 4, No 2 (2020): December 2020
Publisher : Universitas Dharma Wacana

Show Abstract | Download Original | Original Source | Check in Google Scholar | Full PDF (251.127 KB) | DOI: 10.29099/ijair.v4i2.188

Abstract

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.
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