PREDIKSI INDEKS PRESTASI MAHASISWA MENGGUNAKAN ALGORITMA VFI5 (STUDI KASUS MAHASISWA PROGRAM MAYOR MINOR DEPARTEMEN ILMU KOMPUTER IPB ) AKHYAR AZNI

Transkripsi

1 PREDIKSI INDEKS PRESTASI MAHASISWA MENGGUNAKAN ALGORITMA VFI5 (STUDI KASUS MAHASISWA PROGRAM MAYOR MINOR DEPARTEMEN ILMU KOMPUTER IPB ) AKHYAR AZNI DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2010

2 PREDIKSI INDEKS PRESTASI MAHASISWA MENGGUNAKAN ALGORITMA VFI5 (STUDI KASUS MAHASISWA PROGRAM MAYOR MINOR DEPARTEMEN ILMU KOMPUTER IPB ) AKHYAR AZNI Skripsi Sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer pada Departemen Ilmu Komputer DEPARTEMEN ILMU KOMPUTER FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT PERTANIAN BOGOR BOGOR 2010

3 ABSTRACT AKHYAR AZNI. Grade Point Average Prediction of Computer Science Department Students using VFI5 Algorithm. Counseled by Aziz Kustiyo. Feature Voting Intervals 5 describes a concept by performing classification on each feature separately. VFI5 is a non-incremental algorithm in which all training instances are processed simultaneously. Two steps of VFI5 algotirhms are training and predicting steps. Training is used to explain the character and relationships between features, and predicting is used to test the pattern resulted from training step to get accuration value. This study applied VFI5 algorithm to predict GPA value of the following academic year based on feature which is value of current academic course. First step training was conducted to explain the distribution class of student s GPA and the ability of college students, while the second step predicting can reveal opportunities to learn and know the GPA value that can be obtained by students in the following academic year. The set of data had been used for this research, the first is first year student data that predicted to second year student GPA from generation 2005/2006, second is second year student data that predicted to third year student GPA from generation 2005/2006, and the last is first year student data that predicted to second year data GPA from generation 2006/2007. In the training step, features on the first data which value equals to a given class are Ekonomi Umum and Pengantar Matematika, features on the second data which value equals to a given class are comonly all features, and the last data which value equals to a given class are Ekonomi Umum, Agama, Bahasa Indonesia, PIP, Pengantar Matematika and Pengantar Kewirausahaan. In predicting step, process had been done with and without GPA feature. As the result, we got accuration value in the first data with GPA feature is %, and without GPA feature is %. In the second data with GPA feature got value % and without GPA feature got value %. In the last data with GPA feature got value % and without GPA feature got value %. The result showed that there was a declining accuration as compared to the previous studies due to differences in the testing data and type of prediction. Keywords : Feature, Grade Point Average, VFI5 Algorithm, Training Description, Accuration

4 Judul Skripsi Nama NIM : Prediksi Indeks Prestasi Mahasiswa Menggunakan Algoritma VFI5 (Studi Kasus Mahasiswa Program Mayor Minor Departemen Ilmu Komputer IPB) : Akhyar Azni : G Menyetujui Dosen Pembimbing, Aziz Kustiyo, S.Si, M.Kom NIP : Mengetahui : Ketua Departemen, Dr. Ir. Sri Nurdiati, M.Sc NIP : Tanggal Lulus:

5 PRAKATA Puji dan syukur penulis panjatkan kepada Allah SWT, karena atas nikmat dan karunia-nya penulis dapat menyelesaikan tulisan ini. Tulisan ini merupakan hasil penelitian penulis sebagai salah satu syarat untuk memperoleh gelar Sarjana Komputer di Fakultas Matematika dan Ilmu Pengetahuan Alam, IPB. Penulis mengucapkan terimakasih kepada semua pihak yang telah membantu penulis dalam menyelesaikan tulisan akhir ini, antara lain kepada orang tua penulis, Ayahanda Abdul Aziz Hasan,S.Pd dan Ibunda Husniah,S.Pd atas dukungan iringan doa yang tak ternilai. Terimakasih kepada abang dan kakak tersayang Bang Haikal, Bang Faisal dan Kak Cicik atas bimbingan dan motivasi serta canda tawa yang diberikan. Ucapan terima kasih dan penghargaan yang setinggitingginya disampaikan kepada Yth. Aziz Kustiyo,S.Si,M.Kom sebagai dosen pembimbing skripsi yang telah banyak membantu dan membimbing penulis selama penelitian berlangsung, juga bapak Endang Purnama Giri, S.Kom, M.Kom dan bapak Toto Haryanto, S.Kom yang telah bersedia untuk menjadi dosen penguji saya. Tidak lupa kepada semua dosen pengajar yang telah mendidik, membina, serta mengajar penulis selama menjadi civitas akademika Departemen Ilmu Komputer. Ucapan terima kasih juga diberikan kepada Kak Ira, Keluarga Bang Akmal, Kak Ika dan Syarifah Shalicha yang telah membantu memberi semangat serta rekan-rekan ilkom40, ilkom41 dan ilkom42 IPB, atas bantuan, kerjasama, persahabatan, dan kehangatan persaudaraan serta kenangan indah kepada penulis. Penulis menyadari bahwa penelitian ini masih jauh dari kesempurnaan, namun besar harapan penulis bahwa apa yang telah dikerjakan dapat memberikan manfaat bagi semua pihak. Bogor, Januari 2010 Akhyar Azni

6 RIWAYAT HIDUP Penulis dilahirkan di Bireuen pada tanggal 10 Juni Penulis adalah anak terakhir dari empat bersaudara dari pasangan Abdul Aziz,S.Pd dan Husniah,S.Pd. Pada tahun 2000 penulis melanjutkan sekolah di SMU Negeri 2 Modal Bangsa hingga tahun Pada tahun 2003 penulis diterima sebagai mahasiswa S1 Ilmu Komputer Departemen Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Pertanian Bogor melalui jalur SPMB. Pada tahun 2007, penulis melaksanakan kegiatan Praktik Kerja Lapangan di Puslitbangbun. Selama mengikuti perkuliahan, penulis pernah aktif di Himpunan Mahasiswa Ilmu Komputer (HIMALKOM) tahun kepengurusan 2004/2005. ii

7 DAFTAR ISI Halaman DAFTAR TABEL... v DAFTAR LAMPIRAN... v PENDAHULUAN Latar Belakang... 1 Tujuan... 1 Ruang Lingkup... 1 Manfaat... 1 TINJAUAN PUSTAKA Program Mayor Minor... 2 Mata Kuliah... 2 Satuan Kredit Semester... 2 Indeks Prestasi... 2 K- Fold Cross Validation... 3 Algoritma Voting Feature Intervals METODE PENELITIAN Data... 4 Praproses... 5 Data Latih dan Data Uji... 5 K-Fold Cross Validation... 5 Algoritma VFI Pelatihan... 5 Klasifikasi... 6 Akurasi... 6 Lingkungan Pengembangan... 6 HASIL DAN PEMBAHASAN Pelatihan... 6 Pengujian... 8 KESIMPULAN DAN SARAN Kesimpulan Saran DAFTAR PUSTAKA LAMPIRAN iv

8 DAFTAR TABEL Halaman 1 Perolehan satuan kredit semester (SKS) Pembagian kelas menurut selang IPK kelulusan Contoh sebaran matakuliah yang mengikuti kelas pada angkatan 2005/2006 di TPB Jenis sebaran mata kuliah pada angkatan 2005/2006 di TPB Contoh sebaran mata kuliah mengikuti nilai kelas pada angkatan 2005/2006 di tingkat II Jenis sebaran mata kuliah pada angkatan 2005/2006 di tingkat II Contoh sebaran mata kuliah mengikuti nilai kelas pada angkatan 2006/2007 di TPB Jenis sebaran mata kuliah pada angkatan 2006/2007 di TPB Akurasi hasil prediksi pada angkatan 2005/2006 di TPB tanpa fitur IP Akurasi hasil prediksi pada angkatan 2005/2006 di TPB dengan fitur IP Prediksi keseluruhan mata kuliah TPB tanpa kombinasi IP TPB terhadap IP tingkat II Prediksi keseluruhan mata kuliah TPB dengan kombinasi IP TPB terhadap IP tingkat II Akurasi hasil prediksi pada angkatan 2005/2006 di tingkat II tanpa fitur IP Akurasi hasil prediksi pada angkatan 2005/2006 di tingkat II dengan fitur IP Prediksi keseluruhan mata kuliah tk. II tanpa kombinasi IP tk. II terhadap IP tingkat III Prediksi keseluruhan mata kuliah tk. II dengan kombinasi IP tk. II terhadap IP tingkat III Akurasi hasil prediksi pada angkatan 2006/2007 di TPB tanpa fitur IP Akurasi hasil prediksi pada angkatan 2006/2007 di TPB dengan fitur IP Prediksi keseluruhan mata kuliah TPB tanpa kombinasi IP TPB terhadap IP tingkat II Prediksi keseluruhan mata kuliah TPB dengan kombinasi IP TPB terhadap IP tingkat II DAFTAR LAMPIRAN Halaman 1 Algoritma VFI Kode mata kuliah Program Mayor Minor Departemen Ilmu Komputer Persentase hasil pelatihan mahasiswa Ilkom angkatan 2005/2006 masa TPB terhadap kelas IP tk. II Persentase hasil pelatihan mahasiswa Ilkom angkatan 2005/2006 masa tk. I terhadap kelas IP tk. III Persentase hasil pelatihan mahasiswa Ilkom angkatan 2007/2008 masa TPB terhadap kelas IP tk. II Data mahasiswa Ilkom angkatan 2005/2006 pada kelas I di tk. II dengan nilai A di TPB Data mahasiswa Ilkom angkatan 2005/2006 pada kelas III di tk. II dengan nilai C di TPB Data mahasiswa Ilkom angkatan 2005/2006 pada kelas I di tk. II dengan nilai C di TPB Data mahasiswa Ilkom angkatan 2005/2006 pada kelas III di tk. II dengan nilai A di TPB Data mahasiswa Ilkom angkatan 2004/2006 pada kelas I di tk. III dengan nilai A di tk. II Data mahasiswa Ilkom angkatan 2005/2006 pada kelas III di tk. III dengan nilai C di tk. II Data mahasiswa Ilkom angaktan 2005/2006 pada kelas I di tk. III dengan Nilai C di tk. II Data mahasiswa Ilkom angkatan 2005/2006 pada kelas III di tk. III dengan Nilai A di tk. II Data mahasiswa Ilkom angkatan 2006/2007 pada kelas I di tk. II dengan Dengan nilai A di TPB Data mahasiswa Ilkom angkatan 2006/2007 pada kelas III di tk. II dengan nilai C di TPB Data mahasiswa Ilkom angkatan 2006/2007 pada kelas I di tk. II dengan Nilai C di TPB v

9 Halaman 17 Data mahasiswa Ilkom angkatan 2006/2007 pada kelas III di tk. II dengan nilai A di TPB Akurasi prediksi angkatan 2005/2006 masa TPB tanpa menyertakan fitur IP Akurasi prediksi angkatan 2005/2006 masa TPB dengan menyertakan fitur IP Akurasi prediksi angkatan 2005/2006 masa tk. II tanpa menyertakan fitur IP Akurasi prediksi angkatan 2005/2006 masa tk. II dengan menyertakan fitur IP Akurasi prediksi angkatan 2006/2007 masa TPB tanpa menyertakan fitur IP Akurasi prediksi angkatan 2006/2007 masa TPB dengan menyertakan fitur IP Prediksi mata kuliah TPB tanpa menyertakan IP TPB terhadap IP tk. II pada Angkatan 2005/ Prediksi mata kuliah TPB dengan menyertakan IP TPB terhadap IP tk. II pada Angkatan 2005/ Prediksi mata kuliah tk. II tanpa menyertakan IP tk. II terhadap IP tk. III pada Angkatan 2005/ Prediksi mata kuliah tk. II dengan menyertakan IP tk. II terhadap IP tk. III pada Angkatan 2005/ Prediksi mata kuliah TPB tanpa menyertakan IP TPB terhadap IP tk. II pada Angkatan 2006/ Prediksi mata kuliah TPB dengan menyertakan IP TPB terhadap IP tk. II pada Angkatan 2006/ vi

10 Latar Belakang PENDAHULUAN Institut Pertanian Bogor (IPB) menjadi Badan Hukum Milik Negara (BHMN) terhitung mulai tahun 2000, IPB dalam menyelenggarakan kegiatan bersifat otonom dan salah satunya adalah penerapan Kurikulum Sistem Mayor-Minor yang mulai berlaku bagi mahasiswa IPB mulai tahun akademik 2005/2006. Sampai sekarang ini sistem Mayor-Minor yang dapat diikuti adalah pada 34 mayor dengan 36 Departemen Pengampu (IPB Press 2006). Indeks Prestasi (IP) adalah hasil studi mahasiswa dengan menyertakan semua beban studi yang telah diambil. Pada setiap akhir semester dilakukan penilaian keberhasilan studi semester untuk mengetahui IP mahasiswa dan pada tahap awal dilakukan akumulasi penilaian dalam jangka waktu setahun pertama disebut dengan Indeks Prestasi Kumulatif (IPK) Tingkat Persiapan Bersama (TPB). Setelah itu selanjutnya akumulasi penilaian dilakukan pada setiap semester dan disebut IP semester. Pada setiap semester akan ada IPK kumulatif yaitu keseluruhan akumulasi nilai dari masa TPB sampai semester berjalan terakhir yang telah ditempuh oleh mahasiswa. Pada penelitian sebelumnya yang dikerjakan oleh Nasrah (2007), penelitian dilakukan terhadap mahasiswa passing out dengan menggunakan algoritma yang sama yaitu VFI5, sebagai data latihnya adalah transkrip tingkat TPB mahasiswa dan prediksinya adalah Indeks Prestasi Kumulatif pada saat kelulusan. Pada penelitian kali ini, metode yang dilakukan juga masih sama, tapi data yang digunakan pada penelitian ini adalah data mahasiswa program Mayor Minor di Departemen Ilmu Komputer IPB. Selain itu dilakukan prediksi hasil studi mahasiswa pada satu tahun akademik berikutnya dengan hanya menggunakan nilai-nilai yang didapat dari satu tahun akademik berjalan untuk mengetahui perubahan nilai IPK mahasiswa tersebut. Tujuan Tujuan dari penelitian ini yaitu: 1. Mendeskripsikan sebaran dari hasil studi mahasiswa Ilmu Komputer pada tahun akademik tertentu. 2. Melakukan prediksi Indeks Prestasi Mahasiwa pada satu tahun akademik berikutnya dari data mahasiswa yang telah dikumpulkan. Ruang Lingkup Data yang dipergunakan adalah data mahasiswa yang setiap matakuliahnya memiliki nilai lengkap. Manfaat Penelitian ini diharapkan untuk mendapatkan informasi sebagai berikut : 1. Mengetahui mata kuliah tertentu yang mempengaruhi kesiapan mahasiswa pada tingkat berikutnya. 2. Melihat potensi akademik mahasiswa pada satu tahun berikutnya dengan mempertimbangkan hasil yang dicapai selama satu tahun belajar pada tahun berjalan. TINJAUAN PUSTAKA Program Mayor-Minor Berdasarkan pada keputusan Rektor IPB Nomor : 117/K13/PP/2006, telah ditetapkan tata tertib penyelenggaraan program pendidikan sarjana kurikulum sistem Mayor- Minor, sehingga setelah adanya keputusan ini program Mayor-Minor di IPB mulai dijalankan sebagai program pendidikan baru Institut Pertanian Bogor. Pada tahun pertama masuk IPB, mahasiswa akan menjalankan program TPB terlebih dahulu di semua departemen di masing-masing fakultas dan memperoleh mata kuliah yang cenderung sama. Mulai mahasiswa angkatan 2008/2009, mayor ditetapkan pada saat mahasiswa mendaftar sebagai mahasiswa IPB. Dasar penerimaan mahasiswa pada Program Mayor pilihan adalah: 1. Prestasi akademik yang memenuhi persyaratan prestasi akademik yang ditetapkan IPB 2. Daya tampung mayor yang bersangkutan 3. Kemampuan memenuhi syarat khusus yang ditentukan Hal tersebut (penentuan mayor) berbeda dengan program mayor minor angkatan 2005/2006 dan 2006/2007 dimana penentuan mayor seperti halnya minor ditentukan pada saat akan memasuki 1

11 semester 3. Untuk penetapan minor baru bisa dilakukan setelah memasuki semester 3 dan dilakukan bersama-sama dengan Dosen Pembimbing Akademik (PA) masingmasing untuk menyusun Rencana Studi Paripurna (RSP). Mahasiswa yang tidak mengambil minor di program studi manapun, diperbolehkan mengambil mata kuliah elektif yang disediakan setiap departemen untuk mengumpulkan beban studi minimal kelulusan. Mata Kuliah Mahasiswa program mayor minor diwajibkan menyelesaikan kegiatan perkuliahan di IPB dengan minimal beban studi berdasarkan departemen masingmasing. Mata Kuliah yang diwajibkan untuk diselesaikan yaitu Mata Kuliah pada Tingkat Persiapan Bersama (TPB) dan mata kuliah yang diselenggarakan oleh Departemen Mayor atau Minor yang diambil (kode mata kuliah sampai tingkat II dapat dilihat pada Lampiran 2). Mata Kuliah TPB berjumlah 36 sks dengan masa belajar ideal 2 semester dan dilanjutkan mata kuliah Departemen Mayor dan Minor sampai mencapai batas minimum beban studi kelulusan. Satuan Kredit Semester Satuan Kredit Semester (SKS) adalah ukuran yang digunakan untuk menyatakan : 1. Besarnya beban studi mahasiswa. 2. Ukuran keberhasilan usaha kumulatif bagi suatu program tertentu. 3. Ukuran untuk beban penyelenggaraan pendidikan, khususnya bagi dosen (IPB Press 2003). Dan jumlah minimum sks yang diambil adalah seperti pada Tabel 1 berikut. Tabel 1 Perolehan satuan kredit semester (SKS) Lama Studi (semester) Perolehan SKS Minimum dengan IPK Keterangan Jika perolehan SKS menunjukkan kurang dari batas minimum, maka mahasiswa yang bersangkutan dikeluarkan dari IPB Indeks Prestasi Penilaian keberhasilan studi semester dilakukan pada setiap akhir semester. Penilaian ini meliputi semua mata kuliah yang direncanakan oleh mahasiswa dalam KRS yang sah pada semester tersebut, dengan menggunakan rumus IPB sebagai berikut: dengan : IP = Indeks Prestasi Nj = Nilai mata kuliah j N = Mata kuliah Kj = Bobot SKS mata kuliah Indeks Prestasi yang didapat ini kemudian akan menentukan beban studi maksimum yang bisa diambil oleh mahasiswa tersebut pada semester berikutnya. K-Fold Cross Validation Validasi silang dan bootstrapping merupakan metode dalam memperkirakan generalisasi error berdasarkan resampling (Weiss & Kulikowski 1991 diacu dalam Sarle 2004). Metode k-fold cross validation membagi sebuah himpunan contoh secara acak menjadi k himpunan bagian (subset) yang saling bebas. Dilakukan ulangan sebanyak k-kali untuk pelatihan dan pengujian. Pada setiap ulangan, disisakan satu subset untuk pengujian dan subset lainnya untuk pelatihan (Stone 1974 diacu dalam Fu 1994). Pada metode ini, data awal dibagi menjadi k subset atau fold yang saling bebas secara acak, yaitu S 1, S 2,..., Sk, dengan ukuran setiap subset kira-kira sama. Pelatihan dan pengujian dilakukan sebanyak k kali. Pada iterasi ke i subset Si diperlakukan sebagai data pengujian, dan subset lainnya diperlakukan sebagai data pelatihan. Jadi, pada iterasi pertama S 2,..,Sn menjadi data pelatihan dan S 1 menjadi data pengujian. Pada iterasi kedua S 1, S 3,.., Sn menjadi data pelatihan dan S 2 menjadi data pengujian, dan seterusnya. K-fold cross, 2

12 validation merupakan metode dalam memperkirakan generalisasi error berdasarkan resampling (Weiss & Kullilkowski 1991; Efron & Tibshirani 1993; Hjorth 1994; Plutowski et al. 1994; Shao & tu 1995 diacu dalam Sarle 2004). Algoritma Voting Feature Intervals (VFI5) Algoritma klasifikasi Voting Feature Intervals (VFI5) merepresentasikan deskripsi sebuah konsep oleh sekumpulan interval nilai-nilai fitur atau atribut (Demiroz et al.). Pengklasifikasian instance baru berdasarkan voting pada klasifikasi yang dibuat oleh nilai tiap-tiap feature secara terpisah. VFI5 merupakan algoritma klasifikasi yang bersifat non-incremental dimana semua instance pelatihan diproses secara bersamaan (Guvenir & Sirin 1996 diacu dalam Guvenir & Emeksiz 2000). Dari intance-instance pelatihan tersebut, Algoritma VFI5 membuat interval untuk setiap fitur. Interval-interval yang dibuat dapat berupa range interval atau point interval. Point interval terdiri atas seluruh endpoint secara berturut-turut. Range interval terdiri atas nilai-nilai antara dua endpoint yang berdekatan namun tidak termasuk kedua endpoint tersebut. Untuk setiap interval, vote setiap kelas pada interval tersebut disimpan. Dengan demikian, sebuah interval dapat merepresentaikan beberapa kelas dengan menyimpan vote setiap kelas, sehingga Algoritma VFI dapat dikatakan sebagai Multi-Class feature projection based algorithms. Keunggulan Algoritma VFI5 adalah algoritma ini cukup kokoh (robust) terhadap fitur yang tidak relevan namun mampu memberikan hasil yang baik pada real-world datasets yang ada. VFI5 mampu menghilangkan pengaruh yang kurang menguntungkan dari fitur yang tidak relevan dengan mekanisme voting-nya (Guvenir 1998). Algoritma klasifikasi VFI5 mampu melakukan klasifikasi lebih cepat dibandingkan dengan algotirma nearest neighbor dan decision tree (Demiroz 1997). VFI5 mampu menangani nilai fitur yang tidak diketahui (hilang) dengan cara mengabaikan nilai fitur tersebut yang ada pada data pelatihan dan data pengujian. Namun pada Algortma nearest neighbor dan decision tree, nilai tersebut harus diganti (Quinlan 1993 diacu dalam Demiroz 1997). Mengabaikan fitur yang tidak diketahui merupakan pendekatan yang alami dan masuk akal (Demiroz 1997). Algoritma VFI5 terdiri atas dua tahap, yaitu pelatihan dan klasifikasi. 1. Pelatihan Langkah pertama pada tahap pelatihan adalah menemukan endpoint setiap fitur f dari setiap kelas c. Endpoint untuk feature linear, yaitu fitur yang nilainya memiliki urutan atau bisa dibandingkan tingkatannya, merupakan nilai minimun dan nilai maksimum fitur tersebut. Endpoint untuk fitur nominal, yaitu fitur yang nilainya tidak memiliki urutan dan tidak bisa dibandingkan tingkatannya, merupakan semua nilai yang berbeda yang ada pada fitur kelas yang sedang diamati. Sebelum dibentuk interval, seluruh endpoint yang diperoleh untuk setiap feature linear diurutkan. Jika suatu fitur merupakan fitur linear maka akan dibentuk dua interval yaitu point interval dan range interval. Jika fitur tersebut merupakan fitur nominal maka hanya dibentuk point interval. Batas bawah pada range interval (ujung paling kiri) adalah - sedangkan batas atas range interval (ujung paling kanan ) adalah +. Jumlah maksimum endpoint pada fitur linear adalah 2k sedangkan jumlah maksimum interval adalah 4k+1, dengan k adalah jumlah kelas yang diamati. Setelah itu, jumlah instance pelatihan setiap kelas c dengan fitur f untuk setiap interval i dihitung dan direpresentasikan sebagai interval_calss_count[f,i,c]. Untuk setiap instance pelatihan, dicari interval i, yaitu interval nilai fitur f dari intance pelatihan e(e f ) tersebut berada. Jika interval i merupakan point interval dan e f sam dengan batas bawah interval tersebut (sama dengan batas atas untuk point interval), jumlah kelas intance tersebut (e f ) pada interval i ditambah 1, Jika interval i merupakan range interval dan e f jatuh pada interval tersebut maka jumlah kelas intance e f pada interval i ditambah 1. Hasil proses ini merupakan vote kelas pada interval i. Untuk menghilangkan efek perbedaan distribusi setiap kelas, vote kelas c untuk feature f pada interval i dinormalisasi 3

13 dengan cara membagi vote tersebut dengan jumlah instance kelas c yang direpresentasikan dengan class_count[c]. Hasil normaslisasi ini dinotasikan sebagai interval_class_vote[f,i,c]. Kemudian nilai - nilai interval_calass_vote[f,i,c] dinormalisasi sehingga jumlah vote beberapa kelas pada setiap fitur sama dengan 1. Normalisasi ini bertujuan agar setiap fitur memiliki kekuatan voting yang sama pada proses klasifikasi yang tidak di pengaruhi oleh ukurannya. 2. Klasifikasi Proses Klasifikasi diawali dengan inisialisasi vote setiap kelas dengan nilai nol. Untuk setiap fitur f, dicari interval i dimana nilai e f jatuh, dengan e f merupakan nilai featurer f dari instance tes e. Jika e f tidak diketahui (hilang), fitur tersebut tidak diikutsertakan dalam voting (memberikan vote nol untuk setiap kelas). Oleh karena itu, fitur yang memiliki nilai tidak diketahui diabaikan. Jika e f diketahui maka interval tersebut dapat ditemukan. Interval tersebut dapat menyimpan instance pelatihan dari beberapa kelas. Kelas-kelas dalam sebuah interval direpresentasikan oleh vote kelas-kelas tersebut pada interval itu. Untuk setiap kelas c, fitur f memberikan vote yang sama dengan interval_class_vote[f,i,c]. Notasi tersebut merepresentasikan vote fitur f yang diberikan untuk kelas c. Setiap fitur f mengumpulkan votevote-nya dalam sebuah vektor (featute_vote[f,c1,..., feature_vote[f,cj],..., feature_vote[f,ck]). Dimana feature_vote[f,cj] merupakan vote fitur f untuk kelas Cj dan k adalah jumlah kelas. Kemudian d vektor vote, dimana d merupakan jumlah fitur, dijumlahkan untuk memperoleh total vektor vote (vote[c1],..., vote[ck]). Kelas dengan jumlah vote terbesar diprediksi sebagai kelas dari intance tes e. Pseudocode algoritma pelatihan dan prediksi VFI5 dapat dilihat pada bagian lampiran 1. METODE PENELITIAN Penelitian ini dimulai dari tahap pra proses yaitu filtering data, pelatihan untuk melihat domain dan sebaran-sebaran nilai fitur, lalu selanjutnya melakukan prediksi (kasifikasi) untuk menduga kelas dari suatu instance baru (Gambar 1). VFI5 Data Latih Pelatihan Klasifikasi Akurasi Data Praproses Filtering Data Data Uji Seleksi Data Uji Gambar 1 Tahapan proses klasifikasi data. Langkah-langkah yang diambil pada penelitian ini sesuai dengan langkah-langkah penelitian lainnya dengan menggunakan metode VFI5 untuk memprediksikan beberapa data ke dalam kelas-kelas tertentu. Data Transkrip dari mahasiswa ilkom angkatan 2005/2006 dan 2006/2007 akan menjadi sumber data pada penelitian ini diambil dari setiap tahun akademik mulai tingkat satu sampai tingkat tertinggi yang bisa dilakukan prediksi. Instance algoritma VFI5 dari data yang diambil diatas dikenakan pada individuindividu mahasiswanya sedangkan fiturnya adalah mata kuliah. Instance dan feature inilah nanti yang akan diproses untuk melakukan prediksi. Praproses Setelah melakukan pengumpulan data yang didapat dari departemen Ilmu Komputer terhadap kedua angkatan yaitu angkatan 2005/2006 dan angkatan 2006/2007, lalu dilakukan filtering sehingga membentuk barisan data yang diharapkan untuk diproses lebih lanjut pada algoritma VFI5. Dan yang perlu diperhatikan adalah setiap data yang memiliki fitur bernilai lengkap. Lalu dari data yang sudah ditentukan tersebut akan ditetapkan fitur yang dipakai untuk melakukan prediksi IPK tahunan 4

14 mahasiswa. Fitur yang dipakai adalah nilai yang didapat mahasiswa dari program mayornya saja dan dilakukan pembobotan yang sama terhadap semua fiturnya. Data Latih dan Data Uji Tahap lanjutan setelah data berhasil dicleaning dengan baik adalah dilakukan pembagian data menggunakan metode 3-fold cross validation dari data sebelumnya sebanyak 81 mahasiswa dari angkatan 2005/2006 dan 84 mahasiswa angkatan 2006/2007. Pembagian dilakukan seimbang mungkin terhadap banyaknya instance pada masing-masing kelas yang ditentukan. Ketika sudah didapatkan 3 kelompok data hasil metode 3-fold cross validation, nantinya kelompok data ini akan dipergunakan pada tahap prediksi dengan 2 kelompok sebagai data latih dan satu kelompok data sebagai data uji. Data-data ini memiliki selang IPK yang sudah ditentukan yaitu kelas I untuk selang dengan nilai IPK dari 0.00 sampai 2.50, kelas II dengan nilai IPK dari 2.51 sampai dengan 3.00, dan kelas III dengan nilai IPK lebih dari Lebih lengkapnya bisa dilihat pada tabel 2 di bawah ini. Tabel 2 Pembagian kelas menurut selang IPK kelulusan Selang IPK Kelas 3.00 < IPK < IPK IPK 2.50 I II III K-Fold Cross Validation Data yang telah disediakan selanjutnya dikelompokkan menjadi beberapa subset sebagai persiapan awal sebelum data di uji dengan algoritma VFI5. Pada penelitian ini digunakan k-fold cross validation dengan bilangan k yaitu 3. Hal ini diharapkan menjadi perwakilan yang paling cocok diambil dari data-data tersebut. Pada tahap pertama adalah subset pertama ditentukan sebagai data uji dan dua subset lainnya menjadi data latih, dan terus dilakukan sampai subset terakhir ditentukan sebagai data uji. Algoritma VFI5 Pada penggunaan algoritma VFI 5 ini dilakukan dua proses yang paling dasar yaitu pelatihan dan prediksi (klasifikasi) pada kelas instance yang baru. Algoritma ini dipakai setelah data dibagi menjadi beberapa subset dengan k- fold cross validation. Pelatihan Data yang sudah dikumpulkan lalu diproses dengan skema pelatihan algoritma VFI5 seperti yang terlihat pada bagian pelatihan dari begian pelatihan algoritma VFI5 (pseudocode ada di Lampiran 1). Sebelumnya akan dibentuk interval interval dari setiap fitur mata kuliah yang ada. Perbedaan ketika fitur tersebut linear seperti pada tulisan ini adalah harus dibentuk dua interval yaitu point interval dan linear interval. Jika fitur yang dipakai hanya fitur nominal maka hanya dibentuk satu interval yaitu point interval. Setelah proses penentuan interval selesai proses pelatihan algoritma VFI 5 dilakukan, lalu langkah berikutnya adalah menghitung jumlah instance setiap kelas yang berada pada setiap interval tersebut. Klasifikasi Pada tahap klasifikasi, setiap nilai fitur dari suatu instance baru diperiksa letak interval nilai fitur tersebut. Vote - vote setiap kelas untuk setiap fitur pada setiap interval yang bersesuaian diambil dan kemudian dijumlahkan. Kelas dengan nilai total vote tertinggi menjadi kelas prediksi intance baru tersebut (pseudocode ada di Lampiran 1). Akurasi Nilai akurasi terhadap prediksi yang nanti akan dilakukan adalah perubahan dari rata-rata tingkat akurasi yang dicapai oleh algoritma VFI5 dalam melakukan prediksi dari data yang kita gunakan. Tingkat akurasi diperoleh dari formula : Tingkat akurasi = data uji benar klasifikasi x 100 % Total data uji 5

15 Lingkungan Pengembangan Aplikasi yang dipergunakan untuk skripsi dibangun dengan software dan hardware sebagai berikut: Hardware: 1. Prosesor Inter Pentium Dual Core 2. Memori DDRAM 1 GB 3. HDD 80 GB 7200 RPM Software : 1. Sistem Operasi Microsoft Windows XP Profesional SP2 2. XAMPP untuk paket web server dan php compiler yang terintegrasi 3. Browser Safari HASIL DAN PEMBAHASAN Proses penelitian ini fokus utamanya adalah pada tahap pelatihan dan pengujian dari masing-masing data yang telah dikumpulkan pada tahap awal persiapan penelitian. Proses pelatihan atau juga sebagai deskripsi training tidak menggunakan metode k-fold cross validation, karena semua data akan dilihat dan diolah secara bersamaan tidak ada data yang dijadikan data uji, semua data adalah data latih. Hal yang berbeda dilakukan pada tahap pengujian dimana pada tahap pengujian, metode k-fold cross validation akan digunakan terhadap data yang ada yaitu data latih dan data uji. Pelatihan Pada tahap pelatihan ini bisa didapat banyak sekali informasi tentang data mahasiswa Departemen Ilmu Komputer. Dengan menentukan beberapa kondisi yaitu hubungan sebaran nilai dengan kelas IP, perubahan kecenderungan hubungan nilai dengan kelas IP dan melihat mata kuliah yang memiliki nilai dominan A dan B. Setelah semua pertimbangan tersebut, lalu dilakukan prediksi terhadap data yang sudah dimiliki yaitu data mahasiswa departemen ilmu komputer (ilkom) angkatan 2005/2006 dan 2006/2007 dengan angkatan 2005/2006 dilakukan pada dua tingkat yaitu pada masa TPB dan pada masa tahun kedua sedangkan angkatan 2006/2007 hanya dilakukan pada tingkat TPB. Hal ini dilakukan berdasarkan data yang tersedia pada saat skripsi ini dibuat. 1. Deskripsi angkatan 2005/2006 Berdasarkan hasil olah data yang telah dilakukan, mahasiswa angkatan 2005/2006 akan memiliki dua tahap deskripsi yaitu deskripsi pada TPB dan tingkat II akademik, oleh karena itu pelatihan yang dilakukan terhadap mahasiswa Departemen Ilmu Komputer angkatan 2005/2006 adalah hanya pada pelatihan data TPB dan pelatihan data tingkat II. Data latih TPB Mahasiswa angkatan 2005/2006 yang akan dijadikan data latih adalah sebanyak 82 mahasiswa yaitu jumlah yang didapat setelah dilakukan cleaning data terhadap beberapa mahasiswa yang memiliki nilai tidak lengkap untuk beberapa mata kuliah. Dari satistik data yang didapat pada algoritma VFI5 ternyata ada mata kuliah yang nilainya mengikuti sebaran kelas yaitu ketika nilai mutu yang lebih bagus juga memiliki nilai prediksi yang lebih besar pada kelas IP yang lebih tinggi dan hal ini terjadi pada mata kuliah Ekonomi Umum, dan Pengantar Matematika. Salah satu contoh mata kuliah yang mengikuti sebaran kelas memiliki komposisi prediksi seperti pada Tabel 3. Tabel 3 Contoh sebaran mata kuliah yang mengikuti kelas pada angkatan 2005/2006 di TPB Pengantar Matematika kelas1 : kelas2 : kelas3 : Pada mata kuliah Agama, Pengantar Matematika, Pengantar Kewirausahaan, Olahraga dan Seni, serta Kalkulus memiliki sebaran nilai yang cenderung didominasi nilai A dan B dari seluruh mahasiswa angkatan 2005/2006 yang telah dilakukan pelatihan. Prediksi untuk menentukan jenis sebaran nilai untuk seluruh mata kuliah TPB dapat secara lengkap dilihat pada Lampiran 3. Daftar nama mata kuliah yang mengikuti sebaran kelas atau yang nilainya berada dominan di A dan B dapat dilihat pada Tabel 4 di bawah ini. 6

16 Tabel 4 Jenis sebaran mata kuliah pada angkatan 2005/2006 di TPB Jenis Sebaran Mata Kuliah - Sejalan mengikuti sebaran kelas - Dominan di A dan B Ekonomi Umum, Pengantar Matematika Agama, Pengantar Matematika, Pengantar Kewirausahaan, Olahraga dan Seni, Kalkulus Pada angkatan ini, didapatkan kondisi dimana mahasiswa pada kelas I (memiliki IP lebih besar dari 3) di tingkat II ternyata di TPB mendapatkan nilai C yaitu pada mata kuliah Biologi, Bahasa Indonesia, Pengantar Ilmu Pertanian, Kimia, Fisika, PPKn, Bahasa Inggris, Sosiologi Umum. Sebaliknya ada mahasiswa yang masuk pada kelas III tapi bernilai A dan terjadi pada mata kuliah Biologi, Ekonomi Umum, Agama, Bahasa Indonesia, Pengantar Ilmu Pertanian, Pengantar Matematika, Pengantar Kewirausahaan, Fisika, PPKn, Bahasa Inggris, Olahraga dan Seni, Sosiologi Umum dan Kalkulus (sebaran lengkap disajikan pada Lampiran 6-9). Data Latih Tingkat II Data latih angkatan 2005/2006 di tingkat II tetap dengan jumlah data mahasiswa yang sama seperti TPB yaitu sebanyak 82 orang lalu ada 12 fitur mata kuliah yang diperhatikan dan IP yang menjadi acuan adalah IP tingkat III. Hasil pelatihan juga menampilkan hampir semua mata kuliah cenderung mengikuti sebaran kelas. Contoh mata kuliah yang mengikuti sebaran kelas adalah matakuliah Algoritma Pemrograman dan kompoisisi nilai prediksi tercantum pada Tabel 5. Tabel 5 Contoh sebaran mengikuti nilai kelas pada angkatan 2005/2006 di tingkat II Algoritma Pemrograman kelas1 : kelas2 : kelas3 : Hasil data pelatihan yang telah dilakukan didapatkan informasi bahwa pada tingkat II ini angkatan 2005/2006 memiliki nilai yang tersebar sampai D, hal ini diantaranya terjadi pada mata kuliah Rangkaian Digital, Aljabar Linear, Matematika Diskret dan Metode Statistik. Prediksi mata kuliah tingkat II lainnya bisa dilihat pada Lampiran 4. Ada satu mata kuliah yang pada tingkat II ini tetap memiliki nilai dominan pada A dan B yaitu mata kuliah Pengantar Hitung Peluang sedangkan mata kuliah lain terlihat tersebar rata-rata sampai pada nilai C bahkan beberapa mata kuliah ada yang memiliki nilai E. Daftar nama - nama mata kuliah yang nilainya mengikuti sebaran kelas dan yang nilainya juga cenderung berada dominan di A dan B dapat dilihat pada Tabel 6. Tabel 6 Jenis sebaran mata kuliah pada angkatan 2005/2006 di tingkat II Jenis Sebaran Mata Kuliah - Sejalan dengan sebaran kelas - Dominan di A dan B Algoritma dan Pemrograman, Rangkaian Digital, Kalkulus II, Aljabar Linear, Matematika Diskret, Metode Statistik, Basis Data, Struktur Data, Teori Bahasa Otomata Pengantar Hitung Peluang Kejadian yang juga diamati yaitu ketika ada mahasiswa yang memiliki nilai C di tingkat II tapi berada di kelas 1 pada tahun akademik berikutnya di tingkat III, Hal ini bisa ditemukan terjadi pada 10 mata kuliah yaitu Algoritma dan Pemrograman, Rangkaian Digital, Kalkulus II, Aljabar Linear, Matematika Diskrit, Metode Statistik, Bahasa Pemrograman, Organisasi Komputer, Struktur Data dan Teori Bahasa Otomata. Sebaliknya ada mata kuliah yang memiliki nilai A di tingkat II tapi berada pada kelas III di tingkat III yaitu bisa dilihat pada hasil pelatihan mata kuliah Rangkaian Digital, Basis Data, dan Pengantar Hitung Peluang (sebaran lengkap lihat pada Lampiran 10-13). 2. Deskripsi angkatan 2006/2007 Data latih TPB Data mahasiswa Departemen Ilmu Komputer angkatan 2006/2007 hanya data tingkat TPB dan data tingkat II, sehingga hanya satu tahap prediksi yang dilakukan yaitu prediksi menggunakan nilai mata kuliah tingkat TPB yang dilakukan terhadap IP tingkat II. Jumlah mahasiswa yang 7

17 menjadi perhatian yaitu 84 mahasiswa dimana sebagian lain tidak dimasukkan pada proses pengambilan data antara lain karena nilai tidak lengkap atau tidak mengambil mata kuliah tersebut. Hasil algoritma VFI5 untuk mata kuliah pada angkatan 2006/2007 ini secara umum dilihat pada sebaran yang cenderung sejalan dengan kelas yaitu mata kuliah Biologi, Ekonomi Umum, Agama, Bahasa Indonesia, Pengantar Ilmu Pertanian, Pengantar Matematika, Pengantar Kewirausahaan, dan Fisika. Salah satu contoh mata kuliah yang mengikuti sebaran kelas memiliki komposisi prediksi seperti pada Tabel 7. Tabel 7 Contoh sebaran mata kuliah mengikuti nilai kelas pada angkatan 2006/2007 di TPB Ekonomi Umum kelas1 : kelas2 : kelas3 : Mata kuliah yang dominan mahasiswanya mendapat nilai A dan B adalah mata kuliah Agama, Pengantar Kewirausahaan, dan Olahraga dan Seni. Komposisi prediksi untuk menentukan jensi sebaran nilai untuk seluruh mata kuliah TPB dapat dilihat pada Lampiran 5. Daftar nama mata kuliah yang mnegikuti seberan kelas atau yang nilainya berada dominan di A dan B dapat dilihat pada tabel 8 dibawah ini. Tabel 8 Jenis sebaran mata kuliah pada angkatan 2006/2007 di TPB Jenis Sebaran Mata Kuliah - Sejalan dengan sebaran kelas - Dominan di A dan B Ekonomi Umum, Agama, Bahasa Indonesia, Pengantar Ilmu Peranian, Pengantar Matematika, Pengantar Kewirausahaan Agama, Peng.Kewirausahaan, Olahraga dan Seni Sedangkan fakta lain yang menarik diungkap adalah ada mata kuliah yang bernilai C di TPB tapi tetap terprediksi pada kelas I di tingkat II yaitu pada mata kuliah Biologi, Bahasa Indonesia, Kimia, Fisika, PPKn, Bahasa Inggris, dan Sosiologi Umum (sebaran lengkap dapat dilihat pada Lampiran 14-17). Pengujian Data pengujian yang akan digunakan adalah data-data mahasiswa Departemen Ilmu Komputer angkatan 2005/2006 pada tingkat I dan tingkat II serta data mahasiswa Departemen Ilmu Komputer angkatan 2006/2007 pada tingkat I, sehingga fiturfiturnya adalah semua mata kuliah yang diambil sesuai dengan data yang dipergunakan. Pengujian dilakukan dengan metode 3- fold cross validation yang artinya setiap data pada setiap kelas dibagi menajadi tiga lalu himpunan pertama, kedua dan ketiga dari kelompok data yang sudah dibagi akan disatukan sehingga nanti pada akhirnya terdapat 3 himpunan bagian yang memiliki kecenderungan merata jumlah instance yang masuk pada kelas I, kelas II dan kelas III. Dua dari tiga himpunan data tersebut dijadikan data latih dan satu himpunan lainnya sebagai data uji, dilakukan secara bergantian sampai semua data dapat diberlakukan sebagai data uji dan data latih secara merata. Setelah melalui proses awal di atas, data yang sudah dilakukan pelatihan akan diuji dengan dataujinya. Data pelatihan adalah data nilai-nilai mahasiswa pada setiap mata kuliah pada tahun tersebut dan data uji adalah IP satu tahun akademik kedepan setiap mahasiswa. Untuk mahasiswa angkatan 2005/2006 data yang dimiliki ada dua yaitu data untuk melakukan prediksi tingkat TPB ke tingkat IPK tingkat II dimana diperlukan data nilai setiap mata kuliah pada TPB dan nilai IPK pada tahun ke-2 dan data untuk melakukan prediksi tingkat II ke nilai IPK tingkat III dimana diperlukan data nilai setiap mata kuliah pada tingkat II dan nilai IPK pada tahun ke-3. Sedangkan mahasiswa angkatan 2006/2007 hanya memiliki satu jenis data yaitu untuk melakukan prediksi tingkat TPB terhadap IPK tingkat II dan diperlukan data nilai dari setiap mata kuliah di TPB. 1. Data Uji Mahasiswa Ilmu Komputer angkatan 2005/2006 8

18 Data TPB Nilai akurasi dari prediksi diambil dengan dan tanpa fitur IP pada tahun akademis berjalan untuk dilihat pengaruh fitur IP tersebut terhadap hasil prediksi. Akurasi keseluruhan mata kuliah yang didapat dari prediksi tanpa menggunakan fitur IP diambil sebanyak tiga kali. Hasil yang pertama akurasinya adalah 51.85% lalu pada pengambilan kedua adalah 40.74% selanjutnya pada pengambilan terakhir adalah 48.15% sehingga akurasi rataannya adalah 46.91%. Sedangkan prediksi yang dilakukan dengan menggunakan fitur IP ternyata menyebabkan terjadi penurunan nilai prediksi baik pada percobaan keseluruhan fitur yang dipadukan dengan IP yaitu pada tiga kali pengambilan dengan akurasi pertama 40.74%, akurasi kedua dan ketiga adalah 48.15% dan akurasi rataratanya menjadi 45.68%. Kombinasi fitur lainnya dengan fitur IP juga cenderung mengalami penurunan nilai akurasi dan tidak ditemukan akurasi yang melebihi akurasi yang didapat sebelumnya. Tabel 9 dan Tabel 10 dibawah ini memperlihatkan akurasi rataan dari keseluruhan mata kuliah dan setiap mata kuliah di IPB, untuk prediksi yang lebih lengkap dapat dilihat pada Lampiran Tabel 9 Akurasi hasil prediksi pada angkatan 2005/2006 di TPB tanpa fitur IP Mata Kuliah TOTAL Biologi Ekum Agama B.Indonesia PIP Kimia Pengmat Kewirus Fisika PPKn B.Inggris OS Sosum Kalkulus Akurasi Rata-Rata (%) Keseluruhan mata kuliah yang diamati satu persatu, terlihat hampir tidak ada akurasi setiap mata kuliah yang nilainya mencapai melebihi akurasi keseluruhan, kecuali hanya terjadi pada mata kuliah Pengantar Matematika yang memiliki akurasi %. Dengan penyertaan fitur IP pada proses pelatihan menjelaskan tidak terjadi perubahan secara drastis nilai dari akurasi data prediksi dan secara umum nilai akurasi cenderung mengalami penurunan. Tabel 10 Akurasi hasil prediksi pada angkatan 2005/2006 di TPB dengan fitur IP Mata Kuliah TOTAL Biologi Ekum Agama B.indonesia PIP Kimia Pengmat Kewirus Fisika PPKn B.inggris OS Sosum Kalkulus Akurasi Rata-Rata (%) Kombinasi yang dilakukan pada beberapa mata kuliah cenderung menjadikan nilai akurasi totalnya menjadi lebih buruk atau tidak pernah melebihi akurasi mata kuliah secara keseluruhan. Kombinasi yang dilakukan diantaranya adalah matakuliah Pengantar Matematika dengan Kalkulus, Pengantar Matematika dengan Ekonomi Umum, dan kombinasi Biologi, Fisika, Kimia, Pengantar Matematika serta Kalkulus. Akurasi rataan yang diperoleh secara berurutan dari kombinasi mata kuliah diatas dengan tanpa fitur IP TPB masingmasing adalah sebesar 38.27%, 41.97% dan 40.74%, serta bila menyertakan fitur IP TPB nilai akurasi secara berurutan menjadi %, % dan %. Lebih lengkapnya dapat dilihat pada Lampiran Tabel 11 Prediksi keseluruhan mata kuliah TPB tanpa kombinasi IP TPB terhadap IP tingkat II Prediksi Kelas I II III I II III

19 Ketika diperhatikan secara lebih mendalam akan didapat nilai akurasi setiap prediksi menyebar ke nilai lain, sebagai contoh pada Tabel 11 nilai akurasi kelas I menyebar terbanyak masih pada kelas I, nilai akurasi kelas II menyebar terbanyak sudah pada kelas III, dan nilai akurasi kelas III menyebar pada kelas I dan kelas II secara dominan. Tabel 12 Prediksi keseluruhan mata kuliah TPB dengan kombinasi IP TPB terhadap IP tingkat II Prediksi Kelas I II III I II III Pada Tabel 12 sudah dikombinasikan dengan fitur IP dan didapat nilai kelas 1 masih paling baik pada kelas I, nilai kelas II sudah menyebar paling banyak di kelas III dan akurasi kelas III paling banyak adalah di kelas II. Demikan juga kejadiannya pada prediksi fitur-fitur lain yang telah dicoba dan dapat dilihat pada Lampiran Data Tingkat II Akurasi keseluruhan mata kuliah yang didapat dari prediksi tanpa menggunakan fitur IP diambil sebanyak tiga kali. Hasil yang pertama akurasinya adalah 42.86% lalu pada pengambilan kedua adalah 51.86% selanjutnya pada pengambilan terakhir adalah % dan akurasi rataannya adalah 50.80%. Sedangkan prediksi yang dilakukan dengan menggunakan fitur IP menyebabkan terjadi penurunan prediksi seperti pada percobaan keseluruhan fitur yang menyertakan fitur IP yaitu pada tiga kali pengambilan dengan akurasi pertama 39.29%, akurasi kedua adalah 55.56% dan akurasi rata-ratanya menjadi 53.85%. Tabel 13 dan Tabel 14 di bawah ini memperlihatkan akurasi rataan dari keseluruhan mata kuliah dan setiap mata kuliah di IPB, untuk prediksi yang lebih lengkap termasuk dengan kombinasi beberapa mata kuliah dapat dilihat pada Lampiran Tabel 13 Akurasi hasil prediksi pada angkatan 2005/2006 di tingkat II tanpa fitur IP Mata Kuliah TOTAL Algor Radig Kalkulus II Allin Matdis Mestat Basprog Basdat Orkom Strukdat TBO PHP Akurasi Rata-Rata ( % ) Pada tingkat II ini mata kuliah Bahasa Pemrograman dan Organisasi Komputer memiliki pengaruh yang paling tinggi meskipun keduanya dipadukan untuk diprediksi. Tabel 14 Akurasi hasil prediksi pada angkatan 2005/2006 di tingkat II dengan fitur IP Mata Kuliah TOTAL Algor Radig Kalkulus II Allin Matdis Mestat Basprog Basdat Orkom Strukdat TBO PHP Akurasi Rata-Rata (%) Dari keseluruhan matakuliah yang diamati satu persatu, hanya ada dua mata kuliah yang tetap memiliki nilai akurasi ratarata melebihi akurasi rata-rata keseluruhan mata kuliah walau sudah dikombinasikan dengan fitur IP ataupun tanpa dikombinasikan dengan fitur IP. Kombinasi yang dilakukan pada beberapa mata kuliah ternyata bisa lebih baik dari akurasi keseluruhan mata kuliah baik yang dikombinasikan dengan IP maupun tanpa fitur IP. Fitur yang dikombinasikan dan mencapai nilai akurasi 10

20 yang lebih baik tersebut adalah kombinasi dari Bahasa Pemrograman dengan Organisasi Komputer, dan kombinasi Bahasa Pemrograman, Organisasi Komputer dan Aljabar Linear. Akurasi yang diperoleh dari dua kombinasi tanpa penyertaan fitur IP ini secara berurutan adalah % dan %, sedangkan nilai akurasi dengan menyertakan fitur IP secara berurutan adalah % dan %. Lebih lengkapnya dapat dilihat pada Lampiran Tabel 15 Prediksi keseluruhan mata kuliah tk. II tanpa kombinasi IP tk. II terhadap IP tingkat III Kelas Prediksi I II III I II III Ketika diperhatikan secara lebih mendalam akan didapat nilai akurasi setiap prediksi menyebar ke nilai lain, sebagai contoh pada Tabel 15 nilai akurasi kelas I menyebar cukup besar pada kelas I, nilai akurasi kelas II menyebar paling banyak pada kelas II, dan nilai akurasi kelas III paling banyak menyebar pada kelas III. Tabel 16 Prediksi keseluruhan mata kuliah tk. II dengan kombinasi IP tk. II terhadap IP tingkat III Kelas Prediksi I II III I II III Dan pada Tabel 16 yang telah dikombinasikan dengan IP akurasi dari kelas I menyebar masih pada kelas I, nilai kelas II lebih banyak terprediksi pada kelas II, dan kelas II terprediksi paling banyak masih di kelas II. Demikan kejadiannya pada prediksi fitur-fitur lain yang telah dicoba dapat dilihat pada Lampiran Data Uji Mahasiswa Ilmu Komputer angkatan 2006/2007 Data TPB Nilai akurasi dari prediksi diambil dengan dan tanpa fitur IP pada tahun akademis berjalan untuk dilihat pengaruh fitur IP tersebut terhadap hasil prediksi. Akurasi keseluruhan mata kuliah yang didapat dari prediksi tanpa menggunakan fitur IP diambil sebanyak tiga kali. Hasil yang pertama akurasinya adalah % lalu pada pengambilan kedua adalah 51.85% selanjutnya pada pengambilan terakhir adalah 51.85% dan akurasi rataannya adalah %. Sedangkan prediksi yang dilakukan dengan menggunakan fitur IP akan terjadi kecenderungan kenaikan nilai prediksi pada percobaan keseluruhan fitur yang dipadukan dengan IP yaitu pada tiga kali pengambilan dengan akurasi pertama 58.62%, akurasi kedua dan kedua adalah 59.26% dan akurasi rata-ratanya menjadi 60.28%. Tabel 17 dan Tabel 18 dibawah ini memperlihatkan akurasi rataan dari keseluruhan mata kuliah dan setiap mata kuliah di IPB, untuk prediksi yang lebih lengkap dapat dilihat pada Lampiran Tabel 17 Akurasi hasil prediksi pada angkatan 2006/2007 di TPB tanpa fitur IP Mata Kuliah TOTAL Biologi Ekum Agama B.Indonesia PIP Kimia PengMat P.Kewirus Fisika PPKn B.Inggris OS Sosum Kalkulus Akurasi Rata-Rata (%) Hasil prediksi menjelaskan hampir tidak ada akurasi setiap mata kuliah yang nilainya melebihi akurasi keseluruhan, kecuali hanya terjadi pada mata kuliah Pengantar Matematika yang memiliki akurasi 48,15 %. Tabel 18 Akurasi hasil prediksi pada angkatan 2006/2007 di TPB dengan fitur IP Mata Kuliah TOTAL Biologi Ekum Agama B.Indonesia PIP Akurasi Rata-Rata (%)

21 Kimia PengMat P.Kewirus Fisika PPKn B.Inggris OS Sosum Kalkulus Ketika disertakan fitur IP pada proses pelatihan terjadi kenaikan nilai akurasi hampir pada seluruh mata kuliah dimana nilai akurasi rataan keseluruhan mata kuliah naik sampai %. Kombinasi yang dilakukan pada beberapa mata kuliah cenderung menjadikan nilai akurasi totalnya mengalami kenaikan melebihi akurasi mata kuliah secara keseluruhan. Kombinasi diambil diantaranya adalah matakuliah Pengantar Matematika dengan Kalkulus, Pengantar Matematika dengan Ekonomi Umum, dan kombinasi Biologi, Fisika, Kimia, Pengantar Matematika serta Kalkulus. Akurasi yang diperoleh secara berurutan dari kombinasi mata kuliah diatas dengan tanpa fitur IP TPB masing-masing adalah sebesar %, 49.42% dan 49.42%, serta bila menyertakan fitur IP TPB nilai akurasi secara berurutan menjadi %, % dan %. Lebih lengkapnya dapat dilihat pada Lampiran Tabel 19 Prediksi keseluruhan mata kuliah TPB tanpa kombinasi IP TPB terhadap IP tingkat II Prediksi Kelas I II III I II III Tabel 20 Prediksi keseluruhan mata kuliah TPB dengan kombinasi IP TPB terhadap IP tingkat II Kelas Prediksi I II III I II III Ketika diperhatikan secara lebih mendalam akan didapat nilai akurasi setiap prediksi menyebar ke nilai lain, sebagai contoh pada Tabel 11 nilai akurasi kelas I menyebar cukup besar pada kelas I, nilai akurasi kelas II menyebar paling banyak pada kelas II, dan nilai akurasi kelas III paling banyak menyebar pada kelas III. Dan pada Tabel 12 yang telah dikombinasikan dengan IP akurasi dari kelas I terprediksi masih pada kelas I, nilai kelas II lebih banyak terprediksi pada kelas II, dan kelas III terprediksi paling banyak masih di kelas III. Demikan pula kejadiannya pada prediksi fitur-fitur lain yang telah dicoba dapat dilihat pada Lampiran KESIMPULAN DAN SARAN Kesimpulan Data mahasiswa Departemen Ilmu Komputer Program Mayor Minor yang didapat yaitu ada mata kuliah yang selalu memiliki nilai dominan di A dan B pada masa TPB angkatan 2005/2006 dan 2006/2007 yaitu mata kuliah Agama, Pengantar Kewirausahaan, dan mata kuliah Olahraga dan Seni. Ada pula kejadian yang mirip dengan satu mata kuliah di angkatan 2005/2006 dan 2006/2007 pada mata kuliah Biologi yaitu pasti selalu ada mahasiswa yang memiliki nilai D. Rata-rata nilai akurasi tertinggi pada angkatan 2005/2006 pada tingkat TPB adalah bernilai 46,91 % tanpa fitur IP dan 45,68 % dengan fitur IP dibanding rata-rata tingkat yang sama pada angkatan 2006/2007 yang 51,80 % tanpa fitur IP dan meningkat menjadi 60,28 % ketika dipadu dengan fitur IP, dari sini terlihat peningkatan akurasi. Dua mata kuliah memiliki tingkat akurasi yang cenderung tidak berubah pada angkatan 2005/2006 dan 2006/2007 yaitu Bahasa Inggris dan Fisika yang mungkin berarti tidak memiliki pengaruh dari perbedaan cara penentuan jurusan. Tinjauan pada TPB angkatan 2005/2006 dan 2006/2007 secara umum yaitu mata kuliah Ekonomi Umum dan Pengantar Matematika, pada dua angkatan ini selalu berada sesuai dengan sebaran kelas yang berarti menggambarkan hasil yang didapat mahasiswa secara umum pada kelas tersebut. Pada mata kuliah Agama, Pengantar Matematika, Pengantar Kewirausahaan, dan Olahraga dan Seni sebaran nilai sangat dominan pada A dan B yang mahasiswa memiliki nilai bagus. 12