JARINGAN SARAF TIRUAN UNTUK PREDIKSI TINGKAT KELULUSAN MAHASISWA DIPLOMA PROGRAM STUDI MANAJEMEN INFORMATIKA UNIVERSITAS NEGERI GORONTALO

Transkripsi

1 i JARINGAN SARAF TIRUAN UNTUK PREDIKSI TINGKAT KELULUSAN MAHASISWA DIPLOMA PROGRAM STUDI MANAJEMEN INFORMATIKA UNIVERSITAS NEGERI GORONTALO LILLYAN HADJARATIE SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2011

2 ii PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan ini saya menyatakan bahwa tesis Jaringan Saraf Tiruan untuk Prediksi Tingkat Kelulusan Mahasiswa Diploma Program Studi Manajemen Informatika Universitas Negeri Gorontalo adalah karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apapun kepada perguruan tinggi manapun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun yang tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam daftar pustaka di bagian akhir tesis ini Bogor, Juli Lillyan Hadjaratie NRP G

3 iii ABSTRACT LILLYAN HADJARATIE. Artificial Neural Network on graduation rate prediction for Informatic Management diploma students of Gorontalo State University. Under direction of KUDANG BORO SEMINAR and AZIZ KUSTIYO. In this research is made a system of student graduation rate prediction using artificial neural network and back propagation method. Predicted graduation rate is length of study and grade point average. The Input variables is the value of 16 subjects in the first year program. Output variables are 2 categories for the length of study and 3 categories for grade point average. The aims of this research are to get the best parameters and architecture of artificial neural network, to predict student graduation rate and to measure the input variable sensitivity. To obtain a convergent learning outcomes, has done some trial and error with several variations the number of hidden node, learning rate and training function, to generate the high level of data. The result shows, graduation rate prediction using artificial naural network with back propagation method has good result, which % validation data generalization and 93.94% testing data generalization for lenght of study prediction model, and 96.67% validation data generalization and 100% testing data generalization for grade point average prediction model. The best parameters and architecture from the both of prediction models generated by training in second data group and levenbarg-marquardt training functions. Length of study prediction model, optimal on learning rate 0.1 and number of hidden node 10, and grade point average prediction models optimal on learning rate 0.05 and number of hidden node 15. The sensitivity analysis results that subject as input variables, which have the most impact is Aljabar Vector and Matriks. Keywords : artificial neural network, back propagation, parameter and neural architecture, sensitivity analysis, student graduation rate.

4 iv RINGKASAN LILLYAN HADARATIE. Tesis Jaringan Saraf Tiruan untuk Prediksi Tingkat Kelulusan Mahasiswa Diploma Program Studi Manajemen Informatika Universitas Negeri Gorontalo. Dibimbing oleh KUDANG BORO SEMINAR dan AZIZ KUSTIYO. Tingkat kelulusan mahasiswa D3 Manajemen Informatika UNG sejak lulusan angkatan pertama tahun 2000 hingga dengan tahun 2007 menunjukkan persentase rata-rata jumah mahasiswa lulusan yang menyelesaikan studi tepat waktu yakni 3 (tiga) tahun hanya sebesar 14% dan sisanya sebesar 86% menyelesaikan studi dengan melewati batas studi yang ditetapkan. Begitupula dengan pencapaian IPK lulusan dari tahun 2000 hingga tahun 2007, lulusan dengan IPK > 3.00 hanya mencapai 42%, dan berdasarkan status predikat lulusan, persentase IPK lulusan di atas 3.50 (predikat terpuji) hanya sebesar 9%, persentase IPK kisaran 2.75 hingga 3.50 (predikat sangat memuaskan) sebesar 62%, selebihnya IPK di bawah 2.75 (predikat memuaskan) sebesar 29%. Sasaran mutu yang ditetapkan oleh universitas sebagai standar lama studi dan IPK adalah persentase lulusan tepat waktu (3 tahun) minimal 50%, pencapaian IPK lebih dari 3.00 minimal 65% dan lulusan dengan predikat terpuji memiliki persentase lebih besar dari lulusan dengan predikat memuaskan (Universitas Negeri Gorontalo, 2009). Data faktual yang telihat masih dibawah sasaran mutu yang ditetapkan. Kondisi tersebut mendorong program studi untuk terus melakukan evaluasi dan langkah strategis dalam upaya meningkatkan tingkat kelulusan mahasiswa agar sasaran mutu bisa tercapai. Evaluasi akhir semester dan akhir program yang merupakan evaluasi rutin program studi perlu ditingkatkan dengan dibuatnya sistem prediksi tingkat kelulusan pada tahun pertama penyelenggaraan proses perkuliahan. Dengan diketahuinya hasil prediksi tingkat kelulusan di tahun pertama program, dapat dijadikan informasi dan bahan pertimbangan program studi dalam pengambilan keputusan dan tindak lanjut sekiranya hasil prediksi masih jauh dari sasaran mutu yang telah ditetapkan. Tujuan penelitian ini untuk mendapatkan parameter dan arsitektur jaringan saraf tiruan yang terbaik, melakukan prediksi tingkat kelulusan mahasiswa dan mengetahui sensitivitas variabel masukan. Untuk mendapatkan hasil pembelajaran yang konvergen, dilakukan trial & error dengan beberapa variasi jumlah hiddennode, laju pembelajaran dan fungsi pelatihan untuk mendapatkan tingkat generalisasi yang tinggi. Pada penelitian ini dibuat sistem prediksi tingkat kelulusan mahasiswa dengan jaringan saraf tiruan (artificial neural network) metode propagasi balik (back propagation). Tingkat kelulusan yang diprediksi adalah lama studi dan indeks prestasi kumulatif (IPK). Variabel inputnya berupa nilai angka mutu dari 16 (enam belas) mata kuliah dari 2 (dua) semester pada tahun pertama program perkuliahan. Variabel outputnya berupa lama studi Indeks Prestasi Akademik (IPK). Data mahasiswa yang digunakan dalam penelitian ini adalah data mahasiswa D3 Manajemen Informatika UNG angkatan 2005 hingga Proses pembelajaran dan pengujian JST menggunakan data mahasiwa angkatan 2005, 2006 dan 2007 yang dibagi ke dalam 3 (tiga) komposisi data, yakni 70% data pelatihan, 15% data validasi dan 15% data testing. Prediksi tingkat kelulusan

5 menggunakan data mahasiswa angkatan 2008, 2009 dan Praproses data dilakukan untuk data target yang bersifat kategorikal, dengan menggunakan metode transformasi Unary Encoding, dimana data target dipresentasikan dengan kombinasi angka 0 dan 1 (numerical binary variable). Arsitektur JST yang digunakan adalah jumlah node input 16, jumlah node lapisan tersembunyi (hidden nodei) divariasikan pada nilai 5, 10 dan 15, serta jumlah node output 2 untuk kategori lama studi dan 3 untuk kategori IPK. Parameter yang akan diberikan pada proses pembelajaran antara lain adalah fungsi aktivasi, toleransi galat, jumlah epoch maksimal, variasi nilai laju pembelajaran (learning rate) dan variasi fungsi pelatihan (training function). Hasil penelitian menunjukkan bahwa Arsitektur JST dengan generalisasi terbaik dihasilkan oleh jaringan dengan jumlah input node 16, hidden node 10 dan output node 2 untuk model prediksi lama studi, serta hidden node 15 dan output node 3 untuk model prediksi indeks prestasi kumulatif. Parameter jaringan terbaik diperoleh dari percobaan menggunakan kelompok data kedua, dengan fungsi fungsi pelatihan levenberg-marquardt, dimana untuk model prediksi lama studi, percobaan dengan tingkat generalisasi data pengujian tertinggi, yakni 96.97% untuk data validasi dan % untuk data testing berada pada laju pembelajaran 0.1. Untuk model model prediksi indeks prestasi kumulatif, percobaan dengan tingkat generalisasi data pengujian tertinggi (100.00% untuk data validasi dan 93.94% untuk data testing) berada pada laju pembelajaran Hasil prediksi tingkat kelulusan mahasiswa angkatan 2008, 2009 dan 2010, baik berdasarkan lama studi maupun IPK, belum mencapai sasaran mutu yang ditetapkan, dimana persentase mahasiswa yang diprediksi lulus tepat waktu (3 tahun) masing-masing hanya sebesar 17.07% untuk angkatan 2008, 17.31% untuk angkatan 2009 dan 13.51% untuk angkatan Begitupula dengan hasil prediksi tingkat kelulusan mahasiswa angkatan 2008, 2009 dan 2010 berdasarkan predikat IPK diperoleh bahwa persentase mahasiswa yang diprediksi lulus dengan predikat terpuji (IPK 3.5) sebesar 17.07% untuk angkatan 2008, 3.85% untuk angkatan 2009 dan 16.22% untuk angkatan 2010, dimana hasil prediksi mahasiwa yang lulus dengan predikat terpuji memiliki persentase yang lebih rendah dibandingkan dengan mahasiwa yang lulus dengan predikat sangat memuaskan, sebagaimana yang menjadi salah satu sasaran mutu Universitas Negeri Gorontalo. Berdasarkan hasil analisis sensitivitas yang betujuan untuk melihat pengaruh variabel input terhadap output, mata kuliah yang paling besar pengaruhnya pada kedua model prediksi adalah mata kuliah Aljabar Vektor dan Matriks. Mata kuliah tersebut memberikan pengaruh yang lebih besar dibandingkan mata kuliah lainnya karena perolehan nilai dari mata kuliah tersebut menampakkan pola tertentu terhadap output yang ditetapkan. v

6 vi Hak Cipta milik IPB, tahun 2011 Hak Cipta dilindungi Undang-Undang Dilarang mengutip sebagian atau seluruh karya tulis tanpa mencantumkan atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiyah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan yang wajar IPB. Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis dalam bentuk apa pun tanpa izin IPB.

7 vii JARINGAN SARAF TIRUAN UNTUK PREDIKSI TINGKAT KELULUSAN MAHASISWA DIPLOMA PROGRAM STUDI MANAJEMEN INFORMATIKA UNIVERSITAS NEGERI GORONTALO LILLYAN HADJARATIE Tesis Sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada Program Studi Ilmu Komputer SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2011

8 Penguji Luar Komisi : Sony Hartono Wijaya, S.Kom, M.Kom viii

9 ix LEMBAR PENGESAHAN Judul Nama NRP Program Studi : Jaringan Saraf Tiruan Untuk Prediksi Tingkat Kelulusan Mahasiswa Diploma Program Studi Manajemen Informatika Universitas Negeri Gorontalo. : Lillyan Hadjaratie : G : Ilmu Komputer Disetujui Komisi Pembimbing Prof. Dr. Ir. Kudang Boro Seminar, M.Sc Ketua Aziz Kustiyo, S.Si, M.Kom Anggota Diketahui Ketua Program Studi Dekan Sekolah Pascasarjana IPB Dr. Ir. Agus Buono, M.Si, M.Kom Dr.Ir. Dahrul Syah, M.Sc. Agr Tanggal Ujian : 25 Juni 2011 Tanggal Lulus:

10 x PRAKATA Puji dan syukur penulis panjatkan kepada Allah SWT atas segala karunia- Nya sehingga karya ilmiah dengan judul Jaringan Saraf Tiruan Untuk Prediksi Tingkat Kelulusan Mahasiswa Diploma Program Studi Manajemen Informatika Universitas Negeri Gorontalo, dapat diselesaikan. Oleh karena itu penulis menyampaikan terima kasih yang setinggi-tingginya kepada : 1. Tim komisi pembimbing Bapak Prof.Dr. Ir. Kudang Boro Seminar, M.Sc dan Bapak Aziz Kustiyo, MSi, M.Kom selaku pembimbing yang telah memberikan bimbingan, arahan, saran, dan motivasi. 2. Bapak Dr. Ir. Agus Buono, M.Si, M.Kom atas waktu dan kesediaannya menjadi penguji di luar komisi. 3. Staf dosen di program studi Ilmu Komputer, Institut Pertanian Bogor, atas segala pengetahuan, bimbingan dan motivasinya selama proses perkuliahan, dan terimakasih kepada bapak Ruchiyan atas bantuan dan dukungannya. 4. Rektor Universitas Negeri Gorontalo dan Dekan Fakultas Teknik Universitas Negeri Gorontalo, yang telah memberi kesempatan untuk melanjutkan studi di Institut Pertanian Bogor. 5. Staf pengajar di program studi Manajemen Informatika, Universitas Negeri Gorontalo, M. Rifai Katili, Hidayat Koniyo, Arip Mulyanto, Agus Lahinta, Muhlisulfatih Latief, Dian Novian, Aziz Bouty, Manda Rohandi, Darman, Tajuddin Abdillah, Ningrayati Amali, Roviana Dai, Sitti Suhada, terimakasih atas motivasinya. 6. Tim Pengembangan Sumber Daya Manusia (TPSDM) Provinsi Gorontalo, atas dukungan beasiswanya. 7. Rekan Unggul Utan Sufandi, atas kebaikan, motivasi dan bantuannya dalam pelaksanaan dan penyusunan tesis hingga proses penyelesaian studi penulis. 8. Rekan-rekan mahasiswa program magister ilmu komputer IPB, atas motivasi, kebersamaan dan persahabatannya. 9. Rekan-rekan yang telah banyak membantu dalam memberikan data penelitian, Arbyn Dungga, Alexander Badjuka, Charles Mopangga, Befly Otoluwa, dan Santi Rauf.

11 xi 10. Rekan-rekan Asrama Gorontalo di Bogor, Srisukmawati Tuli, Marini Hamidun, Hasim, Irwan Bempah, Samad Hiola, Arifasno Napu, Iswan Dunggio, Alfi Baruadi, Silvana Naiu, Rita Harmain, Nikmawati Yusuf, Misriyani Hidiya, Munirah Tuli, Zahra Khan, Ahmad Fadhli, Muhammad Akili, Lius Ahmad, Zaenal Koemadji, Faisal Kasim, Wawan Pembengo, Febriyanto Kolanus, Vicky Katili, Akbar Arsyad, serta anakda Dhea, Nabhan, Astri dan Rizky, atas kebersamaan dan kekompakkan kita selama ini. 11. Ayahanda Hamid Hadjaratie (alm) dan Ibunda Hj.Nurani Safii, Ayahanda Karim Tolinggi dan Ibunda Nurhayati Akili, Adik M. Ichdar Hajaratie dan Hardiman Tolinggi atas segala doa, dukungan dan motivasinya. 12. Suami tercinta Wawan K. Tolinggi, Anakda Galang Revolusi Tolinggi dan Nadhifah Carissa Tolinggi, terima kasih atas segala doa, motivasi, cinta dan kasih sayangnya. 13. Terima kasih pula kepada rekan-rekan yang tidak disebutkan satu persatu dan kepada semua pihak, atas segala bantuan dan kerjasamanya selama ini, semoga Allah membalasnya lebih baik. Akhirnya, penulis menyadari bahwa tulisan ini masih belum sempurna, oleh karena itu kritik dan saran yang membangun sangat diperlukan. Semoga karya ilmiah ini bermanfaat dan memberikan tambahan informasi di bidang ilmu komputer. Bogor, Juli 2011 Lillyan Hadjaratie

12 xii RIWAYAT HIDUP Penulis dilahirkan di Gorontalo pada tanggal 17 April 1980 sebagai anak pertama dua bersaudara dari pasangan Hamid Hadjaratie (Alm) dan Nurani Safii. Penulis menikah dengan Wawan K. Tolinggi, SP, M.Si pada tanggal 7 Agustus 2004 dan telah dikaruniai satu putra Galang Revolusi Tolinggi dan satu putri Nadhifah Carissa Tolinggi. Penulis menamatkan pendidikan menengah pada Sekolah Menengah Umum Negeri 3 Gorontalo tahun Pendidikan sarjana ditempuh di Program Studi Manajemen Informatika, Sekolah Tinggi Manajemen Informatika dan Komputer (STMIK) Dipanegara Makassar, lulus pada tahun Penulis mendapat kesempatan untuk melanjutkan studi di program magister pada Program Studi Ilmu Komputer IPB diperoleh tahun 2006, melalui beasiswa Tim Pengembangan Sumber Daya Manusia (TPSDM) Provinsi Gorontalo. Penulis bekerja sebagai staf pengajar sejak tahun 2002 di Fakultas Teknik, Program Studi Manajemen Informatika, Universitas Negeri Gorontalo hingga sekarang.

13 xiii DAFTAR ISI Halaman DAFTAR ISI... xi DAFTAR TABEL... xii DAFTAR GAMBAR... xiv DAFTAR LAMPIRAN... xvi 1. PENDAHULUAN Latar Belakang Perumusan Masalah Tujuan Penelitian Manfaat Penelitian Ruang Lingkup Penelitian TINJAUAN PUSTAKA Evaluasi Keberhasilan Studi Kurikulum Program Studi Manajemen Informatika Praproses Data Jaringan Saraf Tiruan (JST) Review Riset yang Relevan METODOLOGI PENELITIAN Diagram Alir Penelitian Alat Bantu Penelitian Waktu dan Tempat Penelitian HASIL DAN PEMBAHASAN Praproses Data Pembentukan Model JST Analisis hasil pembelajaran dan pengujian Analisis waktu pembelajaran Tingkat generalisasi data validasi dan data testing dengan variasi nilai laju pembelajaran, jumlah hidden-node dan fungsi pelatihan Arsitektur jaringan yang terbaik Pengujian arsitektur terbaik terhadap data validasi dan data testing Hasil Prediksi Tingkat Kelulusan Mahasiswa Analisa Sensitivitas Manfaat bagi manajemen SIMPULAN DAN SARAN Simpulan Saran...74 DAFTAR PUSTAKA...75

14 xiv DAFTAR TABEL Halaman 1 Penilaian Acuan Patokan (PAP) Kurikulum D3 Manajemen Informatika Pengelompokkan dan Komposisi Data Penelitian Karakteristik dan Struktur JST yang digunakan Kelompok data pertama MPLS dengan fungsi pelatihan resilent backpropagation Kelompok data pertama MPLS dengan fungsi pelatihan scaled conjugate gradient Kelompok data pertama MPLS dengan fungsi pelatihan levenberg-marquardt Kelompok data kedua MPLS dengan fungsi pelatihan resilent backpropagation Kelompok data kedua MPLS dengan fungsi pelatihan scaled conjugate gradient Kelompok data kedua MPLS dengan fungsi pelatihan levenbergmarquardt Kelompok data pertama MPIPK dengan fungsi pelatihan resilent backpropagation Kelompok data pertama MPIPK dengan fungsi pelatihan scaled conjugate gradient Kelompok data pertama MPIPK dengan fungsi pelatihan levenbergmarquardt Kelompok data kedua MPIPK dengan fungsi pelatihan resilent backpropagation Kelompok data kedua MPIPK dengan fungsi pelatihan scaled conjugate gradient Kelompok data kedua MPIPK dengan fungsi pelatihan levenbergmarquardt... 39

15 xv 17 Hasil Pembelajaran dan Pengujian dari MPLS Hasil Pembelajaran dan Pengujian dari MPIPK Analisis Waktu Pembelajaran dengan variasi jumlah hidden-node pada MPLS Analisis Waktu Pembelajaran dengan variasi laju pembelajaran pada MPLS Analisis Waktu Pembelajaran dengan variasi jumlah hidden-node pada MPIPK Analisis Waktu Pembelajaran dengan variasi laju pembelajaran pada MPIPK Parameter jaringan terbaik Pengujian dengan data validasi dan data testing MPLS Pengujian dengan data validasi dan data testing MPIPK Prediksi tingkat kelulusan mahasiswa angakatn berdasarkan lama studi Prediksi tingkat kelulusan mahasiswa angakatn berdasarkan IPK Hasil analisa sensitivitas variabel masukan pada MPLS Hasil analisa sensitivitas variabel masukan pada MPIPK... 69

16 xvi DAFTAR GAMBAR Halaman 1 Tingkat Kelulusan Mahasiswa Berdasarkan Lama Studi Tingkat Kelulusan Mahasiswa Berdasarkan IPK Tingkat Kelulusan Mahasiswa Berdasarkan Predikat IPK Sasaran Mutu dan Data Faktual IPK dan Lama Studi Saraf Biologis dan Struktur Saraf Tiruan Arsitektur Jaringan Saraf Akurasi dan Generalisasi Diagram Alir Penelitian Perubahan nilai waktu pembelajaran dengan variasi jumlah hidden-node menggunakan fungsi pelatihan resilent backpropagation pada MPLS Perubahan nilai waktu pembelajaran dengan variasi laju pembelajaran menggunakan fungsi pelatihan resilent backpropagation pada MPLS Perubahan nilai waktu pembelajaran dengan variasi jumlah hidden-node menggunakan fungsi pelatihan scaled conjugate gradient pada MPLS Perubahan nilai waktu pembelajaran dengan variasi laju pembelajaran menggunakan fungsi pelatihan scaled conjugate gradient pada MPLS Perubahan nilai waktu pembelajaran dengan variasi jumlah hidden-node menggunakan fungsi pelatihan levenberg-marquardt pada MPLS Perubahan nilai waktu pembelajaran dengan variasi laju pembelajaran menggunakan fungsi pelatihan levenberg-marquardt pada MPLS Perubahan nilai waktu pembelajaran dengan variasi jumlah hidden-node menggunakan fungsi pelatihan resilent backpropagation pada MPIPK Perubahan nilai waktu pembelajaran dengan variasi laju pembelajaran menggunakan fungsi pelatihan resilent backpropagation pada MPIPK Perubahan nilai waktu pembelajaran dengan variasi jumlah hidden-node menggunakan fungsi pelatihan scaled conjugate gradient pada MPIPK... 54

17 xvii 18 Perubahan nilai waktu pembelajaran dengan variasi laju pembelajaran menggunakan fungsi pelatihan scaled conjugate gradient pada MPIPK Perubahan nilai waktu pembelajaran dengan variasi jumlah hidden-node menggunakan fungsi pelatihan levenberg-marquardt pada MPIPK Perubahan nilai waktu pembelajaran dengan variasi laju pembelajaran menggunakan fungsi pelatihan levenberg-marquardt pada MPIPK Grafik perbadingan tingkat generalisasi data validasi dan data testing pada MPLS kelompok data pertama Grafik perbadingan tingkat generalisasi data validasi dan data testing pada MPLS kelompok data kedua Grafik perbadingan tingkat generalisasi data validasi dan data testing pada MPIPK kelompok data pertama Grafik perbadingan tingkat generalisasi data validasi dan data testing pada MPIPK kelompok data kedua Arsitektur JST terbaik pada Model Prediksi Lama Studi (MPLS) Arsitektur JST terbaik pada Model Prediksi Indeks Prestasi Kumulatif (MPIPK)... 65

18 xviii DAFTAR LAMPIRAN Halaman 1 Daftar Nilai Mahasiswa Angkatan 2005 sampai dengan Daftar Nilai Mahasiswa Angkatan 2008 sampai dengan Detail Proses Pembelajaran pada Model Prediksi Lama Studi (MPLS) Detail Proses Pembelajaran pada Model Prediksi Indeks Prestasi Kumulatif (MPIPK)... 97

19 1 1. PENDAHULUAN 1.1 Latar Belakang Program studi merupakan garda terdepan dalam penyelenggaraan pendidikan dari sebuah perguruan tinggi, karena program studi merupakan satuan rencana belajar terkecil yang diselenggarakan atas dasar suatu kurikulum dan ditunjukkan agar mahasiswa dapat menguasai pengetahuan dan sikap yang sesuai dengan sasaran kurikulum, sehingga setiap program studi harus dapat mengetahui kondisi aktual salah satunya dengan melakukan evaluasi guna meningatkan mutu dan efisiensi perguruan tinggi termasuk peningkatan kualitas lulusan untuk mengantisipasi peluang kerja bagi para lulusan yang dihasilkan. Proses evaluasi program studi dapat ditempuh dengan berbagai macam cara, bahkan Direktorat Jendral Perguruan Tinggi (DIKTI) sendiri telah menyelenggarakan beberapa program evaluasi bagi program studi, seperti Evaluasi Program Studi Berbasis Evaluasi Diri (EPSBED), Akreditasi Program Studi, dan program evaluasi lainnya yang mensyaratkan setiap program studi untuk dapat menyediakan data dan informasi secara periodik terkait dengan semua unsur penyelenggaraan program studi berdasarkan standar evaluasi dari borang akreditasi. Data hasil evaluasi dapat mempengaruhi akreditasi dari sebuah program studi, sehingga setiap program studi tentunya mengharapkan tercapainya standar evaluasi yang sudah ditetapkan, salah satunya terkait dengan tingkat kelulusan mahasiswa berdasarkan sasaran mutu lulusan yang diatur oleh perguruan tinggi yang digunakan sebagai tolok ukur di dalam menentukan keberhasilan, yang beberapa diantaranya mempertimbangkan faktor lama studi dan pencapaian IPK mahasiswa. Program Studi D3 (Diploma Tiga) Manajemen Informatika (MI) merupakan salah satu program studi di Universitas Negeri Gorontalo (UNG) yang juga diwajibkan untuk melakukan sebuah proses evaluasi program studi secara komprehensif. Tingkat kelulusan mahasiswa D3-MI UNG sejak angkatan pertama tahun 2000 hingga dengan tahun 2007 menunjukkan persentase rata-rata jumlah mahasiswa lulusan yang menyelesaikan studi tepat waktu yakni 3 (tiga) tahun hanya sebesar 14% dan sisanya sebesar 86% menyelesaikan studi dengan melewati batas studi yang ditetapkan (Gambar 1).

20 2 Gambar 1 Tingkat Kelulusan Mahasiswa Berdasarkan Lama Studi Begitupula dengan pencapaian IPK lulusan dari tahun 2000 hingga tahun 2007, lulusan dengan IPK > 3.00 hanya mencapai 42% (Gambar 2) dan berdasarkan status predikat lulusan, persentase IPK lulusan di atas 3.50 (predikat terpuji) hanya sebesar 9%, persentase IPK kisaran 2.75 hingga 3.50 (predikat sangat memuaskan) sebesar 62%, dan sisanya persentase IPK di bawah 2.75 (predikat memuaskan) sebesar 29% (Gambar 3). Gambar 2 Tingkat Kelulusan Mahasiswa Berdasarkan IPK

21 3 Gambar 3 Tingkat Kelulusan Mahasiswa Berdasarkan Predikat IPK Data dan informasi di atas cukup mempengaruhi penilaian keberhasilan program studi D3-MI UNG, karena berdasarkan aturan yang dituangkan dalam Pedoman Akademik Universitas Negeri Gorontalo, sasaran mutu yang ditetapkan sebagai standar lama studi dan IPK dalam kondisi ideal adalah persentase lulusan tepat waktu (3 tahun) minimal 50%, pencapaian IPK lebih dari 3.00 minimal 65% atau lulusan dengan predikat terpuji haruslah memiliki persentase lebih besar dari lulusan dengan predikat memuaskan (Universitas Negeri Gorontalo, 2009). Data faktual yang terlihat masih di bawah sasaran mutu yang ditetapkan (Gambar 4). Gambar 4 Sasaran Mutu dan Data Faktual IPK dan Lama Studi

22 4 Untuk dapat menjaga besarnya persentase lama studi dan IPK agar dapat memenuhi sasaran mutu yang ditetapkan, maka perlu dilakukan evaluasi tingkat kelulusan secara dini untuk mendapatkan informasi yang cepat dan akurat dalam memprediksi besaran persentase lama studi dan IPK yang akan diperoleh mahasiswa di akhir program nanti. Salah satu teknik evaluasi tingkat kelulusan secara dini adalah sistem prediksi tingkat kelulusan mahasiswa, dimana informasi yang dihasilkan oleh hasil prediksi ini dapat dijadikan sebagai bahan pertimbangan bagi pihak manajemen program studi untuk melakukan langkah-langkah persuasif dalam rangka meningkatkan persentase tingkat kelulusan mahasiswa yang memenuhi standar mutu yang ditetapkan oleh universitas. Salah satu teknik yang dapat digunakan untuk prediksi adalah Jaringan Saraf Tiruan (JST). JST merupakan jaringan dari pemroses kecil yang dimodelkan berdasarkan sistem jaringan saraf manusia, yang dapat melakukan pembelajaran untuk membentuk suatu model inferensi berdasarkan data pelatihan dan menggunakan pembelajaran tersebut untuk pencocokan pola (Kusumadewi 2004). JST memiliki keunggulan dalam hal kemampuan prediksi dan klasifikasi terhadap data yang belum diberikan pada saat pembelajaran sebelumnya (Han & Kember 2001), sehingga teknik ini diharapkan dapat digunakan untuk membuat pemodelan prediksi tingkat kelulusan mahasiswa D3-MI Universitas Negeri Gorontalo di masa yang akan datang dengan cara mempelajari pola tingkat kelulusan pada tahuntahun sebelumnya berdasarkan data penilaian mata kuliah. Penelitian ini menggunakan algoritma pembelajaran propagasi balik dimana masalah utama yang dihadapi dalam JST propagasi balik adalah lamanya iterasi yang dilakukan (Siang 2004). Oleh karena propagasi balik tidak dapat memberikan kepastian tentang berapa epoch yang harus dilalui untuk mencapai kondisi yang diinginkan, maka perlu dicari bagaimana parameter-parameter jaringan dibuat sehingga menghasilkan jumlah iterasi yang relatif sedikit untuk mendapatkan hasil prediksi yang optimal dengan mempertimbangkan beberapa parameter seperti algoritma pelatihan yang akan digunakan dalam proses pembelajaran, jumlah node pada lapisan jaringan, serta laju pembelajaran. Arsitektur JST terbaik yang diperoleh

23 5 nantinya akan digunakan untuk melakukan prediksi tingkat kelulusan mahasiswa mahasiswa D3-MI Universitas Negeri Gorontalo. 1.2 Perumusan Masalah Berdasarkan latar belakang masalah di atas, maka permasalahan yang bisa dirumuskan dalam penelitian ini adalah bagaimana pembentukan model JST untuk mendapatkan parameter dari arsitektur jaringan JST terbaik yang dapat digunakan untuk prediksi tingkat kelulusan mahasiswa mahasiswa D3-MI Universitas Negeri Gorontalo berdasarkan nilai mata kuliah dari 2 (dua) semester pada tahun pertama program perkuliahan. 1.3 Tujuan Penelitian Penelitian ini bertujuan untuk : 1. Mendapatkan parameter dan arsitektur jaringan JST terbaik untuk prediksi tingkat kelulusan mahasiswa program studi D3 (Diploma Tiga) Manajemen Informatika Universitas Negeri Gorontalo. 2. Melakukan prediksi tingkat kelulusan mahasiswa program studi D3 (Diploma Tiga) Manajemen Informatika Universitas Negeri Gorontalo pada 2 (dua) bentuk pemodelan dengan target yang berbeda, yaitu Lama Studi dan IPK. 3. Melihat pengaruh atau tingkat sensitivitas variabel input untuk mencapai output akurat dari model yang dikembangkan. 1.4 Manfaat Penelitian Informasi dan pengetahuan yang dihasilkan dari penelitian ini dapat digunakan sebagai dasar pertimbangan dalam pengambilan keputusan bagi pihak manajemen program studi dalam melakukan evaluasi tingkat kelulusan mahasiswa program studi D3 (Diploma Tiga) Manajemen Informatika, Universitas Negeri Gorontalo. 1.5 Ruang Lingkup Penelitian Ruang lingkup penelitian ini adalah : 1. Data mahasiswa yang digunakan pada proses pembelajaran JST adalah data mahasiswa program studi D3 (Diploma Tiga) Manajemen Informatika,

24 6 Universitas Negeri Gorontalo angkatan 2005 hingga 2007, dengan pertimbangan bahwa kurikulum yang dipergunakan hingga saat ini adalah kurikulum tahun Untuk memperoleh data lama studi dan IPK sebagai output dari model yang akan dibentuk, maka data mahasiswa yang dipilih untuk digunakan sebagai data penelitian adalah mahasiswa yang telah menyelesaikan studi sejak angkatan 2005 sampai dengan angkatan Data mahasiswa yang digunakan untuk memprediksi tingkat kelulusan adalah data mahasiswa program studi D3 (Diploma Tiga) Manajemen Informatika, Universitas Negeri Gorontalo angkatan 2008, 2009 dan Data mahasiswa pada ketiga angkatan tersebut belum memiliki informasi tingkat kelulusan, baik lama studi yang ditempuh maupun IPK yang diperoleh. 3. Nilai mata kuliah yang dijadikan sebagai variabel input dari penelitian ini adalah nilai-nilai mata kuliah yang diwajibkan pada 2 (dua) semester tahun pertama program perkuliahan, yang merupakan mata kuliah dasar dan menjadi prasyarat bagi mata kuliah lanjutan pada semester-semester selanjutnya.

25 17 2. TINJAUAN PUSTAKA 2.1 Evaluasi Keberhasilan Studi Evaluasi keberhasilan studi mahasiswa dapat ditempuh dengan beberapa tahapan, yaitu evaluasi keberhasilan belajar matakuliah, evaluasi keberhasilan studi di setiap semester dan evaluasi studi di akhir tahun ajaran (Universitas Negeri Gorontalo 2009). Evaluasi keberhasilan belajar matakuliah adalah penilaian terhadap hasil belajar mahasiswa dalam suatu matakuliah, yang dilakukan secara menyeluruh dan berkesinambungan dalam satu semester dengan cara yang sesuai dengan karakteristik matakuliah yang bersangkutan. Evaluasi keberhasilan belajar matakuliah ini dinyatakan dalam bentuk Nilai Akhir (NA) yang dikonversi menjadi Huruf Mutu (HM) dan Angka Mutu (AM) dan dilakukan dengan Penilaian Acuan Patokan (PAP), dengan kriteria seperti pada Tabel 1. Tabel 1 Penilaian Acuan Patokan (PAP) Nilai Akhir (NA) Huruf Mutu (HM) Angka Mutu (AM) A B C D 1 < 49 E 0 Evaluasi keberhasilan studi dimaksudkan untuk menilai keberhasilan studi seorang mahasiswa yang dapat digambarkan dengan koefisien Indeks Prestasi (IP). Evaluasi ini dilakukan setiap semester yang ditunjukkan dengan Indeks Prestasi Semester (IPS) dan akhir studi yang ditunjukkan dengan Indeks Prestasi Kumulatif (IPK). IPK merupakan angka yang menujukkan keberhasilan mahasiswa secara kumulatif mulai dari semester pertama sampai dengan semester yang paling akhir ditempuh, yang juga dapat digunakan untuk menentukan beban studi semester berikutnya, dihitung dengan rumus sebagai berikut : IPK = Jumlah (AM x bobot SKS) Jumlah SKS dengan AM adalah Angka Mutu SKS adalah Satuan Kredit Semester (1)

26 8 2.2 Kurikulum Program Studi Manajemen Informatika Kurikulum Pendidikan Tinggi adalah seperangkat rencana dan pengaturan mengenai isi maupun bahan kajian dan pelajaran serta penyampaian dan penilaiannya yang digunakan sebagai pedoman penyelenggaraan kegiatan belajarmengajar di Perguruan Tinggi (Universitas Negeri Gorontalo 2009). Berikut adalah Kurikulum Program Studi D3 Manajemen Informatika Universitas Negeri Gorontalo. Tabel 2 Kurikulum D3 Manajemen Informatika NO KODE MATA KULIAH SKS SEMESTER I Pendidikan Agama Bahasa Indonesia Pemrograman 1 (Pascal Dasar) Sistem Operasi Matematika Pengantar Sistem Komputer Paket Program Aplikasi Algoritma dan Struktur Data 3 Jumlah SKS 22 SEMESTER II Bahasa Inggris Konsep Sistem Informasi Dasar Manajemen dan Bisnis Aljabar Vektor & Matriks Pengantar Instalasi Komputer Pemrograman 2 (Pascal Lanjutan) Pengantar Teknologi Informasi Desain Grafis 3 Jumlah SKS 19 SEMESTER III Etika Profesi Statistika Analisis & Desain Sistem Informasi Sistem Basis Data (MS Access) Instalasi Jaringan Komputer Pengantar Jaringan Komputer Pemrograman 3 (Delphi) Organisasi dan Perilaku 2 Jumlah SKS 20 SEMESTER IV Pengolahan Data Statistik Pemrograman Web Kewirausahaan Perancangan Basis Data (MySQL) Aplikasi Desain Grafis (Macromedia) Pemrograman Visual 1 (VB) Pancasila & Kewarganegaraan Pengetahuan Lingkungan 3 Jumlah SKS 21

27 9 Tabel 2 Kurikulum D3 Manajemen Informatika (Lanjutan) NO KODE MATA KULIAH SKS SEMESTER V Sistem Informasi Manajemen Metodologi Riset Proyek Sistem Informasi Pemrograman Web 2 (PHP/MySQL) Analisis dan Desain Berorientasi Objek Komputer dan Masyarakat Pemrograman Visual 2 (VFP) Kapita Selekta Komputer 2 Jumlah SKS 22 SEMESTER VI Magang Tugas Akhir 4 Jumlah SKS 7 Total SKS Praproses Data Sebelum menggunakan data dengan teknik JST perlu dilakukan praproses terhadap data. Hal ini dilakukan untuk mendapatkan hasil analisis yang lebih akurat dalam pemakaian teknik JST. Dalam beberapa hal, praproses bisa membuat nilai data menjadi kecil tanpa merubah informasi yang dikandungnya. Beberapa cara antara lain adalah transformasi/normalisasi data, yaitu prosedur mengubah data sehingga berada dalam skala tertentu. Skala ini bisa antara (0,1), (-1,1) atau skala lain yang dikehendaki. Beberapa metode yang umum dipakai untuk transformasi data, yaitu : a) Min-Max Min-max merupakan metode normalisai dengan melakukan transformasi linier terhadap data asli. Metode ini akan menormalisasi input dan target sedemikian rupa sehingga hasil normalisasi akan berada pada interval -1 dan 1. Pn=2*(p-minp)/(maxp-minp)-1 (2) dengan p adalah nilai dari sebelum transformasi, pn adalah nilai hasil transormasi, minp dan maxp adalah nilai minimum dan maksimum dari p. b) Unary Encoding Unary Encoding merupakan metode transformasi data dengan mempresentasikan data dengan kombinasi angka 1 dan 0 (numerical binary variable). Metode ini digunakan untuk mentransformasi data kategorikal. Secara prinsip, data kategori dapat ditransformasi ke dalam bilangan numerik, dimana

28 10 suatu bilangan numerik mewakili nilai suatu kategori. Atribut kategori yang demikian disebut dengan dummy variable (Kantardzic 2003). Misalnya 10 untuk kategori melebih masa studi dan 01 untuk kategori tepat waktu dan untuk data tingkat kelulusan mahasiswa dengan target lama studi. 2.4 Jaringan Saraf Tiruan (JST) Jaringan Saraf Tiruan (JST) atau sering disebut dengan Neural Network (NN), merupakan salah satu teknik klasifikasi yang cukup handal. JST merupakan jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan saraf manusia. Jaringan Saraf Tiruan (JST) adalah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah buatan digunakan karena jaringan saraf ini diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran (Fausett 1994). Dalam syaraf biologis, setiap sel saraf (neuron) akan memiliki satu inti sel yang bertugas untuk melakukan pemrosesan informasi yang akan diterima oleh dendrit. Selain menerima informasi, dendrit juga menyertai axon sebagai keluaran dari suatu pemrosesan informasi. Informasi hasil olahan ini menjadi masukan bagi neuron lain. jika memenuhi batas tertentu, yang sering dikenal dengan nama nilai ambang (threshold) yang dikatakan teraktivasi. Seperti halnya otak manusia, JST juga terdiri dari beberapa neuron yang berhubungan untuk mentransformasikan informasi yang terima melalui sambungan keluarnya. Hubungan ini dikenal dengan nama bobot. Informasi tersebut disimpan pada suatu nilai tertentu pada bobot tersebut. Informasi (input) kan dikirim ke neuron dengan bobot kedatangan. Input ini akan diproses oleh suatu fungsi perambatan yang akan menjumlahkan nilai-nilai semua bobot yang datang. Hasil penjumlahan ini kemudian akan dibandingkan dengan niai suatu ambang (threshold) tertentu melalui fungsi aktivasi setiap neuron (Gambar 5). Apabila input tersebut melewati suatu nilai ambang tertentu, maka neuron tersebut akan diaktifkan, tapi kalau tidak, maka neuron tersebut tidak akan diaktifkan. Apabila neuron tersebut diaktifkan makan neuron tersebut akan mengirimkan output melalui bobot-bobot outputnya ke semua neuron yang berhubungan

29 11 dengannya. Neuron-neuron akan dikumpulkan dalam lapisan-lapisan (layer) yang disebut dengan lapisan neuron (nuron layer) yang saling berhubungan. Infomasi akan dirambatkan mulai dari lapisan input sampai ke lapisan output melalui lapisan lainnya yang sering dikenal dengan lapisan tersembunyi (hidden layer), dan perambatannya tergantung algoritma pembelajarannya (Kusumadewi 2010). Saraf Biologis Saraf Tiruan Gambar 5 Saraf Biologis dan Struktur Saraf Tiruan (Kusumadewi 2010) Arsitektur Jaringan Saraf Hubungan antar neuron dalam jaringan saraf mengikuti pola tertentu tergantung pada arsitektur jariangan sarafnya (Kusumadewi 2010). a. Jaringan dengan lapisan tunggal (single layer net) Jaringan dengan lapisan tunggal hanya memiliki satu lapisan dengan bobotbobot terhubung. Jaringan ini hanya menerima input kemudian secara langsung akan mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi. b. Jaringan dengan banyak lapisan (multilayer net) Jaringan dengan banyak lapisan memiliki satu atau lebih lapisan yang terletak diantara lapisan input dan lapisan output (memiliki satu atau lebih lapisan tersembunyi). Jaringan dengan banyak lapisan ini dapat menyelesaikan permasalahan yang lebih sulit daripada lapisan tunggal. c. Jaringan dengan lapisan kompetitif (competitive layer net)

30 12 Pada jaringan ini sekumpulan neuron bersaing untuk mendapatkan hak menjadi aktif. Lapisan Tunggal Banyak Lapisan Gambar 6 Arsitektur Jaringan Saraf (Kusumadewi 2010) Algoritma Pembelajaran Salah satu bagian terpenting dari konsep JST adalah terjadinya proses pembelajaran. Tujuan utama dari proses pembelajaran adalah melakukan pengaturan terhadap bobot-bobot yang ada pada jaringan saraf, sehingga diperoleh bobot akhir yang tepat yang sesuai dengan pola data yang dilatih. Cara berlangsungnya pembelajaran atau pelatihan JST dikelompokkan menjadi 3 (tiga), yaitu (Puspitaningrum 2006) : 1. Pembelajaran terawasi (supervised learning) Pada metode ini setiap pola yang diberikan ke dalam JST telah diketahui outputnya. Selisih antara pola output yang dihasilkan dengan ouput yang dikehendaki (output target) yang disebut error digunakan untuk mengoreksi bobot JST sehingga JST mampu menghasilkan output sedekat mungkin dengan pola target yang telah diketahui oleh JST. 2. Pembelajaran yang tak terawasi (unsupervised learning) Pada metode pembelajaran yang tak terawasi tidak memerlukan target ouput. Pada metode ini tidak ditentukan hasil yang seperti apakah yang diharapkan selama proses pembelajaran. Selama proses pembelajaran, nilai bobot

31 13 disusun dalam suatu range tertentu tergantung pada nilai input yang diberikan. Tujuan pembelajran ini adalah mengelompokkan unit-unit yang hampir sama dalam suatu area tertentu. Pembelajaran ini biasanya sangat cocok untuk pengeleompokkan (klasifikasi) pola. 3. Pembelajaran Hibrida (Hybrid Learning) Merupakan kombinasi dari metode pembelajaran supervised learning dan unsupervised learning. Sebagian dari bobot-bobotnya ditentukan melalui pembelajaran terawasi dan sebagian lainnya melalui pembelajaran tak terawasi. Propagasi Balik (Backpropagation) Propagasi balik (backpropagation) adalah salah satu algoritma pembelajaran dalam teknik JST yang sering digunakan untuk pencocokan pola. Propagasi balik merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak lapisan (multilayer perceptron) untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya. Algoritma propagasi balik menggunakan error output untuk mengubah nilai-nilai bobotnya dalam perambatan error output untuk mengubah nilai bobot-bobotnya dalam perambatan mundur (backward). Untuk mendapatkan error ini, tahap perambatan maju (forward propagation) harus dikerjakan terlebih dahulu (Puspitaningrum 2006). Algoritma Pelatihan pada Propagasi Balik Algoritma pelatihan pada propagasi balik dapat dibedakan menjadi 2 (dua) jenis berdasarkan kecepatan proses latihannya, yaitu : algoritma pelatihan sederhana dan algoritma pelatihan yang lebih cepat. Prinsip dasar dari algoritma propagasi balik sederhana adalah memperbaiki bobot-bobot jaringan dengan arah yang membuat fungsi kinerja menjadi turun dengan cepat, namun memiliki kelemahan yakni proses pelatihannya biasanya akan berjalan cukup lambat, sehingga diperbaiki dengan algortima pelatihan yang lebih cepat dengan 2 (dua) alternatif, yaitu : dengan menggunakan teknik heuristik dan dengan menggunakan teknis optimasi numeris (Kusumadewi 2004).

32 14 1. Perbaikan dengan Teknik Heuristik Teknik ini merupakan pengembangan dari suatu analisis kinerja pada algoritma steepest (gradient) descent standard. Ada 3 (tiga) algoritma dengan teknik ini, yakni : a. Gradient descent dengan Adaptive Learning Rate Pada fungsi ini, selama proses pembelajaran, learning rate akan terus bernilai konstan karena apabila learning rate terlalu tinggi maka algoritma menjadi tidak stabil dan jika terlalu rendah algritma akan sangat lama dalam mencapai kekonvergenan. b. Gradient descent dengan Momentun dan Adaptive Learning Rate Fungsi ini akan memperbaiki bobot-bobot berdasarkan gradient descent dengan learning rate yang bersifat adaptive seperti traingda tapi juga dengan menggunakan momentum c. Resilent Backpropagation Algoritma pelatihan ini menggunakan fungsi aktivasi sigmoid yang membawa input dengan range yang tak terbatas ke nilai output dengan range yang terbatas, yaitu antara 0 sampai 1. Algoritma ini berusaha mengeliminasi besarnya efek dari turunan parsial dengan cara hanya menggunakan turunannya saja dan mengabaikan besarnya nilai turunan. 2. Perbaikan dengan Teknik Optimasi Numeris Teknik ini terbagi menjadi 2 macam, yaitu : a. Algoritma Conjugate Gradient Pada algrotma ini pengaturan bobot tidak selalu dilakukan dalam arah turun seperti pada metode gradient descent, tapi menggunakan conjugate gradient dimana pengaturan bobot tidak selalu dengan arah menurun tapi disesuaikan dengan arah konjugasinya. Algoritma ini memanfaatkan fungsi line search untuk menempatkan sebuah titik minimum. Dari 4 (empat) algoritma Conjugate Gradient, tiga diantaranya melakukan proses line search secara terus menerus selama iterasi, yaitu : Fletcher-Reeves Update, Polak-Ribiere, dan Powell-Beale Restarts. Proses ini mamakan waktu yang cukup lama untuk jumlah data yang besar dan iterasi yang besar pula, sehingga algoritma keempat, yaitu algoritma scaled conjugate gradient mencoba memperbaiki hal kekurangan tersebut.

33 15 b. Algortima Quasi Newton Metode Newton merupakan salah satu alternatif conjugate gradient yang bisa mendapatkan nilai optimum lebih cepat. Metode Newton ini memang berjalan lebih cepat, namun metode ini sangat kompleks, memerlukan waktu dan memori yang cukup besar karena pada setiap iterasinya harus menghitung turunan kedua, perbaikan dari metode ini dikenal dengan nama metode Quasi-Newton atau metode Secant. Terdapat 2 (dua) alternatif algoritma dalam metode ini, yaitu : (1) Algortima one step secant yang menjembatani antara metode Quasi-Newton dengan Gradient Conjugate, dimana algoritma ini tidak menyimpan matriks Hessian secara lengkap dengan asumsi bahwa pada setiap iterasi matriks Hessian sebelumnya merupakan matriks identitas sehingga pencarian arah baru dapat dihitung tanpa harus menghitung invers matriks. (2) Algoritma Levenbarg-Marquardt Metode ini dirancang dengan menggunakan turunan kedua tanpa harus menghitung matriks Hessian, melainkan matriks Jacobian yang dapat dihitung dengan teknik propagasi balik standar yang tentu saja lebih sederhana dibanding dengan menghitung matriks Hessian. Akurasi dan Generalisasi Gambar 7 menunjukkan akurasi dan generalisasi berkaitan dengan tingkat kompleksitas dari suatu jaringan saraf tiruan (JST). Peningkatan kompleksitas dari JST meningkatkan akurasi dari JST terhadap data pelatihan, tetapi peningkatan akurasi dan kompleksitas ini dapat menurunkan tingkat generalisasi JST pada data validasi dan data pengujian (Larose 2005). Gambar 7 Akurasi dan Generalisasi (Larose 2005)

34 16 Analisa Sensitivitas S p ki Analisa sensitivitas bertujuan untuk melihat perubahan output dari model yang didapatkan jika dilakukan perubahan terhadap input dari model. Selain itu analisa ini berguna untuk mengetahui variabel mana yang lebih berpengaruh atau sensitif untuk mencapai output akurat dari model yang dikembangkan (Engelbrecht 2001). Untuk mengetahui sensitivitas dari o ' k J j 1 w kj y v ' j ji p S ki dimana JST yang digunakan memiliki 1 layer input Z = (z1,,zi,.,zi), 1 layer tersembunyi Y = (y1,,yj,,yj), dan 1 layer output O = (o1,,ok,,ok) dan data training adalah P=(p1,,pp,,pP) digunakan : Untuk mendapatkan matrik sensitivitas dari semua data training terhadap output dapat digunakan : (3) S ki S ki p max max{ } p 1,..., P (4) Kemudian dilanjutkan dengan memghitung matrik sensitivitas dari input secara menyeluruh dapat digunakan : max{ i S ki k 1,..., K } (5) 2.5 Review Riset yang Relevan Poh et al (1998) melakukan penelitian dengan menerapkan jaringan saraf tiruan untuk analisa dan prediksi terhadap akibat dari iklan dan promosi. Penelitian ini juga menerapkan analisa sensitivitas. Salah satu kesimpulan dari penelitian ini yaitu JST dengan pembelajaran propagasi balik merupakan metode yang efisien untuk mempelajari hubungan antara input varibel dan output variabel. Sufandi (2007) melakukan penelitian untuk melakukan prediksi kemajuan belajar mahasiswa berbasis jaringan saraf tiruan ke dalam dua kelas yaitu selesai dan tidak selesai dengan melibatkan varibel input dengan tiga buah parameter, yaitu parameter individual (umur, jenis kelamin), parameter lingkungan (status pernikahan, status pekerjaan, beasiswa), dan parameter akademik (semester masuk, IP semester 1, sks semester 1, IP semester 2, IPS semester 2, IPK, SKS Kumulatif, semester tempuh, program studi dan jurusan asal). Salah satu

35 17 kesimpulan dari penelitian ini adalah JST propagasi balik baik digunakan untuk tujuan prediksi, dan analisa sensitivitas merupakan metode yang potensial untuk mereduksi kompleksitas JST dan meningkatkan tingkat generalisasi. Agung (2007) melakukan penelitian untuk mengklasifikasi mahasiswa STEKPI menggunakan Jaringan Saraf Tiruan dengan aloritma pembelajaran propagasi balik. Data input yang digunakan adalah Nilai Psikotest, sedangkan data target adalah Indeks Prestasi Kumulatif (IPK) yang dipresentasikan dalam bentuk data kategori, dimana kategori mahasiwa yang berhasil adalah mahasiswa yang di tahun pertamanya mempunyai IPK daru 2.75 sampai dengan 4, sedangkan mahasiswa yang kurang berhasil adalah mahasiwa yang mempunyai IPK dari 0 sampai dengan Keakuratan model yang dihasilkan sebesar ±73%.

36 18

37 19 3. METODE PENELITIAN 3.1 Diagram Alir Penelitian Kerangka pemikiran pada penelitian ini dapat digambarkan dalam suatu bagan alir seperti pada Gambar 8. Gambar 8 Diagram Alir Penelitian Pengumpulan Data Penelitian dimulai dengan pengumpulan data yang berasal dari basis data Transkrip Nilai dan Evaluasi Studi yang bersumber dari Sistem Informasi Akademik Terpadu Universitas Negeri Gorontalo (SIATUNG) yang menyimpan

38 20 informasi mahasiswa berupa nilai mutu mata kuliah, lama studi dan IPK. Mata kuliah yang dipilih sebagai data input dalam penelitian ini berjumlah 16 (enam belas) buah mata kuliah dasar yang wajib diprogramkan pada 2 (dua) semester tahun pertama program perkuliahan sebelum mengambil program peminatan. Pada penelitian ini, data mata kuliah digunakan sebagai data input. Sedangkan data lama studi dan IPK digunakan sebagai data target. Data nilai mata kuliah yang diperoleh berupa Huruf Mutu (HM) dan dikonversi ke Angka Mutu (AM) dengan kisaran nilai 0 hingga 4. Data target lama studi dikategorikan menjadi 2 (dua), yaitu kategori mahasiwa yang lulus dengan melewati masa studi program diploma (> 3 tahun) dan kategori mahasiswa yang lulus tepat waktu (3 tahun). Data target IPK dikategorikan menjadi 3 (tiga), yaitu kategori mahasiswa yang lulus dengan predikat terpuji (IPK >3.5), kategori predikat sangat memuaskan (IPK 2.75 hingga IPK 3.5) dan kategori predikat memuaskan (IPK<2.75). Data mahasiswa yang digunakan dalam penelitian ini adalah data mahasiswa D3 (Diploma Tiga) Manajemen Informatika UNG angkatan 2005 hingga Pembelajaran dan pengujian JST menggunakan data mahasiwa angkatan 2005, 2006 dan 2007 (Lampiran 1), yang dibagi ke dalam 3 (tiga) komposisi data dan dibedakan ke dalam 2 (dua) kelompok data. Total jumlah data pada kelompok data pertama dan kelompok data kedua adalah sama, yakni 216 data. Pengelompokkan data dibedakan berdasarkan cara pembagian komposisi data dimana pada kelompok data pertama, setelah data mahasiswa angkatan 2005, 2006 dan 2007 diurutkan, kemudian dibagi ke dalam 3 (tiga) komposisi data. Sedangkan pada kelompok data kedua, komposisi data dibagi berdasarkan angkatan, sehingga data mahasiswa pada masing-masing angkatan dibagi ke dalam 3 (tiga) komposisi data. Komposisi data terbagi menjadi data pelatihan, data validasi dan data pengujian. Data pelatihan digunakan oleh jaringan untuk membentuk model melalui proses pembelajaran JST. Data validasi untuk melihat apakah jaringan telah memiliki kemampuan yang baik dalam mengenali data baru yang diberikan kepadanya. Data validasi digunakan juga untuk menghentikan iterasi jika error yang terjadi tidak rasional. Data pengujian digunakan untuk menguji ketepatan klasifikasi dari model yang terbentuk. Penelitian ini menetapkan besarnya