BAB 1 PENDAHULUAN Latar Belakang. Mahasiswa sebagai produk universitas dapat memberikan gambaran

Transkripsi

1 BAB 1 PENDAHULUAN 1.1. Latar Belakang Mahasiswa sebagai produk universitas dapat memberikan gambaran keberhasilan pendidikan dan manajemen pendidikan yang berlangsung di dalamnya. Banyak hal dilakukan untuk menunjang terwujudnya pendidikan dan manajemen yang baik. Sistem informasi manajemen telah banyak dikembangkan untuk mendukung hal tersebut dengan pengumpulan dan penyimpanan data akademik secara elektronik. Data akademik yang tersimpan dapat digunakan untuk menganalisa hubungan antar data yang ada seperti hubungan antara prestasi dan asal sekolah, prestasi dan asal daerah, jumlah mahasiswa berprestasi dan asal program studi, jarak kelulusan mahasiswa dengan diterima bekerjanya mahasiswa dan asal program studi, dan banyak hal lainnya. Data akademik ini dapat disajikan dalam bentuk tampilan grafik maupun persentasi. Penyajian data dengan model grafik dan persentasi cukup banyak digunakan untuk membantu mendukung pengambilan keputusan dan dapat digunakan untuk membantu memecahkan masalah yang mungkin atau sedang terjadi dalam kegiatan akademik, misalnya masalah menurunnya indeks prestasi mahasiswa. Penurunan indeks prestasi mahasiswa dapat mengakibatkan menurunnya indeks prestasi kumulatif mahasiswa. Hal ini menurut pengamatan awal tidak dapat diamati secara langsung oleh dosen wali. Bila penurunan indeks prestasi ini tidak 1

2 2 diperhatikan dapat mengakibatkan mahasiswa drop-out. Apabila dosen wali diberikan perkiraan indeks prestasi yang mungkin diperoleh mahasiswa pada semester yang akan diambil, hal ini diharapkan dapat memberikan peringatan dini bagi mahasiswa. Sejumlah penelitian telah dilakukan terkait dengan prediksi indeks prestasi kumulatif mahasiswa [1,2,3,4] dan memprediksi nilai mahasiswa [5,6,7]. Beberapa penelitian yang dilakukan dengan menggunakan artificial neural network sebagai metode pada data mining [1,4] untuk memprediksi IPK kelulusan menunjukkan hasil yang lebih baik dibandingkan metode lain yang pernah diteliti. Namun variabel yang digunakan dalam memprediksikan indeks prestasi mahasiswa tidak seragam pada masing-masing penelitian. Tidak semua penelitian tersebut dapat diimplementasikan pada institusi pendidikan lainnya [2,5,8,9]. Hal ini disebabkan karena perbedaan ketersediaan data yang dimiliki oleh setiap institusi pendidikan. Terdapat kesamaan permasalahan pada beberapa penelitian di atas, yakni mengenai keseragaman dan pemilihan variabel. Berdasarkan penelitian-penelitian yang telah dilakukan sebelumnya, peneliti mencoba untuk memanfaatkan data mining untuk mengetahui kedekatan data yang terdapat dalam basis data yang tersedia terhadap indeks prestasi yang dicari. Dari hasil pengolahan data oleh data mining akan diperoleh variabel yang memiliki potensi untuk digunakan dalam prediksi indeks prestasi. Penentuan metode yang digunakan untuk melakukan pemilihan variabel juga merupakan salah satu faktor yang mempengaruhi prediksi. Neural network sebagai

3 3 model dalam melakukan pemilihan variabel terlihat menjanjikan karena keefektifan neural network sudah dicoba secara empiris [10]. Neural network telah berhasil diimplementasikan pada sejumlah pengklasifikasian di dunia nyata seperti pada pekerjaan industri, bisnis, dan ilmu pengetahuan [11]. Aplikasinya termasuk prediksi kebangkrutan, pengenalan tulisan, pengenalan ucapan, pemeriksaan produksi, pendeteksian kesalahan, diagnosa kesehatan, dan pemeringkatan yang terkait [10]. Menurut [12], artificial neural network merupakan alat data mining yang menjanjikan karena dapat memberikan metode kualitatif pada permasalahan umum yang membutuhkan perumusan secara statistik dan matematik yang sangat kompleks. Berdasarkan penelitian yang dilakukan oleh [13], bahwa algoritma back propagation adalah algoritma yang terbaik sebab algoritma analisa klasifikasi bentuk kompleks dan algoritma pembelajaran dengan metode back propagation dirancang untuk mengurangi kesalahan antara hasil sebenarnya dan hasil yang diinginkan dari jaringan dengan suatu pola teratur [13]. Kombinasi dari data mining dan model neural network dapat sangat meningkatkan effisiensi dari metode data mining [14]. Meskipun telah dilakukan berbagai penelitian, namun metode yang digunakan dalam penelitian tidak dapat secara langsung diimplementasikan karena perbedaan data akademik yang digunakan dimana data tersebut belum tentu terdapat pada basis data di instansi lainnya. Rangkuman dari penelitian terkait yang berkenaan dengan data mining dan jaringan syaraf tiruan disusun pada Tabel 1.1.

4 4 Tabel 1.1 Daftar Penelitian Terkait Penulis Judul Penelitian Pembahasan Tahun Shaeela Ayesha Stamos T. Karamouzis dan Andreas Vrettos Zaidah Ibrahim, Daliela Rusli Qasem A. Al- Radaideh Minaei-Bidgoli, Behrouz; Kashy, Deborah A.; Kortemeyer, Gerd; Punch, William F. Data Mining Model for Higher Education System An Artificial Neural Network for Predicting Student Graduation Outcomes Predicting students Academic Performance Comparing Artificial Neural Network, Decision Tree and Liniear Regression Mining Student Data Using Decision Trees Predicting Student Performance: An Application Of Data Mining Methods With The Educational Web-based System Lon-Capa K-means clustering 2010 Neural Network 2008 Neural Network, 2007 Decision Tree Liniear Regression Decision Tree 2006 Genetic Algoritm 2003 Pada kesimpulan dalam beberapa penelitian [2,5,8,9] dikemukakan beberapa hal seperti: a. Terdapat kesamaan permasalahan pada beberapa penelitian di atas, yakni mengenai keseragaman dan pemilihan variabel b. Meskipun telah dilakukan berbagai penelitian, namun penelitian tidak dapat secara langsung diimplementasikan karena perbedaan data yang digunakan.

5 5 Dari rumusan kesimpulan yang diperoleh dari beberapa penelitian tersebut diperoleh bahwa antara satu model prediksi dengan model prediksi yang lain belum dapat dipastikan untuk dapat diimplementasikan dengan menggunakan database yang berbeda. Apabila terdapat suatu model yang dapat melakukan penyeleksian data yang ada, maka penelitian tersebut diharapkan dapat diterapkan dengan menggunakan ketersediaan data yang berbeda Rumusan Masalah Dibutuhkan suatu model penentuan variabel dari beberapa data yang berbeda sebagai masukan pada metode prediksi indeks prestasi mahasiswa menggunakan model neural network Tujuan Penelitian Penelitian dilakukan untuk mendapatkan suatu model dengan menggunakan back propagation neural network yang dapat melakukan pembelajaran terhadap data yang ada dan menentukan variabel yang dapat dipergunakan dalam prediksi indeks prestasi mahasiswa Manfaat Penelitian Hasil dari penelitian ini diharapkan dapat membantu menerapkan metode prediksi indeks prestasi mahasiswa dengan menggunakan metode back propagation neural network dengan ketersedian data yang berbeda-beda.

6 Batasan Masalah Berikut ini adalah hal-hal yang menjadi fokus pada penelitian: a. Data yang digunakan adalah data mahasiswa USU semua program studi S-1 Fakultas Hukum, Teknik, dan MIPA, pemilihan didasarkan pada kelengkapan data. b. Database yang digunakan adalah Mysql sesuai dengan database yang digunakan pada SIA USU. c. Penyeleksian variabel pada data mining dengan menggunakan back propagation neural network. d. Untuk melakukan prediksi indeks prestasi digunakan model back propagation neural network dimana model ini memberikan hasil prediksi yang lebih baik [4] Metode Penelitian Adapun metode penelitian yang dilakukan dalam penelitian ini meliputi: a. Studi literatur dari buku dan referensi, untuk menjadikan landasan dan acuan bagi penelitian ini. b. Menyusun algoritma data mining. c. Membuat aplikasi yang memanfaatkan metode back propagation neural network untuk dapat dipergunakan dalam melakukan prediksi indeks prestasi mahasiswa. d. Melakukan analisa indeks prestasi yang diperoleh terhadap indeks prestasi hasil prediksi untuk mendapatkan kesimpulan.

7 Sistematika Pembahasan Pada tulisan ini disusun sebanyak lima bab yang terdiri dari: BAB I : PENDAHULUAN, berisi kerangka penelitian yaitu latar belakang, rumusan masalah, tujuan penelitian, batasan masalah, dan metode yang ditempuh; BAB II : TINJAUAN PUSTAKA, memuat berbagai teori mengenai data mining dan back propagation neural network yang dijadikan landasan dalam melakukan penulisan dan perancangan; BAB III : PERANCANGAN, berisi pemilihan variabel berdasarkan data yang ada, perancangan dalam membangun webservice dan aplikasi webservice dan perancangan back propagation neural network; BAB IV : HASIL PERCOBAAN DAN ANALISIS, berisi analisis dari hasil prediksi dan perbandingan hasil prediksi terhadap data yang diperoleh; BAB V : KESIMPULAN DAN SARAN, berisi hasil simpulan dari tulisan dan saran yang mungkin dapat berguna untuk penelitian yang lebih lanjut.