PREDIKSI KELULUSAN MAHASISWA DENGAN JARINGAN SYARAF TIRUAN

Transkripsi

1 Ansari Predisi Kelulusan Mahasiswa Dengan Jaringan Syaraf Tiruan PREDIKSI KELULUSAN MAHASISWA DENGAN JARINGAN SYARAF TIRUAN Rudy Ansari STMIK Indonesia Banarmasin ABSTRAK Kelulusan mahasiswa menadi salah satu tola uur dalam pengambilan ebiaan manaemen perguruan tinggi. Dapat memperiraan elulusan mahasiswa setiap tahunnya sangat diperluan untu dietahui oleh piha perguruan tinggi. Dari itu, maalah ini mencoba menerapan algoritma aringan syaraf tiruan dalam mempredisi elulusan mahasiswa, metode yang dipilih untu digunaan adalah metode bacpropagation. Metode ini banya digunaan peneliti ahir ahir ini dalam mempredisi suatu masalah. Data sampel dalam penerapan algoritma ini adalah data mahasiswa mulai angatan 2010 sampai dengan angatan tahun Dengan 3 output yaitu lulus terlambat, cepat dan tida tepat watu. Dari hasil pembelaaran algoritma yang digunaan, di dapat hasil aurasi yang bai dengan arsitetur yang terbentu adalah pola Kata unci: aringan syaraf tiruan, bacpropagation, aurasi ABSTRACT Graduation became a benchmar in the policy maing college management. Can estimate the graduation students annually is needed to be nown by the university. Moreover, this paper attempts to apply neural networ algorithms in predicting graduation, the selected method to be used is the method of propagation. This method is widely used in the researchers predict a problem. The sample data in the application of this algorithm is data the students began class of 2010 up to With the third generation output is passed late, fast and timely. From the results of the learning algorithm used obtained good accuracy results with the architecture of the pattern formed is Keywords: artificial neural networ, bacpropagation, accuracy I. PENDAHULUAN Semain etatnya persaingan masing-masing perguruan tinggi dalam menceta mahasiswa yang berompeten dan berualitas sehingga menuntut perguruan tinggi tersebut untu memperbaii sistem dan ualitasnya menadi lebih bai lagi, dimana salah satu masalah dalam sistem ialah apabila ada beberapa mahasiswa yang terlambat lulus atau tida tepat pada watunya sehingga menadi endala untu emauan suatu sistem untu pengangatan mutu dan ualitas dari suatu perguruan tinggi tersebut. Apabila suatu sistem dapat memperiraan atau mempredisi suatu mahasiswa lulus tepat, cepat dan terlambat aan sangat mempermudah suatu sistem yang ada di ampus untu perancangan bagi mahasiswa tersebut. Jia suatu predisi dapat aurat untu suatu aademi dapat digunaan untu mendapatan pemahaman tentang resio fator dari suatu uriulum. Pemahaman esadaran dari para pengaar, pendidian secara personil dan manaemen aademi sehingga dapat membantu untu memilih langah yang tepat dalam segala resio yang ada dan ahirnya aan menghasilan penurunan tingat drop out (Deer, Para pembuat uriulum dapat menggunaan hasil predisi untu menyelarasan perubahan dari uriulum dan mengevaluasi efe dari perubahan tersebut. Penasehat aademi dapat meruu e hasil predisi etia memberian nasehat epada para mahasiswa yang terdetesi emunginan terlambat lulus sehingga tindaan pencegahan dapat diambil lebih awal. Di samping itu, seorang instrutur atau para pengaar dapat lebih meningatan mengaar dan pendeatan pembelaaran, serta intervensi merencanaan dan layanan duungan bagi mahasiswa (Affendey, Paris, Mustapha, Sulaiman, & Muda, Predisi lama studi dibutuhan oleh manaemen perguruan tinggi dalam menentuan ebiaan preventif terait pencegahan dini asus Drop Out (DO. Predisi ini bertuuan untu menentuan fator aademis yang berpengaruh terhadap masa studi dan membangun model predisi terbai dengan teni data mining (Meinanda, Annisa, Muhandri, & Suryadi. Aurasi mempredisi mahasiswa berguna di banya ontes yang berbeda di perguruan tinggi. Sebagai contoh, mengedintifiasi siswa luar biasa untu beasiswa merupaan bagian penting dari penerimaaan proses sarana dan pascasarana lembaga, dan siswa yang lemah mengidentifiasi yang mungin gagal adalah uga penting untu mengaloasian sumber daya les terbatas (Nghe, Janece, & Haddawy, Dari berbagai penelitian dan urnal diatas terdapat banya manfaat bagi aademi atau suatu perguruan tinggi untu mempredisian mahasiswa untu lulus tepat, cepat dan terlambat. Pemodelan preditif mengacu pada tugas membangun model untu variable target sebagai fungsi dari variabel penelas. dua enis tugas pemodelan preditif adalah lasifiasi,yang digunaan untu variable ontinyu sasaran. Tuuan tugas adalah untu mempelaari model yang meminimalan esalahan antara nilai predisi dan benar dari variable sasaran (Affendey, Paris, Mustapha, Sulaiman, & Muda, Artificial Neural Networ (ANN atau aringan syaraf tiruan sea diperenalan pada seitar tahun 1940 telah banya diimplementasian pada berbagai bidang eilmuan. Jaringan syaraf tiruan banya digunaan untu melauan predisi atau 1

2 JTIULM - Volume 1, Nomor 1, Januari-Juni 2016: peramalan (Meinanda, Annisa, Muhandri, & Suryadi. Salah satu algoritma pembelaaran yang cuup aurat adalah dengan algoritma pembelaaran Bacpropagation. Sehingga dalam mempredisi elulusan mahasiswa bisa lebih aurat. II. METODE PENELITIAN Maalah ini disusun melalui tahapan-tahapan sebagai beriut: 1. Penentuan Masalah Penelitian Masalah dapat disimpulan bahwa Algoritma BacPropagation aringan syaraf tiruan dapat digunaan untu mempredisi suatu permasalahan yang ada yaitu tentang elulusan mahasiswa. Sedangan pertanyaan penelitian adalah: Bagaimana aringan syaraf tiruan dengan algoritma pembelaaran Bacpropagation lebih aurat dalam menentuan predisi elulusan mahasiswa?. 2. Penentuan Pendeatan Komputasi Pendeatan omputasi yang aan digunaan dalam maalah ini adalah algoritma pembelaaran Bacpropagation aringan syaraf tiruan dimana sampel data dari maalah ini adalah data mahasiswa yang dibagi menadi data ui angatan 2010 sampai 2011 dan data testing dari angatan 2012 sampai Pengembangan Sistem Maalah ini aan mengembangan predisi elulusan mahasiswa yang terlambat, tepat, dan cepat. 4. Penerapan Metode Metode algoritma pembelaaran Bacpropagation aan diterapan untu predisi elulusan mahasiswa.. 5. Evaluasi dan Validasi Hasil Penerapan Evaluasi dilauan dengan mengamati hasil predisi. Validasi dilauan dengan menguur tingat aurasi dari predisi tersebut. 6. Kesimpulan Menari esimpulan dari eseluruhan proses penyusunan dan penguian hasil predisi. A. 2.1 Data Mining Istilah data mining memilii beberapa padanan, seperti nowledge discovery ataupun pattern recognition.kedua istilah tersebut sebenarnya memilii etepatannya masing-masing.istilah nowledge discovery atau penemuan pengetahuan tepat digunaan arena tuuan utama dari data mining memang untu mendapatan pengetahuan yang masih tersembunyi di dalam bongahan data.istilah pattern recognition atau pengenalan pola uga tepat untu digunaan arena pengetahuan yang digali dari dalam bongahan data yang tengah dihadapi.bila dalam tulisan ini digunaan istilada data mining, hal ini lebih didasaran pada lebih populernya istilah tersebut dalam egiatan penggalian pengetahuan data.namun demiian, istilah ini memilii haiat (notion sebagai disiplin ilmu yang tuuan utamanya adalah untu menemuan, menggali, atau menambang pengetahuan dari data atau informasi yang ita milii.kegiatan inilah yang menadi garapan atau perhatian utama dari disiplin ilmu data mining (Susanto & Suryadi, Data mining merupaan analisis dari peninauan umpulan data untu menemuan hubungan yang tida diduga dan meringas data dengan cara yang berbeda dengan sebelumnya, yang dapat dipahami dan bermanaat bagi pemili data. Data mining merupaan bidang dari beberapa bidang eilmuan yang menyatuan teni dari pembelaaran mesin, mengenal pola, statisti, database, dan visualisasi untu penanganan permasalahan pengambilan informasi dari database yang besar (Larose D. T.. B. 2.2 Jaringan Syaraf Tiruan Jaringan saraf tiruan adalah model non-linear yang omples, dibangun dari omponen yang secara individu berperilau mirip dengan model regresi. Jaringan syaraf tiruan dapat divisualisasian sebagai grafi, dan beberapa sub-grafi mungin ada perilau yang sama dengan gerbang logia. Mesipun strutur dari aringan saraf secara esplisit dirancang terlebih dahulu, pengolahan bahwa aringan tida untu menghasilan hipotesis (berbagai gerbang logia dan pengolahan lainnya terstrutur dalam aringan berembang selama proses pembelaaran. Hal ini memunginan neuron yang membentu aringan aan digunaan sebagai pemecahan maslah dari "program itu sendiri" (Cowan, C. 2.3 Algoritma pembelaaran Bacpropogation Dalam bacpropagation terdapat beberapa langah-langah untu menyelesaian masalahnya, dimana ciri dari metode ini adalah meminimalan error pada output yang dihasilan oleh aringan. Bacpropagation disebut uga sebagai Multilayer Neural Networ sehingga terdri dari beberapa layer yaitu input layer, hidden layer, dan output layer dan pada setiap layer terdapat satu atau lebih artificial neuron (Budhi ST., MT., Gunawan ST., & Jaowry ST.. 2

3 Ansari Predisi Kelulusan Mahasiswa Dengan Jaringan Syaraf Tiruan Output Layer Hidden Layer Input Layer x 1 u 11 y 1 b 1 w 11 u 1 u l1 v 11 v 1l a v1 v v l 1 1 a v v v il v i i1 a i w 1 w 1i b l Gambar 1 Arsitetur aringan syaraf tiruan Pelatihan dengan metode bacpropagation terdiri dari tiga langah, yaitu: Data dimasuan e input aringan (feedforward Perhitungan dan propagasi bali dari error yang bersangutan Pembaharuan (adustment bobot dan bias Secara detail, langah-langah pelatihan Bacpropagation adalah sebagai beriut: Langah 0 : Inisialisasi bobot dan bias Bai bobot maupun bias dapat diset dengan sembarang anga(acadan biasanya anga diseitar 0 dan 1 atau -1(bias positif atau negatif. Langah 1 :Jia stopping condition belum dipenuhi, maa langah 2-9 dialanan Langah 2 :Data training, lauan langah 3-8. Umpan Mau (Feedforward Langah 3 : Tiap unit input (xi, i=1,..,n menerima isyarat masuan xi dan diterusan e unit-unit tersembunyi (hidden unit Langah 4 : Tiap unit tersembunyi (z, z=1,.,p menumlahan bobot sinyal input dan biasnya. w n1 w n u 1m u lm b y m u 1 w ni x n z _ in = vo eluaran dari lapisan unit yang tersembunyi menerpaan fungsi ativasi hitung: + n i= 1 x v i i (1 z = f ( z _ in Langah 5 : Tiap unit eluaran (y, =1,..,m menumlahan isyarat masuan berbobot dengan menerpaan fungsi ativasi hitung : (2 y _ in = wo + p = 1 z w (3 y = f ( y _ in (4 Perambatan Galat Mundur (Bacpropagation Langah 6 : Tiap unit eluaran (y, =1,..,m menerima pola pelatihan masuannya. Hitung galat (error informasinya: Untu menghitung oresi bobot: δ = ( t y f '( y _ in Δw = αδ z (5 (6 3

4 JTIULM - Volume 1, Nomor 1, Januari-Juni 2016: dan biasnya: Δwo = αδ (7 Langah 7 : Tiap unit tersembunyi (z, z=1,.,p menumlahan delta masuannya (dari unit-unit yang berada pada lapisan atasannya. Hitung galat (error informasinya : Hitung oresi bobot m δ _ in = δ w = 1 δ = δ _ in Δv i = αδ x f '( z _ in i (8 (9 (10 dan biasnya : Δvo = αδ (11 Langah 8 : Tiap unit eluaran (y, =1,..,m memperbaharui bobot dan bias ( =0,1,..p Tiap unit tersembunyi (z, z=1,.,p memperbaharui bobot dan biasnya (i=0,1,..n w ( baru = w ( lama + Δw v ( baru = v ( lama + Δv i i i (12 (13 Langah 9 : Ui syarat berhenti III. HASIL DAN PEMBAHASAN Data Sampel adalah data mahsiswa STMIK Indonesia Banarmasin dengan parameter terdiri dari NRP, Nama, Tempat Lahir, Tanggal Lahir, Umur, Pengambilan banyanya SKS persemester, IPK persemester, rata-rata IPK antara semester 1 sampai dengan semester 4. Untu penguiannya menggunaan Software data mining yaitu Rapidminer, untu ui pertama melalui data sample yaitu data angatan 2006, pada bagian NRP, NAMA, Tempat Lahir dan Tanggal Lahir aan dihilangan untu mendapatan aurasi yang lebih tinggi, pada bagian Lulus atau eterangan untu lulus ada 3 ategori yaitu cepat, tepat, terlambat diadian sebagai label dalam rapidminer sehingga untu hasilnya menggunaan software rapidminer bisa dilihat pada gambar dibawah: Gambar 2 Data ui hasil predisi 4

5 Ansari Predisi Kelulusan Mahasiswa Dengan Jaringan Syaraf Tiruan Gambar 3 Data testing hasil predisi Dari hasil penerapan algoritma bacpropagation aringan syaraf tiruana didapatan aurasi predisi sebesar 92,49%. Gambar 4 Hasil aurasi predisi Dan arsitetur aringan yang terbentu dari hasil pelatihan data tersebut di dapat aristetur aringan Gambar 5 Hasil arsitetur aringan syaraf tiruan predisi elulusan mahasiswa IV. KESIMPULAN Maalah ini meneliti penggunaan algoritma bacpropagation aringan syaraf tiruan untu mempredisi elulusan mahasiswa. Metode aringan syaraf tiruan menghasilan aurasi sebesar 92,49%, dengan input 12, hidden layer 9 dan output 3. Dari hasil tersebut bisa diatan bahwa metode aringan syaraf tiruan dapat menghasilan aurasi cuup tinggi untu masalah predisi. 5

6 JTIULM - Volume 1, Nomor 1, Januari-Juni 2016: REFERENSI [1] Gerben K. Deer, "Predicting students drop out: a case study," April [2] L.S. Affendey, I.H.M Paris, N. Mustapha, Md. Nasir Sulaiman, and Z. Muda, "Raning of Influencing Factors in Predicting Students Academic Performance," [3] Muhamad Hanief Meinanda, Metri Annisa, Narendi Muhandri, and Kadarsyah Suryadi, "Predisi Masa Studi Sarana Dengan Artificial Neural Networ". [4] Nguyen Thai Nghe, Paul Janece, and Peter Haddawy, "A Comprative Analysis of Techniques for Predicting Academic Performance," [5] Sani Susanto and Dedy Suryadi, Pengantar Data Mining : Menggali Pengetahuan Dari Bongahan Data. Yogyaarta: Andi, [6] Daniel T. Larose, Discovering Knowledge in Data. [7] Mar K Cowan, Machine Learning.: Stanford University, [8] Gregorius S. Budhi ST., MT., Ibnu Gunawan ST., and Steven Jaowry ST., "Metode Jaringan Saraf Tiruan Bacpropagation untu Pengenalan Huruf Ceta pada Citra Digital". 6