Model Arsitektur Backpropogation Dalam Memprediksi Faktor Tunggakan Uang Kuliah (Studi Kasus AMIK Tunas Bangsa)

Transkripsi

1 IJCCS, Vol.x, No.x, July xxxx, pp. 1~5 ISSN: Model Arsitektur Backpropogation Dalam Memprediksi Faktor Tunggakan Uang Kuliah (Studi Kasus AMIK Tunas Bangsa) Agus Perdana Windarto* 1, Dedy Hartama 2, Nurhafidah Dalimunthe 3 3 Mahasiswa Program Studi Sistem Informatika, Pematangsiantar Sumatera Utara 1,2 Program Studi Sistem Informatika, Pematangsiantar Sumatera Utara 1,2,3 STIKOM Tunas Bangsa Pematangsiantar; Jln. Jendral Sudirman Blok A No.1/2/3 * 1 agus.perdana@amiktunasbangsa.ac.id, 2 dedyhartama@amiktunasbangsa.ac.id Abstrak : Terkendalanya pembayaran uang kuliah dapat menghambat biaya operasional dari suatu instansi/ perguruan tinggi khusus Perguruan Tinggi Swasta (PTS). Penelitian ini bertujuan untuk memprediksi faktor penyebab terjadinya tunggakan uang kuliah. Data yang digunakan adalah data sampel mahasiswa bermasalah dalam pembayaran uang kuliah sebanyak 20 orang. Proses pengambilan data dengan cara wawancara dan kuisioner. Penelitian ini menggunakan metode Jaringan Saraf Tiruan Backpropogation. Kriteria yang digunakan sebanyak 6 variabel C1 (Penghasilan Ortu), C2 (Jlh Tanggungan), C3 (Pekerjaan Ortu), C4 (Status Tempat Tinggal), C5 (Penyalahgunaan Uang) dan C6 (Faktor Eksternal). Pola arsitektur yang digunakan untuk memperoleh arsitektur terbaik adalah 6-5-1, , dan Dari 4 pola yang digunakan didapat pola adalah pola terbaik dengan MSE 0, dan akurasi 80%. Pola terbaik ini akan digunakan untuk memprediksi faktor tunggakan uang kuliah dengan menggunakan analisis sensifitas. Hasil prediksi diperoleh bahwa C5 (Penyalahgunaan Uang) dan C4 (Status Tempat Tinggal) merukan faktor terbesar penyebab tunggakan uang kuliah dengan MSE 0,89385 dan 0, Kata kunci : Prediksi, Faktor Tunggakan, JST, Backpropogation 1. PENDAHULUAN Akademi Manajemen Informatika Komputer (AMIK) Tunas Bangsa Pematangsiantar adalah salah satu perguruan tinggi swasta di sumatera utara yang bergerak dalam bidang komputer. Dalam menjalankan aktifitas sehari-hari, manajemen AMIK Tunas Bangsa Pematangsiantar dipimpin oleh seorang Direktur dan dibantu oleh Wakil direktur (Wadir) yang terdiri dari Wakil direktur 1 (Wadir 1) bagian akademik, Wakil direktur 2 (Wadir 2) bagian keuangan dan Wakil direktur 3 (Wadir 3) bagian kemahasiswaan. Setiap Wadir bekerjasama dalam menjalankan tanggung jawab masing-masing. Dalam menjalankan aktifitas pendidikan, salah satu kewajiban seorang mahasiswa adalah membayar uang kuliah yang dalam hal ini ditanganin oleh Wadir 2 bagian keuangan. Dalam proses pembayaran uang kuliah, pihak instansi/perguruan tinggi memberikan keringanan berupa cicilan uang kuliah sampai beberapa tahap kepada seluruh mahasiswa/i AMIK Tunas Bangsa Pematangsiantar. Seiring waktu berjalan, proses pembayaran uang kuliah mahasiswa sering mengalamin kendala. Ini bisa disebabkan oleh beberapa faktor. Terkendalanya pembayaran uang kuliah dapat menghambat biaya operasional dari suatu instansi/ perguruan tinggi. Untuk mengatasi hal ini, bagian keuangan mendatangin mahasiswa yang terkendala dalam pembayaran uang kuliah, kemudian memberikan pertanyaan tentang faktor penyebab terlambat membayar uang kuliah. Kegiatan ini biasa dialamin oleh pihak perguruan tinggi swasta dimanapun. Jaringan Saraf Tiruan (JST) mampu melakukan pengenalan kegiatan berbasis masa lalu atau belajar dari pengalaman. Data masa lalu akan dipelajari oleh Jaringan Saraf Tiruan sehingga mempunyai kemampuan untuk memberikan keputusan terhadap data yang belum pernah dipelajari. Jaringan Saraf Tiruan (JST) merupakan salah satu cabang dari Artificial Intelegent (AI) atau kecerdasan buatan [1]. Received June 1 st,2012; Revised June 25 th, 2012; Accepted July 10 th, 2012

2 2 ISSN: Ada Banyak teknik yang bisa digunakan untuk implementasi Jaringan Syaraf Tiruan salah satunya adalah Backpropagation [2-9]. Backpropogation merupakan salah satu algoritma Jaringan Saraf Tiruan yang sering digunakan untuk menyelesaikan masalah-masalah yang rumit dan berkaitan dengan identifikasi input, prediksi, pengenalan pola, dan sebagainya. berulang-ulang akan menghasilkan jaringan yang memberikan tanggapan benar terhadap semua masukannya. Hal ini merupakan kelebihan dari Backpropogation sehingga dapat mewujudkan sistem yang tahan kerusakan dan konsisten bekerja dengan baik. Algoritma Backpropogation telah banyak digunakan untuk dunia kesehatan, ekonomi, pertanian dan lain-lain. Berdasarkan latar belakang masalah diatas, penulis ingin mengangakat masalah ini menjadi judul penelitian Model Arsitektur Backpropogation Dalam Memprediksi Faktor Tunggakan Uang Kuliah. 2. METODE PENELITIAN 2.1. Kecerdasan Buatan (Artificial Intelegent) Kecerdasan buatan atau disebut juga Artificial Intelegent (AI) merupakan salah satu bagian dari ilmu komputer yang mempelajari bagaimana membuat mesin (komputer) dapat melakukan pekerjaan seperti dan sebaik yang dilakukan oleh manusia bahkan bisa lebih baik daripada yang dilakukan manusia [1] Jaringan Saraf Tiruan Jaringan Saraf Tiruan (JST) merupakan salah satu representasi buatan otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia[10]. Berdasarkan beberapa penelitian di atas yang menekankan pada analisis pemodelan Backpropagation untuk melakukan prediksi dengan objek penelitiannya masing-masing dan menghasilkan kesimpulan bahwa Backpropagation dapat digunakan sebagai problem solving. Neuron adalah unit pemroses informasi yang menjadi dasar dalam pengoperasian Jaringan Saraf Tiruan. Neuron terdiri dari 3 elemen pembentuk sebagai berikut : a. Himpunan unit-unit yang dihubungkan dengan jalur koneksi. b. Suatu unit penjumlah yang akan menjumlahkan masukan-masukan sinyal yang sudah dikalikan dengan bobotnya. c. Fungsi aktivasi yang akan menentukan apakah sinyal dari input neuron akan diteruskan ke neuron lain ataukah tidak [11] Algoritma Jaringan Saraf Tiruan Backpropagation Algoritma Backpropagation merupakan salah satu algoritma yang sering digunakan dalam menyelesaikan masalah-masalah yang rumit. Hal ini dimungkinkan karena jaringan dengan algoritma ini dilatih dengan menggunakan metode belajar terbimbing. Pada jaringan diberikan sepasang pola yang terdiri dari atas pola masukan dan pola yang diinginkan. Algoritma pelatihan jaringan Saraf perambatan galat mundur terdiri atas dua langkah, yaitu perambatan maju dan perambatan mundur. Langkah perambatan maju dan perambatan mundur ini dilakukan pada jaringan untuk setiap pola yang diberikan selama jaringan mengalami pelatihan [12] Arsitektur Backpropogation Backpropagation memiliki beberapa unit yang ada dalam satu atau lebih lapis tersembunyi. Pada gambar 1 di bawah adalah arsitektur Backpropagation dengan n buah masukan (x1, x2, x3,... xn) ditambah sebuah bias, sebuah lapis tersembunyi yang terdiri dari j unit ditambah sebuah bias, serta k buah unit keluaran [12]. IJCCS Vol. x, No. x, July 201x : first_page end_page

3 IJCCS ISSN: Gambar 1. Arsitektur Backpropogation dengan 3 layer Simbol-simbol yang digunakan ini tidaklah mutlak, bisa saja berganti dengan simbol-simbol yang lainnya asalkan fungsi logika yang dimaksudkannya tetap sama. Secara sederhana dapat dikatakan bahwa jika output memberikan hasil yang salah, maka penimbang (bobot) dikoreksi supaya errornya (galat) dapat diperkecil dan respon jaringan selanjutnya diharapkan akan lebih mendekati harga yang benar[12] 3. HASIL DAN PEMBAHASAN 3.1. Perancangan Sistem Pendefinisian Input dan Target Data faktor tunggakan uang kuliah selanjutnya akan diolah oleh Jaringan Saraf Tiruan dengan metode backpropogation. Agar data dapat dikenali oleh Jaringan Saraf Tiruan, maka data harus direpresentasikan ke dalam bentuk numerik antara 0 sampai dengan 1, baik variabel maupun isinya yang merupakan masukan untuk pengenalan pola dan keluaran yang merupakan prediksi faktor terbesar dalam tunggakan uang kuliah. Proses konversi data menggunakan logika fuzzy yang dikonversi berdasarkan parameter yang sudah. Hal ini dikarenakan jaringan menggunakan fungsi aktivasi sigmoid biner (logsig) yang rangenya dari 0 sampai Pendefinisian Input Variabel yang digunakan untuk melihat faktor penyebab tunggakan uang kuliah adalah kriteria yang menjadi acuan dalam pengambilan keputusan pada penilaian dengan menggunakan Jaringan Saraf Tiruan. Variabel ditentukan dengan cara melihat ketergantungan data terhadap penelitian yang dilakukan. Data Kriteria diperoleh dengan cara wawancara dan kuisioner terhadapat mahasiswa AMIK Tunas Bangsa semester ganjil sebanyak 20 sampel. Tabel 1. Daftar Kriteria Faktor Tunggakan Uang Kuliah No Variabel Nama Kriteria 1 C1 Penghasilan Ortu 2 C2 Jlh Tanggungan Ortu 3 C3 Pekerjaan Ortu 4 C4 Status Tempat Tinggal 5 C5 Penyalahgunaan Uang 6 C6 Faktor Eksternal Tabel 2. Bobot Kriteria Faktor Tunggakan Uang Kuliah N o Nama variabel Interval Nilai Fuzzy Penghasilan Ortu > Rp (Sangat Besar) 0,2 1 > Rp Rp (Besar) 0,4 Rp Rp (Sedang) 0,6 < Rp (Kecil) 0,8 2 Jlh Tanggungan Ortu >= 5 Anak 0,9 4 Anak 0,7 Title of manuscript is short and clear, implies research results (First Author)

4 4 ISSN: N o Nama variabel Interval Nilai Fuzzy 3 Anak 0,5 2 Anak 0,4 1 Anak 0,2 Pekerjaan Ortu Pegawai Negeri 0,2 Pegawai Swasta 0,4 Wiraswasta 0,5 TNI/Polisi 0,7 Petani, Nelayan, Buruh 0,9 Status Tempat Tinggal Bersama Ortu 0,1 Kos 0,9 Penyalahgunaan Ya 0,9 Tidak 0,1 Faktor Eksternal Keterlambatan Mengirim 0,8 Keperluan Keluarga 0,6 Kendala Usaha 0,4 Data sampel yang digunakan adalah Mahasiswa AMIK Tunas Bangsa semester ganjil yang memiliki tunggakan uang kuliah sebanyak 20 sampel Pendefinisian Target Adapun data target adalah mahasiswa AMIK Tunas Bangsa yang memiliki tunggakan uang kuliah Pengolahan Data Pengolahan data dilakukan dengan bantuan Matlab 6.1 aplikasi perangkat lunak. Sampel Data adalah 20 mahasiswa AMIK Tunas Bangsa yang memiliki tunggakan uang kuliah. Data ini akan digunakan pada data pelatihan dan data pengujian. Sampel data yang telah diproses dan ditranformasikan adalah sebagai berikut. No Nama Penghasilan Ortu (C1) Jlh Tanggungan Ortu (C2) Tabel 3. Sampel data Penelitian Pekerjaan Ortu (C3) Status Tempat Tinggal (C4) Penyalahgunaan Uang (C5) Faktor Eksternal (C6) 1 Mhs. 1 Rp Peg.Swasta Kos Ya Keterlambatan Mengirim Bermasalah 2 Mhs. 2 Rp Buruh Bersama ortu Tidak Keperluan Keluarga Bermasalah 3 Mhs. 3 Rp TNI Kos Tidak Keterlambatan Mengirim Bermasalah 4 Mhs. 4 Rp Wirasawasta Kos Ya Keperluan Keluarga Bermasalah 5 Mhs. 5 Rp Petani Bersama Ortu Tidak Kendala Usaha Bermasalah 6 Mhs. 6 Rp Peg.Swasta Kos Tidak Keterlambatan Mengirim Bermasalah 7 Mhs. 7 Rp Peg.Negeri Bersama Ortu Tidak Keperluan Keluarga Bermasalah 8 Mhs. 8 Rp Peg.Negeri Kos Ya Keterlambatan Mengirim Bermasalah 9 Mhs. 9 Rp Wiraswasta Bersama Ortu Tidak Keperluan Keluarga Bermasalah 10 Mhs. 10 Rp Wiraswasta Kos Ya Kendala Usaha Bermasalah 11 Mhs. 11 Rp Polisi Kos Ya Keterlambatan Mengirim Bermasalah 12 Mhs. 12 Rp Wiraswasta Kos Tidak Kendala Usaha Bermasalah 13 Mhs. 13 Rp Peg.negeri Kos Ya Keterlambatan Mengirim Bermasalah 14 Mhs. 14 Rp Buruh Bersama ortu Tidak Keperluan Keluarga Bermasalah 15 Mhs. 15 Rp Petani Kos Ya Keterlambatan Mengirim Bermasalah 16 Mhs. 16 Rp Wiraswasta Kos Tidak Keperluan Keluarga Bermasalah 17 Mhs. 17 Rp Buruh Kos Ya Keperluan Keluarga Bermasalah 18 Mhs. 18 Rp Peg.Swasta Kos Tidak Keterlambatan Mengirim Bermasalah 19 Mhs. 19 Rp TNI Kos Ya Keperluan Keluarga Bermasalah 20 Mhs. 20 Rp Wiraswasta Bersama ortu Tidak Kendala Usaha Bermasalah Target IJCCS Vol. x, No. x, July 201x : first_page end_page

5 IJCCS ISSN: Tabel 4. Sampel dari data yang telah ditransformasikan No Nama Mahasiswa C1 C2 C3 C4 C5 C6 Target 1 Mahasiswa 1 0,4 0,7 0,2 0,9 0,9 0,8 1 2 Mahasiswa 2 0,6 0,5 0,9 0,1 0,1 0,6 1 3 Mahasiswa 3 0,4 0,5 0,7 0,9 0,1 0,8 1 4 Mahasiswa 4 0,6 0,4 0,5 0,9 0,9 0,6 1 5 Mahasiswa 5 0,4 0,5 0,9 0,1 0,1 0,4 1 6 Mahasiswa 6 0,2 0,7 0,4 0,9 0,1 0,8 1 7 Mahasiswa 7 0,4 0,7 0,2 0,1 0,1 0,6 1 8 Mahasiswa 8 0,4 0,2 0,2 0,9 0,9 0,8 1 9 Mahasiswa 9 0,6 0,5 0,5 0,1 0,1 0, Mahasiswa 10 0,6 0,5 0,5 0,9 0,9 0, Mahasiswa 11 0,4 0,4 0,7 0,9 0,9 0, Mahasiswa 12 0,4 0,7 0,5 0,9 0,1 0, Mahasiswa 13 0,2 0,9 0,2 0,9 0,9 0, Mahasiswa 14 0,6 0,4 0,9 0,1 0,1 0, Mahasiswa 15 0,4 0,5 0,9 0,9 0,9 0, Mahasiswa 16 0,4 0,7 0,5 0,9 0,1 0, Mahasiswa 17 0,6 0,7 0,9 0,9 0,9 0, Mahasiswa 18 0,4 0,7 0,4 0,9 0,1 0, Mahasiswa 19 0,4 0,7 0,7 0,9 0,9 0, Mahasiswa 20 0,6 0,4 0,5 0,1 0,1 0, Perancangan Arsitektur Jaringan Saraf Tiruan Jaringan yang digunakan untuk dalam memprediksi faktor tunggakan uang kuliah dengan backpropogation dengan langkah pembelajaran feedforward. Jaringan ini memiliki beberapa lapisan, yaitu lapisan masukan (input), lapisan keluaran (output) dan beberapa lapisan tersembunyi (hidden). Lapisan tersembunyi tersebut membantu jaringan untuk dapat mengenali lebih banyak pola masukan dibandingkan dengan jaringan yang tidak memiliki lapisan tersembunyi. Parameter-parameter dalam pembentukan jaringan backpropagation menggunakan 6 variabel masukan, 1 atau lebih lapisan tersembunyi dan 1 lapisan keluaran. Adapun model arsitektur yang digunakan untuk mendapatkan arsitektur terbaik adalah 6-5-1, , dan Jaringan Saraf yang akan dibangun adalah algoritma propagasi balik (backpropagation) dengan fungsi aktivasi Sigmoid. Fungsi aktivasi dalam Jaringan Saraf Tiruan dipakai untuk proses perhitungan terhadap nilai aktual output pada hidden layer dan menghitung nilai aktual output pada output layer Pendefinisian Output Hasil yang diharapkan pada tahap ini adalah deteksi pola menentukan nilai terbaik untuk memprediksi faktor tunggakan uang kuliah. Hasil pengujian adalah sebagai berikut: a. Untuk mengetahui prediksi faktor tunggakan uang kuliah tentu saja didasarkan pada hasil sampel data mahasiswa AMIK Tunas Bangsa. Output dari prediksi ini adalah pola arsitektur terbaik dengan melihat error minimum. b. Kategorisasi Output pelatihan (train) dan pengujian (test) Kategori untuk output ditentukan oleh tingkat error minimum dari target. Batasan kategori tersebut terdapat pada tabel berikut: Tabel 5. Data Kategorisasi No Keterangan Error Minimum 1 Benar (Bermasalah) Salah (Tidak Bermasalah) > Perancangan arsitektur Jaringan Saraf Tiruan Perancangan arsitektur Jaringan Saraf Tiruan untuk data pelatihan dan pengujian, maka digunakan 6 variabel input yaitu: C 1 = Penghasilan Ortu Title of manuscript is short and clear, implies research results (First Author)

6 6 ISSN: C 2 = Jlh Tanggungan Ortu C 3 = Pekerjaan Ortu C 4 = Status Tempat Tinggal C 5 = Penyalahgunaan Uang C 6 = Faktor Eksternal Berikut tahapan-tahapan yang akan dilakukan dalam pengguna algoritma propagasi balik dengan fungsi aktivasi sigmoid. Tahapan yang harus dilakukan adalah sebagi berikut: 1. Inisialisasi (initialization), merupakan tahap di mana variabel-variabel nilai akan diset atau didefinisikan terlebih dahulu, misalnya seperti: nilai data input, weight, nilai output yang diharapkan, learning rate dan nilai-nilai data lainnya. 2. Aktivasi (activation),merupakan proses perhitungan terhadap nilai aktual output pada hidden layer dan menghitung nilai actual output pada output layer. 3. Weight Training, merupakan proses perhitungan nilai error gradient pada output layer dan menghitung nilai error gradient pada hidden layer 4. Iteration, merupakan tahap akhir dalam penggujian, dimana jika masih terjadi error minimum yang diharapkan belum ditemukan maka kembali pada tahap aktivasi (activation) dan Arsitektur Berikut adalah hasil pengujian dengan 20 data pengujian dengan pola pengujian Data hasil pengujian dan dapat dilihat pada tabel sebagai berikut: Tabel 6. Hasil dan dengan Model Mhs ,9499 0,0501 0, ,9499 0,0501 0, Salah 2 Mhs ,9820 0,0180 0, ,9820 0,0180 0, Benar 3 Mhs ,9938 0,0062 0, ,9938 0,0062 0, Benar 4 Mhs ,9597 0,0403 0, ,9597 0,0403 0, Salah 5 Mhs ,9930 0,0070 0, ,9930 0,0070 0, Benar 6 Mhs ,9939 0,0061 0, ,9939 0,0061 0, Benar 7 Mhs ,9846 0,0154 0, ,9846 0,0154 0, Benar 8 Mhs ,9498 0,0502 0, ,9498 0,0502 0, Salah 9 Mhs ,9618 0,0382 0, ,9618 0,0382 0, Salah 10 Mhs ,9642 0,0358 0, ,9642 0,0358 0, Salah 11 Mhs ,9571 0,0429 0, ,9571 0,0429 0, Salah 12 Mhs ,9959 0,0041 0, ,9959 0,0041 0, Benar 13 Mhs ,9590 0,0410 0, ,9590 0,0410 0, Salah 14 Mhs ,9862 0,0138 0, ,9862 0,0138 0, Benar 15 Mhs ,9548 0,0452 0, ,9548 0,0452 0, Salah 16 Mhs ,9968 0,0032 0, ,9968 0,0032 0, Benar 17 Mhs ,9742 0,0258 0, ,9742 0,0258 0, Salah 18 Mhs ,9935 0,0065 0, ,9935 0,0065 0, Benar 19 Mhs ,9682 0,0318 0, ,9682 0,0318 0, Salah 20 Mhs ,9508 0,0492 0, ,9508 0,0492 0, Salah Total 0, Total 0, MSE 0, MSE 0, dan Arsitektur Berikut adalah hasil pengujian dengan 20 data pengujian dengan pola pengujian Data hasil pengujian dan dapat dilihat pada tabel sebagai berikut: Tabel 7. Hasil dan dengan Model Mhs ,9889 0,0111 0, ,9889 0,0111 0, Benar 2 Mhs ,9783 0,0217 0, ,9783 0,0217 0, Salah 3 Mhs ,9781 0,0219 0, ,9781 0,0219 0, Salah 4 Mhs ,9861 0,0139 0, ,9861 0,0139 0, Benar 5 Mhs ,9369 0,0631 0, ,9369 0,0631 0, Salah 6 Mhs ,9151 0,0849 0, ,9151 0,0849 0, Salah 7 Mhs ,9928 0,0072 0, ,9928 0,0072 0, Benar 8 Mhs ,9951 0,0049 0, ,9951 0,0049 0, Benar IJCCS Vol. x, No. x, July 201x : first_page end_page 45%

7 IJCCS ISSN: Mhs ,9901 0,0099 0, ,9901 0,0099 0, Benar 10 Mhs ,9810 0,0190 0, ,9810 0,0190 0, Benar 11 Mhs ,9924 0,0076 0, ,9924 0,0076 0, Benar 12 Mhs ,9882 0,0118 0, ,9882 0,0118 0, Benar 13 Mhs ,9358 0,0642 0, ,9358 0,0642 0, Salah 14 Mhs ,9701 0,0299 0, ,9701 0,0299 0, Salah 15 Mhs ,9860 0,0140 0, ,9860 0,0140 0, Benar 16 Mhs ,9823 0,0177 0, ,9823 0,0177 0, Benar 17 Mhs ,9943 0,0057 0, ,9943 0,0057 0, Benar 18 Mhs ,9711 0,0289 0, ,9711 0,0289 0, Salah 19 Mhs ,9948 0,0052 0, ,9948 0,0052 0, Benar 20 Mhs ,9800 0,0200 0, ,9800 0,0200 0, Salah Total 0, Total 0, MSE 0, MSE 0, % dan Arsitektur Berikut adalah hasil pengujian dengan 20 data pengujian dengan pola pengujian Data hasil pengujian dan dapat dilihat pada tabel sebagai berikut: Tabel 8. Hasil dan dengan Model Mhs ,9864 0,0136 0, ,9864 0,0136 0, Benar 2 Mhs ,9838 0,0162 0, ,9838 0,0162 0, Benar 3 Mhs ,9822 0,0178 0, ,9822 0,0178 0, Benar 4 Mhs ,9851 0,0149 0, ,9851 0,0149 0, Benar 5 Mhs ,9695 0,0305 0, ,9895 0,0105 0, Benar 6 Mhs ,9303 0,0697 0, ,9903 0,0097 0, Benar 7 Mhs ,9712 0,0288 0, ,9712 0,0288 0, Salah 8 Mhs ,9866 0,0134 0, ,9866 0,0134 0, Benar 9 Mhs ,9837 0,0163 0, ,9837 0,0163 0, Benar 10 Mhs ,9812 0,0188 0, ,9812 0,0188 0, Benar 11 Mhs ,9819 0,0181 0, ,9819 0,0181 0, Benar 12 Mhs ,9528 0,0472 0, ,9528 0,0472 0, Salah 13 Mhs ,9588 0,0412 0, ,9588 0,0412 0, Salah 14 Mhs ,9831 0,0169 0, ,9831 0,0169 0, Benar 15 Mhs ,9755 0,0245 0, ,9955 0,0045 0, Benar 16 Mhs ,9434 0,0566 0, ,9434 0,0566 0, Salah 17 Mhs ,9822 0,0178 0, ,9822 0,0178 0, Benar 18 Mhs ,9570 0,0430 0, ,9870 0,0130 0, Benar 19 Mhs ,9812 0,0188 0, ,9812 0,0188 0, Benar 20 Mhs ,9728 0,0272 0, ,9728 0,0272 0, Benar Total 0, Total 0, MSE 0, MSE 0, dan Arsitektur Berikut adalah hasil pengujian dengan 20 data pengujian dengan pola pengujian Data hasil pengujian dan dapat dilihat pada tabel sebagai berikut: Tabel 9. Hasil dan dengan Model Mhs ,9845 0,0155 0, ,9845 0,0155 0, Besar 2 Mhs ,9585 0,0415 0, ,9585 0,0415 0, Salah 3 Mhs ,9614 0,0386 0, ,9614 0,0386 0, Salah 4 Mhs ,9761 0,0239 0, ,9761 0,0239 0, Salah 5 Mhs ,9557 0,0443 0, ,9557 0,0443 0, Salah 6 Mhs ,9839 0,0161 0, ,9839 0,0161 0, Besar 7 Mhs ,9680 0,0320 0, ,9680 0,0320 0, Salah 8 Mhs ,9625 0,0375 0, ,9625 0,0375 0, Salah 9 Mhs ,9556 0,0444 0, ,9556 0,0444 0, Salah 10 Mhs ,9881 0,0119 0, ,9881 0,0119 0, Besar 11 Mhs ,9658 0,0342 0, ,9658 0,0342 0, Salah 12 Mhs ,9963 0,0037 0, ,9963 0,0037 0, Besar 13 Mhs ,9869 0,0131 0, ,9869 0,0131 0, Besar 14 Mhs ,9573 0,0427 0, ,9573 0,0427 0, Salah 80% Title of manuscript is short and clear, implies research results (First Author)

8 8 ISSN: Mhs ,9675 0,0325 0, ,9675 0,0325 0, Salah 16 Mhs ,9951 0,0049 0, ,9951 0,0049 0, Besar 17 Mhs ,9899 0,0101 0, ,9899 0,0101 0, Besar 18 Mhs ,9894 0,0106 0, ,9894 0,0106 0, Besar 19 Mhs ,9922 0,0078 0, ,9922 0,0078 0, Besar 20 Mhs ,9316 0,0684 0, ,9316 0,0684 0, Salah Total 0, Total 0, MSE 0, MSE 0, % Pemilihan Arsitektur Terbaik Jaringan Saraf Tiruan Hasil software aplikasi Matlab 6.1 yang digunakan untuk model arsitektur 6-5-1, arsitektur , arsitektur dan arsitektur adalah memperoleh pola arsitektur terbaik. Dari pola ini nanti akan digunakan untuk mempredikasi faktor tunggakan uang kuliah. Penilaian model arsitektur terbaik dilihat dari beberapa aspek seperti epoch, error minimum dan akurasi kebenaran. Untuk lebih jelas dapat dilihat pada berikut : Tabel 10. Rekapitulasi Model Arsitektur Epochs MSE 0, , , , Akurasi 45% 60% 80% 45% Dari tabel 10 dapat dilihat bahwa model arsitektur terbaik yanga akan digunakan untuk melakukan prediksi dari serangkaian uji coba model adalah dengan epoch 3457, MSE 0, dan tingkat akurasi 80% Prediksi Tunggakan uang Kuliah Tahap terakhir adalah proses prediksi faktor tunggakan uang kuliah. Tahapan ini dilakukan dengan melihat sejauh mana pengaruh variabel dengan model arsitertur terbaik yang sudah ditentukan. Pemilihan variabel dengan menggunakan analisis sensifitas. Proses analisis sensifitas pada JST adalah dengan melihat performa terbaik yang menghasilkan rangking variabel input dari yang terendah sampai tertinggi. Hasil analisis sensifitas dapat dilihat pada tabel berikut : Tabel 11. Hasil Analisis Sensivitas Pada tabel diatas menunjukkan bahwa variabel input yang memiliki analisis sensifitas yang paling tinggi adalah C5 (Penyalahgunaan Uang), C4 (Status Tempat Tinggal), C3 (Pekerjaan Ortu), C6 (Faktor Eksternal), C2 (Jlh Tanggungan) dan C1 (Penghasilan Ortu). Berdasarkan IJCCS Vol. x, No. x, July 201x : first_page end_page

9 IJCCS ISSN: hasil penelitian didapat hasil bahwa faktor penyebab terjadinya tunggakan adalah Penyalah gunaan Uang dan Status Tempat Tinggal. 4. KESIMPULAN Berdasarkan hasil penelitian diperoleh hasil bahwa faktor penyebab terjadinya tunggakan uang kuliah dari 6 kriteria yang digunakan yakni C1 (Penghasilan Ortu), C2 (Jlh Tanggungan), C3 (Pekerjaan Ortu), C4 (Status Tempat Tinggal), C5 (Penyalahgunaan Uang) dan C6 (Faktor Eksternal) adalah Penyalahgunaan Uang dan Status Tempat Tinggal. Penghasilan Orangtua menduduki peringkat paling kecil dari penyebab faktor tunggakan uang kuliah. DAFTAR PUSTAKA Title of manuscript is short and clear, implies research results (First Author)