Sistem Pendukung Keputusan Penerima Beasiswa SMK Menggunakan Metode Backpropagation

Transkripsi

1 Seminar Nasional e 9: Reayasa Tenologi Industri dan Informasi Sistem Penduung Keputusan Penerima Beasiswa SMK Menggunaan Metode Bacpropagation Teti Rohaeti 1, Yoyon Kusnendar Suprapto 2, Eo Mulyanto 3 Jurusan Teni Eletro ITS, Surabaya 1,2,3 teti13@mhs.ee.its.ac.id 1 Abstra Proses selesi beasiswa di SMK selama ini dilauan secara manual belum melibatan emauan di bidang tenologi sehingga urang tepat sasaran dimana siswa yg seharusnya mendapatan beasiswa tetapi tida mendapatan beasiswa dan sebalinya siswa yang seharusnya tida mendapatan beasiswa tetapi mendapatan beasiswa. Hal ini mengaibatan banya peserta didi yang terancam putus seolah. Untu itu diperluan Sistem Penduung Keputusan (SPK) dalam pemberian beasiswa untu meningatan tingat etepatan predisi dalam distribusi beasiswa. Penelitian ini aan membuat lasifiasi peserta didi penerima beasiswa dengan menggunaan metode Bacpropagation. Hasil lasifiasi digunaan untu membuat Sistem Penduung Keputusan (SPK) dalam pemberian beasiswa yang tuuannya untu meningatan tingat etepatan predisi dalam distribusi beasiswa yang mengacu pada Petunu Tenis yang telah ditetapan oleh Diretorat Pembinaan Seolah Menengah Keuruan (SMK). Hasil yang diperoleh menunuan bahwa penguian tingat aurasi predisi memaai data testing yang dihasilan aringan dengan model yang sudah terlatih adalah sebesar 99,00083%. Kata Kunci: Artificial Neural Networ, Bacpropagation, Beasiswa BSM, SPK. 1. Pendahuluan Program Bantuan Siswa Misin (BSM) ini merupaan buti omitmen dan eberpihaan Pemerintah untu memberian esempatan epada peserta didi dari eluarga yang urang mampu untu mengiuti pendidian dan terhindar dari putus seolah. Permasalahan yang sering muncul ialah urang tepatnya distribusi beasiswa. Peserta didi yang seharusnya berha mendapatan beasiswa namun tida mendapatan beasiswa dan sebalinya peserta didi yang seharusnya tida berha mendapatan beasiswa namun mendapatan beasiswa. Salah satu fator penyebab urang tepatnya distribusi beasiswa adalah proses selesi beasiswa yang dilauan secara manual belum menghasilan informasi yang tepat. Hal ini berdampa pada tingginya tingat putus seolah, menurut Pusat Data dan Statisti Pendidian (PDSP, Kemdibud) tahun 2010 menunuan bahwa ribu siswa SMA/SMK/MA putus seolah. Dari penelitian sebelumnya dielesan solusi untu mengatasi permasalahan urang tepatnya pendistribusian beasiswa, salahsatunya penelitian yang dilauan oleh Dalu Nuzlul Kirom, Yusuf Bilfaqih, Rusdhianto Effendie pada tahun 2012 dengan udul Sistem Informasi Manaemen Beasiswa ITS Berbasis Sistem Penduung Keputusan Menggunaan Analytical Hierarchy Process dan penelitian yang dilauan oleh Ani Andriani pada tahun 2013 dengan udul Sitem Penduung Keputusan Berbasis Decision Tree Dalam Pemberian Beasiswa Studi Kasus: AMIK BSI Yogyaarta Namun demiian Sistem Penduung Keputusan yang dilauan dalam penelitian sebelumnya diterapan di perguruan tinggi. Pembuatan Sistem Penduung Keputusan yang di bahas dalam penelitian ini diterapan di SMK dimana riteria penerima beasiswa sudah ditentuan, mengacu pada Petunu Tenis yang telah ditetapan oleh Diretorat Pembinaan Seolah Menengah Keuruan (SMK). Artificial Neural Networ (ANN) atau Jaringan Syaraf Tiruan (JST) adalah salah satu metode yang sudah banya diembangan untu pendugaan. Metode ini uga dapat dipaai untu meramalan berdasaran pola eadian yang ada di masa lampau. Ini dapat dilauan mengingat emampuan aringan syaraf tiruan untu mengingat dan membuat generalisasi dari apa yang sudah ada sebelumnya. Salah satu metode yang dapat digunaan untu memperbaii bobot adalah metode bacpropagation. Metode ini umum digunaan untu diapliasian pada penyelesaian suatu masalah beraitan dengan identifiasi, predisi, pengenalan pola dan sebagainya. Pada latihan yang berulang ulang, algoritma ini aan menghasilan unu era yang lebih bai. Hal ini berarti bahwa bobot interonesi JST semain mendeati bobot yang seharusnya. Kelebihan lain yang dimilii JST ini adalah emampuannya untu belaar Seolah Tinggi Tenologi Nasional (STTNAS) Yogyaarta 117

2 Seminar Nasional e 9: Reayasa Tenologi Industri dan Informasi (bersifat adaptif) dan ebal terhadap adanya esalahan (Fault Tolerance) dengan elebihan tersebut JST dapat mewuudan sistem yang tahan aan erusaan (robust) dan onsisten beera dengan bai. Dengan arateristi yang dimilii tersebut diharapan bisa mencapai tuuan yang diharapan yaitu membuat Sistem Penduung Keputusan (SPK) menggunaan metode Bacpropagation yang mampu meningatan tingat etepatan predisi dalam distribusi beasiswa dengan mengacu pada Petunu Tenis yang telah ditetapan oleh Diretorat Pembinaan Seolah Menengah Keuruan (SMK). Dalam penelitian ini, digunaan sistem pembahasan sebagai beriut, pendahuluan, menelasan tentang latar belaang permasalahan, perumusan masalah, tuuan. Metode aan diuraian metode atau pendeatan yang aan digunaan dalam menawab permasalahan penelitian untu mencapai tuuan penelitian. Hasil dan pembahasan, aan menguraian hasil daripada penelitian yang dilauan beserta pembahasannya. Kesimpulan dan saran merupaan esimpulan yang didapatan dari penelitian yang telah dilauan dan saran untu pengembangan daripada penelitian. 2. Metode Penelitian esperimen menggunaan data dalam penelitiannya dan menghasilan esimpulan yang mampu dibutian oleh pengamatan atau percobaan. Penelitian ini termasu penelitian esperimen dengan menggunaan data siswa di SMK Kota Palanga Raya seumlah 256 data yang dibagi menadi data training dan data testing dengan perbandingan 70% dan 30%, sehingga diperoleh 177 data training dan 76 data testing. Data training digunaan untu memperoleh hasil lasifiasi siswa penerima beasiswa dalam bentu Bacpropagation, sedangan data testing digunaan untu menguur tingat aurasi dari hasil lasifiasi tersebut Metodologi Penelitian Metoda penelitian yang diuraian pada bab ini merupaan acuan dalam melauan penelitian melalui urutan langah pelasanaan penelitian. 1. Data Calon Penerima Beasiswa Data yang di ambil merupaan data peserta didi SMK di Kota Palangaraya Kalimantan Tengah tahun 2013/2014 yang ada di Dinas Pendidian Kota Palanga Raya, yang nantinya di bagi menadi dua yaitu data training sebesar 70% dan data testing sebesar 30%. Data Calon Penerima Beasiswa Penentuan Kriteria Penerima Beasiswa Klasifiasi Penerima Beasiswa menggunaan metode Bacpropagasi Evaluasi & Validasi Membuat Sistem Penduung Keputusan (SPK) Penguian Sistem OUTPUT Data training sebesar 70% Data testing sebesar 30% Kartu Tanda Pendudu Kartu Keluarga Kelas Program Keluarga Harapan Kartu Perlindungan Sosial Surat Keterangan Tida Mampu Surat Keterangan Panti Asuhan Reening Listri Ranging Kelas Inisialisasi Bobot Umpan Mau (Feed Forward) Umpan Mundur (Bacpropagation) Kondisi Stopping Bantuan Siswa Misin Tida Mendapatan Gambar 1. Metodologi Penelitian 2. Kriteria Penerima Beasiswa Kriteria beasiswa beasiswa ada sembilan hal yaitu artu tanda pendudu (KTP), artu eluarga (KK), elas, program eluarga harapan (KPH), artu perlindungan social (KPS), surat eterangan tida mampu (SKTM), surat eterangan panti asuhan, Seolah Tinggi Tenologi Nasional (STTNAS) Yogyaarta 118

3 Seminar Nasional e 9: Reayasa Tenologi Industri dan Informasi reening listri dan renging elas. Mengacu pada Petunu Tenis yang telah ditetapan oleh Diretorat Pembinaan Seolah Menengah Keuruan (SMK) mengenai perbandingan bobot esembilan riteria untu beasiswa BSM, diperlihatan oleh Tabel 1. Dibawah ini : Tabel 1. Bobot Kriteria Beasiswa BSM Kriteria Keterangan Bobot KTP Ada 1 Tida 0 KK Ada 1 Tida 0 Kelas PKH Ada 2 Tida 0 KPS Ada 4 Tida 0 SKTM Ada 4 Tida 0 Panti Asuhan Ada 0 Tida 4 Reening Listri Ranging Kelas s/d 450 va va va va 1 Tida ada > Klasifiasi Penerima Beasiswa menggunaan Metode Bacpropagasi a. Inisialisasi Bobot Inisialisasi bobot secara random (diberi nilai ecil secara aca) diambil 0. b. Umpan mau (Feed Forwared) Umpan mau digunaan sebagai algoritma untu menghitung nilai ativasi yang ada pada semua neuron bai yang ada di lapis tersembunyi atau hidden layer ataupun lapis eluaran atau output layer. Fungsi ativasi yang di paai adalah fungsi signoid. Fungsi sigmoid merupaan salah satu dari seian fungsi ativasi yang sering digunaan pada aringan saraf tiruan. Fungsi sigmoid merupaan fungsi ativasi yang menggunaan metode Bacpropagation. Fungsi ini memilii interval output 0 sampai 1. c. Umpan Mundur (Bacpropagation) Bacpropagation merupaan sebuah algoritma yang berfungsi untu melauan perhitungan bali dari neuron eluaran agar memilii nilai bobot yang sesuai dalam aringan neural networ. Dengan omputasi bali ini nilai error atau esalahan bisa diurangi dengan cuup bai. d. Kondisi Stopping Terdapat dua ondisi stopping pada algoritma Bacpropagation. Kedua ondisi stopping digunaan dengan logia OR. Jadi ondisi stopping aan teradi ia besarnya error yang teradi telah bernilai lebih ecil dari nilai error masimum yang telah ditetapan atau ia besarnya epoch lebih besar dari besarnya epoch masimum yang telah ditetapan. e. Evaluasi dan Validasi f. Membuat Sistem Penduung Keputusan SPK g. Pengguian sistem dilauan menggunaan data testing sebesar 30%. h. Output Output atau eluran yang dihasilan yaitu mendapatan Bantuan Siswa Misin (BSM) dan Tida Mendapatan Beasiswa 2.2. Bacpropagation Algoritma pelatihan Bacpropagation dapat dielasan rinciannya sebagai beriut : Langah 0: Pemberian inisialisasi penimbang (diberi nilai ecil secara aca) Langah 1: Ulangi langah 2 hingga 9 sampai ondisi ahir iterasi dipenuhi. Langah 2: Untu masing-masing pasangan data pelatihan (training data) lauan langah 3 hingga 8 Umpan mau feed forward Langah 3: Masing-masing unit masuan (Xi, i = 1,.,n) menerima sinyal masuan Xi dan sinyal tersebut disebaran e unit-unit bagian beriutnya (unit-unit lapis tersembunyi) Langah 4: Masing-masing unit dilapis tersembunyi dialian dengan penimbang dan diumlahan serta ditambah dengan biasnya. Z _ in Vo n i 1 XiVi (1) Kemudian dihitung sesuai dengan fungsi pengatif yang digunaan: Z f Z _ in ) ( (2) bila yang digunaan adalah fungsi sigmoid maa bentu fungsi tersebut adalah: 1 Z 1 exp z _ in (3) Seolah Tinggi Tenologi Nasional (STTNAS) Yogyaarta 119

4 Seminar Nasional e 9: Reayasa Tenologi Industri dan Informasi Langah 5: Masing-masing unit eluaran (Y, = 1, 2, 3 m) dialian dengan penimbang dan diumlahan serta ditambah dengan biasnya: Y _ in W o p 1 Z W (4) Kemudian dihitung embali sesuai dengan fungsi pengatif Y F( y _ in ) (5) Bacpropagasi (Bacpropagation) dan Galatnya Langah 6: Masing-masing unit eluaran (Y, = 1,.m) menerima pola target sesuai dengan pola masuan saat pelatihan atau training dan dihitung galatnya: Selanutnya dialiaan dengan turunannya dan fungsi pengatifnya untu menghitung galat. _ in f ( y_ in ) (11) Langah beriutnya menghitung perbaian penimbang (digunaan untu memperbaii Vi). V X i i (12) Kemudian menghitung perbaian bias (untu V i memperbaii ) Memperbaii Penimbang Langah 8 Masing-masing eluaran unit (Y, K = 1,.,m) diperbaii bias dan penimbangnya ( = 0,. n), W(baru) = W(lama) + 4W (13) ( t y ) f ( y in ) (6) Masing-masing unit tersembunyi (Zi, K = 1,..,p) diperbaii bias dan penimbangnya (= 0,., n), f ( y in ) Karena signoid, maa: f ( y in) f ( y in)( 1 ff( y in))) y1( y) W menggunaan fungsi (7) Menghitung perbaian penimbang ( emudian untu memperbaii W ) W Z Menghitung perbaiaan oresi: o (8) (9) d dan menggunaan nilai delta ( ) pada semua unit lapis sebelumnya. Langah 7 Masing-masing penimbang yang menghubungan unit-unit lapis eluaran dengan unit-unit lapis tersembunyi (Z, = 1..,p) d dialian delta ( ) dan diumlahan sebagai masuan e unit-unit lapis beriutnya. V(baru) = V(lama) + 4V (14) Langah 9 Ui Kondisi pemberhentian atau stopping (ahir iterasi) 2.3. Implementasi Bacpropagation Pelatihan Pelatihan aringan dilauan dengan menggunaan Matlab Tools. Inisiasi model aringan yang digunaan adalah sebagai beriut : 1. Jaringan terdiri dari 3 layer yaitu input, hidden dan output. 2. Variabel/parameter yang digunaan sebagai pembentu aringan antara lain umlah epoch atau iterasi masimal : 1000 iterasi 3. Selanutnya hasil latihan aan disimpan dan diuur aurasinya dengan dibandingan dengan target seharusnya. 4. Selanutnya aringan yang sudah dilauan pelatihan/learning model tersebut disimpan untu dapat dilauan testing terhadap dataset testing. Hasil testing ini uga aan diuur aurasinya, dibandingan dengan target data testing yang seharusnya 6. Simulasi learning yang dilauan dapat terlihat pada gambar simulasi beriut : m 1 _ in W (10) Seolah Tinggi Tenologi Nasional (STTNAS) Yogyaarta 120

5 Seminar Nasional e 9: Reayasa Tenologi Industri dan Informasi 4. Beriut adalah grafi regresi antara target dengan data inputan, menunuan bahwa secara umum setelah dilauan training, data output dari atributatribut preditor yang dimasuan mendeati atau FIT target : Gambar 2. Simulasi Learning 4. Hasil dan Pembahasan 4.1. Evaluasi Model Dari model yang digunaan diatas diperoleh esimpulan sebagai beriut : 1. Tingat aurasi predisi memaai data testing yang dihasilan aringan dengan model yang sudah terlatih adalah sebesar 99,00083%. 2. Dari 1000 epoch yang dilauan, performance terbai aringan (nilai error main mendeati nol) adalah pada anga error : 0, pada epoch e Beriut adalah gambaran grafi training state yang dihasilan oleh aringan dari parameter yang dimasuan, menunuan eragaman perubahan nilai parameter (gradient) didalam penghitungan error : Gambar 3. Grafi training state Gambar 4. Grafi Regresi Seolah Tinggi Tenologi Nasional (STTNAS) Yogyaarta 121

6 Seminar Nasional e 9: Reayasa Tenologi Industri dan Informasi 4.2. Pembangunan Sistem Pembangunan sistem penduung eputusan pemberian beasiswa menggunaan Matlab dengan menerapan hasil lasifiasi dengan bacpropagation, hasilnya sebagai beriut: aringan dengan model yang sudah terlatih adalah sebesar 99,00083%. 3. Penerapan Sistem Penduung Keputusan (SPK) menggunaan metode Bacpropagation mampu meningatan tingat etepatan predisi dalam distribusi beasiswa dengan mengacu pada Petunu Tenis yang telah ditetapan oleh Diretorat Pembinaan Seolah Menengah Keuruan (SMK). Beberapa saran yang dapat diadian pertimbangan untu penelitian selanutnya yaitu menambahan output beasiswa, selain beasiswa BSM seperti beasiswa berprestasi atau beasiswa yang lainnya. Ucapan Terima Kasih Penulis menyampaian ucapan terima asih yang sebesar-besarnya epada Dr. Ir. Yoyon K. Suprapto M.Sc. dan Dr. Eo Mulyanto Yuniarno, ST., MT. selau pembimbing. Rean-rean dari Telematia CIO 2013 yang banya memberian bantuan iut berperan dalam memperlancar penelitian dan penulisan paper ini. Ucapan terima asih secara husus penulis sampaian epada suami tercinta Mohamad Ridwan yang telah memberian duungan moral dan material. Daftar Pustaa Ani Andriani Sistem Penduung Keputusan Berbasis Decision Tree Dalam Pemberian Beasiswa. ISSN: Dalu Nuzlul Kirom, Yusuf Bilfaqih, Rusdhianto Effendie Sistem Informasi Manaemen Beasiswa ITS Berbasis Sistem Penduung Keputusan Menggunaan Analytical Hierarchy Process. JURNAL TEKNIK POMITS Vol. 1, No. 1, (2012) 1-6. Prasetyo, Eo Data Mining Konsep dan Apliasinya Menggunaan Matlab. Yogyaarta: Andi. Purnomo, Mauridhi Hery; Kurniawan, Agus Supervised Neurol Networ dan Apliasinya,. Yogyaarta: Graha Ilmu. Widodo, Prabowo Pudo d Penerapan Data Mining dengan Matlab. Bandung: Reayasa Sains Gambar 3. Form SPK Penerima Beasiswa 4. Kesimpulan Dari hasil dan pembahasan dapat diambil beberapa esimpulan sebagai beriut: 1. Metode Bacpropagation dapat digunaan dalam membuat lasifiasi sebagai dasar dalam pembangunan sistem penduung eputusan pemberian beasiswa. 2. Evaluasi hasil lasifiasi penerima beasiswa dengan metode Bacpropagation menghasilan tingat aurasi predisi memaai data testing yang dihasilan Seolah Tinggi Tenologi Nasional (STTNAS) Yogyaarta 122