PERANCANGAN SISTEM PENDUKUNG KEPUTUSAN UNTUK SELEKSI PENERIMAAN CALON MAHASISWA BARU DI POLITEKNIK NEGERI SAMARINDA

Transkripsi

1 Nyura, dkk, Perancangan Sistem Pendukung Keputusan Untuk Seleksi Penerimaan Calon Mahasiswa Baru Di Politeknik Negeri Samarinda PERANCANGAN SISTEM PENDUKUNG KEPUTUSAN UNTUK SELEKSI PENERIMAAN CALON MAHASISWA BARU DI POLITEKNIK NEGERI SAMARINDA Yusni Nyura 1), Anton Topadang 2) 1,2) Jurusan Teknologi Informasi Politeknik Negeri Samarinda yusnichristian@yahoo.com 1), anton_topadang@yahoo.co.id 2) Abstract Selection of new student enrollment is a process, method, screening or selection of prospective students in the academic ability is the best candidate for learning sector in higher education institutions. Likewise, the selection is done through the search Interests and Abilities Polytechnic (PMDK -PN), that the selection of new student enrollment is done by tracking the academic ability of prospective students who are considered to have the potential and the quality seeds region. To screen potential new students need a fairly rigorous selection process, the goal is to screen prospective new students who qualified, so it has a high competitive graduates who can compete with the outside world. But the selection process for new students who walk for this is still done manually, where the data of prospective students sorted by highest value of the quotas each district in each department, so that it often takes a long time and requires a high accuracy. It is considered less effective and less efficient, since the ability / potential of prospective new students in each district is different. From the above problems, the researchers will design an application that can be used for the selection of new student enrollment using artificial neural network method. The method used in this study using a software system development Software Development Life Cycle (SDLC) that includes the needs analysis phase, prototyping, prototype evaluation, development and testing final software. Key word: Selection, Software Development Life Cycle (SDLC) 1. Pendahuluan Penyeleksian calon mahasiswa baru merupakan suatu proses, cara, penyaringan atau pemilihan calon mahasiswa yang secara kemampuan akademis adalah calon terbaik untuk belajar di suatu lembaga pendidikan perguruan tinggi yang perlu ditentukan secara cepat dan tepat. Demikian halnya dengan seleksi penerimaan calon mahasiswa baru melalui jalur PMDK-PN (Penelusuran Minat dan Kemampuan Politeknik Negeri). Dalam hal ini seleksi penerimaan calon mahasiswa baru melalui jalur PMDK-PN dilakukan dengan cara menelusuri kemampuan akademis para siswa di SMA/SMK/MA, para calon mahasiswa baru yang dinyatakan diterima tersebut adalah mereka yang dianggap memiliki kemampuan dan potensi yang diunggulkan didaerahnya. Sesuai dengan misi Politeknik Negeri Samarinda yaitu menyelenggarakan program pendidikan vokasional yang bertumpu kepada peningkatan mutu, perluasan akses, dan lulusan berdaya saing tinggi, maka diperlukan proses seleksi penerimaan calon mahasiswa baru yang cukup ketat dengan tujuan menjaring calon mahasiswa baru yang berkualitas sehingga memiliki lulusan yang berdaya saing tinggi baik di tingkat nasional maupun di tingkat internasional. Proses seleksi calon mahasiswa baru saat ini di Politeknik Negeri Samarinda masih dilakukan secara manual yaitu pertama data calon mahasiswa diurutkan berdasarkan nilai tertinggi dari quota masing-masing kabupaten pada setiap jurusan, sehingga hal ini seringkali memerlukan waktu yang lama dan membutuhkan ketelitian yang tinggi. Hal ini dianggap kurang efektif dan tidak efisien, karena kemampuan/potensi dari calon mahasiswa baru disetiap kabupaten berbeda-beda, kemudian kedua dalam proses pembuatan laporan menggunakan aplikasi Microsoft Excel, sehingga pengolahan data dan penyeleksian calon mahasiswa baru memerlukan waktu yang relatif lama. Oleh karena pengambilan keputusan penerimaan calon mahasiswa baru merupakan kebijakan yang sangat penting demi kemajuan dan berkembangnya suatu perguruan tinggi, dan agar supaya kegiatan pendidikan yang akan dilaksanakan maupun yang sedang berjalan tetap berada pada jalur yang benar dan akan memberikan dampak positif bagi perguruan tinggi, maka dibutuhkan sistem pendukung keputusan yang dapat membantu dalam proses seleksi calon mahasiswa baru tersebut. 997

2 JUST TI Volume 8 Nomor 1, Januari 2016 : Tujuan dari penelitian ini adalah tersedianya rancangan sistem pendukung keputusan yang dapat digunakan untuk menentukan calon mahasiswa baru yang akan diterima dengan menggunakan metode Jaringan Syaraf Tiruan (JST) dan algoritma Backpropagation 2. Tinjauan Pustaka 2.1 Seleksi Penerimaan Calon Mahasiswa Baru Penyeleksian calon mahasiswa baru merupakan suatu proses, cara, penyaringan atau pemilihan calon mahasiswa yang secara kemampuan akademis merupakan calon terbaik untuk belajar disuatu lembaga pendidikan perguruan tinggi secara cepat dan tepat. Seleksi penerimaan calon mahasiswa baru dapat dilakukan dengan 3 (tiga) cara, yaitu pertama melalui jalur Seleksi Nasional Masuk Perguruan Tinggi Negeri (SNMPTN) yang diselenggarakan secara Nasional, kedua melalui Ujian Masuk Politeknik Negeri (UMPN), dan ketiga melalui Ujian Masuk Perguruan Tinggi Swasta (UMPTS) yang persyaratan maupun mekanisme pelaksanaannya diserahkan sepenuhnya kepada perguruan tinggi swasta masing-masing. Dalam pelaksanaannya sendiri, Perguruan tinggi dalam melakukan penjaringan penerimaan mahasiswa baru wajib, paling sedikit 60 % menerima mahasiswa baru pada setiap program studi melalui penerimaan mahasiswa baru secara nasional. Sisanya, maksimal 40 % dapat dimanfaat kan oleh perguruan tinggi untuk penerimaan jalur mandiri. Jalur mandiri ini tidak diatur secara nasional, tetapi diserahkan pada masing-masing perguruan tinggi negeri (Peraturan Menteri Pendidikan Nasional Republik Indonesia Nomor 34 Tahun 2010). Seleksi penerimaan calon mahasiswa baru melalui jalur PMDK-PN (Penelusuran Minat dan Kemampuan Politeknik Negeri) adalah sistem seleksi penerimaan calon mahasiswa baru melalui jalur undangan lokal, yaitu dengan cara menelusuri kemampuan akademis calon siswa serta memberikan kemudahan dan pemerataan kesempatan kepada seluruh lulusan siswa SLTA (SMA/SMK/MA) untuk mendaftar sebagai mahasiswa undangan lokal. Tujuannya adalah untuk pemerataan pendidikan di tingkat Perguruan Tinggi dan membantu program Pemerintah Daerah untuk meningkatkan mutu sumber daya manusia disetiap daerah / wilayah. Seleksinya berdasarkan nilai rapor siswa, serta mendapatkan rekomendasi dari kepala sekolah yang bersangkutan selanjutnya diurutkan berdasarkan nilai dan rangking tertinggi pada setiap kabupaten / kota. 2.2 Sistem Pendukung Keputusan Sistem pendukung keputusan merupakan sistem informasi interaktif yang menyediakan informasi, pemodelan, dan pemanipulasian data. Sistem itu digunakan untuk membantu pengambilan keputusan dalam situasi yang semitersruktur dan situasi yang tidak terstruktur, dimana tak seorang pun tahu secara pasti bagaimana keputusan seharusnya dibuat (Alter, 2002). Aplikasi sistem pendukung keputusan menggunakan data, memberikan antarmuka pengguna yang mudah, dan dapat menggabungkan pemikiran pengambilan keputusan. Sistem pendukung keputusan lebih ditujukan untuk mendukung manajemen dalam melakukan pekerjaan yang bersifat analitis dalam situasi yang kurang terstruktur dan dengan kriteria yang kurang jelas. Sistem pendukung keputusan terdiri atas 4 komponen, yaitu: 1. Subsistem manajemen data, subsistem manajemen data memasukan satu database yang berisi data yang relevan untuk situasi dan dikelola oleh perangkat lunak yang disebut sistem manajemen database (DBMS). 2. Subsistem manajemen model, merupakan paket perangkat lunak yang memasukan model keuangan, statistik, ilmu manajemen, atau model kuantitatif lainnya yang memberikan kapabilitas analitik dan manajemen perangkat lunak yang tepat. 3. Subsistem antarmuka pengguna, pengguna berkomunikasi dengan dan memerintahkan sistem pendukung keputusan melalui subsistem ini. Pengguna adalah bagian yang dipertimbangkan dari sistem. 4. Subsistem manajemen berbasis-pengetahuan, Subsistem ini dapat mendukung semua subsistem lain atau bertindak sebagai suatu komponen independen. Sub sistem ini memberikan intelegensi untuk memperbesar pengetahuan pengambil keputusan. 2.3 Defenisi Jaringan Syaraf Tiruan Jaringan syaraf tiruan merupakan suatu konsep rekayasa pengetahuan dalam bidang kecerdasan buatan yang didesain dengan mengadopsi sistem syaraf manusia, yang pemprosesan utamanya berada di otak (Prasetyo, 998

3 Nyura, dkk, Perancangan Sistem Pendukung Keputusan Untuk Seleksi Penerimaan Calon Mahasiswa Baru Di Politeknik Negeri Samarinda 2012). Dengan menggunakan neuron-neuron tersebut secara simultan, otak manusia dapat memproses informasi secara parallel dan cepat. Karena kemampuannya tersebut manusia terdorong untuk memodelkannya ke dalam suatu teknik komputasi yang disebut Jaringan syaraf tiruan (Artificial Neural Network). Tiap jaringan ditentukan oleh arsitektur pola jaringan, bobot pada koneksi dan fungsi aktivasi. Selain memproses, jaringan syaraf tiruan juga memiliki kemampuan menyimpan informasi sebagai hasil proses pembelajaran dan memberikan informasi tersebut saat dibutuhkan (Widodo, 2013). Menurut Widodo (2013), ja ringan syaraf tiruan adalah sistem pemproses informasi dengan karakteristik dan performa yang mendekati syaraf biologis, sedangkan menurut Siang (2005), jaringan syaraf tiruan dibentuk sebagai generalisasi model matematika dari jaringan syaraf biologi dengan asumsi sebagai berikut : a. Pemprosesan terjadi pada banyak elemen sederhana (neuron). b. Sinyal dikirimkan diantara neuron melalui penghubung. c. Penghubung antar neuron memiliki bobot yang akan memperkuat atau memperlemah sinyal. d. Untuk menentukan keluaran (output), setiap neuron menggunakan fungsi aktivasi yang dikenakan pada penjumlahan masukan (input) yang diterima. Besarnya keluaran (output) ini selanjutnya dibandingkan dengan suatu batas ambang, dimana neuron adalah unit pemproses informasi yang menjadi dasar dalam pengoperasian jaringan syaraf tiruan (Siang, 2005). 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 lainnya atau tidak. Gambar 2.1 Desain umum jaringan syaraf tiruan (Prasetyo, 2012) Pada gambar 2.1 diperlihatkan vektor masukan terdiri atas sejumlah nilai yang diberikan sebagai nilai masukan pada Jaringan Syaraf Tiruan. Vektor masukan tersebut mempunyai 3 nilai (x 1, x 2, x 3 ) sebagai fitur dalam data yang akan diproses dalam jaringan syaraf tiruan. Masingmasing nilai masukan melewati sebuah hubungan berbobot w, kemudian semua nilai digabungkan. Nilai gabungan tersebut kemudian diproses oleh fungsi aktivasi untuk menghasilkan sinyal y sebagai keluaran. Fungsi aktivasi menggunakan sebuah nilai ambang (threshold) untuk membatasi nilai keluaran agar selalu dalam batas nilai yang ditetapkan (Prasetyo, 2012) Arsitektur Jaringan Berdasarkan arsitekturnya, model Jaringan Syaraf Tiruan tergolong menjadi beberapa bagian antara lain (Siang, 2005): a. Jaringan Layar Tunggal (Single Layer Network) Pada jaringan ini, sekumpulan masukan neuron dihubungkan langsung dengan sekumpulan keluarannya. Sinyal mengalir searah dari input layer sampai output layer. Setiap simpul dihubungkan dengan simpul lainnya yang berada diatasnya dan dibawahnya, tetapi tidak dengan simpul yang berada pada lapisan yang sama. Pada Gambar 2.2 diperlihatkan arsitektur jaringan layar tunggal dengan n buah masukan (x 1, x 2,..., x n ) dan m buah keluaran (y 1, y 2,..., y m ). Gambar 2.2. Jaringan layar tunggal (Siang, 2005) b. Jaringan Layar Jamak ( Multiple Layer Network) Jaringan ini merupakan perluasan dari jaringan layar tunggal. Dalam jaringan ini, 999

4 JUST TI Volume 8 Nomor 1, Januari 2016 : selain unit masukan dan keluaran, ada unitunit lain (sering disebut layar tersembunyi). Dimungkinkan pula ada beberapa layar tersembunyi. Pada Gambar 2.3. diperlihatkan jaringan dengan n buah unit masukan (x 1, x 2,..., x n ), sebuah layar tersembunyi yang terdiri dari m buah unit (z 1,z 2,..., z m ) dan 1 buah unit keluaran. Kemudian dikirim kesemua unit dilapisan atasnya. c. Setiap unit dilapisan output (y k, k = 1, 2, 3,, m) dihitung sinyal outputnya dengan menerapkan fungsi aktivasi terhadap penjumlahan sinyal-sinyal input berbobot bagi lapisan ini : (2.2) Catatan : Langkah (b) dilakukan sebanyak jumlah lapisan tersembunyi Gambar 2.3. Jaringan layar jamak (Siang, 2005) c. Jaringan Recurrent Model Jaringan Recurrent (Recurrent Network) mirip dengan jaringan layar tunggal ataupun jamak. Hanya saja, ada simpul keluaran yang memberikan sinyal pada unit masukan (sering disebut feedback loop). Dengan kata lain sinyal mengalir dua arah, yaitu maju dan mundur. 2.5 Algoritma Backpropagation Adapun algoritma Backpropagation terdiri atas : 1. Inisialisasi bobot. Inisialisasi bobot dilakukan dengan menggunakan bilangan acak terkecil dari variable input. 2. Lakukan langkah-langkah berikut ini selama kondisi berhenti bernilai salah. 3. Untuk setiap pasangan pola pelatihan yang akan dilakukan, kerjakan : 3.1. Tahap Umpan Maju (Feedforward) a. Setiap unit input (x i, i = 1, 2, 3,, n) mengirimkan sinyal input ke semua unit yang ada di lapisan atasnya (ke lapisan tersembunyi). b. Pada setiap unit di lapisan tersembunyi (z j, j = 1, 2, 3,.., p). Sinyal output lapisan tersembunyinya dihitung dengan menerapkan fungsi aktivasi terhadap penjumlahan sinyal-sinyal input berbobot dengan menjumlahkan sinyal-sinyal input terbobot : 3.2 Tahap Backpropagation Error d. Setiap unit output ( y k, k = 1, 2, 3,..., m ) menerima pola target t k lalu informasi kesalahan lapisan output ( k ) dihitung. k dikirim ke lapisan dibawahnya dan digunakan untuk menghitung besar koreksi bobot dan bias ( w jk dan w 0k ) antara lapisan tersembunyi dengan lapisan output: (2.3) e. Pada setiap unit di lapisan tersembunyi (dari unit ke- 1 sampai unit ke- p; i=1,.., n; j=1,.., p; k=1,.., m) dilakukan perhitungan informasi kesalahan lapisan tersembunyi ( j ). j kemudian digunakan untuk menghitung besar koreksi bobot dan bias ( v ij dan v 0j ) antara lapisan input dan lapisan tersembunyi. (2.4) 3.3 Tahap Pengupdatean bobot dan bias f. Pada setiap unit output y k (dari unit ke- 1 sampai unit ke- m) dilakukan pengupdate-an bias dan bobot (j=0,..,p; k=1,.., m) sehingga bias dan bobot yang baru menjadi : (2.5) + (2.1) 1000

5 Nyura, dkk, Perancangan Sistem Pendukung Keputusan Untuk Seleksi Penerimaan Calon Mahasiswa Baru Di Politeknik Negeri Samarinda Dari unit ke- 1 sampai unit ke- p di lapisan tersembunyi juga dilakukan peng-update-an pada bias dan bobotnya (i=0,..n; j=1,.., p). (2.6) 4. Tes kondisi berhenti jika terpenuhi (langkah 5), jika tidak terpenuhi maka kembali ke langkah Selesai. 2.6 Algoritma Belajar atau Pelatihan Berdasarkan cara memodifikasi bobotnya, terdapat 2 (dua) macam pelatihan yang dikenal yaitu dengan supervisi (supervised) dan tanpa supervisi(unsupervised). Pada supervised learning target kelas ditentukan terlebih dahulu sedangkan pada unsupervised learning target kelas tidak ditentukan (Siang, 2005). a. Dengan Supervisi (Supervised Training) Dalam pelatihan dengan supervisi, terdapat sejumlah pasangan data (masukan target keluaran) yang dipakai untuk melatih jaringan hingga diperoleh bobot yang diinginkan. Pasangan data tersebut berfungsi untuk melatih jaringan hingga diperoleh bentuk yang terbaik. Pasangan data tersebut akan memberikan informasi yang jelas tentang bagaimana sistem harus mengubah dirinya untuk meningkatkan unjuk kerjanya. Pada setiap kali pelatihan, suatu input diberikan ke jaringan. Jaringan akan memproses dan mengeluarkan keluaran. Selisih antara keluaran jaringan dengan target (keluaran yang diinginkan) merupakan kesalahan yang terjadi (error). Jaringan akan memodifikasi bobot sesuai dengan kesalahan tersebut (Siang, 2005). b. Tanpa Supervisi (Unsupervised Training) Dalam pelatihan tanpa supervisi tidak ada yang mengarahkan proses pelatihan. Dalam pelatihannya, perubahan bobot jaringan dilakukan berdasarkan parameter tertentu dan jaringan dimodifikasi menurut ukuran parameter tersebut (Siang, 2005). 2.7Parameter Yang Digunakan Dalam Jaringan Syaraf Tiruan Pada proses pelatihan Jaringan Syaraf Tiruan, terdapat beberapa parameter yang sangat berpengaruh (Prasetyo, 2012). Penentuan bobot awal dapat dilakukan dengan cara acak dengan angka dalam jangkauan [-0.5, +0.5] atau ditentukan dengan jangkauan dan juga dapat menggunakan Algoritma Nguyen-Widrow untuk memberikan optimalisasi komposisi nilai bobot terbaik. b. Laju Pembelajaran(Learning Rate). Nilai parameter ini berada dalam jangkauan 0 sampai 1. Semakin besar nilainya, semakin cepat selesai proses pelatihannya, namun semakin lebih mudah terjebak pada daerah local optima. Umunya nilai yang digunakan adalah 0.1 sampai 0.3. c. Momentum Penambahan momentum bertujuan untuk membantu mempercepat proses pencapaian error. Nilai momentum yang dipakai adalah 0 sampai 1, yang sering digunakan adalah 0.9. d. Jumlah Iterasi/ Epoch Jika kriteria error hanya menggunakan SSE (Sun of Square Error) atau MSE (Mean Square Error) menjadi tidak linear untuk bisa mencapai kriterianya. Apabila jumlah maksimal telah tercapai, meski target error belum tercapai, maka proses pelatihan akan tetap dihentikan. e. Target Error Target error merupakan akumulasi selisih nilai antara nilai keluaran yang diharapkan dengan nilai keluaran yang didapatkan. Umumnya menggunakan MSE atau SSE. Biasanya nilai yang digunakan adalah atau f. Jumlah Neuron dalam Layer Tersembunyi Untuk mendapatkan komposisi jumlah neuron dalam layer tersembunyi yang tepat biasanya menggunakan cara coba-coba (trial and trial) hingga mendapatkan hasil prediksi yang terbaik. 2.8 Arsitektur Backpropagation Backpropagation memiliki beberapa unit yang didalamnya terdapat satu atau lebih layar tersembunyi. Gambar 2.4 adalah arsitektur backpropagation dengan n buah masukan (ditambah sebuah bias), sebuah layar tersembunyi yang terdiri dari p unit (ditambah sebuah bias), serta m buah unit keluaran (Siang, 2005). a. Penentuan Bobot Awal. 1001

6 JUST TI Volume 8 Nomor 1, Januari 2016 : Matlab fungsi aktivasi ini disebut dengan Purelin. Gambar 2.4 Arsitektur Backpropagation (Siang, 2005) v j1 merupakan bobot garis dari unit masukan x i ke unit layar tersembunyi z p (v j0 merupakan bobot garis yang menghubungkan bias di unit masukan ke unit layar tersembunyi z j ). w kj merupakan bobot dari unit layar tersembunyi z j ke unit keluaran y k (w k0 merupakan bobot dari bias di layar tersembunyi ke unit keluaran y k ). 2.9 Fungsi Aktivasi Ada beberapa pilihan fungsi aktivasi yang digunakan didalam metode Backpropagation, seperti fungsi Sigmoid Biner, Sigmoid Bipolar, dan Tangen Hiperbolik. Karakteristik yang harus dimiliki oleh fungsi aktivasi adalah kontinyu, terdiferensial dengan mudah, dan merupakan fungsi yang tidak turun (Siang, 2005). Terdapat beberapa fungsi aktivasi yang sering digunakan dalam Jaringan Syaraf Tiruan Backpropagation, antara lain : 1. Fungsi Sigmoid Biner Digunakan untuk jaringan syaraf yang dilatih dengan menggunakan metode Backpropagation. Fungsi Sigmoid Biner memiliki nilai pada range (0, 1). Oleh karena itu fungsi aktivasi ini selalu digunakan pada jaringan syaraf yang membutuhkan nilai output atau memiliki nilai output yang terletak pada interval 0 sampai 1. Pada Matlab fungsi ini dikenal dengan nama Logsig 2. Fungsi Sigmoid Bipolar Fungsi Sigmoid Bipolar hampir sama dengan fungsi Sigmoid Biner, hanya saja output pada fungsi ini memiliki range (-1, 1). 3. Fungsi Linier Pada fungsi linier, nilai outputdari fungsi ini adalah sama dengan nilai masukannya. Pada 2.10 Pelatihan Backpropagation Pelatihan Backpropagation meliputi 3 fase (Siang, 2005) yaitu : a. Fase 1 : Propagasi Maju / Fase Maju Pola masukan dihitung maju dimulai dari layar masukan/input hingga layar keluaran dengan menggunakan fungsi aktivasi yang telah ditentukan. b. Fase 2 : Propagasi Balik / Fase Mundur Selisih atau perbedaan diantara keluaran yang dihasilkan oleh jaringan dengan target keluaran yang diinginkan merupakan kesalahan / error yang terjadi. Kesalahan tersebut selanjutnya dipropagasikan mundur, dimulai dari unit yang berhubungan langsung dengan unit-unit dilayar keluaran. c. Fase 3 : Perubahan bobot. Modifikasi bobot dilakukan untuk menurunkan kesalahan / error yang terjadi. Ketiga fase tersebut diulang terus menerus hingga kondisi penghentian dipenuhi (Siang, 2005). 3. Metodologi 3.1 Prosedur Penelitian Penelitian ini menggunakan Siklus Hidup Pengembangan Sistem ( System Development Live Cycle) yang terdiri atas beberapa tahapan yaitu : 1. Analisis Kebutuhan Pada tahapan ini analisis kebutuhan dilakukan untuk mengetahui informasi, model dan spesifikasi dari aplikasi yang akan dibangun. 2. Pembuatan Prototipe Pada tahapan ini dilakukan perancangan dan pembuatan prototipe sesuai dengan kebutuhan sistem. 3. Evaluasi Prototipe Pada tahapan ini evaluasi dilakukan terhadap prototipe dengan tujuan untuk mengetahui apakah prototipe yang telah dibuat tersebut telah sesuai atau tidak dengan kebutuhan sistem. 4. Pengembangan Perangkat Lunak Akhir Dari tahap perancangan nantinya akan dihasilkan sebuah blue print aplikasi untuk seleksi penerimaan calon mahasiswa baru. Proses pemgembangan sistem ini meliputi penggunaan bahasa program untuk pembuatan antarmuka, pendefenisian fungsi-fungsi 1002

7 Nyura, dkk, Perancangan Sistem Pendukung Keputusan Untuk Seleksi Penerimaan Calon Mahasiswa Baru Di Politeknik Negeri Samarinda maupun operasi-operasi, basis data. Dari tahap ini akan dilakukan pembuatan perangkat lunak yang telah sesuai dengan kebutuhan dan mengembangkan sampai menjadi sebuah sistem aplikasi 5. Pengujian Setelah aplikasi dibangun, nantinya aplikasi ini akan diuji untuk mengetahui bahwa sistem tersebut benar-benar telah sesuai dengan kebutuhan atau tidak. Beberapa metode pengujian yang umum digunakan adalah pengujian dengan menggunakan metode White Box atau Black Box 3.2 Analisis Kebutuhan Adapun kebutuhan pada perancangan aplikasi seleksi penerimaan calon mahasiswa baru yang akan dibangun adalah sebagai berikut : 1. Sistem diharapkan mampu membaca data calon mahasiswa baru yang sudah disimpan dalam file Microsoft Excel dengan format *.xlsx. 2. Perancangan aplikasi yang akan dibuat tersebut menggunakan 2 tahapan yaitu tahap pelatihan (training set) dan tahap pengujian (testing set). 3. Pencocokan pola masukan menggunakan algoritma backpropagation dengan menggunakan arsitektur Multilayer Backpropagation Neural Network 4. Selanjutnya dari hasil perancangan nantinya diharapkan akan menghasilkan aplikasi yang mampu mengklasifikasikan dengan benar status akhir calon mahasiswa baru kedalam 2 kelas yakni Lulus atau Tidak Lulus. 3.3 Analisis Model Jaringan Syaraf Tiruan Tahap analisis model jaringan syaraf tiruan dalam penelitian ini dibagi menjadi 4 (empat) bagian yaitu : 1. Penetapan Variabel Input Variabel input yang akan digunakan dalam melatih jaringan syaraf tiruan terdiri atas 6 variabel input yaitu Program Studi Polnes, Kabupaten/Kota, Asal Sekolah, Jurusan Sekolah, Nilai Rapor dan Rangking. 2. Penetapan Output Target Keluaran atau output yang diharapkan adalah sistem mampu mengklasifikasikan dengan baik calon mahasiswa baru tersebut kedalam 2 kelas yaitu Lulus dan Tidak Lulus. 3. Arsitektur Jaringan Pada penelitian ini, arsitektur jaringan yang digunakan adalah Multilayer Backpropagation Neural Network, tipe jaringan ini termasuk pada jenis arsitektur Jaringan Layar Jamak (Multiple Layer Network). Gambar arsitekturnya dapat dilihat pada Gambar 3.1. Feedforward Feedforward Backwardward Gambar 3.1 Arsitektur Jaringan Multilayer Backpropagation Neural Networks 4. Setting Parameter Pada Jaringan Berikut ini ditampilkan setting parameter yang akan digunakan didalam jaringan syaraf tiruan : a. Pada jaringan terdapat 1 buah input layer yang terdiri atas 6 buah neuron, 1 buah hidden layer dengan jumlah neuron pada hidden layer diperoleh dari melakukan beberapa kali percobaan (trial and trial), dan 1 buah output layer yang terdiri atas 2 neuron. b. Jenis pelatihan yang akan digunakan adalah Levenberg-Marquardt (trainlm). c. Jumlah Hidden Neuron yang akan digunakan berada pada range antara 1 sampai dengan 30 buah neuron. d. Maximum Epoch yang akan digunakan berada pada range antara 100 sampai dengan 1000 epoch. e. Learning Rate yang akan digunakan berada pada range 0.1 sampai dengan 0.3. f. Goal atau error tujuan yang akan dicapai adalah 10e-5. Formatted: Font: 8 pt Formatted: Centered Formatted: Font: 8 pt Formatted: Centered Formatted: Centered Formatted: Font: 8 pt 1003

8 JUST TI Volume 8 Nomor 1, Januari 2016 : g. Inisialisasi bobot diambil dari variabel input yang terkecil yaitu 1. h. Fungsi aktivasi yang akan digunakan adalah Tansig (Sigmoid Bipolar), Logsig (Sigmoid Biner) dan Purelin (Linier). 4. Hasil dan Pembahasan 4.1 Perancangan Sistem Interface Halaman Utama Interface Halaman Utama digunakan untuk menampilkan layout dari sistem yang terdiri atas Judul Program Aplikasi, Logo Polnes, serta tombol Pelatihan, tombol Pengujian dan tombol Validasi yang tampak pada gambar 4.1. Gambar 4.2 Interface Tahap Pelatihan Gambar 4.1 Interface Halaman Utama Tombol Pelatihan digunakan untuk melakukan proses pelatihan pada jaringan dengan memasukkan sejumlah data latih kedalam jaringan. Tujuan dari proses pelatihan ini agar jaringan memiliki kemampuan dalam klasifikasi terhadap data masukan yang telah tersimpan dalam file Microsoft Excel dengan format *.xlsx., sedangkan pada tombol Pengujian digunakan untuk melakukan proses pengujian dengan menggunakan sejumlah data uji (data testing) yang akan diuji secara keseluruhan menggunakan pola data dari hasil pelatihan yang terbaik, tujuannya untuk mengetahui apakah jaringan syaraf tiruan sudah sesuai dengan yang diharapkan atau tidak pada saat pelatihan. Selanjutnya tombol Validasi digunakan untuk melakukan proses validasi data, yang berfungsi untuk mengukur sampai sejauh mana kemampuan sistem yang telah dibangun melalui proses pelatihan Interface Tahap Pelatihan Ketika user menekan tombol Pelatihan maka tahapan selanjutnya adalah memasukkan data latih kedalam jaringan, seperti tampak pada gambar 4.2. Lokasi Data Latih merupakan merupakan Lokasi Data Latih merupakan perintah untuk mengarahkan folder menuju ke lokasi dimana data yang akan di-training tersimpan dalam format *.xlsx dan selanjutnya diolah sebagai data pelatihan (training data). Selanjutnya pada bagian Parameter JST terdapat parameter-parameter yang perlu dimasukkan nilainya antara lain Jumlah Hidden Neuron yang berfungsi untuk mengatur banyaknya lapisan tersembunyi yang diinginkan, Max. Epoch digunakan untuk mengatur banyaknya jumlah perulangan/iterasi yang diinginkan selama proses pelatihan, Learning Rate digunakan untuk mengatur konstanta laju pembelajaran, Goal merupakan batas akhir pengulangan atau tujuan akhir yang ingin dicapai saat data dilatih, Fungsi aktivasi dari layar input ke layer hidden dan Fungsi aktivasi dari layer hidden ke layer output diatur untuk menentukan keluaran suatu neuron. Fungsi aktivasi yang dapat digunakan yaitu Tansig (Fungsi Sigmoid Bipolar), Logsig (Fungsi Sigmoid Biner), Purelin (Fungsi Linear) Interface Tahap Pengujian Interface Tahap Pengujian merupakan suatu tahapan proses pencocokan pola data antara data hasil training dengan data yang akan diuji. Tujuan pengujian adalah untuk mengetahui akurasi dan laju kesalahan terhadap sistem yang sudah dilatih dan dioptimasi. Desain Pengujian Massal dapat dilihat pada Gambar 4.3. Tahap Pengujian berfungsi untuk mengukur kemampuan jaringan (memoralisasi) dalam mengenali / memanggil kembali secara sempurna pola data yang telah dibentuk pada saat proses 1004

9 Nyura, dkk, Perancangan Sistem Pendukung Keputusan Untuk Seleksi Penerimaan Calon Mahasiswa Baru Di Politeknik Negeri Samarinda pelatihan dan untuk menghasilkan respons yang dapat diterima terhadap pola-pola input yang serupa namun tidak sama dengan pola-pola data yang telah dipelajari sebelumnya, serta untuk menghasilkan keluaran/output yang paling mendekati dengan pola data yang telah dipelajari. Apabila hasil prediksi kelas dari data yang diuji sesuai dengan target yang telah ditentukan sebelumnya, maka dianggap sukses/benar dan dianggap akurat, jika tidak sesuai maka akan dihitung sebagai kesalahan (error), sehingga akan diperoleh laju error (error rate). Gambar 4.4 Interface Tahap Validasi Gambar 4.3 Interface Tahap Pengujian Interface Tahap Validasi Pada tahap validasi ini, data yang akan digunakan merupakan hasil prediksi dari proses pelatihan yang telah dilakukan sebelumnya dari sistem yang akan dibangun terhadap data calon mahasiswa baru yang dinyatakan diterima pada Politeknik Negeri Samarinda berdasarkan Surat Keputusan Direktur Politeknik Negeri Samarinda. Tujuan dari Pengujian Tunggal / validasi ini adalah untuk memastikan sistem yang telah dibangun tersebut layak dan telah sesuai dengan kebutuhan yang sudah diidentifikasikan sebelumnya. Setiap data yang diuji pada tahap ini merupakan data validasi. Interface tahap validasi dapat dilihat pada Gambar Kesimpulan Berdasarkan hasil perancangan yang dilakukan dapat disimpulkan bahwa Sistem Pendukung Keputusan yang akan dirancang terdiri atas 6 variabel input yaitu Program Studi Polnes, Kabupaten/Kota, Asal Sekolah, Jurusan Sekolah, Nilai Raport, dan Rangking. Sedangkan untuk keluaran yang akan dihasilkan terdiri atas 2 variabel output yaitu Lulus dan Tidak Lulus, serta penerapan metode Jaringan Syaraf Tiruan pada Sistem Pendukung Keputusan memiliki kemampuan dalam melakukan komputasi secara parallel dengan cara belajar dari pola-pola yang diajarkan berdasarkan dari pengalamannya selama mengikuti proses pembelajaran, sehingga diharapkan jaringan mampu menghasilkan jawaban sesuai dengan yang diinginkan. Daftar Pustaka Peraturan Menteri Pendidikan Nasional Republik Indonesia Nomor 34 Tahun 2010 Tentang Pola Penerimaan Mahasiswa Baru Program Sarjana Pada Perguruan Tinggi Yang Diselenggarakan Oleh Pemerintah. Prasetyo E., 2012, Data Mining Konsep dan Aplikasi Menggunakan MATLAB, Penerbit ANDI, Yogyakarta. Puspitaningrum D., 2006, Pengantar Jaringan Syaraf Tiruan, Penerbit ANDI, Yogyakarta. 1005

10 JUST TI Volume 8 Nomor 1, Januari 2016 : Siang J.J., 2005, Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan MATLAB, Penerbit ANDI, Yogyakarta. Widodo P. P., Handayanto R. T., dan Herlawati, 2013, Penerapan Data Mining Dengan Matlab, Penerbit Rekayasa Sains, Bandung. 1006