17
2. TINJAUAN PUSTAKA
2.1
Evaluasi Keberhasilan Studi Evaluasi keberhasilan studi mahasiswa dapat ditempuh dengan beberapa
tahapan, yaitu evaluasi keberhasilan belajar matakuliah, evaluasi keberhasilan studi di setiap semester dan evaluasi studi di akhir tahun ajaran (Universitas Negeri Gorontalo 2009). Evaluasi keberhasilan belajar matakuliah adalah penilaian terhadap hasil belajar mahasiswa dalam suatu matakuliah, yang dilakukan secara menyeluruh dan berkesinambungan dalam satu semester dengan cara yang sesuai dengan karakteristik matakuliah yang bersangkutan. Evaluasi keberhasilan belajar matakuliah ini dinyatakan dalam bentuk Nilai Akhir (NA) yang dikonversi menjadi Huruf Mutu (HM) dan Angka Mutu (AM) dan dilakukan dengan Penilaian Acuan Patokan (PAP), dengan kriteria seperti pada Tabel 1. Tabel 1 Penilaian Acuan Patokan (PAP) Nilai Akhir (NA) 80 – 100 70 – 79 60 – 69 50 – 59 < 49
Huruf Mutu (HM) A B C D E
Angka Mutu (AM) 4 3 2 1 0
Evaluasi keberhasilan studi dimaksudkan untuk menilai keberhasilan studi seorang mahasiswa yang dapat digambarkan dengan koefisien Indeks Prestasi (IP). Evaluasi ini dilakukan setiap semester yang ditunjukkan dengan Indeks Prestasi Semester (IPS) dan akhir studi yang ditunjukkan dengan Indeks Prestasi Kumulatif (IPK). IPK merupakan angka yang menujukkan keberhasilan mahasiswa secara kumulatif mulai dari semester pertama sampai dengan semester yang paling akhir ditempuh, yang juga dapat digunakan untuk menentukan beban studi semester berikutnya, dihitung dengan rumus sebagai berikut : IPK =
Jumlah (AM x bobot SKS) Jumlah SKS
dengan AM adalah Angka Mutu SKS adalah Satuan Kredit Semester
(1)
8
2.2
Kurikulum Program Studi Manajemen Informatika Kurikulum Pendidikan Tinggi adalah seperangkat rencana dan pengaturan
mengenai isi maupun bahan kajian dan pelajaran serta penyampaian dan penilaiannya yang digunakan sebagai pedoman penyelenggaraan kegiatan belajarmengajar di Perguruan Tinggi (Universitas Negeri Gorontalo 2009). Berikut adalah Kurikulum Program Studi D3 Manajemen Informatika Universitas Negeri Gorontalo. Tabel 2 Kurikulum D3 Manajemen Informatika NO KODE SEMESTER I 1 5313-1-011-3 2 5313-1-021-2 3 5313-3-061-2 4 5313-2-071-3 5 5313-2-081-3 6 5313-2-091-2 7 5313-3-021-3 8 5313-3-041-3 Jumlah SKS SEMESTER II 1 5313-1-042-2 2 5313-2-062-2 3 5313-2-012-2 4 5313-2-022-2 5 5313-3-162-3 6 5313-3-072-3 7 5313-3-012-2 8 5313-3-112-3 Jumlah SKS SEMESTER III 1 5313-4-013-2 2 5313-2-033-2 3 5313-2-044-3 4 5313-2-113-4 5 5313-3-173-2 6 5313-3-033-2 7 5313-3-083-3 8 5313-4-043-2 Jumlah SKS SEMESTER IV 1 5313-3-104-2 2 5313-3-143-3 3 5313-5-014-2 4 5313-3-094-3 5 5313-3-194-3 6 5313-3-124-3 7 5313-1-032-3 8 5313-4-034-2 Jumlah SKS
MATA KULIAH
SKS
Pendidikan Agama Bahasa Indonesia Pemrograman 1 (Pascal Dasar) Sistem Operasi Matematika Pengantar Sistem Komputer Paket Program Aplikasi Algoritma dan Struktur Data
3 2 2 3 3 3 3 3 22
Bahasa Inggris Konsep Sistem Informasi Dasar Manajemen dan Bisnis Aljabar Vektor & Matriks Pengantar Instalasi Komputer Pemrograman 2 (Pascal Lanjutan) Pengantar Teknologi Informasi Desain Grafis
2 2 2 2 3 3 2 3 19
Etika Profesi Statistika Analisis & Desain Sistem Informasi Sistem Basis Data (MS Access) Instalasi Jaringan Komputer Pengantar Jaringan Komputer Pemrograman 3 (Delphi) Organisasi dan Perilaku
2 2 3 4 2 2 3 2 20
Pengolahan Data Statistik Pemrograman Web 1 Kewirausahaan Perancangan Basis Data (MySQL) Aplikasi Desain Grafis (Macromedia) Pemrograman Visual 1 (VB) Pancasila & Kewarganegaraan Pengetahuan Lingkungan
2 3 2 3 3 3 2 3 21
9
Tabel 2 Kurikulum D3 Manajemen Informatika (Lanjutan) NO KODE SEMESTER V 1 5313-2-045-3 2 5313-2-135-2 3 5313-3-135-3 4 5313-3-185-4 5 5313-3-155-3 6 5313-4-025-2 7 5313-3-205-3 8 5313-2-145-2 Jumlah SKS SEMESTER VI 1 5313-5-026-3 2 5313-5-036-4 Jumlah SKS Total SKS
2.3
MATA KULIAH
SKS
Sistem Informasi Manajemen Metodologi Riset Proyek Sistem Informasi Pemrograman Web 2 (PHP/MySQL) Analisis dan Desain Berorientasi Objek Komputer dan Masyarakat Pemrograman Visual 2 (VFP) Kapita Selekta Komputer
3 2 3 4 3 2 3 2 22
Magang Tugas Akhir
3 4 7 110
Praproses Data Sebelum menggunakan data dengan teknik JST perlu dilakukan praproses
terhadap data. Hal ini dilakukan untuk mendapatkan hasil analisis yang lebih akurat dalam pemakaian teknik JST. Dalam beberapa hal, praproses bisa membuat nilai data menjadi kecil tanpa merubah informasi yang dikandungnya. Beberapa cara antara lain adalah transformasi/normalisasi data, yaitu prosedur mengubah data sehingga berada dalam skala tertentu. Skala ini bisa antara (0,1), (-1,1) atau skala lain yang dikehendaki. Beberapa metode yang umum dipakai untuk transformasi data, yaitu : a)
Min-Max Min-max merupakan metode normalisai dengan melakukan transformasi
linier terhadap data asli. Metode ini akan menormalisasi input dan target sedemikian rupa sehingga hasil normalisasi akan berada pada interval -1 dan 1. Pn=2*(p-minp)/(maxp-minp)-1
(2)
dengan p adalah nilai dari sebelum transformasi, pn adalah nilai hasil transormasi, minp dan maxp adalah nilai minimum dan maksimum dari p. b)
Unary Encoding Unary
Encoding
merupakan
metode
transformasi
data
dengan
mempresentasikan data dengan kombinasi angka 1 dan 0 (numerical binary variable). Metode ini digunakan untuk mentransformasi data kategorikal. Secara prinsip, data kategori dapat ditransformasi ke dalam bilangan numerik, dimana
10
suatu bilangan numerik mewakili nilai suatu kategori. Atribut kategori yang demikian disebut dengan “dummy variable” (Kantardzic 2003). Misalnya „10‟ untuk kategori „melebih masa studi‟ dan „01‟ untuk kategori „tepat waktu‟ dan untuk data tingkat kelulusan mahasiswa dengan target lama studi.
2.4
Jaringan Saraf Tiruan (JST) Jaringan Saraf Tiruan (JST) atau sering disebut dengan Neural Network
(NN), merupakan salah satu teknik klasifikasi yang cukup handal. JST merupakan jaringan dari sekelompok unit
pemroses kecil yang dimodelkan berdasarkan
jaringan saraf manusia. Jaringan Saraf Tiruan (JST) adalah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah buatan digunakan karena jaringan saraf ini diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran (Fausett 1994). Dalam syaraf biologis, setiap sel saraf (neuron) akan memiliki satu inti sel yang bertugas untuk melakukan pemrosesan informasi yang akan diterima oleh dendrit. Selain menerima informasi, dendrit juga menyertai axon sebagai keluaran dari suatu pemrosesan informasi. Informasi hasil olahan ini menjadi masukan bagi neuron lain. jika memenuhi batas tertentu, yang sering dikenal dengan nama nilai ambang (threshold) yang dikatakan teraktivasi. Seperti halnya otak manusia, JST juga terdiri dari beberapa neuron yang berhubungan
untuk
mentransformasikan
informasi
yang
terima
melalui
sambungan keluarnya. Hubungan ini dikenal dengan nama bobot. Informasi tersebut disimpan pada suatu nilai tertentu pada bobot tersebut. Informasi (input) kan dikirim ke neuron dengan bobot kedatangan. Input ini akan diproses oleh suatu fungsi perambatan yang akan menjumlahkan nilai-nilai semua bobot yang datang. Hasil penjumlahan ini kemudian akan dibandingkan dengan niai suatu ambang (threshold) tertentu melalui fungsi aktivasi setiap neuron (Gambar 5). Apabila input tersebut melewati suatu nilai ambang tertentu, maka neuron tersebut akan diaktifkan, tapi kalau tidak, maka neuron tersebut tidak akan diaktifkan. Apabila neuron tersebut diaktifkan makan neuron tersebut akan mengirimkan output melalui bobot-bobot outputnya ke semua neuron yang berhubungan
11
dengannya. Neuron-neuron akan dikumpulkan dalam lapisan-lapisan (layer) yang disebut dengan lapisan neuron (nuron layer) yang saling berhubungan. Infomasi akan dirambatkan mulai dari lapisan input sampai ke lapisan output melalui lapisan lainnya yang sering dikenal dengan lapisan tersembunyi (hidden layer), dan perambatannya tergantung algoritma pembelajarannya (Kusumadewi 2010).
Saraf Biologis
Saraf Tiruan
Gambar 5 Saraf Biologis dan Struktur Saraf Tiruan (Kusumadewi 2010) Arsitektur Jaringan Saraf Hubungan antar neuron dalam jaringan saraf mengikuti pola tertentu tergantung pada arsitektur jariangan sarafnya (Kusumadewi 2010). a. Jaringan dengan lapisan tunggal (single layer net) Jaringan dengan lapisan tunggal hanya memiliki satu lapisan dengan bobotbobot terhubung. Jaringan ini hanya menerima input kemudian secara langsung akan mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi. b. Jaringan dengan banyak lapisan (multilayer net) Jaringan dengan banyak lapisan memiliki satu atau lebih lapisan yang terletak diantara lapisan input dan lapisan output (memiliki satu atau lebih lapisan tersembunyi). Jaringan dengan banyak lapisan ini dapat menyelesaikan permasalahan yang lebih sulit daripada lapisan tunggal. c. Jaringan dengan lapisan kompetitif (competitive layer net)
12
Pada jaringan ini sekumpulan neuron bersaing untuk mendapatkan hak menjadi aktif.
Lapisan Tunggal
Banyak Lapisan
Gambar 6 Arsitektur Jaringan Saraf (Kusumadewi 2010) Algoritma Pembelajaran Salah satu bagian terpenting dari konsep JST adalah terjadinya proses pembelajaran. Tujuan utama dari proses pembelajaran adalah melakukan pengaturan terhadap bobot-bobot yang ada pada jaringan saraf, sehingga diperoleh bobot akhir yang tepat yang sesuai dengan pola data yang dilatih. Cara berlangsungnya
pembelajaran atau pelatihan JST dikelompokkan menjadi 3
(tiga), yaitu (Puspitaningrum 2006) : 1. Pembelajaran terawasi (supervised learning) Pada metode ini setiap pola yang diberikan ke dalam JST telah diketahui outputnya. Selisih antara pola output yang dihasilkan dengan ouput yang dikehendaki (output target) yang disebut error digunakan untuk mengoreksi bobot JST sehingga JST mampu menghasilkan output sedekat mungkin dengan pola target yang telah diketahui oleh JST. 2. Pembelajaran yang tak terawasi (unsupervised learning) Pada metode pembelajaran yang tak terawasi tidak memerlukan target ouput. Pada metode ini tidak ditentukan hasil yang seperti apakah yang diharapkan selama proses pembelajaran. Selama proses pembelajaran, nilai bobot
13
disusun dalam suatu range tertentu tergantung pada nilai input yang diberikan. Tujuan pembelajran ini adalah mengelompokkan unit-unit yang hampir sama dalam suatu area tertentu. Pembelajaran ini biasanya sangat cocok untuk pengeleompokkan (klasifikasi) pola. 3. Pembelajaran Hibrida (Hybrid Learning) Merupakan kombinasi dari metode pembelajaran supervised learning dan unsupervised learning. Sebagian dari bobot-bobotnya ditentukan melalui pembelajaran terawasi dan sebagian lainnya melalui pembelajaran tak terawasi.
Propagasi Balik (Backpropagation) Propagasi balik (backpropagation) adalah salah satu algoritma pembelajaran dalam teknik JST yang sering digunakan untuk pencocokan pola. Propagasi balik merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak lapisan (multilayer perceptron) untuk mengubah bobot-bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya. Algoritma propagasi balik menggunakan error output untuk mengubah nilai-nilai bobotnya dalam perambatan error output untuk mengubah nilai bobot-bobotnya dalam perambatan mundur (backward). Untuk mendapatkan error ini, tahap perambatan maju (forward propagation) harus dikerjakan terlebih dahulu (Puspitaningrum 2006).
Algoritma Pelatihan pada Propagasi Balik Algoritma pelatihan pada propagasi balik dapat dibedakan menjadi 2 (dua) jenis berdasarkan kecepatan proses latihannya, yaitu : algoritma pelatihan sederhana dan algoritma pelatihan yang lebih cepat. Prinsip dasar dari algoritma propagasi balik sederhana adalah memperbaiki bobot-bobot jaringan dengan arah yang membuat fungsi kinerja menjadi turun dengan cepat, namun memiliki kelemahan yakni proses pelatihannya biasanya akan berjalan cukup lambat, sehingga diperbaiki dengan algortima pelatihan yang lebih cepat dengan 2 (dua) alternatif, yaitu : dengan menggunakan teknik heuristik dan dengan menggunakan teknis optimasi numeris (Kusumadewi 2004).
14
1. Perbaikan dengan Teknik Heuristik Teknik ini merupakan pengembangan dari suatu analisis kinerja pada algoritma steepest (gradient) descent standard. Ada 3 (tiga) algoritma dengan teknik ini, yakni : a.
Gradient descent dengan Adaptive Learning Rate Pada fungsi ini, selama proses pembelajaran, learning rate akan terus
bernilai konstan karena apabila learning rate terlalu tinggi maka algoritma menjadi tidak stabil dan jika terlalu rendah algritma akan sangat lama dalam mencapai kekonvergenan. b.
Gradient descent dengan Momentun dan Adaptive Learning Rate Fungsi ini akan memperbaiki bobot-bobot berdasarkan gradient descent
dengan learning rate yang bersifat adaptive seperti traingda tapi juga dengan menggunakan momentum c.
Resilent Backpropagation Algoritma pelatihan ini menggunakan fungsi aktivasi sigmoid yang
membawa input dengan range yang tak terbatas ke nilai output dengan range yang terbatas, yaitu antara 0 sampai 1. Algoritma ini berusaha mengeliminasi besarnya efek dari turunan parsial dengan cara hanya menggunakan turunannya saja dan mengabaikan besarnya nilai turunan. 2. Perbaikan dengan Teknik Optimasi Numeris Teknik ini terbagi menjadi 2 macam, yaitu : a. Algoritma Conjugate Gradient Pada algrotma ini pengaturan bobot tidak selalu dilakukan dalam arah turun seperti pada metode gradient descent, tapi menggunakan conjugate gradient dimana pengaturan bobot tidak selalu dengan arah menurun tapi disesuaikan dengan arah konjugasinya. Algoritma ini memanfaatkan fungsi line search untuk menempatkan sebuah titik minimum. Dari 4 (empat) algoritma Conjugate Gradient, tiga diantaranya melakukan proses line search secara terus menerus selama iterasi, yaitu : Fletcher-Reeves Update, Polak-Ribiere, dan Powell-Beale Restarts. Proses ini mamakan waktu yang cukup lama untuk jumlah data yang besar dan iterasi yang besar pula, sehingga algoritma keempat, yaitu algoritma scaled conjugate gradient mencoba memperbaiki hal kekurangan tersebut.
15
b. Algortima Quasi Newton Metode Newton merupakan salah satu alternatif conjugate gradient yang bisa mendapatkan nilai optimum lebih cepat. Metode Newton ini memang berjalan lebih cepat, namun metode ini sangat kompleks, memerlukan waktu dan memori yang cukup besar karena pada setiap iterasinya harus menghitung turunan kedua, perbaikan dari metode ini dikenal dengan nama metode Quasi-Newton atau metode Secant. Terdapat 2 (dua) alternatif algoritma dalam metode ini, yaitu : (1) Algortima one step secant yang menjembatani antara metode Quasi-Newton dengan Gradient Conjugate, dimana algoritma ini tidak menyimpan matriks Hessian secara lengkap dengan asumsi bahwa pada setiap iterasi matriks Hessian sebelumnya merupakan matriks identitas sehingga pencarian arah baru dapat dihitung tanpa harus menghitung invers matriks. (2) Algoritma Levenbarg-Marquardt Metode ini dirancang dengan menggunakan turunan kedua tanpa harus menghitung matriks Hessian, melainkan matriks Jacobian yang dapat dihitung dengan teknik propagasi balik standar yang tentu saja lebih sederhana dibanding dengan menghitung matriks Hessian.
Akurasi dan Generalisasi Gambar 7 menunjukkan akurasi dan generalisasi berkaitan dengan tingkat kompleksitas dari suatu jaringan saraf tiruan (JST). Peningkatan kompleksitas dari JST meningkatkan akurasi dari JST terhadap data pelatihan, tetapi peningkatan akurasi dan kompleksitas ini dapat menurunkan tingkat generalisasi JST pada data validasi dan data pengujian (Larose 2005).
Gambar 7 Akurasi dan Generalisasi (Larose 2005)
16
Analisa Sensitivitas Analisa sensitivitas bertujuan untuk melihat perubahan output dari model yang didapatkan jika dilakukan perubahan terhadap input dari model. Selain itu analisa ini berguna untuk mengetahui variabel mana yang lebih berpengaruh atau sensitif untuk mencapai output akurat dari model yang dikembangkan (Engelbrecht 2001). Untuk mengetahui sensitivitas dari S kip dimana JST yang digunakan memiliki 1 layer input Z = (z1,…,zi,….,zI), 1 layer tersembunyi Y = (y1,…,yj,…,yJ), dan 1 layer output O = (o1,…,ok,…,oK) dan data training adalah P=(p1,…,pp,…,pP) digunakan : J
S kip
ok'
wkj y 'j v ji
(3)
j 1
Untuk mendapatkan matrik sensitivitas dari semua data training terhadap output dapat digunakan :
S ki max
max{S kip }
(4)
p 1,...,P
Kemudian dilanjutkan dengan memghitung matrik sensitivitas dari input secara menyeluruh dapat digunakan : i
max{Ski } k 1,...,K
2.5
(5)
Review Riset yang Relevan Poh et al (1998) melakukan penelitian dengan menerapkan jaringan saraf
tiruan untuk analisa dan prediksi terhadap akibat dari iklan dan promosi. Penelitian ini juga menerapkan analisa sensitivitas. Salah satu kesimpulan dari penelitian ini yaitu JST dengan pembelajaran propagasi balik merupakan metode yang efisien untuk mempelajari hubungan antara input varibel dan output variabel. Sufandi (2007) melakukan penelitian untuk melakukan prediksi kemajuan belajar mahasiswa berbasis jaringan saraf tiruan ke dalam dua kelas yaitu selesai dan tidak selesai dengan melibatkan varibel input dengan tiga buah parameter, yaitu parameter individual (umur, jenis kelamin), parameter lingkungan (status pernikahan, status pekerjaan, beasiswa), dan parameter akademik (semester masuk, IP semester 1, sks semester 1, IP semester 2, IPS semester 2, IPK, SKS Kumulatif, semester tempuh, program studi dan jurusan asal). Salah satu
17
kesimpulan dari penelitian ini adalah JST propagasi balik baik digunakan untuk tujuan prediksi, dan analisa sensitivitas merupakan metode yang potensial untuk mereduksi kompleksitas JST dan meningkatkan tingkat generalisasi. Agung (2007) melakukan penelitian untuk mengklasifikasi mahasiswa STEKPI menggunakan Jaringan Saraf Tiruan dengan aloritma pembelajaran propagasi balik. Data input yang digunakan adalah Nilai Psikotest, sedangkan data target adalah Indeks Prestasi Kumulatif (IPK) yang dipresentasikan dalam bentuk data kategori, dimana kategori “mahasiwa yang berhasil” adalah mahasiswa yang di tahun pertamanya mempunyai IPK daru 2.75 sampai dengan 4, sedangkan “mahasiswa yang kurang berhasil” adalah mahasiwa yang mempunyai IPK dari 0 sampai dengan 2.75. Keakuratan model yang dihasilkan sebesar ±73%.
18
