DATA MINING KEMAMPUAN SISWA BERBASIS NEURO FUZZY

SESINDO 2011-Jurusan Sistem Informasi ITS

DATA MINING KEMAMPUAN SISWA BERBASIS NEURO FUZZY Imron Rosyidi 1), Mochamad Hariadi 2), I Ketut Eddy Purnama 3) Teknik Elektro, FTI, ITS Kampus ITS Sukolilo, Surabaya 60111 Telp : (031) 599 4251-54, 594 7274, 594 7775, 594 5472 (Hunting), Fax : (031) 5943358 E-mail : [email protected]), [email protected]), [email protected])

Abstract Peningkatan kualitas pendidikan menjadi salah satu agenda penting bagi pemerintah. Sehubungan dengan peningkatan kualitas pendidikan, berbagai upaya telah dilakukan: peningkatan kualitas tenaga pengajar, melengkapi sarana dan prasarana pendidikan, peningkatan alokasi dana pendidikan serta pelaksanaan kegiatan evaluasi pendidikan yang berkesinambungan. Evaluasi hasil belajar oleh Pemerintah bertujuan untuk menilai pencapaian standart kompetensi lulusaan secara nasional, dilakukan dalam bentuk Ujian Nasional (UN). Namun ketidaklulusan siswa dalam UN selalu membawa dampak negatif terhadap siswa, orang tua, sekolah, Dinas Pendidikan dan stage holder pendidikan. Oleh karena itu perlu dilakukan data mining kemampuan siswa untuk memprediksi Nilai UN setiap siswa sebelum UN berlangsung. Berdasarkan hasil prediksi dapat dilakukan langkah-langkah strategis untuk meminimalisir ketidaklulusan siswa dalam UN. Penelitian ini di awali dengan pengumpulan data siswa SMK. Variabel input meliputi nilai raport tahun ajaran 2003/2004 sampai dengan 2008/2009. Variabel output nilai UN siswa tahun ajaran 2005/2006 sampai dengan 2010/2011. Data yang dipakai berjumlah 1.596 terbagi menjadi data training (60%), data testing (20% data training dan 20% data baru), dan data ceking (20% data baru). Proses komputasi mengunakan algoritma Neuro Fuzzy. Hasil prediksi diambil prediksi dengan akurasi paling tinggi dengan waktu komputasi paling pendek. Hasil penelitian berupa prediksi nilai UN per siswa untuk mata pelajaran Bahasa Indonesia dengan error 0.09, Matematika dengan error 0.084 dan Bahasa Inggris 0.1419 untuk siswa SMK. Keywords: data mining, prediksi, nilai UN, neuro fuzzy

1. PENDAHULUAN Kemampuan memprediksi secara akurat menjadi kebutuhan pada saat ini. Memprediksi keuangan perusahaan, kebangkrutan bank, cuaca, kegagalan proses produksi, ketinggian air bendungan, resiko kredit dan kelulusan siswa dalam Ujian Nasional (UN). Ketidaklulusan siswa dalam mengikuti UN menjadi permasalahan rutin tiap tahun oleh siswa, wali siswa, orang tua, penyelenggara pendidikan, dinas pendidikan, BNSP, LPMP dan Kemendiknas. Pada tahun 2010 ada sekitar 16.000 sekolah tingkat SMA dan Madrasah Aliyah. Sekolah dengan tingkat kelulusan UN sebesar 100% berjumlah 5.795 sekolah atau sekitar 35%. Sedangkan sekolah dengan tingkat kululusan UN 0% berjumlah 267 sekolah atau sekitar 1,62%. Kalau dibandingkan dengan tahun 2009, angka kelulusan UN tingkat SMA/MA tahun 2010 mengalami penurunan

sebesar 4 persen. Pada tahun 2009 angka kelulusan UN mencapai 93.74 %, sekarang menjadi 89,88 %. Jadi jumlah siswa yang mengulang UN mencapai 154.079 orang dari 1.522.162 peserta UN 2010. (http://bataviase.co.id/node/185720) Pada tahun 2011, untuk SMA adalah 99,22%. Meningkat dari tahun 2010 yaitu 89,93% pada ujian utama, dan 99,04% pada ujian ulang. Begitu juga dengan SMK mengalami kenaikan dari 99,20% pada tahun 2010, menjadi 99,51 %. Grafik Kelulusan Tingkat SLTA dapat di tunjukkan pada gambar 1 dan 2 Melihat angka ketidaklulusan UN di atas perlu diadakan upaya-upaya untuk memperkecil angka ketidaklulusan siswa dalam UN, yaitu dengan melakukan data mining kemampuan siswa. Data mining digunakan untuk mengubah data menjadi informasi, knowledge dan windom.

1


Data mining digunakan untuk memprediksi nilai UN setiap siswa sebelum UN berlangsung.

penambahan jam pembelajaran, mengerjakan UN dan try out.

latihan

2. UJIAN NASIONAL (UN) Ujian Nasional (UN) adalah kegiatan pengukuran dan penilaian kompetensi peserta didik secara nasional pada jenjang pendidikan menengah (SMA, SMK dan MA). Sedangkan Nilai UN (NUN) adalah nilai yang diperoleh oleh peserta didik dalam mengikuti UN. Gambar 1 Grafik Kelulusan UN Tingkat SMA

UN dilaksanakan oleh BNSP bekerja sama dengan instansi terkait di lingkungan pemerintah, pemerintah provinsi, pemerintah kabupaten/kota, perguruan tinggi dan satuan pendidikan. Mata pelajaran UN SMK meliputi Bahasa Indonesia, Bahasa Inggris, Matematika dan Teori Kejuruan (Kompetensi Kejuruan) (Peraturan Mentri Pendidikan Nasional Nomor 46 Tahun 2010) 3. NEURO FUZZY

Gambar 2 Grafik Kelulusan UN Tingkat SMK

Pada penelitian sebelumnya, data mining digunakan untuk memprediksi cuaca dan samudra (Hsieh and Tang 1998), keuangan berdasarkan waktu (Time Series) (Zemke: 2003), keberhasilan pembelajaran pada Universitas Terbuka (Xenos, 2004), harga saham (Lubis, 2005), minat konsumen asuransi terhadap produk asuransi dan angsuran premi terbaik sesuai kondisi nasabah (Kurniawan, 2007), resiko kredit (Sutikno, 2007), penjualan (Dewanto dkk, 2007), kebangkrutan bank (Zhang, 1997) (Kumar, 2007) (Chaudhuri, 2010). Sementara itu keakuratan prediksi dengan Neuro Fuzzy telah dibuktikan oleh Chang (2006) untuk memprediksi tinggi air bendungan, system perairan (Kermani, 2008), kemampuan akademik siswa (Taylan, 2009), kandungan tembaga dalam penambangan (Tahmaseb, 2010), konsumsi energi di perumahan (Ekici, 2011), beban Cetral Processing Unit (CPU) komputer (Beghdad bey, 2011), kegagalan proses produksi semen (Sadeghian, 2011) dan kemampuan system pendingin (Hosoz, 2011). Pada paper ini, Neuro Fuzzy digunakan untuk memprediksi nilai UN siswa. Jika berdasarkan hasil prediksi siswa tidak lulus dalam UN, dapat diambil langkah-langkah strategis untuk meminimalisir ketidak lulusan, misalnya dengan perubahan strategi pembelajaran, pengayaan,

Neuro Fuzzy adalah penggabungan mekanisme fuzzy inference system yang digambarkan dalam arsitektur jaringan syaraf. Sistem inferensi fuzzy yang digunakan adalah sistem inferensi fuzzy model Tagaki-Sugeno-Kang (TSK) orde satu dengan pertimbangan kesederhanaan dan kemudahan komputasi (Jang, 1997). Pada system logika fuzzy memiliki kemampuan lebih dalam menangani data pengetahuan lingkungan luar serta keupayaan dalam persepsi dan penalaran seperti otak manusia. Namun demikian system logika fuzzy tidak memiliki kemampuan untuk belajar dan beradaptasi. Sebaliknya pada system jaringan syaraf tiruan memiliki kemampuan untuk belajar dan beradaptasi namun tidak memiliki kemampuan penalaran seperti yanag dimiliki pada system logika fuzzy. Untuk mendapatkan sebuah kecerdasan yang memiliki kemampuan penalaran serta kemampuan pembelajaran berkembang Neuro Fuzzy. Neuro Fuzzy merupakan sekumpulan aturan dan suatu metode inferensi yang dikombinasikan dalam suatu struktur terhubung, kemudian dilakukan pelatihan dan adaptasi. (Kusumadewi, 2009) Integrasi antara sistem fuzzy dengan jaringan syaraf memiliki beberapa karakteristik, antara lain (Jang, 1977): (a) Mampu mengimplementasikan kepakaran manusia, (b) Model komputasi diinspirasikan secara biologis,

2


(c) Menggunakan komputasi numeris, (d) Mendukung domain untuk aplikasi-aplikasi baru, seperti pemrosesan sinyal secara adaptif, kendali adaptif, identifikasi sistem non-linear, regresi non-linear dan pencocokan pola, (e) Pembelajaran dilakukan dengan model yang tidak terikat (f) Proses komputasi dilakukan secara intensif, (g) Memiliki toleransi terhadap kegagalan, (h) Dapat digunakan untuk aplikasiaplikasi pada dunia nyata. Struktur dasar Neuro Fuzzy terdiri dari 3 prinsip, yaitu: (a) Aturan dasar, yang memilih aturan-aturan logika samar (b) Database, yang mendefinisikan fungsi keanggotaan yang digunakan dalam aturan-aturan logika samar, (c) Mekanisme reasoning, yang melaksanakan prosedur terhadap aturan logika samar dan fakta yang diberikan untuk menarik suatu kesimpulan. Kelebihan Neuro Fuzzy adalah (a) menggabungkan kelebihan antara jaringan syaraf seperti kemampuan pembelajaran serta beradaptasi dan kelebihan system logika fuzzy dalam system penalarannya (b) penentuan nilai parameter fuzzy yang optimal melalui fungsi pembelajaran yang terdapat dalam jaringan syaraf. 3.1 Struktur Neuro Fuzzy

Struktur Neuro Fuzzy yang menggambarkan sistem fuzzy TSK dapat digambarkan dalam diagram blok atau arsitektur jaringan syaraf seperti gambar 3.

tetap. Fungsi masing-masing layer adalah sebagai berikut: Layer 1 : Semua simpul pada lapisan ini adalah simpul adaptif (parameter dapat berubah) dengan fungsi simpul: 𝑂𝑂1,𝑖𝑖 = 𝜇𝜇𝐴𝐴𝐴𝐴 (𝑥𝑥), 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢 𝑖𝑖 = 1,2 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑂𝑂1,𝑖𝑖 = 𝜇𝜇𝐵𝐵𝐵𝐵−2 (𝑦𝑦), 𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢𝑢 𝑖𝑖 = 3,4

(1)

dengan x dan y adalah masukan pada simpul i, A i (atau B i-2 ) adalah fungsi keanggotaan masing-masing simpul. Simpul O 1,i berfungsi untuk menyatakan derajat keanggotaan tiap masukan terhadap himpunan fuzzy A dan B. Fungsi keanggotaan yang dipakai adalah jenis generalized bell (gbell). Parameter a, b, c, pada fungsi keanggotaan gbell dinamakan parameter premis yang adaptif dengan nilai maksimum 1 dan nilai minimum 0. Jika m i adalah nilai tengah fungsi keanggotaan gbell dan σ i adalah standart deviasi maka μ(x) dapat dihitung dengan persamaan: 𝛍𝛍(𝐱𝐱) =

𝟏𝟏

(2)

𝐱𝐱−𝐜𝐜𝐢𝐢 𝟐𝟐𝟐𝟐𝟐𝟐 𝟏𝟏+� � 𝐚𝐚𝐢𝐢

dengan a i , b i , dan c i adalah premis parameter (Ekici, 2009). Layer 2: Semua simpul pada lapisan ini adalah nonadaptif (parameter tetap). Fungsi simpul ini adalah mengalikan setiap sinyal masukan yang datang dengan persamaan sebagai berikut: 𝑶𝑶𝟐𝟐,𝒊𝒊 = 𝝎𝝎𝒊𝒊 = 𝝁𝝁𝑨𝑨𝑨𝑨 (𝒙𝒙). 𝝁𝝁𝑩𝑩𝑩𝑩 (𝒚𝒚), 𝒊𝒊 = 𝟏𝟏, 𝟐𝟐 (3)

Tiap keluaran simpul menyatakan derajat pengaktifan (firing strength) tiap aturan fuzzy. Fungsi ini dapat diperluas apabila bagian premis memiliki lebih dari dua himpunan fuzzy. Banyaknya simpul pada lapisan ini menunjukkan banyaknya aturan yang dibentuk. Fungsi perkalian yang digunakan adalah interpretasi kata hubung AND dengan menggunakan operator t-norm.

Gambar 3 Struktur Neuro Fuzzy

Pada gambar 2 terlihat sistem Neuro Fuzzy terdiri atas lima lapisan dengan fungsi yang berbeda untuk tiap lapisannya. Tiap lapisan terdiri atas beberapa simpul yang dilambangkan dengan kotak atau lingkaran. Lambang kotak menyatakan simpul adaptif artinya nilai parameternya bisa berubah dengan pembelajaran dan lambang lingkaran menyatakan simpul nonadaptif yang nilainya

Layer 3: Setiap simpul pada lapisan ini adalah simpul nonadaptif yang menampilkan fungsi derajat pengaktifan ternomalisasi (normalized firing strength) yaitu rasio keluaran simpul ke-i pada lapisan sebelumnya terhadap seluruh keluaran lapisan sebelumnya, dengan bentuk fungsi simpul: 𝑂𝑂3,1 = 𝜔𝜔 �𝑖𝑖 =

𝜔𝜔 𝑖𝑖

𝜔𝜔 1 +𝜔𝜔 2

, 𝑖𝑖 = 1,2

(4)

3


Apabila dibentuk lebih dari dua aturan, fungsi dapat diperluas dengan membagi ωi dengan jumlah total ω untuk semua aturan. Layer 4: Setiap simpul pada lapisan ini adalah simpul adaptif dengan fungsi simpul: �𝑖𝑖 𝑓𝑓𝑖𝑖 (𝑝𝑝𝑖𝑖 𝑥𝑥 + 𝑞𝑞𝑖𝑖 𝑦𝑦 + 𝑟𝑟𝑖𝑖 ) 𝑂𝑂4,𝑖𝑖 = 𝜔𝜔

(5)

Pada arah mundur, parameter konsekuen dibuat tetap. Kesalahan yang terjadi antara keluaran jaringan adaptif dan keluaran sebenarnya dipropagasikan balik dengan menggunakan gradient descent untuk memperbaiki parameter premis. Pembelajaran ini dikenal backpropagation-error.

Dengan ω adalah derajat pengaktifan ternormalisasi dari lapisan 3 dan parameter p, q, r menyatakan parameter konsekuen yang adaptif. f i dan f 2 adalah if–then rule dengan persamaan sebagai berikut:

Satu tahap arah pembelajaran maju-mundur dinamakan satu epoch. Tabel 1 menerangkan proses pembelajaran hybrid Neuro Fuzzy.

𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅 1: 𝑖𝑖𝑖𝑖 𝑥𝑥 𝑖𝑖𝑖𝑖 𝐴𝐴1 𝑎𝑎𝑎𝑎𝑎𝑎 𝑦𝑦 𝑖𝑖𝑖𝑖 𝐵𝐵1 𝑡𝑡ℎ𝑒𝑒𝑒𝑒 𝑓𝑓1 = 𝑝𝑝1 𝑥𝑥 + 𝑞𝑞1 𝑦𝑦 + 𝑟𝑟1 𝑅𝑅𝑅𝑅𝑅𝑅𝑅𝑅 2: 𝑖𝑖𝑖𝑖 𝑥𝑥 𝑖𝑖𝑖𝑖 𝐴𝐴2 𝑎𝑎𝑎𝑎𝑎𝑎 𝑦𝑦 𝑖𝑖𝑖𝑖 𝐵𝐵2 𝑡𝑡ℎ𝑒𝑒𝑒𝑒 𝑓𝑓2 = 𝑝𝑝2 𝑥𝑥 + 𝑞𝑞2 𝑦𝑦 + 𝑟𝑟2

Parameter premis Parameter konsekuen Sinyal

(6)

Layer 5: Pada lapisan ini hanya ada satu simpul tetap yang fungsinya untuk menjumlahkan semua masukan. Fungsi simpul adalah sebagai berikut: 𝑂𝑂5,𝑖𝑖 = ∑𝑖𝑖 ��𝑓𝑓 𝜔𝜔𝑖𝑖 𝑖𝑖 =

∑𝑖𝑖 𝜔𝜔 𝑖𝑖 𝑓𝑓 𝑖𝑖 ∑𝑖𝑖 𝜔𝜔 𝑖𝑖

(7)

Hasil akhir Neuro Fuzzy di tuliskan dengan persamaan sebagai berikut: 𝑓𝑓𝑜𝑜𝑜𝑜𝑜𝑜 = 𝜔𝜔 �1 𝑓𝑓1 + 𝜔𝜔 �2 𝑓𝑓2 𝜔𝜔 1 𝜔𝜔 2 = 𝑓𝑓1 + 𝑓𝑓2 𝜔𝜔 1 +𝜔𝜔 2

𝜔𝜔 1 +𝜔𝜔 2

= (𝜔𝜔 �1 𝑥𝑥)𝑝𝑝1 + (𝜔𝜔 �1 𝑦𝑦)𝑞𝑞1 + (𝜔𝜔 �1 )𝑟𝑟1 + (𝜔𝜔 �2 𝑦𝑦)𝑞𝑞2 + (𝜔𝜔 �2 )𝑟𝑟2 �2 𝑥𝑥)𝑝𝑝2 + (𝜔𝜔

(8)

3.2 Pembelajaran Pada Neuro Fuzzy

Pada struktur Neuro Fuzzy (gambar 3), simpul adaptif terdapat pada lapisan pertama dan keempat. Simpul pada lapisan pertama mengandung parameter premis nonlinier, sedangkan pada lapisan keempat mengandung parameter konsekuen linier. Untuk memperbaharui parameter-parameter tersebut dilakukan proses pembelajaran dengan algoritma pembelajaran hybrid. Pembelajaran hybrid terdiri atas dua bagian yaitu arah maju (forward pass) dan arah mundur (backward pass). Pada arah maju, parameter premis dibuat tetap dengan menggunakan metode Recursive Least Square Estimator (RLSE). Pada RLSE parameter konsekuen diperbaiki berdasarkan pasangan data masukan-keluaran. Kemudian setelah parameter konsekuen didapatkan, data masukan dilewatkan jaringan adaptif kembali dan hasil keluaran jaringan adaptif ini dibandingkan dengan keluaran yang sebenarnya.

Tabel 1 Proses pembelajaran hybrid

Arah Maju Tetap RLSE

Arah Mundur Gradient descent Tetap

Keluaran simpul

Laju kesalahan

4. METODOLOGI PENELITIAN Subyek penelitian siswa SMK Negeri 1 Tuban untuk memprediksi nilai UN dengan pendekatan Neuro Fuzzy. Data yang digunakan sebagai dasar prediksi adalah data historis raport siswa tahun ajaran 2003/2004 sampai dengan 2008/2009 dan nilai UN tahun ajaran 2005/2006 sampai dengan 2010/2011 untuk mata pelajaran Bahasa Indonesia, Matematika dan Bahasa Inggris. Variabel yang digunakan pada penelitian terdiri dari 6 variabel input dan 1 variabel target, yaitu: X1 = nilai raport semester 1, X2 = nilai raport semester 2, X3 = nilai raport semester 3, X4 = nilai raport semester 4, X5 = nilai raport semester 5, X6 = nilai raport semester 6 dan Y= nilai UN Untuk mengetahui korelasi variabel input dan variabel target dilakukan uji korelasi dengan tingkat kepercayaan 95%. Korelasi masingmasing variabel ditunjukkan table 2. Tabel 2 Korelasi Antar Variabel X Input

Y (Target)

X1 X2 X3 X4 X5 X6

Corellation 0.91, Sig 0.00, N 1596 Corellation 0.093, Sig 0.00, N 1596 Corellation 0.049, Sig 0.059, N 1596 Corellation 0.086, Sig 0.001, N 1596 Corellation 0.071, Sig 0.005, N 1596 Corellation -0.072, Sig 0.004, N 1596

Jumlah data yang dipakai 1.596. Kemudian dilakukan proses data cleaning untuk menghilangkan error atau noise data dengan persamaan: 𝛽𝛽𝑚𝑚𝑚𝑚𝑚𝑚 = 2.5 𝜎𝜎 + 𝑥𝑥 ̅ 𝛽𝛽𝑚𝑚𝑚𝑚𝑚𝑚 = 𝑥𝑥̅ − 2.5 𝜎𝜎

(9) (10)

4

SESINDO 2011-Jurusan Sistem Informasi ITS Dimana 𝛽𝛽𝑚𝑚𝑚𝑚𝑚𝑚 data outlier tertinggi, 𝛽𝛽𝑚𝑚𝑚𝑚𝑚𝑚 data outlier terendah, 𝜎𝜎 standart devisi dan 𝑥𝑥 ̅ nilai rata-rata Data tersebut kemudian di lakukan normalisasi dengan persamaan (Santosa, 2007): 𝑥𝑥� =

𝑥𝑥 − 𝑥𝑥̅ 𝜎𝜎𝑥𝑥

(11)

Dimana 𝑥𝑥� vektor hasil normalisasi, 𝑥𝑥 adalah vektor kolom, 𝑥𝑥̅ rata-rata dari kolom yang bersangkutan dan 𝜎𝜎𝑥𝑥 standar deviasi. Agar nilainya berada diantara 0 dan 1 dilakukan skaling dengan persamaan (Santosa, 2007):

𝑥𝑥� =

𝑥𝑥 − 𝑥𝑥𝑚𝑚𝑚𝑚𝑚𝑚 (𝐵𝐵𝐵𝐵 − 𝐵𝐵𝐵𝐵) + 𝐵𝐵𝐵𝐵 𝑥𝑥𝑚𝑚𝑚𝑚𝑚𝑚 − 𝑥𝑥𝑚𝑚𝑚𝑚𝑚𝑚

(12)

dengan 𝑥𝑥� vektor hasil skaling, 𝑥𝑥 vektor kolom, 𝑥𝑥𝑚𝑚𝑚𝑚𝑚𝑚 nilai terendah, 𝑥𝑥𝑚𝑚𝑚𝑚𝑚𝑚 nilai tertinggi, BA batas atas dan BB batas bawah. Pengolahan data menggunakan tool anfisedit pada matlab 2009. Fungsi keanggotaan dipilih gbellmf dan number of MFs = 4. Untuk outputnya MF type = constant, metode hybrid dan epoch = 50. Data training sebanyak 60%, data testing sebanyak 40% yang terdiri dari 20% data training dan 20% data baru, dan data ceking sebanyak 20% data baru selain training dan testing. Rata-rata error yang dihasilkan pada saat training, testing dan ceking untuk matapelajaran Bahasa Indonesia, Matematika dan Bahasa Inggris ditunjukkan pada tabel 3 dan tabel 4. Tabel 3. Rata-rata error pada Anfis

Training Testing Ceking

Bhs. Indonesia 6.28x10-6 0.39409 0.57097

Matematika 3.96x10-6 0.42009 0.64163

Bhs. Inggris 2.2x10-5 0.44489 0.67332

Tabel 4. Rata-rata error hasil prediksi

Training Testing Ceking

Bhs. Indonesia 9.95x10-7 0.06244 0.09047

Matematika 5.16x10-7 0.0548 0.0837

Bhs. Inggris 4.6x10-6 0.0936 0.1419

5. ANALISA HASIL Error adalah selisih antara nilai sesungguhnya dengan nilai hasil perhitungan komputer. Dari tabel 3 dapat dilihat ceking menghasilkan error

paling tinggi, kemudian testing dan training. Hal ini disebabkan karena pada proses ceking Neuro Fuzzy diuji untuk memprediksi data baru yang belum pernah dipakai pada saat training, pada testing Neuro Fuzzy diuji untuk memprediksi data 50% data training dan 50% data baru sehingga errornya lebih rendah. Sedangkan pada training, Neuro Fuzzy diuji utuk memprediksi 100% data training sehingga menghasilkan error paling rendah. Karena data yang dipakai sudah dikenali sebelumnya pada saat proses training. Pada tabel 3 ditunjukkan error pada saat data sedang normalisasi dan skaling yang ditampilkan oleh Anfis Matlab. Jika di kembalikan pada nilai semula maka nilai error ditampilkan pada tabel 4. Diantara Bahasa Indonesia, Matematika dan Bahasa Inggris, Bahasa Inggris mempunyai nilai error tertinggi yaitu 0.1419, kemudian Bahasa Indonesia 0.09047 dan Matematika 0.0837. Penyebab error antara lain: (a) standar pemberian nilai yang berbeda antara guru yang satu dengan lainnya, (b) perubahan kurikulum, (c) tingkat kesulitan UN yang berbeda, (d) kondisi siswa yang berbeda-beda saat UN, dan (e) kecurangan-kecurangan pada UN. 6. KESIMPULAN Dari pembahasan di atas dapat disimpulkan (a) Neuro Fuzzy memiliki kemampuan prediksi yang baik karena Neuro Fuzzy mampu menggabungkan kelebihan antara jaringan syaraf seperti kemampuan pembelajaran serta beradaptasi dan kelebihan system logika fuzzy dalam system penalarannya (b) Error ceking data terbesar di Bahasa Inggris dan terkecil di Matematika. (c) Semakin besar siswa menjawab dengan menebak jawaban, maka semakin besar error prediksinya. 7. DAFTAR PUSTAKA Beghdad bey, Kadda. 2011. CPU load prediction using neuro-fuzzy and Bayesian inferences. Neurocomputing 74 (2011) 1606– 1616 Chang, Fi-John. 2006. Adaptive neuro-fuzzy inference system for prediction of water level in reservoir. Advances in Water Resources 29 (2006) 1–10 Chaudhuria, Arindam dkk. 2011. Fuzzy Support Vector Machine for bankruptcy prediction. Applied Soft Computing 11 (2011) 2472–2486 Dewanto Prediksi

R.A., Aradea, Devi Febrianty. Penjualan dengan NeuroFuzzy.

5


Seminar Nasional Aplikasi Teknologi Informasi 2007 (SNATI 2007) ISSN: 1907-5022 Yogyakarta, 16 Juni 2007 Ekici, Betul Bektas. 2011. Prediction of building energy needs in early stage of design by using ANFIS. Expert Systems with Applications 38 (2011) 5352–5358 Hosoz, M. 2011. An adaptive neuro-fuzzy inference system model for predicting the performance of a refrigeration system with a cooling tower. Expert Systems with Applications 38 (2011) 14148–14155 Hsieh, William W dkk. 1998. Applying Neural Network Models to Prediction and Data Analysis in Meteorology and Oceanography. Bulletin of the American Meteorological Society Vol. 79, No. 9, September 1998 Pelita Pendidikan. Angka Kelulusan UN 2010 Turun 4 Persen. Available at: http://bataviase.co.id/node /185720 [Accessed 10 Juli 2011] Jang, JSR, Sun, CT, dan Mizutani, E. 1997. Neuro Fuzzy and Soft Computing. London. Prentice-Hall. Kermani, Mohammad Zounemat. 2011. Using adaptive neuro-fuzzy inference system for hydrological time series prediction. Applied Soft Computing 8 (2008) 928–936 Kumar, P. Ravi. 2007. Bankruptcy prediction in banks and firms via statistical and intelligent Operational Research 180 (2007) 1–28 Kusumadewi, Sri. 2010. Neuro-Fuzzy, Integrasi Sistem Fuzzy & Jaringan Syaraf. Graha Ilmu. Yogyakarta. Kurniawan, Sandy, dkk. 2007. Penerapan Data Mining dengan Metode Interpolasi untuk Memprediksi Minat Konsumen Asuransi (Studi Kasus Asuransi Metlife), Media Informatika Vol.5 No.2 Desember 2007, 113-128 ISSN: 0854-4743 Lubis, Chairisni dkk. 2005. Prediksi Harga Saham Dengan algoritma Hybrid Neural Network. Seminar Nasional Aplikasi Teknologi Informasi 2005 (SNATI 2005) ISBN: 979-756061-6 Yogyakarta, 18 Juni 2005 Peraturan Menteri Pendidikan Nasional No. 46. 2010. Pelaksanaan Ujian Sekolah/Madrasah dan Ujian Nasional pada Sekolah Menengah

Pertama/Madrasah Tsanawiyah, Sekolah Menengah Pertama Luar Biasa, Sekolah Menengah Atas/Madrasah Aliyah, Sekolah Menengah Atas Luar Biasa, dan Sekolah Menengah Kejuruan Tahun Pelajaran 2010/2011. Jakarta. Sadeghian, Masoud. 2011. Identification, prediction and detection of the process fault in a cement rotary kiln by locally linear neuro-fuzzy technique. Journal of Process Control 21 (2011) 302–308 Santosa, Budi. 2007. Data Mining Terapan dengan Matlab. Yogyakarta. Graha Ilmu. Sutikno , Tole dkk. 2007. Prediksi Resiko Kredit dengan Jaringan Syaraf Tiruan Backpropagation. Seminar Nasional Aplikasi Teknologi Informasi 2007 (SNATI 2007) ISSN: 1907-5022 Yogyakarta, 16 Juni 2007 Taylan, Osman. 2009. An adaptive neuro-fuzzy model for prediction of student’s academic performance. Computers & Industrial Engineering 57 (2009) 732–741 Tahmasebi, Pejman dkk. 2010. Application of Adaptive Neuro-Fuzzy Inference System for Grade Estimation; Case Study, Sarcheshmeh Porphyry Copper Deposit, Kerman, Iran. Australian Journal of Basic and Applied Sciences, 4(3): 408-420, 2010 Xenos, Michalis.2004. Prediction and assessment of student behaviour in open and distance education in computers using Bayesian networks. Computers & Education 43 (2004) 345–359 Zemke, Stefan. 1999. Nonlinear Index Prediction.International Workshop on Econophysics and Statistical Finance, 1998. Physica A 269 (1999) Zemke, Stefan. 2003. Data Mining for Prediction.Financial Series Case. Doctoral Thesis, The Royal Institute of Technology, Sweden ISBN 91-7283-613-X Zhang, Guoqiang dkk.1999. Theory and Methodology Artificial neural networks in bankruptcy prediction:General framework and cross-validation analysis. European Journal of Operational Research 116 (1999) 16±

6

DATA MINING KEMAMPUAN SISWA BERBASIS NEURO FUZZY

Recommend Documents