i
JARINGAN SARAF TIRUAN UNTUK PREDIKSI TINGKAT KELULUSAN MAHASISWA DIPLOMA PROGRAM STUDI MANAJEMEN INFORMATIKA UNIVERSITAS NEGERI GORONTALO
LILLYAN HADJARATIE
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2011
ii
PERNYATAAN MENGENAI TESIS DAN SUMBER INFORMASI Dengan ini saya menyatakan bahwa tesis Jaringan Saraf Tiruan untuk Prediksi Tingkat Kelulusan Mahasiswa Diploma Program Studi Manajemen Informatika Universitas Negeri Gorontalo adalah karya saya dengan arahan dari komisi pembimbing dan belum diajukan dalam bentuk apapun kepada perguruan tinggi manapun. Sumber informasi yang berasal atau dikutip dari karya yang diterbitkan maupun yang tidak diterbitkan dari penulis lain telah disebutkan dalam teks dan dicantumkan dalam daftar pustaka di bagian akhir tesis ini.
Bogor,
Juli
2011
Lillyan Hadjaratie NRP G651060024
iii
ABSTRACT LILLYAN HADJARATIE. Artificial Neural Network on graduation rate prediction for Informatic Management diploma students of Gorontalo State University. Under direction of KUDANG BORO SEMINAR and AZIZ KUSTIYO. In this research is made a system of student graduation rate prediction using artificial neural network and back propagation method. Predicted graduation rate is length of study and grade point average. The Input variables is the value of 16 subjects in the first year program. Output variables are 2 categories for the length of study and 3 categories for grade point average. The aims of this research are to get the best parameters and architecture of artificial neural network, to predict student graduation rate and to measure the input variable sensitivity. To obtain a convergent learning outcomes, has done some trial and error with several variations the number of hidden node, learning rate and training function, to generate the high level of data. The result shows, graduation rate prediction using artificial naural network with back propagation method has good result, which 100.00% validation data generalization and 93.94% testing data generalization for lenght of study prediction model, and 96.67% validation data generalization and 100% testing data generalization for grade point average prediction model. The best parameters and architecture from the both of prediction models generated by training in second data group and levenbarg-marquardt training functions. Length of study prediction model, optimal on learning rate 0.1 and number of hidden node 10, and grade point average prediction models optimal on learning rate 0.05 and number of hidden node 15. The sensitivity analysis results that subject as input variables, which have the most impact is Aljabar Vector and Matriks. Keywords : artificial neural network, back propagation, parameter and neural architecture, sensitivity analysis, student graduation rate.
iv
RINGKASAN LILLYAN HADARATIE. Tesis Jaringan Saraf Tiruan untuk Prediksi Tingkat Kelulusan Mahasiswa Diploma Program Studi Manajemen Informatika Universitas Negeri Gorontalo. Dibimbing oleh KUDANG BORO SEMINAR dan AZIZ KUSTIYO. Tingkat kelulusan mahasiswa D3 Manajemen Informatika UNG sejak lulusan angkatan pertama tahun 2000 hingga dengan tahun 2007 menunjukkan persentase rata-rata jumah mahasiswa lulusan yang menyelesaikan studi tepat waktu yakni 3 (tiga) tahun hanya sebesar 14% dan sisanya sebesar 86% menyelesaikan studi dengan melewati batas studi yang ditetapkan. Begitupula dengan pencapaian IPK lulusan dari tahun 2000 hingga tahun 2007, lulusan dengan IPK > 3.00 hanya mencapai 42%, dan berdasarkan status predikat lulusan, persentase IPK lulusan di atas 3.50 (predikat terpuji) hanya sebesar 9%, persentase IPK kisaran 2.75 hingga 3.50 (predikat sangat memuaskan) sebesar 62%, selebihnya IPK di bawah 2.75 (predikat memuaskan) sebesar 29%. Sasaran mutu yang ditetapkan oleh universitas sebagai standar lama studi dan IPK adalah persentase lulusan tepat waktu (3 tahun) minimal 50%, pencapaian IPK lebih dari 3.00 minimal 65% dan lulusan dengan predikat terpuji memiliki persentase lebih besar dari lulusan dengan predikat memuaskan (Universitas Negeri Gorontalo, 2009). Data faktual yang telihat masih dibawah sasaran mutu yang ditetapkan. Kondisi tersebut mendorong program studi untuk terus melakukan evaluasi dan langkah strategis dalam upaya meningkatkan tingkat kelulusan mahasiswa agar sasaran mutu bisa tercapai. Evaluasi akhir semester dan akhir program yang merupakan evaluasi rutin program studi perlu ditingkatkan dengan dibuatnya sistem prediksi tingkat kelulusan pada tahun pertama penyelenggaraan proses perkuliahan. Dengan diketahuinya hasil prediksi tingkat kelulusan di tahun pertama program, dapat dijadikan informasi dan bahan pertimbangan program studi dalam pengambilan keputusan dan tindak lanjut sekiranya hasil prediksi masih jauh dari sasaran mutu yang telah ditetapkan. Tujuan penelitian ini untuk mendapatkan parameter dan arsitektur jaringan saraf tiruan yang terbaik, melakukan prediksi tingkat kelulusan mahasiswa dan mengetahui sensitivitas variabel masukan. Untuk mendapatkan hasil pembelajaran yang konvergen, dilakukan trial & error dengan beberapa variasi jumlah hiddennode, laju pembelajaran dan fungsi pelatihan untuk mendapatkan tingkat generalisasi yang tinggi. Pada penelitian ini dibuat sistem prediksi tingkat kelulusan mahasiswa dengan jaringan saraf tiruan (artificial neural network) metode propagasi balik (back propagation). Tingkat kelulusan yang diprediksi adalah lama studi dan indeks prestasi kumulatif (IPK). Variabel inputnya berupa nilai angka mutu dari 16 (enam belas) mata kuliah dari 2 (dua) semester pada tahun pertama program perkuliahan. Variabel outputnya berupa lama studi Indeks Prestasi Akademik (IPK). Data mahasiswa yang digunakan dalam penelitian ini adalah data mahasiswa D3 Manajemen Informatika UNG angkatan 2005 hingga 2010. Proses pembelajaran dan pengujian JST menggunakan data mahasiwa angkatan 2005, 2006 dan 2007 yang dibagi ke dalam 3 (tiga) komposisi data, yakni 70% data pelatihan, 15% data validasi dan 15% data testing. Prediksi tingkat kelulusan
v
menggunakan data mahasiswa angkatan 2008, 2009 dan 2010. Praproses data dilakukan untuk data target yang bersifat kategorikal, dengan menggunakan metode transformasi Unary Encoding, dimana data target dipresentasikan dengan kombinasi angka 0 dan 1 (numerical binary variable). Arsitektur JST yang digunakan adalah jumlah node input 16, jumlah node lapisan tersembunyi (hidden nodei) divariasikan pada nilai 5, 10 dan 15, serta jumlah node output 2 untuk kategori lama studi dan 3 untuk kategori IPK. Parameter yang akan diberikan pada proses pembelajaran antara lain adalah fungsi aktivasi, toleransi galat, jumlah epoch maksimal, variasi nilai laju pembelajaran (learning rate) dan variasi fungsi pelatihan (training function). Hasil penelitian menunjukkan bahwa Arsitektur JST dengan generalisasi terbaik dihasilkan oleh jaringan dengan jumlah input node 16, hidden node 10 dan output node 2 untuk model prediksi lama studi, serta hidden node 15 dan output node 3 untuk model prediksi indeks prestasi kumulatif. Parameter jaringan terbaik diperoleh dari percobaan menggunakan kelompok data kedua, dengan fungsi fungsi pelatihan levenberg-marquardt, dimana untuk model prediksi lama studi, percobaan dengan tingkat generalisasi data pengujian tertinggi, yakni 96.97% untuk data validasi dan 100.00% untuk data testing berada pada laju pembelajaran 0.1. Untuk model model prediksi indeks prestasi kumulatif, percobaan dengan tingkat generalisasi data pengujian tertinggi (100.00% untuk data validasi dan 93.94% untuk data testing) berada pada laju pembelajaran 0.05. Hasil prediksi tingkat kelulusan mahasiswa angkatan 2008, 2009 dan 2010, baik berdasarkan lama studi maupun IPK, belum mencapai sasaran mutu yang ditetapkan, dimana persentase mahasiswa yang diprediksi lulus tepat waktu (3 tahun) masing-masing hanya sebesar 17.07% untuk angkatan 2008, 17.31% untuk angkatan 2009 dan 13.51% untuk angkatan 2010. Begitupula dengan hasil prediksi tingkat kelulusan mahasiswa angkatan 2008, 2009 dan 2010 berdasarkan predikat IPK diperoleh bahwa persentase mahasiswa yang diprediksi lulus dengan predikat terpuji (IPK ≥ 3.5) sebesar 17.07% untuk angkatan 2008, 3.85% untuk angkatan 2009 dan 16.22% untuk angkatan 2010, dimana hasil prediksi mahasiwa yang lulus dengan predikat terpuji memiliki persentase yang lebih rendah dibandingkan dengan mahasiwa yang lulus dengan predikat sangat memuaskan, sebagaimana yang menjadi salah satu sasaran mutu Universitas Negeri Gorontalo. Berdasarkan hasil analisis sensitivitas yang betujuan untuk melihat pengaruh variabel input terhadap output, mata kuliah yang paling besar pengaruhnya pada kedua model prediksi adalah mata kuliah Aljabar Vektor dan Matriks. Mata kuliah tersebut memberikan pengaruh yang lebih besar dibandingkan mata kuliah lainnya karena perolehan nilai dari mata kuliah tersebut menampakkan pola tertentu terhadap output yang ditetapkan.
vi
© Hak Cipta milik IPB, tahun 2011 Hak Cipta dilindungi Undang-Undang Dilarang mengutip sebagian atau seluruh karya tulis tanpa mencantumkan atau menyebutkan sumbernya. Pengutipan hanya untuk kepentingan pendidikan, penelitian, penulisan karya ilmiyah, penyusunan laporan, penulisan kritik, atau tinjauan suatu masalah; dan pengutipan tersebut tidak merugikan kepentingan yang wajar IPB. Dilarang mengumumkan dan memperbanyak sebagian atau seluruh karya tulis dalam bentuk apa pun tanpa izin IPB.
vii
JARINGAN SARAF TIRUAN UNTUK PREDIKSI TINGKAT KELULUSAN MAHASISWA DIPLOMA PROGRAM STUDI MANAJEMEN INFORMATIKA UNIVERSITAS NEGERI GORONTALO
LILLYAN HADJARATIE
Tesis Sebagai salah satu syarat untuk memperoleh gelar Magister Sains pada Program Studi Ilmu Komputer
SEKOLAH PASCASARJANA INSTITUT PERTANIAN BOGOR BOGOR 2011
viii
Penguji Luar Komisi : Sony Hartono Wijaya, S.Kom, M.Kom
ix
LEMBAR PENGESAHAN Judul
Nama NRP Program Studi
: Jaringan Saraf Tiruan Untuk Prediksi Tingkat Kelulusan Mahasiswa Diploma Program Studi Manajemen Informatika Universitas Negeri Gorontalo. : Lillyan Hadjaratie : G651060024 : Ilmu Komputer
Disetujui Komisi Pembimbing
Prof. Dr. Ir. Kudang Boro Seminar, M.Sc
Aziz Kustiyo, S.Si, M.Kom
Ketua
Anggota
Diketahui Ketua Program Studi
Dekan Sekolah Pascasarjana IPB
Dr. Ir. Agus Buono, M.Si, M.Kom
Dr.Ir. Dahrul Syah, M.Sc. Agr
Tanggal Ujian : 25 Juni 2011
Tanggal Lulus:
x
PRAKATA
Puji dan syukur penulis panjatkan kepada Allah SWT atas segala karuniaNya sehingga karya ilmiah dengan judul Jaringan Saraf Tiruan Untuk Prediksi Tingkat Kelulusan Mahasiswa Diploma Program Studi Manajemen Informatika Universitas Negeri Gorontalo, dapat diselesaikan. Oleh karena itu penulis menyampaikan terima kasih yang setinggi-tingginya kepada : 1. Tim komisi pembimbing Bapak Prof.Dr. Ir. Kudang Boro Seminar, M.Sc dan Bapak Aziz Kustiyo, MSi, M.Kom selaku pembimbing yang telah memberikan bimbingan, arahan, saran, dan motivasi. 2. Bapak Dr. Ir. Agus Buono, M.Si, M.Kom atas waktu dan kesediaannya menjadi penguji di luar komisi. 3. Staf dosen di program studi Ilmu Komputer, Institut Pertanian Bogor, atas segala pengetahuan, bimbingan dan motivasinya selama proses perkuliahan, dan terimakasih kepada bapak Ruchiyan atas bantuan dan dukungannya. 4. Rektor Universitas Negeri Gorontalo dan Dekan Fakultas Teknik Universitas Negeri Gorontalo, yang telah memberi kesempatan untuk melanjutkan studi di Institut Pertanian Bogor. 5. Staf pengajar di program studi Manajemen Informatika, Universitas Negeri Gorontalo, M. Rifai Katili, Hidayat Koniyo, Arip Mulyanto, Agus Lahinta, Muhlisulfatih Latief, Dian Novian, Aziz Bouty, Manda Rohandi, Darman, Tajuddin Abdillah, Ningrayati Amali, Roviana Dai, Sitti Suhada, terimakasih atas motivasinya. 6. Tim Pengembangan Sumber Daya Manusia (TPSDM) Provinsi Gorontalo, atas dukungan beasiswanya. 7. Rekan Unggul Utan Sufandi, atas kebaikan, motivasi dan bantuannya dalam pelaksanaan dan penyusunan tesis hingga proses penyelesaian studi penulis. 8. Rekan-rekan mahasiswa program magister ilmu komputer IPB, atas motivasi, kebersamaan dan persahabatannya. 9. Rekan-rekan yang telah banyak membantu dalam memberikan data penelitian, Arbyn Dungga, Alexander Badjuka, Charles Mopangga, Befly Otoluwa, dan Santi Rauf.
xi
10. Rekan-rekan Asrama Gorontalo di Bogor, Srisukmawati Tuli, Marini Hamidun, Hasim, Irwan Bempah, Samad Hiola, Arifasno Napu, Iswan Dunggio, Alfi Baruadi, Silvana Naiu, Rita Harmain, Nikmawati Yusuf, Misriyani Hidiya, Munirah Tuli, Zahra Khan, Ahmad Fadhli, Muhammad Akili, Lius Ahmad, Zaenal Koemadji, Faisal Kasim, Wawan Pembengo, Febriyanto Kolanus, Vicky Katili, Akbar Arsyad, serta anakda Dhea, Nabhan, Astri dan Rizky, atas kebersamaan dan kekompakkan kita selama ini. 11. Ayahanda Hamid Hadjaratie (alm) dan Ibunda Hj.Nurani Safii, Ayahanda Karim Tolinggi dan Ibunda Nurhayati Akili, Adik M. Ichdar Hajaratie dan Hardiman Tolinggi atas segala doa, dukungan dan motivasinya. 12. Suami tercinta Wawan K. Tolinggi, Anakda Galang Revolusi Tolinggi dan Nadhifah Carissa Tolinggi, terima kasih atas segala doa, motivasi, cinta dan kasih sayangnya. 13. Terima kasih pula kepada rekan-rekan yang tidak disebutkan satu persatu dan kepada semua pihak, atas segala bantuan dan kerjasamanya selama ini, semoga Allah membalasnya lebih baik. Akhirnya, penulis menyadari bahwa tulisan ini masih belum sempurna, oleh karena itu kritik dan saran yang membangun sangat diperlukan. Semoga karya ilmiah ini bermanfaat dan memberikan tambahan informasi di bidang ilmu komputer. Bogor,
Juli 2011
Lillyan Hadjaratie
xii
RIWAYAT HIDUP Penulis dilahirkan di Gorontalo pada tanggal 17 April 1980 sebagai anak pertama dua bersaudara dari pasangan Hamid Hadjaratie (Alm) dan Nurani Safii. Penulis menikah dengan Wawan K. Tolinggi, SP, M.Si pada tanggal 7 Agustus 2004 dan telah dikaruniai satu putra Galang Revolusi Tolinggi dan satu putri Nadhifah Carissa Tolinggi. Penulis menamatkan pendidikan menengah pada Sekolah Menengah Umum Negeri 3 Gorontalo tahun 1998. Pendidikan sarjana ditempuh di Program Studi Manajemen Informatika, Sekolah Tinggi Manajemen Informatika dan Komputer (STMIK) Dipanegara Makassar, lulus pada tahun 2002.
Penulis mendapat
kesempatan untuk melanjutkan studi di program magister pada Program Studi Ilmu Komputer IPB diperoleh tahun 2006, melalui beasiswa Tim Pengembangan Sumber Daya Manusia (TPSDM) Provinsi Gorontalo. Penulis bekerja sebagai staf pengajar sejak tahun 2002 di Fakultas Teknik, Program Studi Manajemen Informatika, Universitas Negeri Gorontalo hingga sekarang.
xiii
DAFTAR ISI Halaman DAFTAR ISI.......................................................................................................... xi DAFTAR TABEL ................................................................................................. xii DAFTAR GAMBAR .......................................................................................... xiv DAFTAR LAMPIRAN ....................................................................................... xvi 1. PENDAHULUAN ...............................................................................................1 1.1 Latar Belakang .........................................................................................1 1.2 Perumusan Masalah .................................................................................5 1.3 Tujuan Penelitian .....................................................................................5 1.4 Manfaat Penelitian ...................................................................................5 1.5 Ruang Lingkup Penelitian........................................................................5 2. TINJAUAN PUSTAKA ......................................................................................7 2.1 Evaluasi Keberhasilan Studi ....................................................................7 2.2 Kurikulum Program Studi Manajemen Informatika ................................8 2.3 Praproses Data .........................................................................................9 2.4 Jaringan Saraf Tiruan (JST) ..................................................................10 2.5 Review Riset yang Relevan ...................................................................16 3. METODOLOGI PENELITIAN.........................................................................19 3.1 Diagram Alir Penelitian .........................................................................19 3.2 Alat Bantu Penelitian .............................................................................25 3.3 Waktu dan Tempat Penelitian ................................................................25 4. HASIL DAN PEMBAHASAN .........................................................................27 4.1 Praproses Data .......................................................................................27 4.2 Pembentukan Model JST .......................................................................28 4.3 Analisis hasil pembelajaran dan pengujian ............................................40 4.4 Analisis waktu pembelajaran .................................................................42 4.5 Tingkat generalisasi data validasi dan data testing dengan variasi nilai laju pembelajaran, jumlah hidden-node dan fungsi pelatihan .......59 4.6 Arsitektur jaringan yang terbaik ............................................................63 4.7 Pengujian arsitektur terbaik terhadap data validasi dan data testing .....66 4.8 Hasil Prediksi Tingkat Kelulusan Mahasiswa .......................................67 4.9 Analisa Sensitivitas ................................................................................68 4.10 Manfaat bagi manajemen .......................................................................70 5. SIMPULAN DAN SARAN ...............................................................................73 5.1 Simpulan ................................................................................................73 5.2 Saran ......................................................................................................74 DAFTAR PUSTAKA ............................................................................................75
xiv
DAFTAR TABEL Halaman 1 Penilaian Acuan Patokan (PAP) ......................................................................... 7 2 Kurikulum D3 Manajemen Informatika ............................................................. 8 3 Pengelompokkan dan Komposisi Data Penelitian ............................................ 21 4 Karakteristik dan Struktur JST yang digunakan ............................................... 23 5 Kelompok data pertama MPLS dengan fungsi pelatihan resilent backpropagation ............................................................................................... 28 6 Kelompok data pertama MPLS dengan fungsi pelatihan scaled conjugate gradient ............................................................................................................. 29 7 Kelompok data pertama MPLS dengan fungsi pelatihan levenberg-marquardt ........................................................................................ 30 8 Kelompok data kedua MPLS dengan fungsi pelatihan resilent backpropagation ............................................................................................... 31 9 Kelompok data kedua MPLS dengan fungsi pelatihan scaled conjugate gradient ............................................................................................................. 32 10 Kelompok data kedua MPLS dengan fungsi pelatihan levenbergmarquardt ......................................................................................................... 33 11 Kelompok data pertama MPIPK dengan fungsi pelatihan resilent backpropagation ............................................................................................... 34 12 Kelompok data pertama MPIPK dengan fungsi pelatihan scaled conjugate gradient ............................................................................................................. 35 13 Kelompok data pertama MPIPK dengan fungsi pelatihan levenbergmarquardt ......................................................................................................... 36 14 Kelompok data kedua MPIPK dengan fungsi pelatihan resilent backpropagation ............................................................................................... 37 15 Kelompok data kedua MPIPK dengan fungsi pelatihan scaled conjugate gradient ............................................................................................................. 38 16 Kelompok data kedua MPIPK dengan fungsi pelatihan levenbergmarquardt ......................................................................................................... 39
xv
17 Hasil Pembelajaran dan Pengujian dari MPLS ................................................. 40 18 Hasil Pembelajaran dan Pengujian dari MPIPK ............................................... 41 19 Analisis Waktu Pembelajaran dengan variasi jumlah hidden-node pada MPLS ........................................................................................................ 49 20 Analisis Waktu Pembelajaran dengan variasi laju pembelajaran pada MPLS ........................................................................................................ 50 21 Analisis Waktu Pembelajaran dengan variasi jumlah hidden-node pada MPIPK ...................................................................................................... 58 22 Analisis Waktu Pembelajaran dengan variasi laju pembelajaran pada MPIPK ...................................................................................................... 58 23 Parameter jaringan terbaik ................................................................................ 63 24 Pengujian dengan data validasi dan data testing MPLS ................................... 66 25 Pengujian dengan data validasi dan data testing MPIPK.................................. 67 26 Prediksi tingkat kelulusan mahasiswa angakatn 2008-2010 berdasarkan lama studi .......................................................................................................... 68 27 Prediksi tingkat kelulusan mahasiswa angakatn 2008-2010 berdasarkan IPK .................................................................................................................... 68 28 Hasil analisa sensitivitas variabel masukan pada MPLS .................................. 69 29 Hasil analisa sensitivitas variabel masukan pada MPIPK ................................ 69
xvi
DAFTAR GAMBAR Halaman 1 Tingkat Kelulusan Mahasiswa Berdasarkan Lama Studi ................................... 2 2 Tingkat Kelulusan Mahasiswa Berdasarkan IPK ............................................... 2 3 Tingkat Kelulusan Mahasiswa Berdasarkan Predikat IPK ................................. 3 4 Sasaran Mutu dan Data Faktual IPK dan Lama Studi ........................................ 3 5
Saraf Biologis dan Struktur Saraf Tiruan ........................................................ 11
6
Arsitektur Jaringan Saraf ................................................................................ 12
7 Akurasi dan Generalisasi .................................................................................. 15 8 Diagram Alir Penelitian .................................................................................... 19 9 Perubahan nilai waktu pembelajaran dengan variasi jumlah hidden-node menggunakan fungsi pelatihan resilent backpropagation pada MPLS ............ 43 10 Perubahan nilai waktu pembelajaran dengan variasi laju pembelajaran menggunakan fungsi pelatihan resilent backpropagation pada MPLS ............ 44 11 Perubahan nilai waktu pembelajaran dengan variasi jumlah hidden-node menggunakan fungsi pelatihan scaled conjugate gradient pada MPLS ........... 45 12 Perubahan nilai waktu pembelajaran dengan variasi laju pembelajaran menggunakan fungsi pelatihan scaled conjugate gradient pada MPLS ........... 46 13 Perubahan nilai waktu pembelajaran dengan variasi jumlah hidden-node menggunakan fungsi pelatihan levenberg-marquardt pada MPLS .................. 48 14 Perubahan nilai waktu pembelajaran dengan variasi laju pembelajaran menggunakan fungsi pelatihan levenberg-marquardt pada MPLS .................. 49 15 Perubahan nilai waktu pembelajaran dengan variasi jumlah hidden-node menggunakan fungsi pelatihan resilent backpropagation pada MPIPK .......... 51 16 Perubahan nilai waktu pembelajaran dengan variasi laju pembelajaran menggunakan fungsi pelatihan resilent backpropagation pada MPIPK .......... 52 17 Perubahan nilai waktu pembelajaran dengan variasi jumlah hidden-node menggunakan fungsi pelatihan scaled conjugate gradient pada MPIPK ......... 54
xvii
18 Perubahan nilai waktu pembelajaran dengan variasi laju pembelajaran menggunakan fungsi pelatihan scaled conjugate gradient pada MPIPK ......... 55 19 Perubahan nilai waktu pembelajaran dengan variasi jumlah hidden-node menggunakan fungsi pelatihan levenberg-marquardt pada MPIPK ................ 56 20 Perubahan nilai waktu pembelajaran dengan variasi laju pembelajaran menggunakan fungsi pelatihan levenberg-marquardt pada MPIPK ................ 57 21 Grafik perbadingan tingkat generalisasi data validasi dan data testing pada MPLS kelompok data pertama .......................................................................... 59 22 Grafik perbadingan tingkat generalisasi data validasi dan data testing pada MPLS kelompok data kedua ............................................................................. 60 23 Grafik perbadingan tingkat generalisasi data validasi dan data testing pada MPIPK kelompok data pertama ........................................................................ 61 24 Grafik perbadingan tingkat generalisasi data validasi dan data testing pada MPIPK kelompok data kedua ........................................................................... 62 25 Arsitektur JST terbaik pada Model Prediksi Lama Studi (MPLS) ................... 64 26 Arsitektur JST terbaik pada Model Prediksi Indeks Prestasi Kumulatif (MPIPK) ............................................................................................................ 65
xviii
DAFTAR LAMPIRAN Halaman
1 Daftar Nilai Mahasiswa Angkatan 2005 sampai dengan 2007 ........................ 79 2 Daftar Nilai Mahasiswa Angkatan 2008 sampai dengan 2010 ........................ 89 3 Detail Proses Pembelajaran pada Model Prediksi Lama Studi (MPLS) .......... 96 4 Detail Proses Pembelajaran pada Model Prediksi Indeks Prestasi Kumulatif (MPIPK) .......................................................................................... 97
1
1. PENDAHULUAN 1.1
Latar Belakang Program studi merupakan garda terdepan dalam penyelenggaraan pendidikan
dari sebuah perguruan tinggi, karena program studi merupakan satuan rencana belajar terkecil yang diselenggarakan atas dasar suatu kurikulum dan ditunjukkan agar mahasiswa dapat menguasai pengetahuan dan sikap yang sesuai dengan sasaran kurikulum, sehingga setiap program studi harus dapat mengetahui kondisi aktual salah satunya dengan melakukan evaluasi guna meningatkan mutu dan efisiensi
perguruan tinggi
termasuk peningkatan kualitas lulusan untuk
mengantisipasi peluang kerja bagi para lulusan yang dihasilkan. Proses evaluasi program studi dapat ditempuh dengan berbagai macam cara, bahkan Direktorat Jendral Perguruan Tinggi (DIKTI) sendiri telah menyelenggarakan beberapa program evaluasi bagi program studi, seperti Evaluasi Program Studi Berbasis Evaluasi Diri (EPSBED), Akreditasi Program Studi, dan program evaluasi lainnya yang mensyaratkan setiap program studi untuk dapat menyediakan data dan informasi secara periodik terkait dengan semua unsur penyelenggaraan program studi berdasarkan standar evaluasi dari borang akreditasi. Data hasil evaluasi dapat mempengaruhi akreditasi dari sebuah program studi, sehingga setiap program studi tentunya mengharapkan tercapainya standar evaluasi yang sudah ditetapkan, salah satunya terkait dengan tingkat kelulusan mahasiswa berdasarkan sasaran mutu lulusan yang diatur oleh perguruan tinggi yang digunakan sebagai tolok ukur di dalam menentukan keberhasilan, yang beberapa diantaranya mempertimbangkan faktor lama studi dan pencapaian IPK mahasiswa. Program Studi D3 (Diploma Tiga) Manajemen Informatika (MI) merupakan salah satu program studi di Universitas Negeri Gorontalo (UNG) yang juga diwajibkan untuk melakukan sebuah proses evaluasi program studi secara komprehensif. Tingkat kelulusan mahasiswa D3-MI UNG sejak angkatan pertama tahun 2000 hingga dengan tahun 2007 menunjukkan persentase rata-rata jumlah mahasiswa lulusan yang menyelesaikan studi tepat waktu yakni 3 (tiga) tahun hanya sebesar 14% dan sisanya sebesar 86% menyelesaikan studi dengan melewati batas studi yang ditetapkan (Gambar 1).
2
Gambar 1 Tingkat Kelulusan Mahasiswa Berdasarkan Lama Studi
Begitupula dengan pencapaian IPK lulusan dari tahun 2000 hingga tahun 2007, lulusan dengan IPK > 3.00 hanya mencapai 42% (Gambar 2) dan berdasarkan status predikat lulusan, persentase IPK lulusan di atas 3.50 (predikat terpuji) hanya sebesar 9%, persentase IPK kisaran 2.75 hingga 3.50 (predikat sangat memuaskan) sebesar 62%, dan sisanya persentase IPK di bawah 2.75 (predikat memuaskan) sebesar 29% (Gambar 3).
Gambar 2 Tingkat Kelulusan Mahasiswa Berdasarkan IPK
3
Gambar 3 Tingkat Kelulusan Mahasiswa Berdasarkan Predikat IPK
Data dan informasi di atas cukup mempengaruhi penilaian keberhasilan program studi D3-MI UNG, karena berdasarkan aturan yang dituangkan dalam Pedoman Akademik Universitas Negeri Gorontalo, sasaran mutu yang ditetapkan sebagai standar lama studi dan IPK dalam kondisi ideal adalah persentase lulusan tepat waktu (3 tahun) minimal 50%, pencapaian IPK lebih dari 3.00 minimal 65% atau lulusan dengan predikat terpuji haruslah memiliki persentase lebih besar dari lulusan dengan predikat memuaskan (Universitas Negeri Gorontalo, 2009). Data faktual yang terlihat masih di bawah sasaran mutu yang ditetapkan (Gambar 4).
Gambar 4 Sasaran Mutu dan Data Faktual IPK dan Lama Studi
4
Untuk dapat menjaga besarnya persentase lama studi dan IPK agar dapat memenuhi sasaran mutu yang ditetapkan, maka perlu dilakukan evaluasi tingkat kelulusan secara dini untuk mendapatkan informasi yang cepat dan akurat dalam memprediksi besaran persentase lama studi dan IPK yang akan diperoleh mahasiswa di akhir program nanti. Salah satu teknik evaluasi tingkat kelulusan secara dini adalah sistem prediksi tingkat kelulusan mahasiswa, dimana informasi yang dihasilkan oleh hasil prediksi ini dapat dijadikan sebagai bahan pertimbangan bagi pihak manajemen program studi untuk melakukan langkah-langkah persuasif dalam rangka meningkatkan persentase tingkat kelulusan mahasiswa yang memenuhi standar mutu yang ditetapkan oleh universitas. Salah satu teknik yang dapat digunakan untuk prediksi adalah Jaringan Saraf Tiruan (JST). JST merupakan jaringan dari pemroses kecil yang dimodelkan berdasarkan sistem jaringan saraf manusia, yang dapat melakukan pembelajaran untuk membentuk suatu model inferensi berdasarkan data pelatihan dan menggunakan pembelajaran tersebut untuk pencocokan pola (Kusumadewi 2004). JST memiliki keunggulan dalam hal kemampuan prediksi dan klasifikasi terhadap data yang belum diberikan pada saat pembelajaran sebelumnya (Han & Kember 2001), sehingga teknik ini diharapkan dapat digunakan untuk membuat pemodelan prediksi tingkat kelulusan mahasiswa D3-MI Universitas Negeri Gorontalo di masa yang akan datang dengan cara mempelajari pola tingkat kelulusan pada tahuntahun sebelumnya berdasarkan data penilaian mata kuliah. Penelitian ini menggunakan algoritma pembelajaran propagasi balik dimana masalah utama yang dihadapi dalam JST propagasi balik adalah lamanya iterasi yang dilakukan (Siang 2004). Oleh karena propagasi balik tidak dapat memberikan kepastian tentang berapa epoch yang harus dilalui untuk mencapai kondisi yang diinginkan, maka perlu
dicari
bagaimana
parameter-parameter
jaringan
dibuat
sehingga
menghasilkan jumlah iterasi yang relatif sedikit untuk mendapatkan hasil prediksi yang optimal dengan mempertimbangkan beberapa parameter seperti algoritma pelatihan yang akan digunakan dalam proses pembelajaran, jumlah node pada lapisan jaringan, serta laju pembelajaran. Arsitektur JST terbaik yang diperoleh
5
nantinya akan digunakan untuk melakukan prediksi tingkat kelulusan mahasiswa mahasiswa D3-MI Universitas Negeri Gorontalo.
1.2
Perumusan Masalah Berdasarkan latar belakang masalah di atas, maka permasalahan yang bisa
dirumuskan dalam penelitian ini adalah bagaimana pembentukan model JST untuk mendapatkan parameter dari arsitektur jaringan JST terbaik yang dapat digunakan untuk prediksi tingkat kelulusan mahasiswa mahasiswa D3-MI Universitas Negeri Gorontalo berdasarkan nilai mata kuliah dari 2 (dua) semester pada tahun pertama program perkuliahan. 1.3
Tujuan Penelitian Penelitian ini bertujuan untuk :
1.
Mendapatkan parameter dan arsitektur jaringan JST terbaik untuk prediksi tingkat kelulusan mahasiswa program studi D3 (Diploma Tiga) Manajemen Informatika Universitas Negeri Gorontalo.
2.
Melakukan prediksi tingkat kelulusan mahasiswa program studi D3 (Diploma Tiga) Manajemen Informatika Universitas Negeri Gorontalo pada 2 (dua) bentuk pemodelan dengan target yang berbeda, yaitu Lama Studi dan IPK.
3.
Melihat pengaruh atau tingkat sensitivitas variabel input untuk mencapai output akurat dari model yang dikembangkan.
1.4
Manfaat Penelitian Informasi dan pengetahuan yang dihasilkan dari penelitian ini dapat
digunakan sebagai dasar pertimbangan dalam pengambilan keputusan bagi pihak manajemen program studi dalam melakukan evaluasi tingkat kelulusan mahasiswa program studi D3 (Diploma Tiga) Manajemen Informatika, Universitas Negeri Gorontalo.
1.5
Ruang Lingkup Penelitian Ruang lingkup penelitian ini adalah :
1. Data mahasiswa yang digunakan pada proses pembelajaran JST adalah data mahasiswa program studi D3 (Diploma Tiga) Manajemen Informatika,
6
Universitas Negeri Gorontalo angkatan 2005 hingga 2007, dengan pertimbangan bahwa kurikulum yang dipergunakan hingga saat ini adalah kurikulum tahun 2005. Untuk memperoleh data lama studi dan IPK sebagai output dari model yang akan dibentuk, maka data mahasiswa yang dipilih untuk digunakan sebagai data penelitian adalah mahasiswa yang telah menyelesaikan studi sejak angkatan 2005 sampai dengan angkatan 2007. 2. Data mahasiswa yang digunakan untuk memprediksi tingkat kelulusan adalah data mahasiswa program studi D3 (Diploma Tiga) Manajemen Informatika, Universitas Negeri Gorontalo angkatan 2008, 2009 dan 2010. Data mahasiswa pada ketiga angkatan tersebut belum memiliki informasi tingkat kelulusan, baik lama studi yang ditempuh maupun IPK yang diperoleh. 3. Nilai mata kuliah yang dijadikan sebagai variabel input dari penelitian ini adalah nilai-nilai mata kuliah yang diwajibkan pada 2 (dua) semester tahun pertama program perkuliahan, yang merupakan mata kuliah dasar dan menjadi prasyarat bagi mata kuliah lanjutan pada semester-semester selanjutnya.
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
19
3. METODE PENELITIAN
3.1
Diagram Alir Penelitian Kerangka pemikiran pada penelitian ini dapat digambarkan dalam suatu
bagan alir seperti pada Gambar 8.
Gambar 8 Diagram Alir Penelitian
Pengumpulan Data Penelitian dimulai dengan pengumpulan data yang berasal dari basis data „Transkrip Nilai‟ dan „Evaluasi Studi‟ yang bersumber dari Sistem Informasi Akademik Terpadu Universitas Negeri Gorontalo (SIATUNG) yang menyimpan
20
informasi mahasiswa berupa nilai mutu mata kuliah, lama studi dan IPK. Mata kuliah yang dipilih sebagai data input dalam penelitian ini berjumlah 16 (enam belas) buah mata kuliah dasar yang wajib diprogramkan pada 2 (dua) semester tahun pertama program perkuliahan sebelum mengambil program peminatan. Pada penelitian ini, data mata kuliah digunakan sebagai data input. Sedangkan data lama studi dan IPK digunakan sebagai data target. Data nilai mata kuliah yang diperoleh berupa Huruf Mutu (HM) dan dikonversi ke Angka Mutu (AM) dengan kisaran nilai 0 hingga 4. Data target lama studi dikategorikan menjadi 2 (dua), yaitu kategori mahasiwa yang lulus dengan melewati masa studi program diploma (> 3 tahun) dan kategori mahasiswa yang lulus tepat waktu (3 tahun). Data target IPK dikategorikan menjadi 3 (tiga), yaitu kategori mahasiswa yang lulus dengan predikat terpuji (IPK >3.5), kategori predikat sangat memuaskan (IPK ≥ 2.75 hingga IPK ≤3.5) dan kategori predikat memuaskan (IPK<2.75). Data mahasiswa yang digunakan dalam penelitian ini adalah data mahasiswa D3 (Diploma Tiga) Manajemen Informatika UNG angkatan 2005 hingga 2010. Pembelajaran dan pengujian JST menggunakan data mahasiwa angkatan 2005, 2006 dan 2007 (Lampiran 1), yang dibagi ke dalam 3 (tiga) komposisi data dan dibedakan ke dalam 2 (dua) kelompok data. Total jumlah data pada kelompok data pertama dan kelompok data kedua adalah sama, yakni 216 data. Pengelompokkan data dibedakan berdasarkan cara pembagian komposisi data dimana pada kelompok data pertama, setelah data mahasiswa angkatan 2005, 2006 dan 2007 diurutkan, kemudian dibagi ke dalam 3 (tiga) komposisi data. Sedangkan pada kelompok data kedua, komposisi data dibagi berdasarkan angkatan, sehingga data mahasiswa pada masing-masing angkatan dibagi ke dalam 3 (tiga) komposisi data. Komposisi data terbagi menjadi data pelatihan, data validasi dan data pengujian. Data pelatihan digunakan oleh jaringan untuk membentuk model melalui proses pembelajaran JST. Data validasi untuk melihat apakah jaringan telah memiliki kemampuan yang baik dalam mengenali data baru yang diberikan kepadanya. Data validasi digunakan juga untuk menghentikan iterasi jika error yang terjadi tidak rasional. Data pengujian digunakan untuk menguji ketepatan klasifikasi dari model yang terbentuk. Penelitian ini menetapkan besarnya
21
komposisi data adalah 70% data pelatihan, 15% data validasi dan 15% data pengujian. Prediksi tingkat kelulusan menggunakan data mahasiswa angkatan 2008, 2009 dan 2010 9 (Lampiran 2). Pembagian data mahasiswa untuk pembelajaran JST dan prediksi ditunjukkan oleh Tabel 3.
Tabel 3 Pengelompokkan dan Komposisi Data Penelitian DATA PEMBELAJARAN & PENGUJIAN Komposisi Data Kelompok Data Pertama Kelompok Data Kedua
Data Pelatihan (70%)
Data Validasi (15%)
Data Testing (15%)
Total
150
33
33
216
2005
60
2006
55
2007
35
13 12 8
13 12 8
86 79 51
33
33
216
2008
2009
2010
Total
41
52
37
130
Total
150 DATA PREDIKSI
Angkatan Jumlah
Praproses Data Sebelum data digunakan dilakukan praproses untuk meningkatkan efisiensi dan skalabilitas dari sebuah sistem prediksi. Pada penelitian ini, dilakukan beberapa praproses data, yakni pembersihan data, analisa relevansi dan tranformasi data (Han & Kember 2001). Proses transformasi data dilakukan untuk data target yang bersifat kategorikal, dengan menggunakan metode Unary Encoding, dimana data target dipresentasikan dengan kombinasi angka 0 dan 1 (numerical binary variable). Berdasarkan data kategori targetnya maka dalam penelitian ini, seluruh proses pembelajaran, pengujian hingga prediksi akan dibedakan ke dalam 2 (dua) model, yaitu Model Prediksi Lama Studi (MPLS) dan Model Prediksi Indeks Prestasi Kumulatif (MPIPK). Praproses ini dilakukan dengan menggunakan perangkat lunak Microsoft Excel 2007, sedangkan untuk proses transformasi dilakukan dengan menggunakan perangkat lunak Matlab versi 6.5.
22
Pembentukan Model JST Pembentukan model prekdiksi dimaksudkan untuk menentukan parameter dari arsitektur jaringan yang akan digunakan untuk pembelajaran. Pembentukan model
prediksi
dilakukan
dengan
menggunakan
JST
Propagasi
Balik
(Backpropagation) dengan 1 (satu) lapisan tersembunyi. Jumlah variabel input yang digunakan dalam penelitian ini sebanyak 16 buah variabel. Jumlah node untuk lapisan input sama dengan jumlah variabel input, karena data input sudah berbentuk data numerik sehingga tidak mengalami praproses data. Jumlah node pada lapisan output sama dengan jumlah kategori yang akan diklasifikasi dan hal ini berbeda untuk setiap model prediksi. Model prediksi lama studi (MPLS) memiliki 2 (dua) kategori output, sehingga jumlah node pada model prediksi ini sebanyak 2 (dua) node dan Model prediksi IPK (MPIPK) memiliki 3 (tiga) kategori output, sehingga jumlah node pada model prediksi ini menjadi 3 (tiga) node. Adapun untuk jumlah node pada lapisan tersembunyi (hidden-node), pada penelitian ini akan divariasikan untuk mendapatkan hasil yang lebih optimal. Karena diduga jumlah node pada lapisan tersembunyi berpengaruh terhadap tingkat generalisasi atau pengenalan pola. Variasi jumlah hidden-node yang digunakan adalah 5, 10 dan 15. Selain jumlah node pada tiap lapisan arsitektur JST, ditetapkan beberapa parameter yang akan diberikan pada proses pembelajaran dan diuji untuk membentuk model prediksi, antara lain adalah fungsi aktivasi, toleransi galat, jumlah epoch maksimal, laju pembelajaran (learning rate) dan fungsi pelatihan (training function). Untuk inisialisasi bobot awal digunakan inisialisasi secara random. Fungsi aktivasi yang digunakan pada lapisan tersembunyi adalah tansigmoid, sedangkan pada lapisan output menggunakan fungsi aktivasi pure linear. Toleransi kesalahan minimum (galat) ditentukan pada 0.001. Toleransi galat yang cukup kecil diharapkan akan memberikan hasil yang cukup baik. Jumlah epoch maksimal yang ditetapkan dalam penelitian ini adalah 1000. Hal ini diperlukan sebagai kriteria henti jaringan disamping tolerasin galat untuk membatasi waktu yang disediakan bagi jaringan dalam melakukan pembelajaran. Adapun parameter yang divariasikan dalam proses pembelajaran adalah laju pembelajaran (learning rate) dan fungsi pelatihan (training function). Variasi nilai
23
laju pembelajaran yang digunakan adalah 0.01, 0.05, 0.1 dan 0.5. Laju pembelajaran
dapat
mempengaruhi
konvergensi
kecepatan
pada
proses
pembelajaran, sehingga perlu dilakukan percobaan pada laju pembelajaran yang berbeda untuk mendapatkan nilai rentang data yang sesuai.
Hasil penelitian
Purnomo (2001) menyatakan bahwa semakin kecil nilai laju pembelajarannya maka semakin kecil pula nilai dan rentang data matriks vektor hasil pelatihan, dan sebaliknya. Fungsi pelatihan yang divariasikan adalah algoritma pelatihan dengan perbaikan teknik heuristik resilent backpropagation dan perbaikan dengan teknik optimasi scaled conjugate gradient dan levenberg-marquardt. Tabel 4 Karakteristik dan Struktur JST yang digunakan KARAKTERISTIK SPESIFIKASI Arsitektur jaringan Multi-layer dengan 1 lapisan tersembunyi Algoritma Pembelajaran Propagasi balik Jumlah node input 16 Jumlah node lapisan tersembunyi 5, 10, 15 Fungsi aktivasi lapisan tersembunyi Sigmoid bipolar Jumlah node lapisan ouput : Model Prediksi Lama Studi (MPLS) 2 Model Prediksi IPK (MPIPK) 3 Fungsi aktivasi lapisan output Fungsi linier Toleransi galat 0.001 Laju Pembelajaran 0.01, 0.05, 0.1, 0.5 Maksimum epoch 1000 Pembelajaran Model Setelah model terbentuk selanjutnya dilakukan proses pembelajaran atau pelatihan, dimana pada proses ini menggunakan data pelatihan, data validasi dan data testing. Pembelajaran atau pelatihan dilakukan bertujuan untuk mengenali pola-pola dari data masukan pada data pelatihan untuk dilatih pada jaringan yang akan menghasilkan keluaran untuk dibandingan dengan data target. Selama proses pelatihan dilakukan pula proses validasi untuk menguji apakah jaringan sudah memiliki kemampuan yang baik dalam mengenali data baru yang diberikan kepadanya, yang ditunjukkan dengan nilai Mean Square Error (MSE). Pembelajaran model JST propagasi balik bersifat iterative dan didesain untuk meminimalkan MSE antara output yang dihasilkan dan output yang diinginkan (target).
24
Algoritma pembelajaran propagasi balik meliputi 3 (tiga) tahap, yaitu : prosedur umpan maju (feedforward), perhitungan serta perambatan balik kesalahan (backpropagation) dan penyesuaian bobot. Sebelum proses pelatihan terlebih dahulu ditentukan bobot-bobot awal secara random dan toleransi kesalahan minimum. Bobot-bobot awal ini nantinya akan diinisialisasi dan digunakan pada proses umpan maju awal, sedangkan proses umpan maju selanjutnya menggunakan bobot-bobot yang telah mengalami perbaikan. Toleransi kesalahan minimum berfungsi sebagai pembatas berulangnya proses iterasi dalam suatu pelatihan. Proses pelatihan akan terus berulang hingga diperoleh koreksi kesalahan yang sama atau lebih kecil dari tolerasi kesalahan minimum.
Pengujian dan Generalisasi Pengujian jaringan bertujuan untuk mengetahui apakah jaringan dapat melakukan generalisasi terhadap data baru yang dimasukkan ke dalamnya yaitu ditunjukkan dengan persentase akurasi jaringan dalam mengenali data pengujian, sehingga arsitektur jaringan yang digunakan untuk pengujian adalah arsitektur terbaik yang diperoleh dari hasil pelatihan jaringan.
Dalam penelitian ini
digunakan parameter yang disebut generalisasi untuk mengukur tingkat pengenalan jaringan pada pola yang diberikan. Dimana pola yang diberikan adalah data validasi maupun data testing. Generalisasi yang digunakan dalam Agustini (2006) adalah sebagai berikut :
Generalisasi _ test
numkenal _ test x100 jum _ pola
(6)
dengan numkel_test adalah jumlah pola yang dikenal dan jum_pola adalah jumlah pola keseluruhan. Jumlah numkel_test dan jum_pola yang ditunjukkan akan berbeda pada setiap model prediksi.
Analisis Sensitivitas Analisis sensitivitas bertujuan untuk mengetahui variabel yang lebih atau paling berpengaruh diantara variabel-variabel masukan. Metode
analisa
sensitivitas yang digunakan adalah metode yang digunakan oleh Engelbrecht
25
(2001). Analisis sensitivitas ini dilakukan pada percobaan dengan arsitektur dan parameter terbaik yang diperoleh setelah proses pelatihan dan pengujian. Hasil analisis sensitivitas dibedakan berdasarkan model prediksi.
3.2
Alat Bantu Penelitian Alat-alat Bantu yang digunakan dalam penelitian ini adalah sebagai
berikut : 1) Notebook Notebook dengan spesifikasi prosesor Intel® Pentium (TM)2 Duo CPU T5070, 2.00 GHz, Memory (RAM) 1.87 GB. 2) Sistem Operasi Windows XP Home Edition, Version 2002, Service Pack 2. 3) Aplikasi Microsoft Excel 2007 untuk melakukan praproses terhadap data sebelum digunakan sebagai input model yang dikembangkan karena tampilan data dalam bentuk data sheet unuk mempermudah dalam pengolahan data. 4) Aplikasi Matlab versi 6.5 digunakan dalam penelitian ini untuk transformasi data numerik, pengolahan data dan visualisasi hasil.
3.3
Waktu dan Tempat Penelitian Penelitian dilaksanakan mulai Februari hingga April 2011 bertempat di
Laboratorium Pascasarjana Departemen Ilmu Komputer FMIPA-IPB.
26
27
4. HASIL DAN PEMBAHASAN
4.1
Praproses Data Praproses data yang dilakukan pada penelitian ini adalah pembersihan data,
analisa relevansi dan tranformasi data (Han & Kember 2001). Pembersihan data dilakukan untuk menghilangkan noise akibat data yang hilang atau tidak lengkap, dengan menggantinya dengan nilai yang paling umum muncul untuk data tersebut atau dengan nilai yang paling mungkin muncul secara statistik. Analisa relevansi dilakukan untuk menghilangkan atribut yang redundant dan tidak relevan dengan penelitian. Transformasi data yang dilakukan pada penelitian ini adalah untuk data target yang bersifat kategorikal, dengan menggunakan metode Unary Encoding, dimana data target dipresentasikan dengan kombinasi angka 0 dan 1 (numerical binary variable). Berdasarkan data kategori targetnya maka dalam penelitian ini, seluruh proses pembelajaran, pengujian hingga prediksi akan dibedakan ke dalam 2 (dua) model, yaitu Model Prediksi Lama Studi (MPLS) dan Model Prediksi Indeks Prestasi Kumulatif (MPIPK). Berikut adalah praproses transformasi unary encoding yang dibedakan ke dalam 2 (dua) model prediksi : 1. Model Prediksi Lama Studi (MPLS), variabel target memiliki 2 (dua) kategori yaitu kategori „Melebihi Batas Studi‟ dan „Tepat Waktu‟. Praproses unary encoding atau numerical binary variable dikenakan pada variabel ini dengan kategori „10‟ untuk „Melebihi Batas Studi‟ dan kategori „01‟ untuk „Tepat Waktu‟. 2. Model Prediksi IPK (MPIPK), variabel output memiliki 3 (tiga) kategori yaitu kategori „Terpuji‟, „Sangat Memuaskan dan „Memuaskan. Praproses unary encoding atau numerical binary variable dikenakan pada variabel ini dengan kategori „100‟ untuk „Terpuji‟, kategori „010‟ untuk „Sangat Memuaskan‟ dan kategori „001‟ untuk „Memuaskan‟.
28
4.2
Pembentukan Model JST Jaringan Saraf Tiruan dibangun berdasarkan struktur JST pada Tabel 8.
Proses pembelajaran dan pengujian menghasilkan informasi waktu pembelajaran dan MSE dengan variasi laju pembelajaran dan jumlah hidden-node, dimana proses pembelajaran maupun pengujian dibedakan berdasarkan model prediksi kelompok data dan fungsi pelatihan. Hal ini dimaksudkan untuk membandingkan kinerja dari ketiga fungsi pelatihan yang digunakan, untuk menguji apakah tingkat generalisasi pada data pengujian benar dapat ditingkatkan dengan adanya teknik perbaikan algoritma pelatihan yang lebih cepat. Fungsi pelatihan yang digunakan adalah
algoritma
pelatihan
dengan
perbaikan
teknik
heuristik
resilent
backpropagation dan perbaikan dengan teknik optimasi, yakni fungsi pelatihan scaled conjugate gradient dan levenberg-marquardt. a.
Model Prediksi Lama Studi (MPLS) Percobaan pada kelompok data pertama dengan menggunakan fungsi
pelatihan resilent backpropagation disajikan oleh Tabel 5. Tabel 5 Kelompok data pertama MPLS dengan fungsi pelatihan resilent backpropagation Pembelajaran Laju Pembelajaran 0.01
0.05
0.1
0.5
Pengujian
Hidden Node
Waktu (detik)
MSE
Data Validasi (%)
Data Testing (%)
5
5.5
0.000981795
75.76
60.61
10
3.27
0.0084304
45.45
51.51
15
3.42
0.00528705
51.51
54.54
5
5
0.00201312
69.70
66.67
10
4.17
0.0050627
51.51
60.61
15
2.7
0.0224537
33.33
39.39
5
3.44
0.00467662
60.61
60.61
10
4.69
0.000995264
51.51
51.51
15
2.14
0.0170291
45.45
51.51
5
3.47
0.00233313
54.54
54.54
10
7.47
0.00157674
30.30
51.51
15
2.03
0.0266991
36.36
36.36
Dari hasil pembelajaran pada kelompok data pertama dengan menggunakan fungsi pelatihan dengan perbaikan teknik heuristik resilent backpropagation
29
diperoleh bahwa waktu pembelajaran tercepat dan terlama berada pada laju pembelajaran 0.5. Waktu pembelajaran tercepat mencapai 2.03 detik dengan jumlah hidden-node 15 dan waktu pembelajaran terlama 7.47 detik dengan jumlah hidden-node 10. Nilai MSE terkecil adalah 0.000981795, berada pada laju pembelajaraan 0.01 dengan jumlah hidden-node 5. Hasil pengujian menghasilkan tingkat generalisasi untuk data validasi sebesar 75.76% pada laju pembelajaran 0.01 dan jumlah hidden-node 5. Generalisasi tertinggi dari data validasi menunjukkan nilai MSE yang terkecil. Pengujian terhadap data testing menghasilkan tingkat generalisasi tertinggi sebesar 66.67%. Percobaan pada kelompok data pertama dengan menggunakan fungsi pelatihan dengan perbaikan teknik optimasi scaled conjugate gradient disajikan oleh Tabel 6. Tabel 6 Kelompok data pertama MPLS dengan fungsi pelatihan scaled conjugate gradient Pembelajaran Laju Pembelajaran 0.01
0.05
0.1
0.5
Pengujian
Hidden Node
Waktu (detik)
MSE
Data Validasi (%)
Data Testing (%)
5
1.06
0.0171054
57.58
51.51
10
2.12
0.00125428
63.64
60.61
15
3.23
0.00175574
54.54
36.36
5
2.97
0.000976242
84.85
57.58
10
1.61
0.0035592
69.7
75.76
15
4.05
0.00424903
57.58
60.61
5
1.42
0.00127568
78.79
75.76
10
3
0..0338459
63.64
57.58
15
2.84
0.00234222
51.51
63.64
5
2.14
0.000944155
87.88
72.73
10
2.83
0.000986775
75.76
63.64
15
3.92
0.00205748
42.42
42.42
Hasil percobaan pada Tabel 6 menunjukkan bahwa waktu pembelajaran tercepat yang dicapai pada percobaan ini mengalami penurunan dari waktu pembelajaran pada proses pembelajaran dari percobaan dengan menggunakan variasi fungsi pelatihan resilent backpropagation, yang tadinya 2.03 detik menurun menjadi 1.06 detik, hal ini dapat dikatakan JST dapat menyelesaikan proses pembelajaran lebih cepat. Begitupula dengan nilai MSE terkecil yang
30
diperoleh dari hasil percobaan ini mengalami perbaikan dengan diperolehnya nilai MSE yang lebih kecil dari percobaan dengan menggunakan variasi fungsi pelatihan
resilent
backpropagation
yang
memiliki
nilai
MSE
terkecil
0.000981795 menjadi 0,000944155. Hal yang sama dengan tingkat generalisasi pada data validasi dan data testing, mengalami peningkatan menjadi 87.88% untuk data validasi dan 75.76% untuk data testing. Nilai MSE terkecil dan tingkat generalisasi tertinggi dari data validasi pada percobaan ini berada pada laju pembelajaran 0.5 dan jumlah hidden-node 5. Tabel 7 merupakan hasil percobaan pada kelompok data pertama dengan menggunakan fungsi pelatihan levenberg-marquardt. Tabel 7
Kelompok data pertama MPLS dengan fungsi pelatihan levenbergmarquardt Pembelajaran
Laju Pembelajaran 0.01
0.05
0.1
0.5
Pengujian
Hidden Node
Waktu (detik)
MSE
Data Validasi (%)
Data Testing (%)
5
0.97
0.000216378
96.97
81.82
10
1.31
0.000819831
96.97
78.79
15
2.51
0.000246061
93.94
78.79
5
0.58
0.00076569
51.51
60.61
10
1.08
0.000706945
96.97
81.82
15
1.58
0.000443307
81.82
69.70
5
0.83
0.000166963
96.97
87.88
10
0.75
0.000300433
63.64
45.45
15
1.14
0.000562517
96.97
75.76
5
1.06
0.00023595
96.97
84.85
10
1.05
0.000501864
96.97
84.85
15
2.42
0.000269378
51.51
51.51
Percobaan dengan menggunakan fungsi pelatihan levenberg-marquardt menunjukkan bahwa nilai waktu pembelajaran tercepat, nilai MSE terkecil dan tingkat generalisasi untuk data validasi dan data testing dari percobaan ini mengalami perbaikan nilai jika dibandingkan dengan hasil percobaan dengan menggunakan fungsi pelatihan resilent backpropagation dan scaled conjugate gradient. Nilai waktu pembelajaran tercepat turun menjadi 0.58 detik (jaringan semakin lebih cepat belajar), nilai MSE terkecil semakin mendekati nol menjadi 0,000166963 dan tingkat generalisasi tertinggi dari data validasi dan data testing
31
meningkat menjadi 97.97% dan 87.88%. MSE terkecil dan tingkat generalisasi tertinggi dari data validasi dan data testing pada percobaan ini berada pada laju pembelajaran 0.1 dan jumlah hidden-node 5. Dari ketiga hasil percobaan kelompok data pertama pada model prediksi lama studi (MPLS) dengan menggunakan variasi fungsi pelatihan dapat diketahui bahwa proses percobaan dengan menggunakan fungsi pelatihan levenberg-marquardt terbukti dapat memperbaiki bobot sehingga bisa menghasilkan waktu pembelajaran yang lebih cepat pada proses pembelajarannya, nilai MSE yang semakin kecil dan tingkat generalisasi data valiadasi dan data testing yang lebih tinggi. Tabel 8 menyajikan hasil percobaan pada kelompok data kedua dengan menggunakan fungsi pelatihan dengan perbaikan teknik heuristik resilent backpropagation. Tabel 8
Kelompok data kedua MPLS dengan fungsi pelatihan resilent backpropagation Pembelajaran
Laju Pembelajaran 0.01
0.05
0.1
0.5
Pengujian
Hidden Node
Waktu (detik)
MSE
Data Validasi (%)
Data Testing (%)
5
0.89
0.0151417
72.73
63.64
10
1.95
0.0217372
36.36
39.39
15
6.76
0.003475
51.51
51.51
5
2.16
0.016927
72.73
51.51
10
2.28
0.0221829
42.42
30.30
15
3.7
0.0126983
54.54
54.54
5
1.09
0.0127768
66.67
63.64
10
0.83
0.0293735
42.42
42.42
15
2.37
0.0193201
30.30
39.39
5
2.23
0.0138682
63.64
72.73
10
0.78
0.0218776
42.42
36.36
15
1.14
0.0218282
30.30
33.33
Dari Tabel 8 terlihat bahwa waktu pembelajaran tercepat 0.78 detik berada pada laju pembelajaran 0.5 dan jumlah hidden-node 10. Nilai MSE terkecil yang diperoleh pada percobaan kelompok data kedua ini sebesar 0.003475. Tingkat generalisasi tertinggi dari data validasi dan data testing memiliki besar persentase yang sama yakni 72.73%.
32
Hasil percobaan pada kelompok data kedua dengan menggunakan fungsi pelatihan dengan perbaikan teknik optimasi scaled conjugate gradient disajikan oleh Tabel 9 Tabel 9 Kelompok data kedua MPLS dengan fungsi pelatihan scaled conjugate gradient Pembelajaran Laju Pembelajaran
Pengujian
Hidden Node
Waktu (detik)
MSE
Data Validasi (%)
Data Testing (%)
5
3.03
0.00383901
78.79
69.70
10
2.05
0.0036767
60.61
54.54
15
2.81
0.0121926
33.33
45.45
5
1.28
0.00669076
57.58
54.54
10
1.58
0.00728416
54.54
51.51
15
3.5
0.00317069
63.64
66.67
5
2.33
0.00687482
75.76
54.54
10
1.92
0.0180658
60.61
66.67
15
1.58
0.00918971
36.36
51.51
5
0.75
0.0251495
33.33
30.30
10
0.97
0.0180658
57.58
45.45
15
2.81
0.00129705
45.45
48.48
0.01
0.05
0.1
0.5
Percobaan pada kelompok data kedua dengan menggunakan fungsi pelatihan
scaled
conjugate
gradient
terlihat
adanya
penurunan
waktu
pembelajaran yang tadinya 0.78 detik pada percobaan denan fungsi pelatihan pelatihan resilent backpropagation, semakin lebih cepat menjadi 0.75 detik. Begitupula dengan nilai MSE terkecil dan tingkat generalisasi tertinggi dari data validasi, terlihat mengalami perbaikan, dimana nilai MSE menjadi semakin lebih kecil menjadi 0.00129705 dan generaliasi untuk data testing meningkat menjadi 78.79%. Berbeda dengan tingkat generalisasi tertinggi untuk data testing, pada percobaan ini justru mengalami penurunan yang tadinya 72,73% pada percobaan dengan fungsi pelatihan resilent backpropagation turun menjadi 69.70% pada percobaan dengan menggunakan fungsi pelatihan conjugate gradient.
33
Tabel 10 merupakan hasil percobaan pada kelompok data kedua dengan menggunakan fungsi pelatihan levenberg-marquardt. Tabel 10
Kelompok data kedua MPLS dengan fungsi pelatihan levenbergmarquardt Pembelajaran
Laju Pembelajaran 0.01
0.05
0.1
0.5
Hidden Node
Waktu (detik)
5
Pengujian MSE
Data Validasi (%)
Data Testing (%)
2.12
0.0097173
100
84.85
10
1.25
0.000155764
96.97
90.91
15
3.67
0.000408802
100
84.85
5
0.95
0.000480738
96.97
90.91
10
0.87
0.000681699
84.85
66.67
15
2.47
0.000308323
81.82
78.79
5
1.23
0.000222664
100
87.88
10
1.31
0.000139984
100
93.94
15
3.08
0.000308323
81.82
78.79
5
0.64
0.00095442
100
84.85
10
1.25
0.000349162
100
84.85
15
2.23
0.00018535
84.85
81.82
Percobaan terakhir untuk model prediksi lama studi (MPLS) pada kelompok data kedua dengan menggunakan fungsi pelatihan levenberg-marquardt memperlihatkan bahwa nilai waktu pembelajaran tercepat, nilai MSE terkecil dan tingkat generalisasi untuk data validasi dan data testing mengalami perbaikan nilai jika dibandingkan dengan hasil percobaan dengan menggunakan fungsi pelatihan resilent backpropagation dan scaled conjugate gradient. Jaringan menyelesaikan pembelajaran lebih cepat hingga 0.64 detik. Nilai MSE terkecil yang dihasilkan pun merupan nilai MSE terkecil dari dua percobaan sebelumnya, yakni 0,000139984. Begitupula dengan tingkat generalisasi tertinggi dari data validasi dan data testing, yang dapat mencapai akurasi hingga 100% untuk data validasi dan 93.94% untuk data testing. Tingkat generalisasi tertinggi dari data validasi yang mencapai 100% dihasilkan oleh percobaan di semua variasi laju pembelajaran, akan tetapi yang paling optimal adalah tingkat variasi pembelajaran yang menghasilkan nilai MSE yang paling minimum. Besarnya nilai MSE
34
minimum dan tingkat generalisasi tertinggi dari data validasi dan data testing berada pada laju pembelajaran 0.5 dan jumlah hidden-node 5. b.
Model Prediksi IPK (MPIPK) Hasil percobaan pada kelompok data pertama dengan menggunakan fungsi
pelatihan dengan perbaikan teknik heuristik resilent backpropagation disajikan oleh Tabel 11. Tabel 11
Kelompok data pertama MPIPK dengan fungsi pelatihan resilent backpropagation Pembelajaran
Laju Pembelajaran 0.01
0.05
0.1
0.5
Tabel
Pengujian
Hidden Node
Waktu (detik)
MSE
Data Validasi (%)
Data Testing (%)
5
1.86
0.000957178
66.67
60.61
10
2.55
0.00286595
42.42
39.39
15
5
0.000993947
42.42
36.36
5
1.59
0.000958842
66.67
57.58
10
2.7
0.00099877
51.51
39.39
15
4.83
0.000997348
45.45
33.33
5
2.55
0.000980295
42.42
48.48
10
3.09
0.000999637
57.58
51.51
15
2.83
0.00098639
48.48
45.45
5
1.55
0.000998489
66.67
57.58
10
2.92
0.000978523
60.61
51.51
15
4.45
0.00099939
51.51
51.51
11 menunjukkan bahwa waktu pembelajaran tercepat 1.55 detik
berada pada laju pembelajaran 0.5 dan jumlah hidden-node 5. Sedangkan nilai MSE terkecil dan tingkat generalisasi tertinggi dari data validasi dan data testing berada pada laju pembelajaran 0.01 dan jumlah hidden-node 5. Hal ini menunjukkan bahwa pada percobaan ini, penambahan nilai laju pembelajaran berbanding terbalik dengan nilai waktu pembelajaran dan tingkat generalisasi yang dihasilkan dari data validasi dan data testing, hal ini dapat dikatakan bahwa semakin besar nilai laju pembelajaran yang diberikan maka JST akan semakin cepat belajar tapi dengan akurasi yang rendah, sebaliknya kecilnya nilai laju pembelajarannya menyebabkan JST lebih lambat menyelesaikan pembelajarannya akan tetapi kemampuan pengenalan terhadap data yang baru diberikan menjadi
35
semakin baik, ditunjukkan dengan nilai MSE yang lebih kecil dan tingkat generalisasi data pengujian yang lebih tinggi. Hasil percobaan pada kelompok data pertama dengan menggunakan fungsi pelatihan dengan perbaikan teknik optimasi scaled conjugate gradient ditunjukkan oleh Tabel 12. Tabel 12 Kelompok data pertama MPIPK dengan fungsi pelatihan scaled conjugate gradient Pembelajaran Laju Pembelajaran 0.01
0.05
0.1
0.5
Pengujian
Hidden Node
Waktu (detik)
MSE
Data Validasi (%)
Data Testing (%)
5
1.45
0.000955635
69.70
48.48
10
1.48
0.000981308
78.79
69.70
15
2.95
0.000971796
54.54
48.48
5
1.36
0.000769821
75.76
45.45
10
2.08
0.000965313
60.61
48.48
15
1.09
0.000972445
54.54
45.45
5
0.98
0.000868043
51.51
42.42
10
0.86
0.000949777
54.54
45.45
15
1.17
0.000974621
57.58
45.45
5
1.53
0.000959069
69.70
60.61
10
0.92
0.000970857
57.58
36.36
15
1.98
0.000989036
54.54
51.51
Percobaan dengan menggunakan fungsi pelatihan scaled conjugate gradient menujukkan bahwa waktu pembelajaran tercepat yang dihasilkan mengalami penurunan dari waktu pembelajaran pada percobaan dengan menggunakan fungsi pelatihan resilent backpropagation, dari 1.55 detik menjadi 0.86 detik. Begitu pula halnya dengan nilai MSE minimum yang dihasilkan menjadi lebih kecil, yakni 0.000769821. pada percobaan ini, besarnya tingkat generalisasi data validasi dan data testing meningkat menjadi 78.79% untuk data validasi dan 69.70% untuk data testing.
36
Tabel 13 merupakan hasil percobaan pada kelompok data pertama dengan menggunakan fungsi pelatihan levenberg-marquardt. Tabel 13 Kelompok data pertama MPIPK dengan fungsi pelatihan levenbergmarquardt Pembelajaran Laju Pembelajaran 0.01
0.05
0.1
0.5
Hidden Node
Waktu (detik)
5
Pengujian MSE
Data Validasi (%)
Data Testing (%)
1.11
0.000218431
96.97
81.82
10
1.77
0.000615292
90.91
93.94
15
1.62
0.000477002
87.88
87.88
5
0.75
0.00023007
90.91
93.94
10
1.39
0.000477876
84.85
66.67
15
1.62
0.00020203
100
90.91
5
0.84
0.000191114
100
93.94
10
0.72
0.00057339
96.97
96.97
15
1.41
0.000879338
96.97
96.97
5
0.67
0.00090487
90.91
84.85
10
2.78
0.000385146
100
93.94
15
2.11
0.000304195
84.85
90.91
Waktu pembelajaran dan nilai MSE minimum pada percobaan dengan menggunakan fungsi pelatihan levenberg-marquardt ini merupakan waktu pembelajaran dan nilai MSE yang paling minimum dari ketiga percobaan pada kelompok data pertama mode prediksi indeks prestasi kumulatif (MPIPK), mencapai 0.67 detik untuk waktu pembelajaran tercepat dan 0,000191114 untuk nilai MSE terkecilnya. Generalisasi tertinggi dari data validasi yang mencapai hingga 100% berada pada beberapa variasi laju pembelajaran, tapi yang paling optimal adalah variasi pembelajaran yang menghasilkan nilai MSE yang paling minimum, yakni laju pembelajaran 0.1 dan jumlah hidden-node 5. Untuk tingkat generalisasi tertinggi dari data testing sebesar 96.97% dicapai pada pada laju pembelajaran yang sama yakni 0.1 tapi dengan variasi jumlah hidden-node yang berbeda, dan yang dipilih yang paling optimal adalah variasi jumlah hidden-node dan nilai MSE yang paling minimum.
37
Percobaan pada kelompok data kedua dengan menggunakan fungsi pelatihan dengan perbaikan teknik heuristik resilent backpropagation disajikan oleh Tabel 14. Tabel 14 Kelompok data kedua MPIPK dengan fungsi pelatihan resilent backpropagation Pembelajaran Laju Pembelajaran 0.01
0.05
0.1
0.5
Pengujian
Hidden Node
Waktu (detik)
MSE
Data Validasi (%)
Data Testing (%)
5
1.44
0.000987411
69.70
63.64
10
3.59
0.00099581
45.45
39.40
15
7.73
0.000997672
36.36
33.33
5
2.61
0.000901142
66.67
60.61
10
4.66
0.000993785
57.58
66.67
15
3.42
0.000992573
48.48
45.45
5
2.84
0.000968121
51.51
57.58
10
3.77
0.000999311
69.70
60.61
15
3.67
0.000995393
36.36
30.30
5
3.06
0.000996845
63.64
66.67
10
2.92
0.000967021
72.73
63.64
15
9.72
0.0011936
36.36
39.39
Pada percobaan kelompok data kedua dari model prediksi indeks prestasi kumulatif (MPIPK) menggunakan menggunakan fungsi pelatihan dengan perbaikan teknik heuristik resilent backpropagation terlihat bahwa waktu pembelajaran tercepat 1.44 detik berada pada laju pembelajaran 0.01 dan jumlah hidden-node 5. Sedangkan nilai MSE terkecil berada pada laju pembelajaran 0.05 dan jumlah hidden-node 5, sebesar 0.000901142. Tingkat generalisasi tertinggi dari data validasi dan data testing pada percobaan sebesar 72.73% 66.67%. Besarnya tingkat generalisasi tertinggi dari data validasi dan data testing pada percobaan kelompok data kedua ini masih lebih tinggi dari percobaan kelompok pertama dengan menggunakan fungsi yang sama yakni resilent backpropagation. Begitupula dengan nilai minimum dari waktu pembelajaran dan MSE, diperoleh pada percobaan kelompok data kedua. Hal ini menunjukkan teknik pengambilan data pada kelompok data kedua lebih baik dari teknik pengambilan data pada kelompok data pertama percobaan.
38
Tabel 15 merupakan hasil percobaan pada kelompok data kedua dengan menggunakan fungsi pelatihan dengan perbaikan teknik optimasi scaled conjugate gradient. Tabel 15 Kelompok data kedua MPIPK dengan fungsi pelatihan scaled conjugate gradient Pembelajaran Laju Pembelajaran 0.01
0.05
0.1
0.5
Pengujian
Hidden Node
Waktu (detik)
MSE
Data Validasi (%)
Data Testing (%)
5
1.37
0.000904174
69.70
57.58
10
2.62
0.000993742
54.54
57.58
15
3.09
0.0009696
51.51
60.61
5
1.77
0.000978738
57.58
51.51
10
2.12
0.00099061
72.73
72.73
15
2.64
0.000989719
63.64
66.67
5
1.81
0.000959078
42.42
54.54
10
1.78
0.000953541
60.61
57.58
15
3.09
0.000926358
66.67
57.58
5
1.37
0.000865037
84.85
75.76
10
2.48
0.000989815
60.61
57.58
15
2.22
0.000956621
63.64
54.54
Percobaan kelompok data kedua dengan menggunakan fungsi pelatihan scaled conjugate gradient menunjukkan bahwa nilai waktu pembelajaran terkecil 1.37 detik berada pada laju pembelajaran 0.01 dan jumlah hidden-node 5. Waktu pembelajaran pada percobaan ini mengalami penurunan nilai dari waktu pembelajaran yang dihasilkan oleh percobaan kelompok data kedua dengan menggunakan fungsi pelatihan resilent backpropagation. Begitupula dengan nilai minimum MSE dan tingkat generalisasi tertinggi dari data validasi dan data testing, percobaan dengan fungsi pelatihan scaled conjugate gradient dapat memperbaiki nilai minimum MSE serta meningkatkan generalisasi. Nilai MSE 0,000865037, tingkat generalisasi data validasi 84.85% dan tingkat generalisasi data testing 75.76% berada pada laju pembelajaran 0.5 dan jumlah hiiden-node 5.
39
Tabel 16 merupakan hasil percobaan pada kelompok data kedua dengan menggunakan fungsi pelatihan levenberg-marquardt. Tabel 16 Kelompok data kedua MPIPK dengan fungsi pelatihan levenbergmarquardt Pembelajaran Laju Pembelajaran 0.01
0.05
0.1
0.5
Pengujian
Hidden Node
Waktu (detik)
MSE
Data Validasi (%)
Data Testing (%)
5
1.22
0.000761334
93.94
93.94
10
1.47
0.00046493
96.97
96.97
15
2.41
0.000590082
81.82
87.88
5
1.44
0.000161575
93.94
96.97
10
0.67
0.000208885
93.94
96.97
15
1.87
0.000133644
96.97
100.00
5
1.16
0.000821453
96.97
90.91
10
0.89
0.000199638
96.97
96.97
15
2.28
0.000323721
90.91
96.97
5
1.11
0.000354277
90.91
93.94
10
1.47
0.000848426
90.91
96.97
15
1.62
0.000873397
84.85
78.79
Percobaan pada kelompok data kedua dari model prediksi indeks prestasi kumulatif (MPIPK) dengan menggunakan fungsi pelatihan levenberg-marquardt menunjukkan bahwa waktu pembelajaran yang tercepat 0.67 detik berada pada laju pembelajaran 0.05 dan hidden-node 10. Sebagaimana halnya dengan waktu pembelajaran, nilai minimum MSE dari percobaan ini mengalami penurunan dari nilai minimum MSE pada percobaan pada kelompok data kedua dengan menggunakan fungsi pelatihan resilent backpropagation dan scaled conjugate gradient. Tingkat generalisasi data validasi tertinggi mencapai 96.97% berada pada beberapa variasi laju pembelajaran, yang paling optimal adalah variasi laju pembelajaran yang menghasilkan nilai MSE yang paling minimum, yakni laju pembelajaran 0.05 dan jumlah hidden-node 15. Tingkat generalisasi tertinggi dari data testing mencapai nilai optimum 100% berada pada variasi laju pembelajaran dan jumlah hidden-node yang sama dengan tingkat generalisasi tertinggi dari data validasi dan nilai MSE minimum.
40
4.3
Analisa hasil pembelajaran dan pengujian Digunakannya variasi parameter jaringan dalam proses pembelajaran dan
pengujian dimaksudkan untuk mendapatkan parameter terbaik dari model JST yang kemudian digunakan untuk melakukan prediksi tingkat kelulusan mahasiswa, dengan membandingkan hasil percobaan pelatihan dan pengujian pada dua kelompok data dan fungsi pelatihan yang berbeda, dimana pada masingmasing kelompok data,
hasil
percobaan
memberikan informasi
waktu
pembelajaran tercepat, nilai MSE terkecil, dan generalisasi data validasi dan data testing tertinggi, parameter laju pembelajaran dan jumlah hidden-node. Tabel 17 Hasil Pembelajaran dan Pengujian dari Model Prediksi Lama Studi (MPLS) Kelompok Data Pertama Wkt Data Variasi Pembelajaran MSE Validasi (detik) (%) Fungsi Pelatihan resilent backpropagation 2.03 0.000981795 75.76 Lr 0.5 0.01 0.01 Hidden 15 5 5 -Node Fungsi Pelatihan scaled conjugate gradient 1.06 0.000944155 87.88 Lr 0.01 0.5 0.5 Hidden 5 5 5 -Node Fungsi Pelatihan levenberg-marquardt 0.58 0.000166963 96.97 Lr 0.05 0.1 0.1 Hidden 5 5 5 -Node
Kelompok Data Kedua Data MSE Validasi (%)
Data Testing (%)
Wkt Pembelajar an (detik)
Data Testing (%)
66.67 0.05
0.78 0.5
0.003475 0.1
72.73 0.01
72.73 0.5
5
10
15
5
5
75.76 0.1
0.75 0.5
0.00129705 0.5
78.79 0.01
69.70 0.01
5
5
15
5
5
87.88 0.1
0.64 0.5
0.000139984 0.1
100.00 0.1
93.95 0.1
5
5
10
10
10
Keterangan : Lr = Learning Rate
Berdasarkan hasil pembelajaran dan pengujian dari model prediksi lama studi (MPLS) terlihat bahwa waktu pembelajaran tercepat 0.58 detik, dihasilkan oleh pembelajaran pada kelompok data pertama dengan variasi fungsi pelatihan levenberg-marquardt pada laju pembelajaran 0.05 dan jumlah hidden-node 5. Nilai MSE terkecil dan tingkat generalisasi tertinggi dari data validasi dan data testing dihasilkan oleh pembelajaran kelompok data kedua dengan variasi fungsi pelatihan levenberg-marquardt, laju pembelajaran 0.1 dan jumlah hidden-node 10. Hasil pembelajaran dan pengujian menunjukkan adanya perbaikan nilai yang dihasilkan oleh percobaan dengan menggunakan beberapa variasi fungsi pelatihan. Nilai waktu pembelajaran, MSE dan tingkat generalisasi dari data validasi dan data testing yang dihasilkan oleh percobaan dengan fungsi pelatihan resilent backpropagation terus diperbaiki bobotnya hingga menghasilkan waktu pembelajaran yang lebih cepat, nilai MSE yang lebih minimum dan tingkat
41
akurasi yang lebih tinggi pada percobaan dengan fungsi pelatihan scaled conjugate gradient hingga dengan levenberg-marquardt. Tabel 18 Hasil Pembelajaran dan Pengujian pada Model Prediksi Indeks Prestasi Kumulatif (MPIPK) Kelompok Data Pertama Wkt Data Pembelajar MSE Validasi an (detik) (%) Fungsi Pelatihan resilent backpropagation 1.55 0.000957178 66.67 Lr 0.5 0.01 0.01 Hidden5 1 5 Node Fungsi Pelatihan scaled conjugate gradient 0.86 0.000769821 78.79 Lr 0.1 0.05 0.01 Hidden10 5 10 Node Fungsi Pelatihan levenberg-marquardt 0.000191114 0.67 100 Lr 0.5 0.1 0.1 Hidden5 5 5 Node Variasi
Kelompok Data Kedua Data MSE Validasi (%)
Data Testing (%)
Wkt Pembelajaran (detik)
Data Testing (%)
60.61 0.01 5
1.44 0.01 5
0.000901142 0.05 5
72.73 0.5 10
66.67 0.05 10
69.70 0.01 10
1.37 0.01 5
0.000865037 0.5 5
84.85 0.5 5
75.76 0.5 5
96.97 0.1 10
0.67 0.05 10
0.000133644 0.05 15
96.97 0.05 15
100 0.05 15
Keterangan : Lr = Learning Rate
Berdasarkan hasil pembelajaran dan pengujian dari model prediksi indeks preastasi kumulatif (MPIPK) terlihat bahwa waktu pembelajaran tercepat 0.67 detik, dihasilkan oleh pembelajaran pada kedua kelompok data dengan variasi laju pembelajaran dan jumlah hidden-node yang berbeda. Laju pembelajan 0.5 dan jumlah hidden-node 5 untuk kelompok data pertama serta laju pembelajaran 0.05 dan jumlah hidden-node 10 untuk kelompok data kedua. Waktu pembelajaran tertinggi dihasilkan oleh percobaan dengan fungsi pelatihan levenberg-marquardt. Nilai MSE terkecil 0.000133644 dan tingkat generalisasi tertinggi dari data testing 100% dihasilkan oleh pembelajaran kelompok data kedua dengan variasi fungsi pelatihan levenberg-marquardt, laju pembelajaran 0.05 dan jumlah hidden-node 15. Tingkat generalisasi tertinggi dari data validasi mencapai hingga 100% dihasilkan oleh percobaan pada kelompok data pertama dengan fungsi pelatihan levenberg-marquardt pada variasi laju pembelajaran 0.1 dan jumlah hidden-node 5. Hasil pembelajaran dan pengujian menunjukkan adanya perbaikan nilai yang dihasilkan oleh percobaan dengan menggunakan beberapa variasi fungsi pelatihan. Nilai waktu pembelajaran, MSE dan tingkat generalisasi dari data validasi dan data testing yang dihasilkan oleh percobaan dengan fungsi pelatihan
42
resilent backpropagation terus diperbaiki bobotnya hingga menghasilkan waktu pembelajaran yang lebih cepat, nilai MSE yang lebih minimum dan tingkat akurasi yang lebih tinggi pada percobaan dengan fungsi pelatihan scaled conjugate gradient hingga dengan levenberg-marquardt. 4.4
Analisis waktu pembelajaran Analisis waktu pembelajaran dimaksudkan untuk melihat 2 (dua) hal, yakni:
(1) mengetahui trendline perubahan waktu pembelajaran apabila parameter pembelajaran divariasikan dengan adanya penambahan nilainya. Terendline perubahan waktu pembelajaran dihitungan berdasarkan banyaknya variasi jumlah hidden-node ketika trendline waktu pembelajaran menunjukkan adanya peningkatan maupun penurunan nilai seiring berubahnya nilai laju pembelajaran; dan (2) mengetahui trendline perubahan waktu pembelajaran apabila jumlah hidden-node divariasikan dengan adanya penambahan jumlahnya. Terendline perubahan waktu pembelajaran dihitungan berdasarkan banyaknya variasi laju pembelajaran ketika trendline waktu pembelajaran menunjukkan adanya peningkatan maupun penurunan nilai seiring berubahnya jumlah hidden-node. 4.4.1 Model Prediksi Lama Studi (MPLS) Pembahasan berikut menunjukkan pola perubahan nilai waktu pembelajaran dengan variasi nilai laju pembelajaran dan jumlah hidden-node yang dibedakan atas fungsi pelatihan yang digunakan. a. Fungsi pelatihan resilent backpropagation Perubahan nilai waktu pembelajaran dengan variasi jumlah hidden-node pada percobaan dengan fungsi pelatihan resilent backpropagation yang dibedakan berdasarkan kelompok data ditunjukkan oleh Gambar 9.
(a) Kelompok Data Pertama
43
(b) Kelompok Data Kedua Gambar 9 Perubahan nilai waktu pembelajaran dengan variasi jumlah hidden-node menggunakan fungsi pelatihan resilent backpropagation pada MPLS (a) kelompok data pertama (b) kelompok data kedua. Gambar 9 menunjukkan bahwa nilai waktu pembelajaran tercepat 0.78 detik berada pada kelompok data pertama dan nilai waktu pembelajaran terlama 7.47 detik berada pada kelompok data kedua. Trendline waktu pembelajaran dari kelompok data pertama memperlihatkan adanya peningkatan nilai waktu pembelajaran pada percobaan dengan variasi jumlah hidden-node 10 ketika berubahnya nilai laju pembelajaran, dua variasi jumlah hidden-node lainnya menunjukkan adanya penurunan nilai waktu pembelajaran. Trendline waktu pembelajaran dari kelompok data kedua memperlihatkan adanya peningkatan nilai waktu pembelajaran pada percobaan dengan variasi jumlah hidden-node 5 ketika berubahnya nilai laju pembelajaran, dua variasi jumlah hidden-node lainnya menunjukkan adanya penurunan nilai waktu pembelajaran. Sehingga dari total 6 variasi jumlah hidden-node pada kedua kelompok data, terdapat 2 variasi jumlah hidden-node yang menunjukkan adanya peningkatan waktu pembelajaran ketika nilai laju pembelajaran yang digunakan dalam percobaan semakin besar, 4 variasi jumlah hidden-node lainnya menunjukkan penurunan nilai waktu pembelajaran.
44
Perubahan nilai waktu pembelajaran dengan variasi laju pembelajaran pada percobaan dengan fungsi pelatihan resilent backpropagation yang dibedakan berdasarkan kelompok data, ditunjukkan oleh Gambar 10.
(a) Kelompok Data Pertama
(b) Kelompok Data Kedua Gambar 10 Perubahan nilai waktu pembelajaran dengan variasi laju pembelajaran menggunakan fungsi pelatihan resilent backpropagation pada MPLS (a) kelompok data pertama (b) kelompok data kedua.
Trendline waktu pembelajaran dari kelompok data pertama memperlihatkan adanya penurunan nilai waktu pembelajaran pada keempat variasi laju pembelajaran
ketika
berubahnya
jumlah
hidden-node.
Trendline
waktu
pembelajaran dari kelompok data kedua memperlihatkan adanya peningkatan nilai waktu pembelajaran pada ketiga variasi laju pembelajaran ketika berubahnya
45
jumlah hidden-node, yakni 0.01, 0.05 dan 0.1. satu variasi laju pembelajaran yakni 0.5 menunjukkan adanya penurunan nilai waktu pembelajaran. Sehingga dari total 8 variasi laju pembelajaran pada kedua kelompok data, terdapat 3 variasi laju pembelajaran yang menunjukkan adanya peningkatan waktu pembelajaran ketika jumlah hidden-nyang digunakan dalam percobaan semakin besar, 5 variasi jumlah hidden-node lainnya menunjukkan penurunan nilai waktu pembelajaran. b. Fungsi pelatihan scaled conjugate gradient Perubahan nilai waktu pembelajaran dengan variasi jumlah hidden-node pada percobaan dengan fungsi pelatihan scaled conjugate gradient yang dibedakan berdasarkan kelompok data, ditunjukkan oleh Gambar 11.
(a) Kelompok Data Pertama
(b) Kelompok Data Kedua Gambar 11 Perubahan nilai waktu pembelajaran dengan variasi jumlah hiddennode menggunakan fungsi pelatihan scaled conjugate gradient pada MPLS (a) kelompok data pertama (b) kelompok data kedua
46
Gambar 11 menyajikan trendline waktu pembelajaran untuk kelompok data pertama yang menunjukkan adanya peningkatan nilai waktu pembelajaran ketika berubahnya nilai laju pembelajaran pada ketiga variasi jumlah hidden-node. Trendline waktu pembelajaran dari kelompok data kedua menunjukkan adanya penurunan nilai waktu pembelajaran ketika berubahnya nilai laju pembelajaran pada ketiga variasi jumlah hidden-node. Perubahan nilai waktu pembelajaran dengan variasi laju pembelajaran pada percobaan dengan fungsi pelatihan scaled conjugate gradient yang dibedakan berdasarkan kelompok data, ditunjukkan oleh Gambar 12.
(a) Kelompok Data Pertama
(b) Kelompok Data Kedua Gambar 12 Perubahan nilai waktu pembelajaran dengan variasi laju pembelajaran menggunakan fungsi pelatihan scaled conjugate gradient pada MPLS (a) kelompok data pertama (b) kelompok data kedua
47
Trendline waktu pembelajaran dari kelompok data pertama memperlihatkan adanya peningkatan nilai waktu pembelajaran pada keempat variasi laju pembelajaran
ketika
berubahnya
jumlah
hidden-node.
Trendline
waktu
pembelajaran dari kelompok data kedua memperlihatkan adanya peningkatan nilai waktu pembelajaran pada dua variasi laju pembelajaran, yakni 0.05 dan 0.5. dua variasi laju pembelajaran lainnya yakni
0.01 dan 0.1 menunjukkan adanya
penurunan nilai waktu pembelajaran. Sehingga dari total 8 variasi laju pembelajaran pada kedua kelompok data, terdapat 6 variasi laju pembelajaran yang menunjukkan adanya peningkatan waktu pembelajaran ketika jumlah hidden-nyang digunakan dalam percobaan semakin besar, 2 variasi jumlah hidden-node lainnya menunjukkan penurunan nilai waktu pembelajaran.
c. Fungsi pelatihan levenberg-marquardt Perubahan nilai waktu pembelajaran dengan variasi jumlah hidden-node pada percobaan dengan fungsi pelatihan levenberg-marquardt yang dibedakan berdasarkan kelompok data, ditunjukkan oleh Gambar 13.
(a) Kelompok Data Pertama
48
(b) Kelompok Data Kedua Gambar 13 Perubahan nilai waktu pembelajaran dengan variasi jumlah hiddennode menggunakan fungsi pelatihan levenberg-marquardt pada MPLS (a) kelompok data pertama (b) kelompok data kedua Gambar 13 menunjukkan bahwa trendline peningkatan waktu pembelajaran dihasilkan oleh percobaan dengan variasi jumlah hidden-node 5 pada kelompok data pertama dan jumlah hidden-node 10 pada kelompok data kedua, selebihnya sebanyak 4 (empat) variasi jumlah hidden-node menunjukkan adanya penurunan waktu pembelajaran ketika nilai laju pembelajaran yang digunakan semakin besar. Perubahan nilai waktu pembelajaran dengan variasi laju pembelajaran pada percobaan dengan fungsi pelatihan levenberg-marquardt yang dibedakan berdasarkan kelompok data, ditunjukkan oleh Gambar 14.
(a) Kelompok Data Pertama
49
(b) Kelompok Data Kedua Gambar 14 Perubahan nilai waktu pembelajaran dengan variasi laju pembelajaran menggunakan fungsi pelatihan levenberg-marquardt pada MPLS (a) kelompok data pertama (b) kelompok data kedua
Trendline waktu pembelajaran dari kedua kelompok data dari Gambar 14 memperlihatkan adanya peningkatan nilai waktu pembelajaran pada semua variasi laju pembelajaran ketika jumlah hidden-node yang digunakan dalam percobaan semakin besar. Untuk mengetahui apakah perubahan nilai pada parameter waktu pembelajaran dapat meningkatkan atau menurunkan nilai waktu pembelajaran maka seluruh trendline dari variasi jumlah hidden-node pada percobaan model prediksi lama studi (MPLS) diakumulasikan seperti yang disajikan pada Tabel 19. Tabel 19 Analisis hubungan waktu pembelajaran dengan variasi jumlah hiddennode ketika berubahnya nilai laju pembelajaran pada model prediksi lama studi (MPLS) Fungsi Pelatihan
Peningkatan waktu pembelajaran
Penurunan waktu pembelajaran
Waktu pembelajaran statis
Total
Jml
%
Jml
%
Jml
%
Jml
%
Resilent backpropagation
2
33%
4
67%
0
0%
6
100%
Scaled Conjugate Gradient
3
50%
3
50%
0
0%
6
100%
Levenberg-Marquardt
2
33%
4
67%
0
0%
6
100%
Rata-Rata
39%
61%
0%
100%
Hasil akumulasi dari menyatakan bahwa sebesar 61% trendline waktu pembelajaran menunjukkan adanya penurunan nilai waktu pembelajaran apabila
50
nilai laju pembelajaran yang digunakan pada percobaan semakin besar, sehingga dapat dikatakan bahwa semakin besar nilai laju pembelajaran yang diberikan maka semakin cepat waktu pembelajaran JST menyelesaikan proses pembelajaran (mencapai konvergen). Untuk
mengetahui
apakah
perubahan
jumlah
hidden-node
dapat
meningkatkan atau menurunkan nilai waktu pembelajaran maka seluruh trendline dari variasi laju pembelajaran pada percobaan model prediksi lama studi (MPLS) diakumulasikan seperti yang disajikan pada Tabel 20. Tabel 20 Analisis hubungan waktu pembelajaran dengan variasi laju pembelajaran ketika berubahnya jumlah hidden-node pada model prediksi lama studi (MPLS) Fungsi Pelatihan
Peningkatan waktu pembelajaran
Penurunan waktu pembelajaran
Waktu pembelajaran statis
Total
Jml
%
Jml
%
Jml
%
Jml
%
Resilent backpropagation
3
38%
5
63%
0
0%
8
100%
Scaled Conjugate Gradient
6
75%
2
25%
0
0%
8
100%
Levenberg-Marquardt
8
100%
0
0%
0
0%
8
100%
Rata-Rata
71%
29%
0%
100%
Trendline waktu pembelajaran yang ditunjukan oleh percobaan dengan variasi laju pembelajaran ketika berubahya jumlah hidden-node menyatakan bahwa sebesar 71% mengalami peningkatan nilai waktu pembelajaran, hal ini dapat dikatakan bahwa semakin besar jumlah hidden-node yang digunakan pada percobaan maka semakin lama JST melakukan pembelajaran. 4.3.2 Model Prediksi Indeks Prestasi Kumulatif (MPIPK) Pembahasan berikut menunjukkan pola perubahan nilai waktu pembelajaran dengan variasi nilai laju pembelajaran dan jumlah hidden-node yang dibedakan atas fungsi pelatihan yang digunakan. a)
Fungsi pelatihan resilent backpropagation Perubahan nilai waktu pembelajaran dengan variasi jumlah hidden-node
pada percobaan dengan fungsi pelatihan resilent backpropagation yang dibedakan berdasarkan kelompok data ditunjukkan oleh Gambar 15.
51
(a) Kelompok Data Pertama
(b) Kelompok Data Kedua Gambar 15 Perubahan nilai waktu pembelajaran dengan variasi jumlah hiddennode menggunakan fungsi pelatihan resilent backpropagation pada MPIPK (a) kelompok data pertama (b) kelompok data kedua. Gambar 15 menunjukkan bahwa nilai waktu pembelajaran tercepat 1.44 detik dan nilai waktu pembelajaran terlama 9.72 detik berada pada kelompok data kedua.
Trendline
waktu
pembelajaran
dari
kelompok
data
pertama
memperlihatkan adanya peningkatan nilai waktu pembelajaran pada percobaan dengan variasi jumlah hidden-node 10 ketika berubahnya nilai laju pembelajaran, variasi jumlah hidden-node 15 menunjukkan penurunan nilai waktu pembelajaran dan variasi jumlah hidden-node 5 menunjukkan perubahan nilai waktu pembelajaran yang statis. Trendline waktu pembelajaran dari kelompok data kedua memperlihatkan adanya peningkatan nilai waktu pembelajaran pada percobaan dengan variasi jumlah hidden-node 5 dan 15 ketika berubahnya nilai
52
laju pembelajaran, variasi jumlah hidden-node 10 menunjukkan adanya penurunan nilai waktu pembelajaran. Sehingga dari total 6 variasi jumlah hidden-node pada kedua kelompok data, terdapat 3 variasi jumlah hidden-node yang menunjukkan adanya peningkatan waktu pembelajaran ketika nilai laju pembelajaran yang digunakan dalam percobaan semakin besar, 2 variasi jumlah hidden-node lainnya menunjukkan penurunan nilai waktu pembelajaran dan 1 variasi jumlah hiddennode menunjukkan perubahan nilai waktu pembelajaran yang statis. Perubahan nilai waktu pembelajaran dengan variasi laju pembelajaran pada percobaan dengan fungsi pelatihan resilent backpropagation yang dibedakan berdasarkan kelompok data, ditunjukkan oleh Gambar 16.
(a) Kelompok Data Pertama
(b) Kelompok Data Kedua Gambar 16 Perubahan nilai waktu pembelajaran dengan variasi laju pembelajaran menggunakan fungsi pelatihan resilent backpropagation pada MPIPK (a) kelompok data pertama (b) kelompok data kedua
53
Trendline waktu pembelajaran dari kelompok data pertama memperlihatkan adanya peningkatan nilai waktu pembelajaran pada ketiga variasi laju pembelajaran ketika berubahnya jumlah hidden-node, satu variasi laju pembelajaran menujukkan waktu pembelajaran yang statis, yakni pada variasi laju pembelajaran 0.1. Trendline waktu pembelajaran dari kelompok data kedua memperlihatkan adanya peningkatan nilai waktu pembelajaran pada kedua variasi laju pembelajaran ketika berubahnya jumlah hidden-node, yakni 0.01 dan 0.5. dua variasi laju pembelajaran lainnya menunjukkan nilai waktu pembelajaran statis, yakni variasi laju pembelajaran 0.05 dan 0.1. Sehingga dari total 8 variasi laju pembelajaran pada kedua kelompok data, terdapat 5 variasi laju pembelajaran yang menunjukkan adanya peningkatan waktu pembelajaran ketika jumlah hidden-nyang digunakan dalam percobaan semakin besar, 3 variasi jumlah hidden-node lainnya menunjukkan perubahan nilai waktu pembelajaran statis.
b)
Fungsi pelatihan scaled conjugate gradient Perubahan nilai waktu pembelajaran dengan variasi jumlah hidden-node
pada percobaan dengan fungsi pelatihan scaled conjugate gradient yang dibedakan berdasarkan kelompok data, ditunjukkan oleh Gambar 17.
(a) Kelompok Data Pertama
54
(b) Kelompok Data Kedua Gambar 17 Perubahan nilai waktu pembelajaran dengan variasi jumlah hiddennode menggunakan fungsi pelatihan scaled conjugate gradient pada MPIPK (a) kelompok data pertama (b) kelompok data kedua Gambar 17 menyajikan trendline waktu pembelajaran pada kedua kelompok data menunjukkan adanya penurunan nilai waktu pembelajaran ketika berubahnya nilai laju pembelajaran pada keempat variasi jumlah hidden-node. Dua variasi jumlah hidden-node menunjukkan perubahan waktu pembelajaran yang statis, tepatnya variasi jumlah hidden-node 5, baik pada kelompok data pertama maupun kelompok data kedua. Perubahan nilai waktu pembelajaran dengan variasi laju pembelajaran pada percobaan dengan fungsi pelatihan scaled conjugate gradient yang dibedakan berdasarkan kelompok data, ditunjukkan oleh Gambar 18.
(a) Kelompok Data Pertama
55
(b) Kelompok Data Kedua Gambar 18 Perubahan nilai waktu pembelajaran dengan variasi laju pembelajaran menggunakan fungsi pelatihan scaled conjugate gradient pada MPLS (a) kelompok data pertama (b) kelompok data kedua Trendline waktu pembelajaran dari kelompok data pertama memperlihatkan adanya peningkatan nilai waktu pembelajaran pada dua variasi laju pembelajaran, penurunan nilai waktu pembelajaran pada satu variasi laju pembelajaran dan satu pembelejaran lainnya menunjukkan perubahan waktu pembelajaran statis. Trendline waktu pembelajaran dari kelompok data kedua memperlihatkan adanya peningkatan nilai waktu pembelajaran pada keempat variasi laju pembelajaran. Sehingga dari total 8 variasi laju pembelajaran pada kedua kelompok data, terdapat 6 variasi laju pembelajaran yang menunjukkan adanya peningkatan waktu pembelajaran ketika jumlah hidden-n yang digunakan dalam percobaan semakin besar, 1 variasi jumlah hidden-node lainnya menunjukkan penurunan nilai waktu pembelajaran dan 1 variasi jumlah hidden-node lainnya menunjukkan perubahan nilai waktu pembelajaran statis.
56
c)
Fungsi pelatihan levenberg-marquardt Perubahan nilai waktu pembelajaran dengan variasi jumlah hidden-node
pada percobaan dengan fungsi pelatihan levenberg-marquardt yang dibedakan berdasarkan kelompok data, ditunjukkan oleh Gambar 19.
(a) Kelompok Data Pertama
(b) Kelompok Data Kedua Gambar 19 Perubahan nilai waktu pembelajaran dengan variasi jumlah hiddennode menggunakan fungsi pelatihan levenberg-marquardt pada MPIPK (a) kelompok data pertama (b) kelompok data kedua Gambar 19 menunjukkan bahwa dari total 8 variasi jumlah hidden-node, terdapat 2 variasi yang menunjukkan adanya peningkatan waktu pembelajaran, 2 variasi jumlah hidden-node menunjukkan adanya penurunan waktu pembelajaran dan 2 variasi jumlah hidden-node menunjukkan perubahan waktu pembelajaran statis. Perubahan nilai waktu pembelajaran dengan variasi laju pembelajaran pada
57
percobaan dengan fungsi pelatihan levenberg-marquardt yang dibedakan berdasarkan kelompok data, ditunjukkan oleh Gambar 20.
(a) Kelompok Data Pertama
(b) Kelompok Data Kedua Gambar 20 Perubahan nilai waktu pembelajaran dengan variasi laju pembelajaran menggunakan fungsi pelatihan levenberg-marquardt pada MPIPK (a) kelompok data pertama (b) kelompok data kedua
Trendline waktu pembelajaran dari kedua kelompok data memperlihatkan adanya peningkatan nilai waktu pembelajaran pada semua variasi laju pembelajaran ketika jumlah hidden-node yang digunakan dalam percobaan semakin besar.
58
Untuk mengetahui apakah perubahan nilai pada parameter waktu pembelajaran dapat meningkatkan atau menurunkan nilai waktu pembelajaran maka seluruh trendline dari variasi jumlah hidden-node pada percobaan model prediksi indeks preastasi kumulatif (MPIPK) diakumulasikan seperti yang disajikan pada Tabel 21. Tabel 21 Analisis hubungan waktu pembelajaran dengan variasi jumlah hiddennode ketika berubahnya nilai laju pembelajaran pada model indeks prestasi kumulatif studi (MPIPK) Fungsi Pelatihan
Peningkatan waktu pembelajaran
Penurunan waktu pembelajaran
Waktu pembelajaran statis
Total
Jml
%
Jml
%
Jml
%
Jml
%
Resilent backpropagation
3
50%
2
33%
1
17%
6
100%
Scaled Conjugate Gradient
0
0%
4
67%
2
33%
6
100%
Levenberg-Marquardt
2
33%
2
33%
2
33%
6
100%
28%
Rata-Rata
44%
28%
Hasil akumulasi menyatakan bahwa sebesar 44%
100%
trendline
waktu
pembelajaran menunjukkan adanya penurunan nilai waktu pembelajaran apabila nilai laju pembelajaran yang digunakan pada percobaan semakin besar, dapat dikatakan bahwa semakin besar nilai laju pembelajaran yang diberikan maka semakin cepat waktu pembelajaran JST menyelesaikan proses pembelajaran (mencapai konvergen). Untuk
mengetahui
apakah
perubahan
jumlah
hidden-node
dapat
meningkatkan atau menurunkan nilai waktu pembelajaran maka seluruh trendline dari variasi laju pembelajaran pada percobaan model prediksi indeks preastasi kumulatif (MPIPK) diakumulasikan seperti yang disajikan pada Tabel 22. Tabel 22 Analisis hubungan waktu pembelajaran dengan variasi laju pembelajaran ketika berubahnya jumlah hidden-node pada model prediksi indeks prestasi kumulatif (MPIPK) Fungsi Pelatihan
Peningkatan waktu pembelajaran
Penurunan waktu pembelajaran
Waktu pembelajaran statis
Total
Jml
%
Jml
%
Jml
%
Jml
%
Resilent backpropagation
5
63%
0
0%
3
38%
8
100%
Scaled Conjugate Gradient
6
75%
1
13%
1
13%
8
100%
Levenberg-Marquardt
8
100%
0
0%
0
0%
8
100% 100%
Rata-Rata
79%
4%
17%
59
Trendline waktu pembelajaran yang ditunjukan oleh percobaan dengan variasi laju pembelajaran ketika berubahya jumlah hidden-node menyatakan bahwa sebesar 79% mengalami peningkatan nilai waktu pembelajaran, hal ini dapat dikatakan bahwa semakin besar jumlah hidden-node yang digunakan pada percobaan maka semakin lama JST melakukan pembelajaran. 4.5 Tingkat generalisasi data validasi dan data testing dengan variasi nilai laju pembelajaran, jumlah hidden-node dan fungsi pelatihan. Hasil perbandingan tingkat generalisasi dari data validasi dan data testing ketika berubahnya nilai laju pembelajaran dan jumlah hidden-node, dengan variasi fungsi pelatihan pada kedua mode prediksi ditunjukkan oleh Gambar 21 sampai dengan Gambar 24. 4.5.1 Model Prediksi Lama Studi (MPLS)
Gambar 21 Grafik perbandingan tingkat generalisasi data validasi dan data testing pada MPLS kelompok data pertama Grafik perbandingan tingkat generalisasi data validasi dan data testing pada Gambar 21 menunjukkan tingkat generalisasi data validasi yang lebih tinggi dibandingan dengan generalisasi data testing pada fungsi pelatihan scaled conjugate gradient dan levenberg-marquardt. Pada fungsi pelatihan resilent backpropagation, tingkat generalisasi data validasi lebih rendah dibandingkan dengan tingkat generalisasi data testing. Tingkat generalisasi tertinggi baik terhadap data validasi maupun data testing dihasilkan oleh percobaan dengan
60
menggunakan fungsi pelatihan levenberg-marquardt, hingga mencapai 100%, sedangkan tingkat generalisasi terendah sebesar 30.30%. Gambar 21 juga menunjukkan adanya penurunan tingkat generalisasi pada percobaan dengan menggunakan fungsi resilent backpropagation dan scaled conjugate gradient, pada saat nilai laju pembelajaran dan jumlah hidden-node yang diberikan semakin besar.
Gambar 22 Grafik perbandingan tingkat generalisasi data validasi dan data testing pada MPLS kelompok data kedua Gambar 22 merupakan grafik perbadingan tingkat generalisasi data validasi dan data testing pada model prediksi lama studi (MPLS) kelompok data kedua, yang menunjukkan bahwa tingkat generalisasi terhadap data validasi yang lebih tinggi dibandingkan dengan data testing, dimana percobaan dengan menggunakan fungsi pelatihan levenberg-marquardt tetap memiliki tingkat generalisasi tertinggi dibandingkan dengan kedua fungsi pelatihan lainnya. Penambahan jumlah hiddennode dan nilai laju pembelajaran menghasilkan penurunan tingkat generalisasi pada percobaan dengan menggunakan fungsi pelatihan resilent backpropagation dan scaled conjugate gradient. Penambahan jumlah hidden-node dan nilai laju pembelajaran pada percobaan dengan fungsi pelatihan levenberg-marquardt tingkat generalisasi yang dihasilkan tidak memperlaihatkan pengaruh yang besar terhadap tingkat generalisasi, karena perbedaan persentase generalisasi yang
61
dihasilkan tidak terlalu besar. Sehingga untuk model prediksi lama studi (MPLS), parameter fungsi pelatihan yang paling optimal yang dihasilkan oleh hasil penujian adalah fungsi pelatihan levenberg-marquardt.
4.5.2 Model Prediksi Indeks Prestasi Kumulatif (MPIPK)
Gambar 23 Grafik perbandingan tingkat generalisasi data validasi dan data testing pada MPIPK kelompok data pertama
Grafik perbandingan tingkat generalisasi data validasi dan data testing pada Gambar 23 menunjukkan tingkat generalisasi data validasi yang lebih tinggi dibandingan dengan generalisasi data testing pada ketiga fungsi pelatihan yang digunakan pada percobaan. Tingkat generalisasi tertinggi baik terhadap data validasi maupun data testing dihasilkan oleh percobaan dengan menggunakan fungsi pelatihan levenberg-marquardt, hingga mencapai 100%, sedangkan tingkat generalisasi terendah sebesar 33.33%. Gambar 23 juga menunjukkan adanya penurunan tingkat generalisasi pada percobaan dengan menggunakan fungsi resilent backpropagation dan scaled conjugate gradient, pada saat nilai laju pembelajaran dan jumlah hidden-node yang diberikan semakin besar.
62
Gambar 24 Grafik perbandingan tingkat generalisasi data validasi dan data testing pada MPIPK kelompok data kedua Gambar 24 merupakana grafik perbadingan tingkat generalisasi data validasi dan data testing pada model prediksi indeks preastasi kumulatif (MPIPK) kelompok data kedua, yang menunjukkan bahwa percobaan dengan menggunakan fungsi pelatihan levenberg-marquardt tetap memiliki tingkat generalisasi tertinggi dibandingkan dengan kedua fungsi pelatihan lainnya. Pada percobaan dengan fungsi pelatihan levenberg-marquardt terlihat bahwa tingkat generalisasi terhadap data testing cenederung lebih besar dibanding denga data validasi. Selisih besarnya persentase tingkat generalisasi tertinggi dari percobaan dengan dengan fungsi pelatihan levenberg-marquardt terhadap percobaan dengan menggunakan kedua fungsi pealtihan lainnya terlihat lebih besar dibadingkan dengan percobaan pada kelompok data pertama. Penambahan jumlah hidden-node dan nilai laju pembelajaran menghasilkan penurunan tingkat generalisasi pada percobaan dengan menggunakan fungsi pelatihan resilent backpropagation dan scaled conjugate gradient. Penambahan jumlah hidden-node dan nilai laju pembelajaran pada percobaan dengan fungsi pelatihan levenberg-marquardt tingkat generalisasi yang dihasilkan tidak memperlaihatkan pengaruh yang besar terhadap tingkat generalisasi, karena perbedaan persentase generalisasi yang dihasilkan tidak terlalu besar. Sehingga
63
untuk model prediksi indeks prestasi kumaltif (MPIPK), parameter fungsi pelatihan yang paling optimal yang dihasilkan oleh hasil penujian adalah fungsi pelatihan levenberg-marquardt.
4.6
Arsitektur jaringan yang terbaik Berdasarkan hasil generalisasi pada pengujian dengan mempertimbangkan
beberapa variasi parameter jaringan, maka ditetapkan arsitektur terbaik yang dapat digunakan untuk melakukan
prediksi tingkat kelulusan mahasiswa adalah
sebagaimana yang ditunjukkan oleh Tabel 23. Tabel 23 Parameter jaringan terbaik yang digunakan untuk prediksi Parameter Kelompok Data Fungsi Pelatihan Laju Pembelajaran Jumlah Hidden-Node Generalisasi Data Validasi Generalisasi Data Testing
Model Prediksi Lama Studi (MPLS) Kedua levenberg-marquardt 0.1 10 100.00% 93.94%
Model Prediksi Indeks Prestasi Kumulatif (MPIPK) Kedua levenberg-marquardt 0.05 15 96.97% 100.00%
Tingkat generalisasi yang tinggi merupakan pertimbangan yang penting untuk menetapkan parameter terbaik yang akan dipilih untuk digunakan dalam memprediksi tingkat kelulusan mahasiswa. Karena semakin tinggi tingkat generalisasi yang dihasilkan maka semakin baik jaringan mengenali data baru yang akan diberikan dan diharapkan bisa memberikan hasil prediksi yang cukup baik. Apabila diperoleh tingkat generalisasi yang besarnya sama pada beberapa varaisi laju pembelajaran dan jumlah hidden-node maka yang dipilih adalah adalah variasi parameter laju pembelajaran dan jumlah hidden-node yang memberikan nilai MSE yang paling minimum. Sehingga ditetapkan parameter dari arsitektur terbaik yang paling optimal untuk kedua mode prediksi adalah percobaan dengan mengguakan kelompok data kedua dan fungsi pelatihan levenberg-marquardt, karena berdasarkan analisis
pembelajaran yang telah
dilakukan, fungsi pelatihan ini mampu memberikan tingkat generalisasi yang tinggi. Arsitektur terbaik pada model prediksi lama studi (MPLS) dan model prediksi indeks prestasi kumulatif ditunjukkan oleh Gambar 25 dan Gambar 26, dan untuk melihat detal hasil pembelajaran dari percobaan yang menghasikan arsitektur terbaik pada model prediksi lama studi (MPLS) dan model prediksi
64
indeks perestasi kumulatif (MPIPK) dapat dilihat pada Lampiran 3 dan Lampiran 4. Parameter jaringan terbaik pada model prediksi lama studi (MPLS) berada pada laju pembelajaran 0.1 dan jumlah hidden-node 10, dengan besar tingkat generalisasi untuk data validasi 100% dan 93.04% untuk data testing. Pada model prediksi indeks prestasi kumulatif (MPIPK), parameter terbaik jaringan berada pada laju pembelajaran 0.5 dan jumlah hidden-node 0.05 dan jumlah hidden-node 15, dengan besar tingkat generalisasi untuk data validasi 96.97% dan 100% untuk data testing.
Gambar 25 Arsitektur JST terbaik pada Model Prediksi Lama Studi (MPLS)
65
Gambar 26 Arsitektur Terbaik pada Model Prediksi Indeks Prestasi Kumulatif (MPIPK) Setelah diperoleh parameter terbaik jaringan maka selanjutnya dilakukan pengujian parameter dan arsitektur terbaik tersebut dalam mengenali data validasi dan data testing sebelum digunakan untuk melakukan prediksi tingkat kelulusan mahasiswa dengan menggunakan data mahasiswa angkatan 2008, 2009 dan 2010.
66
4.7
Pengujian arsitektur terbaik terhadap data validasi dan data testing Pengujian arsitektur terbaik terhadap data validasi dan data testing
dimaksudkan untuk menguji ketepatan jaringan dalam melakukan prediksi sebelum digunakan untuk melakukan prediksi pada data baru yang akan diberikan. Data validasi dan data testing akan diuji tanpa memiliki data target, sehingga target hasil prediksi yang akan dihasilkan akan dibandingkan dengan data aktual. Kelompok data untuk data validasi dan data testing yang ditetapkan untuk diuji seusai dengan kelompok data dari astektur terbaik dari masing-masing model prediksi, yakni kelompok data pertama untuk model prediksi lama studi (MPLS) dan kelompok data kedua untuk model prediksi indeks prestasi kumulatif (MPIPK). 1) Model Prediksi Lama Studi (MPLS) Hasil proses pengujian dengan menggunakan data validasi dan data testing pada model prediksi lama studi disajikan oleh Tabel 24. Tabel 24 Pengujian dengan menggunakan data validasi dan data testing MPLS DATA
Data Validasi
Jumlah Data
%
33
Data Tesing
%
33
Pengenalan Data Dikenal
33
100.00%
31
93.94%
Tidak dikenal
0
0.00%
2
6.06%
Melebihi batas studi
30
90.91%
27
81.82%
Tepat waktu
3
9.09%
4
12.12%
Melebihi batas studi
30
90.91%
27
81.82%
Tepat waktu
3
9.09%
6
18.18%
Data Kategori Hasil Prediksi
Data Kategori Aktual
Berdasarkan pengujian arsitektur terbaik terhadap data validasi dan data testing untuk model MPLS menunjukkan bahwa data dikenali 100% pada data validasi dan 93.94% pada data testing. Hasil prediksi menggunakan data validasi menyatakan bahwa mahasiswa yang diprediksi melebihi masa studi berjumlah 30 mahasiswa dan tepat waktu hanya 3 mahasiswa, dan data kategori aktual menunjukkan hal yang sama. Prediksi terhadap data testing menyatakan bahwa mahasiswa yang diprediksi melebihi masa studi sebanyak 27 dan tepat waktu
67
hanya 4 mahasiswa, berbeda dengan data aktual yang menyatakan bahwa mahasiswa yang lulus tepat waktu berjumlah 6 mahasiswa. 2) Model Prediksi Indeks Prestasi Kumulatif (MPIPK) Hasil proses pengujian dengan menggunakan data validasi dan testing pada model prediksi indeks prestasi kumulatif disajikan oleh Tabel 25. Tabel 25 Pengujian dengan menggunakan data validasi dan data testing MPIPK DATA
Data Validasi
Jumlah Data
%
Data Tesing
33
%
33
Pengenalan Data Dikenal
32
96.97%
33
100.00%
Tidak dikenal
1
3.03%
0
0.00%
Tepuji
2
6.06%
8
24.25%
Sangat Memuaskan
18
54.55%
15
45.45%
Memuaskan
12
36.36%
10
30.30%
Tepuji
3
9.09%
8
24.25%
Sangat Memuaskan
18
54.55%
15
45.45%
Memuaskan
12
36.36%
10
30.30%
Data Kategori Hasil Prediksi
Data Kategori Aktual
Berdasarkan pengujian arsitektur terbaik terhadap data validasi dan data testing untuk model MPIPK menunjukkan bahwa data dikenali 96.97% pada data validasi dan 100% pada data testing. Hasil prediksi menyatakan bahwa mahasiswa yang diprediksi lulus degan kategori terpuji sebanya 2 mahasiswa untuk data validasi, hal ini berbeda dengan data aktual yang menyatakan bahwa mahasiwa yang lulus dengan predikat terpuji sebanyak 3 mahasiswa. Untuk data testing, prediksi untuk ketiga kategori menghasilkan jumlah yang sama dengan data aktual.
4.8
Hasil Prediksi Tingkat Kelulusan Mahasiswa Hasil prediksi tingkat kelulusan mahasiswa diploma tiga jurusan
Manajemen Informatika, Universitas Negeri Gorontalo disajikan pada Tabel 26 dan Tabel 27.
68
Tabel 26 Prediksi Tingkat Kelulusan mahasiswa angkatan 2008-2010 berdasarkan Lama Studi Data Tak Dikenal
Data Dikenal
Angkatan
Total
Jml
%
Melewati Batas Studi
%
Tepat Waktu
%
Jml
%
2008
0
0.00%
34
82.93%
7
17.07%
41
100.00%
2009
1
1.92%
42
80.77%
9
17.31%
52
100.00%
2010
1
2.70%
31
83.78%
5
13.51%
37
100.00%
Tabel 27 Prediksi Tingkat Kelulusan mahasiswa 2008-2010 angkatan berdasarkan IPK Data Tak Dikenal
Angkatan
Data Dikenal
Total
Jml
%
Terpuji
%
Sangat Memuaskan
%
Memuaskan
%
Jml
%
2008
0
0.00%
7
17.07%
23
56.10%
11
26.83%
41
100.00%
2009
2
3.85%
10
19.23%
29
55.77%
11
21.15%
52
100.00%
2010
6
16.22%
4
10.81%
13
35.14%
14
37.84%
37
100.00%
Dari Tabel 26 dan Tabel 27 terlihat bahwa prediksi mahasiswa dengan kategori melewati batas studi memiliki presentase yang lebih tinggi dibandingkan dengan kategori mahasiswa yang lulus tepat waktu.
Besar presentase yang
dihasilkan sangat jauh dari standar mutu lulusan yang telah ditetapkan oleh universitas. Begitupula halnya dengan hasil prediksi tingkat kelulusan IPK mahasiswa, diperoleh bahwa sebagian besar mahasiswa menyelesaikan studi dengan kategori IPK sangat memuaskan. Hasil prediksi ini dapat menjadi informasi dan bahan pertimbangan bagi penyelenggara program studi untuk dapat mengambil langkah-langkah strategi dalam rangka menaikkan tingkat kelulusan mahasiswa, antara lain lebih meningkatkan kualitas pembelajaran, layanan akademik hingga dengan perhatian khusus kepada sejumlah mahasiswa yang tingkat kelulusannya diprediksi lebih rendah dari sasaran mutu yang ditetapkan.
4.9
Analisa Sensitivitas Analisa sensitivitas dilakukan untuk mengetahui variabel yang lebih atau
paling berpengaruh diantara variabel-variabel masukan lainnya. Berdasarkan hasil analisa sensitivitas maka diperoleh nilai sensitivitas dari variabel masukan pada
69
masing-masing model prediksi, sebagaimana yang ditunjukkan pada Tabel 28 dan Tabel 29. Tabel 28 Hasil analisa sensitivitas variabel masukan pada model MPLS Variabel
Mata Kuliah
Nilai Sensitivitas
Rangking
1
Pendidikan Agama
2.609
12
2
Bahasa Indonesia
27.246
7
3
Pemrograman 1 (Pascal Dasar)
53.764
2
4
Sistem Operasi
20.472
8
5
Matematika
19.409
9
6
Pengantar Sistem Komputer
14.762
10
7
Paket Program Aplikasi
41.258
5
8
Algoritma dan Struktur Data
5.487
11
9
Bahasa Inggris
1.862
14
10
Konsep Sistem Informasi
43.874
4
11
Dasar Manajemen dan Bisnis
0.853
16
12 13
Aljabar Vektor & Matriks Pengantar Instalasi Komputer
55.955 0.908
1 15
14
Pemrograman 2 (Pascal Lanjutan)
2.599
13
15
Pengantar Teknologi Informasi
28.708
6
16
Desain Grafis
52.185
3
Variabel masukan (mata kuliah) yang mempunyai pengaruh paling besar pada model prediksi lama studi (MPLS) mahasiswa adalah variabel 12, yakni mata kuliah Aljabar Vektor & Matriks dengan nilai sensitivitas, sedangkan variabel masukan (mata kuliah) yang memberikan pengaruh paling kecil adalah variabel 11, yakni mata kuliah Dasar Manajemen dan Bisnis. Mata kuliah yang paling berpengaruh kedua setelah Alajabar Vektor & Matriks adalah mata kuliah Pemrograman 1 dengan nilai sensitivitas sebesar 53.764. Tabel 29 Hasil analisa sensitivitas variabel masukan pada model MPIPK Variabel
Mata Kuliah
Nilai Sensitivitas
Rangking
1
Pendidikan Agama
0.115
13
2
Bahasa Indonesia
0.357
4
3
Pemrograman 1 (Pascal Dasar)
0.109
14
4
Sistem Operasi
0.134
12
5
Matematika
0.108
15
6
Pengantar Sistem Komputer
0.287
6
7
Paket Program Aplikasi
0.202
9
8
Algoritma dan Struktur Data
4.737
2
70
Tabel 29
Hasil analisa sensitivitas variabel masukan pada model MPIPK (Lanjutan)
Variabel
Mata Kuliah
Nilai Sensitivitas
Rangking
9
Bahasa Inggris
0.397
3
10
Konsep Sistem Informasi
0.147
11
11
Dasar Manajemen dan Bisnis
0.215
8
12
Aljabar Vektor & Matriks
25.769
1
13 14
Pengantar Instalasi Komputer Pemrograman 2 (Pascal Lanjutan)
0.082 0.279
16 7
15
Pengantar Teknologi Informasi
0.158
10
16
Desain Grafis
0.325
5
Variabel masukan (mata kuliah) yang mempunyai pengaruh paling besar pada model prediksi indeks prestasi kumulatif (MPIPK) mahasiswa adalah variabel 12, yakni mata kuliah Aljabar Vektor & Matriks, mata kuliah yang sama dengan hasil yang ditunjukkan oleh analisas sensitivitas terhadap variabel input pada model prediksi lama studi (MPIPK). Sedangkan variabel masukan (mata kuliah) yang memberikan pengaruh paling kecil adalah variabel 13, yakni mata kuliah Pengantar Instalasi Komputer. Rentang data antara nilai sensitivitas tertinggi dengan nilai sensitivitas lainnya terlihat sangat jauh
4.10 Manfaat bagi manajemen Dilakukannya prediksi tingkat kelulusan mahasiswa Diploma 3 (tiga) Jurusan Manajemen Informatika, Universitas Negeri Gorontalo bertujuan agar diperolehnya gambaran awal mengenai tingkat kelulusan mahasiswa sebagai bagian dari evaluasi program studi, sehingga bisa program studi dapat mengambil langkah strategis yang tepat untuk dapat terus meningkatkan kualitas dan kuantitas tingkat kelulusan hingga mencapai sasaran mutu kelulusan yang telah ditetapkan oleh universitas. Kepada sejumlah mahasiswa yang diprediksi tingkat kelulusannya tidak mencapai sasaran mutu yang ditetapkan, program studi dapat memberikan peringatan dini agar mahasiswa tersebut dapat berusaha lebih fokusdan giat lagi untuk meraih nilai yang terbaik tiap semesternya. Mata kuliah yang dinyatakan memiliki nilai sensitivitas tertinggi bukan berarti mata kuliah tersebut secara otomatis lebih baik atau lebih jelek dari mata kuliah lainnya, akan tetapi nilai sensitivitas yang tinggi menunjukkan bahwa nilai-nilai dari mata
71
kuliah tersebut memiliki pengaruh yang cukup kuat terhadap pencapaian tingkat kelulusan, dalam hal ini adalah lama studi dan IPK. Karena nilai dari mata kuliah tersebut memberikan suatu pola tertentu antara nilai pada variabel masukan dan target. Oleh karena nilai mata kuliah dengan nilai sensitivitas tertinggi memberikan pengaruh yang besar terhadap perolehan IPK dan lama studi maka diperlukan apresiasi serta perhatian khusus terhadap mata kuliah tersebut.
72
73
5
SIMPULAN DAN SARAN
5.5 Simpulan Berdasarkan hasil penelitian yang telah dilakukan dapat disimpulkan bahwa jaringan saraf tiruan (JST) propagasi balik yang sudah dilatih dengan data nilai mata kuliah 2 (dua) semester tahun pertama program perkuliahan dapat digunakan untuk memprediksikan tingkat kelulusan mahasiswa berupa kategori lama studi dan IPK. Arsitektur JST dengan generalisasi terbaik dihasilkan oleh jaringan dengan jumlah input node 16, hidden node 10 dan output node 2 untuk MPLS, serta hidden node 15 dan output node 3 untuk MPIPK. Parameter jaringan terbaik diperoleh dari percobaan menggunakan kelompok data kedua, dengan fungsi fungsi pelatihan levenberg-marquardt, laju pembelajaran 0.1 untuk MPLS tingkat generalisasi data validasi dan data testing 96.97% dan 100.00%, serta laju pembelajaran 0.05 dan tingkat generalisasi data validasi dan data testing 100.00% dan 93.94% untuk MPIPK. Hasil prediksi tingkat kelulusan mahasiswa angkatan 2008, 2009 dan 2010, baik berdasarkan lama studi maupun IPK, belum mencapai sasaran mutu yang ditetapkan, dimana persentase mahasiswa yang diprediksi lulus tepat waktu (3 tahun) masing-masing hanya sebesar 17.07% untuk angkatan 2008, 17.31% untuk angkatan 2009 dan 13.51% untuk angkatan 2010. Begitupula dengan hasil prediksi tingkat kelulusan mahasiswa angkatan 2008, 2009 dan 2010 berdasarkan predikat IPK diperoleh bahwa persentase mahasiswa yang diprediksi lulus dengan predikat terpuji (IPK ≥ 3.5) sebesar 17.07% untuk angkatan 2008, 3.85% untuk angkatan 2009 dan 16.22% untuk angkatan 2010, dimana hasil prediksi mahasiwa yang lulus dengan predikat terpuji memiliki persentase yang lebih rendah dibandingkan dengan mahasiwa yang lulus dengan predikat sangat memuaskan, sebagaimana yang menjadi salah satu sasaran mutu Universitas Negeri Gorontalo. Berdasarkan hasil analisis sensitivitas yang betujuan untuk melihat pengaruh variabel input terhadap output, mata kuliah yang paling besar pengaruhnya pada kedua model prediksi adalah mata kuliah Aljabar Vektor dan Matriks. Mata kuliah tersebut memberikan pengaruh yang lebih besar dibandingkan mata kuliah lainnya
74
karena perolehan nilai dari mata kuliah tersebut menampakkan pola tertentu terhadap output yang ditetapkan.
5.2 Saran Beberapa saran untuk penelitian lebih lanjut adalah perlu dilakukannya penelitian lanjutan untuk melatih JST dengan berbagai tipe data simulasi dan membandingkannya dengan teknik klasifikasi data yang lain sehingga diharapkan kinerja dari JST menjadi lebih baik dan optimal. Perlu dilakukannya pengujian terhadap kombinasi arsitektur dan parameter untuk JST selain dari pengujian yang telah dilakukan. Dengan mengujinya lebih banyak diharapkan dapat ditemukan parameter jaringan saraf tiruan yang lebih optimal. Melakukan penambahan jumlah variabel input dari model agar tingkat akurasi dan generalisasi dapat ditingkatkan, antara lain adalah variabel nilai ujian lokal yang menjadi salah satu standar nilai bagi seleksi penerimaan mahasiswa baru. Penelitian ini perlu dikembangkan menjadi sebuah sistem prototipe, dengan merancang sebuah program aplikasi antar muka (graphic user interface/GUI) untuk mendapatkan sistem prediksi yang lebih baik dan mudah digunakan oleh pengguna awam.
75
DAFTAR PUSTAKA Agung A. 2007. Klasifikasi Mahasiswa STEKPI dengan Menggunakan Jaringan Saraf Tiruan. J Ekubank. Vol. II : 43-50. Agustini K. 2006. Perbandingan Metode Transformasi Wavelet Sebagai Praproses Pada Sistem Identifikasi Pembicara. [Thesis]. Bogor : Program Pascasarjana, Institut Pertanian Bogor Engelbrecht AP. 2001. Sensitivity Analysis for Selective Learning by Feedforward Neural Networks. J Fundamental Informatics. Vol. XXI:10011028. IOS Press Fausett L. 1994. Fundamentals of Neural Netrowk. Prentice Hall, Englewood Cliffs, New Jersey. Han J, Kamber M. 2001. Data Mining : Concepts and Techniques. USA : Academic Press. Han, Kamber M. 2006. Data Mining: Concepts and Techniques. Morgan Kaufmann. Kantardzic M. 2003. Data Mining : Concepts, Models, Methods, and Algorithms. USA : John Wiley & Son. Kusumadewi S. 2004. Membangun Jaringan Saraf Tiruan (Menggunakan Matlab dan Excel Link). Yogyakarta. Graha Ilmu. Kusumadewi S, Hartati S. 2010. Neuro-Fuzzy. Integrasi Sistem Fuzzy & Jaringan Syaraf. Yogyakarta. Graha Ilmu. Larose DL. 2005. Discovering Knowledge in Data : An Introduction to Data Mining. Wiley-Interscience, New Jersey. Poh HL, Yao JT and Jasic T. 1998. Neural networks for the analysis and forecasting of advertising and promotion impact. International Journal of Intelligent System in Accounting, Finance and Management, 7(4) : 253-268. Purnomo S. 2001. Klasifikasi Pola Yang Tidak Dapat Dipisahkan Secara Linier Menggunakan Jaringan Saraf Tiruan Perceptron Multi-Layer. J Teknologi Industri. Vol.V (3) : 177-184. Puspitaningrum. 2006. Pengantar Jaringan Saraf Tiruan. Yogyakarta. Penerbit Andi. Siang JJ. 2004. Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan MATLAB. Yogyakarta. Andi Publisher.
76
Sufandi U. 2007. Pengembangan Sistem Prediksi Kemajuan Belajar Mahasiswa Berbasis Jaringan Saraf Tiruan : Kasus Universitas terbuka. [Thesis]. Bogor : Program Pascasarjana, Institut Pertanian Bogor. Universitas Negeri Gorontalo. 2009. Pedoman Akademik. Gorontalo : UNG Press. Tan P, Steinbach M, Kumar V. 2006. Introduction to Data Mining. USA : Pearson Education, Inc.
77
78
Lampiran 1 Detail Proses Pembelajaran pada Model Prediksi Lama Studi (MPLS) SEMESTER 1 NO
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46
NAMA MAHASIWA
SIDDIQ F. SEBAN SRI WAHYUNI ODJA FITRIANI SANI AYSKA ABAS MERISKA LIDITHIA PENTURY ICA FRANSISCA MASSA RIFKI RAHMAT SASAMBI SUMITRO JIMMY HARUN TAUFIK WARID KATILI YAKOB S. KASIM YOGI HASIRU EDI JOHAN SYAH DJULA ANDIKHA DJOHARAM SALDI FIDYAWATI ABDULLAH FIRMAN A. TANAIYO ICANDRAWATI SULEMAN RAHMIATY SALILAMA RUSLI PERMANA SILVANA UMAR ARINI ARIYANI ISHAK ASNA RAHMAN DEWI INTAN F. ARSYAD HERAWATI IDRIS PRAYOGI NUGRAHA WARSONO SRI ANITA KASEH SRI RAHMAWATI PANEO WAHYUDIN HASYIM YULLIAN LIHAWA RISDIYANTO IBRAHIM ZULFITRI A. RAHIM FADLIANTY DJ. BAWU ICUK BUDIARTO BIGA MAYA NURLINDA RUMONDOR SALIM ZEID ALAMRY SUSILAWATI SULEMAN ADRIANSYAH ABAS ASNAWATY IDRIS FATRIANTI HILIMI NURYANTI NAWAY PURWANTO SELVI INRIANI YUSUF SRI YULVIKA LATIF STEFHAN ADATI VIRTON HAMIM RIO HARLAN FANI PRISTIAWATI KAMUMU
NIM
531305135 531305105 531305081 531305028 531305044 531305035 531305001 531305058 531305060 531305061 531305063 531305077 531305116 531305032 531305033 531305036 531305050 531305053 531305056 531305070 531305073 531305076 531305083 531305095 531305103 531305104 531305109 531305066 531305017 531305024 531305031 531305037 531305043 531305054 531305059 531305068 531305074 531305079 531305093 531305096 531305101 531305106 531305136 531305137 531305099 531305002
THN ANGKATAN
2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005
1
2
3
4
5
6
7
8
B A B B A A B B B A B A B B B A A A A B B B B A A B A A B B B B B B B B B B B B B B A C B B
C B B B B A B A B C B B C B B C C A A B B B C C C B A A A B C B B B B C C C B B B B B C C B
C B A B A B B B B B A B B B B A B B A C C A B B B C B B B B B C B C B C C B C C B B A C A B
C C C B C C C B C B C C C C C B C C C C C A A B B C C C C C C C C B C C B B C C C B B C B B
B B B C B A C B C C B C C B B A C A A B C A A B B C A A A C C C B B B C B C B C B B A C B B
B B B B A B A B B C B B C B B B B A B C B A B C B C A B B C C C B B B C C C C C B B B C B B
B C B B B B B C C C C C C B B B B B B C C B B B B C A B B C C C B B B B C C C C C B C C B B
C C B B A A B A C B B C C B A B B A A C B B B B B B A B B C C C B C B B B B C B A B A C B B
79
Lampiran 1 (Lanjutan) SEMESTER 2 NO
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46
NAMA MAHASIWA
SIDDIQ F. SEBAN SRI WAHYUNI ODJA FITRIANI SANI AYSKA ABAS MERISKA LIDITHIA PENTURY ICA FRANSISCA MASSA RIFKI RAHMAT SASAMBI SUMITRO JIMMY HARUN TAUFIK WARID KATILI YAKOB S. KASIM YOGI HASIRU EDI JOHAN SYAH DJULA ANDIKHA DJOHARAM SALDI FIDYAWATI ABDULLAH FIRMAN A. TANAIYO ICANDRAWATI SULEMAN RAHMIATY SALILAMA RUSLI PERMANA SILVANA UMAR ARINI ARIYANI ISHAK ASNA RAHMAN DEWI INTAN F. ARSYAD HERAWATI IDRIS PRAYOGI NUGRAHA WARSONO SRI ANITA KASEH SRI RAHMAWATI PANEO WAHYUDIN HASYIM YULLIAN LIHAWA RISDIYANTO IBRAHIM ZULFITRI A. RAHIM FADLIANTY DJ. BAWU ICUK BUDIARTO BIGA MAYA NURLINDA RUMONDOR SALIM ZEID ALAMRY SUSILAWATI SULEMAN ADRIANSYAH ABAS ASNAWATY IDRIS FATRIANTI HILIMI NURYANTI NAWAY PURWANTO SELVI INRIANI YUSUF SRI YULVIKA LATIF STEFHAN ADATI VIRTON HAMIM RIO HARLAN FANI PRISTIAWATI KAMUMU
9
10
11
12
13
14
15
16
B B C B B C A C C A A B A B A B B A B B B B B B A A A A A B B B A B B B C A B A A A B A B B
B B C C B B A B C B B B C B A B C A B B B C C C B A B B B C B B B C C C C C C C B B B C B B
C B B B A B A B B B B B B B B C A A B C B A C B B B B B B B C C B C C C C B B B A B A C C A
C C B B A A B A C B B C C B A B B A A C B B B B B B A B B C C C B C B B B B C B A B A C B B
C C B B C C A B C A A C C C C C B C A C B B B B B A B B B C C C B C C B B B B B C C C A C A
B C C A B B A B A B A B C B A C C A B B B B B C B A C B B C C B B C C B B B B B B B B B C A
C C B B B C B B C C B B B B A C B B B C B B C C B A C B B C C C A C C C B B B C A B B B B A
C C B C B B B B C B B B C B A C C B B C B B C C C B C B B C C C B C B C B B C B B B B B C B
IPK
LAMA STUDI (TAHUN)
2.64 2.73 3.37 3.34 3.53 3.61 3.09 3.52 2.62 2.88 3.05 2.7 2.55 2.95 3.82 2.95 3.22 3.52 3.67 2.7 2.81 3.15 3.13 2.91 2.79 3.22 3.52 3.27 2.82 2.48 2.5 2.34 2.8 2.73 3.03 3.07 2.89 2.83 2.69 2.89 3.83 3.44 3.53 2.5 2.78 3.13
3.5 3.5 3.5 3.5 3 3 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3 3.5 3.5 3 3 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5 4 4 4
80
Lampiran 1 (Lanjutan) SEMESTER 1 NO
47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92
NAMA MAHASIWA
OKTIKASARI SUBAGIO YEYEN KARIM YUSUF FUDDIN PATADJENU NOVITA INGO FRANGKY KOLONDAM SRI AGUSTINA OLII VIVIN DJON ISHAK ARIF DJAKA PRIHANTO FITRIANI ABDULLAH SULISTIANA KARLINA SAIDI GITA PURNAMASARI MUSA MUAZIN F. ARSYAD UCON ABDULLAH RISNA GUMOHUNG SARLITA MAYASARI DADU MELKY F. HUMOLUNGO MOHAMMAD FADLY ILAHUDE MARLIYATI BEU YENITA RAHMAN AMALIA PODUNG FEBRIYANTO S. BERAHIMA FANDY IRAWAN HASIRU NOFIYANI SITYAWATI S. PATEDA KURNIAWAN S. ABAS NINIK HERIYANTI KAHARU ADE PRATIWI ATMAJAYA RACHMAN FERAWATI LAILI MUH. ICHDAR. HADJARATIE IBRAHIM BOUTA HAPSA UMAR INDRIAWAN KADJA NINING ALI NAZRIANTI ALI HADIDJAH MAKSUD EKA PRAYATNA HENDRA MIN'UN INDRIATI THALIB SJAMSUDIN HATALA INTAN DADEA LIVI OLIVIA OLII STEVIE EKA PUTRI LAMATO AMRIATI RAUF VERAWATY BAHAR
NIM
531305094 531305110 531305112 531305124 5313050034 531305019 531305022 531305069 531305082 531305108 531305122 531305004 531305013 531305021 531305051 531305055 531305088 531305090 531305123 531405062 531305001 531305003 531305013 531305015 531305018 531305041 531305046 531305067 531305117 531305080 531305091 531305084 531305131 531305142 531305047 531305014 531305130 531305140 531305012 531305038 531305126 531306015 531306029 531306032 531306038 531306056
THN ANGKATAN
2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2005 2006 2006 2006 2006 2006
1
2
3
4
5
6
7
8
A A C A B A A B C A A B B C A B C A A C A C C B B B B B B A A A C C A A B B A B C B B B C B
B B C B C B C B C B B C B B B B C B B B A B B B B B C C C B A B C C B B C B B B C B C B C C
B B B B B A B B B B B C B B B C B B B B B B B B C B C C B B A B B B B B C B C B B B B B B B
B B C B C C C C C B B B B B B C B C C B C B B A B C C B B B A C C C B B B B C B B B B C B B
C B A B C B C B A B B C A B C B B B B A A A B C B B C B C B A B A A B B C B C C C B B B C A
C C C A B B B B C B B B A B B B B B B B A B B B B B C C C B B B B C B B B C B B C B B B B B
C B C B B B C B C B B B B B B B B B B B A C B B B B B C C C B C C C B B B C B C C C B B B C
A B C B C B C B C B B C B A C B B C B C B C C B C B B B B B B B C C B B C C A B C C B C B B
81
Lampiran 1 (Lanjutan) SEMESTER 2 NO
47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92
NAMA MAHASIWA
OKTIKASARI SUBAGIO YEYEN KARIM YUSUF FUDDIN PATADJENU NOVITA INGO FRANGKY KOLONDAM SRI AGUSTINA OLII VIVIN DJON ISHAK ARIF DJAKA PRIHANTO FITRIANI ABDULLAH SULISTIANA KARLINA SAIDI GITA PURNAMASARI MUSA MUAZIN F. ARSYAD UCON ABDULLAH RISNA GUMOHUNG SARLITA MAYASARI DADU MELKY F. HUMOLUNGO MOHAMMAD FADLY ILAHUDE MARLIYATI BEU YENITA RAHMAN AMALIA PODUNG FEBRIYANTO S. BERAHIMA FANDY IRAWAN HASIRU NOFIYANI SITYAWATI S. PATEDA KURNIAWAN S. ABAS NINIK HERIYANTI KAHARU ADE PRATIWI ATMAJAYA RACHMAN FERAWATI LAILI MUH. ICHDAR. HADJARATIE IBRAHIM BOUTA HAPSA UMAR INDRIAWAN KADJA NINING ALI NAZRIANTI ALI HADIDJAH MAKSUD EKA PRAYATNA HENDRA MIN'UN INDRIATI THALIB SJAMSUDIN HATALA INTAN DADEA LIVI OLIVIA OLII STEVIE EKA PUTRI LAMATO AMRIATI RAUF VERAWATY BAHAR
9
10
11
12
13
14
15
16
C A C A B A B B C A A B B C C B C A A C A B C B A A B B A A B B B C C C C A A B B B C B C B
C B C B C B C C C C C C B B C B B B C C B B B B C C C B A A B B B C C B C B B B B C B B B B
C B B B B A C C B A B C B B B B B B B B B C B B B B C A B A C B B B C B B B C B C B B A B B
A B C B C B C B C B B C B A C B B C B C B C C B C B B B B B B B C C B B C C A B C C B C B B
C B C B C C B A C B C B B B C C B C B B B C B B B A C B A A C B B C B B B B C B C B B B B C
C B A B C B C B A A C C A B A B B B C C B B B B B B C A A A C C B A B A C B C C C B C A A A
B C C A B B B B C B B B A B C A B B C C B B B B B B C B A B B B B C B A B C B B C B A B B A
B B C B B B B B C B B B B B C B B B C C C B B B B B B A B B C C C C B B B C B C C B B B C C
IPK
LAMA STUDI (TAHUN)
3.57 2.77 2.74 3 2.43 2.85 2.58 3.29 2.58 2.85 2.85 2.7 2.78 3.54 2.65 2.87 3.05 2.6 3.08 2.55 3.05 2.5 2.7 2.8 2.53 2.8 2.89 3.08 2.77 3.13 3.08 2.96 2.67 2.67 2.86 3.2 2.53 2.55 3.56 3 2.69 2.72 3.36 2.48 3.07 3.28
4 4 4 4 4 4 4 4 4 4 4 4 4 3 4 4 4 4 4.5 4.5 4.5 4.5 4.5 4.5 4.5 4.5 4.5 4.5 4.5 5 5 5 5 5 5 5 5 5.5 5.5 4.5 5.5 3.5 3.5 3.5 3.5 3.5
82
Lampiran 1 (Lanjutan) SEMESTER 1 NO
NAMA MAHASIWA
NIM
THN ANGKATAN 1
2
3
4
5
6
7
8 B C
93 94
GUSTAB MUSTOFA BOTUTIHE NUR SEPTIANI ACHMAD
531306062 531306070
2006 2006
B B
C B
A C
B C
C B
B B
C B
95
AGUNG PRAYITNO LAHATI
531306095
2006
A
C
A
B
B
B
C
B
96
SRIRAHAYU ERAKU
531306028
2006
B
B
A
C
B
B
B
A
97
IYEN OCTAVIANY TAHA
531306058
2006
A
C
B
C
C
B
B
B
98
NURAIN MOHI
531306071
2006
C
C
C
C
C
B
B
A
99
INDRIYATI SULEMAN
531306098
2006
B
B
B
C
B
B
B
C
100
TUTY SYILVIA PIETERS
531306101
2006
A
B
C
C
B
B
B
A
101
RAHMAT ABUDIN ISHAK
531306141
2006
A
B
B
B
B
B
B
A
102
ODIYUDEX DAULIMA
531306152
2006
C
B
A
B
B
A
B
B
103
ANDRI A. POLAMOLO
531306064
2006
A
B
B
C
A
B
B
B
104
FEBRIYANTO RIVANDI ISHAK
531306086
2006
B
B
B
B
B
B
B
C
105
FEBRIANTO KASIATY
531306107
2006
C
B
C
C
B
C
C
C
106
AGIL AHMAD LAKORO
531306129
2006
C
B
B
C
B
C
B
A
107
DWI PRIO UTOMO
531306130
2006
B
B
B
B
B
C
C
B
108
ALLAN TRI PUTRA AMILIE
531306142
2006
A
B
A
B
B
B
B
B
109
SITI ANDINI UTIARAHMAN
531306149
2006
B
B
B
C
C
B
B
C
110
IRFANI ZUHRUFILLAH
531306013
2006
C
B
B
B
A
B
C
B
111
ASTRI RACHMIATI MALAH
531306020
2006
B
B
B
C
A
A
C
B
112
GUSLI PURNAMA HADJU
531306068
2006
C
B
B
C
C
C
C
C
113
MERLIN SULEMAN
531306001
2006
C
C
B
B
A
C
C
B
114
MELYAN PULOLI
531306007
2006
B
B
A
C
B
C
B
B
115
MOHAMAT SAFRI MARADA
531306025
2006
C
B
A
C
B
B
B
A
116
ISMAIL THALIB
531306026
2006
C
A
B
B
B
B
B
B
117
ZULKIFLI MAHMUD
531306027
2006
A
B
C
B
C
B
C
C
118
FADLIYAH MOHAMMAD
531306031
2006
B
B
C
C
C
C
C
C
119
ESANTRY K. ABDULLAH
531306033
2006
B
B
A
B
C
C
B
A
120
JAFAR LATIF
531306036
2006
A
C
B
B
C
C
C
B
121
WINDHI MB TAHA
531306040
2006
C
C
B
B
C
C
C
C
122
SRI HARTATI LOKIMAN
531306050
2006
C
B
B
B
C
A
B
B
123
ANDI BESSE S.Y.
531306051
2006
B
B
A
B
A
B
B
C
124
FITRIA ALVIONITA YUSUF
531306053
2006
B
B
B
C
A
B
B
B
125
ADHITYA R. PENAK
531306054
2006
A
B
A
C
B
B
B
B
126
ZULKIFLI ABD. KARIM
531306055
2006
C
B
A
C
A
B
B
A
127
MOHAMAD RONALD USMAN
531306059
2006
B
B
B
C
B
B
B
B
128
SUZANA ALI YUSUF
531306060
2006
B
B
C
C
A
B
C
C
129
ZAINUDIN MARALI
531306066
2006
B
B
B
C
A
B
B
B
130
NUR OKTAVIN IDRIS
531306072
2006
B
B
B
B
C
B
C
B
131
FRISTHIAN AMELIA ILAHUDE
531306073
2006
B
B
B
B
C
B
C
C
132
NURAIN ANGGREINI ARSYAD
531306074
2006
B
B
B
B
B
B
C
C
133
OLWIN BUHELI
531306076
2006
B
B
B
C
A
B
B
B
134
SHENDY YULISTYA S.
531306077
2006
C
B
B
B
C
B
B
B
135
ALMAWATI NTOI
531306097
2006
C
B
A
C
B
B
B
A
136
RAHMAWATI HASAN
531306099
2006
C
A
B
B
B
B
B
B
83
Lampiran 1 (Lanjutan) SEMESTER 2 NO
IPK
LAMA STUDI (TAHUN)
B C
3.35 2.47
3.5 3.5 3.5
NAMA MAHASIWA 9
10
11
12
13
14
15
16
B C
B B
B C
B B
93 94
GUSTAB MUSTOFA BOTUTIHE NUR SEPTIANI ACHMAD
C A
A B
B C
95
AGUNG PRAYITNO LAHATI
A
B
A
B
C
B
B
B
3.44
96
SRIRAHAYU ERAKU
C
B
A
A
C
A
B
B
3.55
3
97
IYEN OCTAVIANY TAHA
B
B
A
B
C
B
C
B
3.22
3.5
98
NURAIN MOHI
C
B
A
A
C
B
B
B
3.61
3.5
99
INDRIYATI SULEMAN
B
B
C
C
C
C
C
C
2.72
3.5
100
TUTY SYILVIA PIETERS
A
A
B
A
C
A
A
B
3.69
3.5
101
RAHMAT ABUDIN ISHAK
A
A
A
A
C
A
B
B
3.52
3
102
ODIYUDEX DAULIMA
B
B
B
B
C
A
B
B
3.11
3.5
103
ANDRI A. POLAMOLO
C
B
B
B
B
C
B
B
3
3.5
104
FEBRIYANTO RIVANDI ISHAK
B
B
C
C
C
C
C
C
2.71
3.5
105
FEBRIANTO KASIATY
B
B
B
C
C
C
B
B
2.5
3.5
106
AGIL AHMAD LAKORO
A
B
C
A
C
B
B
B
3.57
3
107
DWI PRIO UTOMO
C
B
B
B
B
C
A
B
2.83
3.5
108
ALLAN TRI PUTRA AMILIE
B
B
A
B
C
B
C
B
3.33
3.5
109
SITI ANDINI UTIARAHMAN
B
B
C
C
C
B
B
B
2.65
3.5
110
IRFANI ZUHRUFILLAH
A
C
A
B
B
B
B
C
3.2
3.5
111
ASTRI RACHMIATI MALAH
A
B
B
B
C
A
B
B
2.8
3.5
112
GUSLI PURNAMA HADJU
B
B
B
C
B
B
B
B
2.4
3.5
113
MERLIN SULEMAN
B
B
B
B
B
B
C
C
3.29
3.5
114
MELYAN PULOLI
A
B
A
B
B
B
B
B
2.86
3.5
115
MOHAMAT SAFRI MARADA
B
B
A
A
B
C
C
B
3.61
3
116
ISMAIL THALIB
C
A
B
B
B
B
B
B
3,00
3.5
117
ZULKIFLI MAHMUD
A
B
C
C
B
C
B
C
2.56
3.5
118
FADLIYAH MOHAMMAD
B
C
B
C
C
B
C
C
2.62
3.5
119
ESANTRY K. ABDULLAH
C
B
A
A
C
B
B
B
3.65
3
120
JAFAR LATIF
B
B
B
B
C
A
B
B
2.9
3.5
121
WINDHI MB TAHA
C
C
B
C
C
A
B
C
2.25
3.5
122
SRI HARTATI LOKIMAN
A
B
B
B
B
B
B
C
2.85
3.5
123
ANDI BESSE S.Y.
C
B
B
C
C
C
C
B
2.72
3.5
124
FITRIA ALVIONITA YUSUF
A
B
B
B
C
B
B
C
2.91
3.5
125
ADHITYA R. PENAK
B
C
B
B
A
A
B
B
3.03
3.5
126
ZULKIFLI ABD. KARIM
A
B
A
A
C
B
B
B
3.55
3
127
MOHAMAD RONALD USMAN
A
C
B
B
B
C
C
C
2.97
3.5
128
SUZANA ALI YUSUF
C
C
B
C
B
C
C
C
2.38
3.5
129
ZAINUDIN MARALI
B
B
B
B
A
A
B
B
3
3.5
130
NUR OKTAVIN IDRIS
A
A
B
B
B
A
B
A
3.18
3.5
131
FRISTHIAN AMELIA ILAHUDE
B
C
C
C
C
B
B
B
2.73
3.5
132
NURAIN ANGGREINI ARSYAD
A
B
B
C
C
B
B
C
2.65
3.5
133
OLWIN BUHELI
A
B
B
B
B
B
B
B
3.16
3.5
134
SHENDY YULISTYA S.
A
B
B
B
B
B
B
B
3.12
3.5
135
ALMAWATI NTOI
A
B
A
A
B
A
B
C
3.56
3
136
RAHMAWATI HASAN
B
C
B
B
B
B
B
B
3.33
3.5
84
Lampiran 1 (Lanjutan) SEMESTER 1 NO
NAMA MAHASIWA
NIM
THN ANGKATAN 1
2
3
4
5
6
7
8 C
137
YULISTIANI LAHATI
531306100
2006
A
B
C
B
C
B
C
138
ASTUTI MUCHSIN
531306104
2006
B
B
C
C
C
C
C
C
139
WIDYASTUTI SYAFII
531306105
2006
B
B
A
B
C
C
B
A
140
MOHAMAD H. PEMBENGO
531306108
2006
A
C
B
B
C
C
C
B
141
AYU WIDYA NINGRUM
531306116
2006
C
C
B
B
C
C
C
C
142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182
LIA WIDYASTUTY L NOVIE RIZKI J. S. AKILI CITRA YESIE MEGAWATI MAKALALAG MAAWIYAH PULUHULAWA RINTO HURADJU AWALUDIN ABDULLAH JEPRI LUAWO PANJI RAMDHAN HADJARATIE RAHMAT KIRAMAN ARMAN VAN GOBEL ASRIN ABDULLAH SYAHRUL JUSUF DIEN YAYAN ANDI JUNAIDI DJAU SULEMAN RAHMAN SISNAWATY MOKOAGOW HERLIN MOBILIU BASTIAN HASAN FEBRY LIHAWA HASTUN JERI SAMAN MOH. RUDIANSYAH LIHAWA RATNO Y. GANI REBECCA A. BANYAMIN MUCHLAS HALA FITRIYANI LATIF ANCU ASNAWI ARLAN AHMAD ARNI ALBERT BAYU RISKIE ISHAK EKA DANGKUA FENRIYANTI LAYA FITRIANINGSIH TAHA HERMANTO ABUBAKAR HIDAYAT ILAHUDE IDHYTA R. PADIKU IVANNA DIAN LAHAY JEFRIYANTO DJAFAR LOLIS KOBI MEGAWATI LIHAWA
531306128 531306131 531306132 531306139 531306145 531306153 531306006 531306078 531306134 531306023 531306125 531306057 531306046 531306061 531306039 531306052 531306143 531306035 531306093 531306005 531306114 531306111 531306043 531306126 531306146 531307070 531307028 531307008 531307013 531307014 531307013 531307019 531307025 531307029 531307035 531307037 531307038 531307042 531307043 531307048 531307049
2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2006 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007
C A B B A C C A A B B B A B A C B A A A A A A C C A A B B C B C A B C C B C A B A
B B B C B B A A A B C B C B C C B B B A B A B C C B B C B B B B B C B C B C C B C
B A B B B B B A B C A C A A B C B C B A B A B B B B B C B B B B B C B B B C B B B
B C B C B C C A A C B C B C C C C C B A B A C C C B B B B B C B B C B C C B B B B
C B A B B C B A B C C B B B C C B B B A B A B A A B B C A B B B B C B A B B B B B
A B B C B C B A B C B B B B B B B B C B B B B B C B B B A B A B A C B C B B B B B
B B B C C B B A B C C B C B B B B B C A C B C C C B B B B B B B B C A C B B B B B
B A B C B C A A B B B C B A B A C A C A B B B C C B B C B A B B B C A C A B B B C
85
Lampiran 1 (Lanjutan) SEMESTER 2 NO
NAMA MAHASIWA 9
10
11
12
13
14
15
16
IPK
LAMA STUDI (TAHUN)
137
YULISTIANI LAHATI
B
B
B
C
C
B
B
B
2.64
3.5
138
ASTUTI MUCHSIN
C
B
B
C
C
C
C
C
2.59
3.5
139
WIDYASTUTI SYAFII
A
A
B
A
C
A
A
B
3.65
3
140
MOHAMAD H. PEMBENGO
A
A
B
B
A
B
B
B
3.13
3.5
141
AYU WIDYA NINGRUM
B
B
C
C
C
B
B
B
2.7
3.5
142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182
LIA WIDYASTUTY L NOVIE RIZKI J. S. AKILI CITRA YESIE MEGAWATI MAKALALAG MAAWIYAH PULUHULAWA RINTO HURADJU AWALUDIN ABDULLAH JEPRI LUAWO PANJI RAMDHAN HADJARATIE RAHMAT KIRAMAN ARMAN VAN GOBEL ASRIN ABDULLAH SYAHRUL JUSUF DIEN YAYAN ANDI JUNAIDI DJAU SULEMAN RAHMAN SISNAWATY MOKOAGOW HERLIN MOBILIU BASTIAN HASAN FEBRY LIHAWA HASTUN JERI SAMAN MOH. RUDIANSYAH LIHAWA RATNO Y. GANI REBECCA A. BANYAMIN MUCHLAS HALA FITRIYANI LATIF ANCU ASNAWI ARLAN AHMAD ARNI ALBERT BAYU RISKIE ISHAK EKA DANGKUA FENRIYANTI LAYA FITRIANINGSIH TAHA HERMANTO ABUBAKAR HIDAYAT ILAHUDE IDHYTA R. PADIKU IVANNA DIAN LAHAY JEFRIYANTO DJAFAR LOLIS KOBI MEGAWATI LIHAWA
A C C B B B B A C A A B B A A B C C C B A B A C B C B B A A A B B C C B A B B C C
C C B B B B B B B B B B B A A B C A B A C B C B B C B B C A C C B B B B A B B C C
B C A C B B A C B B B B B B B B B B B B B B A C B B B B B B B A B B B C A B C B B
B A B C B C A A B B B C B A B A C A C A B B B C C B B C B A B B B C A C A B B B C
C C B C C B B C B B B C C C C C B C B B A B B C B B B B C C B B A B B B A B C B C
C C B A A C C B C B B B B A A B C B A B B A B B B A A B C A C C C A B B A C B B A
B B A B B B C B A B B B B A B B C B B B B A B C B C B C B B C B B B B B B B B B B
B B B C B C B B B B B B B A B C C B B C B B C C C C B C B B C C B C A B A C B B C
3.18 3.59 2.96 2.57 2.85 2.7 3.61 3.75 3.12 3.08 3.05 2.74 2.87 3.68 2.8 3.53 2.71 3.64 2.45 3.52 2.78 2.89 3.05 2.5 2.64 3.48 3.11 2.72 2.85 3.58 2.81 3.23 2.77 2.74 3.66 2.7 3.53 3.25 2.76 3.06 2.6
3.5 3 3.5 3.5 3.5 3.5 3 3 4 4 4 4 4 3 4 4 4 4 4.5 3 4.5 4.5 4.5 4.5 4.5 3.5 3.5 3.5 3.5 3 3.5 3.5 3.5 3.5 3 3.5 3 3.5 3.5 3.5 3.5
86
Lampiran 1 (Lanjutan) SEMESTER 1 NO
183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216
NAMA MAHASIWA
MERLIN SULEMAN MERLIN S. NURKAMIDEN M. ARDIANSYAH LAHAY M. RAMDHAN KALUKU MOH. ZUHDI SINO MOH. ZULFIKAR KAMARU NANA FITRIANA PAKAJA NOFRIYENI BENTU NOVITA AMELIA RAHMAN NUR MAYA DJAFAR NURAIN KASIM NURLAILA S. MAKU OYIN KASIM PRASISCA EKA WAHYUNI PUPUT A. KANTUA RACHMAD A. IPANGO RAHMAT L. LANTAPA REBERT TANDALI RIANSYAHFITRI RUSDIANTO MASPEKE SARTIKA DEWI DUNGGIO SINTA SULEMAN SRI WAHYUNI NASARU SUNARTI ODJA TASLIMA KAHAR TRIS SAHRIA PULUALA VINA AGUSTINA IGIRISA VIVIANA A. MAKSUM WAHYUNINGRUM TARSUN WERBIN KUSNO WIWIN IPANGO YUNITA OKTIVANI YUNUS YUSNIARTO DATUNSOLANG ZULKARNAIN LAMATENGGO
NIM
531307052 531307051 531307057 531307053 531307068 531307069 531307074 531307079 531307078 531307081 531307082 531307083 531307084 531307085 531307086 531307087 531307088 531307091 531307093 531307102 531307103 531307108 531307109 531307113 531307116 531307119 531307120 531307121 531307122 531307123 531307124 531307125 531307126 531307128
THN ANGKATAN
2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007 2007
1
2
3
4
5
6
7
8
A B B A A A A B B B B B A B A A A A A C A B C B B B A A A A A B C C
C B B C C A A B B B C C C B A B B C A C A C C C B B C C B A A B C B
B B B A B B A C C A B B B A B B B B B B B C B B C C B C A B B B C B
A A C B C C C C C A A B B B A A A A A B A A C B C C B A C B B A B B
B A B A C A A B C A A B B A A B A B A C A B A B C C B B B A A B B A
B B B B B A B C B A B B C B A C B B A B A B C B B C C B A B B B B A
B B B B B B B C C B B C B A B B B B B B B B C B C C B B B A B B B B
B B A B B A A C B B B C B B B B B B B C B B C C B C B C A B A A B B
87
Lampiran 1 (Lanjutan) SEMESTER 2 NO
183 184 185 186 187 188 189 190 191 192 193 194 195 196 197 198 199 200 201 202 203 204 205 206 207 208 209 210 211 212 213 214 215 216
NAMA MAHASIWA
MERLIN SULEMAN MERLIN S. NURKAMIDEN M. ARDIANSYAH LAHAY M. RAMDHAN KALUKU MOH. ZUHDI SINO MOH. ZULFIKAR KAMARU NANA FITRIANA PAKAJA NOFRIYENI BENTU NOVITA AMELIA RAHMAN NUR MAYA DJAFAR NURAIN KASIM NURLAILA S. MAKU OYIN KASIM PRASISCA EKA WAHYUNI PUPUT A. KANTUA RACHMAD A. IPANGO RAHMAT L. LANTAPA REBERT TANDALI RIANSYAHFITRI RUSDIANTO MASPEKE SARTIKA DEWI DUNGGIO SINTA SULEMAN SRI WAHYUNI NASARU SUNARTI ODJA TASLIMA KAHAR TRIS SAHRIA PULUALA VINA AGUSTINA IGIRISA VIVIANA A. MAKSUM WAHYUNINGRUM TARSUN WERBIN KUSNO WIWIN IPANGO YUNITA OKTIVANI YUNUS YUSNIARTO DATUNSOLANG ZULKARNAIN LAMATENGGO
9
10
11
12
13
14
15
16
B A C B B A B B A A B B B A B B B B B A A A B A B C B B C B B C B A
B A B B B B B C B A B B A C B B B B C B C A B B C C B C B B B B B C
B B B B B A B C B B B C B B C A C C B B B B B B B B C B B A B B C A
B B A B B A A C B B B C B B B B B B B C B B C C B C B C A B A A B B
C C B C C C C B C A B B C B C A C C A B B B C C B C C C B C C B C B
B A B B B B B C B A B B A B C A C C A C B A C C C A C C B B B B C B
B A B B B A B B B A B B B C C A B B B B C B B B C C C C B B B B B B
B A A B B B B B C B B B B B C B C C B B B A C C C C C C B B B B C C
IPK
LAMA STUDI (TAHUN)
2.81 3.14 3.59 3.04 3.34 3.63 3.59 2.74 3.01 3.45 2.97 2.67 2.99 2.99 2.91 2.95 3.08 2.84 3.01 2.34 3.35 2.91 2.5 2.58 3.05 2.3 2.95 2.7 3.55 2.76 3.6 3.59 2.87 2.8
3.5 3.5 3 3.5 3.5 3 3 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3.5 3 3 3 3 3.5 3.5
Keterangan : 1 = Pendidikan Agama 2 = Bahasa Indonesia 3 = Pemrograman 1 4 = Sistem Operasi 5 = Matematika 6 = Pengantar Sistem Komputer 7 = Paket Program Aplikasi 8 = Algoritma dan Struktur Data
9 = Bahasa Inggris 10 = Konsep Sistem Informasi 11 = Dasar Manajemen & Bisnis 12 = Aljabar Vektor dan Matriks 13 = Pengantar Instalasi Komputer 14 = Pemrograman 2 15 = Pengantar Teknologi Informasi 16 = Desain Grafis
88
Lampiran 2 Detail Proses Pembelajaran pada Model Prediksi Indeks Prestasi Kumulatf (MPIPK) SEMESTER 1 NO
NAMA MAHASIWA
NIM
THN ANGKATAN 1
2
3
4
5
6
7
8
1
ABDUL HARIS ARUMASI
531308001
2008
C
B
A
B
B
A
B
B
2
ANTY PUSPITA SARI
531308002
2008
A
B
B
C
A
B
B
B
3
APRILYA DUNGGIO
531308003
2008
B
B
B
B
B
B
D
C
4
BERLY NAYOAN
531308004
2008
C
B
C
C
B
C
C
C
5
BODI M. KONI
531308005
2008
C
B
B
C
B
C
B
A
6
CENDY LEDYSTIARTY
531308006
2008
B
B
B
B
B
C
C
B
7
CORNELLA YUNINGSI LAKORO
531308007
2008
A
B
A
B
B
B
B
B
8
FADLI H. GUAMO
531308008
2008
D
B
B
C
C
B
B
C
9
FADLI TALAA
531308009
2008
C
B
B
B
A
B
C
B
10
FIRMAN BUDI SANTOSO
531308010
2008
B
B
B
C
A
A
C
B
11
FITRI APRIANI TOONAW
531308011
2008
C
B
B
E
C
C
C
C
12
HAFRILLA GESTY TOLINGGI
531308012
2008
C
C
B
B
A
C
C
B
13
IRPAN RIZKI
531308013
2008
B
B
A
C
B
C
B
B
14
LUNGKY ABBAS
531308014
2008
C
B
A
C
B
B
B
A
15
MEILIN KASIM
531308015
2008
C
A
B
B
B
B
B
B
16
MELKY S. POLAMOLO
531308016
2008
B
B
A
B
C
C
B
A
17
NOVA SABATINI SITANGGANG
531308017
2008
A
C
B
B
C
C
C
B
18
NOVRIN TOBUNGGU
531308018
2008
C
C
B
B
C
C
C
C
19
PEBRIYANTO Y. MAKSUM
531308019
2008
C
B
B
B
C
A
B
B
20
RADEN SUTOWIJOYO HIMAN
531308020
2008
A
B
B
B
B
B
B
B
21
RAMDAN HATLAH
531308021
2008
A
B
B
B
B
B
B
B
22
RAMLI MOBONGGI
531308022
2008
B
C
D
B
C
B
B
C
23
REZALDI SIDIKI
531308023
2008
B
B
B
B
A
A
B
B
24
RIFKA NUR DESIANA GANI
531308024
2008
C
B
B
B
B
B
B
A
25
RINI RIZKIYANA KADILI
531308025
2008
B
B
B
C
B
A
B
B
26
RIRIN ANGGRIANI PODU
531308026
2008
C
B
B
B
B
B
B
B
27
RISKO RUCHBAN
531308027
2008
A
B
B
B
B
A
B
B
28
SEPTIYANI W. TIYON
531308028
2008
B
C
C
C
D
C
C
C
29
SIDDIK PRAMONO S. ISMAIL
531308029
2008
C
B
B
B
B
B
A
A
30
SINGGIH PRIYONO RIVAI
531308030
2008
C
C
B
C
A
C
C
C
31
SRI INDRAHAYU DALIWA
531308031
2008
B
B
B
C
B
B
B
A
32
SRI UNUNG S. RAUF
531308032
2008
B
D
B
A
C
B
B
B
33
STEVEN RIDWAN ABADI
531308033
2008
B
B
C
B
B
B
B
C
34
SULTIYA BANO
531308034
2008
B
B
B
C
B
B
B
B
35
SYAIFUL NAZAR INAKU
531308035
2008
B
C
D
C
C
C
B
B
36
TRI SUTRISNO ULI
531308036
2008
B
C
C
B
B
C
C
B
37
VICTOR LAMENDATU
531308037
2008
A
B
A
C
B
B
B
A
38
YUDITHA CYNTHIA SALINDEHO
531308038
2008
B
B
B
B
A
B
B
B
39
YULIANTI HUMONGGIO
531308039
2008
B
C
B
C
B
C
C
C
40
ZAKKI G. ALAMRI
531308040
2008
A
B
B
B
B
B
C
B
41
ZULHAM BIN RAIS DARISE
531308041
2008
C
B
B
C
C
C
B
C
89
Lampiran 2 (Lanjutan) SEMESTER 2 NO
NAMA MAHASIWA 9
10
11
12
13
14
15
16
1
ABDUL HARIS ARUMASI
B
B
B
B
C
A
B
B
2
ANTY PUSPITA SARI
C
B
B
B
B
C
B
B
3
APRILYA DUNGGIO
B
B
C
C
C
C
C
C
4
BERLY NAYOAN
B
B
B
C
C
C
D
B
5
BODI M. KONI
A
B
C
A
C
B
B
B
6
CENDY LEDYSTIARTY
C
B
B
B
B
C
A
B
7
CORNELLA YUNINGSI LAKORO
B
B
A
B
C
B
C
B
8
FADLI H. GUAMO
B
B
C
C
C
B
B
B
9
FADLI TALAA
A
C
A
B
B
B
B
C
10
FIRMAN BUDI SANTOSO
A
B
B
B
C
A
B
B
11
FITRI APRIANI TOONAW
B
B
B
C
B
D
B
B
12
HAFRILLA GESTY TOLINGGI
B
B
B
B
B
B
C
C
13
IRPAN RIZKI
A
B
A
B
B
B
B
B
14
LUNGKY ABBAS
B
B
A
A
B
C
C
B
15
MEILIN KASIM
C
A
B
B
B
B
B
B
16
MELKY S. POLAMOLO
A
A
B
A
C
A
A
B
17
NOVA SABATINI SITANGGANG
A
A
B
B
A
B
B
B
18
NOVRIN TOBUNGGU
B
B
E
C
C
B
B
B
19
PEBRIYANTO Y. MAKSUM
A
C
B
B
C
C
B
B
20
RADEN SUTOWIJOYO HIMAN
C
C
B
B
B
A
C
C
21
RAMDAN HATLAH
B
B
B
B
B
A
B
B
22
RAMLI MOBONGGI
B
B
B
C
B
B
C
C
23
REZALDI SIDIKI
A
C
B
B
C
C
B
B
24
RIFKA NUR DESIANA GANI
A
A
B
A
C
A
B
B
25
RINI RIZKIYANA KADILI
A
C
B
B
B
C
C
C
26
RIRIN ANGGRIANI PODU
B
C
A
B
B
C
B
C
27
RISKO RUCHBAN
B
B
B
B
A
C
B
B
28
SEPTIYANI W. TIYON
C
B
B
C
B
A
B
C
29
SIDDIK PRAMONO S. ISMAIL
C
B
B
A
B
B
B
A
30
SINGGIH PRIYONO RIVAI
B
B
C
C
B
B
B
B
31
SRI INDRAHAYU DALIWA
A
A
A
A
A
A
B
A
32
SRI UNUNG S. RAUF
B
B
B
B
B
B
B
B
33
STEVEN RIDWAN ABADI
A
C
B
C
B
B
B
B
34
SULTIYA BANO
A
C
B
B
A
B
B
B
35
SYAIFUL NAZAR INAKU
B
C
C
B
D
C
C
B
36
TRI SUTRISNO ULI
B
B
A
B
B
A
B
A
37
VICTOR LAMENDATU
C
C
C
A
C
C
B
B
38
YUDITHA CYNTHIA SALINDEHO
C
B
A
B
B
B
A
B
39
YULIANTI HUMONGGIO
B
B
C
C
C
A
B
C
40
ZAKKI G. ALAMRI
B
B
B
B
C
A
B
B
41
ZULHAM BIN RAIS DARISE
B
B
B
C
B
C
B
C
90
Lampiran 2 (Lanjutan) SEMESTER 1 NO
NAMA MAHASIWA
NIM
THN ANGKATAN 1
2
3
4
5
6
7
8
42
SULTAN VAN SOLANG
531309001
2009
A
A
A
A
A
B
A
A
43
ABDUL WAHID RAUF
531309002
2009
A
B
B
D
B
B
C
B
44
IHSAN DIKO
531309003
2009
A
A
A
A
A
B
B
B
45
BAMBANG RIFALDY USMAN
531309004
2009
A
B
B
C
B
B
C
B
46
RAHMAD HADJARATI
531309005
2009
C
C
B
C
A
E
C
C
47
BUYUNG H. ISMAIL
531309006
2009
D
C
B
C
A
C
C
C
48
VIVI WIKA I. MURSALIN
531309007
2009
A
C
B
B
B
C
B
B
49
UMI HANIFAH
531309008
2009
A
C
C
C
B
B
B
C
50
FITRIYANTO IBRAHIM
531309009
2009
A
B
A
C
B
A
B
A
51
MARIA SISKA TANAIYO
531309010
2009
A
A
B
B
A
B
A
B
52
MUNAWIR SAENONG D.
531309011
2009
A
A
B
B
A
B
B
A
53
MOH. IKHSAN W. UTIARAHMAN
531309012
2009
B
B
B
A
A
B
B
B
54
LILAN H MAMULA
531309013
2009
B
B
B
C
B
B
B
A
55
AZIZA SAFARINA SAID
531309014
2009
A
C
A
B
A
B
B
B
56
ZUPRIANTO MOINTI
531309015
2009
A
C
B
C
C
B
B
B
57
ADITHYA A. S. KUM
531309016
2009
A
A
B
C
A
A
B
A
58
ANDHIKA NOVRANDI SINABA
531309017
2009
A
A
A
C
A
B
B
A
59
ISKANDAR HUSAIN
531309018
2009
B
B
C
C
D
C
C
C
60
MARTEN VERDINAN TAROREH
531309019
2009
B
B
C
C
C
B
C
B
61
SYUKRI UTIARAHMAN
531309020
2009
B
B
A
A
A
A
B
B
62
DEFCHI CH ISMAIL
531309021
2009
B
C
B
A
A
B
B
B
63
EKI JUNIFARI ISA
531309021
2009
B
C
B
B
B
B
C
C
64
INDRA WANGSA SIDIKI
531309023
2009
A
C
B
B
B
C
B
B
65
SRI WULAN LIPUTO
531309024
2009
B
B
A
B
A
B
A
B
66
JEFRY LEONARDO NASIBOE
531309025
2009
B
B
A
C
B
B
C
B
67
DADANG NUSA
531309026
2009
A
B
B
C
C
B
C
C
68
ZAINUDIN UMAR
531309027
2009
D
C
B
D
C
C
C
C
69
RIVAI LAIMA
531309028
2009
B
B
B
C
B
B
B
B
70
MERISKA YASIN
531309029
2009
A
B
B
B
C
C
C
A
71
MOH. ZULKIFLI IGIRISA
531309030
2009
A
C
A
B
A
B
B
B
72
NOVALIN F KUN
531309031
2009
A
C
B
C
C
B
B
B
73
MOH. I FAZRIN H. PANIGORO
531309032
2009
A
A
B
C
A
A
B
A
74
IMRAN DATAU
531309033
2009
A
A
A
C
A
B
B
A
75
AKBAR HIDAYAT HUSAIN
531309034
2009
B
B
C
C
B
C
C
C
76
IKMALIA PAHU
531309035
2009
B
B
C
C
C
B
C
B
77
DWI CAHYANTONO
531309036
2009
B
B
A
A
A
A
B
B
78
FIKEL GODIANTO
531309037
2009
B
C
B
A
A
B
B
B
79
DZULKIFLI MOODUTO
531309038
2009
A
C
B
B
B
C
B
B
80
SRI RAHAYU LIPUTO
531309039
2009
A
C
B
B
B
B
B
B
81
ABDUL KADIR SALEH
531309040
2009
A
A
A
A
A
A
A
A
82
ARHAM MOKOAGOW
531309041
2009
A
A
B
A
B
B
B
B
91
Lampiran 2 (Lanjutan) SEMESTER 2 NO
NAMA MAHASIWA 9
10
11
12
13
14
15
16
42
SULTAN VAN SOLANG
B
A
B
A
B
B
B
C
43
ABDUL WAHID RAUF
A
C
B
B
A
B
B
B
44
IHSAN DIKO
B
D
B
B
B
A
A
B
45
BAMBANG RIFALDY USMAN
A
C
A
B
B
B
B
C
46
RAHMAD HADJARATI
C
B
C
C
D
B
C
C
47
BUYUNG H. ISMAIL
B
B
B
C
B
B
B
C
48
VIVI WIKA I. MURSALIN
B
B
C
B
C
C
C
C
49
UMI HANIFAH
D
C
B
C
C
C
C
E
50
FITRIYANTO IBRAHIM
C
B
B
A
B
B
B
B
51
MARIA SISKA TANAIYO
B
B
A
B
C
B
B
B
52
MUNAWIR SAENONG D.
B
B
B
A
C
B
B
B
53
MOH. IKHSAN W. UTIARAHMAN
A
A
B
B
C
A
A
A
54
LILAN H MAMULA
C
B
E
A
B
B
B
A
55
AZIZA SAFARINA SAID
B
B
B
B
C
E
B
B
56
ZUPRIANTO MOINTI
B
B
D
B
C
B
B
B
57
ADITHYA A. S. KUM
A
B
A
A
C
B
A
B
58
ANDHIKA NOVRANDI SINABA
B
B
B
A
C
B
B
B
59
ISKANDAR HUSAIN
B
C
D
C
B
C
B
E
60
MARTEN VERDINAN TAROREH
A
B
B
B
C
B
B
C
61
SYUKRI UTIARAHMAN
A
A
B
B
A
A
A
B
62
DEFCHI CH ISMAIL
B
B
B
B
B
B
B
B
63
EKI JUNIFARI ISA
B
B
C
C
B
B
B
B
64
INDRA WANGSA SIDIKI
B
A
B
B
C
A
B
B
65
SRI WULAN LIPUTO
A
C
B
B
B
B
C
B
66
JEFRY LEONARDO NASIBOE
A
B
B
B
A
A
B
B
67
DADANG NUSA
B
B
E
C
C
D
B
B
68
ZAINUDIN UMAR
A
C
B
E
C
C
B
C
69
RIVAI LAIMA
B
B
B
B
C
B
B
B
70
MERISKA YASIN
A
A
B
A
C
A
A
A
71
MOH. ZULKIFLI IGIRISA
B
B
C
B
C
C
C
C
72
NOVALIN F KUN
D
C
A
B
B
C
B
C
73
MOH. I FAZRIN H. PANIGORO
A
A
A
A
C
A
B
B
74
IMRAN DATAU
B
B
B
A
A
B
B
B
75
AKBAR HIDAYAT HUSAIN
B
D
D
C
C
B
C
C
76
IKMALIA PAHU
B
B
B
B
B
B
B
B
77
DWI CAHYANTONO
B
C
A
B
B
B
B
B
78
FIKEL GODIANTO
B
C
C
B
B
B
C
C
79
DZULKIFLI MOODUTO
B
C
B
B
B
C
C
C
80
SRI RAHAYU LIPUTO
A
B
B
B
B
B
B
C
81
ABDUL KADIR SALEH
A
B
C
A
C
B
B
B
82
ARHAM MOKOAGOW
C
B
B
B
B
C
A
B
92
Lampiran 2 (Lanjutan) SEMESTER 1 NO
NAMA MAHASIWA
NIM
THN ANGKATAN 1
2
3
4
5
6
7
8
83
ADITYA P. MAHADJANI E
531309042
2009
B
B
C
C
C
C
C
B
84
MOHAMAD YUSRIANTO ANGIO
531309043
2009
B
C
A
B
C
B
C
B
85
IRFAN HUNTU
531309044
2009
B
B
C
C
B
B
B
C
86
ZAINAL HANAPI
531309045
2009
A
C
A
B
B
B
C
B
87
EDI PRAWITO
531309046
2009
A
A
B
A
A
A
B
B
88
HADI PRATOMO
531309047
2009
C
C
B
B
C
B
B
C
89
PRAMA FIRMANSAH BADU
531309048
2009
A
A
B
A
A
A
B
B
90
TOMMY SIGIT POIYO
531309050
2009
B
C
C
A
B
B
B
B
91
SITTI WRIYAMTI LAHIDJUN
531309051
2009
C
C
B
C
A
C
C
C
92
MUHAMMAD RIDWAN H
531309052
2009
B
C
B
B
B
B
B
C
93
ADRIYANTO MONOARFA
531309054
2009
B
B
E
C
C
B
C
B
94
FAHMI R. ABAS
531310001
2010
A
A
B
E
A
A
A
B
95
KHALID J. SANAU
531310002
2010
C
B
B
B
A
B
C
C
96
NUR LAILA PADE
531310003
2010
C
B
B
B
B
B
B
C
97
INKA YULIANINGSIH AHMAD
531310004
2010
B
B
B
A
C
B
B
B
98
MUTIA RAHMATIA HIPPY
531310005
2010
A
B
D
C
B
B
C
B
99
FEBRIANTI T. NGGULE
531310006
2010
D
C
B
C
A
B
C
C
100
ROSNAWATI HARUN
531310007
2010
C
C
B
C
A
C
D
C
101
FADLI ARBIE
531310008
2010
A
B
B
B
B
B
B
B
102
NELVA ALAMTAHA
531310009
2010
A
B
B
B
B
B
B
B
103
GHEBY SHINTIA MAHMUD
531310010
2010
B
D
C
B
D
B
B
C
104
BAHAR
531310011
2010
B
B
B
B
B
D
C
C
105
RAHMAD GALAI
531310012
2010
A
B
C
D
C
B
B
A
106
FATMAWATI S. TAHIR
531310013
2010
B
B
B
B
C
B
C
B
107
SISKAWATI BATALIPU
531310014
2010
A
A
A
A
A
B
B
B
108
MUH. FAHMI PULOLI
531310015
2010
A
B
B
C
B
B
D
B
109
DINA LUSIA
531310016
2010
C
C
B
C
A
B
C
C
110
SOFYANDI SALEH
531310017
2010
D
C
B
C
A
C
C
C
111
RETNO LAKORO
531310018
2010
A
C
B
B
B
C
B
B
112
HARIS THALIB
531310019
2010
A
C
D
A
B
B
B
C
113
FIRMAN AFANDI YUNUS
531310020
2010
A
B
A
D
B
A
B
A
114
ARDIANSYAH PUTRA NASARU
531310021
2010
A
A
B
B
A
B
A
B
115
FAHRURIZAL LAMAKE
531310022
2010
A
A
B
B
A
B
B
A
116
MH. RENDY IMULLAH
531310023
2010
A
B
A
C
B
B
B
A
117
IMRMA SEPTIANY ISHAK
531310024
2010
B
B
B
B
A
B
B
B
118
SRI PUSPITA BADU
531310025
2010
B
E
B
C
B
C
C
C
119
ARWAN LAWADJO
531310026
2010
A
B
B
B
D
B
C
B
120
AYIS ABDULLAH
531310027
2010
C
B
B
C
C
D
B
C
121
IRWAN POMALANGO
531310028
2010
D
A
B
C
B
B
B
A
122
FRANGKI MAMU
531310029
2010
A
A
A
A
A
A
A
A
123
BOBY ANGRIAWAN HINTA
531310030
2010
A
A
B
A
B
B
B
B
124
ABD. HAKIM GOBEL
531310031
2010
B
B
E
C
C
C
C
B
93
Lampiran 2 (Lanjutan) SEMESTER 2 NO
NAMA MAHASIWA 9
10
11
12
13
14
15
16
83
ADITYA P. MAHADJANI E
A
B
B
B
B
B
B
B
84
MOHAMAD YUSRIANTO ANGIO
A
B
B
B
B
B
B
B
85
IRFAN HUNTU
B
B
B
C
C
B
B
B
86
ZAINAL HANAPI
B
B
B
B
C
B
B
B
87
EDI PRAWITO
B
C
B
B
A
A
B
B
88
HADI PRATOMO
D
B
B
C
B
D
B
B
89
PRAMA FIRMANSAH BADU
A
C
B
B
B
B
C
B
90
TOMMY SIGIT POIYO
A
A
B
B
B
A
B
A
91
SITTI WRIYAMTI LAHIDJUN
B
B
B
C
C
C
B
C
92
MUHAMMAD RIDWAN H
A
B
E
C
C
C
B
D
93
ADRIYANTO MONOARFA
B
C
B
B
B
C
C
C
94
FAHMI R. ABAS
A
B
B
B
B
B
B
D
95
KHALID J. SANAU
B
B
C
C
C
B
B
B
96
NUR LAILA PADE
D
B
B
C
B
B
D
B
97
INKA YULIANINGSIH AHMAD
B
B
B
B
B
B
B
B
98
MUTIA RAHMATIA HIPPY
B
E
B
B
B
C
B
C
99
FEBRIANTI T. NGGULE
B
B
B
C
B
D
B
C
100
ROSNAWATI HARUN
C
C
D
C
D
A
C
E
101
FADLI ARBIE
C
C
C
B
B
B
B
B
102
NELVA ALAMTAHA
C
B
B
B
B
A
A
B
103
GHEBY SHINTIA MAHMUD
C
C
B
C
B
C
B
B
104
BAHAR
A
B
B
C
B
B
C
C
105
RAHMAD GALAI
A
B
E
A
C
C
B
B
106
FATMAWATI S. TAHIR
B
B
B
B
B
E
B
E
107
SISKAWATI BATALIPU
B
D
B
B
B
A
A
B
108
MUH. FAHMI PULOLI
A
C
A
B
E
B
B
C
109
DINA LUSIA
E
B
C
C
C
B
D
C
110
SOFYANDI SALEH
B
B
B
C
B
B
B
C
111
RETNO LAKORO
B
B
C
B
C
C
C
D
112
HARIS THALIB
B
C
B
C
C
C
E
C
113
FIRMAN AFANDI YUNUS
C
B
B
A
B
B
B
B
114
ARDIANSYAH PUTRA NASARU
B
B
A
B
C
B
B
B
115
FAHRURIZAL LAMAKE
B
B
B
A
C
B
B
B
116
MH. RENDY IMULLAH
C
D
D
A
C
D
B
B
117
IMRMA SEPTIANY ISHAK
E
B
A
B
B
B
A
B
118
SRI PUSPITA BADU
B
B
C
C
C
A
B
C
119
ARWAN LAWADJO
B
B
B
B
C
A
B
B
120
AYIS ABDULLAH
B
B
B
C
B
C
B
D
121
IRWAN POMALANGO
B
B
A
A
B
C
E
B
122
FRANGKI MAMU
A
B
C
A
D
B
B
B
123
BOBY ANGRIAWAN HINTA
C
B
B
B
B
C
A
B
124
ABD. HAKIM GOBEL
A
B
B
B
B
B
B
D
94
Lampiran 2 (Lanjutan) SEMESTER 1 NO
NAMA MAHASIWA
NIM
THN ANGKATAN 1
2
3
4
5
6
7
8
125
GFERIYANTO KARIM
531310032
2010
B
B
B
E
C
C
C
C
126
MASRONI MASULILA
531310033
2010
B
D
B
D
C
C
C
C
127
MEGAWATI UMAR
531310034
2010
B
B
C
C
D
C
C
C
128
RAHMAD LAHAY ABDULLAH
531310035
2010
B
B
B
C
B
B
B
B
129
SUTRISNO NUSI
531310036
2010
B
B
C
B
B
B
B
C
130
WERLI HUSNA
531310037
2010
B
B
B
C
B
B
B
B
Lampiran 2 (Lanjutan) SEMESTER 2 NO
NAMA MAHASIWA 9
10
11
12
13
14
15
16
125
GFERIYANTO KARIM
D
D
B
C
C
C
C
C
126
MASRONI MASULILA
B
B
E
C
C
D
C
C
127
MEGAWATI UMAR
B
B
E
C
C
B
D
C
128
RAHMAD LAHAY ABDULLAH
A
B
B
B
B
B
A
B
129
SUTRISNO NUSI
B
C
C
C
D
C
C
C
130
WERLI HUSNA
B
C
C
B
C
D
C
D
Keterangan : 1 = Pendidikan Agama 2 = Bahasa Indonesia 3 = Pemrograman 1 4 = Sistem Operasi 5 = Matematika 6 = Pengantar Sistem Komputer 7 = Paket Program Aplikasi 8 = Algoritma dan Struktur Data
9 = Bahasa Inggris 10 = Konsep Sistem Informasi 11 = Dasar Manajemen & Bisnis 12 = Aljabar Vektor dan Matriks 13 = Pengantar Instalasi Komputer 14 = Pemrograman 2 15 = Pengantar Teknologi Informasi 16 = Desain Grafis
95
Lampiran 3 Detail Proses Pembelajaran pada Model Prediksi Lama Studi (MPLS)
Detail hasil pembelajaran dari percobaan dengan arsitektur terbaik pada Model Prediksi Lama Studi (MPLS) yang memberikan informasi jumlah epoch, MSE dan waktu pembelajaran adalah : TRAINLM, Epoch 0/1000, MSE 5.58798/0.001, Gradient 1061.63/1e-010 TRAINLM, Epoch 1/1000, MSE 2.05713/0.001, Gradient 352.132/1e-010 TRAINLM, Epoch 2/1000, MSE 1.23767/0.001, Gradient 226.188/1e-010 TRAINLM, Epoch 3/1000, MSE 0.50871/0.001, Gradient 114.688/1e-010 TRAINLM, Epoch 4/1000, MSE 0.155057/0.001, Gradient 45.1546/1e-010 TRAINLM, Epoch 5/1000, MSE 0.128143/0.001, Gradient 54.5085/1e-010 TRAINLM, Epoch 6/1000, MSE 0.0772694/0.001, Gradient 44.0532/1e-010 TRAINLM, Epoch 7/1000, MSE 0.0579582/0.001, Gradient 23.371/1e-010 TRAINLM, Epoch 8/1000, MSE 0.00337249/0.001, Gradient 10.8562/1e-010 TRAINLM, Epoch 9/1000, MSE 0.000139984/0.001, Gradient 0.97116/1e-010 TRAINLM, Performance goal met. elapsed_time = 1.3120
Grafik penurunan Error JST sejak awal training sampai tercapainya target
96
Lampiran 4 Detail Proses Pembelajaran pada Model Prediksi Indeks Prestasi Kumulatif (MPIPK)
Detail hasil pembelajaran dari percobaan dengan arsitektur terbaik pada Model Prediksi Indeks Prestasi Kumulatif (MPIPK) yang memberikan informasi jumlah epoch, MSE dan waktu pembelajaran adalah :
TRAINLM, Epoch 0/1000, MSE 2.07171/0.001, Gradient 542.821/1e-010 TRAINLM, Epoch 1/1000, MSE 1.57819/0.001, Gradient 338.314/1e-010 TRAINLM, Epoch 2/1000, MSE 0.987908/0.001, Gradient 380.869/1e-010 TRAINLM, Epoch 3/1000, MSE 0.116273/0.001, Gradient 151.068/1e-010 TRAINLM, Epoch 4/1000, MSE 0.0101777/0.001, Gradient 44.2619/1e-010 TRAINLM, Epoch 5/1000, MSE 0.000133644/0.001, Gradient 4.56684/1e-010 TRAINLM, Performance goal met. elapsed_time = 1.8750
Grafik penurunan Error JST sejak awal training sampai tercapainya target
