PREDIKSI MAHASISWA YANG TIDAK MENYELESAIKAN PENDIDIKAN TIDAK TEPAT WAKTU DENGAN MENGGUNAKAN DATA MINING METODE BACKPROPAGATION (STUDI KASUS STMIK KAPUTAMA BINJAI) Relita Buaton, ST, M. Kom Rahmawati, S. Kom Program Studi Teknik Informatika STMIK KAPUTAMA Jl. Veteran No. 4A-9A, Binjai,Sumatera Utara Email:
[email protected] I. PENDAHULUAN Abstract-Data mining adalah serangkaian proses untuk menggali nilai tambah berupa pengetahuan baru yang selama ini tidak diketahui secara manual dari sekumpulan data. STMIK Kaputama salah satu perguruan tinggi yang mempunyai gudang data yang diperoleh dari akumulasi data mahasiswa setiap tahunnya. Tumpukan data sering dianggap sampah, dengan data mining tumpukan data dapat diolah menjadi emas(informasi yang sangat berharga). Setiap semester terjadi penurunan jumlah mahasiswa dikarenakan adanya mahasiswa berhenti sebelum menyelesaikan studi dengan berbagai alasan diantaranya tidak mampu membayar uang kuliah, mengutamakan kerja, tidak mampu mengikuti pembelajaran dll. Hal ini menjadi permasalahan dan bagaimana cara memprediksi jumlah mahasiswa yang berhenti sebelum menyelesaikan studi sehingga pihak pengelola dapat mencari solusi penanggulangannya atau meminimize. Jaringan syaraf tiruan salah satu sistem dengan meniru cara kerja otak manusia dalam menyelesaikan masalah dengan melakukan proses belajar melalui perubahan bobot sel. Jaringan saraf tiruan dapat melakukan aktivitas pelatihan berdasarkan data masa lalu, sehingga memiliki kemampuan untuk memberikan keputusan terhadap data yang belum pernah dipelajari. Sasaran yang ingin dicapai adalah mampu memprediksi mahasiswa yang tidak menyelesaikan pendidikan secara tepat waktu, dengan mengacu pada data diawal semester, lalu melihat data mahasiswa semester berikutnya selama 3 semester berturut-turut, yang dapat menghasilkan informasi tentang akumulasi jumlah mahasiswa diawal, di pertengahan semester berjalan maupun diakhir semester. Proses pelatihan dengan menggunakan 9 variabel sebagai variabel masukan selama 3 semester berturut yang masingmasing berisi 3 variabel input data hadir, 3 variabel data nilai dan 3 variabel data pembayaran uang kuliah. Kemudian variabel dilatih dan diuji oleh jaringan syaraf tiruan yang dapat memprediksi hasil analisis dengan menggunakan algoritma backpropagation. Setelah dilakukan pelatihan dengan algoritma perambatan galat mundur (backpropagation) mendapat hasil yang baik dengan parameter belajar jaringan konstanta 0,001 dan konvergen pada epoch ke-50000.
STMIK Kaputama Binjai sebuah Perguruan Tinggi dibidang Informatika Komputer yang selalu mengutamakan mutu pendidikan sesuai dengan visi dan misinya. Akan tetapi masih mengalami masalah terkait dengan jumlah mahasiswa, dimana selalu terjadi perbedaan data jumlah mahasiswa setiap semester per tahun. Dalam hal ini jumlah data mahasiswa yang ada dibagian akademik selalu berbeda di awal, dipertengahan maupun diakhir semester karena terjadi pengurangan jumlah mahasiswa aktif. Menurunnya jumlah mahasiswa setiap semester per tahunnya merupakan suatu masalah yang perlu diteliti dan perlu adanya suatu analisis yang dapat memprediksi apakah mahasiswa STMIK Kaputama akan bertahan menyelesaikan pendidikannya atau tidak untuk kedepannya. Dalam peraturan akademik STMIK Kaputama Binjai Tahun Akademik 2011/2012 pada BAB II pasal 3 di sebutkan bahwa “Program Sarjana (S1) untuk Program Studi Sistem Informasi dan Teknik Informatika reguler adalah program pendidikan akademik, yang memiliki beban studi sekurang-kurangnya 148 SKS (seratus empat puluh delapan) yang dijadwalkan selesai 8 (delapan) semester dan maksimum 14 (empat belas) semester, dan untuk Program Diploma 3 (D3) Program Studi Teknik Informatika reguler adalah program pendidikan akademik, yang memiliki beban studi sekurang-kurangnya 117 SKS (seratus tujuh belas) yang dijadwalkan selesai 6 (enam) semester dan maksimum 10 (sepuluh) semester, sedangkan untuk Program Studi Diploma 3 (D3) Manajemen Informatika dan Komputerisasi Akuntansi reguler adalah program pendidikan akademik, yang memiliki beban studi sekurang-kurangnya 114 SKS (seratus empat belas) yang dijadwalkan selesai 6 (enam) semester dan maksimum 10 (sepuluh) semester (Peraturan Akademik, 2011). Berdasarkan latar belakang di atas, maka dapat dirumuskan masalah yaitu: 1. Bagaimana agar semua variabel yang digunakan untuk memprediksi mahasiswa dapat dikenali dan diinput kedalam jaringan syaraf tiruan ? 2. Dengan menggunakan backpropagation, bagaimana sistem kerja jaringan syaraf tiruan mampu memprediksi mahasiswa yang tidak menyelesaikan pendidikannya di STMIK Kaputama? Sedangkan manfaat penelitian ini adalah memberikan informasi hasil prediksi bagi mahasiswa apakah lulus tepat waktu dan tidak dan prediksi jumlah mahasiswa yang lulus tepat waktu dan tidak bagi pengelola, sehingga dengan informasi tersebut mahasiswa dan pengelola dapat mencari
Kata Kunci : prediksi mahasiswa, data mining, backpropagation, neural network
1
solusi untuk mengantisipasi secara dini agar mahasiswa lulus tepat waktu. II. PENGERTIAN DATA MINING Data mining adalah penambangan atau penemuan informasi baru dengan mencari pola atau aturan tertentu dari sejumlah data yang sangat besar[1]. Data mining juga disebut sebagai serangkaian proses untuk menggali nilai tambah berupa pengetahuan yang selama ini tidak diketahui secara manual dari suatu kumpulan data [5]. Data mining, sering juga disebut sebagai knowledge discovery in database (KDD). KDD adalah kegiatan yang meliputi pengumpulan, pemakaian data, historis untuk menemukan keteraturan, pola atau hubungan dalam set data berukuran besar[7]. Data mining adalah kegiatan menemukan pola yang menarik dari data dalam jumlah besar, data dapat disimpan dalam database, data warehouse atau penyimpanan informasi lainnya. Data mining berkaitan dengan bidang ilmu – ilmu lain, seperti database system, data warehousing, statistik, machine learning, information retrieval, dan komputasi tingkat tinggi. Selain itu, data mining didukung oleh ilmu lain seperti neural network, pengenalan pola, spatial data analysis, image database, signal processing. Data mining didefinisikan sebagai proses menemukan pola-pola dalam data. Pola yang ditemukan harus penuh arti dan pola tersebut memberikan keuntungan, biasanya keuntungan secara ekonomi. Data yang dibutuhkan dalam jumlah besar. Karakteristik data mining sebagai berikut a. Data mining berhubungan dengan penemuan sesuatu yang tersembunyi dan pola data tertentu yang tidak diketahui sebelumnya. b. Data mining biasa menggunakan data yang sangat besar. Biasanya data yang besar digunakan untuk membuat hasil lebih dipercaya. c. Data mining berguna untuk membuat keputusan yang kritis, terutama dalam strategi[1]. A. Tahapan Data Mining Salah satu tuntutan dari data mining ketika diterapkan pada data berskala besar adalah diperlukan metodologi sistematis tidak hanya ketika melakukan analisa saja tetapi juga ketika mempersiapkan data dan juga melakukan interpretasi dari hasilnya sehingga dapat menjadi aksi ataupun keputusan yang bermanfaat. Data mining seharusnya dipahami sebagai suatu proses, yang memiliki tahapan-tahapan tertentu dan juga ada umpan balik dari setiap tahapan ke tahapan sebelumnya. Pada umumnya proses data mining berjalan interaktif karena tidak jarang hasil data mining pada awalnya tidak sesuai dengan harapan analisnya sehingga perlu dilakukan desain ulang prosesnya.
Sebagai suatu rangkaian proses, data mining dapat dibagi menjadi beberapa tahap yang diilustrasikan di Gambar 1. Tahap-tahap tersebut bersifat interaktif di mana pemakai terlibat langsung atau dengan perantaraan knowledge base. a. Pembersihan data, digunakan untuk membuang data yang tidak konsisten dan noise b. Integrasi Data, data yang diperlukan untuk data mining tidak hanya berasal dari satu database tetapi juga berasal dari beberapa database atau file teks. Hasil integrasi data sering diwujudkan dalam sebuah datawarehouse karena dengan data warehouse, data dikonsolidasikan dengan struktur khusus yang efisien. Selain itu data warehouse juga memungkinkan tipe analisa seperti OLAP. c. Transformasi data, transformasi dan pemilihan data ini untuk menentukan kualitas dari hasil data mining, sehingga data diubah menjadi bentuk sesuai untuk di tambang. d. Aplikasi Teknik Data Mining, aplikasi teknik data mining sendiri hanya merupakan salah satu bagian dari proses data mining Ada beberapa teknik data mining yang sudah umum dipakai. e. Evaluasi pola yang ditemukan, dalam tahap ini hasil dari teknik data mining berupa pola-pola yang khas maupun model prediksi dievaluasi untuk menilai apakah hipotesa yang ada memang tercapai. f. Presentasi Pengetahuan, presentasi pola yang ditemukan untuk menghasilkan aksi tahap terakhir dari proses data mining adalah bagaimana memformulasikan keputusan atau aksi dari hasil analisa yang didapat. B. Defenisi Prediksi Prediksi adalah sama dengan ramalan atau perkiraan. Menurut kamus besar bahasa Indonesia, prediksi adalah hasil dari kegiatan memprediksi atau meramal atau memperkirakan. Prediksi bisa berdasarkan metode ilmiah ataupun subjektif belaka. Sebagai contoh, prediksi cuaca selalu berdasarkan data dan informasi terbaru yang didasarkan pengamatan termasuk oleh satelit. Begitupun prediksi gempa, gunung meletus ataupun bencana secara umum. Namun, prediksi seperti pertandingan sepakbola, olahraga, dll umumnya berdasarkan pandangan subjektif dengan sudut pandang sendiri yang memprediksinya. Sistem prediksi adalah sebuah perangkat untuk mendukung aktifitas manusia. Setiap tempat dapat dilihat bahwa untuk memutuskan sesuatu manusia memerlukan hasil prediksi. Terdapat beberapa perangkat prediksi yang dikembangkan dan diteliti. Dari waktu kewaktu kerumitan dan kemampuannya semakin meningkat. Prediksi tidak hanya dimiliki oleh ahli matematika yang memiliki kemampuan matematis. Prediksi memegang peran yang penting untuk perencanaan dan evaluasi. Prediksi menggunakan beberapa variabel atau field-field basis data untuk memprediksi nilai-nilai variabel masa mendatang yang diperlukan, yang belum diketahui saat ini. Metode prediksi menggunakan ciri-ciri tertentu dari data untuk melakukan prediksi. Prediksi pada data mining dilakukan dengan tugas-tugas utama dimana setiap tugas akan diberikan pointer ke masalah yang dapat diselesaikan.
Gambar 1. Tahap-tahap Data Mining[5]
2
C. Jaringan Syaraf Tiruan (Artificial Neural Network) Jaringan syaraf merupakan salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah buatan disini digunakan karena jaringan syaraf ini diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran[3]. Salah satu contoh pengambilan ide dari jaringan syaraf biologis adalah adanya elemen-elemen pemrosesan pada jaringan syaraf tiruan yang saling terhubung dan beroperasi secara paralel. Ini meniru jaringan syaraf biologis yang tersusun dari sel-sel syaraf (neuron). Cara kerja dari elemen-elemen pemrosesan jaringan syaraf tiruan juga sama seperti cara neuron mengencode informasi yang diterimanya. Jaringan syaraf tiruan tidak diprogram untuk menghasilkan keluaran tertentu. Semua keluaran atau kesimpulan yang ditarik oleh jaringan didasarkan pada pengalamannya selama mengikuti proses pembelajaran. Pada proses pembelajaran, ke dalam jaringan syaraf tiruan dimasukkan pola-pola input dan output, lalu jaringan akan diajari untuk memberikan jawaban yang bisa diterima.
E. Backpropagation Backpropagation merupakan algoritma yang sangat baik dalam menangani masalah pengenalan pola-pola kompleks, dan juga sangat populer. Istilah backpropagation atau “propagasi balik” diambil dari cara kerja jaringan ini, yaitu bahwa gradien error unit-unit tersembunyi diturunkan dari penyiaran kembali error-error yang diasosiasikan dengan unit-unit output. Nama lain dari propagasi balik adalah aturan delta yang digeneralisasi (generalized delta rule) Algoritma backpropagation menggunakan error output untuk mengubah nilai bobot-bobotnya dalam arah mundur (backward). Untuk mendapatkan error ini, tahap perambatan maju (forward propagation) harus dikerjakan terlebih dahulu. Pada saat perambatan maju, neuronneuron diaktifkan dengan menggunakan fungsi aktivasi sigmoid yaitu arsitektur jaringan backpropagation seperti terlihat pada Gambar 3.
D. Arsitektur Jaringan Syaraf Tiruan Seperti telah dijelaskan sebelumnya bahwa neuronneuron dikelompokkan dalam lapisan-lapisan. Umumnya neuron-neuron yang terletak pada lapisan yang sama akan memiliki keadaan yang sama. Faktor terpenting dalam menentukan kelakuan suatu neuron adalah fungsi aktivasi dan pola bobotnya. Pada setiap lapisan yang sama, neuronneuron akan memiliki fungsi aktivasi yang sama. Apabila neuron-neuron dalam suatu lapisan (misalkan lapisan tersembunyi) akan dihubungkan dengan neuron-neuron pada lapisan yang lain (misalkan lapisan output), maka setiap neuron pada lapisan tersebut (misalkan lapisan tersembunyi) juga harus dihubungkan dengan setiap lapisan pada lapisan lainnya (misalkan lapisan output). Jaringan dengan lapisan tunggal hanya memiliki satu lapisan dengan bobot-bobot terhubung. Jaringan ini hanya menerima input kemudian secara langsung akan mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi. Seperti terlihat di gambar berikut :
Gambar 3. Arsitektur jaringan backpropagation.[3] Algoritma backpropagation: 1. Inisialisasi bobot (ambil bobot awal dengan nilai random yang cukup kecil). 2. Kerjakan langkah-langkah berikut selama kondisi berhenti bernilai FALSE, Untuk tiap-tiap pasangan elemen yang akan dilakukan pembelajaran, kerjakan: Feed forward: 1. Tiap-tiap unit input (Xi, i=1,2,3,...,n) menerima sinyal xi dan meneruskan sinyal tersebut ke semua unit pada lapisan yang ada di atasnya (lapisan tersembunyi). 2. Tiap-tiap unit tersembunyi (Zi, j=1,2,3,...,p) menjumlahkan sinyal-sinyal input terbobot:
gunakan fungsi outputnya:
aktivasi
untuk
………………..(1) menghitung sinyal
zj = f(z_inj)…………………………...(2) dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit output). a. Tiap-tiap unit output (Yk, k=1,2,3,...,m) menjumlahkan sinyal-sinyal input terbobot. ……………..(3) gunakan fungsi aktivasi untuk menghitung sinyal outputnya: yk = f(y_ink)…………………………(4) dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit output). b. Tiap-tiap unit output (Yk, k=1,2,3,...,m) menerima target pola yang berhubungan dengan pola input pembelajaran, hitung informasi errornya: k = (tk – yk) f’(y_ink)………………..(5)
Gambar 2. Jaringan syaraf dengan lapisan tunggal[3] Pada Gambar 2 di atas, lapisan input memiliki 3 neuron, yaitu X1, X2 dan X3. Sedangkan pada lapisan output memiliki 2 neuron yaitu Y1 dan Y2. Neuron-neuron pada kedua lapisan saling berhubungan. Seberapa besar hubungan antara 2 neuron ditentukan oleh bobot yang bersesuaian. Semua unit input akan dihubungkan dengan setiap unit output.
3
kemudian hitung koreksi bobot (digunakan untuk memperbaiki nilai wjk): wjk = k zj……………………......(6) hitung juga koreksi bias (digunakan untuk memperbaiki nilai w0k): w0k = k ………………………….(7) kirimkan k ini ke unit-unit yang ada di lapisan bawahnya. c. Tiap-tiap unit tersembunyi (Zj, j=1,2,3,...,p) menjumlahkan delta inputnya (dari unit-unit yang berada pada lapisan di atasnya): _ =∑ ……………….(8) kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk menghitung informasi error: j = _inj f’(z_inj)…………(9) kemudian hitung koreksi bobot (digunakan untuk memperbaiki nilai vij): vjk = j xi…………..…(10) hitung juga koreksi bias (digunakan untuk memperbaiki nilai v0j): v0j = j ……………….(11) d. Tiap-tiap unit output (Yk, k=1,2,3,...,m) memperbaiki bias dan bobotnya (j=0,1,2,...,p): wjk(baru) = wjk(lama) + wjk ………(12) Tiap-tiap unit tersembunyi (Zj, j=1,2,3,...,p) memperbaiki bias dan bobotnya (i=0,1,2,...,n): vij(baru) = vij(lama) + vij………….(13)
1. Dilakukan analisis sistem terhadap teknik peramalan atau prediksi data mahasiswa menggunakan algoritma backpropagation yang dilatih kedalam Jaringan Syaraf Tiruan. 2. Dengan adanya tahapan analisis sistem, dapat ditentukan kebutuhan sistem sehingga dapat dilakukan analisa prediksi data mahasiswa menggunakan algoritma backpropagation. 3. Data nilai yang tertuang dalam KHS, data kehadiran dan data pembayaran uang kuliah merupakan data masukan, yang kemudian diproses dan dilatih dengan algoritma backpropagation, kemudian dilakukan pengujian terhadap data yang baru sebagai perbandingan dengan data yang telah dilatihkan sebelumnya. Setelah itu didapat hasil keluaran terhadap data yang telah diuji Analisis Data Mining Nilai prediksi dicari dari tingkat ketidaklulusan yang bersumber dari data mahasiswa, yaitu data kehadiran dan data nilai yang diambil dari bagian akademik, serta data pembayaran yang didapat dari bagian keuangan STMIK Kaputama. Dalam penelitian ini, tidak semua mahasiswa akan dicari prediksinya untuk data ketidaklulusan, hanya beberapa saja yang diambil secara acak dari lima program studi yang terdapat di STMIK Kaputama. Data tersebut diambil secara acak dari lima program studi terhadap mahasiswa yang tamat dan tidak tamat dari tahun 2006 hingga tahun 2007 dengan jumlah yang dilatihkan pada jaringan sebanyak 50 data mahasiswa, terdiri dari 25 orang mahasiswa yang tamat, dan 25 orang mahasiswa yang tidak tamat, setelah itu akan dilakukan kembali pengumpulan dan penginputan data mahasiswa yang dimulai dari tahun 2007 hingga tahun 2010 sebanyak 25 data lainnya yang akan digunakan untuk menguji keakuratan sistem didalam mengenali masukan data yang lain. Tahapan pengembangan aplikasinya sebagai berikut :
III. METODOLOGI PENELITIAN Kerangka penelitian disusun secara sistematis dengan menggunakan metode ilmiah serta sumber yang berlaku. Hasil dari konseptualisasi akan dituangkan menjadi suatu metode penelitian yang lengkap dengan pola studi literature, pengumpulan data yang diperlukan untuk menganalisis sistem prediksi yang akan dibuat yaitu untuk memprediksi mahasiswa yang tidak menyelesaikan pendidikan dengan menggunakan Jaringan Syaraf Tiruan. Atas dasar metodologi penelitian yang digunakan pada penelitian ini, dapat dibuat suatu alur kegiatan metode kerja penelitian seperti pada Gambar 4 berikut : .
Arsitektur Jaringan : 1 Lapisan Input Data Hadir 3 Sel 1 Lapisan Input Nilai IPK 3 Sel 1 Lapisan Input Data Bayar 3 Sel 1 Lapisan Tersembunyi (jumlah sel ditetapkan secara random) 2 Lapisan Output 2 Sel Gambar 4. Alur Kerja Penelitian IV. ANALISIS MASALAH Berdasarkan pendahuluan dan mengacu pada landasan teori, dapat disusun suatu analisis sistem yang menjadi kerangka pemikiran:
4
Tabel 1. Data Latih berdasarkan Data Hadir Semester I Data Hadir Sem. I NPM
Ak. Dsr
Aljbr
631003
93
93
B. Ing. I 100
Log.
Mnjm
PPN I
Bhs C
PTI
Intrnt
100
86
79
86
100
86
Prak. Bhs C 86
631022
100
100
100
93
86
100
100
93
86
631024
100
79
93
71
93
100
86
71
631027
100
100
100
93
100
93
86
631028
100
86
100
100
93
71
631029
100
79
86
86
71
631049
93
100
100
86
632001
100
0
86
79
632002
100
0
86
632003
86
0
632007
100
632016
Elek
Kalk. I
Hasil
0
0
90.9
79
0
0
93.7
93
100
0
0
88.6
93
100
93
0
0
95.8
93
100
93
71
0
0
90.7
93
100
86
0
93
0
0
79.4
71
100
93
79
100
100
0
0
92.2
79
86
71
100
100
86
0
0
78.7
79
64
93
93
64
100
100
0
0
77.9
93
93
100
100
100
100
100
100
0
0
87.2
0
100
93
100
86
86
100
100
100
0
0
86.5
86
0
93
93
93
93
100
100
100
100
0
0
85.8
632024
86
0
71
93
93
100
71
100
100
93
0
0
80.7
633002
0
93
93
93
0
79
79
86
100
100
86
64
87.3
633003
0
100
100
100
0
86
100
100
79
86
100
79
93
633011
0
93
86
100
0
86
100
86
100
100
79
100
93
641007
100
93
93
93
93
86
93
86
86
71
0
0
89.4
642002
0
93
93
93
0
93
71
93
100
100
100
79
91.5
642005
0
100
57
100
0
100
93
100
93
100
79
86
90.8
642018
0
86
100
86
0
93
100
93
79
93
100
86
91.6
731034
100
86
86
79
86
79
86
71
100
100
0
0
87.3
731040
100
79
79
79
100
93
93
93
71
100
0
0
88.7
731041
100
100
100
100
79
100
100
100
100
93
0
0
97.2
732001
100
0
100
100
93
93
93
100
86
93
0
0
85.8
732002
100
0
100
86
100
100
93
100
86
93
0
0
85.8
631042
0
0
0
0
0
0
0
0
0
0
0
0
0
631047
0
0
0
0
0
0
0
0
0
0
0
0
0
631048
64
86
0
0
0
0
0
0
21
0
0
0
17.1
632004
86
0
100
100
100
100
100
93
71
86
0
0
83.6
633007
0
0
0
14
0
0
0
50
21
29
0
0
11.4
633009
0
93
0
57
0
64
100
79
93
86
43
71
68.6
641001
86
0
0
64
86
86
100
86
100
100
0
71
77.9
641012
0
71
0
43
29
0
100
14
0
93
0
36
38.6
641018
100
0
0
86
0
64
100
0
64
0
0
86
50
641020
86
0
0
57
0
93
79
0
64
0
0
86
46.5
5
731001
0
0
0
0
100
0
0
0
0
100
0
0
20
731004
0
0
0
0
86
0
0
0
0
100
0
0
18.6
731010
0
0
0
0
0
0
0
0
0
93
0
0
9.3
732016
57
0
0
64
57
53
43
0
86
57
0
0
41.7
732018
100
0
100
93
0
0
100
100
0
100
0
0
59.3
732019
100
0
100
93
0
0
100
86
0
100
0
0
57.9
732021
71
0
0
79
50
67
79
0
57
79
0
0
48.2
733005
0
71
57
71
0
93
0
71
71
0
0
86
52
733010
0
21
0
0
0
0
0
21
0
0
0
64
10.6
733012
0
43
29
7
0
0
0
36
43
0
0
79
23.7
733013
0
0
0
0
0
0
0
0
0
0
0
0
0
733014
0
0
0
0
0
0
0
0
0
0
0
0
0
733016
0
0
57
0
0
0
0
0
29
0
0
0
8.6
733017
0
0
0
0
0
0
0
0
0
0
0
0
0
741003
64
0
71
57
79
64
87
57
64
64
0
0
60.7
Keterangan Ak Dsr B. Ingg. I Mnjm Bhs C Informasi Intrnt Elek
: Akuntansi Dasar : Bahasa Inggris Komputer I : Pengantar Manajemen : Bahasa C (Teori) : Pengenalan Internet & Web : Elektronika
Aljbr Log PPN I PTI P.Bhs C Kalk I
: Aljabar Linier : Logika Informatika : Paket Program Niaga I : Pengantar Teknologi : Praktikum Bahasa C : Kalkulus I
Tabel 2. Data Latih Berdasarkan Data Hadir Semester II
NPM
Data Hadir Sem. II PPN Prak. VB SBD II ASD 100 93 86 71
Prak. VB 93
Ak. Mgh 0
0
Kalk. II 0
100
86
0
0
0
87
93
93
86
0
0
0
94
100
100
71
93
0
0
0
93
93
86
86
100
100
93
100
0
0
0
92
100
100
93
0
0
0
97
86
93
86
100
86
86
0
0
0
92
93
93
93
93
79
86
93
93
0
0
89
0
93
86
86
86
86
79
100
100
0
0
90
100
0
100
86
93
93
86
93
86
100
0
0
94
100
93
0
100
93
86
100
93
93
86
93
0
0
94
100
100
0
100
93
100
86
86
93
86
100
0
0
94
93
79
0
86
71
100
86
93
93
71
86
0
0
86
93
79
0
0
100
93
86
100
100
71
0
79
100
90
86
93
0
0
100
93
93
100
86
100
0
79
79
91
PPKn
B.Ing.II
KSI
Eko
ASD
631003
93
100
93
93
93
631022
79
93
100
93
79
79
71
93
631024
93
100
100
100
100
86
93
631027
93
93
93
100
100
86
631028
86
100
79
93
93
631029
93
100
93
100
100
631049
100
93
100
93
632001
86
79
0
632002
86
93
632003
100
632007 632016 632024 633002 633003
6
TD
Hasil 92
633011 641007 642002 642005 642018 731034 731040 731041 732001 732002 631042 631047 631048 632004 633007 633009 641001 641012 641018 641020 731001 731004 731010 732016 732018 732019 732021 733005 733010 733012 733013 733014 733016 733017 741003
100
100
0
0
100
100
86
100
93
93
0
93
71
94
86
100
100
100
93
93
93
93
93
71
0
0
0
92
100
100
0
0
100
100
100
93
100
93
0
100
93
98
93
100
0
0
86
93
86
100
100
100
0
100
93
95
93
100
0
0
100
100
100
100
86
86
0
100
93
96
100
100
100
100
100
100
100
100
100
100
0
0
0
100
86
100
100
100
100
100
86
100
93
86
0
0
0
95
86
79
100
93
86
86
93
71
93
71
0
0
0
86
100
100
0
100
100
100
93
100
100
100
100
0
0
99
93
100
0
100
100
100
93
100
100
100
93
0
0
98
0
0
0
0
0
0
79
0
0
0
0
0
0
7.9
0
0
0
0
0
0
71
0
0
0
0
0
0
7.1
79
93
0
93
64
64
43
100
57
43
0
0
0
64
71
100
0
93
86
86
100
93
100
86
86
0
0
90
0
0
0
0
0
0
0
0
0
0
0
0
0
0
50
64
0
0
0
36
0
86
0
0
0
0
50
29
86
86
0
100
86
79
0
100
86
0
0
0
0
62
0
0
0
29
36
71
0
0
14
0
0
0
0
15
93
100
0
100
100
100
100
100
86
0
0
0
0
78
79
86
0
93
86
93
79
93
86
93
0
93
0
88
86
86
0
100
86
79
0
100
86
0
0
0
0
62
86
86
79
93
86
86
71
93
79
93
0
0
0
85
0
0
0
0
0
79
0
0
0
0
0
0
0
7.9
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Keterangan PPKn : Pendidikan Kewarganegaraan KSI : Konsep Sistem Infrormasi ASD : Algoritma &Struktur Data VB : Visual Basic (Teori) Prak. ASD : Prak. Algo. & St. Data Ak. Mgh : Akuntansi Menengah Kalk. II : Kalkulus I
B. Ingg. II Eko PPN II SBD Prak.VB TD
7
:Bahasa Inggris Komputer II : Pengantar Ekonomi : Paket Program Niaga II : Sistem Basis Data : Visual Basic (Prak) : Teknik Digital
Tabel 3. Data Latih Berdasarkan Data Hadir Semester III Data Hadir Sem. III NPM 631003
86
AP SI 86
631022
86
100
86
93
631024
93
100
86
100
86
100
100
87
100
100
0
0
0
0
0
95.2
631027
86
100
93
93
100
100
93
86
79
0
0
0
0
0
0
92.3
631028
93
93
86
100
86
86
100
100
93
100
0
0
0
0
0
93.7
631029
93
100
93
93
93
100
100
100
100
100
0
0
0
0
0
97.2
631049
86
100
93
93
93
100
100
93
93
100
0
0
0
0
0
95.1
632001
86
100
93
0
86
0
93
0
0
93
100
100
100
100
0
95.1
632002
100
86
93
0
86
0
86
0
0
93
79
93
100
100
0
91.6
632003
86
100
93
0
100
0
100
0
0
100
100
100
100
100
0
97.9
632007
86
100
86
0
86
0
100
0
0
100
100
86
100
93
0
93.7
632016
93
100
100
0
93
0
100
0
0
100
100
100
100
100
0
98.6
86
93
93
0
79
0
100
0
0
71
79
86
100
86
0
87.3
93
100
100
100
100
100
100
0
93
100
0
0
0
0
100
98.6
100
100
93
100
100
93
100
0
100
93
0
0
0
0
100
97.9
100
100
93
71
93
93
100
0
93
100
0
0
0
0
100
94.3
79
100
100
86
64
71
93
100
86
86
0
0
0
0
0
86.5
86
100
100
100
100
100
100
0
93
100
0
0
0
0
100
97.9
86
93
100
93
100
93
86
0
93
86
0
0
0
0
93
92.3
93
93
100
100
100
93
100
0
93
100
0
0
0
0
86
95.8
86
100
100
100
100
100
100
100
100
100
0
0
0
0
0
98.6
93
100
93
93
93
93
100
93
93
100
0
0
0
0
0
95.1
100
100
93
86
93
86
100
100
79
100
0
0
0
0
0
93.7
86
100
100
0
100
0
100
0
0
100
100
100
93
100
0
97.9
93
100
100
0
93
0
100
0
0
100
93
93
100
100
0
97.2
0
0
0
50
0
0
0
0
0
0
0
0
0
0
0
5
632024 633002 633003 633011 641007 642002 642005 642018 731034 731040 731041 732001 732002 631042 631047 631048 632004 633007 633009 641001 641012 641018 641020 731001
Agm
79
TR O 93
Prak. St 100
Del p. 64
86
St.
93
Prak. Delp. 64
Prak. PBD 100
MM EI 0
Ak. Lanj. 0
MYOB Dgg 0
Pjk I 0
MM Dskrt 0
100
93
86
100
0
0
0
0
0
90.9
PBD
SPA
100
79
Hasil 86.5
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
36
79
43
50
93
79
87
29
79
79
0
0
0
0
0
65.4
71
71
86
0
93
0
93
0
0
93
0
71
100
86
0
76.4
0
0
43
0
0
0
0
0
0
0
0
0
0
0
0
4.3
100
50
64
29
71
79
93
0
43
100
0
0
0
0
0
62.9
86
43
57
71
79
79
100
50
79
86
0
0
0
0
0
73
43
50
64
43
43
50
93
87
93
86
0
0
0
0
0
65.2
86
93
100
100
100
100
100
87
100
100
0
0
0
0
0
96.6
93
86
86
86
93
87
93
67
79
86
0
0
0
0
0
85.6
93
29
43
43
50
14
14
21
14
14
0
0
0
0
0
33.5
8
731004 731010 732016 732018 732019
50
100
86
36
86
86
64
79
86
71
0
0
0
0
0
74.4
86
100
93
86
93
93
100
86
100
100
0
0
0
0
0
93.7
14
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1.4
79
0
0
0
0
0
0
0
0
0
0
0
0
0
0
7.9
93
0
0
0
0
0
0
0
0
0
0
0
0
0
0
9.3
0
0
0
0
0
0
0
0
0
0
71
0
0
0
0
7.1
71
0
14
0
0
0
0
0
0
0
71
0
0
0
0
8.5
0
0
0
0
0
0
0
0
0
0
71
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
71
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
71
0
0
0
0
0
732021 733005 733010 733012 733013
0
0
0
0
0
0
0
0
0
0
71
0
0
0
0
0
14
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1,4
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
43
0
0
0
0
0
0
0
0
0
0
0
0
0
0
4.3
733014 733016 733017 741003
Keterangan Agm : Pendidikan Agama APSI : Analisa & Perancangan Sistem Inf Prak. St : Praktikum Statistik SPA : Sistem Pengarsipan &Akses P.PBD : Perancangan Basis Data (Prak) Ak. Lanj: Akuntansi Lanjutan Pjk I : Perpajakan I Delp : Delphi (Teori)
St : Statistik TRO :Teknik Riset Operasi PBD : Peranc. Basis Data P. Delp : Delphi (Prak) MME I : Matematika Ekonomi I MYOB Dgg: Apl.Komp(MYOB Dagang) MM Dskrt : Matematika Diskrit
Tabel 4. Data Latih Berdasarkan Data Nilai Semester I Data Nilai Sem. I NPM
Ak.
Aljbr
Dsr
B.
Log.
Mnjm
PPN I
Bhs C
PTI
Intrnt
Ing. I
Prak.
Elek
Bhs C
Kalk.
IP
I
0631003
3
2
3
3
4
3
3
2
2
2
0
0
2.75
0631022
3
4
4
3
3
4
3
2
3
3
0
0
3.20
0631024
3
3
3
3
4
3
2
2
2
3
0
0
2.80
0631027
3
4
3
3
4
3
3
3
3
3
0
0
3.20
0631028
3
3
3
3
4
3
3
3
3
2
0
0
3.05
0631029
3
2
3
3
3
3
3
3
4
2
0
0
2.95
0631049
2
3
2
3
4
3
3
3
4
3
0
0
3.00
0632001
3
0
4
2
3
3
3
3
3
3
0
0
3.00
0632002
3
0
3
2
3
3
3
3
2
3
0
0
2.80
0632003
3
0
4
2
3
3
3
3
3
3
0
0
3.00
0632007
4
0
4
3
4
4
4
3
3
4
0
0
3.70
0632016
3
0
4
4
4
4
4
3
3
4
0
0
3.60
0632024
4
0
4
3
3
3
3
3
4
4
0
0
3.40
0633002
0
3
2
3
0
3
3
3
4
3
2
3
2.85
0633003
0
2
3
2
0
3
2
3
4
2
2
3
2.60
9
0633011
0
3
4
3
0
3
3
3
3
3
3
3
3.10
0641007
4
2
4
3
3
4
3
3
4
3
0
0
3.35
0642002
0
2
4
3
0
3
3
3
3
3
3
3
3.00
0642005
0
2
3
2
0
3
2
3
3
2
2
2
2.40
0642018
0
2
4
2
0
4
2
3
2
2
2
3
2.60
0731034
3
3
3
3
3
3
3
3
3
3
0
0
3.00
0731040
3
3
2
2
3
3
3
2
3
3
0
0
2.70
0731041
2
3
2
3
3
3
3
3
3
3
0
0
2.75
0732001
3
0
2
3
3
3
3
3
3
3
0
0
2.89
0732002
3
0
2
3
2
3
3
3
3
3
0
0
2.78
0631042
0
0
0
0
0
0
0
0
0
0
0
0
0.00
0631047
0
0
0
0
0
0
0
0
0
0
0
0
0.00
0631048
2
3
3
4
4
3
3
3
3
3
0
0
3.05
0632004
3
0
3
2
3
3
3
3
3
3
0
0
2.89
0633007
0
0
0
0
2
3
2
2
0
2
0
2
1.20
0633009
0
0
0
2
2
3
2
3
0
2
0
2
1.50
0641001
1
2
1
2
3
3
2
3
0
2
0
0
1.85
0641012
0
3
0
0
0
0
0
0
0
0
0
0
0.30
0641018
3
2
3
3
3
3
2
3
2
2
0
0
2.65
0641020
2
2
3
2
2
4
2
2
2
2
0
0
2.30
0731001
2
2
3
2
2
3
3
3
3
3
2
3
3.15
0731004
2
3
3
2
2
2
3
0
3
3
0
0
2.25
0731010
2
2
3
2
2
3
3
3
3
3
0
0
2.55
0732016
2
0
0
0
0
2
0
0
0
0
0
0
0.56
0732018
2
0
3
3
2
2
3
3
3
3
0
0
2.61
0732019
4
0
4
3
4
0
3
3
4
3
0
0
3.17
0732021
0
0
0
0
0
0
0
1
1
0
0
0
0.22
0733005
0
2
3
2
0
2
0
0
3
0
0
3
1.50
0733010
0
0
0
0
0
0
0
0
0
0
0
0
0.00
0733012
0
0
0
0
0
0
0
0
0
0
0
0
0.00
0733013
0
0
0
1
0
0
0
0
0
0
0
0
0.10
0733014
0
0
0
0
0
1
0
0
0
0
0
0
0.10
0733016
0
0
0
0
0
0
0
0
0
0
0
0
0.00
0733017
0
3
1
2
0
2
0
3
0
1
0
4
1.55
0741003 0 0 0 0 0 0 0 0 Keterangan : 4 : Bobot Nilai A 3 : Bobot Nilai B 2 : Bobot Nilai C 1 : Bobot Nilai D 0 : Bobot Nilai E/Tdk Mengambil Mata Kuliah tersebut
0
0
0
0
0.00
10
NPM
PPKn
Tabel 5. Data Latih Berdasarkan Data Nilai Semester II Data Nilai Sem. II PPN Prak. B.Ing.II KSI Eko ASD VB SBD II ASD 3 3 2 3 2 3 3 3
Prak. VB 2
Ak. Mgh 0
0
Kalk. II 0
2.63
TD
IP
631003
2
631022
2
4
4
3
2
3
3
3
2
3
0
0
0
2.95
631024
2
3
4
2
2
3
3
2
2
3
0
0
0
2.68
631027
3
4
4
2
2
4
4
3
2
3
0
0
0
3.16
631028
3
4
4
3
2
4
3
3
2
3
0
0
0
3.16
631029
3
4
4
3
2
3
3
3
2
3
0
0
0
3.05
631049
3
4
4
2
2
2
3
4
2
3
0
0
0
3.00
632001
2
4
0
2
2
3
3
3
2
3
3
0
0
2.75
632002
3
4
0
2
3
3
4
3
3
3
3
0
0
3.10
632003
3
4
0
3
3
3
3
3
3
3
3
0
0
3.10
632007
3
4
0
4
4
3
3
3
4
4
4
0
0
3.55
632016
4
4
0
3
4
3
4
3
4
4
4
0
0
3.65
632024
4
4
0
4
3
3
3
3
3
4
3
0
0
3.35
633002
3
3
0
0
2
2
2
3
2
2
0
3
2
2.50
633003
2
4
0
0
3
4
4
4
4
3
0
3
4
3.50
633011
3
3
0
0
3
4
3
3
2
3
0
3
2
2.95
641007
3
4
4
2
2
4
3
3
2
3
0
0
0
3.05
642002
4
4
0
0
2
4
4
4
2
4
0
4
3
3.60
642005
4
4
0
0
2
3
3
3
2
3
0
2
3
2.90
642018
3
4
0
0
2
4
4
3
2
4
0
3
3
3.20
731034
3
4
3
4
4
3
4
3
3
3
0
0
0
3.42
731040
3
4
3
3
3
2
3
4
3
3
0
0
0
3.16
731041
2
3
4
3
2
2
3
3
3
3
0
0
0
2.79
732001
3
3
0
3
2
3
3
4
4
2
3
0
0
3.05
732002
3
3
0
3
3
3
3
3
3
2
3
0
0
2.95
631042
0
0
0
0
0
0
0
0
0
0
0
0
0
0.00
631047
0
0
0
0
0
0
0
0
0
0
0
0
0
0.00
631048
3
4
0
2
2
2
3
3
2
3
0
0
0
2.42
632004
3
4
0
2
3
2
2
3
2
2
3
0
0
2.84
633007
0
0
0
0
0
0
0
0
0
0
0
0
0
0.00
633009
1
0
0
0
0
0
0
2
0
0
0
0
2
0.60
641001
3
0
0
2
2
2
0
3
2
0
0
0
0
1.53
641012
0
0
0
0
3
0
0
0
3
0
0
0
0
0.47
641018
2
4
3
2
2
4
4
3
2
3
0
0
0
2.95
641020
2
4
0
2
2
3
3
2
2
3
0
0
0
2.26
731001
3
3
3
2
2
2
2
3
3
3
0
3
3
3.37
731004
3
1
3
3
2
2
2
3
3
2
0
0
0
2.42
731010
2
3
3
3
2
2
0
3
3
0
0
0
0
2.21
11
732016
0
0
0
0
0
0
0
0
0
0
0
0
0
0.00
732018
0
3
0
3
3
0
3
3
3
2
2
0
0
2.20
732019
1
0
0
1
1
1
1
0
1
1
0
0
0
0.60
732021
0
0
0
0
0
0
0
0
0
0
0
0
0
0.00
733005
1
1
0
0
0
0
0
1
0
0
0
0
0
0.35
733010
0
0
0
0
0
0
0
0
0
0
0
0
0
0.00
733012
0
0
0
0
0
0
0
0
0
0
0
0
0
0.00
733013
0
0
0
0
0
0
0
0
0
0
0
0
0
0.00
733014
0
0
0
0
0
0
0
0
0
0
0
0
0
0.00
733016
0
0
0
0
0
0
0
0
0
0
0
0
0
0.00
733017
0
0
0
0
0
0
0
0
0
0
0
0
0
0.00
0
0
0
0
0
0
0.00
0 0 0 0 0 0 0 741003 Keterangan : 4 : Bobot Nilai A 3 : Bobot Nilai B 2 : Bobot Nilai C 1 : Bobot Nilai D 0 : Bobot Nilai E/Tdk Mengambil Mata Kuliah tersebut
Tabel 6. Data Latih Berdasarkan Data Nilai Semester III Data Nilai Sem. III NPM
Ag
APS
S
TRO
Prak
Delp
m
I
t
0631003
3
3
2
3
2
2
0631022
3
4
2
3
3
0631024
3
3
2
4
0631027
4
3
4
0631028
3
4
0631029
2
0631049
PBD
SP
Prak
Prak.
MM
Ak.
MYO
Pjk
MM
A
Delp
PBD
EI
Lanj.
B Dgg
I
Dskrt
3
3
3
3
0
0
0
0
0
2.72
3
3
3
3
3
0
0
0
0
0
3.06
2
4
3
3
4
3
0
0
0
0
0
3.11
3
3
3
3
3
3
3
0
0
0
0
0
3.22
3
3
2
3
3
3
4
3
0
0
0
0
0
3.17
4
3
3
2
4
3
3
4
4
0
0
0
0
0
3.22
3
3
4
3
2
3
4
3
3
3
0
0
0
0
0
3.17
0632001
3
3
4
0
3
0
3
0
0
3
3
4
4
4
0
3.45
0632002
3
3
4
0
4
0
3
0
0
3
3
4
3
3
0
3.30
0632003
3
3
3
0
3
0
3
0
0
3
3
4
3
3
0
3.15
0632007
4
4
4
0
4
0
3
0
0
3
4
4
4
3
0
3.75
0632016
4
3
3
0
4
0
3
0
0
4
4
4
4
4
0
3.65
0632024
4
3
3
0
4
0
4
0
0
4
3
4
4
4
0
3.65
0633002
3
3
2
4
1
3
4
0
3
3
0
0
0
0
2
2.84
0633003
3
3
2
3
3
3
3
0
3
4
0
0
0
0
2
2.79
0633011
3
3
3
4
2
3
3
0
3
3
0
0
0
0
3
3.05
0641007
3
3
2
3
2
3
3
3
3
3
0
0
0
0
0
2.83
0642002
3
4
2
4
3
3
3
0
4
4
0
0
0
0
3
3.26
0642005
3
3
2
4
2
3
3
0
3
3
0
0
0
0
3
2.95
.St
12
IP
0642018
3
4
2
4
3
3
3
0
4
4
0
0
0
0
3
3.26
0731034
3
3
3
3
3
3
3
4
3
3
0
0
0
0
0
3.11
0731040
3
3
3
3
4
3
3
3
3
3
0
0
0
0
0
3.06
0731041
3
4
3
2
4
2
3
3
3
3
0
0
0
0
0
3.00
0732001
4
3
2
0
3
0
3
0
0
3
4
3
3
4
0
3.20
0732002
3
3
3
0
3
0
3
0
0
3
3
2
3
3
0
2.85
0631042
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.00
0631047
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.00
0631048
3
2
2
2
2
2
3
2
2
3
0
0
0
0
0
2.28
0632004
2
3
2
0
4
0
3
0
0
4
3
3
3
3
0
2.90
0633007
3
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0.42
0633009
3
0
1
0
0
1
0
0
0
0
0
0
0
0
0
0.53
0641001
3
2
2
3
2
3
4
2
1
3
0
0
0
0
0
2.56
0641012
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
0.17
0641018
3
3
3
4
2
3
3
3
3
4
0
0
0
0
0
3.11
0641020
3
3
2
3
2
3
3
3
2
3
0
0
0
0
0
2.78
0731001
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.33
0731004
3
0
0
0
0
3
1
1
3
0
0
0
0
0
0
1.06
0731010
0
3
2
3
3
2
3
3
3
2
0
0
0
0
0
2.39
0732016
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0.30
0732018
4
0
0
0
0
0
0
0
0
0
4
0
0
0
0
0.80
0732019
4
0
0
0
0
0
0
0
0
0
4
0
0
0
0
0.10
0732021
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0.11
0733005
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.00
0733010
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.00
0733012
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.00
0733013
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.00
0733014
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.00
0733016
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.00
0733017
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.00
0741003
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.00
Keterangan 4 : Bobot Nilai A 3 : Bobot Nilai B 2 : Bobot Nilai C 1 : Bobot Nilai D 0 : Bobot Nilai E/Tdk Mengambil Mata Kuliah tersebut
13
Tabel 7. Data Latih Berdasarkan Data Bayar Semester I, II dan III Data Bayar Sem. I, II dan III NPM
Ccln I
Ccln II
Ccln III
Ccln IV
Ccln V
Ccln VI
Ccln I
Ccln II
Ccln III
(Sem.I)
(Sem.I)
(Sem.I)
(Sem.II)
(Sem.II)
(Sem.II)
(Sem.III)
(Sem.III)
(Sem.III)
0631003
960000
635000
635000
125000
550000
550000
710000
635000
635000
0631022
960000
635000
635000
125000
550000
550000
716000
635000
635000
0631024
960000
635000
635000
125000
550000
550000
710000
635000
635000
0631027
960000
635000
635000
125000
550000
550000
710000
635000
635000
0631028
960000
635000
635000
125000
550000
550000
710000
635000
635000
0631029
960000
635000
635000
125000
550000
550000
710000
635000
635000
0631049
960000
635000
635000
125000
550000
550000
710000
635000
635000
0632001
960000
635000
635000
125000
550000
550000
710000
635000
635000
0632002
960000
635000
635000
125000
550000
550000
710000
635000
635000
0632003
960000
635000
635000
125000
550000
550000
710000
635000
635000
0632007
960000
635000
635000
125000
550000
550000
710000
635000
635000
0632016
960000
635000
635000
125000
550000
550000
710000
635000
635000
0632024
-
-
-
-
550000
550000
710000
635000
635000
0633002
960000
635000
635000
125000
550000
550000
710000
635000
635000
0633003
960000
635000
635000
125000
550000
550000
710000
635000
635000
0633011
960000
635000
635000
125000
550000
550000
710000
635000
635000
0641007
960000
635000
635000
125000
550000
550000
710000
635000
635000
0642002
960000
635000
635000
125000
550000
550000
710000
635000
635000
0642005
960000
635000
635000
125000
550000
550000
710000
635000
635000
0642018
960000
635000
635000
125000
550000
550000
710000
635000
635000
0731034
960000
735000
735000
125000
550000
550000
690000
475000
475000
0731040
960000
735000
735000
125000
550000
550000
690000
475000
25000
0731041
960000
735000
735000
125000
550000
550000
690000
475000
25000
0732001
675000
735000
735000
125000
550000
550000
690000
475000
25000
0732002
675000
735000
735000
125000
550000
550000
690000
475000
25000
0631042
860000
635000
635000
125000
-
-
-
-
-
0631047
960000
635000
635000
125000
550000
550000
-
-
-
0631048
710000
635000
635000
125000
550000
550000
690000
475000
475000
0632004
710000
635000
635000
125000
550000
550000
690000
475000
475000
0633007
710000
635000
-
-
-
-
-
-
-
0633009
960000
635000
635000
125000
550000
550000
710000
635000
635000
0641001
710000
635000
635000
125000
550000
550000
690000
475000
-
0641012
860000
635000
635000
125000
550000
550000
-
-
-
0641018
960000
635000
635000
125000
550000
550000
710000
635000
635000
0641020
960000
635000
635000
125000
550000
550000
710000
641000
-
14
0731001
675000
735000
735000
125000
550000
550000
690000
475000
475000
0731004
675000
735000
735000
125000
550000
550000
690000
475000
25000
0731010
675000
735000
735000
125000
550000
550000
690000
475000
25000
0732016
960000
768000
735000
125000
-
-
-
-
-
0732018
960000
735000
-
-
-
-
-
-
-
0732019
-
-
-
-
-
-
-
-
-
0732021
960000
735000
-
-
-
-
-
-
-
0733005
675000
450000
735000
125000
550000
-
-
-
-
0733010
960000
735000
-
-
-
-
-
-
-
0733012
960000
-
-
-
-
-
-
-
-
0733013
675000
-
-
-
-
-
-
-
-
0733014
960000
735000
-
-
-
-
-
-
-
0733016
960000
735000
735000
-
-
-
-
-
-
0733017
960000
735000
735000
-
-
-
-
-
-
0741003
675000
735000
735000
125000
550000
-
-
-
-
Keterangan Tanda (-) : Tidak bayar uang kuliah
15
Adapun perancangan arsitektur jaringan analisis prediksi dengan metode backpropagation terdiri dari 3 lapisan, yaitu lapisan masukan/input terdiri atas 9 masukan unit sel syaraf, lapisan tersembunyi terdiri atas 3 unit sel syaraf, dan lapisan keluaran terdiri atas 2 sel syaraf. Lapisan masukan digunakan untuk menampung 9 variabel yaitu X1 sampai dengan X9, sedangkan 2 lapisan keluaran digunakan untuk mempresentasekan hasil keluaran, nilai 1 untuk Tamat dan nilai 0 untuk Tidak Tamat. Rancangan dapat dilihat pada gambar 5 :
2. a.
Gambar 5. Arsitektur Jaringan Backpropagation Keterangan : X = Masukan (input) J = 1 s/d n (n=10) V = Bobot pada lapisan tersembunyi W = Bobot pada lapisan keluaran n =Jumlah unit pengolah pada lapisan tersembunyi b =Bias pada lapisan tersembunyi dan lapisan keluaran k =Jumlah unit pengolah pada lapisan keluaran Y =Keluaran hasil. Dengan proses perhitungan sebagai berikut: X1 = 4; x2 = 4; X3 = 3; X4 = 2.75; X5 = 2.63; X6 = 2.72; X7 = 2; X8 = 2; X9 = 2; Output Y1: 1; Output Y2: 0. Learning rate (1): 0.1 1. Inisialisasi bobot awal secara acak. V11= 0.2, V53 = 0.3, W12= 0.1, V12 = -0.3, V61 = -0.8, W21= -0.3 V13 = 0.4, V62 = 0.9, W22 = 0.2, V21=0.1, V63=0.4, W31 = 0.4,
16
V22= -0.5, V71 = -0.1 W32= -0.3, V23= 0.2, V72= 0.7, V31= 0.6, V73 = 0.6, V32=0.3, V81 = 0.2, V33=0.4, V82= -0.3, V41 = 0.7, V83 = 0.2, V42= -0.1, V91 = -0.3, V43 = 0.5, V92 = -0.2, V51= 0.7 V93 = 0.1, V52= -0.4, W11 = -0.3 Iterasi 1. Hitung keluaran tiap node. Lapisan Z1 Input = X1*V11 + X2*V21 + X3*V31 + X4*V41 + X5*V51 + X6*V61 X7*V71 + X8*V81 + X9*V91 = (4*0.2) +(4*0.1)+(3*(0.6))+(2.75*0.7)+(2.6 3*0.7)+ (2.72*(-0.8))+(2*(0.1))+(2*0.2)+(2*(0.3) = -6.942 Z1 =( ) = 0.999 = 1 . Lapisan Z2 Input = X1*V12 + X2*V22 + X3*V32 + X4*V42 + X5*V52 + X6*V62 X7*V72 + X8*V82 + X9*V92 = (4*0.3)+(4*(0.5))+(3*0.3)+(2.75*(0.1)+(2.63*(0.4)+(2.72*0.9))+(2*0 .7))+(2*(-0.3)+(2*(0.2) = 1.621 Z2 =( ) = 0.1657 . Lapisan Z3 Input = X1*V13 + X2*V23 + X3*V33 + X4*V43 + X5*V53 + X6*V63 X7*V73 + X8*V83 + X9*V93 = (4*0.4) +(4*0.2))+(3*0.4)+(2. 75*0.5)+(2.63*0.3)+(2 .72*0.4))+(2*0.6))+(2 *0.2)+(2*0.1) = 8.652 Z3 = ( ) = 1.7942 . Lapisan Y 1 Input = Z1*W11 +Z2*W21 +Z3* W31
=0.999*(0.3)+0.1657*(0.3)+1.7942*0.4 = 0.36827 Y1 = ( ) = 0.41 .
b.
c.
W32 V11
Lapisan Y2 Input = Z1*W12 +Z2*W22 +Z3*
W32 =0.999*0.1+0.1657*0.2+1.7942*(0.3) = - 0.40522 Y2 = ( ) = 0.60 . Hitung nilai error output dan hidden layer. Lapisan Y2 ErrY2 = Y2*(l-Y2) *(Otarget.-Y2) = 0.60*(0.1-0.60)*(0-0.60) = 0.18 Lapisan Y1 ErrY1 = Y1*(1-Y1) *(Otarget.-Y1) =0.41*(0.1-0.41)*(1-0.41) = -0.07 Lapisan Z3 ErrZ3 =Z3*(1-Z3) *ErrY1*W31*ErrY2*W32 =1.7942*(0.1-1.7942)*(0.07)*0.4*0.18*(-0.3) = -0.0045 Lapisan Z2 ErrZ2 =Z2*(1-Z2) *ErrY1*W21*ErrY2*W22 =0.1657*(0.1-0.1657)*(0.07)*(-0.3)*0.18*0.2 = -0.0000 Lapisan Z1 ErrZ1 =Z1*(1-Z1) *ErrY1*W11*ErrY2*W12 =0.999*(0.1-0.999)*(0.07)*(-0.3)*0.18*0.1 = -0.0003 Modifikasi/hitung bobot baru. W11 = W11 + 1*ErrY1*Z1 =-0.3+0.1*(-0.07)*0.999 = -0.31 W12 = W12 + 1*ErrY2*Z1 = 0.1+0.1*0.18*0.999 =0.11 W21 = W21 + 1*ErrY1*Z2 =-0.3+0.1*(-0.07)*0.1657 = -0.3 W22 = W22 + 1*ErrY2*Z2 = 0.2+0.1*0.18*0.1657 = 0.20 W31 = W31 + 1*ErrY1*Z3 = 0.4+0.1*(-0.07)*1.7942
V12 V13 V21 V22 V23 V31 V32 V33 V41 V42 V43 V51 V52 V53 V61 V62
17
= 0.3 = W32 + 1*ErrY2*Z3 = -0.3+0.1*0.18*1.7942 = -0.2 = V11 + 1*ErrZ1*X1 = 0.2+0.1*0.999*4 = 0.6 = V12 + 1*ErrZ2* X1 = 0.3+0.1*0.1657*4 = 0.36 = V13 + 1*ErrZ3* X1 = 0.4+0.1*1.7942*4 = 1.1 = V21 + 1*ErrZ1*X2 = 0.1+0.1*0.999*4 = 0.5 = V22 + 1*ErrZ2* X2 = -0.5+0.1*0.1657*4 = -0.4 = V23 + 1*ErrZ3* X2 = 0.2+0.1*1.7942*4 = 0.9 = V31 + 1*ErrZ1*X3 = -0.6+0.1*0.999*3 = -0.3 = V32 + 1*ErrZ2* X3 = 0.3+0.1*0.1657*3 = 0.3 = V33 + 1*ErrZ3* X3 = 0.4+0.1*1.7942*3 = 0.9 = V41 + 1*ErrZ1*X4 = 0.7+0.1*0.999*2.75 = 0.5 = V42 + 1*ErrZ2* X4 = -0.1+0.1*0.1657*2.75 = -0.05 = V43 + 1*ErrZ3* X4 = 0.5+0.1*1.7942*2.75 = 0.99 = V51 + 1*ErrZ1*X5 = 0.7+0.1*0.999*2.63 = 0.96 = V52 + 1*ErrZ2* X5 = 0.4+0.1*0.1657*2.63 = 0.4 = V53 + 1*ErrZ3* X5 = 0.3+0.1*1.7942*2.63 = 0.77 = V61 + 1*ErrZ1*X6 = -0.8+0.1*0.999*2.72 = -0.5 = V62 + 1*ErrZ2* X6 = 0.9+0.1*0.1657*2.72 = 0.9
V63
3.
= V63 + 1*ErrZ3* X6 = 0.4+0.1*1.7942*2.72 = 0.88 V71 = V71 + 1*ErrZ1*X7 = -0.1+0.1*0.999*2 = 0.09 V72 = V72 + 1*ErrZ2* X7 = 0.7+0.1*0.1657*2 = 0.73 V73 = V73 + 1*ErrZ3* X7 = 0.6+0.1*1.7942*2 = 0.95 V81 = V81 + 1*ErrZ1*X8 = 0.2+0.1*0.999*2 = 0.4 V82 = V82 + 1*ErrZ2* X8 = -0.3+0.1*0.1657*2 = -0.2 V83 = V83 + 1*ErrZ3* X8 = 0.2+0.1*1.7942*2 = 0.55 V91 = V91 + 1*ErrZ1*X9 = -0.3+0.1*0.999*2 = -0.10 V92 = V92 + 1*ErrZ2* X9 = -0.2+0.1*0.1657*2 = -0.16 V93 = V93 + 1*ErrZ3* X9 = 0.1+0.1*1.7942*2 = 0.45 Ulangi iterasi hingga maksimal Epoch atau Err < ErrTarget tercapai.
telah dilatihkan tersebut dikenali. Hal tersebut berfungsi untuk menguji seberapa besar JST mengenali data yang baru.
Gambar 6. Hasil Pelatihan ke-I Hasil di atas menunjukkan ,menunjukkan bahwa proses pelatihan berhenti pada epoch ke 50000 dengan sintaks sebagai berikut : tp=[50 50000 0.001 0.006] [w1,b1,w2,b2]=initff(p,100,’logsig’,t,’ logsig’) [w1,b1,w2,b2]=trainbp (w1,b1,’logsig’,w2,b2,’logsig’,p,t,tp) Durasi : 3 jam 10 menit (20.05-23.15 WIB) a=simuff(r,w1,b1,’logsig’,w2,b2,’logsig’) a=a’ hasil konvergen = 58 % Setelah itu dilanjutkan dengan pelatihan data ke 2 yang terlihat pada gambar 7
V. PENGUJIAN Data dilatihkan yang dipengaruhi oleh model algoritma jaringan yang digunakan. Jumlah lapisan tersembunyi, data hadir, data nilai dan data pembayaran. Untuk menghasilkan iterasi tercepat, bobot dan nilai jumlah lapisan tersembunyi diuji hingga mencapai konvergen. Perubahan dilakukan dengan memberi nilai tetap pada salah satu item. Pelatihan data yang paling konvergen terjadi pada epoch ke-50000 dengan konfigurasi JST-PB sebagai berikut : - Jumlah sel lapisan tersembunyi: 100 - Konstanta Belajar : 0.001 - Besar Galat : 0.006 Hasil pelatihan dilakukan melalui 2 tahap, yaitu pelatihan terhadap data yang dilatihkan dan pengujian pada data yang baru yang belum pernah dilatihkan. Adapun data yang dilatihkan terdiri dari 50 data, dimana terdiri dari 25 data mahasiswa yang tamat dan 25 data mahasiswa yang tidak tamat. Setelah itu, jaringan akan diuji dengan 25 data baru setelah data yang
Gambar 7. Hasil Pelatihan ke-2 Gambar di atas menunjukkan bahwa proses pelatihan berhenti pada epoch ke 5228 dengan sintaks sebagai berikut : tp=[50 100000 0.006 0.009] [w1,b1,w2,b2]=initff(p,200,’logsig’,t,’logsig’)
18
[w1,b1,w2,b2]=trainbp(w1,b1,’logsig’,w2,b2,’l ogsig’,p,t,tp) Durasi : 3 jam 10 menit (20.05-23.15 WIB) a=simuff(r,w1,b1,’logsig’,w2,b2,’logsig’) a=a’ hasil konvergen = 46 % Setelah itu dilanjutkan dengan pelatihan data ke 3 yang terlihat pada gambar 8
[w1,b1,w2,b2]=initff(p,100,’logsig’,t,’logsig’) [w1,b1,w2,b2]=trainbp (w1,b1,’logsig’,w2,b2,’logsig’,p,t,tp) Durasi : 1 jam 5 menit (07.05-08.00 WIB) a=simuff(r,w1,b1,’logsig’,w2,b2,’logsig’) a=a’ hasil konvergen = 50 % Kemudian diteruskan dengan pelatihan data ke 5 yang terlihat pada gambar 10
Gambar 8. Hasil Pelatihan ke-3 Gambar di atas menunjukkan bahwa proses pelatihan berhenti pada epoch ke 51345 dengan sintaks sebagai berikut : tp=[50 100000 0.004 0.001] [w1,b1,w2,b2]=initff(p,200,’logsig’,t,’logsig’) [w1,b1,w2,b2]=trainbp(w1,b1,’logsig’,w2,b2,’l ogsig’,p,t,tp) Durasi : 3 jam 20 menit (20.05-23.25 WIB) a=simuff(r,w1,b1,’logsig’,w2,b2,’logsig’) a=a’ hasil konvergen = 54 % Kemudian dilanjutkan dengan pelatihan data ke 4 yang terlihat pada gambar 9
Gambar 10. Hasil Pelatihan ke-5 Gambar di atas menunjukkan bahwa proses pelatihan berhenti pada epoch ke 110 dengan sintaks sebagai berikut : tp=[30 3000 0.1 0.1] [w1,b1,w2,b2]=initff(p,20,’logsig’,t,’logsig’) [w1,b1,w2,b2]=trainbp (w1,b1,’logsig’,w2,b2,’logsig’,p,t,tp) Durasi : 5 menit (08.05-08.10 WIB) a=simuff(r,w1,b1,’logsig’,w2,b2,’logsig’) a=a’ hasil konvergen = 50 % Kemudian diteruskan dengan pelatihan data ke 6 yang terlihat pada gambar 11
Gambar 9. Hasil Pelatihan ke-4 Gambar 11. Hasil Pelatihan ke-6 Gambar di atas menunjukkan bahwa proses pelatihan Gambar di atas menunjukkan bahwa proses berhenti pada epoch ke 6097 dengan sintaks sebagai pelatihan berhenti pada epoch ke 6307 dengan berikut : sintaks sebagai berikut : tp=[50 50000 0.06 0.06] tp=[40 40000 0.1 0.1]
19
[w1,b1,w2,b2]=initff(p,50,’logsig’,t,’logsig’) [w1,b1,w2,b2]=trainbp (w1,b1,’logsig’,w2,b2,’logsig’,p,t,tp) Durasi : 30 menit (08.05-08.35 WIB) a=simuff(r,w1,b1,’logsig’,w2,b2,’logsig’) a=a’ hasil konvergen = 52 % Hasil pelatihan data latih dapat dilihat pada Tabel 8 dari 50 data baru yang telah diujikan, adapun pengujian terhadap data latih dilakukan sebanyak 6 kali pelatihan dan pengujian dengan angka input, besar galat dan konstanta belajar yang berbeda-beda. Tampak bahwa hasil pengujian data latih yang pertama 29 data (58 %) sesuai dengan target sedangkan 21 data (42 %) tidak sesuai dengan target. Setelah itu dilakukan kembali pengujian data kedua, dimana hasilnya menunjukkan bahwa 23 data (46 %) sesuai dengan target sedangkan 27 data (54 %) tidak sesuai dengan target. Setelah itu dilakukan kembali pengujian data ketiga, dimana hasilnya menunjukkan bahwa 27 data (54 %) sesuai dengan target sedangkan 23 data (46 %) tidak sesuai dengan target. Kemudian dilanjutkan dengan pengujian data keempat, dimana 25 data (50 %) sesuai target dan 25 (50 %) tidak sesuai. Adapun hasil pengujian data kelima hasilnya masih sama dengan pengujian data keempat dimana hasilnya menunjukkan 50 % data sesuai target dan 50 % lagi tidak sesuai. Selanjutnya dilakukan pengujian data latih keenam dimana hasilnya menunjukkan 26 data (52 %) sesuai target dan 24 data (48 %) tidak sesuai target. Tabel 8. Hasil Pengujian Data Latih ke Dalam JST Peng Data Persent Data Perse ujian Sesuai ase Tidak ntase Target (%) Sesuai (%) Target I 29 58 % 21 42 % II 23 46 % 27 54 % III 27 54 % 23 46 % IV 25 50 % 25 50 % IV 25 50 % 25 50 % VI 26 52 % 24 48 % Berdasarkan hasil pelatihan dan uji coba terhadap data hadir, data nilai dan data pembayaran mahasiswa, menunjukkan data pada pengujian pertama merupakan data yang tertinggi dengan tingkat konvergen 58 %. Adapun data kehadiran dan nilai yang bagus tidak selalu menjamin bahwasanya mahasiswa tersebut akan menyelesaikan pendidikannya atau tidak. Hal ini dapat disebabkan karena banyak faktor lain yang mempengaruhi proses belajar di STMIK Kaputama itu sendiri antara lain dapat disebabkan faktor lingkungan, dosen,
staf/karyawan, sarana dan prasarana dan lainlain.
20
Tabel 9. Hasil Analisa Prediksi Terhadap Data Yang Telah Dilatihkan Sebelumnya Convert Data Convert Data Hadir
Convert Data
Nilai
HPL
KSB
631003
Sem. II 4
Sem. III 3
Sem. I 2.75
Sem. II 2.63
Sem. III 2.72
Sem. I 2
Bayar Sem. II 2
Target
Sem. I 4
Sem. III 2
1
0.0
tamat
631022
4
3
4
3.20
2.95
3.06
2
2
1
1
0.0
tamat
631024
3
4
4
2.80
2.68
3.11
2
2
2
1
1.0
tamat
631027
4
4
4
3.20
3.16
3.22
2
2
2
1
0.0
tamat
631028
4
4
4
3.05
3.16
3.17
2
2
2
1
0.9
tamat
631029
2
4
4
2.95
3.05
3.22
2
2
2
1
0.0
tamat
631049
4
4
4
2.95
3.00
3.17
2
2
2
1
0.2
tamat
632001
2
3
4
3.00
2.75
3.45
2
2
2
1
1.0
tamat
632002
2
4
4
2.80
3.10
3.30
2
2
2
1
1.0
tamat
632003
3
4
4
3.00
3.10
3.15
2
2
2
1
0.1
tamat
632007
3
4
4
3.70
3.55
3.75
2
2
2
1
1.0
tamat
632016
3
4
4
3.60
3.65
3.65
2
2
2
1
1.0
tamat
632024
3
3
3
3.40
3.35
3.65
1
1
2
1
1.0
tamat
633002
3
4
4
2.85
2.50
2.84
2
2
2
1
0.1
tamat
633003
4
4
4
2.60
3.50
2.79
2
2
2
1
1.0
tamat
633011
4
4
4
3.10
2.95
3.05
2
2
2
1
0.0
tamat
641007
3
4
3
3.35
3.05
2.83
2
2
2
1
0.0
tamat
642002
4
4
4
3.00
3.60
3.26
2
2
2
1
0.3
tamat
642005
3
4
4
2.40
2.90
2.95
2
2
2
1
0.1
tamat
642018
3
4
4
2.60
3.20
3.26
2
2
2
1
0.8
tamat
731034
3
4
4
3.00
3.42
3.11
2
2
2
1
1.0
tamat
731040
3
4
4
2.70
3.16
3.06
2
2
2
1
0.7
tamat
731041
4
3
4
2.75
2.79
3.00
2
2
2
1
1.0
tamat
732001
3
4
4
2.89
3.05
3.20
2
2
2
1
0.0
tamat
732002
3
4
4
2.78
2.95
2.85
2
2
2
1
0.0
tamat
631042
1
1
1
0.00
0.00
0.00
2
1
1
0
0.0
tdk tmt
631047
1
1
1
0.00
0.00
0.00
2
2
1
0
0.0
tdk tmt
631048
1
1
1
3.05
2.42
2.28
2
2
2
0
1.0
tdk tmt
632004
3
2
3
2.89
2.84
2.90
2
2
2
0
0.0
tdk tmt
633007
1
1
1
1.2
0.00
0.42
1
1
1
0
0.9
tdk tmt
633009
1
1
1
1.50
0.60
0.53
2
2
2
0
0.0
tdk tmt
641001
2
1
2
1.85
1.53
2.56
2
2
1
0
0.2
tdk tmt
641012
1
1
1
0.3
0.47
0.17
2
2
1
0
1.0
tdk tmt
641018
1
2
4
2.65
2.95
3.11
2
2
2
0
1.0
tdk tmt
641020
1
3
3
2.30
2.26
2.78
2
2
1
0
0.1
tdk tmt
731001
1
4
1
3.15
3.37
0.33
2
2
2
0
1.0
tdk tmt
731004
1
3
2
2.25
2.42
1.06
2
2
1
0
1.0
tdk tmt
731010
1
1
4
2.55
2.21
2.39
2
2
2
0
1.0
tdk tmt
732016
1
1
1
0.56
0.00
0.30
1
1
1
0
0.1
tdk tmt
732018
1
1
1
2.61
2.20
0.80
1
1
1
0
1.0
tdk tmt
NPM
21
732019
1
1
1
3.17
0.60
0.80
1
1
1
0
0.0
tdk tmt
732021
1
1
1
0.22
0.00
0.10
1
1
1
0
0.0
tdk tmt
733005
1
1
1
1.50
0.35
0.11
2
1
1
0
0.3
tdk tmt
733010
1
1
1
0.00
0.00
0.00
1
1
1
0
0.1
tdk tmt
733012
1
1
1
0.00
0.00
0.00
1
1
1
0
0.8
tdk tmt
733013
1
1
1
0.10
0.00
0.00
1
1
1
0
1.0
tdk tmt
733014
1
1
1
0.10
0.00
0.00
1
1
1
0
0.7
tdk tmt
733016
1
1
1
0.00
0.00
0.00
2
1
1
0
1.0
tdk tmt
733017
1
1
1
1.55
0.00
0.00
2
1
1
0
0.0
tdk tmt
1 1 1 0.00 0.00 0.00 2 1 1 0 0.0 tdk tmt 741003 Keterangan HPL : Hasil Pelatihan KSB : Kondisi Sebenarnya KJST : Ketepatan Jaringan Syaraf Tiruan Setelah ke 50 data latih tersebut diuji selama 6 kali pengujian dan didapat hasil nya 58 % konvergen atau sesuai dengan target, selanjutnya, jaringan akan diuji dengan 25 data baru setelah data yang telah dilatihkan tersebut dikenali. Hasil pengujian terhadap 25 data yang baru tertuang dalam tabel 10 seperti berikut : Tabel 10. Hasil Analisa Prediksi Terhadap Data Yang Akan di Uji Convert Data Convert Data Convert Data Hadir Nilai Bayar NPM T HPU KSB KJST Sem. Sem. Sem. Sem. Sem. Sem. Sem. Sem. Sem. I II III I II III I II III 10441029 3 1 1 2.70 2.74 0.33 2 2 1 0 0.0 tdk tmt Benar 10441030 4 2 1 1.95 1.53 0.67 2 2 1 0 0.0 tdk tmt Benar 10441007 4 4 4 2.95 2.89 2.94 2 2 2 1 1.0 tamat Benar 10451039 3 2 4 2.85 1.20 2.37 2 1 1 1 0.6 tamat Benar 10451022 3 3 3 2.70 2.55 2.68 1 2 2 1 0.7 tamat Benar 10331018 1 1 1 1.45 1.60 0.68 1 2 1 0 0.0 tdk tmt Benar 10331009 3 2 2 3.45 2.10 2.42 1 2 1 0 0.2 tdk tmt Benar 10311069 4 4 3 3.05 2.84 1.78 2 2 2 1 1.0 tamat Benar 10311001 4 4 4 3.00 2.89 2.50 1 2 1 1 0.9 tamat Benar 10311052 2 2 4 0.65 2.47 2.56 2 2 2 0 0.1 tdk tmt Benar 10311056 4 4 4 2.70 2.74 2.56 1 1 2 1 1.0 tamat Benar 9441059 4 3 3 2.75 2.63 2.50 2 2 1 1 0.6 tamat Benar 4 4 2 3.35 2.84 2.61 2 2 2 1 1.0 tamat Benar 9441055 3 3 2 2.60 0.00 2.21 1 2 2 1 0.8 tamat Benar 8451005 4 3 3 2.80 2.90 2.68 1 2 2 1 0.7 tamat Benar 9451047 3 1 1 3.10 2.15 1.21 2 2 2 0 0.0 tdk tmt Benar 9451042 3 2 2 3.10 3.00 2.63 2 2 1 0 0.0 tdk tmt Benar 9451016 3 2 4 2.72 2.50 2.70 2 2 1 1 0.5 tamat Salah 9321015 2 2 4 2.67 2.50 2.60 2 2 2 0 0.3 tdk tmt Benar 9321014 3 3 3 2.45 2.79 2.72 2 2 2 1 0.8 tamat Benar 9311039 3 4 4 2.70 2.65 2.42 2 2 2 1 1.0 tamat Benar 8451035 3 3 3 3.05 2.90 2.21 2 2 2 1 0.7 tamat Benar 8457040 4 4 4 3.05 2.55 2.74 2 2 2 1 1.0 tamat Benar 11457101 1 3 3 1.35 0.00 2.05 2 2 2 1 0.1 tamat Salah 742017 1 1 3 2.05 1.40 1.00 2 2 2 0 0.0 tdk tmt Benar 742021 Keterangan HPU : Hasil Pengujian KSB : Kondisi Sebenarnya KJST : Ketepatan Jaringan Syaraf Tiruan Berdasarkan pada tabel 10 dapat dianalisis bahwa hasil ketepatan jaringan syaraf mendekati 100 %, yaitu 0.92 % data prediksi telah konvergen sesuai target.
22
[2] D.P. Bambang Budi. Widodo J. Rochani, dkk, Teknik Jaringan Syaraf Tiruan FeedForward Untuk Prediksi Harga Saham Pada Pasar Modal Indonesia, Jurnal Informatika Vol. 1, No. 1, Mei 1999 : 11 – 22,http://puslit.petra.ac.id/journals/informatics/, diakses tanggal 19 April 2012 [3] Kusumadewi, Sri. Artificial Intelligence (Teknik dan Aplikasinya), Edisi Pertama, Yogyakarta, Graha Ilmu, 2003 [4] Nuraeni, Yeni, Penerapan Jaringan Syaraf Tiruan Untuk Mengukur Tingkat Korelasi antara NEM Dengan IPK Kelulusan Mahasiswa, Jurnal Telkomnika Vol 7, No. 3, Desember 2009:195-200, http://telkomnika.ee.uad.ac.id/n9/files/Vol.7No.3Des 09/7.3.12.09.08.pdf, diakses tanggal 18 April 2012 [5] Pramudiono I, 2007. “Pengantar Data Mining : Menambang Permata Pengetahuan di Gunung Data”, http://www.ilmukomputer.org/wpcontent/uploads/2006/08/iko-datamining.zip. [6] Santoso, Tri Budi dan Huda Miftahul. Dasar-dasar Operasi Matlab, http://lecturer.eepisits.edu/~tribudi/LN_Sinyal_siste m_Prak/prak_SinyalSistem_1.pdf, diakses tanggal 20 April 2012 [7] Santosa, Budi, 2007, “Data Mining Teknik
VI. PENUTUP Berdasarkan hasil penelitian dan pembahasan yang telah dilakukan dapat diambil beberapa kesimpulan yakni : 1. Penerapan data mining dengan menggunakan jaringan syaraf tiruan mampu memprediksi mahasiswa STMIK Kaputama Binjai apakah akan menyelesaikan pendidikannya atau tidak. 2. Untuk mendapatkan hasil prediksi yang lebih akurat, perlu memperhatikan jumlah simpul lapisan tersembunyi, laju pembelajaran, toleransi galat dan jumlah epoch. 3. Target output pada proses pengujian mendekati ketepatan hasil karena terjadi penyesuaian nilai bobot dan bias yang semakin baik pada proses pelatihan Untuk mendapatkan hasil yang lebih baik sebaiknya penelitian ini dilanjutkan secara waktu nyata (real time) dengan lebih banyak responden ataupun data mahasiswa yang dipergunakan sehingga diharapkan dapat memperoleh hasil yang lebih significant dan perlu dilakukan penelitian dengan menggunakan metode selain jaringan syaraf tiruan, misalkan algoritma genetic ataupun metode lainnya dengan algoritma yang berbeda tentunya, dan kemudian dapat dibandingkan agar diperoleh hasil analisis prediksi yang dapat dikembangkan dalam sebuah aplikasi yang terbaik demi kemajuan STMIK Kaputama kedepannya. DAFTAR PUSTAKA
Pemanfaatan
Data
untuk
Keperluan
Bisnis”,
Yogyakarta:Graha Ilmu. [8]
[1] Davies, Paul Beynon, 2004, “Database Systems Third Edition”, New York: Palgrave Macmillan.
23
STMIK Kaputama Binjai, Peraturan Akademik 2011, Binjai, 2011.