prediksi tingkat kelulusan mahasiswa …perpustakaan.fmipa.unpak.ac.id/file/prediksi tingkat...

12
1 PREDIKSI TINGKAT KELULUSAN MAHASISWA MENGGUNAKAN ARTIFICIAL NEURAL NETWORK BACKPROPAGATION Deni Ahmad Aminulloh 1 , Eneng Tita Tosida 2 , Mulyati 3 123 Program Studi Ilmu Komputer, FMIPA, Universitas Pakuan Jl. Pakuan PO Box 452, Bogor, 16143, Jawa Barat, Indonesia [email protected] 1 , [email protected] 2 , [email protected] 3 Abstrak Lulus tepat waktu merupakan salah satu indikator keberhasilan mahasiswa dalam memperoleh gelar sarjana. Mahasiswa dikatakan lulus tepat waktu apabila menyelesaikan masa studinya di perguruan tinggi selama kurang dari atau sama dengan empat tahun, sedangkan mahasiswa dikatakan tidak lulus tepat waktu apabila menyelesaikan studinya di perguruan tinggi selama lebih dari empat tahun. Algoritma Backpropagation adalah salah satu algoritma pembelajaran dalam teknik Jaringan Syaraf Tiruan yang sering digunakan untuk pencocokan pola. Backpropagation 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. Untuk menilai tingkat akurasi dari penelitian ini dilakukan dengan menggunakan metode K-Fold Cross Validation dengan dipagi menjadi 4 kali pengujian dengan menghasilkan tingkat akurasi sebesar 73,46%. Hasil analisis prediksi kelulusan menunjukan atribut data kategorik mahasiswa yang lebih dominan terhadap kelulusan adalah jenis kelamin laki-laki, asal daerah dari Bogor, beragama islam, serta asal sekolah dari SMK. Dengan tingkat IPK dari 3,01-3,50 sebanyak 43,43%, 3,51-4,00 sebanyak 50,5% dan lainya berkisar 6,07%. Untuk mata kuliah yang paling berpengaruh pada kelulusan adalah Matematika Dasar dengan presentasi 57,57% untuk nilai A, dan Pengantar Ilmu Komputer sebesar 53,53% untuk nilai B. Kata Kunci: Prediksi, Backpropagation, K-Fold Cross Validation PENDAHULUAN Berdasarkan data lulusan angkatan tahun 2009 sampai 2013 di program studi Ilmu Komputer Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Pakuan Bogor rata- rata perbandingan jumlah mahasiswa dengan jumlah kelulusan mahasiswa tepat waktu mengalami kesenjangan. Berikut menunjukan perbandingan antara jumlah mahasiswa, jumlah mahasiswa yang lulus tepat waktu, dan target jumlah lulusan sesuai dengan ketentuan BAN-PT, yaitu jumlah lulusan harus mencapai minimal 50% dari jumlah mahasiswa. Pada lulusan angkatan tahun 2009 jumlah mahasiswa yang lulus tepat waktu berjumlah 70 mahasiswa dengan total mahasiwa mencapai 314 orang, nilai ini kurang dari standar kelulusan yang berjumlah 157 mahasiwa. Lulusan angkatan tahun 2010 jumlah lulusan yang lulus tepat waktu berjumlah 67 mahasiswa dengan total mahasiswa

Upload: letu

Post on 06-Aug-2019

234 views

Category:

Documents


1 download

TRANSCRIPT

Page 1: PREDIKSI TINGKAT KELULUSAN MAHASISWA …perpustakaan.fmipa.unpak.ac.id/file/Prediksi Tingkat Kelulusan...merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh

1

PREDIKSI TINGKAT KELULUSAN MAHASISWA

MENGGUNAKAN ARTIFICIAL NEURAL NETWORK

BACKPROPAGATION

Deni Ahmad Aminulloh1, Eneng Tita Tosida

2, Mulyati

3

123Program Studi Ilmu Komputer, FMIPA, Universitas Pakuan

Jl. Pakuan PO Box 452, Bogor, 16143, Jawa Barat, Indonesia

[email protected], [email protected]

2, [email protected]

3

Abstrak

Lulus tepat waktu merupakan salah satu indikator keberhasilan mahasiswa

dalam memperoleh gelar sarjana. Mahasiswa dikatakan lulus tepat waktu apabila

menyelesaikan masa studinya di perguruan tinggi selama kurang dari atau sama dengan

empat tahun, sedangkan mahasiswa dikatakan tidak lulus tepat waktu apabila

menyelesaikan studinya di perguruan tinggi selama lebih dari empat tahun. Algoritma

Backpropagation adalah salah satu algoritma pembelajaran dalam teknik Jaringan

Syaraf Tiruan yang sering digunakan untuk pencocokan pola. Backpropagation

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.

Untuk menilai tingkat akurasi dari penelitian ini dilakukan dengan menggunakan

metode K-Fold Cross Validation dengan dipagi menjadi 4 kali pengujian dengan

menghasilkan tingkat akurasi sebesar 73,46%. Hasil analisis prediksi kelulusan

menunjukan atribut data kategorik mahasiswa yang lebih dominan terhadap kelulusan

adalah jenis kelamin laki-laki, asal daerah dari Bogor, beragama islam, serta asal

sekolah dari SMK. Dengan tingkat IPK dari 3,01-3,50 sebanyak 43,43%, 3,51-4,00

sebanyak 50,5% dan lainya berkisar 6,07%. Untuk mata kuliah yang paling berpengaruh

pada kelulusan adalah Matematika Dasar dengan presentasi 57,57% untuk nilai A, dan

Pengantar Ilmu Komputer sebesar 53,53% untuk nilai B.

Kata Kunci: Prediksi, Backpropagation, K-Fold Cross Validation

PENDAHULUAN

Berdasarkan data lulusan angkatan

tahun 2009 sampai 2013 di program

studi Ilmu Komputer Fakultas

Matematika dan Ilmu Pengetahuan

Alam Universitas Pakuan Bogor rata-

rata perbandingan jumlah mahasiswa

dengan jumlah kelulusan mahasiswa

tepat waktu mengalami kesenjangan.

Berikut menunjukan perbandingan

antara jumlah mahasiswa, jumlah

mahasiswa yang lulus tepat waktu, dan

target jumlah lulusan sesuai dengan

ketentuan BAN-PT, yaitu jumlah

lulusan harus mencapai minimal 50%

dari jumlah mahasiswa.

Pada lulusan angkatan tahun 2009

jumlah mahasiswa yang lulus tepat

waktu berjumlah 70 mahasiswa dengan

total mahasiwa mencapai 314 orang,

nilai ini kurang dari standar kelulusan

yang berjumlah 157 mahasiwa. Lulusan

angkatan tahun 2010 jumlah lulusan

yang lulus tepat waktu berjumlah 67

mahasiswa dengan total mahasiswa

Page 2: PREDIKSI TINGKAT KELULUSAN MAHASISWA …perpustakaan.fmipa.unpak.ac.id/file/Prediksi Tingkat Kelulusan...merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh

2

berjumlah 386 mahasiswa, nilai ini juga

kurang dari standar kelulusan yang

berjumlah 193 mahasiswa. Begitu pula

dengan lulusan angkatan tahun 2011

dimana jumlah mahasiswa berjumlah

402 mahasiswa dengan kelulusan tepat

waktu mencapai 137 mahasiswa nilai

ini masih kurang dari jumlah standar

kelulusan yaitu berjumlah 201

mahasiswa. Hal yang sama juga terjadi

pada lulusan angkatan tahun 2012,

dimana jumlah lulusan tepat waktu

mencapai 129 mahasiswa dengan

jumlah mahasiswa berjumlah 458

mahasiswa, jauh sekali dengan standar

kelulusan yang berjumlah 229

mahasiswa.

Kesenjangan antara jumlah lulusan

mahasiswa Ilmu Komputer Universitas

Pakuan Bogor dengan standar minimal

kelulusan yang ditetapkan oleh BAN-

PT sangatlah jauh. Kondisi seperti ini

membuat program studi mencari

langkah antisipasi atau penanggulangan

lebih dini untuk menimimalisir masalah

tersebut.

Tujuan dari penelitian ini adalah

untuk memprediksi tingkat kelulusan

mahasiswa program studi Ilmu

Komputer Universitas Pakuan Bogor.

Backpropagation

Propagasi balik (backpropagation)

adalah salah satu algoritma

pembelajaran dalam teknik Jaringan

Syaraf Tiruan yang sering digunakan

untuk pencocokan pola.

Backpropagation 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

backpropagation menggunakan error

output untuk mengubah nilai-nilai

bobotnya dalam perambatan mundur

(backward). Untuk mendapatkan error

ini, tahap perambatan maju (forward

propagation) harus dikerjakan terlebih

dahulu (Puspitaningrum, 2006).

Berikut ini merupakan algoritma dalam

pelatihan Backpropagation:

a) Langkah 0. Inisiasi semua bobot

dengan bilangan acak.

b) Langkah 1. Jika kondisi penghentian

belum terpenuhi, lakukan langkah 2

– 9.

c) Langkah 2. Untuk setiap data latih,

lakukan langkah 3 – 8.

Fase I. Propagasi Maju (Feed

forward)

d) Langkah 3. Setiap unit input (𝑥𝑖, 𝑖 =

1,2,3, … , 𝑛) menerima sinyal 𝑥𝑖 dan

meneruskan sinyal ke seluruh

lapisan/unit tersembunyi (hidden

layer).

e) Langkah 4. Hitung setiap unit

tersembunyi/hidden layer (Zj, =

1,2,3, … , j), dengan menggunakan

persamaan berikut:

Zinj = Voj + ∑ 𝑋𝑖 𝑉𝑖𝑗 (𝑛𝑘

)𝑛

𝑖=1

Dan menerapkan fungsi aktivasi

untuk menghitung sinyal outputnya,

menggunakan persamaan berikut:

Zj = ƒ ( Zinj )

Biasanya fungsi aktivasi yang

digunakan adalah sigmoid, kemudian

mengirimkan sinyal tersebut ke

semua output.

f) Langkah 5. Hitung setiap unit

output ( Yk, = 1,2,3, … , k), dengan

menggunakan persamaan berikut:

Page 3: PREDIKSI TINGKAT KELULUSAN MAHASISWA …perpustakaan.fmipa.unpak.ac.id/file/Prediksi Tingkat Kelulusan...merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh

3

Yink = Wok + ∑ 𝑍𝑗 𝑊𝑗𝑘 (𝑛𝑘

)𝑛

𝑗=1

Dan menerapkan fungsi aktivasi

untuk menghitung sinyal outputnya,

menggunakan persamaan berikut:

Yk = ƒ ( Yink )

Fase II. Propagasi Mundur

(Backpropagation of error)

g) Langkah 6. Hitung faktor 𝛿 (error)

unit keluaran berdasarkan kesalahan

disetiap unit output (Yk, 𝑘 = 1,2,3, …

, 𝑚) dengan persamaan berikut:

𝛿𝑘 = (𝑡𝑘 − Y𝑘) 𝑓′(Y𝑖𝑛𝑘 )

*𝛿 adalah unit kesalahan yang akan

dipakai dalam perubahan bobot layer

dibawahnya (langkah 7)

Kemudian hitung koreksi bobot

dengan persamaan berikut:

∆Wj𝑘 = 𝛼 ∗ 𝛿𝑘 ∗ Z𝑗

Dan menghitung koreksi bias dengan

persamaan berikut:

∆W0𝑘 = 𝛼 ∗ 𝛿𝑘

h) Langkah 7. Hitung faktor 𝛿 (error)

unit tersembunyi (Z𝑗, 𝑗 = 1,2,3, … ,

𝑝) berdasarkan kesalahan disetiap

unit:

δinj = ∑ 𝛿𝑘 𝑊𝑗𝑘 (𝑛𝑘

)𝑛

𝑘=1

Untuk menghitung faktor 𝛿 (error),

kalikan hasil dari persamaan 8

dengan turunan dari fungsi

aktivasinya:

𝛿𝑗 = 𝛿_𝑖𝑛𝑗 𝑓′(Z𝑖𝑛𝑗 )

Kemudian hitung koreksi bobot

dengan persamaan berikut:

∆V𝑗𝑘 = 𝛼 ∗ 𝛿𝑗 ∗ X𝑖

Dan menghitung koreksi bias dengan

persamaan berikut:

∆V0𝑗 = 𝛼 ∗ 𝛿𝑗

Fase III. Perubahan Bobot dan Bias

i) Langkah 8. Dari setiap unit output

(Y𝑘, 𝑘 = 1,2,3, … , 𝑚) dilakukan

perubahan bobot dan bias (Z𝑗 ,𝑗 =

1,2,3, … , 𝑝) dengan persamaan

berikut:

𝑊𝑗𝑘(𝑏𝑎𝑟𝑢) = 𝑊𝑗𝑘(𝑙𝑎𝑚𝑎) + ∆𝑊𝑗𝑘

Dari setiap unit tersembunyi (Z𝑗 ,𝑗 =

1,2,3, … , 𝑝) dilakukan perubahan

bobot dan bias (Z𝑖 , 𝑖 = 1,2,3, … , 𝑚)

dengan persamaan berikut:

𝑉𝑖𝑗 (𝑏𝑎𝑟𝑢) = 𝑉𝑖𝑗 (𝑙𝑎𝑚𝑎) + ∆𝑉𝑖𝑗

j) Langkah 9. Pengujian kondisi

berhenti.

METODE PENELITIAN

Metode penelitian yang dilakukan

dalam penelitian ini menggunakan

metode penelitian eksperimen. Metode

penelitian eksperimen sendiri yaitu

metode penelitian yang digunakan

untuk mencari pengaruh perlakuan

tertentu terhadap yang lain dalam

kondisi yang terkendalikan (Santoso,

2007).

1. Pengumpulan Data (Data

Gathering)

Data mahasiswa yang digunakan

dalam penelitian ini adalah data

mahasiswa Program Studi Ilmu

Komputer Fakultas Matematika dan

Page 4: PREDIKSI TINGKAT KELULUSAN MAHASISWA …perpustakaan.fmipa.unpak.ac.id/file/Prediksi Tingkat Kelulusan...merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh

4

Ilmu Pengetahuan Alam. Terdiri dari 15

atribut data penelitian yang meliputi

jenis kelamin, asal daerah, agama, asal

sekolah, nilai mata kuliah yang terdiri

dari nilai B.Inggris I, B.Inggris II,

Algoritma dan Pemograman I,

Algoritma dan Pemograman II,

Matematika Dasar, PKn, B.Indonesia,

Pengantar Ilmu Komputer, Fisika

Dasar, serta Pendidikan Agama, IPK

(Indeks Prestasi Komulatif), dan

kelulusan.

Pengumpulan data mahasiswa di

dapat dari PUTIK (Pusat Teknologi

Informasi dan Komunikasi) berdasarkan

data mahasiswa di SIMAK (Sistem

Informasi Akademik) Universitas

Pakuan Bogor.

2. Pengolahan Awal Data (Data

Preprocessing)

Pada tahap ini, ada beberapa proses

yang harus dilakukan untuk

mendapatkan atribut yang relevan dan

sesuai dengan format Artificial Neural

Network Backpropagation.

a. Penentuan data input dan output

(target)

Data input pada penelitian ini

adalah jenis kelamin, asal daerah,

agama, asal sekolah, nilai mata kuliah

yang terdiri dari nilai B.Inggris I,

B.Inggris II, Algoritma dan

Pemograman I, Algoritma dan

Pemograman II, Matematika Dasar,

PKn, B.Indonesia, Pengantar Ilmu

Komputer, Fisika Dasar, serta

Pendidikan Agama, dan IPK (Indeks

Prestasi Komulatif), sedangkan data

output pada penelitian ini adalah

kelulusan.

b. Penentuan data latih dan data uji

Data latih pada penelitian ini

menggunakan data angkatan lulusan

tahun 2009 sampai angkatan lulusan

tahun 2012 dengan jumlah data latih.

Sedangkan untuk data uji menggunakan

data angkatan tahun 2013.

c. Transformasi data

Data penelitian yang bersifat

katagorik, dalam kasus ini adalah jenis

kelamin, asal daerah, agama, asal

sekolah, nilai mata kuliah serta

kelulusan ditransformasi kedalam

bentuk numerik dengan menggunakan

metode unary uncoding.

d. Normalisasi data

Sebelum digunakan untuk

penelitian, perlu dilakukan penskalaan

terhadap data input dan output (target)

sehingga data-data input dan target

tersebut masuk dalam suatu range

tertentu. Dalam penelitian ini range

yang digunakan yaitu skala 0-1. Untuk

proses normalisasi data menggunakan

rumus min-max.

3. Model/Metode yang Diusulkan

(Proposed Model/Method)

Pada tahap ini metode yang

diusulkan adalah metode Artificial

Neural Network Backpropagation. Pada

tahap pemodelan yang menggunakan

Artificial Neural Network

Backpropagation dilakukan pemilihan

parameter untuk menghasilkan

arsitektur jaringan syaraf yang optimal.

4. Eksperimen dan Pengujian

Metode (Method Test and

Experiment) Pengujian dilakukan dengan

menggunakan sebagian data mahasiswa

untuk data latih dan sebagian lagi

sebagai data uji. Perhitungan data latih

terus dilatih untuk mendapatkan pola

yang terbaik dari Algoritma Artificial

Neural Network Backpropagation.

Pengujian jaringan syaraf tiruan ini

dibagi menjadi beberapa tahap yaitu,

inisiasi bobot, inisiasi parameter, tahap

pelatihan, dan tahap pengujian.

5. Evaluasi dan Validasi Hasil

(Result Evaluation and

Validation)

Page 5: PREDIKSI TINGKAT KELULUSAN MAHASISWA …perpustakaan.fmipa.unpak.ac.id/file/Prediksi Tingkat Kelulusan...merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh

5

Evaluasi dan validasi dilakukan

dengan mengukur hasil akurasi tingkat

prediksi Artificial Neural Network

Backpropagation dengan menggunakan

metode K-Fold Cross Validation

HASIL DAN PEMBAHASAN

Hasil yang diperoleh dari penelitian

ini adalah prediksi kelulusan mahasiswa

Program Studi Ilmu Komputer Fakultas

Matematika dan Ilmu Pengetahuan

Alam Universitas Pakuan dengan

mengunakan Artificial Neural Network

Backpropagation. Data latih diolah

terlebih dahulu sehingga akan

menghasilkan hasil berupa bobot ideal

untuk pengujian jaringan. Setelah data

selesai diolah dan menghasilkan bobot

ideal, selanjutnya dilakukan pengujian

data dengan menggunakan data

angkatan tahun 2013 diimplementasikan

dengan tampilan software Matlab.

Pada tahap pelatihan data, struktur

Artificial Neural Network

Backpropagation. dilakukan beberapa

percobaan untuk mencari model yang

ideal atau terbaik dengan menggunakan

data latih angkatan tahun 2009 sampai

2012.

Penentuan parameter neural

network dilakukan dengan mencari nilai

terbaik dari hidden neuron yang

digunakan. Berdasarkan beberapa

eksperimen yang telah dilakukan,

arsitektur jaringan syaraf tiruan

teroptimal untuk prediksi tingkat

kelulusan mahasiswa adalah arsitektur

15-10-1, dengan laju pembelajaran 0,1.

Arsitektur ini terdiri dari 1 lapisan input

dengan 15 neuron, 1 lapisan hidden

layer dengan 10 neuron dan 1 lapisan

output dengan 1 neuron. Nilai MSE

yang dihasilkan adalah 0,12957.

Setelah diperoleh parameter terbaik

dari jaringan maka selanjutnya

dilakukan pengujian dari parameter dan

arsitektur terbaik tersebut dalam

mengenali data uji dan data latih

sebelum digunakan untuk melakukan

prediksi tingkat kelulusan mahasiswa

dengan menggunakan data mahasiswa

angkatan tahun 2009, 2010, 2011, dan

2012. Berikut ini adalah hasil dari

Backpopagation Neural Network

dengan arsitektur 15-10-1 dalam

Matlab.

Gambar 1. Pelatihan Backpropagation

Gambar dibawah ini merupakan

jaringan dengan arsitektur 15-10-1 yang

terdiri dari 1 lapisan input dengan 15

neuron, 1 lapisan hidden layer dengan

10 neuron dan 1 lapisan output dengan

1 neuron.

Gambar 2. Arsitektur Jaringan 15-10-1

Prediksi kelulusan mahasiswa

dengan menggunakan data uji angkatan

Page 6: PREDIKSI TINGKAT KELULUSAN MAHASISWA …perpustakaan.fmipa.unpak.ac.id/file/Prediksi Tingkat Kelulusan...merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh

6

2013 Program Studi Ilmu Komputer

Fakultas Matematika dan Ilmu

Pengetahuan Alam Universitas Pakuan

Bogor, diketahui bahwah mahasiswa

yang lulus tepat waktu berjumlah 99

mahasiswa sedangkan yang tidak lulus

tepat waktu berjumlah 214 mahasiswa

dari total keseluruhan data berjumlah

313 mahasiswa.

Gambar 3. Grafik Prediksi Kelulusan

Terlihat bahwa prediksi

mahasiswa dengan presentasi lulus tepat

waktu masih rendah dibandingkan

dengan jumlah mahasiswa yang tidak

lulus tepat waktu. Bahkan persentase

yang dihasilkan oleh lulus tepat waktu

sangat jauh dari standar mutu lulusan

yang telah ditetapkan oleh BANPT

yaitu 50% dari total mahasiswa.

Analisis Kelulusan Tepat Waktu

1. Kelulusan Tepat Waktu

Berdasarkan Jenis Kelamin

Hasil analisis untuk kelulusan tepat

waktu berdasarkan jenis kelamin dapat

diketahui bahwa untuk jenis kelamin

laki-laki yang lulus tepat waktu

berjumlah 71 mahasiwa, sedangkan

untuk jenis kelamin perempuan

berjumlah 28 mahasiwa dari total 99

data kelulusan yang tepat waktu.

Gambar 4. Kelulusan Tepat Waktu

Berdasarkan Jenis Kelamin

Terlihat bahwa prediksi mahasiswa

dengan presentasi lulus tepat waktu

untuk jenis kelamin laki-laki cenderung

lebih dominan dari pada perempuan.

Hal ini sangat wajar mengingat

mayoritas mahasiwa di Program Studi

Ilmu Komputer berjenis kelamin laki-

laki.

2. Kelulusan Tepat Waktu

Berdasarkan Asal Daerah

Hasil analisis untuk kelulusan tepat

waktu berdasarkan asal daerah dapat

diketahui bahwa untuk mahasiswa yang

berasal dari Bogor jumlah lulusan yang

tepat waktu berjumlah 58 mahasiswa,

sedangkan untuk asal daerah dari luar

Bogor berjumlah 41 mahasiswa dari

total 99 data kelulusan yang tepat

waktu.

Gambar 5. Kelulusan Berdasarkan Asal

Daerah

Terlihat bahwa prediksi mahasiswa

dengan presentasi lulus tepat waktu

untuk atribut asal daerah yang berasal

dari Bogor cenderung lebih dominan

050

100150200250300350

Jum

lah

Mah

asis

wa

Data Uji Penelitian

Total Data

TepatWaktu

Tidak TepatWaktu

StandarBANPT

0

20

40

60

80

Jum

lah

Lu

lusa

n

Jenis Kelamin

Laki-Laki

Perempuan

0

20

40

60

80

Jum

lah

Lu

lusa

n

Asal Daerah

Bogor

Luar Bogor

Page 7: PREDIKSI TINGKAT KELULUSAN MAHASISWA …perpustakaan.fmipa.unpak.ac.id/file/Prediksi Tingkat Kelulusan...merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh

7

dari pada luar Bogor. Hal ini sangat

wajar mengingat mayoritas mahasiwa di

Program Studi Ilmu Komputer berasal

dari Bogor dan ditunjang dari lokasi

Universitas Pakuan yang berlokasi di

Jalan Pakuan, Tegallega, Bogor Tengah,

Kota Bogor, Jawa Barat.

3. Kelulusan Tepat Waktu

Berdasarkan Agama

Hasil analisis kelulusan tepat waktu

berdasarkan agama dapat diketahui

untuk yang beragama islam berjumlah

95 orang, beragama khatoliq berjumlah

1 orang, beragama protestan 2 orang,

untuk yang beragama budha 1 orang,

sedangkan tidak ada lulusan tepat waktu

untuk yang beragama hindu dari total

99 data kelulusan yang tepat waktu.

Gambar 6. Kelulusan Tepat Waktu

Berdasarkan Agama

Terlihat bahwa prediksi mahasiswa

dengan presentasi lulus tepat waktu

untuk yang beragama islam sangat

dominan dari pada agama lainya. Hal

ini sangat wajar mengingat mayoritas

mahasiwa di Program Studi Ilmu

Komputer beragama islam.

4. Kelulusan Tepat Waktu

Berdasarkan Asal Sekolah

Hasil analisis kelulusan tepat waktu

berdasarkan asal sekolah dapat

diketahui untuk asal sekolah yang

berasal dari Sekolah Menengah Atas

berjumlah 34 orang, dari Sekolah

Menengah Kejuruan berjumlah 57

orang, sedangkan dari Madrasah Aliyah

berjumlah 8 orang dari total 99 data

kelulusan tepat waktu.

Gambar 7. Kelulusan Tepat Waktu

Berdasarkan Asal Sekolah

Terlihat bahwa prediksi mahasiswa

dengan presentasi lulus tepat waktu

untuk yang berasal dari Sekolah

Menengah Kejuruan lebih dominan dari

pada yang berasal dari Sekolah

Menengah Atas dan Madrasah Aliyah.

Hal ini dapat dimungkinkan karena

untuk asal sekolah dari Sekolah

Menengah Kejuruan cenderung sudah

memiliki dasar-dasar pengetahuan

tentang ilmu komputer lebih banyak

dari pada asal sekolah Sekolah

Menengah Atas dan Madrasah Aliyah.

5. Kelulusan Tepat Waktu

Berdasarkan Indeks Prestasi

Komulatif

Hasil analisis kelulusan tepat waktu

berdasarkan Indeks Prestasi Komulatif,

dapat diketahui untuk IPK dengan

interval dari 3,51-4,00 menghasilkan

lulusan tepat waktu sebanyak 43

mahasiwa. Untuk IPK dengan inteval

dari 3,01-3,50 menghasilkan lulusan

tepat sebanyak 50 mahasiwa, lalu untuk

IPK dengan interval dari 2,50-3,00

menghasilkan lulusan tepat waktu

sebanyak 5 mahasiswa. Sedangkan

untuk IPK dengan interval dari 0,00-

2,50 mengasilkan lulusan tepat waktu

sebanyak 1 mahasiswa, dari total 99

data kelulusan tepat waktu.

0

20

40

60

80

100

Jum

lah

Lu

lusa

n

Agama

Islam

Khatoliq

Protestan

Hindu

Budha

0

20

40

60

Jum

lah

Lu

lusa

n

Asal Sekolah

SMA

SMK

MA

Page 8: PREDIKSI TINGKAT KELULUSAN MAHASISWA …perpustakaan.fmipa.unpak.ac.id/file/Prediksi Tingkat Kelulusan...merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh

8

Gambar 8. Kelulusan Tepat Waktu

Berdasarkan IPK

Terlihat bahwa prediksi mahasiswa

dengan presentasi lulus tepat waktu

berdasarkan Indeks Prestasi Komulatif,

ternyata untuk IPK yang memiliki

interval dari 3,01-3,50 justru memiliki

tingkat kelulusan tepat waktu yang lebih

tinggi dibanding dengan nilai IPK yang

memiliki interval dari 3,51-4,00. Hal

ini dapat disimpulkan bahwa nilai IPK

tinggi tidak selalu menjamin lulus tepat

waktu. Sedangkan untuk temuan yang

lain yaitu nilai IPK yang memiliki

interval dari 2,51-3,00 dan 0,00-2,50

dapat lulus tepat waktu meskipun

dengan kemungkinan yang terjadi

sangat kecil, mengingat berdasarkan

gambar 19 tingkat kelulusan untuk

interval kedua nilai IPK ini sangat

rendah.

6. Kelulusan Tepat Waktu

Berdasarkan Nilai Mata Kuliah

Hasil analisis kelulusan

berdasarkan nilai mata kuliah dapat

diketahui untuk yang bernilai A paling

banyak menghasilkan kelulusan yaitu

mata kuliah Pengantar Ilmu Komputer

dengan persentasi 53.53% lulus tepat

waktu, sedangkan untuk mata kuliah

yang bernilai B paling banyak

menghasilkan kelulusan yaitu mata

kuliah Matematika Dasar dengan

persentasi kelulusan 57,57% lulus tepat

waktu. Sedangkan untuk mata kuliah

yang bernilai C didapat PKn dengan

persentasi 16,16%.

Gambar 9. Kelulusan Tepat Waktu

Berdasarkan Nilai Mata Kuliah

Terlihat bahwa prediksi mahasiswa

dengan presentasi lulus tepat waktu

untuk mata kuliah yang paling

berpengaruh terhadap kelulusan tepat

waktu adalah Pengantar Ilmu Komputer

dan Matematikan Dasar nilai A dan B,

hal ini dapat menjadi acuan pagi

mahasiswa yang berpotensi lulus tepat

waktu untuk berusaha mendapat nilai

terbaik dari kedua mata kuliah ini.

Dikarenakan kedua mata kuliah ini

memiliki nilai persentasi kemungkinan

untuk lulus tepat sebesar 53,53% dan

57,57% dengan tidak mengabaikan nilai

mata kuliah lainya.

Analisis Kelulusan Tidak Tepat

Waktu

1. Kelulusan Tidak Tepat Waktu

Berdasarkan Jenis Kelamin

Hasil analisis untuk kelulusan tidak

tepat waktu berdasarkan jenis kelamin

dapat diketahui bahwa untuk jenis

kelamin laki-laki yang tidak lulus tepat

waktu berjumlah 194 mahasiwa,

sedangkan untuk jenis kelamin

perempuan berjumlah 20 mahasiwa dari

total 214 data kelulusan yang tidak tepat

waktu.

0

10

20

30

40

50

60Ju

mla

h L

ulu

san

Indeks Prestasi Komulatif

3,51 - 4,00

3,01 - 3,50

2,51 - 3,00

0,00 - 2,50

0

20

40

60

Jum

lah

Lu

lusa

n

A

B

C

D

E

Page 9: PREDIKSI TINGKAT KELULUSAN MAHASISWA …perpustakaan.fmipa.unpak.ac.id/file/Prediksi Tingkat Kelulusan...merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh

9

Gambar 10. Kelulusan Tidak Tepat

Waktu Berdasarkan Jenis Kelamin

Terlihat bahwa prediksi mahasiswa

dengan presentasi lulus tidak tepat

waktu untuk jenis kelamin laki-laki

cenderung lebih dominan dari pada

perempuan. Hal ini sangat wajar

mengingat mayoritas mahasiwa di

Program Studi Ilmu Komputer berjenis

kelamin laki-laki.

2. Kelulusan Tidak Tepat Waktu

Berdasarkan Asal Daerah

Hasil analisis untuk kelulusan tidak

tepat waktu berdasarkan asal daerah

dapat diketahui bahwa untuk mahasiswa

yang berasal dari Bogor jumlah lulusan

yang tidak tepat waktu berjumlah 137

mahasiswa, sedangkan untuk asal

daerah dari luar Bogor berjumlah 77

mahasiswa dari total 214 data kelulusan

yang tidak tepat waktu.

Gambar 11. Kelulusan Tidak Tepat

Waktu Berdasarkan Jenis Kelamin

Terlihat bahwa prediksi mahasiswa

dengan presentasi lulus tidak tepat

waktu untuk atribut asal daerah yang

berasal dari Bogor cenderung lebih

dominan dari pada luar Bogor. Hal ini

sangat wajar mengingat mayoritas

mahasiwa di Program Studi Ilmu

Komputer berasal dari Bogor dan

ditunjang dari lokasi Universitas

Pakuan yang berlokasi di Jalan Pakuan,

Tegallega, Bogor Tengah, Kota Bogor,

Jawa Barat.

3. Kelulusan Tidak Tepat Waktu

Berdasarkan Agama

Hasil analisis kelulusan tidak tepat

tepat waktu berdasarkan agama dapat

diketahui untuk yang beragama islam

berjumlah 204 orang, beragama

protestan 9 orang, untuk yang beragama

hindu 1 orang, sedangkan tidak ada dari

yang beragama khatoliq dan budha yang

lulus tidak tepat waktu dengan total 214

data kelulusan yang tidak tepat waktu.

Gambar 12. Kelulusan Tidak Tepat

Waktu Berdasarkan Agama

Terlihat bahwa prediksi mahasiswa

dengan presentasi lulus tidak tepat

waktu untuk yang beragama islam

sangat dominan dari pada agama lainya.

Hal ini sangat wajar mengingat

mayoritas mahasiwa di Program Studi

Ilmu Komputer beragama islam.

4. Kelulusan Tidak Tepat Waktu

Berdasarkan Asal Sekolah

Hasil analisis kelulusan tidak tepat

waktu berdasarkan asal sekolah dapat

diketahui untuk asal sekolah yang

berasal dari Sekolah Menengah Atas

berjumlah 89 orang, dari Sekolah

Menengah Kejuruan berjumlah 115

orang, sedangkan dari Madrasah Aliyah

0

100

200

300Ju

mla

h L

ulu

san

Jenis Kelamin

Laki-Laki

Perempuan

0

50

100

150

Jum

lah

Lu

lusa

n

Asal Daerah

Bogor

Luar Bogor

0

50

100

150

200

250

Jum

lah

Lu

lusa

n

Agama

Islam

Khatoliq

Protestan

Hindu

Budha

Page 10: PREDIKSI TINGKAT KELULUSAN MAHASISWA …perpustakaan.fmipa.unpak.ac.id/file/Prediksi Tingkat Kelulusan...merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh

10

berjumlah 8 orang, dan dari lainya

berjuumlah 2 orang dari total 214 data

kelulusan tidak tepat waktu

Gambar 13. Kelulusan Tidak Tepat

Waktu Berdasarkan Asal Sekolah

Terlihat bahwa prediksi mahasiswa

dengan presentasi lulus tidak tepat

waktu untuk yang berasal dari Sekolah

Menengah Kejuruan lebih dominan dari

pada yang berasal dari Sekolah

Menengah Atas, Madrasah Aliyah dan

lainya. Hal ini dapat dimungkinkan

bahwa tidak semua yang berasal dari

Sekolah Menengah Kejuruan dapat

lulus tepat waktu meskipun sudah

memiliki dasar-dasar pengetahuan

tentang ilmu komputer, ada banyak

faktor lainya yang bisa menyebabkan

tidak lulus tepat waktu itu terjadi

diantaranya cuti kuliah.

5. Kelulusan Tidak Tepat Waktu

Berdasarkan Indeks Prestasi

Komulatif

Hasil analisis kelulusan tidak tepat

waktu berdasarkan Indeks Prestasi

Komulatif, dapat diketahui untuk IPK

dengan interval dari 3,51-4,00

menghasilkan lulusan tidak tepat waktu

sebanyak 12 mahasiwa. Untuk IPK

dengan inteval dari 3,01-3,50

menghasilkan lulusan tidak tepat waktu

sebanyak 94 mahasiwa, lalu untuk IPK

dengan interval dari 2,50-3,00

menghasilkan lulusan tidak tepat waktu

sebanyak 81 mahasiswa. Sedangkan

untuk IPK dengan interval dari 0,00-

2,50 mengasilkan lulusan tepat waktu

sebanyak 26 mahasiswa, dari total 214

data kelulusan tidak tepat waktu.

Gambar 14. Kelulusan Tidak Tepat

Waktu Berdasarkan IPK

Terlihat bahwa prediksi mahasiswa

dengan presentasi lulus tidak tepat

waktu berdasarkan Indeks Prestasi

Komulatif, ternyata untuk IPK yang

memiliki interval dari 3,01-3,50 justru

memiliki tingkat kelulusan tidak tepat

waktu yang lebih tinggi. Disusul

selanjutnya oleh nilai IPK dengan

interval 2,51-3,00 diposisi rangking no

2. Lalu ada nilai IPK dengan ainterval

dari 2,51 – 3,00 diposisi 3. Dan nilai

IPK dari interval 3,51-4,00 diposisi

terakhir. Hal ini dapat disimpulakan

bahwa nilai IPK tinggi bisa juga lulus

tidak tepat waktu meskipun persentasi

kemungkinannya kecil.

6. Kelulusan Tidak Tepat Waktu

Berdasarkan Nilai Mata Kuliah

Hasil analisis kelulusan tidak tepat

waktu berdasarkan nilai mata kuliah

dapat diketahui untuk yang bernilai C

paling banyak menghasilkan kelulusan

tidak tepat waktu yaitu mata kuliah

Fisika Dasar disusul untuk nilai B mata

kuliah Algoritma dan Pemograman II

meskipun persentasi nya lebih kecil dari

Fisika Dasar.

Terlihat bahwa prediksi mahasiswa

dengan presentasi lulus tidak tepat

waktu untuk mata kuliah yang paling

berpengaruh adalah Fisika Dasar. Hal

ini bisa menjadi acuan bagi Program

Studi agar lebih dioptimalkan dalam

0

50

100

150

Jum

lah

Lu

lusa

n

Asal Sekolah

SMA

SMK

MA

Lainya 0

20

40

60

80

100

Jum

lah

Lu

lusa

n

Indeks Prestasi Komulatif

3,51 - 4,00

3,01 - 3,50

2,51 - 3,00

0 - 2,50

Page 11: PREDIKSI TINGKAT KELULUSAN MAHASISWA …perpustakaan.fmipa.unpak.ac.id/file/Prediksi Tingkat Kelulusan...merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh

11

perkuliahan terutama untuk mata kuliah

Fisika Dasar yang paling berpengaruh

pada ketidak lulusan tepat waktu

mahasiswa. Gambar 14 menjelaskan

tentang analisis kelulusan tidak tepat

waktu berdasarkan nilai mata kuliah.

Gambar 15. Kelulusan Tidak Tepat

Waktu Berdasarkan Mata Kuliah

Manfaat Bagi Program Studi

Manfaat bagi program studi

dilakukannya prediksi tingkat kelulusan

untuk Program Studi Ilmu Komputer

Fakultas Matematika dan Ilmu

Pengetahuan Alam Universitas Pakuan

bertujuan agar diperolehnya gambaran

awal mengenai tingkat kelulusan

mahasiswa sebagai bagian dari evaluasi

program studi, sehingga 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.

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 fokus dan giat lagi

untuk meraih nilai yang terbaik tiap

semesternya.

Validasi K-Fold Cross Validation

Berikut ini merupakan hasil

validasi menggunakan K-Fold Cross

Validation. Data penelitian dibagi

kedalam 4 partisi (tabel 6) dimana

setiap persentasi data menjadi 75%

untuk data latih dan 25% untuk data uji.

Hasil untuk validasi K-Fold dapat

dilihat pada tabel 1.

Tabel 1. Hasil Validasi K-Fold

No Percobaan Akurasi

1 K1 77,68%

2 K2 68,59%

3 K3 77,68%

4 K4 71,90%

Presentasi untuk keseluruhan data

penelitian:

𝐴𝑘𝑢𝑟𝑎𝑠𝑖 =𝐾1 + 𝐾2 + 𝐾3 + 𝐾4

Total pengujian

𝐴𝑘𝑢𝑟𝑎𝑠𝑖

=77,68% + 68,59% + 77,68% + 71,90%

4

= 73,96%

Dari pengujian menggunakan K-

Fold Cross Validation diatas, diketahui

untuk akurasi tertinggi yaitu mencapai

nilai 77,68% berada pada percobaan ke

1 dan 3. Sedangkan untuk persentasi

akurasi keluruhan pengujian didapatkan

bahwa tingkat akurasi yang dimiliki

oleh jaringan backpropagation ini

adalah 73,96%.

KESIMPULAN

Prediksi kelulusan mahasiswa

Program Studi Ilmu Komputer Fakultas

Matematika dan Ilmu Pengetahuan

Alam Universitas Pakuan Bogor dengan

menggunakan Artificial Neural Network

Backpropagation mengasilkan data

output berupa ketepatan waktu lulus

mahasiswa, yaitu lulus tepat waktu atau

tidak tepat waktu. Sistem ini diolah

menggunakan software Matlab2008.

Atribut yang bisa digunakan yaitu

sebanyak 15 atribut yang terdiri dari

jenis kelamin, asal daerah, agama, asal

sekolah, Indeks Prestasi Komulatif,

nilai matakuliah dan kelulusan.

0

50

100

150

Jum

lah

Lu

lusa

n

A

B

C

D

E

Page 12: PREDIKSI TINGKAT KELULUSAN MAHASISWA …perpustakaan.fmipa.unpak.ac.id/file/Prediksi Tingkat Kelulusan...merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh

12

Arsitektur Backpropagation terbaik

untuk penelitian ini menggunakan

arsitektur 15-10-1. Terdiri dari 1 lapisan

input dengan 15 neuron, 1 lapisan

hidden layer dengan 10 neuron dan 1

lapisan output dengan 1 neuron. Untuk

menilai tingkat akurasi dari penelitian

ini dilakukan dengan menggunakan

metode K-Fold Cross Validation

dengan dipagi menjadi 4 kali pengujian

dengan menghasilkan tingkat akurasi

sebesar 73,46%.

Hasil analisis prediksi kelulusan

dapat dilihat dari atribut data kategorik

mahasiswa yang lebih dominan

terhadap kelulusan adalah jenis kelamin

laki-laki, asal daerah dari Bogor,

beragama islam, serta asal sekolah dari

SMK. Dengan tingkat IPK dari 3,01-

3,50 sebanyak 43,43%, 3,51-4,00

sebanyak 50,5% dan lainya berkisar

6,07%. Untuk mata kuliah yang paling

berpengaruh pada kelulusan adalah

Matematika Dasar dengan presentasi

57,57% untuk nilai A, dan Pengantar

Ilmu Komputer sebesar 53,53% untuk

nilai B.

DAFTAR PUSTAKA

Ansari R. 2016. Prediksi Kelulusan

Mahasiswa Dengan Jaringan

Syaraf Tiruan. JTIULM - Volume

1, Nomor 1.

Fausett L. 1994. Fundamentals of

Neural Netrowk. Prentice Hall,

Englewood Cliffs, New Jersey.

Fithri D L, Darmanto E. 2014. Sistem

Pendukung Keputusan Untuk

Memprediksi Kelulusan Mahasiswa

Menggunakan Metode Naïve Bayes.

Prosiding SNATIF. ISBN: 978-

602-1180-04-4.

Kantardzic M. 2003. Data Mining :

Concepts, Models, Methods, and

Algorithms. USA : John Wiley &

So.

Kementerian Pendidikan Nasional

dan Kebudayaan RI. 2017. Badan

Akreditasi Nasional Perguruan

Tinggi.

Kusumadewi S, Hartati S. 2010.

Neuro-Fuzzy. Integrasi Sistem

Fuzzy & Jaringan Syaraf.

Yogyakarta. Graha Ilmu.

Kusumawati D, Winarno W W. 2015.

Prediksi Kelulusan Mahasiswa

Menggunakan Metode Neural

Network dan Particle Swarm

Optimization. STMIK AMIKOM

Yogyakarta. ISSN : 2302-3805.

Puspitaningrum. 2006. Pengantar

Jaringan Saraf Tiruan. Yogyakarta.

Andi.

Santoso. 2007. Metodologi Penelitian

Kuantitatif & Kualitatif. Jakarta.

Prestasi Pustaka Publisher.

Siang, J J. 2005. Jaringan Syaraf

Tiruan dan Pemogramannya

Menggunakan Matlab. Yogyakarta.

Andi

Susanto S, Suryadi D. 2010.

Pengantar Data Mining: Menggali

Pengetahuan Dari Bongkahan

Data. Yogyakarta. Andi.

Ujianti D H, Affandy. 2014. Rancang

Bangun Aplikasi Data Mining

Untuk Prediksi Kelulusan

Mahasiswa Dengan Algoritma

Backpropagation Neural Netwok