Data IP Semester 1 Mahasiswa didapatkan dari data mahasiswa yang sudah lulus dari Vokasi APS, Akuntansi dan Pariwisata dari 2008-2011 dan dihasilkan Aplikasi yang diberi nama VokanPredictor.
Perkembangan Riset yang didapatkan adalah :
a. Antarmuka Aplikasi Vokan Predictor telah selesai dengan fitur-fitur sebagai berikut: Setelah Aplikasi Vokan Predictor dijalankan, maka dapat dilakukan pembuatan proyek baru dengan menekan Create New seperti yang ditunjukkan Gambar 5.1.
Gambar 5.1 Antarmuka Aplikasi Vokan Predictor
b. Antarmuka Pembuatan New Project Predictor
Setelah Project dibuat harus ditentukan tahun dari data penelitian, dalam hal ini data diambil dari Data Test Masuk Mahasiswa Vokasi Akuntansi Universitas Indonesia melalui jalur SIMAK dan UBER yang dimulai tahun 2008 -2011 seperti yang ditunjukkan Gambar 5.2
c. Antarmuka Pengambilan data yang akan diprediksi dan ditraining
Setelah tahun ditentukan maka dilakukan pengambilan data yang akan ditraining menggunakan Algoritma Genetika. Dalam hal ini dilakukan analisis dan prediksi IPK
Mahasiswa Vokasi Akuntansi berdasarkan Tes Masuk dan Prediksi IPK berdasarkan Mata Kuliah yang telah diambil.
Mata Kuliah yang diambil menggunakan Mata Kuliah Semester 1 dimana Mata kuliah ini merupakan dasar dan prasyarat untuk mengambil mata kuliah lain seperti yang ditunjukkan gambar 5.3. Jenis File yang dapat diambil berekstensi XLS (Microsoft Excel 2003) dan csv.
Gambar 5.2 Antarmuka New Project Vokan Predictor
d. Antarmuka Pemilihan Variabel yang akan digunakan
Setelah File data dari Excel atau CSV diambil akan ditanyakan field yang akan dianalisis dan ditraining yaitu : Nomor, Nilai Tes Masuk, IPK, dan mata kuliah semester 1 vokasi Akuntansi yaitu : Pengantar Akuntansi 1, Lab Pengantar Akuntansi 1, Pengantar Bisnis, Pengantar Ekonomi 1, Matematika Keuangan, Lab Aplikasi Komputer, Bahasa Inggris seperti yang ditunjukkan Gambar 5.4
Gambar 5.4 Antarmuka pemilihan variabel yang digunakan untuk prediksi
e. Antarmuka Deskripsi Variabel
Setelah field data yang dibutuhkan dimasukkan ke dalam program, maka field field tersebut dapat didefinisikan agar lebih mudah dalam melakukan analisis seperti yang ditunjukkan Gambar 5.5
Gambar 5.5 Antarmuka deskripsi variabel yang digunakan untuk prediksi f. Antarmuka analisis data menggunakan Genetic Algorithm
Setelah didefinikan maka dilakukan Proses Training menggunakan Algoritma Genetika dimana Algoritma tersebut sangat sesuai digunakan untuk menganalisis data yang yang dimodelkan dengan proses evolusi dan biologi. Mahasiswa baru memerlukan adaptasi agar dapat mengikuti dan berhasil dalam studi di universitas dimana pola belajar lama (semasa sekolah SMU) berbeda dengan universitas termasuk adaptasi dengan lingkungan dan cara belajar karena itu penggunaan Algoritma Genetika sangat sesuai dengan kondisi tersebut. Variabel yang dibutuhkan adalah variabel dependen (terikat) dimana variabel ini nilainya tergantung dari variabel variabel independen (variabel bebas).
Gambar 5.6 Antarmuka Analisis Menggunakan Genetic Algorithm untuk IPK Kelulusan dan IP Semester 1 serta jurusan
Untuk analisis kedua menggunakan variabel dependen IPK dan variabel independen IP Semester 1 Mahasiswa Vokasi yang sudah lulus untuk Vokasi Akuntansi, APS dan Pariwisata seperti yang ditunjukkan gambar 5.6
g. Antarmuka variabel sebelum pembelajaran
Setelah Variabel dependen dan independen dipilih maka akan ditampilkan grafik data sebelum proses training (pembelajaran). Untuk Pembelajaran menggunakan 2 metode yaitu : Paralel GA dan Simple GA dimana perbedaannya lebih dari cara melakukan algoritma genetik. Untuk Paralel GA proses algoritma genetik dilakukan di beberapa titik secara bersamaan karena itu perlu diatur crossover nya yang mempengaruhi dari siapa saja yang berperanan mempengaruhi variabel dependen secara bersamaan (1 titik, n titik, uniform, aritmatik) serta kecepatan mempengaruhinya. Selain itu variabel mutasi dapat diset untuk mengetahui tingkat adaptasi mahasiswa terhadap perubahan metode belajar. Pengaturan Populasi dan Generation diperlukan untuk algoritma genetik ini dimana itu mempengaruhi seberapa pintar jaringan belajar. Ada beberapa pola belajar yang membutuhkan populasi dan generation lebih banyak dari nilai default yang diberikan, karena itu diberikan field untuk memodifikasi populasi dan generation. Agar hasil MPE, MSE positif dapat diset dari range koefisiennya antara 0 dan 1 serta jika dalam proses pembelajaran tidak didapatkan pola prediksi yang mirip dengan aktual maka dapat diubah
dari nilai kromosomnya, dalam hal ini berarti diperlukan beberapa variasi dan tambahan metode pembelajaran baru untuk meningkatkan IPK.Tipe seleksi juga harus ditentukan apakah menggunakan metode Roulette, Rank atau Tournamen
Gambar 5.7 File yang digunakan untuk Analisis Menggunakan Genetic Algorithm untuk IPK dan Tes Masuk
Untuk field dalam file excel tentang klasifikasi berdasarkan data IPK dan IP dimana dalam kelulusan terdapat predikat cum laude, sangat memuaskan dan memuaskan, sehingga data harus diklasifikasi menjadi numerik agar dapat dilakukan prediksi dan analisis menggunakan algoritma genetika. Dalam klasifikasi ini diberikan nilai 3 untuk predikat cum laude, 2 untuk sangat memuaskan dan 1 untuk memuaskan
Gambar 5.9 Antarmuka variabel sebelum pembelajaran untuk Jurusan Vokasi Administrasi Perkantoran dan Sekretaris (APS)
Gambar 5.10 Antarmuka variabel sebelum pembelajaran untuk Jurusan Vokasi Pariwisata
h. Antarmuka variabel saat pembelajaran
Setelah dikonfigurasi pada bagian metode GA, crossover, Mutation, population, Max Genetarion, Crossover, Type Selection, Koefisien untuk mendapatkan pola prediksi yang mirip dengan aktual dimana MSE dan MPE yang didapatkan MSE = 0.1186 dan MPE=0.1232 seperti yang ditunjukkan gambar 5.8 maka dapat dipilih report dan mempersiapkan untuk prediksi.
i. Antarmuka pemilihan variabel yang ditampilkan untuk prediksi
Setelah hasil pembelajaran didapatkan maka dibuat report yang berisi analisis Statistik dari pembelajaran. Penelitian ini dibatasi hanya membahas tentang variabel algoritma Genetika dibandingkan dengan Statistik dimana akan diberikan kesimpulan untuk perbandingan model aktual dan prediksi, Statistik deskriptif, Parameter GA, Grafik perbandingan
Prediksi dan Aktual, Residual dan MSE yang bersifat opsional seperti yang ditunjukkan gambar 5.10
Gambar 5.14 Antarmuka pemilihan variabel yang ditampilkan untuk prediksi
j. Antarmuka model Genetic Algorithm
Gambar 5.15 Antarmuka model Genetic Algorithm k. Antarmuka variabel Genetic Algorithm
Gambar 5.16 Antarmuka parameter Genetic Algorithm l.Antarmuka perbandingan variabel actual dan predicted
Antarmuka perbandingan variabel actual dan predicted
Gambar 5.18 Antarmuka perbandingan variabel actual dan predicted Vokasi APS
Gambar 5.19 Antarmuka perbandingan variabel actual dan predicted Vokasi Pariwisata
Antarmuka perbandingan grafik variabel actual dan predicted
Gambar 5.21 Antarmuka perbandingan grafis variabel actual dan predicted vokasi APS
Gambar 5.22 Antarmuka perbandingan grafis variabel actual dan predicted vokasi pariwisata
n. Antarmuka tampilan Residual Graph
Gambar 5.23 Antarmuka tampilan Residual Graph Vokasi Akuntansi
Gambar 5.25 Antarmuka tampilan Residual Graph Vokasi Pariwisata
o. Antarmuka tampilan MSE Graph
Gambar 5.26 Antarmuka tampilan MSE Graph Vokasi Akuntansi
Gambar 5.27 Antarmuka tampilan MSE Graph Vokasi APS
Gambar 5.28 Antarmuka tampilan MSE Graph Vokasi Pariwisata
Gambar 5.29 Antarmuka tampilan Statistic Descriptive Vokasi Akuntansi
Gambar 5.30 Antarmuka tampilan Statistic Descriptive Vokasi APS
Gambar 5.31 Antarmuka tampilan Statistic Descriptive Vokasi Pariwisata
q. Antar muka hasil prediksi
Setelah dibuatkan report maka dapat dilakukan prediksi IPK dengan input klasifikasi, ip semester 1. Dalam penelitian ini akan diprediksi berapa ip yang harus diperoleh untuk mendapatkan predikat cum laude, sangat memuaskan dan memuaskan untuk vokasi yang berbeda, yaitu akuntansi, aps dan pariwisata. yang dapat dilihat pada tabel 5.1
Tabel 5.1 Perbandingan IP Semester 1 Vokasi Akuntansi, APS, Pariwisata
Akuntansi APS Pariwisata
Cum Laude:3.0 Sangat Memuaskan:2.4 Cum Laude:3.7 Sangat Memuaskan :3 Cum Laude : 3.1 Sangat Memuaskan:2.7
Untuk Vokasi Akuntansi dapat dianalisis dari tabel 5.1 dimana untuk mendapatkan predikat cum laude ip semester 1 yang diperoleh minimum 3 memang terlihat sedikit lebih rendah daripada pariwisata juga untuk mendapatkan predikat sangat memuaskan dengan IP semester 1 2.4 tetapi yang menarik dari Vokasi Akuntansi disini adalah untuk IP hanya 2 masih mendapatkan IPK kelulusan yang mendekati predikat memuaskan, ini artinya di vokasi akuntansi IP semester 1 yang relatif rendah tidak dapat dijadikan acuan untuk memprediksi kelulusan, karena cukup banyak kejadian IP semester 1 dibawah 2 tetapi dapat lulus dengan IPK diatas 3, dan hal ini dimungkinkan karena mahasiswa terbantu dengan adanya semester pendek dimana mereka dapat mengulang matakuliah yang tidak lulus sehingga dapat memperbaiki nilai mereka.
Untuk Vokasi APS prediksi predikat cum laude dapat langsung terlihat dari IP semester 1, dimana mahasiswa yang IP semester 1 diatas 3.5 akan mendapatkan predikat cum laude tetapi ketika IP semester 1 kurang dari 3, mahasiswa akan sangat sulit untuk mendapatkan predikat sangat memuaskan, dan bahkan bisa DO dan disini keunikan Vokasi APS dimana untuk dapat berhasil memang IP Semester 1 harus baik dalam arti mendapatkan minimal 3 untuk dapat lulus di Vokasi APS
Untuk Vokasi Pariwisata yang ditunjukkan tabel 5.1 dan gambar 5.24 untuk mendapatkan Cum Laude Mahasiswa Vokasi Pariwisata minimum mempunyai IP Semester 1 3.1 dan untuk sangat memuaskan minimum IP semester 1 2.7, yang unik disini ketika mahasiswa mendapatkan IP Semester 1 dibawah 2.7 maka akan sulit untuk mendapatkan predikat sangat memuaskan sehingga terdapat mahasiswa yang lulus dengan predikat memuaskan. Ada beberapa mahasiswa disini dengan IPK 2.4 dapat lulus dari vokasi pariwisata.
Gambar 5.32 Antarmuka Input Hasil Prediksi Kelulusan Vokasi Akuntansi
Gambar 5.33 Antarmuka Input Hasil Prediksi Kelulusan Vokasi APS
Gambar 5.34 Antarmuka Input Hasil Prediksi Kelulusan Vokasi Pariwisata
Penggunaan aplikasi ini membutuhkan komputer dengan konfigurasi minimum sebagai berikut: 1. Kebutuhan perangkat keras untuk Aplikasi UI Predictor:
a. Prosesor 2.0 GHz, 512KB L2 cache b. RAM 512 MB DDR2
c. Kebutuhan Harddisk
- 300 MB untuk instalasi .NET Framework 2.0 - 6 MB untuk instalasi aplikasi ini
d. VGA dengan resolusi layar 1024 x 768 2. Kebutuhan piranti lunak
a. Operating Sistem yang bisa digunakan untuk menjalankan aplikasi ini antara lain: - Microsoft windows XP Service Pack 2
- Microsoft Windows Vista™ Home Basic Version 6.0 Build 6000 b. Windows Installer version 3.0