BAB II. TINJAUAN PUSTAKA
2.2 Jaringan Syaraf Tiruan (JST)
2.2.7 Jaringan Saraf Tiruan Backpropagation / Propagasi Balik
Backpropagation adalah metode penurunan gradien untuk meminimalkan kuadrat error keluaran. Ada tiga tahap yang harus dilakukan dalam pelatihan jaringan, yaitu : tahap perambatan maju (forward propagation) , tahap perambatan-balik, dan tahap perubahan bobot dan bias. Arsitektur jaringan ini terdiri dari input layer, hidden layer dan output layer seperti pada Gambar 7.16. Sinyal input dipropagasikan ke arah depan (arah lapisan output), lapisan demi lapisan. Jenis jaringan ini adalah hasil generalisasi dari arsitektur perceptorn satu lapisan, jadi biasa disebut sebagai multilayer perceptorn (MLPs).
Error back propagation adalah algoritma MLPs yang menggunakan prinsip supervised learning. Propagasi balik (ke arah lapisan input) terjadi setelah jaringan menghasilkan output yang mengandung error. Pada fase ini seluruh bobot synaptic (yang tidak memiliki aktivasi nol) dalam jaringan akan disesuaikan untuk mengkoreksi/memperkecil error yang terjadi (error correction rule).
Gambar 2.16 : Jaringan syaraf backpropagation dengan satu lapisan tersembunyi.
Jaringan Syaraf backpropagation memiliki tahapan algoritma sebagai berikut.
1. Inisialisasi bobot (ambil nilai random yang cukup kecil).
2. Selama kondisi berhenti bernilai salah, kerjakan :
Tahap Perambatan Maju (forward propagation)
a. Setiap unit input (Xi, i=1,2,3,...,n) menerima sinyal xi dan meneruskan sinyal tersebut ke semua unit pada lapisan tersembunyi.
b. Setiap unit tersembunyi (Zi, j=1,2,3,...,p) menjumlahkan bobot sinyal input dengan persamaan berikut:
Dan menerapkan fungsi aktivasi untuk menghitung sinyal outputnya : zj = f(z_inj) ... (2-25)
biasanya fungsi aktivasi yang digunakan adalah fungsi sigmoid. kemudian mengirimkan sinyal tersebut ke semua unit output.
c. Setiap unit output (Yk, k=1,2,3,...,m) menjumlahkan bobot sinyal input
Dan menerapkan fungsi aktivasi untuk menghitung sinyal outputnya : yk = f(y_ink) ... (2-27)
Tahap Perambatan-Balik (Backpropagation)
d. Setiap unit output (Yk, k=1,2,3,...,m) menerima pola target yang sesuai dengan pola input pelatihan, kemudian hitung error dengan persamaan berikut:
k = (tk – yk) f’(y_ink) ... (2-28) f ‘ adalah turunan dari fungsi aktivasi
kemudian hitung koreksi bobot dengan persaamaan berikut:
wjk = k zj ... (2-29) Dan menghitung koreksi bias dengan persamaan berikut :
w0k = k ... (2-30) Sekaligus mengirimkan k ke unit-unit yang ada di lapisan paling kanan.
e. Setiap unit tersembunyi (Zj, j=1,2,3,...,p) menjumlahkan delta inputnya (dari unit-unit yang berada pada lapisan di kanannya):
untuk menghitung informasi error, kalikan nilai ini dengan turunan dari fungsi aktivasinya:
j = _inj f’(z_inj) ... (2-32)
kemudian hitung koreksi bobot dengan persamaan berikut:
vjk = j xi ... (2-33) Setelah itu hitung juga koreksi bias dengan persamaan berikut:
v0j = j ... (2-34)
Tahap Perubahan Bobot dan Bias
f. Setiap unit output (Yk, k=1,2,3,...,m) dilakukan perubahan bobot dan bias (j=0,1,2,...,p) dengan persamaan berikut:
wjk(baru) = wjk(lama) + wjk ... (2-35) Setiap unit tersembunyi (Zj, j=1,2,3,...,p) dilakukan perubahan bobot dan bias (i=0,1,2,...,n) dengan persamaan berikut:
vij(baru) = vij(lama) + vij ... (2-36) g. Tes kondisi berhenti [9].
29 BAB III
METODE PENELITIAN
Bab metode penelitian ini membahas mengenai tahapan penelitian, objek penelitian, tipe dan desain penelitian, jenis data, metode pengumpulan data, perancangan arsitektur Jaringan Syaraf Tiruan Propagasi Balik (JST-PB), perancangan pelatihan jaringan hingga analisa data dan penarikan kesimpulan.
3.1 Tahapan Penelitian
Secara umum, tahapan penelitian dengan menggunakan aplikasi jaringan syaraf tiruan umpan-maju perambatan-balik (JST-PB) seperti ditunjukkan pada Gambar 3.1.
Gambar 3.1: Tahapan Pengembangan Aplikasi JST-PB untuk megukur Regresi Keaktifan Mahasiswa di Organisasi Mahasiswa dengan Prestasi Akademik
Mahasiswa
Pada penelitian ini digunakan metode JST-PB dengan pertimbangan metode ini sangat baik dalam menangani masalah pengenalan pola-pola kompleks dan non-linier [5].
Arsitektur Jaringan : 1 lapisan input 3 sel
1 lapisan tersembunyi (jumlah sel ditetapkan secara random) 1 lapisan output 1 sel
Penentuan Pola : Variabel Input : X1 = Jumlah Kelompok Kajian yang dibina X2 = Prestasi organisasi X3 = Jumlah, Jabatan dan Tingkat Organisasi Variabel Output : IPK
Pelatihan Jaringan
Keaktifan Mahasiswa :
- Jumlah Kelompok Kajian yang dibina
- Prestasi organisasi - Jabatan Dalam Organisasi - Tingkat Organisasi
- Jumlah Organisasi yang diikuti
3.2 Objek Penelitian
Dalam bagian ini akan diungkapkan mengenai karakteristik objek yang menjadi sampel dalam penelitian ini. Selanjutnya juga akan disampaikan besar sampel dalam penelitian ini.
3.2.1 Karakteristik Objek Penelitian
Karakteristik objek dalam penelitian ini adalah :
a. Objek penelitian adalah aktivis organisasi mahasiswa di Indonesia yang tergabung dalam organisasi Masyarakat Ilmuwan dan Teknolog Indonesia Cluster Mahasiswa (MITI Mahasiswa)
b. Objek Penelitian berasal dari 36 Kampus di Indonesia yaitu : 1. Institut Pertanian Bogor (IPB)
2. Institut Teknologi Bandung (ITB)
3. Institut Teknologi Sepuluh Nopember (ITS), Surabaya 4. Universitas Lambung Mangkurat (Unilamb), Banjarmasin 5. Politeknik Negeri Semarang (POLINES)
6. Politeknik Negeri Pontianak (POLNEP) 7. Universitas Sriwijaya, Palembang 8. Universitas Brawijaya, Malang
9. Universitas Gajah Mada (UGM), Jogjakarta 10. Universitas Indonesia (UI), Jakarta
11. Universitas Islam Negeri Jakarta (UIN JKT)
12. Universitas Islam Negeri Sunan Gunung Djati (UIN SGD) Bandung 13. Universitas Muhammadyah Malang (UMM)
14. Universitas Airlangga (UNAIR)
15. Universitas Diponegoro (UNDIP), Semarang
16. Universitas Negeri Medan (Unimed)
17. Universitas Haluoleo, Kendari, Sulawesi Tengah 18. Universitas Jember
19. Universitas Negeri Gorontalo 20. Universitas Hasanuddin, Makassar 21. Universitas Syiah Kuala, Banda Aceh 22. Universitas Andalas, Padang
23. Universitas Jambi 24. Universitas Lampung 25. Universitas Negeri Padang 26. Universitas Negeri Jakarta (UNJ) 27. Universitas Negeri Semarang (UNNES)
28. Universitas Islam Sultan Agung (UNNISSULA), Semarang 29. Universitas Padjajaran (UNPAD), Bandung
30. Universitas Mataram (UNRAM)
31. Universitas Negeri Sebelas Maret (UNS), Surakarta 32. Universitas Tanjungpura (UNTAN), Pontianak
33. Universitas Sultan Ageng Tirtayasa (UNTIRTA), Tangerang 34. Universitas Udayana (UNUD), Denpasar, Bali
35. Universitas Pendidikan Indonesia (UPI), Bandung 36. Universitas Sumatera Utara (USU), Medan
c. Objek penelitian merupakan mahasiswa semester 2 – 8
d. Objek penelitian merupakan mahasiswa dengan IPK diatas 2.75, dan atau membina kelokpok kajian keislaman, dan atau memiliki prestasi organisasi, dan atau aktif dalam organisasi mahasiswa.
e. Objek penelitian merupakan peserta ajang MITI Awards yaitu penghargaan terhadap mahasiswa yang memiliki prestasi akademik dan organisasi.
3.2.2 Cara Pengambilan Sampel
Cara pengambilan sampel dalam penelitian ini adalah cara bukan acak. Cara bukan acak adalah suatu cara pemilihan elemen-elemen dari populasi untuk menjadi anggota sampel kalau setiap elemen tidak mendapatkan kesempatan yang sama untuk dipilih. Cara bukan acak lebih bersifat subyektif dan samplingnya disebut nonprobability sampling, artinya, setiap elemen tidak mempunyai probabilitas yang sama untuk dipilih [10].
3.2.3 Besar Sampel Penelitian
Besar sampel dalam penelitian ini sejumlah 243 mahasiswa anggota MITI Mahasiswa. Hal ini disebabkan karena penggunaan sampel yang besar dalam penelitian dianggap akan menghasilkan perhitungan statistik yang lebih akurat daripada sampel dalam jumlah kecil. Kerlinger dan lee (2000) menyarankan sebanyak 30 sampel sebagai jumlah minimal dalam penelitian [11]. Jumlah data yang akan dilatihkan pada jaringan sebanyak 243 data.
Gambar 3.2: Data yang digunakan untuk pelatihan JST
No X1 X2 X3 Y
1 2 . . 242 243
Data Pelatihan
3.3 Tipe dan Desain Penelitian
Penelitian ini berusaha untuk menggambarkan hubungan antara keaktifan mahasiswa di organisasi dengan prestasi akademik mahasiswa. Penelitian ini termasuk dalam non-experimental design, yaitu melakukan pengamatan terhadap fenomena da berusaha menjelaskan hal-hal yang menyebabkan fenomena tersebut terjadi [11].
Kemudian jika dilihat dari tujuanya, penelitian ini merupakan penelitian korelasional. Hal ini disebabkan karena peneliti ingin mengetahui kemungkinan hubungan antara dua aspek atau lebih dari suatu fenomena. Dalam hal ini, peneliti ingin mengetahui hubungan antara keaktifan mahasiswa di organisasi (variable input) dengan prestasi akademik mahasiswa (variable output).
3.4 Jenis Data Penelitian yang Digunakan
Jenis data yang digunakan dalam penelitian ini adalah sebagai berikut.
a. Menurut sifatnya, data yang digunakan adalah data kuantitatif, yaitu data dalam bentuk angka. Data kuantitatif lebih kongkrit dan lebih jelas.
b. Menurut cara memperolehnya, data yang digunakan adalah data primer, yaitu data yang dikumpulkan dan diolah sendiri oleh suatu organisasi atau perseorangan langsung dari objeknya.
c. Menurut waktu pengumpulanya, data yang digunakan adalah data cross section, yaitu data yang dikumpulkan pada suatu waktu tertentu (at a point of time) yang bisa menggambarkan atau keadaan atau kegiatan pada waktu tersebut [8].
3.5 Metode Pengumpulan Data
Pengumpulan data dilakukan bersamaan dengan kegiatan MITI Awards. Dari kuesioner peserta ajang MITI Awards, diambil beberapa variable yang dapat mengindikasikan keaktifan mahasiswa dalam organisasi dan prestasi akademik mahasiswa. Data-data yang digunakan dalam penelitian ini kemudian mengambil variabel input berupa jumlah kelompok kajian yang dimiliki mahasiswa, jumlah organisasi yang diikuti mahasiswa tersebut, tingkatan organisasi dan prestasi keorganisasian mahasiswa. Sedangkan output berupa Indeks Prestasi Komulatif mahasiswa. Data yang semula berupa form kemudian di normalisasi sehingga diperoleh angka untuk kemudian dijadikan variabel input JST.
3.6 Perancangan Arsitektur JST Propagasi Balik
Arsitektur JST yang dipergunakan di sini adalah propagasi balik dengan cacah input tiga node, sebuah hidden layer dengan cacah node ditentukan secara acak, dan output dengan cacah node satu. Seluruh link synaptic terhubung penuh (fully connected), dengan fungsi aktivasi bipolar sigmoid.
Untuk meniadakan threshold dalam perhitungan, setiap lapisan diberikan node tambahan dengan nilai aktivasi selalu 1, dan bobot synaptic sama dengan nilai threshold node tempat ia terhubung. Skema JST sebagai berikut :
1. Satu lapisan masukan yang terdiri atas 3 unit sel
2. Satu lapisan tersembunyi dengan jumlah unit sel yang ditentukan secara acak 3. Satu lapisan keluaran berjumlah 1 unit sel
Gambar 3.3: Arsitektur JST-PB untuk megukur regresi Keaktifan Mahasiswa di Organisasi Mahasiswa
dengan Prestasi Akademik Mahasiswa
3.7 Perancangan Pelatihan Jaringan
Pelatihan dilakukan dengan menggunakan perangkat lunak (software) Matlab R2008a yang telah menyediakan fungsi-fungsi pelatihan dan pengujian pada jaringan syaraf tiruan dengan algoritma perambatan galat mundur (backpropagation).
Gambar 3.4: Tampilan Awal Program Matlab R2008a
Proses pelatihan dilakukan untuk mencari persamaan terbaik dengan cara melakukan pengukuran bobot dan bias secara berulang. Pengisian data latihan secara manual adalah dengan satu persatu memasukkan data secara berurut nomor 1 sampai dengan 243. Hasil pengukuran bobot dan bias tersebut kemudian disimpan, untuk selanjutnya dipilih persamaan yang menunjukkan angka paling sering muncul dan paling stabil atau tidak memiliki perbedaan yang terlalu jauh.
Gambar 3.5: Flowchart Pelatihan Jaringan
3.8 Analisa dan Penarikan Kesimpulan
Setelah persamaan yang dinilai terbaik didapatkan, dilakukan analisa data mengenai bobot pada jaringan yang digunakan sebagai koefisien regresi bernilai positif atau negatif, kemudian ditarik kesimpulan mengenai regresi yang dimiliki oleh variabel input dan output.
Mulai
Baca Data dan target
Simpan : Bobot
Bias
Normalisasi Data dan Target
Selesai Membangun Jaringan
Pelatihan Jaringan
39 BAB IV
HASIL PENELITIAN DAN PEMBAHASAN
4.1 Data Yang Digunakan
Sampel data yang akan diolah dalam JST adalah sebagai berikut.
Tabel 4.1: Data Mahasiswa yang akan digunakan dalam pelatihan JST.
1 Nama Lengkap Saifullah Said 2 TTL Makassar, 3 Mei 1988 3 Jenis Kelamin Laki-Laki
4 Univ/fak/jur/angkt Hasanuddin/FISIP/Ilmu Administrasi/2007
5 Email Mahad_ss898@yahoo.co.id/iphulmahad@gmail.com 6 No Hp 085299543478/085756174946
7 Alamat asal Jalan Trans Sulawesi Marisa Selatan, Gorontalo 8 Alamat (domisili univ) Jalan Damai No.10 Tamalanrea Indah, Makassar 9 Riwayat
Nama Lembaga (singkatan dari..)
Jabatan Tahun FiRe-C Fisip Research
Center
Direktur 2010 UKM-KPI Keilmuan dan
Penalaran hafal berapa juz di kolom ini)
Tabel 4.1: Data Mahasiswa yang akan digunakan dalam pelatihan JST (Lanjutan)
13 Binaan 1 kelompok 2 kelompok >2 kelompok Ket
Sehat Sehat Sehat
Tidak sehat Tidak sehat Tidak sehat
14 Bahasa Asing
Tabel 4.2: Data Mahasiswa yang akan diolah dalam pelatihan JST.
NamaLengkap Saifullah Said
Univ/fak/jur/angkt Hasanuddin/FISIP/Ilmu Administrasi/2007 Pengalaman
Organisasi
NamaLembaga (singkatandari..) Jabatan Tahun FiRe-C Fisip Research Center Direktur 2010 UKM-KPI Keilmuan dan Penalaran
Ilmiah
Regional KalSul 2009 Binaan 1 kelompok
IPK 3,25
Data-data yang diperlukan dalam perancangan aplikasi ini mengambil variabel input berupa jumlah kelompok kajian yang dimiliki mahasiswa, jumlah organisasi yang diikuti mahasiswa tersebut, tingkatan organisasi dan prestasi keorganisasian mahasiswa. Sedangkan output berupa Indeks Prestasi Komulatif mahasiswa.
4.2 Proses Normalisasi Data
Data pada tabel 4.2 pada sub bab 4.1 kemudian dinormalisasi dengan ketentuan sebagai berikut :
1. Jumlah Kelompok Binaan diinputkan pada jaringan sesuai angka sebenarnya.
2. Prestasi Organisasi, diinputkan pada jaringan dengan normalisasi data sebagai berikut :
Prestasi tingkat kampus/kota/kabupaten o Prestasi Individu
Juara 1 Point 4, Juara 2 Point 2, Juara 3 Point 1 o Prestasi Kelompok
Juara 1 Point 2, Juara 2 Point 1, Juara 3 Point 0.5
Prestasi tingkat regional / propinsi o Prestasi Individu
Juara 1 Point 6, Juara 2 Point 4, Juara 3 Point 2 o Prestasi Kelompok
Juara 1 Point 3, Juara 2 Point 2, Juara 3 Point 1
Prestasi tingkat nasional o Prestasi Individu
Juara 1 Point 8, Juara 2 Point 6, Juara 3 Point 3 o Prestasi Kelompok
Juara 1 Point 4, Juara 2 Point 3, Juara 3 Point 1.5
Prestasi tingkat internasional o Prestasi Individu
Juara 1 Point 10, Juara 2 Point 8, Juara 3 Point 4 o Prestasi Kelompok
Juara 1 Point 5, Juara 2 Point 4, Juara 3 Point 2
3. Organisasi yang diikuti, diinputkan pada jaringan dengan normalisasi data sebagai berikut :
Organisasi tingkat jurusan
Ketua Point 4, Pengurus Harian Point 2, Staff Point 1
Organisasi tingkat fakultas
Ketua Point 6, Pengurus Harian Point 4, Staff Point 2
Organisasi tingkat universitas
Ketua Point 8, Pengurus Harian Point 6, Staff Point 3
Organisasi tingkat daerah
Ketua Point 10, Pengurus Harian Point 8, Staff Point 4
Organisasi tingkat nasional
Ketua Point 12, Pengurus Harian Point 10, Staff Point 5
Organisasi tingkat internasional
Ketua Point 14, Pengurus Harian Point 12, Staff 6, Anggota Point 3 4. IPK, diinputkan pada jaringan dengan nilai sebenarnya.
Dengan ketentuan diatas, maka untuk data seperti pada tabel 4.2, hasil konversinya adalah sebagai berikut.
X1 = jumlah binaan
= 1
X2 = prestasi organisasi
= Juara 3 MITI Award tingkat Regional Kalsul
= prestasi tingkat regional / propinsi, prestasi individu, juara 3
= point 2
X3 = Pengalaman Organisasi
= Direktur Fire-C (Fisip Research Center)
= Organisasi tingkat fakultas (FISIP), Ketua
= point 6
Ditambahkan dengan Koordinator PSDM UKM-KPI
= Organisasi tingkat Universitas (UKM), PH (Koordinator PSDM)
= point 6
X3 = 6 + 6
=12
Y = IPK
= 3.25
Variabel-variabel diatas kemudian dimasukkan ke tabel data untuk dilatihkan ke Jaringan sebagai berikut.
Tabel 4.3: Proses Input Data yang akan digunaan untuk Pelatihan Jaringan.
Proses normalisasi tersebut kemudian dilakukan untuk keseluruhan data mahasiswa yang akan dilatihkan ke jaringan, sehingga menghasilkan data seperti pada tabel 4.4.
4.3 Data Hasil Normalisasi
Hasil normalisasi untuk seluruh data adalah sebagai berikut.
Tabel 4.4: Data yang akan digunakan untuk Pelatihan Jaringan.
No X1 X2 X3 Y
1 1 2 12 3,25
2 2 3 6 3,4
3 1 8 41 3,6
No X1 X2 X3 Y
1 1 2 12 3.25
Tabel 4.4: Data yang akan digunakan untuk Pelatihan Jaringan (Lanjutan).
No X1 X2 X3 Y
Tabel 4.4: Data yang akan digunakan untuk Pelatihan Jaringan (Lanjutan).
No X1 X2 X3 Y
Tabel 4.4: Data yang akan digunakan untuk Pelatihan Jaringan (Lanjutan).
No X1 X2 X3 Y
Tabel 4.4: Data yang akan digunakan untuk Pelatihan Jaringan (Lanjutan).
No X1 X2 X3 Y
Tabel 4.4: Data yang akan digunakan untuk Pelatihan Jaringan (Lanjutan).
No X1 X2 X3 Y
Tabel 4.4: Data yang akan digunakan untuk Pelatihan Jaringan (Lanjutan).
No X1 X2 X3 Y
Tabel 4.4: Data yang akan digunakan untuk Pelatihan Jaringan (Lanjutan).
No X1 X2 X3 Y
Tabel 4.4: Data yang akan digunakan untuk Pelatihan Jaringan (Lanjutan).
No X1 X2 X3 Y
Tabel 4.4: Data yang akan digunakan untuk Pelatihan Jaringan (Lanjutan).
No X1 X2 X3 Y
212 0 1 11 3,5
213 2 1 23 3,3
214 0 4 7 3,57
215 1 8 35 3,5
216 1 6.5 35 3,5
217 2 2 35 3,6
218 2 2 25 3,5
219 1 2 25 3,75
220 0 1 27 3,4
221 2 4 35 3
222 2 15 43 3,31
223 1 1 15 3,25
224 3 0 37 3,3
225 2 54 21 3,53
226 3 20 19 3,77
227 1 3 43 3,34
228 1 15 6 3,51
229 1 0 21 3,64
230 2 9 12 3,6
231 2 16 0 3,3
232 1 1 1 3,34
233 2 2 57 3,45
234 2 9 13 3,77
235 0 4 12 3,52
236 1 12 49 3,5
Tabel 4.4: Data yang akan digunakan untuk Pelatihan Jaringan (Lanjutan).
No X1 X2 X3 Y
237 1 7 27 3,15
238 2 0 4 3,01
239 1 0 3 3,29
240 2 28 25 3,15
241 1 11 19 3,38
242 1 0 0 3,8
243 2 1 31 3,4
4.4 Pelatihan JST
Pelatihan Jaringan dilakukan dengan menggunakan program matlab R2008a.
Data dilatihkan dengan dipengaruhi oleh model algoritma jaringan yang digunakan, jumlah lapisan tersembunyi, dan fungsi aktivasi. Pelatihan Jaringan menggunakan konfigurasi JST-PB sebagai berikut.
- Jaringan Back Propagation, disimpan dlm variabel net, - Jumlah sel lapisan tersembunyi : 1
- Iterasi : 1000
- Konstanta Belajar : 0.5
- Besar Galat : 0.7
- Jumlah input sembarang
- Output Jaringan menggunakan fungsi aktivasi Linier ‘purelin’, - Pelatihan menggunakan Gradient descent with momentum 'traingdm'
Gambar 4.1: Program Pelatihan Jaringan
Jumlah sel lapisan terembunyi atau hidden layer harus 1, agar persamaan jaringan yang dihasilkan linier yaitu aX1 + bX2 + cX3 + bias = Y. Jika jumlah hidden layer lebih dari 1, maka persamaan jaringan yang dihasilkan bukan merupakan persamaan linier. Jumlah iterasi yang digunakan dalam pelatihan adalah 1000 iterasi. Pada dasarnya, semakin banyak jumlah iterasi, maka semakin akurat bobot pelatihan yang dihasilkan. Namun, dengan semakin banyaknya jumlah iterasi, maka proses kerja jaringan juga semakin lambat. Berikut data percobaan pelatihan jaringan dengan jumlah iterasi yang berbeda dan waktu yang diperlukan jaringan untuk menghasilkan data pelatihan.
Tabel 4.5: Jumlah Iterasi dan Waktu yang Diperlukan.
Jumlah Iterasi Waktu
1000 23 detik
2000 41 detik
3000 1 menit 2 detik 4000 1 menit 22 detik 5000 1 menit 43 detik 6000 2 menit 4 detik 7000 2 menit 25 detik 8000 2 menit 46 detik 9000 3 menit 4 detik 90000 43 menit 59 detik
Gambar 4.2: Proses Pelatihan Jaringan dengan 1000 Iterasi membutuhkan waktu 23 detik
Data pada tabel 4.5 diperoleh dari pelatihan jaringan dengan normalisasi p/1000 dan t/10. Karena pada gambar muncul keterangan maximum epoch reached, maka secara matematis perhitungan belum dinyatakan selesai. Oleh karena itu, dilakukan kembali konfigurasi jaringan untuk mendapatkan hasil perhitungan yang maksimal.
Dari konfigurasi ulang tersebut didapatkan normalisasi yang paling sesuai untuk jaringan adalah p/10 dan t/100, sehingga iterasi mencapai angka maksimum (dinyatakan dengan munculnya pesan Performance goal met), seperti terlihat pada gambar 4.3.
Gambar 4.3: Perhitungan berhenti di Iterasi ke-470
4.5 Hasil Pelatihan JST
Dari pelatihan jaringan secara berulang dengan konfigurasi jaringan JST-PB seperti pada subbab 4.3, didapat hasil persamaan sebagai berikut.
Tabel 4.6: Bobot masing-masing Variabel Hasil Pelatihan JST
No W1 W2 W3 Bias
1 0.0231 0.0005 -0.0002 0.0316 2 0.0232 0.0005 -0.0002 0.0315 3 0.0231 0.0005 -0.0002 0.0315 4 0.0231 0.0005 -0.0002 0.0315 5 0.0232 0.0005 -0.0002 0.0315 6 0.0231 0.0005 -0.0002 0.0315 7 0.0231 0.0005 -0.0002 0.0315 8 0.0231 0.0005 -0.0002 0.0315 9 0.0232 0.0005 -0.0002 0.0315 10 0.0232 0.0005 -0.0002 0.0315 11 0.0232 0.0005 -0.0002 0.0315 12 0.0231 0.0005 -0.0002 0.0315 13 0.0232 0.0005 -0.0002 0.0315 14 0.0232 0.0005 -0.0002 0.0315 15 0.0231 0.0005 -0.0002 0.0316
Tabel 4.6: Bobot masing-masing Variabel Hasil Pelatihan JST (Lanjutan).
No W1 W2 W3 Bias
16 0.0232 0.0005 -0.0002 0.0315 17 0.0231 0.0005 -0.0002 0.0315 18 0.0231 0.0005 -0.0002 0.0315 19 0.0233 0.0005 -0.0002 0.0315 20 0.0231 0.0005 -0.0002 0.0315 21 0.0231 0.0005 -0.0002 0.0315 22 0.0232 0.0005 -0.0002 0.0315 23 0.0231 0.0005 -0.0002 0.0316 24 0.0232 0.0005 -0.0002 0.0315 25 0.0232 0.0005 -0.0002 0.0315 26 0.0232 0.0005 -0.0002 0.0315 27 0.0126 0.0007 -0.0006 0.0327 28 0.0232 0.0005 -0.0002 0.0315 29 0.0232 0.0005 -0.0002 0.0315 30 0.0232 0.0005 -0.0002 0.0315
Gambar 4.4: Hasil Pelatihan Jaringan
Dari hasil pelatihan jaringan tersebut, jika data diurutkan berdasarkan persamaan yang muncul, maka akan diperoleh data sebagai berikut.
Tabel 4.6: Persamaan Hasil Pelatihan JST dan Jumlah Kemunculannya.
No X1 X2 X3 Bias Jumlah Kemunculan
1 0.0231 0.0005 -0.0002 0.0316 3 2 0.0232 0.0005 -0.0002 0.0315 15 3 0.0231 0.0005 -0.0002 0.0315 10 4 0.0233 0.0005 -0.0002 0.0315 1 5 0.0126 0.0007 -0.0006 0.0327 1
Berdasarkan data pada tabel 4.6, maka persamaan yang akan dianalisa dalam penelitian ini adalah persamaan yang kedua yaitu:
0.0232X1 + 0.0005X2 - 0.0002X3 + 0,0315 = Y ... (4-1) Persamaan 4-1 menunjukkan bahwa bobot X1 positif, X2 positif dan X3 negatif.
4.6 Analisa Hasil Pelatihan JST
Hasil Peatihan menunjukkan adanya regresi positif dari variabel X1 yaitu jumlah kelompok binaan, dan variabel X2 yaitu Prestasi Organisasi, terhadap variabel Y atau IPK. Sedangkan variabel X3 yaitu Jumlah organisasi yang diikuti, memiliki regresi negatif terhadap variabel Y.
Bila dijabarkan lebih lanjut, korelasi positif antara variabel X1 yaitu jumlah binaan dan variabel Y, yaitu IPK, memiliki arti makin banyak jumlah binaan, maka makin tinggi IPK yang dapat diraih mahasiswa. Hal ini dapat disebabkan karena dalam membina dan mengelola sebuah kelompok kajian, seorang mahasiswa dituntut untuk berwawasan luas.
Selain itu, mahasiswa selaku pembina secara tidak langsung memiliki kewajiban untuk menjadi teladan yang baik bagi kelompok binaanya. Oleh karena itu, ketika membina sebuah kelompok kajian, seorang mahasiswa dengan sendirinya akan termotivasi untuk menjadi teladan yang baik dan memiliki pengetahuan yang lebih luas dibanding mahasiswa lain yang dibinanya. Kualitas seorang mahasiswa dalam kedua hal tersebut dapat dibuktikan dari berapa IPK yang mampu diraih oleh mahasiswa yang membina kelompok kajian.
Jika seorang pembina ternyata memiliki IPK yang lebih rendah daripada mahasiswa binaanya, maka wibawa dan pamor mahasiswa yang membina tersebut akan jatuh dihadapan mahasiswa yang dibinanya, sehingga tidak akan ada lagi mahasiswa yang tertarik untuk mengikuti pembinaan yang merupakan program dari aktivis organisasi yang bersangkutan.
Demikian juga dengan variabel X2 yaitu prestasi organisasi dan variabel Y, yaitu IPK, memiliki arti makin banyak prestasi organisasi yang diraih mahasiswa, maka makin tinggi juga IPK yang dapat diraih mahasiswa. Hal ini dapat disebabkan karena seorang yang telah menikmati sebuah prestasi dalam suatu hal, maka ia akan cenderung tidak puas hanya dengan prestasi tersebut, dan berusaha terus mengejar prestasi dibidang yang lain.
Maka seorang mahasiswa yang memiliki prestasi dalam sebuah organisasi, umumnya juga akan mengimbangi prestasi organisasi dengan prestasi akademik.
Dalam hal ini, prestasi akademik ditunjukkan dengan nilai IPK yang tinggi.
Makin baik IPK seorang mahasiswa, maka dapat dikatakan makin baik pula prestasi akademiknya.
Selain itu, salah satu point penting yang menunjang kualitas elemen pada variabel X1 dan X2 adalah pengelolaan waktu yang baik. Ketika seseorang memiliki satu kelompok binaan, maka ia akan berusaha mengelola waktunya sedemikian rupa sehingga kegiatanya membina dalam organisasi dan prestasi akademik atau IPK mahasiswa tersebut, keduanya berhasil dengan baik. Demikian juga dengan seseorang yang prestatif, hampir dipastikan memiliki manajemen waktu yang baik pula, karena tanpa hal tersebut ia tidak akan bisa membagi waktu antara belajar dan kegiatan organisasinya dengan baik.
Hal ini berbeda dengan variabel X3 yaitu jumlah organisasi yang diikuti. Jika hanya dengan aktif berorganisasi saja tanpa adanya keterikatan untuk menjadi teladan ataupun keinginan untuk mengejar prestasi, maka mahasiswa akan cenderung memilih satu dari dua hal yang disenanginya, aktivitas akademik, atau aktivitas organisasi. Seorang pemilih tentunya akan mengambil satu pilihan, dan meninggalkan pilihan lainya, sehingga tanpa adanya tanggung jawab untuk menjadikan keduanya baik, seseorang yang hanya aktif saja dalam berorganisasi, hanya senang berorganisasi dan mudah bosan dalam perkuliahan akademik, maka prestasi akademik atau IPK yang dimiliki akan semakin menurun, justru ketika organisasi yang diikutinya semakin banyak.
Begitu juga ketika dalam berorganisasi seorang mahasiswa hanya mementingkan kuantitas, banyaknya atau beragamnya kegiatan yang diikuti maka kualitas akademik mahasiswa tersebut akan berbanding terbalik dengan kuantitas organisasi yang diikuti.
64 BAB V
KESIMPULAN DAN SARAN
Pada bab ini akan disimpulkan mengenai hasil penelitian yang telah disampaikan pada bab sebelumnya. Pada bab ini juga akan dipaparkan mengenai keterbatasan dalam penelitian, serta saran ilmiah maupun praktis yang dapat diberikan dari penelitian ini.
5.1 Kesimpulan
Kesimpulan bertujuan untuk menjawab seluruh pertanyaan penelitian. Dengan demikian, terdapat sebuah kesimpulan untuk menjawab permasalahan utama penelitian, yaitu keaktifan mahasiswa di organisasi tidak selalu memiliki regresi negatif terhadap peningkatan prestasi mahasiswa, sebagaiamana dikhawairkan oleh orang tua murid maupun mahasiswa. Dari tiga variabel input yang diinputkan pada jaringan, dua variabel yaitu jumlah kelompok binaan dan prestasi organisasi menunjukkan regresi positif terhadap variabel output yaitu IPK mahasiswa. Hasil penelitrian tersebut diharapkan dapat meningkatkan minat mahasiswa terhadap organisasi karena kekhawatiran mahasiswa, dan juga orang tua mahasiswa tentang aktivitas organisasi yang menyebabkan penurunan prestasi akademik tidak sepenuhnya terbukti.
5.2 Saran
Meskipun telah direncanakan dengan baik, namun dalam penelitian ini tetap terdapat keterbatasan-keterbatasan antara lain:
a. Dalam penelitian ini hanya dua faktor dalam berorganisasi yang diketahui memiliki pengaruh positif terhadap peningkatan prestasi akademik mahasiswa.
b. Bobot hasil penelitian masih menunjukkan angka yang yang sangat kecil, yang
b. Bobot hasil penelitian masih menunjukkan angka yang yang sangat kecil, yang