1. PENDAHULUAN
1.1 Latar Belakang
Pendidikan nasional berfungsi mengembangkan kemampuan dan membentuk watak serta peradaban bangsa yang bermantabat dalam rangka mencerdaskan kehidupan bangsa. Pendidikan nasional bertujuan untuk mengembang- kan potensi peserta didik (mahasiswa) agar menjadi manusia yang beriman dan bertakwa kepada Tuhan Yang Maha Esa, berahlak mulia, sehat, berilmu, cakap, kreatif, mandiri, dan menjadi warga negara yang demokratis serta bertanggung- jawab. Perguruan tinggi secara terus menerus mengembang- kan iklim akademis yang demokratis agar dapat mendukung pelaksanaan proses pembelajaran yang mengarahkan mahasiswa menjadi lulusan sebagai insan pembelajar sepanjang hayat.
Mahasiswa diharapkan tidak hanya menekuni ilmu dalam bidangnya saja, tetapi juga beraktivitas untuk mengembangkan
soft skills-nya agar menjadi lulusan yang mandiri, penuh inisiatif, bekerja secara cermat, penuh tanggung jawab dan gigih. Kemampuan ini dapat mahasiswa peroleh dari pembekalan secara formal melalui kurikulum akademik dan ko-kurikuler, ekstra dan intra kurikuler. Namun, tidak semua mahasiswa mau dan mampu untuk menjadi pembelajar yang sukses. Acapkali mahasiswa dengan nilai akademik yang tinggi tidak memanfaatkan peluang untuk menggunakan waktunya dalam kegiatan ko-kurikuler dan ekstra kurikuler. Sebaliknya mahasiswa yang aktif dalam
organisasi kemahasiswaan dan kegiatan pengembangan soft skills
tidak memperoleh nilai akademik yang tinggi. Sementara itu, dalam era persaingan bebas dibutuhkan lulusan yang memiliki
hard skillsdan soft skillsyang seimbang. Oleh karenanya di tiap perguruan tinggi perlu diidentifikasi mahasiswa yang dapat melakukan keduanya dan yang terbaik perlu diberi penghargaan sebagai mahasiswa yang berprestasi.
1.2
Tujuan Dan Manfaat
Penulisan makalah ini bertujuan untuk menentukan penilaian soft-skillsmahasiswa dengan menggunakan jaringan
saraf tiruan dengan metodeSelf – Organizing Maps (SOM)dalam
menentukan nilai mahasiswa.
Manfaat dari penelitian ini pada dasarnyanya adalah untuk memberikan pandangan tentang penerapan Self – Organizing Maps (SOM)dalam penilaian soft-skillsmahasiswa bagi para dosen yang terkait dengan pengembangan potensi mahasiswa
1.3. Batasan Masalah
Adapun batasan masalah jurnal ini yaitu unsur soft-skills untuk memperoleh nilai mahasiswa, dimana unsur-unsur soft-skillsyang kami gunakan merujuk dari sumber kami yaitu STMIK.
2. TINJAUAN PUSTAKA
JST Kohonen-SOM merupakan salah satu model JST
yang menggunakan metodeunsupervised learning. Artinya,
jaringan tersebut melakukan pembelajaran tanpa bimbingan data input-target.
2.1 Struktur Dasar JST Self-Organizing Maps
Jaringan saraf tiruan SOM terdiri dari dua lapisan yang terhubung penuh, yaitu lapisan masukan dan lapisan kompetitif yang biasanya terbentuk dua dimensi.
Setiap unit pada lapisan masukan dihubungkan dengan setiap unit pada lapisan kompetitif seperti yang ditunjukkan pada Gambar-gambar dibawah ini. Pada lapisan jaringan kompetitif terjadi persaingan antara unit-unit untuk menentukan pemenang.
Prosoding KNK
109 Jaringan kompetitif
2.2 Proses Belajar JST Self-Organizing Maps
Unit-unit pada lapisan masukan dinyatakan dengan persamaan berikut:
xi = [x1, x2, x3, x4, x5,…., xn]
Pada dasarnya SOM terdiri dari M unit lokasi pada grid
berdimensi rendah yang beraturan, biasanya berdimensi 1 atau berdimensi 2. Contoh Gambar diatas, grid-grid berdimensi yang lebih tinggi tidak umum digunakan selama visualisasinya bermasalah. Tiap unit j memiliki suatu kumpulan vectorvector yang berdimensi d. Posisi unit rj pada grid ditetapkan dari awal. Pemilihan map terhadap data dengan menyesuaikan vector protipenya. Bersama grid dan himpunan bentuk vectorvectormap
yang berdimensi rendah yang macam data: suatu representasi 2- dimensi dimana sifat topologinya berhubungan erat dengan objek(unit-unit map) yang berdekatan satu sama lain. Kumpulan vectorvector tersebut dapat dinyatakan dengan persamaan sebagai berikut:
mjd = [mj1, mj2, mj3, …., mjd ]
di mana :
mjd = vector-vector dari unit-unit pada lapisan masukan ke unit ke-j pada lapisan kompetitif.
J= indeks unit pada input-an
d = dimensifungsi learning pada SOM yaitu linear(α(t)=α0(1- t/T)),power(α(t)=α0(0.005/ α0)t/Tdan inv(α(t)=α0(1+100t/T))
dimana T adalah panjang training dan α0 adalah inisialisasi learning rate.
2.3 Arsitektur Self Organizing Map
Jaringan ini terdiri dari dua lapisan (layer), yaitu lapisan input dan lapisan output. Setiap neurondalam lapisan input
terhubung dengan setiap neuronpada lapisan output. Setiap
neurondalam lapisan output merepresentasikan kelas (cluster) dari input yang diberikan.
Gambar .Arsitektur JST Self Organizing Map
Misalkan masukan berupa vector yang tediri dari n komponen yang akan dikelompokkan dalam maksimum 28 buah kelompok. Keluaran jaringan adalah kelompok yang paling dekat/mirip dengan masukan yang diberikan. Ada beberapa ukuran kedekatan yang dapat dipakai. Ukuran yang paling sering digunakan adalah jarak Euclidianyang paling minimum.
Bobot vector-vektor contoh berfungsi sebagai penentu kedekatan antara vector tersebut dengan masukan yang diberikan. Selama proses pengaturan, vector contoh yang pada saat itu paling dekat dengan masukan akan muncul sebagai pemenang, kemudian vector pemenang dan vector-vektor sekitarnya akan dimodifikasi bobotnya.
2.4 Jarak Antar Neuron(Fungsi Jarak)
Dalam SOM, perubahan bobot tidak hanya dilakukan pada bobot garis yang terhubung ke neuronpemenang saja, tetapi juga pada bobot garis ke neuron-neurondi sekitarnya. Neurondi sekitar neuronpemenang ditentukan berdasarkan jaraknya dari
neuronpemenang. Dalam fungsi Matlab, default neuron tetangga=1. Ada 4 macam definisi jarak antara 2 neuronyaitu: a. Jarak Euclidist (dist)
Jarak Euclidist adalah jarak antara 2 titik dalam posisi berbeda yang biasa kita kenal. Missal (x1,y1) dan (x2,y2) adalah koordinat 2 neuron, maka jarak kedua neurontersebut didefinisikan sebagai:
b. Jarak Persegi (boxdist)
Jarak persegi adalah jarak langsung antara neuronpemenang dengan neurontetangganya secara langsung. Sebagai contoj apabila topologi neuronadalah gridtop, maka paling banyak terdapat 8 buah neurontetangga dengan boxdist=1, dan terdapat paling banyak 16 tetangga jika boxdist=2. Jika
neuronpemenang terletak di pinggir maka hanya ada 5
neurontetangga dengan boxdist=1.
Gambar .Boxdist pada topologi gridtop
c. Jarak Link (linkdist)
Jarak link adalah jumlah langkah yang dibutuhkan untuk menuju neurontersebut. Jika dalam jaringan SOM menggunakan topologi gridtop dengan linkdist=1, berarti hanya neuron-neuronyang berhubungan langsung dengan
neuronpemenang saja yang diubah bobotnya (jumlah
neurontetangga=4). Jika linkdist=2 maka jumlah neuron
Prosoding KNK
Gambar.Linkdist pada topologi gridtop
d. Jarak Manhattan (mandist)Jarak Manhattan x(x1,x2,…,xn) dan vector y(y1,y2,…,y
sebagai:
Jika x=(x1,x2) dan y=(y1,y2) menyatakan koordin
yang dibentuk melalui topologi tertentu, maka jarak Manhattan antara neuronx dan y adalah
Untuk penilaian soft skills mahasiswa, terlebih dahulu kita perlu mengetahui pengertian dari mahasiswa berprestasi itu apa?
Mahasiswa Berprestasi adalah mahasiswa
mencapai prestasi tinggi, baik akademik maupun non akademik, mampu berkomunikasi dengan bahasa Indonesia
Inggris, bersikap positif, serta berjiwa Pancasila. Dalam proses klasifikasi pemilihan mahasis berprestasi ini, digunakan Algoritma jaringan saraf tiruan
Dimana jaringan saraf tiruan (SOM) adalah
saraf tiruan yang mampu melakukan pemetaan topologis dari unit-unit pada lapisan masukan ke lapisan masukan kompetitif (lapisan dimana output neuron dari jaringan berkompetisi d mereka untuk menjadi aktif sebaliknya). Metode belajar Jaringan Saraf Tiruan SOM adalah belajar tanpa pengawasan (S
Learning). Bedanya dengan JST biasa pada proses belajar yakni tanpa pengawasan, dimana perubahan bobot-bobot
interkoneksinya sebagai tanggapan terhadap masukan memerlukan jawaban targetnya.
Penilaian Mahasiswa Berprestasi merujuk kinerjaindividu mahasiswa yang memenuhi kriteria dengan menggunakan beberapa macam unsur. Penilaian mencakup unsur 2 unsur yaitu : Profil Portofolio Mahasiswa dan Pertimbangan Kualitatif .
Profil portofolio terdiri dari : kegiatan ilmiah/kreatifitas, kegiiatan kemahasiswaan, jumlah tulisan di blog, d
tugas. Pertimbangan kualitatif terdiri dari : Aktivitas di mutu portofolio, mutu tulisan di blog.
3. HASIL DAN PEMBAHASAN 3.1 Pembahasan Algoritma
Metode yang digunakan pada penilaian so
mahasiswa ini adalah Self Organising Map (SOM).
digunakan untuk mengelompokkan data (clustering) berdasarkan karakteristik atau fitur-fitur data.
Pengklasifikasian berdasarkan input yang ad dihitung jaraknya ke masing-masing output. Dalam pengklasifikasian ini, kami menggunakan 7 neuron neuron output.
Bobot penilaian meliputi :
No Parameter Skor Bobot
(0- 100)
a b
1 Profil Portofolio Mahasiswa
A Kegiatan Ilmiah/Kreatifitas 10% B Kegiatan Kemahasiswaan 5%
Manhattan antara vector ,…,yn) didefinisikan
yatakan koordinat neuron
rtentu, maka jarak
mahasiswa, terlebih dahulu kita ui pengertian dari mahasiswa berprestasi itu
prestasi adalah mahasiswa yang berhasil baik akademik maupun non akademik,
Indonesia dan bahasa jiwa Pancasila.
klasifikasi pemilihan mahasiswa lgoritma jaringan saraf tiruan (SOM). an saraf tiruan (SOM) adalah suatu jaringan
emetaan topologis dari masukan kompetitif jaringan berkompetisi diantara
a). Metode belajar Jaringan engawasan (Supervised
a pada proses belajar yakni bobot
an terhadap masukan dan tanpa wa Berprestasi merujuk pada
hi kriteria penilaian ur. Penilaian il Portofolio Mahasiswa dan rtofolio terdiri dari : kegiatan ilmiah/kreatifitas,
di blog, dan jumlah file dari : Aktivitas di kelas,
digunakan pada penilaian soft skills
Self Organising Map (SOM).SOM an data (clustering) berdasarkan
put yang ada dan akan tput. Dalam
nakan 7 neuron input dan 4
obot Nilai Terbobot
(axb)
B Mutu Portofolio C Mutu Tulisan di Blog
3.1.1 Algoritma Pembelajaran
Langkah 0 :
- Inisialisasi bobot wij.
- Set parameter topological neighbourhood - Set parameter laju pembelajaran Langkah 1 :
Jika syarat berhenti tidak dipenuhi (Salah), Kerjakan langk 8
Langkah 2 : Untuk setiap input vektor x
Langkah 3 : Untuk setiap indeks j, hitung nilai :
D(j) = ∑ (Wij − Xi)
Langkah 4 : Cari unit pemenang (indeks J memiliki Dj minimum
Langkah 5 : Hitung semua nilai wij(baru)
langkah 4.
Wij (baru) = Wij (lama) + |Xi – Wij (lama)| Langkah 6 : Ubah (update) nilai laju pembelajaran. Langkah 7 : Kurangi jarak tetangga (R).
Langkah 8 : Periksa syarat berhenti.
3.1.2 Algoritma Pengenalan
Langkah 0 :
Set nilai bobot wij.(ambil dari hasil pembel
Langkah 1 :
Untuk setiap indeks j, hitung nilai :
D(j) = ∑ (Wij − Xi)
Langkah2 :
Cari unit pemenang (indeks J), yaitu unit yang memiliki D(j) minimum.
3.2 Analisa Kerja Algoritma
Data training yang digunakan pada penilaian soft s mahasiswa ini ada 4 data sebagai contoh.
Data Training
Data 1 Data 2 Data 3
w1 9 7 w2 4,5 3,5 3,5 w3 22,5 22,5 16,25 w4 9 7 w5 9 7 15% 25%
et parameter topological neighbourhood embelajaran .
enti tidak dipenuhi (Salah), Kerjakan langkah 2 –
x, kerjakan langkah 3 – 5 , hitung nilai :
4 : Cari unit pemenang (indeks J), yaitu unit yang (baru) dengan nilai j dari Wij (lama)|
) nilai laju pembelajaran. 7 : Kurangi jarak tetangga (R).
hasil pembelajaran)
it pemenang (indeks J), yaitu unit yang memiliki D(j)
penilaian soft skills ada 4 data sebagai contoh.
Data 3 Data 4 7 6 3,5 3,25 16,25 15 7 6 7 6
Prosoding KNK 111 Nilai B = 75 – 84 Nilai C = 65 – 74 Nilai E = 0 – 64 Urutan Langkah:
- Bagian pertama dari proses pelatihan adalah
menentukan bobot awal.
Nilai yang digunakan adalah nilai dari data sebelumnya antara 0 – 1.
- Banyaknya bobot yang digunakan adalah banyaknya
input dikali dengan banyaknya output. Data Pembobotan Awal:
Data 1 Data 2 Data 3 Data 4
w1 0,08 0,07 0,04 0,02 w2 0,05 0,02 0,02 0,02 w3 0,20 0,22 0,19 0,16 w4 0,08 0,07 0,04 0,04 w5 0,08 0,07 0,04 0,04 w6 0,15 0,12 0,09 0,09 w7 0,20 0,22 0,19 0,16 Nilai A B C E Nilai A = 0,85 – 1 Nilai B = 0,75 – 0,84 Nilai C = 0,65 – 0,74 Nilai E = 0 – 0,64
- Parameter laju pembelajaran = 0,5
Langkah 1:
- Jika syarat berhenti tidak dipenuhi (salah), kerjakan langkah 2 – 8.
Langkah 2:
- Untuk setiap input vector x, kerjakan langkah 3 – 5
Langkah 3:
- Untuk setiap indeks j, hitung nilai:
D(j) =∑ (Wij−Xi)
Langkah 4:
- Cari Unit pemenang (indeks j), yaitu unit yang memiliki
Dj minimum. Langkah 5:
- Selanjutnya nilai bobot yang berhubungan dengan
output tersebut diubah dengan Rumus: Wij (baru) = Wij (lama) + |Xi – Wij (lama)|
Data 1 w1 0,500 w2 0,475 w3 0,550 w4 0,500 w5 0,500 w6 0,500 w7 0,550 Langkah 6 :
- Update nilai laju pembelajaran
- Karena yang dirubah adalah bobot yang berhubungan
dengan output 1, maka:
OUTPUT 1 2 3 4 w1 0,08 0,070 0,040 0,054 w2 0,05 0,020 0,020 0,048 w3 0,20 0,220 0,190 0,059 w4 0,08 0,070 0,040 0,037 w5 0,08 0,070 0,040 0,015 w6 0,15 0,120 0,090 0,032 w7 0,20 0,220 0,190 0,052 Langkah 7:
- Kurangi jarak tetangga ( R ) Langkah 8:
- Kemudian berikan data berikutnya.
- Berikut ini adalah perubahan bobot setelah data ke dua
diberikan. OUTPUT 1 2 3 4 w1 0,08 0,070 0,040 0,051 w2 0,05 0,020 0,020 0,048 w3 0,20 0,220 0,190 0,056 w4 0,08 0,070 0,040 0,051 w5 0,08 0,070 0,040 0,051 w6 0,15 0,120 0,090 0,051 w7 0,20 0,220 0,190 0,056
- Berikut ini adalah perubahan bobot setelah data ke tiga diberikan OUTPUT 1 2 3 4 w1 0,08 0,070 0,040 0,044 w2 0,05 0,020 0,020 0,041 w3 0,20 0,220 0,190 0,057 w4 0,08 0,070 0,040 0,047 w5 0,08 0,070 0,040 0,045 w6 0,15 0,120 0,090 0,052 w7 0,20 0,220 0,190 0,057
- Berikut ini adalah perubahan bobot setelah data ke
empat diberikan OUTPUT 1 2 3 4 w1 0,08 0,070 0,040 0,085 w2 0,05 0,020 0,020 0,035 w3 0,20 0,220 0,190 0,080 w4 0,08 0,070 0,040 0,095 w5 0,08 0,070 0,040 0,070 w6 0,15 0,120 0,090 0,070 w7 0,20 0,220 0,190 0,060
- Pelatihan dilakukan sampai jumlah iterasi yang
diinginkan sampai menghasilkan angka yang mendekati nol.
- Setelah proses pelatihan selesai, dapat dilakukan pengujian dengan memasukkan salah satu data dan kemudian dicari unit pemenangnya.
- Dan data akan diklasifikasikan ke masing-masing
output.
Berdasarkan hasil perubahan bobot data keempat maka diperoleh: Tabel Pengujian
Nilai Output
Data 1 0,84 A
Prosoding KNK
112
Data 3 0,61 C
Data 4 0,50 E
Tabel persentase kebenaran dari nilai perubahan bobot akhir terhadap nilai dari data Training :
% Kebenaran Data 1 95,02% Data 2 96,93% Data 3 90,37% Data 4 82,92%
4. PENUTUP
4.1. Kesimpulan
Dari hasil pengujian Metode Self – Organizing Maps (SOM)
untuk penilaian soft-skillsmahasiswa maka dapat ditarik kesimpulan sebagai berikut:
1. Algoritma jaringan saraf tiruan dapat digunakan untuk
menghitung nilai soft skills mahasiswa.
2. Semakin besar bobot maka akan semakin besar pula jarak yang dihasilkan.
3. Pada perhitungan analisa kami, nilai yangkami gunakan
adalah 0,5.
4. Dari 7 input penilaian yang kami lakukan, menghasilkan 4 buah output berupa nilai A,B,C,dan E.
Daftar Pustaka
1. Teuvo Kohonen, "The Self-Organizing Map (SOM)", http://www.cis.hut.fi/projects/somtoolbox/theory/somalgorit hm.shtml
2. Sri Kusumadewi, "Artificial Intelligence", Penerbit Graha Ilmu,Tahun 2003
3. Suyanto, ST, Msc., "Artificial Intelligence Searching, Reasoning, Planning, And Learning", Penerbit Informatika, 2007
4. WIDYA SILFIANTI, Skom, MMSi, “Softskilldan
Portofolio Mahasiswa",
http://wsilfi.staff.gunadarma.ac.id/Downloads/files/13780/s oftskillmhsUG.pdf, 2010
5. Yohanes Surya dan Hokky Situngkir, "Makalah Jaringan Saraf Tiruan",
http://materikuliah.info/artikel/mipa/makalah-jaringan- saraf-tiruan.aspx, Maret 2010
6. Bashir Magomedov, "Self-Organizing Feature Maps
Prosoding KNK
113