DAFTAR PUSTAKA
4.7 Pengujian arsitektur terbaik terhadap data validasi dan data testing Pengujian arsitektur terbaik terhadap data validasi dan data testing
dimaksudkan untuk menguji ketepatan jaringan dalam melakukan prediksi sebelum digunakan untuk melakukan prediksi pada data baru yang akan diberikan. Data validasi dan data testing akan diuji tanpa memiliki data target, sehingga target hasil prediksi yang akan dihasilkan akan dibandingkan dengan data aktual. Kelompok data untuk data validasi dan data testing yang ditetapkan untuk diuji seusai dengan kelompok data dari astektur terbaik dari masing-masing model prediksi, yakni kelompok data pertama untuk model prediksi lama studi (MPLS) dan kelompok data kedua untuk model prediksi indeks prestasi kumulatif (MPIPK).
1) Model Prediksi Lama Studi (MPLS)
Hasil proses pengujian dengan menggunakan data validasi dan data testing pada model prediksi lama studi disajikan oleh Tabel 24.
Tabel 24 Pengujian dengan menggunakan data validasi dan data testing MPLS DATA Data Validasi % Data Tesing %
Jumlah Data 33 33
Pengenalan Data
Dikenal 33 100.00% 31 93.94%
Tidak dikenal 0 0.00% 2 6.06%
Data Kategori Hasil Prediksi
Melebihi batas studi 30 90.91% 27 81.82%
Tepat waktu 3 9.09% 4 12.12%
Data Kategori Aktual
Melebihi batas studi 30 90.91% 27 81.82%
Tepat waktu 3 9.09% 6 18.18%
Berdasarkan pengujian arsitektur terbaik terhadap data validasi dan data testing untuk model MPLS menunjukkan bahwa data dikenali 100% pada data validasi dan 93.94% pada data testing. Hasil prediksi menggunakan data validasi menyatakan bahwa mahasiswa yang diprediksi melebihi masa studi berjumlah 30 mahasiswa dan tepat waktu hanya 3 mahasiswa, dan data kategori aktual menunjukkan hal yang sama. Prediksi terhadap data testing menyatakan bahwa mahasiswa yang diprediksi melebihi masa studi sebanyak 27 dan tepat waktu
hanya 4 mahasiswa, berbeda dengan data aktual yang menyatakan bahwa mahasiswa yang lulus tepat waktu berjumlah 6 mahasiswa.
2) Model Prediksi Indeks Prestasi Kumulatif (MPIPK)
Hasil proses pengujian dengan menggunakan data validasi dan testing pada model prediksi indeks prestasi kumulatif disajikan oleh Tabel 25.
Tabel 25 Pengujian dengan menggunakan data validasi dan data testing MPIPK DATA Data Validasi % Data Tesing %
Jumlah Data 33 33
Pengenalan Data
Dikenal 32 96.97% 33 100.00%
Tidak dikenal 1 3.03% 0 0.00%
Data Kategori Hasil Prediksi
Tepuji 2 6.06% 8 24.25%
Sangat Memuaskan 18 54.55% 15 45.45%
Memuaskan 12 36.36% 10 30.30%
Data Kategori Aktual
Tepuji 3 9.09% 8 24.25%
Sangat Memuaskan 18 54.55% 15 45.45%
Memuaskan 12 36.36% 10 30.30%
Berdasarkan pengujian arsitektur terbaik terhadap data validasi dan data testing untuk model MPIPK menunjukkan bahwa data dikenali 96.97% pada data validasi dan 100% pada data testing. Hasil prediksi menyatakan bahwa mahasiswa yang diprediksi lulus degan kategori terpuji sebanya 2 mahasiswa untuk data validasi, hal ini berbeda dengan data aktual yang menyatakan bahwa mahasiwa yang lulus dengan predikat terpuji sebanyak 3 mahasiswa. Untuk data testing, prediksi untuk ketiga kategori menghasilkan jumlah yang sama dengan data aktual.
4.8 Hasil Prediksi Tingkat Kelulusan Mahasiswa
Hasil prediksi tingkat kelulusan mahasiswa diploma tiga jurusan Manajemen Informatika, Universitas Negeri Gorontalo disajikan pada Tabel 26 dan Tabel 27.
Tabel 26 Prediksi Tingkat Kelulusan mahasiswa angkatan 2008-2010 berdasarkan Lama Studi
Angkatan
Data Tak Dikenal Data Dikenal Total
Jml % Melewati
Batas Studi % Tepat Waktu % Jml %
2008 0 0.00% 34 82.93% 7 17.07% 41 100.00%
2009 1 1.92% 42 80.77% 9 17.31% 52 100.00%
2010 1 2.70% 31 83.78% 5 13.51% 37 100.00%
Tabel 27 Prediksi Tingkat Kelulusan mahasiswa 2008-2010 angkatan berdasarkan IPK
Angkatan
Data Tak
Dikenal Data Dikenal Total
Jml % Terpuji % Sangat
Memuaskan % Memuaskan % Jml %
2008 0 0.00% 7 17.07% 23 56.10% 11 26.83% 41 100.00%
2009 2 3.85% 10 19.23% 29 55.77% 11 21.15% 52 100.00%
2010 6 16.22% 4 10.81% 13 35.14% 14 37.84% 37 100.00%
Dari Tabel 26 dan Tabel 27 terlihat bahwa prediksi mahasiswa dengan kategori melewati batas studi memiliki presentase yang lebih tinggi dibandingkan dengan kategori mahasiswa yang lulus tepat waktu. Besar presentase yang dihasilkan sangat jauh dari standar mutu lulusan yang telah ditetapkan oleh universitas. Begitupula halnya dengan hasil prediksi tingkat kelulusan IPK mahasiswa, diperoleh bahwa sebagian besar mahasiswa menyelesaikan studi dengan kategori IPK sangat memuaskan. Hasil prediksi ini dapat menjadi informasi dan bahan pertimbangan bagi penyelenggara program studi untuk dapat mengambil langkah-langkah strategi dalam rangka menaikkan tingkat kelulusan mahasiswa, antara lain lebih meningkatkan kualitas pembelajaran, layanan akademik hingga dengan perhatian khusus kepada sejumlah mahasiswa yang tingkat kelulusannya diprediksi lebih rendah dari sasaran mutu yang ditetapkan. 4.9 Analisa Sensitivitas
Analisa sensitivitas dilakukan untuk mengetahui variabel yang lebih atau paling berpengaruh diantara variabel-variabel masukan lainnya. Berdasarkan hasil analisa sensitivitas maka diperoleh nilai sensitivitas dari variabel masukan pada
masing-masing model prediksi, sebagaimana yang ditunjukkan pada Tabel 28 dan Tabel 29.
Tabel 28 Hasil analisa sensitivitas variabel masukan pada model MPLS
Variabel Mata Kuliah Nilai Sensitivitas Rangking
1 Pendidikan Agama 2.609 12
2 Bahasa Indonesia 27.246 7
3 Pemrograman 1 (Pascal Dasar) 53.764 2
4 Sistem Operasi 20.472 8
5 Matematika 19.409 9
6 Pengantar Sistem Komputer 14.762 10
7 Paket Program Aplikasi 41.258 5
8 Algoritma dan Struktur Data 5.487 11
9 Bahasa Inggris 1.862 14
10 Konsep Sistem Informasi 43.874 4
11 Dasar Manajemen dan Bisnis 0.853 16
12 Aljabar Vektor & Matriks 55.955 1
13 Pengantar Instalasi Komputer 0.908 15 14 Pemrograman 2 (Pascal Lanjutan) 2.599 13 15 Pengantar Teknologi Informasi 28.708 6
16 Desain Grafis 52.185 3
Variabel masukan (mata kuliah) yang mempunyai pengaruh paling besar pada model prediksi lama studi (MPLS) mahasiswa adalah variabel 12, yakni mata kuliah Aljabar Vektor & Matriks dengan nilai sensitivitas
,
sedangkan variabel masukan (mata kuliah) yang memberikan pengaruh paling kecil adalah variabel 11, yakni mata kuliah Dasar Manajemen dan Bisnis. Mata kuliah yang paling berpengaruh kedua setelah Alajabar Vektor & Matriks adalah mata kuliah Pemrograman 1 dengan nilai sensitivitas sebesar 53.764.Tabel 29 Hasil analisa sensitivitas variabel masukan pada model MPIPK
Variabel Mata Kuliah Nilai Sensitivitas Rangking
1 Pendidikan Agama 0.115 13
2 Bahasa Indonesia 0.357 4
3 Pemrograman 1 (Pascal Dasar) 0.109 14
4 Sistem Operasi 0.134 12
5 Matematika 0.108 15
6 Pengantar Sistem Komputer 0.287 6
7 Paket Program Aplikasi 0.202 9
Tabel 29 Hasil analisa sensitivitas variabel masukan pada model MPIPK (Lanjutan)
Variabel Mata Kuliah Nilai Sensitivitas Rangking
9 Bahasa Inggris 0.397 3
10 Konsep Sistem Informasi 0.147 11
11 Dasar Manajemen dan Bisnis 0.215 8
12 Aljabar Vektor & Matriks 25.769 1
13 Pengantar Instalasi Komputer 0.082 16
14 Pemrograman 2 (Pascal Lanjutan) 0.279 7 15 Pengantar Teknologi Informasi 0.158 10
16 Desain Grafis 0.325 5
Variabel masukan (mata kuliah) yang mempunyai pengaruh paling besar pada model prediksi indeks prestasi kumulatif (MPIPK) mahasiswa adalah variabel 12, yakni mata kuliah Aljabar Vektor & Matriks
,
mata kuliah yang sama dengan hasil yang ditunjukkan oleh analisas sensitivitas terhadap variabel input pada model prediksi lama studi (MPIPK). Sedangkan variabel masukan (mata kuliah) yang memberikan pengaruh paling kecil adalah variabel 13, yakni mata kuliah Pengantar Instalasi Komputer. Rentang data antara nilai sensitivitas tertinggi dengan nilai sensitivitas lainnya terlihat sangat jauh4.10 Manfaat bagi manajemen
Dilakukannya prediksi tingkat kelulusan mahasiswa Diploma 3 (tiga) Jurusan Manajemen Informatika, Universitas Negeri Gorontalo bertujuan agar diperolehnya gambaran awal mengenai tingkat kelulusan mahasiswa sebagai bagian dari evaluasi program studi, sehingga bisa 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 oleh universitas. 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 fokusdan giat lagi untuk meraih nilai yang terbaik tiap semesternya. Mata kuliah yang dinyatakan memiliki nilai sensitivitas tertinggi bukan berarti mata kuliah tersebut secara otomatis lebih baik atau lebih jelek dari mata kuliah lainnya, akan tetapi nilai sensitivitas yang tinggi menunjukkan bahwa nilai-nilai dari mata
kuliah tersebut memiliki pengaruh yang cukup kuat terhadap pencapaian tingkat kelulusan, dalam hal ini adalah lama studi dan IPK. Karena nilai dari mata kuliah tersebut memberikan suatu pola tertentu antara nilai pada variabel masukan dan target. Oleh karena nilai mata kuliah dengan nilai sensitivitas tertinggi memberikan pengaruh yang besar terhadap perolehan IPK dan lama studi maka diperlukan apresiasi serta perhatian khusus terhadap mata kuliah tersebut.
5 SIMPULAN DAN SARAN
5.5 Simpulan
Berdasarkan hasil penelitian yang telah dilakukan dapat disimpulkan bahwa jaringan saraf tiruan (JST) propagasi balik yang sudah dilatih dengan data nilai mata kuliah 2 (dua) semester tahun pertama program perkuliahan dapat digunakan untuk memprediksikan tingkat kelulusan mahasiswa berupa kategori lama studi dan IPK. Arsitektur JST dengan generalisasi terbaik dihasilkan oleh jaringan dengan jumlah input node 16, hidden node 10 dan output node 2 untuk MPLS, serta hidden node 15 dan output node 3 untuk MPIPK. Parameter jaringan terbaik diperoleh dari percobaan menggunakan kelompok data kedua, dengan fungsi fungsi pelatihan levenberg-marquardt, laju pembelajaran 0.1 untuk MPLS tingkat generalisasi data validasi dan data testing 96.97% dan 100.00%, serta laju pembelajaran 0.05 dan tingkat generalisasi data validasi dan data testing 100.00% dan 93.94% untuk MPIPK.
Hasil prediksi tingkat kelulusan mahasiswa angkatan 2008, 2009 dan 2010, baik berdasarkan lama studi maupun IPK, belum mencapai sasaran mutu yang ditetapkan, dimana persentase mahasiswa yang diprediksi lulus tepat waktu (3 tahun) masing-masing hanya sebesar 17.07% untuk angkatan 2008, 17.31% untuk angkatan 2009 dan 13.51% untuk angkatan 2010. Begitupula dengan hasil prediksi tingkat kelulusan mahasiswa angkatan 2008, 2009 dan 2010 berdasarkan predikat IPK diperoleh bahwa persentase mahasiswa yang diprediksi lulus dengan
predikat terpuji (IPK ≥ 3.5) sebesar 17.07% untuk angkatan 2008, 3.85% untuk angkatan 2009 dan 16.22% untuk angkatan 2010, dimana hasil prediksi mahasiwa yang lulus dengan predikat terpuji memiliki persentase yang lebih rendah dibandingkan dengan mahasiwa yang lulus dengan predikat sangat memuaskan, sebagaimana yang menjadi salah satu sasaran mutu Universitas Negeri Gorontalo. Berdasarkan hasil analisis sensitivitas yang betujuan untuk melihat pengaruh variabel input terhadap output, mata kuliah yang paling besar pengaruhnya pada kedua model prediksi adalah mata kuliah Aljabar Vektor dan Matriks. Mata kuliah tersebut memberikan pengaruh yang lebih besar dibandingkan mata kuliah lainnya
karena perolehan nilai dari mata kuliah tersebut menampakkan pola tertentu terhadap output yang ditetapkan.
5.2 Saran
Beberapa saran untuk penelitian lebih lanjut adalah perlu dilakukannya penelitian lanjutan untuk melatih JST dengan berbagai tipe data simulasi dan membandingkannya dengan teknik klasifikasi data yang lain sehingga diharapkan kinerja dari JST menjadi lebih baik dan optimal. Perlu dilakukannya pengujian terhadap kombinasi arsitektur dan parameter untuk JST selain dari pengujian yang telah dilakukan. Dengan mengujinya lebih banyak diharapkan dapat ditemukan parameter jaringan saraf tiruan yang lebih optimal. Melakukan penambahan jumlah variabel input dari model agar tingkat akurasi dan generalisasi dapat ditingkatkan, antara lain adalah variabel nilai ujian lokal yang menjadi salah satu standar nilai bagi seleksi penerimaan mahasiswa baru. Penelitian ini perlu dikembangkan menjadi sebuah sistem prototipe, dengan merancang sebuah program aplikasi antar muka (graphic user interface/GUI) untuk mendapatkan sistem prediksi yang lebih baik dan mudah digunakan oleh pengguna awam.