2
Prediksi Nilai Baca Tulis Al-Qur’an Mahasiswa Universitas Muhammadiyah Yogyakarta dengan Metode Deep Neural Network
Rinaldi1, Nusaibah2
1,2 Program Studi Teknologi Informasi, Fakultas Teknik, Universitas Muhammadiyah Yogyakarta, Yogyakarta, Indonesia ABSTRAK
Universitas Muhammadiyah Yogyakarta (UMY) sebagai salah satu universitas terbaik di Indonesia dengan kredo
“Unggul dan Islami” hadir untuk memberikan pendidikan yang seimbang, salah satunya dengan menerapkan program Baca Tulis Al-Qur’an (BTA) pada program studi sarjana.
Walaupun demikian, pihak Lembaga Pengkajian dan Pengamalan Islam (LPPI) sebagai penggagas kegiatan belum bisa memetakan mahasiswa yang membutuhkan perhatian lebih disebabkan belum adanya visualiasi data yang dinamis dan sulitnya mengakses data. Penelitian ini dilakukan untuk mengetahui tingkat ketepatan Deep Learning untuk memprediksi mahasiswa yang akan lulus dalam ujian akhir BTA dan membandingkan tingkat akurasi yang dihasilkan oleh Deep Learning dengan algoritma Machine Learning yang lainnya. Tahapan yang dilakukan pada penelitian ini diawali dengan pengumpulan data, pengolahan data, implementasi algoritma Deep Learning hingga didapatkan hasil dan kesimpulan. Atribut yang digunakan antara lain sekolah sebelumnya, nilai placement test, nilai uji kompetensi satu, dua dan tiga beserta kehadiran tiap-tiap uji kompetensi. Hasil yang didapatkan dari penelitian ini, pada data training dengan menggunakan metode Deep Neural Network (DNN) menghasilkan tingkat accuracy 89.85%. Pada proses data testing, akurasi yang didapatkan dengan menggunakan metode DNN adalah 95%
yang berarti metode DNN layak untuk digunakan dalam melakukan prediksi nilai akhir BTA.
Kata kunci: Baca Tulis Al-Qur’an (BTA), Deep Learning, Deep Neural Network
PENDAHULUAN
Universitas adalah salah satu tempat penyelenggara akademik yang diperuntukkan bagi mahasiswa. Dengan kredo “Unggul dan Islami” yang selalu digaungkan, UMY terus melakukan inovasi baru guna menyiapkan lulusan yang unggul dalam ilmu pengetahuan dan teknologi dengan berlandaskan nilai – nilai islam demi kemashalatan umat.
Untuk mewujudkan hal itu, Universitas Muhammadiyah Yogyakarta sudah menerapkan program Baca Tulis Al- Qur’an (BTA) pada program studi sarjana.
Program Baca Tulis Al-Qur’an (BTA) di Universitas Muhammadiyah Yogyakarta digagas oleh Lembaga Pengkajian dan Pengamalan Islam (LPPI) Universitas Muhammadiyah Yogyakarta. Menurut Fahmi Firmansyah sebagai koordinator BTA UMY periode 2018 mengatakan bahwa program BTA sudah dimulai sejak tahun 2013, akan tetapi program tersebut masih jauh dari kata baik apalagi terstruktur. Hal ini disebabkan karena
belum ada lembaga yang menginisiasi untuk melakukan inovasi sehingga program dapat berjalan dengan stuktur yang baik. Hinga pada akhirnya, tahun 2016 Lembaga Pengkajian dan Pengamalan Islam (LPPI) berhasil memberikan sebuah solusi sehingga sekarang program BTA bisa berjalan dengan cukup baik (Efendi, 2019). Walaupun demikian, masih ditemui mahasiswa yang tidak lulus dalam ujian akhir BTA. LPPI pun masih belum bisa memetakan mahasiswa yang membutuhkan perhatian lebih disebabkan belum adanya visualiasi data yang dinamis dan sulitnya mengakses data. Oleh sebab itu, diperlukan sebuah prediksi untuk memberikan gambaran terhadap nilai yang akan didapatkan oleh seorang mahasiswa pada ujian akhir BTA.
KAJIAN LITERATUR PENELITIAN TERDAHULU
Ika Kurniawati melakukan penelitian bertajuk Metode Komparatif Machine Learning dalam Memprediksi Kelulusan Mahasiswa Tahun 2019. Penelitian tersebut menjelaskan bahwa jumlah lulusan mahasiswa merupakan salah satu faktor terpenting yang dapat mempengaruhi akreditasi suatu perguruan tinggi dan penilaian masyarakat (Kurniawati, 2019). Dengan menggunakan 5 model data mining dari data mining Logistic Regression, algoritma C4.5, Iterative Dichotomiser Three (ID3), K- Nearest Neighbor (K-NN) dan Naive Bayes yang bertujuan untuk mengetahui performansi dari masing-masing model klasifikasi untuk memprediksi kelulusan siswa dengan hasil akurasi tertinggi 94,33% diperoleh dengan menggunakan model algoritma C4.5 dengan kurva ROC 0930.
Penelitian yang berjudul Use of Machine Learning Techniques for Educational Proposes: A Decision Support System for Forecasting Student’s Grades, berhasil membuat sebuah Machine Learning yang dapat memperkirakan nilai proposal pendidikan mahasiswa (Kotsiantis S. B., 2012).
Dengan menggunakan data yang tersimpan seperti kursus virtual, file log e-learning, data demografi dan akademik siswa, info pendaftaran / pendaftaran, dan sebagainya dapat berguna untuk algoritma Machine Learning. Pada penelitian ini menggunakan metode regresi untuk memprediksi kinerja dari mahasiswa.
Penelitian selanjutnya berjudul Predicting Students' Performance in Distance Learning using Machine Learning Techniques melakukan prediksi terhadap kinerja mahasiswa terkait pembelajaran jarak jauh ditingkat universitas (S. KOTSIANTIS, 2010). Dengan menggunakan karakteristik utama demografi mahasiswa dan beberapa tugas tertulis dapat menjadi set pelatihan untuk algoritma Machine Learning. Algoritma pembelajaran kemudian dapat memprediksi kinerja siswa baru, sehingga menjadi alat yang berguna untuk
mengidentifikasi siswa yang berprestasi buruk. Dengan membandingkan enam algoritma menggunakan data set yang disediakan oleh Hellenic Open University, ditemukan bahwa algoritma Naïve Bayes adalah yang paling tepat untuk digunakan.
Penelitian yang berjudul Exploring Machine Learning Methods to Automatically Identify Students in Need of Assistance menyebutkan bahwa metode untuk mengidentifikasi siswa yang membutuhkan bantuan telah dipelajari secara otomatis selama beberapa dekade (Ahadi, 2015). Awalnya, faktor yang mendasari hanya bersifat statis seperti latar belakang pendidikan siswa dan hasil angket yang beragam. Sedangkan pendataan akhir-akhir ini seperti kemajuan tugas dan perilaku yang diberikan dalam perkuliahan mendapat perhatian. Menggunakan data snapshot Penelitian ini dapat mendeteksi siswa awal yang membutuhkan bantuan, dan memberikan titik awal untuk menggunakan teknik pembelajaran mesin pada data proses pemrograman yang terakumulasi secara alami.
LANDASAN TEORI
Deep Neural Network (DNN) adalah artificial neural network yang memiliki banyak layer. Pada umumnya, Deep Neural Network memiliki lebih dari 3 layers yaitu input layer, N hidden layers, output layer. Penyebutan kata deep disebabkan oleh adanya relatif banyak layer yang dimiliki.
Dengan kata lain, DNN merupakan MLP dengan jumlah layer yang lebih banyak (Putra, 2018). Cara untuk menghitung final output pada deep network sama seperti MLP, dimana β, γ, λ merupakan noise atau bias.
Keuntungan utama dari DNN adalah mampu merubah data dari bentuk non-linearly separable menjadi linearly separable melalui serangkaian transformasi pada hidden layers. Selain itu, DNN juga memiliki kemampuan untuk mencari decision boundary yang berbentuk non- linear, serta mengsimulasikan interaksi non-linear antar fitur.
METODE PENELITIAN ALAT DAN BAHAN
Alat yang digunakan pada penelitian ini terbagi menjadi dua, yaitu hardware (perangkat keras) dan software (perangkat lunak). Sepesifikasi dari hardware yang digunakan berupa laptop Asus A456 UR dengan processor Intel Core i5 generasi ke-7, 12 GB RAM DDR4, HDD 1TB dan SSD Apacer AS340 480GB. Sedangkan untuk spesifikasi software yang digunakan adalah Sistem Operasi Windows 10 Education 64 bit, Microsoft SQL Server 2018, Microsoft Excel 2019, Microsoft Word 2019, Microsoft Visual Studio Code version 1.43.1, Microsift Visual Studio 2019Python 3.7, Tensorflow version 1.15, Pandas version 1.0.3, Torch 7.0, Matplotlib 3.2.2 dan Microsoft Power BI version 2.79.
Bahan-bahan yang digunakan dalam penelitian ini terdiri dari data nilai Baca Tulis Al-Qur’an (BTA) mahasiswa angkatan 2018 yang berasal dari Lembaga
Pengkajian dan Pengamalan Islam (LPPI) dan data sekolah asal mahasiswa yang berasal dari Biro Sistem Informasi (BSI) Universitas Muhammadiyah Yogyakarta.
METODE PENELITIAN
Penelitian ini diawali dengan studi pustaka, metode Deep Learning yang digunakan, pengumpulan data, menyeleksi data, penerapan serta pengujian metode, hasil dan kesimpulan. Pada Gambar 1 merupakan diagram alir tahapan penelitian yang akan dilalui pada penelitian ini.
Gambar 1 Diagram Alir Tahapan Penelitian
Tahapan penelitian yang akan dilakukan antara lain:
1) Studi Literatur
Studi literatur dilakukan dengan tujuan untuk mencari penulisan – penulisan yang berkaitan dengan penelitian Deep Learning sebelumnya, penggunaan serta penerapan, serta kelemahan dari setiap penelitian yang dilakukan. Tujuan lainnya adalah untuk menguatkan teori-teori yang terdapat pada penelitian ini.
2) Pengumpulan Data
Sumber data adalah tempat dari suatu data itu diperoleh, bisa melalui manusia, dokumen maupun yang lainnya. Jika dilihat dari bagaimana data tersebut dikumpulkan, maka dapat dibagi menjadi sumber data primer dan sumber data sekunder. Pada penelitian ini, tidak menggunakan sumber data primer, melainkan hanya sumber data sekunder. Data sekunder tersebut berasal dari Lembaga Pengkajian dan Pengamalan Islam (LPPI) dan Biro Sistem Informasi (BSI) Universitas Muhammadiyah Yogyakarta.
3) Pengolahan Data
Teknik pengolahan data yang dapat digunakan untuk mendapatkan data yang berkualitas adalah sebagai berikut:
• Seleksi Data (Data Selection)
• Pembersihan Data (Data Cleaning)
• Integrasi Data (Data Integration)
4
• Transformasi Data (Data Transformation) Namun pada penelitian ini hanya menggunakan tiga tahapan yaitu, seleksi data, pembersihan data dan transformasi data. Hal ini disebabkan, karena data yang digunakan tidak terintegrasi, melainkan hanya perlu digabungkan.
Maka ditambahkan satu tahapan yaitu penggabungan data. Penggabungan yang dilakukan adalah antara data dari Lembaga Pengkajian dan Pengamalan Islam dengan data dari Biro Sistem Informasi (BSI) Universitas Muhammadiyah Yogyakarta. Berikut adalah data-data yang butuhkan:
• Asal sekolah mahasiswa/i Universitas Muhammadiyah Yogyakarta sebelumnya.
• Nilai Placement Test penjajakan Al-Qur’an mahasiswa Universitas Muhammadiyah Yogyakarta 2018.
• Nilai akhir Baca Tulis Al-Qur’an (BTA).
• Nilai Uji Kompetensi (UK) 1,2 dan 3.
• Nilai kehadiran mahasiswa selama bimbingan yang terbagi menjadi 3 bagian. Kehadiran Uji Kompentensi (UK) 1,2 dan 3.
4) Implementasi Deep Learning
Data yang ada akan dibagi menjadi dua bagian, yaitu data training dan testing. Data training adalah kumpulan data yang akan dijadikan sebagai tempat belajar data. Sedangkan data testing adalah data untuk melakukan uji coba terhadap proses belajar menggunakan Deep Learning. Atribut yang akan diuji adalah sekolah sebelumnya, nilai placement test, nilai uji kompetensi 1, 2 dan 3 serta kehadiran dari tiap masing-masing uji kompetensi.
HASIL DAN PEMBAHASAN PENGOLAHAN DATA
Data pada penulisan ini merupakan data sekunder. Data tersebut berasal dari Biro Sistem Informasi (BSI) dan Lembaga Pengkajian dan Pengamalan Islam (LPPI) Universitas Muhammadiyah Yogyakarta. Data yang berasal dari BSI berisikan nomor mahasiswa, nama mahasiswa, dan asal institusi sebelum memasuki Universitas Muhammadiyah Yogyakarta. Sedangkan data yang berasal dari LPPI berisi nomor mahasiswa, nama mahasiswa, nilai placement test, nilai akhir, nilai uji kompetensi satu, dua dan tiga beserta kehadiran tiap masing-masing uji kompetensi.
Terdapat tiga tahapan yang dilakukan pada proses pengolahan data, yaitu:
1) Penggabungan dan Seleksi Data (Data Merging and Selection)
Pada tahap ini dilakukan penggabungan antara tabel nilai placement test dengan nilai akhir Baca Tulis Al-Qur’an Mahasiswa Angkatan 2018 dengan total 6092 mahasiswa. Setelah melakukan penggabungan data, maka dilakukan proses pengurutan data dari yang paling awal sampai yang paling akhir.
Selanjutnya dilakukan penggabungan sheet yang bertujuan untuk menyatukan seluruh sheet yang ada. Untuk melakukan penggabungan sheet, penulis
menggunakan visual basic, yang mana pada Microsoft Excel sudah menyediakan opsi developer untuk mempermudah para pengembang dalam kustomisasi data menggunakan bahasa visual basic. Setelah berhasil penggabungan sheet, dilakukan penggabungan data nilai placement test dan nilai akhir dari Lembaga Pengkajian dan Pengamalan Islam (LPPI) yang sudah di merge dengan data dari Biro Sistem Informasi.
Proses penggabungan tabel dilakukan dengan inner join dengan atribut Nomor Mahasiswa sebagai primary key pada kedua tabel seperti pada Gambar 2.
Sedangkan untuk data yang ingin didapatkan dari hasi inner join adalah sekolah sebelumnya.
Gambar 2 Inner Join antara Data LPPI dan BSI
2) Pembersihan Data (Data Cleaning)
Proses cleaning data merupakan tahapan untuk menghilangkan beberapa nilai data yang salah, menghilangkan duplikasi data yang ada, memeriksa data yang tidak konsisten, serta memperbaiki kekacauan data. Dikarenakan masih ada beberapa atribut yang tidak relevan, sehingga diperlukan pembersihan, guna untuk memastikan value sudah sesuai dengan apa yang dibutuhkan. Tahapan ini memerlukan proses yang cukup panjang.
3) Transformasi Data (Data Transformation)
Transformasi data adalah proses yang dilakukan untuk mengubah nilai dari beberapa artibut yang ada menjadi bentuk yang lainnya. Hal ini bertujuan untuk memudahkan proses prediksi dengan menggunakan Python. Adapun atribut yang di ubah yaitu: sekolah sebelumnya, nilai placement test, nilai akhir, nilai uji kompetensi satu, dua dan tiga beserta kehadiran tiap-tiap uji kompetensi.
Untuk selanjutnya, dibuatkan inisialisasi terhadap beberapa atribut tersebut seperti yang tertera pada Tabel 1, Tabel 2 dan Tabel 3.
Tabel 1 Inisialisasi Sekolah Sekolah Sebelumnya Inisialisasi
SMAN/SMAS/SMAM 1
SMKN/SMKS/SMKM 2
MAN/MAS/Pondok/MAM 3
Inner Join
Data BSI Data LPPI
NIM Nama
Tabel 2 Inisialisasi Nilai Nilai Placement
Test/UK
Inisialisasi
Nilai A Sangat Bagus = 1
Nilai B Bagus = 2
Nilai C Cukup = 3
Nilai D Kurang = 4
Nilai E Sangat Kurang = 5
Tabel 3 Inisialisasi Kehadiran
Presensi Inisialisasi
Kehadiran 1-3 kali/UK Kurang
Kehadiran 4-6 kali/UK Cukup
Kehadiran >7 kali/UK Rajin
Selanjutnya, atribut yang sudah diinisialisasi akan ditransformasikan dengan mengubah atribut pada nilai placement test dan uji kompetensi menjadi beberapa tingkat yaitu: sangat bagus, bagus, cukup, kurang dan sangat kurang. Dikarenakan atribut yang ada masih kurang cukup untuk menjelaskan apakah mahasiswa tersebut lulus atau tidak dalam ujian BTA, maka dibuat inisialisasi baru pada Tabel 4. Berdasarkan keputusan yang ditetapkan oleh Lembaga Pengkajian dan Pengamalan Islam (LPPI), bahwa nilai minimal yang harus didapatkan oleh mahasiswa untuk bisa lulus dalam ujian akhir adalah nilai B.
Tabel 4 Inisialisasi Kelulusan BTA Nilai Ujian Akhir Inisialisasi
Nilai A atau B Lulus
Nilai < B Tidak Lulus
Atribut nilai akhir digunakan sebagai label pada data training, evaluating dan testing. Untuk melakukan ketiga proses tersebut, digunakan bahasa pemograman Python 3.7. Pada Gambar 3 adalah hasil dari transformasi data. Pada tabel tersebut, terdapat delapan atribut yang akan digunakan sebagai input dan satu atribut sebagai label.
Data-data tersebut akan dilatih menggunakan beberapa metode.
Gambar 3 Tabel yang telah Diinisialisasikan
Data yang berhasil diseleksi dan ditransformasi, selanjutnya akan dilakukan proses pengolahan dengan menggunakan Bahasa Python 3.7. Data yang akan dilatih menggunakan metode Deep Learning berjumlah 1073 data seperti pada Gambar 4. Untuk mempermudah proses prediksi, data akan dibagi menjadi data training dan testing.
Data training digunakan untuk proses belajar sebuah data.
Sehingga data akan dapat memprediksi ketika ada data baru yang diberikan dan akan dapat memberikan sebuah keputusan. Berbeda dengan data training, data testing atau yang biasanya dikenal juga dengan data predict, digunakan untuk melihat seberapa akurat hasil dari data training. Guna dari data testing adalah untuk mengevaluasi hasil dari data testing, apakah sesuai atau tidak.
Gambar 4 Jumlah Data yang akan Digunakan
Untuk melihat seberapa baik metode Deep Learning, maka akan dibandingkan dengan algoritma Machine Learning yang lainnya seperti Machine Learning .Net. Tentunya dengan adanya perbandingan ini, maka akan dapat melihat kelebihan dan juga kekurangan dari setiap metode yang ada. Disamping itu, akan dapat memberikan keleluasaan dan juga pilihan kepada orang lain untuk menentukan Machine Learning mana yang cocok jika digunakan dengan kasus yang serupa.
Pada penelitian ini digunakan pandas sebagai load data .csv. Pandas adalah sebuah librari yang menyediakan analisis data dan struktur data untuk bahasa pemograman python. Dalam artian, pandas dapat membersihkan data mentah kedalam sebuah bentuk analisis (tabel).
PENGUJIAN DEEP NEURAL NETWORK (DNN)
6 Pada tahap pengujian dengan menggunakan Deep Neural
Network akan dilakukan sebuah analisis berdasarkan data historis yang ada. Data historis tersebut adalah data-data nilai uji kompetensi yang dilalui, sekolah sebelum masuk di Universitas Muhammadiyah Yogyakarta dan nilai yang didapatkan ketika melakukan placement test ketika registrasi.
Gambar 5 Input Layer
Input layer dibuat dengan delapan neuron yang menggambarkan atribut dari setiap input seperti Gambar 4.
Berikutnya hidden layer. Hidden layer adalah tempat dimana setiap neuron melakukan proses belajar. Arsitektur hidden layer yang digunakan adalah: pada hidden layer pertama ada 16 neuron, hidden layer kedua 32 neuron dan hidden layer ketiga ada 64 neuron dengan menggunakan activation function ‘ReLU’.
Bagian yang menjadi salah satu bagian terpenting, output layer. Output layer adalah hasil dari proses belajar data pada hidden layer. Dengan menambahkan output layer, maka bisa mendapatkan hasil. Pada output layer, ditambahkan 5 Dense yang berfungsi sebagai pengklasifikasian nilai akhir mahasiswa yang mengikuti Baca Tulis Al-Qur’an seperti yang terdapat pada Gambar 6.
Gambar 6 Output Layer
Langkah terakhir sebelum melakukan proses training data, dilakukan compile arsitektur menggunakan optimizer ‘adam’. Adam adalah sebuah algoritma pengoptimalan yang bisa digunakan untuk prosedur stochastic gradient descent yang memperbaharui weight network secara iterative sesuai dengan data training.
Dengan menggabungkan antara sifat-sifat algoritma adaGrad dan RMSProp, adam sedikit lebih mudah untuk dilakukan konfigurasi karena parameter konfigurasi bekerja dengan sangat baik pada berbagai masalah.
Berikutnya proses training data. Pada proses ini, dilakukan beberapa kali percobaan dengan harapan bisa mendapatkan tingkat akurasi yang paling tinggi. Pada percobaan pertama, epoch diatur menjadi 100. Sehingga mendapatkan tingkat akurasi sebesar 82.56% sebagaimana dapat dilihat pada Gambar 7(a).
Kemudian epoch ditingkatkan menjadi 500 dengan tujuan untuk melihat seberapa tinggi akurasi yang akan didapatkan. Hasil epoch dinaikkan 500 bertambah menjadi 89,06% seperti pada Gambar 7(b). Akurasi yang didapatkan masih terlalu rendah dan perbedaan dengan percobaan yang pertama sebesar 6,5%.
Pada percobaan yang ketiga, epoch kembali ditingkatkan menjadi 1000. Tingkat akurasi menjadi 89,85% seperti pada Gambar 7(c).
Tingkat akurasi hanya mengalami peningkatan sebesar 0,79%. Hasil yang didapatkan tidak terlalu berbeda dengan percobaan yang sebelumnya. Hasil dari keseluruhan percobaan dengan menggunakan metode Deep Neural Network dapat dilihat pada Tabel 5 dan Gambar 7.
Tabel 5 Perbandingan Tingkat Akurasi DNN
Percobaan Epoch Hasil
1 100 82,56%
2 500 89,06%
3 1000 89,85%
Gambar 7 Grafik Akurasi Metode DNN dengan Epoch 100 (a), 500 (b) dan 1000 (c)
DATA TESTING
Sebelum melakukan proses testing, penulis menyimpan hasil model prediksi DNN dalam sebuah ekstensi .h5.
Setelah berhasil menyimpan model prediksi, penulis melanjutkan untuk membuat beberapa function seperti fungsi prediksi untuk DNN dan confusion matrix. Fungsi prediksi digunakan untuk proses evaluasi menggunakan hasil training DNN yang telah dilakukan. Sedangkan confusion matrix digunakan untuk melihat informasi tentang kesalahan yang dibuat oleh sebuah model dan juga melihat jenis kesalahan yang dibuat.
Selanjutnya penulis menambahkan sebuah file baru yang berisikan 223 data yang akan digunakan untuk proses testing dengan ekstensi .csv. Dengan menggunakan model yang telah disimpan sebelumnya, proses testing dilakukan pada data model DNN dengan epoch 1000.
Akurasi yang didapatkan untuk proses testing dengan menggunakan DNN adalah 95%, seperti pada Tabel 6 adalah hasil yang didapatkan pada proses testing DNN:
Tabel 6 Hasil proses testing dengan DNN
Precision Recall F1-
score Support Akurasi Label 1 0,97 0,99 0,98
95%
Label 2 1,00 0,27 0,43 Label 3 0,86 0,97 0,92 Weighted
avg 0,95 0,95 0,94
KESIMPULAN DAN SARAN
Dari hasil pembahasan dari penelitian yang telah dilakukan, dapat disimpulkan bahwa setelah melakukan proses seleksi data terhadap mahasiswa Universitas Muhammadiyah Yogyakarta yang mengikuti proses belajar Baca Tulis Al- Qur’an (BTA) yang dilakukan oleh Lembaga Pengkajian dan Pengamalan Islam (LPPI), bahwa metode Deep Neural Network (DNN) mampu untuk memprediksi nilai akhir BTA.
Prediksi yang dilakukan untuk memprediksi hasil nilai BTA mahasiswa Universitas Muhammadiyah Yogyakarta menggunakan atribut: sekolah sebelumnya, nilai placement test, nilai uji kompetensi satu, dua dan tiga beserta kehadiran proses belajar sebelum mengiktui tiap- tiap uji kompetensi.
Dengan menggunakan total data training 2058, proses training menggunakan metode Deep Neural Network (DNN) menghasilkan tingkat accuracy sebesar 89,85%
dengan 1000 epoch. Proses testing dilakukan dengan menggunakan metode DNN. Akurasi yang didapatkan untuk proses testing dengan menggunakan DNN adalah 95% yang berarti metode DNN layak untuk digunakan dalam melakukan prediksi nilai akhir BTA.
REFERENSI
Ahadi, A. L. (2015). Exploring machine learning methods to automatically identify students in need of assistance. ICER 2015 - Proceedings of the 2015 ACM Conference on International Computing Education Research, (pp. 121-130).
doi:https://doi.org/10.1145/2787622.2787717 Efendi, I. (2019). Evaluasi Program Bimbingan Baca Tulis
Al-Qur'an Bagi Mahasiswa di Universitas Muhammadiyah Yogyakarta. Skripsi, UMY.
Kotsiantis, S. B. (2012). Use of machine learning techniques for educational proposes: a decision support system for forecasting students’ grades.
331–344.
Kurniawati, I. (2019, May). Komparasi Metode Machine Learning Pada Prediksi Kelulusan Mahasiswa A Comparative Method of Machine Learning On Predicting Students Graduation. pp. 37-45.
Putra, J. W. (2018). Pengenalan Konsep Pembelajaran Mesin dan Deep Learning.
S. KOTSIANTIS, C. P. (2010). PREDICTING
STUDENTS' PERFORMANCE IN DISTANCE LEARNING USING MACHINE LEARNING TECHNIQUES. 411-426.
