JARINGAN SARAF TIRUAN PREDIKSI PEMAHAMAN
MAHASISWAPADA MATAKULIAH KECERDASAN BUATAN
Supina Batubara
Program Studi Sistem Komputer, Fakultas Sains dan teknologi, Universitas Pembangunan Panca Budi Jln. Jenderal Gatoto Subroto KM 4.5 Sei Sikambing 20122
supinabatubara@dosen.pancabudi.ac.id
Abstrak:Pemanfaatan teknologi informasi dalam dunia pendidikan juga dapat menghasilkan data yang
berlimpah mengenai data mahasiswa dan nilai pembelajaran yang dihasilkan. Seperti nilai matakuliah kecerdasan buatan yang sangat mempengaruhi jumlah IPK dan tingkat kelulusan karna jika kecerdasan buatan tersebut mendapatkan nilai D atau E maka mahasiswa tersebut tidak dapat melakukan pendaftaran skripsi. Penelitian ini bertujuan untuk menentukan rancangan arsitektur jaringan syaraf tiruan dalam memperediksi tingkat pemahaman mahasiswa pada matakuliah kecerdasan buatan. Penelitian ini menggunakan penelusuran jaringan saraf tiruan dengan faktor terkait yaitu nilai matakuliah kecerdasan buatan, pengolahan backpropagation menggunakan matlab yang akan menghasilkan rancangan arsitektur jaringan syaraf tiruan dalam memperediksi tingkat pemahaman mahasiswa pada matakuliah kecerdasan buatan.
Kata Kunci: Pemahaman, Kecerdasan Buatan, Jaringan Saraf Tiruan, Matlab
1. PENDAHULUAN
Dosen Pengampu matakuliah perlu mengerahkan seluruh pengetahuan yang dimiliki untuk membantu mahasiswa menyelesaikan pendidikan mereka dengan prestasi akademik yang baik dan meminimalisir tingkat ketidak lulusan mahasiswa, Tentunya dalam perguruan tinggi kelulusan mahasiswa penting terutama dalam penilaian akreditasi perguruan tinggi, Sedangkan dalam perguruan tinggi memiliki data mahasiswa yang bisa digunakan untuk keperluaan pengambilan keputusan untuk pengembangan sistem belajar dalam perguruan tinggi. Salah satunya caranya adalah dengan melakukan klasifikasi data nilai mahasiswa untuk mengetahui nilai matakuliah unggulan apa saja yang paling krusial dari semester pertama.Pada teknik data mining dan model data driven yang terkenal yang sering digunakan pada penelitian-penelitian yang ada telah banyak dilakukan dengan beberapa teknik yaitu DT, SVM, NB dan NN. Dari beberapa model yang ada kami menggunakan model bakpropagation yang dikarenakan data yang kita uji coba menggunakan data besar yang hanya dapat dilakukan oleh model backpropagation tersebut. Model Backpropagatione yang digunakan untuk analisis jaringan saraf tiruan, penulis menerapkan metode model backpropagation. untuk
mendefinisikan nilai awal seperti nilai input data (weight), bias dan nilai output (y) yang diharapkan. Prediksi tingkat pemahaman mahasiswa terhadap mata kuliah kecerdasan buatan sangatlah penting untuk mengetahui sampai dimana pemahaman mahasiswa terhadap mata matakuliah kecerdasan yang disampaikan oleh dosen pengampu pada saat kegiatan belajar mengajar dan untuk mengetahui kemampuan dosen dalam menyampaikan mata kuliah. Jaringan Saraf Tiruan untuk memprediksi pemahaman mahasiswa terhadap mata kuliah kecerdasan buatan menggunakan beberapa variabel yaitu: Pengetahuan, ketrampilan/kemampuan, penilaian & beban kerja dan bimbingan & konseling. [1] Proses belajar mengajar merupakan salah satu kegiatan dalam sebuah sekolah maupun perguruan tinggi dalam mencerdaskan kehidupan bangsa. Peran tersebut tidak terlepas dari tenaga pengajar professional dan pamahaman mahasiswa yang baik. Dalam proses belajar mengajar perlunya hubungan dua arah antara mahasiswa dan tenaga pengajar. Ini dimaksudkan supaya ada kerjasama yang baik selama proses belajar mengajar berlangsung. Analisa yang dilakukan oleh pihak sekolah ataupun perguruan tinggi terhadap proses belajar mengajar sangat perlu dilakukan diakhir semester. Ini bertujuan agar ada penilaian terhadap mahasiswa dan tenaga pengajar professional. Bagi
mahasiswa ini bertujuan menilai tingkat pemahaman dan daya serap terhadap mata kuliah yang diajarkan dan bagi tenaga pengajar professional ini bertujuan untuk menilai sejauh mana tenaga pengajar professional dapat menyalurkan pengetahuanya terhadap mata kuliah yang diampunya selama 1 (satu) semester. Sehingga pihak sekolah dapat memberikan keputusan yang adil. Dalam memprediksi sampai mana tingkat pemahaman mahasiswa terhadap matakuliah. Dalam upaya meningkatkan kelulusan mahasiswa setiap setiap akhir semester tidak terlepas dari usaha perguruan tinggi memberlakukan kebijaksanaan-kebijaksanaan dari peraturan kementrian pendidikan. Salah satu kebijakan yang sudah dilakukan oleh kampus dalam upaya peningkatan kelulusan mahasiswa adalah dalam menguasai matakuliah khusus yang ditetapkan dalam satu kurikulum adalah dengan memanfaatkan media informasi dalam setiap kepentingan, baik berupa tugas yang diberikan oleh dosen pengampuh dan rasa keingintahuan mahasiswa tersebut terhadap tugas yang diberikan. Selain itu, ada juga mahasiswa yang menganggap sebuah tugas yang diberikan setiap dosen merupakan beban tambahan mahasiswa yang akhirnya karena merasa terbebani dengan tugas tersebut bisa jadi tidak mengerjakannya. Untuk meninhkatkan tingkat kelulusan mahasiswa disetiap semester dapat ditinjau dalam memahami setiap matakuliah, penulis merujuk kepada penelitian yang sudah dilakukan para peneliti sebelumnya, diantaranya Prediksi Tingkat Kelulusan Nilai Mahasiswa Terhadap Matakuliah Web Programming Menggunkan Metode Neural Network [2] Penerapan teknologi informasi dalam dunia pendidikan juga dapat menghasilkan data yang berlimpah mengenai data mahasiswa dan nilai pembelajaran yang dihasilkan. Seperti nilai matakuliah unggulan tersebut yang sangat mempengaruhi jumlah ipk dan kelulusan karna jika salah satu matakuliah unggulan seperti Web Programming tersebut mendapatkan nilai D maka mahasiswa tersebut tidak dapat melakukan pendaftaran Tugas akhir atau Skripsi. Salah satu caranya adalah dengan melakukan klasifikasi data
nilai mahasiswa untuk mengetahui nilai matakuliah unggulan apa saja yang paling krusial dari semester pertama, dengan menggunakan metode klasifikasi Neural Network yang memiliki kelebihan dalam data yang besar dan memberikan prediksi kelulusan nilai mahasiswa yang akurat agar mendapatkan akurasi yang tepat untuk melakukan klasifikasi kelulusan terhadap matakuliah unggulan pada program studi Sistem Informasi. Dari hasil penelitin ini mendapatkan nilai accuracy sebesar 95.67% dan grafik ROC dengan nilai AUC (Area Under Curve) sebesar 0,939. Faktor biologis, dosen, kurikulum, sarana dan prasarana serta lingkungan sosial. Penguasaan dosen dalam berkomunikasi, penguasaan materi bahan ajar juga mempengaruhi pemahaman mahasiswa. Penggunaan GA dalam menentukan nilai parameter JST mampu meningkatkan akurasi pengukuran dari 85.36% menjadi 85.73% [3] Penerapan metode JST di PT.XYZ menggunakan algoritma Backpropagation. Arsitektur jaringan syaraf tiruan yang digunakan yaitu 3 input layer, 1 output layer, dan 1 hidden layer serta fungsi aktivasi yang digunakan logsig dan purelin. Logsig untuk hidden layer dan purelin untuk output layer. Rancangan arsitektur jaringan syaraf tiruan terbaik untuk peramalan permintaan v-belt AJGG B-65 adalah jaringan multi layer feedforward dengan struktur neuron 20-1 dengan 1 (satu) hidden layer, learning rate (lr) yang digunakan 0,1 dan momentum constant (mc) 0,2. Nilai Mean Square Error (MSE) pelatihan jaringan sebesar 0,001 Nilai MAPE pengujian data sebesar 5,7134%. Hasil peramalan JST permintaaan periode 2013 v-belt AJGG B-65 yaitu 12142 pcs, 30927 pcs, 27259 pcs, 40259 pcs, 14529 pcs, 23135 pcs, 19611 pcs, 10434 pcs, 6062 pcs, 35201 pcs, 16289 pcs dan 31763 pcs. [4] Dari beberapa penelitian yang sudah dilakukan diatas, meningkatkan mutu dan kualitas mahasiswa merupakan kewajiban perguruan tinggi yang sudah jelas merupakan visi dan misi sebuah program studi dalam menghasilkan lulusan yang menguasai ilmu pengetahuan yang beretika dan profesional.Berdasarkan permasalahan tersebut perlu adanya metode yang tepat dalam meningkatkan kemampuan mahasiswa dalam
memahami setiap matakuliah yang sudah ditetapkan dalam kurikulum.
2. KAJIAN LITERATUR
Jaringan syaraf tiruan adalah salah satu representasi buatan dari otak manusia yang selalu mencoba mensimulasikan proses pembelajaran pada otak manusia tersebut. Otak manusia berisi berjuta-juta sel saraf yang bertugas untuk memproses informasi. Tiap-tiap sel bekerja seperti suatu processor sederhana. Masing-masing sel tersebut saling berinteraksi sehingga mendukung kemampuan kerja otak manusia [5] JST adalah salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah buatan digunakan karena jaringan syaraf diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran [3] Jaringan saraf tiruan (JST) (artificialneural network (ANN) / simulated neural network (SNN) / neural network(NN)) adalah jaringan yang terdiri atas sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan saraf manusia. Jaringan saraf tiruan adalah paradigma pemrosesan suatu informasi yang terinspirasi oleh sistem sel saraf bilogin sama seperti otak yang memproses suatu informasi. [1]Salah satu bidang dimana Jaringan Syaraf Tiruan dapat diaplikasikan dengan baik adalah dalam bidang peramalan (forecasting). Peramalan yang sering dilakukan adalah peramalan nilai tukar valuta asing, peramalan cuaca dan lain-lain. Secara umum peramalan yang dapat dilakukan oleh Jaringan Syaraf Tiruan adalah peramalan runtut waktu (time series) sebagai input dan target dari output yang diinginkan pada proses pelatihan adalah data periode sebelum tahun yang akan diramal, data tersebut digunakan untuk menentukan bobot yang optimal. Setelah bobot optimal didapatkan dari proses pelatihan, bobot-bobot tersebut digunakan untuk menentukan nilai peramalan jika sistem diuji oleh data yang pernah masuk dalam sistem peramalan [5] Pelatihan Jaringan Syaraf bertujuan untuk mencari bobot-bobot yang terdapat pada setiap layer. Ada dua
jenis pelatihan dalam sistem jaringan syaraf tiruan, yaitu:
1. Supervised Learning. Dalam proses pelatihan ini, jaringan dilatih dengan cara diberikan data-data yang disebut training data yang terdiri atas pasangan input-output yang diharapkan dan disebut associative memory. Setelah jaringan dilatih, associative memory dapat mengingat suatu pola. Jika jaringan diberi input baru, jaringan dapat menghasilkan output seperti yang diharapkan berdasarkan pola yang sudah ada.
2. Unsupervised Learning. Dalam proses pelatihan ini, jaringan dilatih hanya dengan diberi data input yang memiliki kesamaan sifat tanpa disertai output [5]
3. PEMBAHASAN
a. Pengujian Hasil
Pengujian dilakukan melalui feedforward dengan langkah-langkah sebagai berikut: 0. Inisialisasi bobot (hasil pelatihan); 1. Untuk setiap vektor input, kerjakan langkah 2 – 4; 2. Untuk i=1, …, n: set aktivasi unit input X1. 3. Untuk j=1, …, p:∑
4. Untuk k-1, …, p:∑ Denormalisasi Testing
Setelah dilakukan proses training dan testing pola-pola yang dilatih, maka akan diperoleh hasil bahwa pengujian terhadap pola-pola tersebut apakah telah benar/akurat atau sebaliknya. Untuk menghitung Rata-rata Error (RMSE) jaringan, dapat dilakukan dengan rumus (Andrijasa dan Mistianingsih, 2010):
∑
Dimana:= Nilai aktual data (target)= Nilai hasil prediksi (actual output) N = Jumlah data yang diujikan Sedangkan untuk proses denormalisasi atau mengembalikan kembali nilai hasil prediksi jaringan ke bentuk data semula (sebelum normalisasi) dapat menggunakan rumus sebagai berikut:Di mana:= Nilai X yang akan dilakukan denormalisasi= Nilai hasil prediksi (actual output) yang sesuai dengan= Nilai maksimum pada barisan X= Nilai minimum pada barisan XPengolahan data dilakukan dengan bantuan
Matlab 6.1 aplikasi perangkat lunak. Sampel Data baku 40 mahasiswa akan dibagi menjadi dua bagian, yaitu data pelatihan dan data pengujian. Data mentah akan dikonversi berubah menjadi tabel kriteria yang telah ditentukan pada Tabel 1. Sedangkan untuk sampel data yang telah diproses dan ditranformasikan adalah sebagai berikut.
Tabel 2: Sampel dari data yang telah ditransformasikan No Npm Nama
Variabel Input Target A B C D 1 1561 4 Zulfikri Ramadha n Yoga X 1 X 2 X 3 X 4 X5 2 1571 4 Iqbal Syukur 0 . 8 0 . 6 0. 6 0 . 8 1 3 1591 4 M Rizky Alamsya h 0 . 8 1 0. 8 0 . 8 1 4 1516 4 Teguh Hardiyan to 0 . 8 0 . 6 0. 4 0 . 4 1 5 1517 4 Mhd. Masyuril 0 . 8 0 . 8 0. 8 1 1 6 1561 4 Hadi Gunawan 0 . 6 0 . 6 0. 8 0 . 6 1 7 1541 4 Adriyan Irawan 0 . 8 0 . 8 0. 8 0 . 8 1 8 1517 4 Panji Prabowo 0 . 6 0 . 8 0. 6 0 . 8 1 9 1518 4 Solihan Wali Dani 0 . 8 0 . 6 0. 6 0 . 8 1 10 1581 4 Gahni Aristyan Hartin 0 . 8 0 . 8 0. 6 0 . 8 1 11 1510 4 Chya Audia Marza 0 . 6 0 . 8 0. 6 0 . 6 1 12 1451 4 Mustafa Ahmad Anshori 0 . 8 0 . 8 0. 6 0 . 8 1 13 1516 Haifa Khairunn 0 . 0 . 0. 6 0 . 1
No Npm Nama A Variabel Input B C D Target
4 isa 6 4 8 14 1517 4 Khuzaifi Rizqan Mubaraq 0 . 8 0 . 8 1 1 1 15 1517 4 Putri Permata Sari 0 . 6 0 . 6 0. 8 0 . 6 1 16 1571 4 Sahrina Sinaga 0 . 8 1 0. 8 0 . 8 1 17 1471 4 M. Ari Munanda r Siregar 0 . 8 0 . 8 0. 8 0 . 8 1 18 1518 4 Windy Mia Suhendra 0 . 8 0 . 8 0. 6 0 . 8 1 19 1518 4 Anggi Pranita Dewi 0 . 8 0 . 6 0. 8 1 1 20 1513 4 Widya Sahputri 0 . 8 0 . 8 0. 8 0 . 8 1 21 1515 4 Yessi Anggrein i 0 . 8 0 . 6 0. 8 0 . 6 1 22 1511 4 Rahmat Nofadil 0 . 8 0 . 8 0. 6 0 . 8 1 23 1541 4 Muham mad Rifki 0 . 6 0 . 6 0. 8 0 . 6 1 24 1561 4 Inti Rahmi Sakinah 0 . 6 0 . 4 0. 6 0 . 8 1 25 1851 4 Muham mad Raja Rizaldi 0 . 6 0 . 8 0. 8 0 . 8 1 26 1531 4 Anang Ashari Siregar 0 . 6 0 . 6 0. 8 0 . 8 1 27 1541 4 Min Fadly 0 . 6 0 . 4 0. 6 1 1 28 1516 4 Defri Okta 0. 0. 0.8 1 1
No Npm Nama Variabel Input A B C D Target Riady 8 6 29 1571 4 Dimas Abdi Pradana 0 . 6 0 . 6 0. 6 0 . 8 1 30 1581 4 Yayuk Triyatni 0 . 6 0 . 6 0. 4 0 . 6 1 31 1591 4 Aldy Ramadan i 0 . 8 0 . 6 0. 6 0 . 8 1 32 1551 4 Anand Chairani 0 . 6 0 . 6 1 1 1 33 1541 4 Fazra Mahira 0 . 8 0 . 8 0. 6 1 1 34 15154 Rita Angelin a Adios 0 . 8 0 . 8 0. 6 1 1 35 15184 Iqbal Dwi Alamsy ah 0 . 6 0 . 6 0. 6 1 1 36 15014 Traihan Hisyam 0 . 4 0 . 4 0. 4 0 . 6 1 37 15174 Ardika Wira 0 . 8 0 . 6 0. 6 0 . 8 1 38 15714 Aditya Meirindt a 0 . 8 0 . 8 0. 8 0 . 6 1 39 1519 4 Muhamm ad Dwi Afrian 0 . 8 0 . 8 1 0 . 8 1 40 15104 Muham mad Fani Aldyan 1 0 . 4 1 1 1
Jaringan yang digunakan untuk mengatahui tingkat pemahaman mahamahasiswa terhadap mata pelajaran adalah Jaringan Saraf Tiruan dengan langkah pembelajaran feedforward. Jaringan ini memiliki beberapa lapisan, yaitu lapisan masukan, lapisan keluaran dan beberapa lapisan tersembunyi. Lapisan tersembunyi
tersebut membantu jaringan untuk dapat mengenali lebih banyak pola masukan dibandingkan dengan jaringan yang tidak memiliki lapisan tersembunyi. Parameter-parameter dalam pembentukan jaringan backpropagation menggunakan 4 variabel masukan, 1 lapisan tersembunyi dengan 2 dan 1 lapisan keluaran adalah sebagai berikut:
Gambar Arsitektur Jaringan Saraf Tiruan
MemprediksiPemahaman
Mahamahasiswa Pada Mata Kuliah Kecerdasan BuatanJaringan Saraf yang akan dibangunadalah dengan fungsi aktivasi Sigmoid. Fungsi aktivasidalam Jaringan Saraf Tiruan dipakai untuk proses perhitungan terhadap nilai aktual outputpada hidden layer dan menghitung nilaiaktual output pada output layer.
b. Form Uji Coba
Form pelatihan digunakan untuk melatihkan pola-pola data periode tahun-tahun sebelumnya yang ditentukan oleh user. Pada form ini tersaji informasi tentang data aktual dari tahun yang di uji cobakan, hasil prediksi sistem, selisih peramalan sistem dan persentase kesalahan dari sistem setelah user menekan tombol proses. Pada form ini juga terdapat grafik yang menunjukkan hasil prediksi sistem dan data aktual. Jika tahun prediksi yang dipilih adalah tahun yang datanya ada pada data saham maka sistem kemudian menampilkan selisih antara data aktual dengan data peramalan sedangkan jika data tidak ada pada data pengangguran maka sistem hanya menampilkan data hasil prediksi sistem. Untuk prediksi perbulan, kita tinggal memilih prediksi perbulan atau pertahun. Jika perbulan maka kita pilih juga bulan yang akan diprediksi. Hasil yang diharapkan pada tahap ini adalah deteksi pola menentukan nilai terbaik untuk tingkat
pemahaman mahasiswa tentang subjek. Hasil pengujian ada adalah sebagaiberikut:
a. Untuk mengetahui tingkat pemahaman mahasiswa tentu saja didasarkan pada kegiatan mengajar. Output dari tingkat pemahanan yaitu apakah mahasiswa memahami terhadap mata pelajaran dengan bobot1.
b. Kategorisasi"memahami"
Kategori untuk "memahami" ditentukan oleh tingkat error minimum dari target "memahami" yang 1. Mereka mengkategorikan
Tabel 3 Data Kategorisasi "mengerti"
N o Error Minimum 1 Sangat Memahami 0.0000 - 0.0010 2 Memahami 0.0011 – 0.0100 3 Cukup Memahami 0,0101 - 0,1000
Perancangan data dengan Jaringan Saraf Tiruan untuk data pelatihan dan pengujian, maka digunakan 4 variabel input yaitu:
X1 = Pengetahuan X2 = Keterampilan/Ke mampuan X3 = Penilaian dan Beban Kerja X4 = BK
Dalam perhitungan secara manual ini hanya diberikan sampel data input dari data sebagai contoh pembuktian dengan menggunakan 4 variabel input, yaitu X1, X2,X3, X4.Berikut tahapan-tahapan yang akan dilakukan dalam pengguna algoritma propagasi balik dengan fungsi aktivasi sigmoid. Tahapan yang harus dilakukan adalah sebagi berikut:
1. Inisialisasi (initialization), merupakan tahap di mana variabel-variabel nilai akan diset atau didefinisikan terlebihdahulu, misalnya seperti: nilai data input, weight, nilai output yang diharapkan, learning rate dan nilai-nilai data lainnya.
2. Aktivasi (activation),merupakan proses perhitungan terhadap nilai aktual output pada hidden layer dan menghitung nilai actual
output pada output layer.
3. WeightTraining,merupakanprosesperhitungan nilaierrorgradientpadaoutput layer dan menghitung nilai error gradient pada hidden layer
4. Iteration, merupakan tahap akhir dalam penggujian, dimana jika masih terjadi error minimum yang diharapkan belum ditemukan maka kembali pada tahap aktivasi(activation).
Dalam pelatihan ataupun pembentukan Jaringan Saraf Tiruan yang perlu dilakukan pertama kali adalah inisialisasi bobot awal. Di mana bobot awal ini akan menghubungkan simpul-simpul pada lapisan input dan juga lapisan tersembunyi (hidden layer).Bobotawal pada algoritma di atasadalah v= (v11, v12, v21, v22, v31, v32, v41, v42), sedangkan bobot biasnya dipilih secara acak pada simpul-simpul lapisan tersembunyi (hidden layer) dan lapisan output ( w11 dan w12 ) dipilih secara acak.Algoritma pelatihan backpropagation dengan menggunakan 4 input layer, 2layer tersembunyi, 1 output layer dengan fungsi aktivasi sigmoid biner adalah sebagai berikut:
1. Tahap inisialisasi:
Tuliskan nilai input yang diberikan X1 = 0.8 X2 = 0.6 X3 = 0.6 X4 = 0.8
Target=1 Leraning rate (α)=0.1
Berikan nilai bobot (V) dari input ke lapisan tersembunyi dengan nilai acak.
Tabel 4. Nilai Bobot dari Input ke Hidden Layer
K1 K2
X1 0.2 -0.3
X2 0.4 0.1
X3 0.3 -0.5
X4 0.5 0.4
Berikan nilai bobot (W) dari lapisan
tersembunyi ke output dengan nilai acak. Tabel 5. Nilai Bobot dari Hidden Layer ke Output
K1 -0.3
K2 -0.2
2. TahapAktivasi
a. Hitung keluaran tiap node (node tersembunyi dan nodeoutput) = X1. V11+ X2. V21+ X3. V31+ X4. = 0,8.0,2 + 0,6.0,4 + 0,6.0,3 + 0,8.0,5 = 0,9800 =Sigmoid[0,9800] = 0.2729 K2= X1. V12+ X2. V22+ X3. V32+ = 0,8.-0,3 + 0,6.0,1 + 0,6.-0,5 + 0,8. = -0,8000 =Sigmoid[-0,8000] = 0,6900 L = K1. W11+ K2. W21 = 0,2729. -0.3+ 0,6900+-0.2 = -0,2199 = Sigmoid[-0,2199] 0,5547
b. Hitung nilai error output dan hiddenlayer Rumus mencari error output layer:
= (1
-Rumus mencari error hidden layer: = (1 -Err L = L. (α- L). (T - L) = 0,5547. (0.1 – 0,5547). (1 - 0,5547) = -0,1123 Err K1= K1. (α- K1). (Err L- W11) = 0,2729. (0.1-0,2729).( -0,1123-(-0.3)) = -0,3034 Err K2= K2. (α- K2). (Err L- W21) = 0,6900. (0.1- 0,6900). ( -0,1123-(-= -0,0357 c. Modifikasi/hitung d. Bobot rumus
e. Modifikasi bobot rumus
Hitung keluaran tiap node (node tersembunyi
4. V41 = 0,8.0,2 + 0,6.0,4 + 0,6.0,3 + 0,8.0,5
32+ X4. V42 0,5 + 0,8.-0,4
error output dan hiddenlayer
0,5547) 0.3)) -0.2)) = ∆W11= W11+ α. Err L. K1 = -0,3+0,1. -0,1123. 0,2729 = -0,3031 ∆W21= W21+ α. Err L. K2 = -0,2+0,1. -0,1123. 0,6900 = -0,2078 ∆V11= V11+ α. Err K1. j1 = 0,2+0,1. -0,3034. 0,8 = 0,1993 ∆V12= V12+ α. Err K2. j1 = -0,3+0,1. -0,0357. 0,8 = -0,3029 ∆V21= V21+ α. Err K1. J2 = 0,4+0,1. -0,3034. 0,6 = 0,3665 ∆V22= V22+ α. Err K2. J2 = 0,1+0,1. -0,0357. 0,6 = 0,0979 ∆V31= V31+ α. Err K1. J3 = 0,3+0,1. -0,3034. 0,6 = 0,2995 ∆V32= V32+ α. Err K2. J = -0,5+0,1. -0,0357. 0,6 = -0,5021 ∆V41= V41+ α. Err K1. J = 0,5+0,1. -0,3034. 0,8 = 0,4993 ∆V42= V42+ α. Err K2. J = -0,4+0,1. -0,0357. 0,8 = -0,4029
Prediksi Tingkat Pemahaman Mahasiswa Terhadap MataPelajaran Tahap terakhir adalah proses prediksi tingkat pemahaman mahasiswa terhadap mata pelajaran. Tahapan ini dilakukan dengan membandingkan nilai error minimum dari hasil yang didapat. Dengan
1, data akan diprediksi untuk melihat seberapa akurat model ini dapat mengenali data. Adapun data yang akan diprediksi untuk melihat tingkat kebenaranya dapat dilihat pada tabel 6 berikut ini.
Tabel 6. Hasil Prediksi dengan Model α. Err L. K1 0,1123. 0,2729 K2 0,1123. 0,6900 α. Err K2. J3 α. Err K1. J4 α. Err K2. J4
Prediksi Tingkat Pemahaman Mahasiswa Tahap terakhir adalah proses prediksi tingkat pemahaman mahasiswa terhadap mata pelajaran. Tahapan ini dilakukan dengan membandingkan nilai error minimum dari hasil yang didapat. Dengan model arsitektur 4-5-1, data akan diprediksi untuk melihat seberapa akurat model ini dapat mengenali data. Adapun data yang akan diprediksi untuk melihat tingkat kebenaranya dapat dilihat pada tabel 6 berikut ini.
Prediksi Model 4-2-1 prediksi Ke t N o N IS Databa se JS T Has il 1 15614 Cuku p Paha m 0 . 0 1 1 6 Benar 2 15714 Cuku p Paha m 0 . 0 2 3 2 Benar 3 15914 Cuku p Paha m 0 . 0 5 0 2 Benar 4 15164 Cuku p Paha m 0 . 0 1 2 2 Benar 5 15174 Cuku p Paha m 0 . 0 1 3 6 Benar 6 15614 Cuku p Paha m 0 . 0 1 2 2 Benar 7 15414 Cuku p Paha m 0 . 0 4 4 2 Benar 8 15174 Cuku p Paha m 0 . 0 1 1 1 Benar 9 15184 Cuku p Paha m 0 . 0 2 Benar 5 5 10 15814 Tidak Paha m 0 . 1 3 0 8 Salah 11 15104 Cuku p Paha m 0 . 0 1 2 6 Benar 12 14514 Cuku p Paha m 0 . 0 1 1 2 Benar 13 15164 Cuku p Paha m 0 . 0 1 1 4 Benar 14 15174 Cuku p Paha m 0 . 0 1 1 4 Benar 15 15174 Cuku p Paha m 0 . 0 2 3 2 Benar 16 15714 Tidak Paha m 0 . 4 1 8 1 Salah 17 14714 Cuku p Paha m 0 . 0 1 2 6 Benar 18 15184 Cuku p Paha m 0 . 0 1 3 4 Benar
19 15184 Cuku p Paha m 0 . 0 1 1 2 Benar 20 15134 Cuku p Paha m 0 . 0 1 0 8 Benar 4. KESIMPULAN
Berdasarkan hasil dan pembahasan diatas, maka penulis dapat mengambil kesimpulan sebagai berikut:
1. Menambahkan banyak hidden layer pada saat pelatihan dan pengujian, bukan merupakan suatu hasil yang maksimal. Untuk 5 model arsitektur yang dirancang, 4-2-1 adalah model yang memiliki tingkat MSE pelatihan terbesar yaitu0.0108
2. Setelah dilakukan percobaan dalam proses pelatihan dan pengujian sistem yang dilakukan dengan menggunakan software aplikasi Matlab 6.1. Model Jaringan Syaraf Tiruan yang digunakan adalah 2-1, model 3-1, model 4-4-1, model 4- 5-1 dan model 4-6-1, dapat diperoleh hasil yang baik dengan melihat MSE Pelatihan yang terkecil adalah4-2-1.
3. Dengan model arsitektur 4-2-1, dapat melakukan prediksi tingkat pemahaman mahasiswa terhadap mata pelajaran dengan menunjukkan performa diatas90%.
5. REFERENSI
[1] S. Solikhun, M. Safii, and A. Trisno, “Jaringan Saraf Tiruan Untuk Memprediksi Tingkat Pemahaman Sisiwa Terhadap Matapelajaran Dengan Menggunakan Algoritma Backpropagation,” J-SAKTI
(Jurnal Sains Komput. dan Inform., vol. 1, no. 1, p. 24, 2017.
[2] M. A. Azis, A. Fazriansyah, and S. I. Komputer, “Matakuliah Web Programming Menggunkan Metode,” PILAR Nusa Mandiri, vol. 15, no. 2, pp. 255–260, 2019. [3] B. Arduino, R. Uno, A. Wuryanto, N.
Hidayatun, M. Rosmiati, and Y. Maysaroh, “Perancangan Sistem Tempat Sampah Pintar Dengan Sensor HCRSF04,” vol. XXI, no. 1, pp. 2017–2020, 2019.
[4] M. Febrina, F. Arina, and R. Ekawati, “Peramalan Jumlah Permintaan Produksi Menggunakan Metode Jaringan Syaraf Tiruan (Jst) Backpropagation,” J. Tek. Ind., vol. 1, no. 2, pp. 174–179, 2013.
[5] C. Paper, W. Setiawan, and U. Trunojoyo, “Jaringan Syaraf Tiruan Multilayer Feedforward Netwo ....,” no. January, 2015. [6] M. Adi, P. Hutabarat, M. Julham, A. Wanto, P. Algoritma, and M. Produksi, “Meychael Adi Putra Hutabarat* 1 , Muhammad Julham 2 , Anjar Wanto 3,” vol. 4, no. 1, pp. 77–86, 2018.
[7] R. J. Yuniar, D. Rahadi, and S. Onny, “Perbaikan Metode Prakiraan Cuaca Bandara Abdulrahman Saleh Dengan Algoritma Neural Network Backpropagation,” J. EECCIS, vol. 7, no. 1, pp. 65–70, 2013.
[8] I. S. Purba and A. Wanto, “Prediksi Jumlah Nilai Impor Sumatera Utara Menurut Negara Asal Menggunakan Algoritma Backpropagation,” Techno.Com, vol. 17, no. 3, pp. 302–311, 2018.
[9] E. P. C. Edi Ismanto, “Jaringan Syaraf Tiruan Algoritma Backpropagation Dalam Memprediksi Ketersediaan Komoditi Pangan Provinsi Riau,” Rabit J. Teknol. dan Sist. Inf. Univrab, vol. 2, no. 2, pp. 196–209, 2017.
