LAPORAN AKHIR
HIBAH KOMPETISI PROGRAM VOKASI
UNIVERSITAS INDONESIA
Analisis dan Prediksi Kelulusan Mahasiswa Vokasi berdasarkan IP Semester 1 Berbantuan Komputer
Yulius Eka Agung Seputra,ST,MSi 0310077502 Istiadi,SE,MM,MSi 0024116701
Muhammad Ridha,S.Sos,MSi 0319097102 Priyanto,SS,MHum 0013047408
Dibiayai oleh:
Anggaran Riset Program Vokasi UI Tahun Anggaran 2014
Dengan Kontrak Nomor:4915/H2.F14.KA/HKP.05.00/2014
PROGRAM VOKASI
UNIVERSITAS INDONESIA
HALAMAN PENGESAHAN
PENELITIAN HIBAH KOMPETISI PROGRAM VOKASI UNIVERSITAS INDONESIA
Judul Penelitian : Analisis dan Prediksi Kelulusan Mahasiswa Vokasi berdasarkan IP Semester 1 Berbantuan Komputer
Skema Hibah : Pendanaan Penelitian Hibah Kelompok 2014 Program Vokasi Universitas Indonesia
Ketua Peneliti :
1. Nama Lengkap : Yulius Eka Agung Seputra,ST,MSi 2. NIDN : 0310077502
3. Jabatan Fungsional : Asisten Ahli 4. Program Studi : .Vokasi Akuntansi 5. Nomor HP : 081514775335 6. Alamat surel (e-mail) : yulius.eka@gmail.com
Anggota Peneliti (1)
a. Nama Lengkap : Istiadi,SE,MM,MSi b. NIDN : 0024116701
c. Perguruan Tinggi : Universitas Indonesia
Anggota Peneliti (2)
a. Nama Lengkap : Muhammad Ridha,S.Sos,MSi b. NIDN : 0319097102
c. Perguruan Tinggi : Universitas Indonesia
Anggota Peneliti (ke 3)
a. Nama Lengkap : Priyanto,SS,MHum b. NIDN : 0013047408
c. Perguruan Tinggi : Universitas Indonesia
Lama Penelitian Keseluruhan : 3 bulan
Biaya Penelitian : Rp 15.000.000
Depok, 02 Desember 2014 Mengetahui,
Manajer Riset, Kemahasiswaan dan Alumni Ketua Peneliti,
Tanda tangan dan cap
Tanda tangan
(Deni Danial Kesa, S.Sos, MBA, Ph.D) ( Yulius Eka Agung Seputra,ST,MSi )
RINGKASAN
Penelitian ini bertujuan untuk menganalisis faktor – faktor yang berpengaruh terhadap kelulusan Mahasiswa Vokasi dan membangun model prediksi dengan metode data mining.. Sampel penelitian terdiri dari tes masuk mahasiswa Universitas Indonesia dari tahun 2008-2011
Peneliti menduga alat bantu analisis yang tepat adalah dengan menggunakan metode Jaringan Syaraf Tiruan (Artificial Neural Network) berbasis algoritma Genetika yang diterapkan dalam berbagai bidang ekonomi.Dari penelitian ini akan diteliti keterkaitan Kelulusan Mahasiswa berkaitan dengan Indeks Presatasi semester satu
PRAKATA
Puji dan syukur ke hadirat Tuhan yang Maha Kuasa yang telah memberikan berkat anugerah dan karunia yang melimpah sehingga Penelitian Riset Internal Vokasi UI dapat diselesaikan dengan baik.
Penelitian ini dibuat agar dapat digunakan pihak manajemen Universitas Indonesia terutama Pihak Vokasi Universitas Indonesia untuk melakukan seleksi dan memberikan kebijakan Pendidikan yang membuat Universitas Indonesia semakin maju.
Walaupun banyak kesulitan yang dialami ketika menyusun penelitian ilmiah ini namun berkat bantuan berbagai pihak akhirnya dapat diselesaikan. Ucapan terima kasih diberikan kepada :
-Rektor Universitas Indonesia -Ketua Vokasi Universitas Indonesia
-Ketua Program Studi Vokasi Akuntansi Universitas Indonesia -Manajer Pendidikan dan Umum Vokasi Universitas Indonesia -Orangtua dan Keluarga
DAFTAR ISI
BAB 3 TUJUAN DAN MANFAAT PENELITIAN ...28
BAB 4 METODE PENELITIAN ...28
BAB 5 HASIL DAN PEMBAHASAN ...32
BAB 6 KESIMPULAN DAN SARAN ...54
DAFTAR PUSTAKA ...55
LAMPIRAN ...56
DAFTAR TABEL Tabel 2.1 DAFTAR ISTILAH DALAM Genetic Algorithm ...13
Tabel 4.1 KETERANGAN VARIABEL PADA DATA INPUT AWAL ...29
Tabel 4.2 KETERANGAN VARIABEL PADA DAFTAR KELULUSAN ...30
DAFTAR GAMBAR
Gambar 2.1 Individu GA ...16
Gambar 2.2 Jalur TSP ...17
Gambar 2.3 Siklus GA menurut David Goldberg ...19
Gambar 2.4 Siklus GA menurut Zbigniew Michalewicz ...19
Gambar 2.5 Siklus GA ...20
Gambar 2.6 Roulette Wheel selection ...22
Gambar 2.7 Rank Selection ...23
Gambar 2.8 Tournament selection ...23
Gambar 2.9 Arus CrossOver ...24
Gambar 2.14 Skema Mutasi ...27
Gambar 5.1 Antarmuka Aplikasi Vokan Predictor ...32
Gambar 5.2 Antarmuka New Project Vokan Predictor ...33
Gambar 5.3 Antarmuka Import Data ...33
Gambar 5.4 Antarmuka pemilihan variabel yang digunakan untuk prediksi ...34
Gambar 5.5 Antarmuka deskripsi variabel yang digunakan untuk prediksi ...35
Gambar 5.6 Antarmuka Analisis Menggunakan Genetic Algorithm untuk IPK Kelulusan dan IP Semester 1 serta jurusan ...36
Gambar 5.7 File yang digunakan untuk Analisis Menggunakan Genetic Algorithm untuk IPK dan Tes Masuk ...37
Gambar 5.8 Antarmuka variabel sebelum pembelajaran untuk Jurusan Vokasi Akuntansi ....38
Gambar 5.9 Antarmuka variabel sebelum pembelajaran untuk Jurusan Vokasi Administrasi Perkantoran dan Sekretaris (APS) ...39
Gambar 5.11 Antarmuka variabel saat pembelajaran Vokasi Akuntansi ...41
Gambar 5.12 Antarmuka variabel saat pembelajaran Vokasi APS ...42
Gambar 5.13 Antarmuka variabel sebelum pembelajaran untuk Jurusan Vokasi Pariwisata ....43
Gambar 5.15 Antarmuka model Genetic Algorithm...44
Gambar 5.15 Antarmuka variabel sebelum pembelajaran untuk Jurusan Vokasi Pariwisata ....44
Gambar 5.16 Antarmuka parameter Genetic Algorithm...45
Gambar 5.17 Antarmuka perbandingan variabel actual dan predicted Vokasi Akuntansi ...45
Gambar 5.18 Antarmuka perbandingan variabel actual dan predicted Vokasi APS ...46
Gambar 5.19 Antarmuka perbandingan variabel actual dan predicted Vokasi Pariwisata ...46
Gambar 5.20 Antarmuka perbandingan grafis variabel actual dan predicted vokasi akuntansi ....46
Gambar 5.21 Antarmuka perbandingan grafis variabel actual dan predicted vokasi APS ...47
Gambar 5.22 Antarmuka perbandingan grafis variabel actual dan predicted vokasi pariwisata ...47
Gambar 5.23 Antarmuka tampilan Residual Graph Vokasi Akuntansi ...48
Gambar 5.24 Antarmuka tampilan Residual Graph Vokasi APS ...48
Gambar 5.25 Antarmuka tampilan Residual Graph Vokasi Pariwisata ...49
Gambar 5.26 Antarmuka tampilan MSE Graph Vokasi Akuntansi ...49
Gambar 5.27 Antarmuka tampilan MSE Graph Vokasi APS ...50
Gambar 5.28 Antarmuka tampilan MSE Graph Vokasi Pariwisata ...50
Gambar 5.29 Antarmuka tampilan Statistic Descriptive Vokasi Akuntansi ...51
Gambar 5.30 Antarmuka tampilan Statistic Descriptive Vokasi APS ...51
Gambar 5.31 Antarmuka tampilan Statistic Descriptive Vokasi Pariwisata ...51
Gambar 5.32 Antarmuka Input Hasil Prediksi Kelulusan Vokasi Akuntansi ...53
Gambar 5.33 Antarmuka Input Hasil Prediksi Kelulusan Vokasi APS ...53
DAFTAR LAMPIRAN
IPK Kelulusan dan IP Semester 1 Mahasiswa Vokasi akuntansi,APS dan Pariwisata
BAB 1 PENDAHULUAN
1.1Pendahuluan
Kebutuhan tingkat matematika yang sangat tinggi ini menjadi kendala bagi ilmuwan ekonomi terutama di Indonesia untuk berkontribusi secara internasional.
Padahal untuk wilayah riset yang frontier dalam bidang teori-teori ekonomi dibutuhkan tingkat matematika seperti ini.. Tetapi matematika yang digunakan bersifat deterministis, yang sebenarnya adalah matematika yang digunakan oleh ilmuwan fisika klasik jaman dahulu. Keterbatasan ini lebih besar lagi karena kebanyakan digunakan asumsi linier dalam teori-teori ekonomi ini. Sehingga boleh dikatakan pendekatan ilmu ekonomi bersifat sangat reduksionis. Di lain pihak, terdapat kesulitan untuk mengembangkan alat analitis yang ada yaitu dengan memasukkan sifat nonlinier dan probabilitas karena tingkat kesulitan matematikanya akan menjadi sangat tinggi. Kebutuhan tingkat matematika yang sangat tinggi ini menjadi kendala bagi ilmuwan ekonomi terutama di Indonesia untuk berkontribusi secara internasional. Padahal untuk wilayah riset yang frontier dalam bidang teori-teori ekonomi dibutuhkan tingkat matematika seperti ini. Itu antara lain gambaran saat ini dalam bidang teoritis. Di dalam bidang praktis ekperimental, umumnya alat bantu
analisis yang digunakan adalah termasuk kategori statistik. Hal yang sangat membatasi penerapan statistik ini adalah kebanyakan metode-metodenya mensyaratkan terpenuhi
yang berkualitas dan memiliki daya saing. Untuk itu, setiap Universitas selalu melakukan evaluasi performansi mahasiswa. Hasil evaluasi tersebut disimpan dalam basis data akademik yang digunakan sebagai pendukung keputusan oleh manajemen universitas. Salah satu variabel indikator efisiensi proses pendidikan adalah Indeks Prestasi Kumulatif mahasiswa Jaringan Syaraf Tiruan (JST) mulai diperkenalkan pada tahun 1940 telah banyak diimplementasikan pada berbagai bidang keilmuan. Secara garis besar apa yang dapat menjadi manfaat Jaringan Syaraf Tiruan dapat dibagi menjadi tiga macam yaitu Classification, Forecasting, Modeling dan Optimization.
1. Classification dan Forecasting sering dipandang merupakan aplikasi dari statistik yang utama dalam bidang ekonomi. Di sini, Jaringan Syaraf Tiruan dapat memperluas cakupan data yang bisa dideskripsi dan diinferensi untuk sembarang distribusi data yang ada. Keberadaan outlier dalam data tidak akan terlalu mengganggu dalam proses kerja Jaringan Syaraf Tiruan, paling-paling outlier ini hanya akan memperlama proses iterasinya saja. 2. Untuk bidang teoritis, kebutuhan akan proses Modeling yang tidak memuat terlalu banyak asumsi-asumsi ideal sangat dibutuhkan dalam ilmu-ilmu sosial. Hal ini dapat dipenuhi dengan menerapkan Jaringan Syaraf Tiruan, yang akan menghasilkan apa yang disebut sebagai Black-Box Model. Permodelan seperti ini berdasarkan pada data-data riil di dalam bidang ekonomi yang sedang diamati dan akan secara otomatis akan memuat pola-pola hubungan yang rumit antar berbagai macam data yang bisa kita kumpulkan. Selain dalam Modeling, Jaringan Syaraf Tiruan dapat digunakan juga untuk mencari keputusan yang optimal setelah modelnya didapatkan atau proses Optimization. Sehingga dapat digunakan untuk mengubah data menjadi informasi yang berguna secara otomatis. Selain keuntungan-keuntungan di atas, Jaringan Syaraf Tiruan mempunyai kelebihan lain yaitu tidak membutuhkan matematika yang terlalu rumit dan juga sebagian besar proses kerjanya akan dilakukan oleh komputer. Hal ini tentunya sangat sesuai dengan kondisi sumber daya manusia di bidang ekonomi yang rata-rata tidak menguasai matematika
tingkat tinggi. Diharapkan dengan menggunakan Jaringan Syaraf Tiruan ini, ilmuwan ekonomi dapat memfokuskan diri pada intuisi ekonominya saja daripada bergelut dengan
digunakan untuk melakukan prediksi atau peramalan [1].Muhamad Hanief Meinanda, Metri Annisa, Narendi Muhandri dan Kadarsyah Suryadi (2009) telah meneliti penggunaan JST untuk melakukan prediksi Masa Studi Sarjana dengan Artificial Neural Network digunakan dalam penelitian ini telah terbukti memberikan hasil yang baik untuk keperluan prediksi terutama bidang ekonomi dan keuangan [2].
Penelitian tersebut menggunakan data akademis yang diperoleh selama mahasiswa kuliah. Variabel predictor yang digunakan pada penelitian tersebut adalah usia, jenis kelamin, skor American College Testing (ACT), ras, dan kemampuan membaca[3]. Bijayananda Naik
dan Srinivasan Ragothaman (1998) telah meneliti penggunaan neural network untuk memprediksi tingkat kesuksesan mahasiswa MBA, dengan algoritma genetika [4].
BAB 2 TINJAUAN PUSTAKA
Algoritma genetika (Genetic Algorithm) merupakan metode yang biasa digunakan untuk memecahkan suatu pencarian nilai dalam sebuah masalah optimisasi. Algoritma ini didasarkan pada proses genetik yang ada dalam makhluk hidup, yaitu perkembangan generasi dalam sebuah populasi yang alami, secara lambat laun mengikuti prinsip seleksi alam atau “siapa yang kuat, dia yang bertahan hidup (survive)”. Dengan meniru teori evolusi ini, algoritma genetika dapat digunakan untuk mencari solusi permasalahan-permasalahan dalam dunia nyata.
Pada alam ini, informasi genetik dari sebuah individu disimpan dalam kromosom, yang terdiri dari sekumpulan gen. Karakteristik dari setiap individu dikendalikan oleh gen-gen tersebut, yang kemudian akan diwariskan kepada keturunan-keturunan ketika individu tersebut berkembang biak. Selain faktor perkembangbiakan, suatu ketika juga terjadi peristiwa yang disebut mutasi, yang menyebabkan terjadinya perubahan informasi pada kromosom. Berdasarkan teori Darwin tersebut, nilai rata-rata karakteristik dari populasi akan meningkat setiap generasi, seiring dengan bertambahnya individu-individu yang mempunyai kriteria yang bagus dan punahnya individu-individu yang mempunyai kriteria yang buruk.
Ide utama dibalik Genetic Algorithm ini adalah memodelkan proses evolusi alami menggunakan warisan genetika seperti yang dilakukan oleh Darwin. Pada saat pertama kali dipublikasikan oleh John Holland pada sekitar tahun 1975 di Amerika, Genetic Algorithm (GA) memiliki bentuk yang sangat sederhana sehingga disebut simple GA (SGA). Pada beberapa buku dan makalah, SGA sering juga disebut sebagai Classical GA atau Canonical
Dengan teori evolusi dan genetika, di dalam penerapan Genetic Algorithm akan melibatkan beberapa operator, yaitu :
a.Operasi Evolusi yang melibatkan proses seleksi (selection) di dalamnya.
b.Operasi Genetika yang melibatkan operator pindah silang (crossover) dan mutasi (mutation).
Untuk memeriksa hasil optimasi, kita membutuhkan fungsi fitness, yang menandakan gambaran hasil (solusi) yang sudah dikodekan. Selama berjalan, induk harus digunakan untuk reproduksi, pindah silang dan mutasi untuk menciptakan keturunan. Jika Genetic
Algorithm didesain secara baik, populasi akan mengalami konvergensi dan akan didapatkan sebuah solusi yang optimum.
Berikut ini merupakan istilah-istilah yang mewakili elemen-elemen dalam teori Darwin:
Tabel 2.1. Daftar istilah dalam Genetic Algorithm
Istilah Makna
Population Merupakan sekumpulan solusi dari
permasalahan yang akan
diselesaikan menggunakan Genetic
Algorithm. Population terdiri dari sekumpulan Kromosom.
Chromosome Mewakili sebuah solusi yang
mungkin (feasible solution) untuk permasalahan yang ingin
diselesaikan. Sebuah Kromosom terdiri dari sekumpulan Gen.
Gen Mewakili elemen-elemen yang ada
dalam sebuah solusi
Parent Merupakan kromosom yang akan
Offspring Kromosom yang merupakan hasil dari operasi genetik (Crossover).
Crossover Merupakan operasi genetik yang
mewakili proses perkembangbiakan individu. Proses crossover ini memerlukan dua buah parent dan menghasilkan satu atau lebih offspring (keturunan).
Mutation Merupakan operasi genetik yang
mewakili proses mutasi dalam
Selection Procedure Merupakan proses yang mewakili proses seleksi alam (natural
selection) dari teori Darwin. Proses ini dilakukan untuk menentukan parent dari operasi genetic (crossover) yang akan dilakukan untuk menghasilkan keturunan (offspring).
Fitness value Merupakan penilaian yang
mempunyai Fitness value yang lebih baik.
Istilah Makna
Evaluation Function Merupakan fungsi yang digunakan untuk menentukan nilai dari Fitness value. Evaluation Function ini merupakan sekumpulan kriteria-kriteria tertentu dari permasalahan yang ingin diselesaikan.
Generation Merupakan satuan dari populasi
setelah mengalami operasi-operasi genetika, berkembang biak, dan menghasilkan keturunan. Pada akhir dari setiap generation, untuk
menjaga agar jumlah kromosom dalam populasi tetap konstan, kromosom-kromosom yang mempunyai Fitness value yang rendah dan memiliki peringkat dibawah nilai minimal akan dihapus dari populasi.
Mendefinisikan individu, dimana individu menyatakan salah satu solusi (penyelesaian) yang mungkin dari permasalahan yang mau dipecahkan.
Mendefinisikan nilai fitness, yang merupakan ukuran baik-tidaknya sebuah individu atau solusi yang didapatkan.
Menentukan proses pembangkitan populasi awal. Hal ini biasanya dilakukan dengan menggunakan pembangkitan acak.
Menentukan proses seleksi yang akan digunakan.
Menetukan proses perkawinan silang (crossover) dan mutasi gen yang akan digunakan.
Pengertian Individu
Individu menyatakan salah satu solusi yang mungkin bisa digunakan. Individu sama dengan kromosom, yang merupakan kumpulan gen. gen bisa biner, float, dan kombinasi.
Gambar 2.1 Individu GA
Individu 1357632 Individu 1236754
Gambar 2.2 Jalur TSP
2.1 Nilai Fitness GA
Untuk melakukan seleksi alam, setiap individu dievaluasi menggunakan nilai fitness (fitness value), yang ditentukan dengan sebuah fungsi evaluasi. Fitness value mengukur kualitas dari sebuah solusi dan memungkinkan tiap solusi untuk dibandingkan. Memilih individu untuk proses reproduksi dan seleksi alam mempunyai efek yang sangat berpengaruh terhadap efisiensi GA. Seleksi yang berlebihan akan mengarahkan GA ke kondisi konvergen yang premature, yang merupakan masalah utama pada GA (Local
Optimum). Dikarenakan hasil solusi dan proses seleksi sangat bergantung pada fitness value, maka penting untuk membuat evaluation function dengan hati-hati.
2.2 Siklus Algoritma Genetika
Gambar 2.3 Siklus GA menurut David Goldberg
Siklus di atas kemudian diperbaiki oleh beberapa ilmuwan yang mengembangkan
algoritma genetika, yaitu Zbigniew Michalewicz dengan menambahkan operator elitism dan membalik proses seleksi setelah proses reproduksi.
Dan selama ini, model GA yang sering digunakan mengikuti yaitu siklus Goldberg dengan menambahkan operator elitism. Gambar seperti berikut:
Gambar 2.5 Siklus GA
2.3. Komponen-komponen utama GA
1. Teknik Pengkodean
Teknik pengkodean adalah bagaimana mengkodekan gen dari kromosom, dimana gen merupakan bagian dari kromosom. Satu gen biasanya akan mewakili satu variabel. Gen dapat direpresentasikan dalam bentuk : bit, bilangan real, daftar aturan, elemen permutasi, elemen program atau representasi lainnya yang dapat diimplementasikan untuk operator genetika.
2. Membangkitkan populasi awal
3. Seleksi
Seleksi digunakan untuk memilih individu-individu mana saja yang akan dipilih untuk proses kawin silang dan mutasi. Seleksi digunakan untuk mendapat calon induk yang baik. “induk yang baik akan menghasilkan keturunan yang baik”. Semakin tinggi nilai fitness suatu individu maka semakin besar kemungkinannya untuk terpilih.
3.1 Roulette Wheel
Salah satu metode seleksi yang sangat sering digunakan adalah metode Roulette Wheel. Pada metode ini, hasil dari seleksi sangat berkaitan dengan nilai fitnessnya. Semakin besar nilai fitness, akan memiliki peluang yang lebih besar untuk terpilih.
Cara kerja metode ini adalah sebagai berikut :
a. Hitung nilai fitness dari masing-masing individu (fi, dimana I adalah individu ke-1 s/d ke-n)
b. Hitung total fitness semua individu.
c. Hitung probabilitas masing-masing individu.
d. Dari probabilitas tersebut, hitung jatah masing-masing individu pada angka 1 sampai
100.
e. Bangkitkan bilangan random antara 1-100.
Gambar 2.6. Roulette Wheel selection
3.2 Rank Selection
Gambar 2.7 Rank Selection
3.3 Tournament Selection
Kedua metode seleksi dibuat dengan bersandar pada statistik dari seluruh individu pada populasi, jadi pada masalah tertentu dimana ukuran populasi cukup besar bisa
mengaikbatkan bottle neck pada GA.
Tournament Selection dapat dijadikan alternatif untuk mengatasi masalah tersebut. Prosedur yang digunakan yaitu dengan penyamplingan. Dengan mengambil sejumlah k kromosom secara acak dari populasi yang berukuran N, dari k kromosom tersebut pilih satu kromosom pemenang yang akan digunakan sebagai calon orang tua dengan cara tertentu.
4. Pindah Silang (Crossover)
Operator GA yang paling utama adala crossover, yang mensimulasikan proses reproduksi antara dua individu. Cara kerjanya adalah menggabungkan dua buah individu (parent) untuk menghasilkan satu atau lebih individu baru (offspring). Individu baru ini mewarisi sifat-sifat genetic dari parent-nya, sehingga sifat-sifat baik dari parent-nya tetap dipertahankan dan diharapkan dari dua parent yang baik dapat menghasilkan keturunan/offspring yang lebih baik. Proses crossover dilakukan pada setiap individu dengan probabilitas yang ditentukan. Pada GA biasanya digunakan probabilitas (Pc)
sebesar 0,6 sampai 0,9 (Suyanto, 2008).
Berikut merupakan diagram alir proses crossover,
Gambar 2.9. Arus CrossOver
4.1 Crossover satu titik
Gambar2.10. Skema Crossover 1 point
4.2 Crossover 2 titik
Sama seperti halnya crossover 1 titik, tapi disini menggunakan 2 titik sebagai tempat untuk
menukar gen. Dengan syarat titik yang dihasilkan tidak pada posisi yang sama, serta diurutkan naik. Ilustrasi seperti gambar berikut:
4.3 Crossover N titik
Sama halnya dengan metode di atas, titik dihasilkan secara acak. Selanjutnya pewarisan gen-gen dilakukan secara menyilang (zig-zag) pada posisi tersebut. Rekombinasi ini masih menghasilkan masalah positional bias. Ilustrasi seperti berikut:
Gambar 2.12. Skema Crossover N point
4.4 Crossover Uniform
Rekombinasi ini bisa dilakukan dengan cara pelemparan koin (mata uang logam). Lempar
koin satu kali untuk setiap gen pada kromosom orang tua. Misalkan, jika lemparan koin menghasilkan gambar “garuda”, berarti anak 1 mendapatkan gen dari orang tua 1. Sebaliknya, jika lemparan koin menghasilkan gambar “bunga”, berarti anak 1 mendapatkan gen dari orang tua 2. Jika terdapat G berarti pelemparan koin dilakukan sebanyak G kali. Berikut ilustrasinya:
4.5 Crossover Aritmatic
Rekombinasi ini dilakukan dengan memanfaatkan logika matematika XOR. Jika hasil dari operasi tersebut bernilai 1 maka anak mengambil gen dari parent ke 1. Tapi jika hasil operasi bernilai 0, maka anak mengambil gen dari parent ke 2.
5. Mutasi
Operator berikutnya yang tidak kalah penting adalah mutasi, operator ini mempunyai peran untuk menggantikan gen yang hilang dari populasi akibat dari proses seleksi yang
memungkinkan munculnya kembali gen yang tidak muncul pada inisialisasi populasi. Proses ini merubah sedikit komposisi penyusun individu tersebut, dan menambahkan suatu karakteristik tertentu secara acak. Proses ini tidak boleh terlalu banyak dilakukan karena akan membuat GA menjadi seperti random search. Di dalam dunia nyata, mutasi sangat jarang terjadi. Mutasi hanya terjadi akibat kecelakaan atau bencana alam. Hal ini, diadopsi GA dengan munculnya probability mutasi yang biasanya dilambangkan Pm. Pm memiliki nilai yang sangat kecil, biasanya berada di interval antara 1 dibagi jumlah kromosom dalam populasi sampai 1 dibagi jumlah gen dalam satu kromosom.
Cara sederhana untuk mendapatkan mutasi biner, yaitu dengan mengganti satu beberapa nilai gen dari kromosom. Langkah-langkah mutasi:
-Bangkitkan bilangan acak antara 0 sampai 1 pada tiap gen
-Jika bilangan acak lebih kecil atau sama dengan Pm, gen diposisi tersebut dimutasi -Jika bilangan acak lebih besar daripada Pm, gen tidak dimutasi.
-Mutasi dilakukan dengan membalik nilai binernya, gen bernilai 1 dimutasi menjadi 0, begitu sebaliknya.
Contoh sederhana operasi mutasi dapat dilihat pada gambar 15. Pada gambar tersebut terdapat sebuah data biner p yang merupakan parent individu. Kemudian dipilih sebuah bit secara acak untuk dilakukan proses mutasi. Pada contoh, dipilih bit pada posisi nomor 2, yang kemudian dirubah dari 0 menjadi 1 pada offspring-nya.
BAB 3 TUJUAN DAN MANFAAT PENELITIAN
Tujuan Penelitian disusun sebagai berikut:
a. Mempelajari metode berbasis Genetic Algorithm dan penerapannya untuk peramalan. b. Merancang program aplikasi peramalan data multivariate dengan algoritma genetika (genetic algorithm).
Manfaat dari Penelitian ini antara lain aplikasi ini dapat digunakan sebagai aplikasi alternative
untuk keperluan analisis data yaitu analisis multivariate selain analisis menggunakan
metode-metode statistik yang selama ini sudah ada yang nantinya dapat digunakan PihakManajemen
Universitas Indonesia untuk menentukan kebijakan Peningkatan Mutu Mahasiswa Universitas
Indonesia sehingga permasalahan seperti Drop Out dan IPK yang rendah dapat diminimalkan.
BAB 4 METODE PENELITIAN
Metodologi penelitian diadopsi dari metodologi Cross-Industry Standard Process for Data Mining (CRISP-DM) yang dikembangkan pada tahun 1996 oleh analis dari Daimler Chrysler, SPSS, dan NCR. CRISP-DM memiliki enam fase yaitu Business understanding
phase, Data understanding phase, Data preparation phase, Modeling phase, Evaluation phase, dan Deployment phase [10].
mencoba mencari adanya pola serta keterkaitan antara variabel-variabel data dengan masing-masing tujuan penelitian.
Peneliti melakukan preprocessing data di antaranya dengan melakukan pembuatan cross-tabulation, koreksi terhadap data yang mengalami misclassification,dan menghapus missing value dan outlier.Setelah itu, dilakukan tahap pembuatan model. Untuk estimasi terhadap Indeks Prestasi Kumulatif yang memiliki tingkat pengukuran metrik begitu juga dengan prediktornya peneliti menggunakan model artificial neural network dan multiple regression.Setelah mengetahui model yang sesuai, peneliti melakukan pembuatan model dengan menggunakan data training. Model yang dipilih mempertimbangkan kesesuaian
asumsi model dan error yang dihasilkan. Kemudian model tersebut diterapkan pada set Data testing dan dilakukan analisis terhadap penggunaan model dengan hasil yang diperoleh. Ketepatan dan keakuratan hasil penelitian tergantung dari banyaknya data yang digunakan, dan metode Riset berjenis Kuantitatif
Data input yang digunakan menggunakan konsep Data Mining dari IP dan IPK Mahasiswa Vokasi Universitas Indonesia Jurusan APS, Akuntansi dan Pariwisata. Data tersebut terdiri dari catatan akademis mahasiswa, dengan variabel yang dapat dilihat pada Tabel I. Dari data Input tersebut kemudian dilakukan tahap preprocessing yang terdiri dari transformasi dan pembersihan data. Transformasi data dilakukan dengan membuat cross-Tabulation sehingga data memiliki unique key dan memiliki kolom sesuai dengan hipotesa variabel predictor (Tabel 4.1).
TABEL 4.1 KETERANGAN VARIABEL PADA DATA INPUT AWAL
Field Deskripsi Data Tipe Data
Klasifikasi Klasifikasi Mahasiswa String
IP1 IP Semester 1 Number
Selanjutnya akan dilakukan Koreksi terhadap entri data yang memiliki misclassification.
tertulis berbeda dan penghapusan terhadap missing value dan data yang memiliki nilai tidak wajar
(outlier) menggunakan algoritma JST Multilayer Perceptron, Linear Regression, dan Spearman
Correlation dengan perangkat lunak SPSS 16 (Windows XP). Preprocessing data dan pembuatan
Cross-Tabulationdilakukan pada platform yang sama dengan menggunakan Microsoft Excel 2007
SP0. Untuk Tabel II digunakan untuk hasil Prediksi (Output)
TABEL 4.2 KETERANGAN VARIABEL PADA DAFTAR KELULUSAN
Field Deskripsi Data Tipe Data
IPK IP Kelulusan Mahasiswa Number
Variabel IPK yang terdapat pada data Training terdiri nilai berbeda dengan interval antara 0 sampai 4 bulan, sehingga variabel IPK merupakan variabel dengan skala pengukuran metrik. Variabel prediktor untuk data IPK memiliki skala pengukuran metrik. Dalam melakukan prediksi IPK, peneliti akan menggunakan model dependensi dengan variabel dependen metrik.Langkah selanjutnya adalah penentuan prediktor yang dapat mempengaruhi variabel IPK. Data yang disediakan adalah catatan akademis setiap mahasiswa, sehingga prediktor yang akan dimasukan ke dalam model prediksi merupakan data yang berkaitan dengan performansi akademik mahasiswa. Peneliti akan mengajukan hipotesa apriori dalam menentukan variabel independen sebagai prediktor IPK. Hipotesa tersebut adalah adanya hubungan antara jumlah mata kuliah yang diambil, dan jumlah mata kuliah mengulang terhadap masa studi.Variabel prediktor IPK dihitung dengan menghitung bobot nilai dibagi dengan total SKS yang diambil. Peneliti tidak memasukan variabel IPK ke dalam model, karena variabel IPK merupakan variabel turunan dari variabel bobot dan SKS. Variabel IPK tidak digunakan dalam membangun model dan digantikan oleh variabel bobot dan variabel SKS untuk mengetahui IPK. Preprocessing data dilakukan agar pada tahap pembuatan model mampu menghasilkan model yang
Spearman Correlation Coefficient untuk memastikan adanya hubungan antara prediktor-prediktor tersebut terhadap masa studi. Korelasi Spearman dipilih karena tidak membutuhkan asumsi distribusi dan normalitas data[11]. Untuk keperluan validasi, data dibagi ke dalam dua kelompok (split-sample) yakni data training dan data testing. Data Training merupakan data yang digunakan untuk membangun model berjenis multiple regression dan neural network. Model yang pertama kali dibangun dan diuji adalah model regresi. Pengujian asumsi model regresi baru dapat dilakukan ketika model regresi sudah terbentuk. Model regresi memiliki asumsi normalitas error, konstant error
BAB 5 HASIL DAN PEMBAHASAN
Data IP Semester 1 Mahasiswa didapatkan dari data mahasiswa yang sudah lulus dari Vokasi APS, Akuntansi dan Pariwisata dari 2008-2011 dan dihasilkan Aplikasi yang diberi nama VokanPredictor.
Perkembangan Riset yang didapatkan adalah :
a. Antarmuka Aplikasi Vokan Predictor telah selesai dengan fitur-fitur sebagai berikut: Setelah Aplikasi Vokan Predictor dijalankan, maka dapat dilakukan pembuatan proyek baru dengan menekan Create New seperti yang ditunjukkan Gambar 5.1.
Gambar 5.1 Antarmuka Aplikasi Vokan Predictor
b. Antarmuka Pembuatan New Project Predictor
Setelah Project dibuat harus ditentukan tahun dari data penelitian, dalam hal ini data diambil dari Data Test Masuk Mahasiswa Vokasi Akuntansi Universitas Indonesia melalui jalur SIMAK dan UBER yang dimulai tahun 2008 -2011 seperti yang ditunjukkan Gambar 5.2
c. Antarmuka Pengambilan data yang akan diprediksi dan ditraining
Mahasiswa Vokasi Akuntansi berdasarkan Tes Masuk dan Prediksi IPK berdasarkan Mata Kuliah yang telah diambil.
Mata Kuliah yang diambil menggunakan Mata Kuliah Semester 1 dimana Mata kuliah ini merupakan dasar dan prasyarat untuk mengambil mata kuliah lain seperti yang ditunjukkan gambar 5.3. Jenis File yang dapat diambil berekstensi XLS (Microsoft Excel 2003) dan csv.
Gambar 5.2 Antarmuka New Project Vokan Predictor
d. Antarmuka Pemilihan Variabel yang akan digunakan
Setelah File data dari Excel atau CSV diambil akan ditanyakan field yang akan dianalisis dan ditraining yaitu : Nomor, Nilai Tes Masuk, IPK, dan mata kuliah semester 1 vokasi Akuntansi yaitu : Pengantar Akuntansi 1, Lab Pengantar Akuntansi 1, Pengantar Bisnis, Pengantar Ekonomi 1, Matematika Keuangan, Lab Aplikasi Komputer, Bahasa Inggris seperti yang ditunjukkan Gambar 5.4
Gambar 5.4 Antarmuka pemilihan variabel yang digunakan untuk prediksi
e. Antarmuka Deskripsi Variabel
Gambar 5.5 Antarmuka deskripsi variabel yang digunakan untuk prediksi f. Antarmuka analisis data menggunakan Genetic Algorithm
Gambar 5.6 Antarmuka Analisis Menggunakan Genetic Algorithm untuk IPK Kelulusan dan IP Semester 1 serta jurusan
Untuk analisis kedua menggunakan variabel dependen IPK dan variabel independen IP Semester 1 Mahasiswa Vokasi yang sudah lulus untuk Vokasi Akuntansi, APS dan Pariwisata seperti yang ditunjukkan gambar 5.6
g. Antarmuka variabel sebelum pembelajaran
dari nilai kromosomnya, dalam hal ini berarti diperlukan beberapa variasi dan tambahan metode pembelajaran baru untuk meningkatkan IPK.Tipe seleksi juga harus ditentukan apakah menggunakan metode Roulette, Rank atau Tournamen
Gambar 5.7 File yang digunakan untuk Analisis Menggunakan Genetic Algorithm untuk IPK dan Tes Masuk
Gambar 5.10 Antarmuka variabel sebelum pembelajaran untuk Jurusan Vokasi Pariwisata
h. Antarmuka variabel saat pembelajaran
Setelah dikonfigurasi pada bagian metode GA, crossover, Mutation, population, Max Genetarion, Crossover, Type Selection, Koefisien untuk mendapatkan pola prediksi yang mirip dengan aktual dimana MSE dan MPE yang didapatkan MSE = 0.1186 dan MPE=0.1232 seperti yang ditunjukkan gambar 5.8 maka dapat dipilih report dan mempersiapkan untuk prediksi.
i. Antarmuka pemilihan variabel yang ditampilkan untuk prediksi
Prediksi dan Aktual, Residual dan MSE yang bersifat opsional seperti yang ditunjukkan gambar 5.10
Gambar 5.14 Antarmuka pemilihan variabel yang ditampilkan untuk prediksi
j. Antarmuka model Genetic Algorithm
Gambar 5.16 Antarmuka parameter Genetic Algorithm l.Antarmuka perbandingan variabel actual dan predicted
Antarmuka perbandingan variabel actual dan predicted
Gambar 5.18 Antarmuka perbandingan variabel actual dan predicted Vokasi APS
Gambar 5.19 Antarmuka perbandingan variabel actual dan predicted Vokasi Pariwisata
Antarmuka perbandingan grafik variabel actual dan predicted
Gambar 5.21 Antarmuka perbandingan grafis variabel actual dan predicted vokasi APS
n. Antarmuka tampilan Residual Graph
Gambar 5.23 Antarmuka tampilan Residual Graph Vokasi Akuntansi
Gambar 5.25 Antarmuka tampilan Residual Graph Vokasi Pariwisata
o. Antarmuka tampilan MSE Graph
Gambar 5.27 Antarmuka tampilan MSE Graph Vokasi APS
Gambar 5.28 Antarmuka tampilan MSE Graph Vokasi Pariwisata
Gambar 5.29 Antarmuka tampilan Statistic Descriptive Vokasi Akuntansi
Gambar 5.30 Antarmuka tampilan Statistic Descriptive Vokasi APS
Gambar 5.31 Antarmuka tampilan Statistic Descriptive Vokasi Pariwisata
q. Antar muka hasil prediksi
Tabel 5.1 Perbandingan IP Semester 1 Vokasi Akuntansi, APS, Pariwisata
Untuk Vokasi Akuntansi dapat dianalisis dari tabel 5.1 dimana untuk mendapatkan predikat cum laude ip semester 1 yang diperoleh minimum 3 memang terlihat sedikit lebih rendah daripada pariwisata juga untuk mendapatkan predikat sangat memuaskan dengan IP semester 1 2.4 tetapi yang menarik dari Vokasi Akuntansi disini adalah untuk IP hanya 2 masih mendapatkan IPK kelulusan yang mendekati predikat memuaskan, ini artinya di vokasi akuntansi IP semester 1 yang relatif rendah tidak dapat dijadikan acuan untuk memprediksi kelulusan, karena cukup banyak kejadian IP semester 1 dibawah 2 tetapi dapat lulus dengan IPK diatas 3, dan hal ini dimungkinkan karena mahasiswa terbantu dengan adanya semester pendek dimana mereka dapat mengulang matakuliah yang tidak lulus sehingga dapat memperbaiki nilai mereka.
Untuk Vokasi APS prediksi predikat cum laude dapat langsung terlihat dari IP semester 1, dimana mahasiswa yang IP semester 1 diatas 3.5 akan mendapatkan predikat cum laude tetapi ketika IP semester 1 kurang dari 3, mahasiswa akan sangat sulit untuk mendapatkan predikat sangat memuaskan, dan bahkan bisa DO dan disini keunikan Vokasi APS dimana untuk dapat berhasil memang IP Semester 1 harus baik dalam arti mendapatkan minimal 3 untuk dapat lulus di Vokasi APS
Untuk Vokasi Pariwisata yang ditunjukkan tabel 5.1 dan gambar 5.24 untuk mendapatkan Cum Laude Mahasiswa Vokasi Pariwisata minimum mempunyai IP Semester 1 3.1 dan untuk sangat
Gambar 5.32 Antarmuka Input Hasil Prediksi Kelulusan Vokasi Akuntansi
Gambar 5.33 Antarmuka Input Hasil Prediksi Kelulusan Vokasi APS
Gambar 5.34 Antarmuka Input Hasil Prediksi Kelulusan Vokasi Pariwisata
Penggunaan aplikasi ini membutuhkan komputer dengan konfigurasi minimum sebagai berikut: 1. Kebutuhan perangkat keras untuk Aplikasi UI Predictor:
a. Prosesor 2.0 GHz, 512KB L2 cache b. RAM 512 MB DDR2
c. Kebutuhan Harddisk
- 300 MB untuk instalasi .NET Framework 2.0 - 6 MB untuk instalasi aplikasi ini
d. VGA dengan resolusi layar 1024 x 768 2. Kebutuhan piranti lunak
a. Operating Sistem yang bisa digunakan untuk menjalankan aplikasi ini antara lain: - Microsoft windows XP Service Pack 2
BAB 6 KESIMPULAN DAN SARAN
Kesimpulan
Algoritma Genetika dapat digunakan untuk menganalisis dan memprediksi kelulusan mahasiswa dimana langkah awal untuk melakukan algoritma ini harus menentukan populasi awal dan jika data merupakan suatu predikat maka harus diklasifikan
Untuk Vokasi Akuntansi dapat dianalisis dari tabel 5.1 dimana untuk mendapatkan predikat cum laude ip semester 1 yang diperoleh minimum 3 memang terlihat sedikit lebih rendah daripada pariwisata juga untuk mendapatkan predikat sangat memuaskan dengan IP semester 1 2.4 tetapi yang menarik dari Vokasi Akuntansi disini adalah untuk IP hanya 2 masih mendapatkan IPK kelulusan yang mendekati predikat memuaskan, ini artinya di vokasi akuntansi IP semester 1 yang relatif rendah tidak dapat dijadikan acuan untuk memprediksi kelulusan, karena cukup banyak kejadian IP semester 1 dibawah 2 tetapi dapat lulus dengan IPK diatas 3, dan hal ini dimungkinkan karena mahasiswa terbantu dengan adanya semester pendek dimana mereka dapat mengulang matakuliah yang tidak lulus sehingga dapat memperbaiki nilai mereka.
Untuk Vokasi APS prediksi predikat cum laude dapat langsung terlihat dari IP semester 1, dimana mahasiswa yang IP semester 1 diatas 3.5 akan mendapatkan predikat cum laude tetapi ketika IP
semester 1 kurang dari 3, mahasiswa akan sangat sulit untuk mendapatkan predikat sangat memuaskan, dan bahkan bisa DO dan disini keunikan Vokasi APS dimana untuk dapat berhasil
memang IP Semester 1 harus baik dalam arti mendapatkan minimal 3 untuk dapat lulus di Vokasi APS
Semester 1 dibawah 2.7 maka akan sulit untuk mendapatkan predikat sangat memuaskan sehingga terdapat mahasiswa yang lulus dengan predikat memuaskan.
Saran
DAFTAR PUSTAKA
[1] Muhamad Hanief Meinanda, Metri Annisa, Narendi Muhandri dan Kadarsyah Suryadi , Prediksi Masa Studi Sarjana dengan Artificial Neural Network,2009
[2] Camerer, Colin dan Loewenstein, George. Neuroeconomics : How Neuroscience can Inform Economics. Sloan School of Management, MIT,2003
[3]AL Cripps, “Using Artificial Neural Nets to Predict Academic Performance,” In ACM Symposium on Applied Computing,1996.
[4]N. Bijayananda dan R. Srinivasan, “Predicting M.B.A. student performance: An empirical comparison of neural network vis-à-vis statistical models,”in Midwest Decision Sciences, Lincoln Institute,1998.
[5] Herbrich, Ralf et al. Neural Networks in Economics: Background, Application and New Development, 1999.
[6]P.V. Balakrishnan, M.C.Cooper, V.S. Jacob, dan P.A. Lewis,“A study of the classification capabilities of neural networks using unsupervised learning: A comparasion with k-means clustering,”Psychometrika. Vol. 59, 1994.
[7]J. Hair Dan R. Anderson,Multivariate Data Analysis. New York: Prentice Hall, 1998.
[8]D. Pyle,Data Preparation for Data Mining. Morgan Kaufmann Publisher, 1999.
[9]C.M. Bishop, Neural Networks for Pattern Recognition, 3rd ed. Oxford: Oxford University Press, 1995.
[10] Shachmurove, Yochanan. Applying Neural Networks to Business, Economics and Finance. University of Pennsylvania,2005.
