MODEL DATA MINING UNTUK KLASIFIKASI TINGKAT
PENGUASAAN MARTERI BAHAN AJAR
Oman Somantri
1)Slamet Wiyono
2)1)
Teknik Informatika, Politeknik Harapan Bersama Tegal
Jl. Mataram No.09 Pesurungan Lor, Kota Tegal Indonesia
email : 1) oman.somantri@poltektegal.ac.id, 2)slamet2wiyono@gmail.comABSTRACT
Universities have difficulty in assessing the performance of lecturers, therefore required a system that can help the institution in making assessment. This paper proposes a model of Data Mining to solve the problem. The Model of data mining that is used; Naïve Bayes(NB), Support Vector Machine (SVM) and Neural Network. The Model is used for the classification of the ability of lecturers in understanding the lesson materials. Tools Rapid miner also used for analyzing data into the proposed model. The research results show that the model of the Neural Network is the best that is the level of accuracy of 85.36%. With this model of the Neural Network is the best model for the classification of the ability of lecturers in understanding the lesson materials
Keywords
Classification, Naïve Bayes(NB), Support Vector Machine (SVM) and Neural Network
1. Pendahuluan
Didalam Undang-Undang nomor 14 tahun 2005 tentang Guru dan Dosen mengatakan bahwa tugas utama dari seorang Dosen adalah melaksana Tri Dharma perguruan tinggi yaitu melaksanakan pengajaran, penelitian dan pengabdian masyarakat. Untuk menjamin profesionalisme dosen dalam Undang-Undang dinyatakan bahwa dosen harus memiliki serifikat kompetensi agar yang bersangkutan dikatakan sebagai dosen profesional. Hal inilah yang menjadikan bahwa kinerja seorang dosen dalam melaksanakan kegiatan tugas dan fungsinya harus selalu sesuai dengan harapan yang diinginkan. Pengajaran merupakan salah satu tugas utama dosen untuk memberikan dan mentransfer ilmunya kepada mahasiswa. Kompetensi akademik yang dimiliki oleh dosen sesuai dengan bidangnya menjadi tolak ukur dalam proses ini,
dimana ilmu yang dimiliki tentunya sesuatu hal yang harus dikuasai oleh dosen.
Kinerja seorang dosen dapat dinilai dari beberapa aspek penilaian, diantaranya penilaian internal institusi melalui DP3, ataupun penilaian lain yang bisa dijadikan sebagai informasi pendukung keputusan dalam menilai dosen apakah berkinerja baik atau tidak. Salah satu penilaian lain adalah dengan berdasarkan pada penilaian hasil umpan balik mahasiswa terhadap kinerja dosen. Kinerja dosen adalah unjuk kerja yang diperlihatkan atau ditampilkan dosen dalam melaksanakan tugasnya pada proses pembelajaran berdasarkan tingkat kualitas proses pembelajaran dan penilaian subjektifitas mahasiswa, atau tingkat kualitas dari proses yang sistematik dan kompleks yang terdiri atas: (1) cara penyampaian materi kuliah; (2) cara berkomunikasi; (3) kreatifitas dosen; (4) disiplin dosen; (5) penilaian terhadap hasil karya mahsiswa; dan (6) kepuasan terhadap sarana dan prasarana yang mendukung secara langsung maupun tidak langsung dalam proses pembelajaran [1].
Penilaian kinerja dosen yang dilakukan tentunya harus bisa menjadi sebuah pendukung keputusan bagi para pengambil keputusan di instansi homebase dosen yang bersangkutan dalam memutuskan nilai kinerja dosen tersebut. Masih sulitnya dalam memperoleh informasi yang akurat dalam memutuskan penilaian kinerja dosen akan sangat menyulitkan para pengambil keputusan dalam hal ini pimpinan perguruan tinggi untuk menilai kinerja dosen yang bersangkutan, maka untuk mengatasi permasalahan tersebut sangat diperlukan sebuah metoda analisis yang tepat untuk bisa menjadi solusi yang terbaik sebagai pedukung keputusan satunya adanya penilaian terhadap penguasaan dosen terhadap bahan ajar yang akan diajarkannya pada mahasiswa.
Penelitian mengenai kinerja dosen telah banyak dilakukan salah satunya melakukan penelitian mengenai pengukuran kepuasan mahasiswa berdasarkan kinerja Dosen dalam proses perkuliahan di Universitas Muhammadiyah Purwokerto [2], dalam penelitian ini
tingkat kepuasan mahasiswa terhadap dosen diukur kedalam beberapa aspek yaitu keandalan, reponsevenes, tangibles, empati dan jaminan. Berdasarkan hasil penelitian menunjukan bahwa tingkat kepuasan mahasiswa dalam hal kehandalan, reponsivines, tangibles, empati dan jaminan memiliki hubungan yang kuat dan berpengaruh signifikan terhadap kinerja kuliah di kelas.
Salah satu metode pembelajaran data mining yang dapat digunakan sebagai metode dalam menganalisis data kinerja dosen adalah neural network, algoritma ini dapat digunakan untuk analisis klasifikasi data. Neural Network mempunyai kelebihan dapat melakukan pembelajaran berdasarkan data yang digunakan untuk pelatihan, dapat melakukan self organization atau melakukan representasi dari informasi yang diterimanya dan memiliki real time operation dengan kata lain neural network dapat melakukan perhitungan secara paralel [3].
Dalam perkembangannya, penelitian mengenai kinerja dosen telah banyak dilakukan dengan menerapkan konsep data mining secara terkomputerisasi. Penggunaan data mining ini dapat berguna sekali untuk dijadikan sebagai alat bantu strategis dalam menunjang keputusan berdasarkan data pendidikan untuk mengatasi tantangan yang sangat sulit dan penting untuk meningkatkan kualitas proses pendidikan [4]. Beberapa penelitian penerapan data mining telah dilakukan, seperti Atika, L (2010) meneliti mengenai sistem penunjang keputusan penilaian kinerja pemilihan dosen berprestasi menggunakan metode AHP [5]. Nur Wahyudi, Eko & Janato, Arif (2013) menerapkan teknik klastering K-Means untuk final repport penilaian kinerja Dosen oleh mahasiswa pada satu periode tahun akademik [6], kemudian Izzudin, Ahmad (2015) melakukan penelitian mengenai optimasi cluster pada algoritma K-Means dengan reduksi dimensi dataset menggunakan principal component analysis untuk pemetaan kinerja dosen [7]. Pada penelitian ini untuk memetakan kinerja dosen digunakan teknik clustering yaitu K-Means dan dipadukan dengan metode PCA, dataset yang digunakan adalah data kinerja dosen prodi Teknik Elektro Universitas Panca Marga Probolinggo yang terdiri dari inisial dosen, nilai aspek pedagogik, nilai aspek professional, nilai aspek kepribadian dan nilai aspek sosial. Dari hasil penelitian yang dilakukan, reduksi dimensi dataset menggunakan PCA terbukti dapat meningkatkan kualitas cluster yang dihasilkan oleh algoritma K-Means.
Berdasarkan penelitian yang telah dilakukan sebelumnya, maka tujuan dari penelitian ini adalah mengusulkan model data Mining sebagai solusi untuk klasifikasi tingkat penguasaan materi bahan ajar. Model yang diusulkan adalah Neural Network, sehingga dihasilkan sebuah analisis klasifikasi data dengan tingkat akurasi terbaik.
2. Tinjauan Studi
2.1 Neural Network
Neural Network (NN) merupakan algoritma yang bekerja didasarkan pada suatu usaha untuk meniru fungsi otak manusia. Otak manusia terdiri dari jutaan unit pengolahan kecil yang bekerja secara paralel yang disebut dengan neuron dimana saling terhubung satu sama lain. Setiap individu mengambil input dari satu neuron, kemudian memprosesnya dan melewati output untuk satu set neuron. Keluaran dikumpulkan oleh neuron lain untuk diproses lebih lanjut (Shukla, A., 2010) [8].
Setiap Neural Network satu sma lain dibedakan oleh beberapa hal, diantaranya adalah (Ling, S. H., 2009) [9]:
1. Pola koneksi antar neuron
2. Metode penentuan bobot pada koneksi-koneksi (training, learning atau algoritma).
3. Fungsi aktivasi
Gambaran arsitektur neural network digambarkan seperti pada gambar 1 dibawah ini:
Gambar 1 Arsitektur Neural Network
Pada gambar 1 terlihat bahwa input berasal dari neuron (X1,X2, Xn dengan bobot hubungan masing-masing adalah w1, w2, wN. Impuls neuron yang ada dijumlahkan seperti rumus dibawah ini:
= X1W1 + X2W2 + … + WNXN + Bias ……..(1)
Neural Network terdiri dari dua atau lebih lapisan, meskipun sebagian besar jaringan terdiri dari tiga lapisan, diantaranya lapisan input, lapisan tersembunyi, dan lapisan output.
Algoritma backpropagation merupakan salah satu dari bagian dari metode neural network. Backpropagation pertama kali dirumuskan oleh Paul Werbos pada tahun 1974 dan dipopulerkan oleh Rumelhart bersama McClelland untuk dipakai pada neural network feedforward, tetapi perkembangannya metode ini diadaptasi untuk pembelajaran pada model neural network lainnya (Astuti, E. D., 2009) [10]. Algoritma backpropagation merupakan salah satu metode pelatihan
yang terawasi, serta metode ini mempunyai ciri meminimalkan error pada output yang dihasilkan.
2.1 Penelitian Terkait
F.S, Dini (2015) [11] meneliti mengenai pengenalan pola kepuasan mahasiswa terhadap kegiatan belajar mengajar di STMIK AKAKOM Yogjakarta dengan menggunakan algoritma Learning Vector Quantization (LVQ). Dalam penelitian ini dilakukan untuk melihat pola tingkat kepuasan mahasiswa yang dapat mendukung keberhasilan belajar mengajar yang meliputi motivasi dan kemampuan dosen dalam mengajar, motivasi diukur dari metode dan kehadiran mengajar. Lestari, Sri & Suryadi, Arman (2014) meneliti mengenai Model Klasifikasi Kinerja dan Seleksi Dosen Berprestasi dengan Algoritma C.45, pada penelitian ini di fokuskan pada implementasi C45 untuk pembentukan model klasifikasi kinerja dan penetapan dosen berprestasi [12].
Ridawan, Mujib., dkk (2013) meneliti terkait dengan penerapan Data Mining untuk evaluasi kinerja kademik Mahasiswa menggunakan algoritma Naïve Bayes Classifier. Pada penelitian ini penelitian di fokuskan untuk mengevaluasi kirja akademik mahasiswa padatahun ke-2 dan diklasifikasikan dalam kategori mahasiswa yang dapat lulus tepat waktu atau tidak. Berdasarkan pengujian pada data mahasiswa ternyata algoritma NBC menghasilkan nilai akurasi 70% [13].
Berdasarkan pada beberapa penelitian yang telah disebutkan diatas, berbeda dengan penelitian yang telah dilakukan sebelumnya, pada makalah ini diusulkan Neural Network (NN) untuk digunakan sebagai model klasifikasi tingkat penguasaan bahan ajar dosen berdasarkan data pada evaluasi kinerja dosen yang telah dilakukan oleh mahasiswa.
3. Metode Penelitian
3.1 Tahapan Penelitian
a. Data Penelitian
Data penelitian yang digunakan adalah data primer, dalam penelitian ini data yang digunakan adalah data yang berasal dari kuesioner lembar reaksi mahasiswa terhadap kinerja dosen dalam mengampu mata kuliah, mulai tahun 2014 s.d 2016 pada perguruan tinggi Politeknik Harapan Bersama Tegal.
Adapun penilaian yang dilakukan oleh mahasiswa tersebut terdiri dari beberapa variable yang akan dijadikan sebagai dataset penelitian, diantaranya adalah:
• Memberikan dan menjelaskan Silabus • Memberikan dan menjelaskan Kontrak Kuliah
• Menyajikan materi pengajaran sesuai dengan Silabus
• Menguasai Materi Pengajaran
• Menjelaskan aplikasi mata kuliah untuk Profesi dan atau Kehidupan
• Penyampaian materi mudah dipahami oleh mahasiswa
• Metode pengajaran bervariasi (ceramah, diskusi, presentasi, role play, dll)
• Menggunakan audio visual (Transparasi, LCD atau Flip Chart) dan berbasis teknologi (Blog, Website, Email)
• Mendorong mahasiswa untuk mengajukan
pertanyaan atau pendapat
• Menghargai perbedaan pendapat dengan mahasiswa • Santun dengan mahasiswa
• Hadir dikelas tepat waktu • Meninggalkan kelas tepat waktu
b. Pengolahan data awal (preprocessing data)
Sebelum dilakukan proses analisis data dengan cara memasukan dataset ke dalam model melalui tools yang digunakan, terlebih dahulu dataset dilakukan normalisasi, yaitu proses dimana dataset real yang sudah diperoleh dirubah menjadi nilai yang mudah untuk dimasukan kedalam model.
c. Penentuan Data Training dan Testing
Dataset yang sudah di normaliasi kemudian akan dibagi menjadi dua bagian, diantaranya data training dan data testing. Data Training akan dipergunakan sebagai data latih untuk menemukan model yang tepat, dan setelah didapatkan model yang tepat kemudian dimasukan data testing sebagai data untuk mengetahui validasi dari model yang sudah didapatkan apakah sesuai dengan yang diharapkan atau belum.
d. Eksperimen dan Pengujian
Ekperimen dilakukan dengan memasukan dataset kedalam tools yang dipergunakan dan dilakukan pengujian-pengujian terhadap kombinasi model yang didapatkan sehingga nantinya didapatkan model yang terbaik. Pada penelitian ini validasi data akan menggunakan k-fold cross Validation untuk mencari dan mendapatkan model yang terbaik.
e. Evaluasi Model
Evaluasi dilakukan untuk melihat sejauh mana keberhasilan dari model yang diusulkan sehingga model tersebut lebih baik tingkat akurasinya dibandingkan dengan sebelumnya. Evaluasi dilakukan dengan cara membandingkan tingkat akurasi model yaitu neural network dibandingkan dengan model data mining lain
yaitu Naive Bayes (NB), dan Support Vector Machine (SVM).
3.2 Rancangan Penelitian
Sesuai dengan tujuan dari penelitian ini adalah untuk mendapatkan nilai tingkat akurasi yang lebih baik dibandingkan dengan model sebelumnya. Algoritma neural network diusulkan sehingga nantinya diharapkan terjadinya peningkatan akurasi dalam mengklasifikasikan tingkat penguasaan dosen dalam menguasai bahan ajar berdasarkan kinerja dosen. Adapun rancangan penelitian yang diusulkan adalah seperti pada gambar 2.
Gambar 2 Rancangan penelitian dan Metode yang diusulkan Pengumpulan data dilakukan dengan melakukan questioner terhadap seluruh mahasiswa Politeknik Harapan Bersama Tegal dari berbagai jurusan yang ada yaitu Teknik Komputer, Teknik Informatika, Teknik Elektro, Teknik Mesin, Farmasi, Akuntasi, dan Kebidanan. Untuk mendapatkan informasi lebih jauh lagi terkait dengan penelitian yang dilakukan maka wawancara dilakukan kepada pimpinan perguruan tinggi untuk mendapatkan informasi terkait dengan berbagai kendala yang dihadapi terkait dengan penilaian kinerja dosen. Berbagai studi literatur dilakukan baik itu dari buku, internet, jurnal dan lain sebagainya untuk mendapatkan bebagai macam informasi terkait dengan data penelitian dan metode yang diusulkan dalam penelitian.
4. Hasil dan Pembahasan
Dengan menggunakan Tools Software RapidMiner-5.3 sebagai alat untuk menganalisis model yang diusulkan, untuk mendapatkan hasil dari penelitian yang dilakukan.
Ekperimen dilakukan dengan menggunakan tools Rapid Miner untuk mendapatkan hasil dari model yang diusulkan. Berdasarkan hasil yang telah didapatkan pada ekperimen dari model yang diusulkan yaitu dengan menggunakan algoritma Neural Network dengan fungsi aktivasi menggunakan sigmoid.
4.1 Ekperimen Neural Network
Untuk mendapatkan model yang diinginkan, hal yang harus dilakukan adalah dengan melakukan penentuan nilai parameter neural-network. Eksperimen menggunakan fungsi aktivasi sigmoid, dengan input data berupa data numerik sebanyak 12 input data.
• Penentuan Nilai Training Cycles
Pada tahapan ini dilakukan ekperimen untuk mendapatkan nilai parameter training cycle yang terbaik dengan tingkat akurasi tinggi. Penentuaan nilai parameter ini dilakukan dengan menentukan nilai secara kombinasi, pada eksperimen ini diteapkan untuk nilai parameter learning rate = 0.3 dan momentum = 0.2. Hasil nilai parameter training cycle yang terbaik seperti yang ditunjukan pada tabel 1.
Tabel 1. Penentuan parameter training cycle terbaik
No. Training Cycles Accuracy
1 50 80.67% +/- 2.15% 2 100 82.13% +/- 2.22% 3 150 82.28% +/- 2.20% 4 200 82.66% +/- 2.17% 5 250 83.11% +/- 2.55% 6 300 83.33% +/- 2.54% 7 350 83.37% +/- 2.57% 8 400 83.67% +/- 2.71% 9 450 83.86% +/- 2.64% 10 500 83.93% +/- 2.73% 11 550 83.97% +/- 2.70% 12 600 83.93% +/- 2.64% 13 650 83.90% +/- 2.58% 14 700 83.93% +/- 2.41% 15 750 83.90% +/- 2.33% 16 800 84.01% +/- 2.40% 17 850 84.31% +/- 2.34% 18 900 84.23% +/- 2.75% 19 950 84.38% +/- 2.36% 20 1000 84.42% +/- 2.60%
Gambar 3 Parameter Training Cycle NN Terbaik Pada tabel 1, untuk tingkat akurasi yang terbia yaitu dengan menggunakan nilai parameter training cycle 1000.
• Penentuan Nilai Learning Rate
Tahapan selanjutnya adalah melakukan ekperimen dengan mencari nilai parameter learning rate terbaik dari Neural Network sebagai model yang diusulkan. Hasil ekperimen dalam mencari nilai parameter learning rate terbaik dengan menggunakan training cycle = 1000 dan momentum= 0.2, hasilnya ditunjukan pada tabel 2.
Tabel 2. Penentuan parameter learning rate terbaik
No. Learning Rate Accuracy
1 0.1 84.49% +/- 2.41% 2 0.2 85.36% +/- 1.65% 3 0.3 84.42% +/- 2.60% 4 0.4 84.91% +/- 2.26% 5 0.5 84.64% +/- 2.10% 6 0.6 85.09% +/- 1.64% 7 0.7 84.98% +/- 1.51% 8 0.8 84.31% +/- 1.77% 9 0.9 83.90% +/- 2.21%
Gambar 4 Parameter Learning Rate NN Terbaik
Pada tabel 2, terlihat bahwa nilai akurasi terbaik adalah 85.36% dengan nilai paremeter learning rate terbaik 0,2.
• Penentuan Nilai Momentum
Setelah mendapatkan nilai training cycle dan learning rate terbaik, selanjutnya adalah ekperimen dengan melakukan pencarian nilai parameter momentum yang terbaik. Dengan menggunakan training cycle = 1000, leraning rate = 0,2, berdasarkan hasil eksperimen didapatkan nilai parameter momentum terbaik seperti pada tabel 3.
Tabel 3. Penentuan parameter momentum terbaik
No. Momentum Accuracy
1 0.1 84.72% +/- 2.17% 2 0.2 85.36% +/- 1.65% 3 0.3 84.34% +/- 2.16% 4 0.4 83.71% +/- 3.01% 5 0.5 84.72% +/- 1.89% 6 0.6 84.57% +/- 2.57% 7 0.7 84.38% +/- 2.25% 8 0.8 84.23% +/- 2.28% 9 0.9 84.19% +/- 3.90%
Gambar 5 Parameter momentum NN Terbaik
Berdasarkan pada tabel 3 terlihat bahwa nilai terbaik dari model Neural Network didapatkan adalah momentum = 0.2 dengan tingkat akurasi sebesar 85.36%.
• Gambar Model NN Terbaik
Berdasarkan hasil dari ekperimen dengan nilai tingkat akurasi yang trebaik, maka gambar model Neural Network yang dihasilkan adalah seperti pada gambar 6.
Gambar 6. Arsitektur Model Neural Network Terbaik yang dihasilkan Pada gambar 6 arsitektur model Neural Network yang dihasilkan adalah terdiri dari 12 neuron input, 9 neuron hidden, dan 4 neuron output.
4.2 Evaluasi Model
Berdasarkan dari analisa pengujian antara model neural network dengan model data mining lainnya maka dapat dirangkumkan hasilnya pada tabel 4.
Tabel 4. Hasil komparasi NN, SVM dan NB
No. Model Algoritma Accuracy
1 Neural Network (NN) 85.36%.
2 Support Vector Machine (SVM) 62.81%
3 Naïve Bayes (NB) 71.24%
Gambar 7 Evaluasi Model NN, SVM dan NB
Berdasarkan hasil analisa dalam eksperimen yang telah dilakukan terlihat bahwa Neural Network (NN) mempunyai tingkat akurasi tertinggi yaitu 85.36%.Dengan demikian neural network merupakan model yang dapat diterapkan untuk klasifikasi tingkat penguasaaan bahan ajar dengan mempunyai tingkat akurasi tertinggi.
4. Kesimpulan
Berdasarkan penelitian yang telah dilakukan, maka kesimpulan yang dapat diambil adalah untuk klasifikasi tingkat penguasaan materi bahan ajar menggunakan algoritma Neural Network (NN) mempunyai tingkat akurasi cukup tinggi. Tingkat akurasi dari penerapan Neural Network yang didapatkan adalah sebesar 85.36%., sehingga dapat dikatakan tingkat akurasi tersebut cukup baik. Untuk memperoleh sebuah akurasi dengan tingkat akurasi yang lebih baik lagi, terdapat beberapa saran yang harsu dilakukan, sebagai berikut:
• Model yang didapatkan perlu untuk di eksperimenkan dengan menggunakan berbagai dataset yang sesuai sehingga dapat dilihat performance dari model tersebut.
• Perlu dilakukan ekperimen percobaan model lain untuk optimaliasi tingkat akurasi klasifikasi Tingkat Penguasaan Materi Bahan Ajar sebagai bagian dari evaluasi model yang sudah didaptkan sebelumnya. • Adanya sebuah optimasi peningkatan akurasi dengan
menggunakan feature selection seperti dengan menggunakan algoritma Genetika.
REFERENSI
[1] Ruslan. 2010. Kepuasan Mahasiswa Terhadap
Kinerja Dosen. Jurnal Ilmu Pendidikan(JIP). Vol 17.
No.3. pp:230-237
[2] Sunyoto & Miftahudin, Agung. 2014. Mengukur
Kepuasan Mahasiswa Berdasarkan Kinerja Dosen
Dalam Proses Perkuliahan. Sainteks. Vol 11. No.2. pp:
36-55
[3] Zebulum Ricardo S, Vellasco Marley, Guedes Karla
& Pacheco Marco Aurélio. Short term load forecasting
using neural nets. In : Mira J, Sandoval F, editors. From
natural to artificial neural computation. Berlin Heidelberg : Springer; 1995, p.1001–8.109
[4] Chalaris, M., Gritzali, S., Maragoudakis, M.,
Sgouropoulou, C & Tsolakidis, A. 2014. Improving Quality of Educational Processes Providing New
Knowledge using Data Mining Techniques. Procedia -
Social and Behavioral Sciences . No. 147 . pp: 390 – 397
[5] Atika, Linda. 2010. Sistem Penunjang Keputusan
Penilaian Kinerja Pemilihan Dosen Berprestasi
Menggunakan Metode AHP. Jurnal Imiah MATRIK.
Vol.12. No.3. pp: 1-10.
[6] Nur Wahyudi, Eko & Jananto, Arif. 2013. Final Report
Penilaian kInerja Dosen oleh Mahasiswa pada Satau Tahun kademikk Menggunakan Teknik Klustering
(Studi Kasus: Universitas Stikubang Semarang). Jurnal
Teknologi Informasi DINAMIK. Vol.18 No.02. pp: 101-111. ISSN.0854-9524
[7] Izzuddin, Ahmad. 2015. Optimasi Cluster pada
Algoritma K-Means dengan Reduksi Dimensi Datset Menggunakan Principal Component Analysis untuk
Pemetaan Kinerja Dosen. Energy : Jurnal Ilmiah
Ilmu-Ilmu Teknik. Vol.5 No.2. November 2015. ISSN.2088-4591. pp: 41-46
[8] Shukla, A., Tiwari, R., & Kala, R. 2010. Real Life
Application of Soft Computing. CRC Press
[9] Ling, S. H., Nguyen, H. T., & Chan, K. Y. 2009. A New
Particle Swarm Optimization Algorithm for Neural
Network Optimization. Network and System Security,
third International Conference . pp: 516-521
[10] Astuti, E. D. 2009. Pengantar Jaringan Saraf Tiruan.
Wonosobo: Star Publishing.
[11] Fakta Sari, Dini. 2015. Pengenalan Pola Kepuasan
Mahasiswa Terhadap Kegiatan Belajar Mengajar (Studi Kasus Di STMIK AKAKOM Yogjakarta).
TEKNOMATIKA. Vol. 8. No.1. ISSN:1979-7656
[12] Lestari, Sri & Suryadi, Arman. 2014. Model Klasifikasi
Kinerja dan Dosen Berprestasi dengan Aalgoritma
C45. Proseding Seminar Bisnis & Teknologi
(SEMBISTEK2014).ISSN.2407-6171. pp:340-350
[13] Ridwan, Mujib., Suyono, Hadi & Sarosa, M. 2013.
Penerapan Data Mining Untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naïve
Bayes Classifier. Jurnal EECCIS. Vol.7, No.1. pp:
59-64
Oman Somantri, memperoleh gelar S.Kom dari STMIK
Sumedang dan gelar M.Kom dari Universitas Dian Nuswantoro Semarang tahun 2015 . Saat ini sebagai Staf Pengajar program studi Teknik Informatika Politeknik Harapan Bersama Tegal
Slamet Wiyono, memperoleh gelar S.Pd dari Universitas Negeri
Semarang dan M.Eng dari Universitas Gadjah Mada (UGM) tahun 2015. Saat ini sebagai Staf Pengajar program studi Teknik Informatika Politeknik Harapan Bersama Tegal.
