Forecasting
Calon Mahasiswa Baru Menggunakan
Abstrak—Kebijakan yang akan diambil oleh pihak manajemen sebuah universitas salah satunya berangkat dari berapa banyak mahasiswa yang mendaftar pada universitas tersebut. Dengan mengetahui jumlah mahasiswa maka dapat dipersiapkan lebih awal langkah untuk mengelola mahasiswa baru tersebut, seperti penyediaan kelas, penyediaan kursi, sumber daya manusia seperti dosen, karyawan serta kebijakan lainnya. Untuk mengetahui data jumlah mahasiswa yang akan mendaftar pada periode tertentu dibutuhkan sebuah forecasting atau peramalan. Banyak metode peramalan yang
sering digunakan. Salah satunya adalah artificial neural network atau jaringan syaraf tiruan. Pada penelitian ini akan
dilakukan peramalan calon mahasiswa baru menggunakan artificial neural network sehingga nantinya akan didapat
peramalan berapa jumlah mahasiswa yang akan mendaftar ke universitas pada periode penerimaan calon mahasiswa baru.
Kata Kunci: Artificial Neural Network, Calon Mahasiswa, Forecasting, Universitas.
I. PEσDAHULUAσ
Universitas merupakan barometer dan fasilitator perkembangan sebuah ilmu pengetahuan. Universitas juga merupakan “kawah candradimuka” yang kelak akan melahirkan generasi penerus bangsa dengan keilmuan yang dimiliki oleh masing-masing lulusannya. Animo masyarakat untuk melanjutkan studi sampai kejenjang pendidikan tinggi di universitas semakin hari terlihat semakin baik. Hal ini terbukti dengan semakin banyak berdirinya universitas-universitas baik swasta maupun negeri.
Persiapan sarana dan prasarana yang dilakukan oleh pihak universitas tentunya diperhitungkan sesuai dengan berapa jumlah mahasiswa yang akan masuk ke universitas tersebut. Hal ini terkait dengan berapa ruangan yang akan disediakan, berapa jumlah bangku yang akan digunakan. Bahkan perhitungan tersebut juga merembet ke sumber daya manusia (SDM) yang diperlukan. Seperti, berapa jumlah dosen yang dibutuhkan berapa orang karyawan yang diperlukan agar supaya proses belajar mengajar berjalan dengan baik dan lancar.
Untuk mempersiapkan sarana dan prasarana tersbut tentunya membutuhkan data berapa jumlah mahasiswa yang akan masuk kesebuah universitas. Permasalahan ini tentunya membutuhkan sebuah prediksi atau peramalan, berapa banyak mahasiswa yang akan masuk kesebuah universitas pada periode penerimaan tersebut. Peramalan akan membantu para pengambil keputusan di dalam melakukan perbaikan sarana dan prasarana universitas juga untuk perekrutan dosen dan karyawan. Banyak metode yang bisa digunakan untuk melakukan peramalan diantaranya adalah regresi linier, single exponential smoothing, artificial neural network.
Artificial neural network atau jaringan syaraf tiruan adalah paradigma pemrosesan suatu informasi yang terinspirasi oleh sistim sel syaraf biologi, sama seperti otak yang memproses suatu informasi. Elemen mendasar dari paradigma tersebut adalah struktur yang baru dari sistim pemrosesan informasi. Jaringan Syaraf Tiruan, seperti manusia, belajar dari suatu contoh. Jaringan Syaraf Tiruan dibentuk untuk memecahkan suatu masalah tertentu seperti pengenalan pola atau klasifikasi karena proses pembelajaran. Masalah-masalah yang secara eksplisit dapat diformulasikan dan langkah-langkah pemecahannya pun dapat secara eksplisit diformulasikan.
II. METτDE PEσELITIAσ
Proses metodologi penelitian ini adalah merupakan langkah demi langkah dalam penelitian, mulai dari proses pengumpulan data hingga pembuatan laporan. Adapun langkah-langkah penelitian dapat dilihatpada tabel berikut ini.
TAHAPAσ KEGIATAσ DAσ TOOLS HASIL
Perencanaan Penentuan Topik
Analisa System development life cycle (SDLC)
Backpropagation
Hasil analisa dan rancangan
systemforecase PMB
Pembuatan Aplikasi dan
Implementasi Bahasa Pemrograman VB.σet Database Management Systems (DBMS) MySQL
Aplikasi forcase calon mahasiswa baru
Pengujian Black Box testing Aplikasi Forcase calon
Mahasiswa baru yang telah diuji
Laporan Microsoft Word Laporan Penelitian
III. HASIL DAσ PEMBAHASAσ
Penelitian ini akan membahas bagaimana meramalkan jumlah mahasiswa dan mengembangkan system informasi forcase menggunakan artificial neural network backpropagation.
Arsitektur Backpropagation
Arsitektur Artificial neural network backpropagation pada prediksi jumlah mahasiswa ini dapat diformulasikan lapisan dan variable yang digunakan sebagai berikutμ
1. Input Layer, dengan menggunakan 15node
2. Hidden Layer, menggunakan 2layer dan 4node lapisan tersembunyi
3. τutput Layer, dengan 1 node yaitu prediksi jumlah mahasiswa baru pada tahun sekarang (TS) Adapun bentuk arsitekturnya dapat dilihat pada gambar berikutμ
GAMBAR1.ARSITEKTUR JARIσGAσ SYARAF TIRUAσ PMB
Analisis kebutuhan Data
TABEL 1.DATA PMB
Permodelan system digunakan untuk melihat bagaimana arus data masuk dan keluar dari system. Pada penelitian ini digunakan data flow diagram (DFD) untuk menggambarkan prediksi yang dilakukan oleh system.
Pengujian SistemForcase PMB
Untuk pengujian system dilakukan dengan menggunakan cara menjalankan setiap form dalam system forecase PMB. Diawal pengujian dilakukan input data PMB atau dengan cara meng-Import data dari Microsoft Excel dalam format CSV (Coma Delimited) kemudian secara otomatis system akan menampilkan data yang sudah ternormalisasi. Tahap berikutnya adalah membagi data menjadi data latih sebesar 80%, data uji sebanyak 10% dan data latih sebanyak 10%.τutput dari system forecase ini adalah jumlah penerimaan mahasiswa baru pada tahun 20161. Proses ini dapat dilihat pada gambar berikutμ
GAMBAR 2.IσPUT DAσ στRMALISASI DATA
GAMBAR 3.HASIL TRAIσIσG DATA
GAMBAR 4.HASIL DATA TEST
IV. SIMPULAσ DAσ SARAσ
Berdasarkan hasil penelitian dan pengujianforecasting calon mahasiswa baru menggunakan artificial neural network pada Universitas Muhammadiyah Riauyang telah dilakukan oleh penulis, maka dapat diambil beberapa kesimpulan, yaituμ
Penelitian ini dapat mencapai output target ketika dilakukan pelatihan terhadap data PMB dengan R Square sebesar λ8, λ%, dan error1, 4 % namun ketika dilakukan pengujian terhadap data uji dan validasi maka hasil JST kurang dapat mengenali pola baru. Terlihat ketika dilakukan pengujian data error yang diperoleh sebesar 22.1% dan validasi data menghasilkan error sebesar 2.8%.
forcase menggunakan Model jaringan syaraf tiruan membutuhkan jumlah data yang banyak untuk
mendapatkan peramalan yang lebih akurat.
UCAPAσ TERIMA KASIH
Melalui bagian ini penulis mengucapkan banyak terimakasih kepadaμ
Saudaraku Dedi wilantara, S.Kom, yang telah memberikan sumbang dan saran pada penelitian ini Bapak Edo Arribe, S.Kom, .MMSI selaku kepala UPT PMB dan Promosi UMRI yang telah membantu memberikan data-data untuk kepentingan penelitian ini.
DAFTAR PUSTAKA
[1]. Makridakis, S. (1λλλ), “Metode dan Aplikasi Peramalan”, Binarupa Aksara, Jakarta
[2]. Sumarno, (200λ). “Aplikasi Wavelet Recurrent σeural σetwork Untuk Prediksi Data Time Series”, Matematika ITS, Surabaya.
[3]. Galuh, U. (2006). “Penggunaan Algoritma Genetika dan Artificial σeural σetwork untuk Peramalan Harga Saham”, Teknik dan Manajemen Industri ITB, Bandung.
[4]. Puspitaningrum, Diah. 2006. Pengantar Jaringan Syaraft Tiruan.Yogyakartaμ Andi Yogyakarta. [5]. Arif Hermaawan, 2006, Jaringan Syaraf Tiruan, Andi Yogyakarta.
[6]. Kendall, 2003, Systems Analysis and Design, 5th Ed. Pearson Prentice Hall International, Inc. σew Jersey.
[7]. σegnevitsky, Michael. 2005. Artificial Intelligence A Guide to Intelligent Systems. Second Edition. Harlowμ Pearson Education Limited.
[8]. Siang, Jong Jek. 200λ. Jaringan Syaraf Tiruan dan Pemrograman Menggunkan Matlab. Yogyakartaμ Andi Yogyakarta. [λ]. Sari, Ira Puspita. 2014. Prediksi Harga Saham Harian Menggunakan Feedforward σeural σetwork (FFσσ) dengan Algoritma
