88
IMPLEMENTASI JARINGAN SYARAF TIRUAN METODE BACKPROPAGATION UNTUK PREDIKSI KELULUSAN
SISWA SEKOLAH MENENGAH ATAS (STUDI KASUS:
SMA CAHAYA MEDAN)
Firman Mangasi F. Sinaga
Mahasiswa Program Studi Teknik Informatika STMIK Budidarma Medan Jl. Sisingamangaraja No. 338 Simpang Limun Medan
ABSTRAK
Jaringan syaraf tiruan merupakan cabang dari kecerdasan buatan yang meniru atau mencontoh cara kerja otak manusia. Di dalam JST terdapat metode Bacpropagation yang diimplementasikan pada berbagai macam aplikasi untuk menyelesaikan banyak masalah khususnya dalam bidang peramalan.Jaringan Syaraf Tiruan Metode Backpropagation merupakan salah satu metode yang dapat digunakan untuk memprediksi kelulusan siswa.Ada dua tahapan yang digunakan pada metode backpropagation ini yaitu tahap pelatihan dan tahap pengujian. Pada tahap pelatihan pola berusaha untuk mengenali masukan dan pada tahap pengujian pola yang sudah dikenali diujikan sehingga diketahui pola jaringan yang dapat mengenali dan melakukan prediksi terhadap kelulusan siswa.Dalam dunia Pendidikan kelulusan siswa adalah bagian dari suatu hasil dari proses kegiatan pembelajaran yang dilakukan selama tenggang waktu yang tertentu. Dengan mengetahui kelulusan siswa yang maka dapat diambil kesimpulan untuk mengetahui kualitas sekolah tersebut yang biasa di kategorikan dengan berhasil. Perangkat lunak yang diguanakan untuk pengujian adalah aplikasi Matlab versi 7.10
Kata Kunci : Prediksi Kelulusan Siswa , Jaringan Syaraf Tiruan, Backpropagation, Matlab.
1. Latar Belakang Masalah
Jaringan Saraf Tiruan (JST) semakin diminati banyak kalangan yang melakukan penelitian yang sebelumnya sempat ditinggal. Jaringan Saraf Tiruan merupakan sistem yang memproses informasi mencoba meniru kinerja otak manusia. JST mampu melakukan pengenalan kegiatan berbasis masa lalu.
Data masa lalu akan dipelajari JST sehingga mempunyai kemampuan untuk memberikan keputusan terhadap data yang belum pernah dipelajari atau biasa disebut prediksi / ramalan.Prediksi dalam konteks komputasi merupakan salah satu kegiatan matematis.Prediksi ini telah dilakukan bertahun – tahun sebelum penguasaan computer dengan menggunakan computer, yaitu dengan menggunakan alat hitung seperti kalkulator.Prediksi kelulusan sisiwa dapat membantu pihak sekolah dalam mendapat informasi peserta didik tentang akademik yang dimiliki.
Di Sekolah SMA cahaya sering mengalami kendala dalam memperkirakan jumlah siswa untuk tahun ajaran yang akan datang karena berpengaruh dari berapa jumlah siswa yang akan lulus pada masa tahun sekarang. Sehingga terjadi kekurangan meja , kursi dan bangkan ruangan kelas. Kelulusan siswa merupakan suatu indikator keberhasilan sistem pendidikan sekolah.Dengan peramalan atau prediksi kelulusan siswa dapat dilakukan upaya – upaya persiapan serta pembekalan siswa – siswi yang matang sejak dini diharapkan siswa dapat
mengikuti dan menghsilkan nilai sesuai standart kelulusan yang telah ditentukan oleh pemerintah dan sekolah.Kelulusan siswa kelas XII sekolah dijadikan tolak ukur mutu sekolah tersebut dan juga sebagai daya tarik untuk penerimaan siswa baru tahun berikutnya.
Terkait dengan hal tersebut Metode Jaringan Saraf Tiruan (JST) Backpropogation sebagai salah satu bagian dari kecerdasan buatan (Artificial Intelligence) dalam Ilmu Komputer banyak digunakan dalam menyelesaikan permasalahan terkait dengan prediksi. Pada penelitian sebelumnya dalam Jurnal Teknologi, Volume 7 Nomor 1, Juni 2014, 20-28 ( Sandy Kosasi ,2014 ) yang berjudul “ Penerapan Metode Jaringan Saraf Tiruan Backpropogation untuk Memprediksi Nilai Ujian Sekolah”. Penggunaan dan penerapan (Implementasi) Metode JST Backpropogation tergolong algoritma pembelajaran / pelatihan yang bersifat supervisial dan menggunakan aturan pembelajaran pengoneksi (error) salah ( Graupe, 2013). Pada prosesnya jika keluaran memberikan salah, maka penimbang (weigh) dikoreksi supaya galatnya dapat diperkecil dan tanggapan JST selanjutnya diharapkan akan memberikan nilai yang mendekati yang benar (Purnomo dan Kurniawan, 2006).
Disisi lain, kemampuan metode Backpropogation juga mampu memecahkan masalah yang sukar disimulasikan dengan menggunakan teknik Analitikan Logika. JST
Backpropogation dapat digambarkan sebagai sebuah simulasi dari koneksi model saraf biologi, yang ditujukkan dalam kemampuannya dalam menyelesaikan emulasi, analisa, prediksi dan asosiasi dengan lebih baik.Hal ini menjadi alasan JST Backpropogation dapat digunakan sebagai metode untuk memprediksi Kelulusan siswa.Namun karena dalam pengimputan data dalam metode Backpropogation masih bersifat manual yang sering kali mengalami kendala dan kelemahan.Maka untuk mengatasi masalah pengimputan data yang masih bersifat manual penulis melakukan pengimputan data menggunakan sistem komputerisasi dengan aplikasi Matlab 7.10.
Dengan aplikasi ini maka pada proses pengimputan dan pengujian serta pelatihan data dapat menghasilkan data yang cepat dan akurat serta memberikan hasil dapat divisualisasikan.
1.2 Perumusan Masalah
Adapun masalah yang akan dibahas dalam penelitian ini adalah sebagai berikut:
1. Bagaimana proses kelulusan siswa di SMA Cahaya – Medan ?
2. Bagaimana mengimplentasikan MetodeBackpropagation untuk memprediksi kelulusan siswa Sekolah Menengah Atas?
3. Bagaimana menguji Metode Backpropogation untuk memprediksi kelulusan siswa Sekolah Menengah Atas dengan aplikasi Matlab 7.10 ? 1.3 Batasan Masalah
Penelitianinidibatasibeberapa hal sebagai bahan untuk memperoleh data sebagaiberikut:
1. MetodeprediksiyangdigunakanadalahMetodeJar inganSarafTiruanBackpropagation
2. Datauntukpelatihandanprediksidiambildaridata kelulusansiswakelasXII IPA dan IPS SMA Cahaya - Medan dari tahun 2013 s/d 2016.
3. Menggunakan aplikasiMatlab 7.10 dalam proses pengujian data.
1.4 Tujuan dan Manfaat Penelitian
Berdasarkaan perumusan masalah, penelitianinibertujuans e ba g a i be r ik ut :
1. Menganalisa proses penglahan data dalam memprediksi kelulusan siswa di SMA Cahaya - Medan.
2. Menerapkan Metode Backpropogation dalam memprediksi kelulusan siswa Sekolah Menengah Atas.
3. Menggunakan Matlab 7.10 untuk menguji Metode Backpropogation dalam memprediksi kelulusan siswa Sekolah Menengah Atas.
Adapun manfaat penelitian dilakukan adalah : 1. Mengetahui kelemahan dan kelebihan dalam
proses memprediksi kelulusan siswa.
2. Dapat menghasilkan prediksi kelusan siswa dengan Metode Backpropogation.
3. Menghasilkan prediksi kelulusan siswa dengan
cepat dan akurat.
2. Landasan Teori
1.2 Jaringan Syaraf Tiruan
Jaringan syaraf tiruan adalah sistem pemrosesan informasi yang memiliki karakteristik, salah satu representasi buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah buatan ini digunakan karena jaringan syaraf diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses pembelajaran (Diyah Puspita Ningrum, 2009:7).
2.1.1 Defenisi Jaringan Syaraf Tiruan (JST) Jaringan Syaraf Tiruan (JST) adalah merupakan sistem pemroses informasi yang memeiliki karakteristik mirip dengan jaringan syaraf biologi seperti otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran otak manusia tersebut (J.J Siang, 2009). Jaringan SyarafTiruan tercipta sebagai suatu generalisasimodel matematis dari pemahaman manusia(human cognition) yang didasarkan atasasumsi sebagai berikut :
1. Pemrosesan informasi terjadi padaelemen sederhana yang disebut neuron.
2. Isyarat mengalir diantara sel syaraf
(neuron)melalui suatu
sambunganpenghubung.
3. Setiap sambungan penghubung memilikibobot yang bersesuaian.
4. Setiap sel syarafakan merupakan fungsiaktivasi terhadap isyarat hasilpenjumlahan berbobot yang masukkepadanya untuk menentukan isyaratkeluarannya (J.J Siang, 2009:3).
Ada beberapa jenis tipe jaringan syaraf tiruan, namun demikian, hampir semuanya memiliki komponen-komponen yang sama. Seperti halnya otak manusia, jaringan syaraf tiruan juga terdiri dari beberapa neuron dan terdapat hubungan antar neuron tersebut.
Gambar 2.1 Susunan Neuron Jaringan Syaraf Tiruan
Sumber : Diyah Puspita Ningrum, jaringan syaraf tiruan, 2009
2.1.2 Konsep Dasar JST
Pembagian arsitektur jaringan syaraf tiruan bisa dilihat dari kerangka kerja dan skema interkoneksi. Kerangka kerja jaringan syaraf tiruan bisa dilihat dari jumlah lapisan (layer) dan jumlah node pada setiap lapisan.
Lapisan-lapisan penyusun jaringan syaraf tiruan dapat dibagi menjadi tiga yaitu (Diyah Puspita Ningrum, 2009) :
1. Lapisan Masukan ( Input Layer)
Node-node di dalam lapisan input disebut unit- unit input. Unit-unit input menerima input dari dunia luar. Input yang dimasukkan merupakan penggambaran dari suatu masalah.
Gambar 2.2 Lapisan input
Sumber : Diyah Puspita Ningrum, jaringan syaraf tiruan, 2009
2. Lapisan tersembunyi ( Hyden Layer)
Node-node dalam lapisan tersembunyi disebut unit-unit tersembunyi.Output dari lapisan ini tidak secara langsung dapat diamati.
Gambar 2.3 Lapisan tersembunyi
Sumber : Diyah Puspita Ningrum, jaringan syaraf tiruan, 2009
3. Lapisan Keluaran (OutputLayer)
Node-node pada lapisan output disebut unit-unit output. Keluaran atau output dari lapisan ini merupakan output jaringan syaraf tiruan terhadap suatu permasalahan.
Gambar 2.4 Lapisan output
Sumber : Diyah Puspita Ningrum, jaringan syaraf tiruan, 2009
2.2 Backpropagation
MetodeBackpropagation merupakan salah satu algoritma yang sering digunakan dalam menyelesaikan masalah-masalah yang rumit.Hal ini dimungkinkan karena jaringan dengan algoritma ini
dilatih dengan menggunakan metode belajar terbimbing.Pada jaringan diberikan sepasang pola yang terdiri dari atas pola masukan dan pola yang diinginkan.
Metode backpropagation (propagasibalik) merupakan metode pembelajaran lanjutyang dikembangkan dari aturan perceptron hal yang ditiru dari perceptron adalah tahapan dalamal goritma jaringan. Metode backpropagation ini dikembangkan oleh Rumelhart, Hintondan Williams sekitar tahun 1986 yang mengakibatkan peningkatan kembali minat terhadap jaringan saraf tiruan. Metode ini terdiri dari dua tahap,yaitu tahap feed forward yang diambil dari perceptron dan tahap backpropagation error.(Jaringan Syaraf Tiruan Memprediksi Ketersediaan Bahan Bakar Solar Dengan Menggunakan Metode Backpropagation, Pelita Informatika, 2301-9425, Vol iv, Edisi 2, 2013).
Dalam pelatihan dengan backpropagation sama halnya seperti pelatihan pada jaringan syaraf yang lain. Pada jaringan feedfoward (umpan maju), Kesalahan dihitung berdasarkan rata-rata kuadrat kesalahan (MSE).Rata-rata kuadrat kesalahan juga dijadikan dasar perhitungan untuk kerja fungsi aktivasi.Sebagian besar pelatihan untuk jaringan feedfoward.(umpan maju) menggunakan gradient dari fungsi aktivasi untuk menentukan bagaimana mengatur bobot-bobot dalam rangka meminimumkan kinerja. Gradient ini ditentukan dengan menggunakan suatu teknik yang disebut backpropagation. Pada dasarnya, algoritma pelatihan standar backpropagationakan menggerakkan bobot dengan arah gradientnegatif.Prinsip dasar dari algoritma backpropagation.Kesalahan dihitung berdasarkan rata-rata kuadrat kesalahan (MSE).Rata-rata kuadrat kesalahan juga dijadikan dasar perhitungan untuk kerja fungsi aktivasi.Sebagian besar pelatihan untuk jaringan feedfoward.(umpan maju) menggunakan gradient dari fungsi aktivasi untuk menentukan bagaimana mengatur bobot-bobot
dalam rangka meminimumkan
kinerja.menggunakan gradient dari fungsi aktivasi untuk menentukan bagaimana mengatur bobot- bobot dalam rangka meminimumkan kinerja.
Gambar 2.5 Arsitektur Backpropagation Sumber: Jurnal Teknologi Informasi, Volume 10
Nomor 2, Okt 2014, ISSN 1414-9999
2.2.1 Fungsi Aktivasi
Dalam backpropagation, fungsi aktivasi yang dipakai harus memenuhi beberapa syarat yaitu:kontinu, terdiferensial dengan mudah dan merupakan fungsi yang tidak turun. Salah satu fungsi yang memenuhi ketiga syarat tersebut sehingga sering dipakai adalah fungsi sigmoid binner yang memiliki range [10].Fungsi lain yang sering dipakai adalah fungsi sigmoid bipolar yang bentuk fungsinya mirip dengan fungsi sigmoid biner, tapi dengan range (-1,1). Fungsi sigmoid memiliki nilai maksimum = 1. Maka untuk pola yang targetnya >1, pola masukan dan keluaran harus terlebih dahulu ditransformasikan sehingga polanya memiliki range yang sama seperti fungsi sigmoid yang dipakai.
2.2.2 Langkah – Langkah Metode Backpropagation
Adapun langkah-langkah metode backpropagation sebagai berikut:
1. Inisialisasi bobot. (sebaiknya diatur pada nilai acak yang kecil),
2. Jika kondisi tidak tercapai, lakukan langkah 2-9,
3. Untuk setiap pasangan pelatihan, lakukan langkah 3-8,
Perambatan Maju 4. Tiapunitmasukan(xi,
z=1,…,n)menerimasinyalxidanmenghantarkan sinyal ini ke semua unit lapisan di atasnya (unit tersembunyi),
5. Setiap unit tersembunyi (xi, i = 1,…, p) jumlahkan bobot sinyalmasukannya,
𝑧_𝑖𝑛𝑐𝑗 = 𝑣𝑜𝑗 + 𝑛𝑖=1𝑥𝑖𝑣𝑖𝑗 (3)
voj = biasa pada unit tersembunyi j aplikasikan fungsi aktivasinya untuk menghitung sinyal keluarannya, zj = f (z_inj), dan kirimkan sinyal ini keseluruh unit pada lapisan diatasnya (unit keluaran).
6. Tiap unit keluaran (yk,k = 1,…, m) jumlahkan bobot sinyal masukannya,
𝑦_𝑖𝑛𝑘𝑘= 𝑤𝑜𝑘+ 𝑛𝑗 =1𝑧𝑗𝑤𝑗𝑘 (4) wok=biasa
padaunitkeluarankdanaplikasikanfungsiaktivasin yauntuk menghitung sinyal keluarannya, yk=f (y_ink).
Perambatan Mundur 7. Tiapunitkeluaran(yk
,k=1,…,m)menerimapolatargetyangsalingberhub ungan pada masukan pola pelatihan, hitung kesalahan informasinya,
𝛿𝑘= 𝑡𝑘− 𝑦𝑘 𝑓1(𝑦_𝑖𝑛𝑘) (5)
hitung koreksi bobotnya (digunakan untuk memperbaharui wjk nantinya),
∆𝑤𝑗𝑘 = 𝛼𝛿𝑘𝑧𝑗 (6)
hitungkoreksibiasnya(digunakanuntukmemperb aharuiwok nantinya), dan kirimkan δkke unit- unit pada lapisan dibawahnya,
8. SetiapunitlapisantersembunyI(zj,j=1,…,p)jumla hkanhasilperubahanmasukannya(dari unit-unit lapisan diatasnya),
∆_𝑖𝑛𝑗= 𝑚𝑘=1𝛿𝑘𝑤𝑗𝑘 (7)
Kalikan dengan turunan fungsi aktivasinya untuk menghitung informasi kesalahannya,
𝛿𝑗= 𝛿𝑖𝑛 𝑗𝑓1(𝑧𝑖𝑛 𝑗) (8)
hitung koreksi bobotnya (digunakan untuk memperbaharui voj),
9. Tiap unit keluaran (yk k = 1, …, m) update bias dan bobot (j=0,…,p) :
𝑤𝑗𝑘 𝑏𝑎𝑟𝑢 = 𝑤𝑗𝑘 𝑙𝑎𝑚𝑎 + ∆𝑤𝑗𝑘 (9) Tiap unit lapisan tersembunyi (zj, j = 1,…, p) update bias dan bobotnya(I = 0,…,n):
vij(baru) = vij(lama) +∆vij (10) 10. Test kondisi berhenti
Jaringan syaraf terdiri dari 3 lapisan, yaitu lapisan masukan atau input terdiri atas variabel masukan unit sel syaraf, lapisan tersembunyi terdiri atas 10 unit sel saraf, dan lapisan keluaran atau outputterdiri atas 2 sel saraf.
Lapisan masukan digunakan untuk menampung 13 variabel yaitu X1sampai dengan X13, sedangkan 2 lapisan keluaran digunakan untuk mempresentasikan pengelompokan pola, nilai 00 untuk Gangguan Stress, nilai 01 untuk Gangguan Fobia, nilai 10 untuk Gangguan Obsesif kompulsif, dan nilai 11 untuk Gangguan Panik.
Keterangan :
X = Masukan (input). J = 1 s/d n (n = 10).
V = Bobot pada lapisan tersembunyi.
W = Bobot pada lapisan keluaran.
n = Jumlah unit pengolah pada lapisan tersembunyi.
b = Bias pada lapisan tersembunyi dan lapisan keluaran.
k = Jumlah unit pengolah pada lapisan keluaran.
Y = Keluaranhasil.
Tujuan dari perubahan bobot untuk setiap lapisan, bukan merupakan hal yang sangat penting. Perhitungan kesalahan merupakan pengukuran bagaimana jaringan dapat belajar dengan baik. Kesalahan pada keluaran dari jaringan merupakan selisih antara keluaran aktual (currentoutput) dan keluaran target (desiredoutput).Langkah berikutnya adalah menghitung nilai SSE(SumSquareError) yang merupakan hasil penjumlahan nilai kuadrat error neuron1 dan neuron2 pada lapisan output tiap data, dimana hasil penjumlahan keseluruhan nilai SSE akan digunakan untuk menghitung nilai RMSE (Root Mean Square Error)tiap iterasi. (Bungaran H.Tumanggor :2013). Sum Square Error(SSE).
SEE dihitung sebagai berikut :
1. Hitung lapisan prediksi atau keluaranmodeluntukmasukanpertama.
2. Hitungselisihantaranilailuarprediksidannilaitarg etatausinyallatihanuntuksetiap keluaran.
3. Kuadratkan setiap keluaran kemudian hitung seluruhnya, ini merupakan kuadrat kesalahan untuk contoh lain.
𝑆𝑆𝐸 = 𝑁𝑖−1(𝐷𝑖𝑗 − 𝑓𝑗(𝑋𝑖)) (1) Root Mean Square Error (RMS Error)dihitung sebagai berikut :
1. Hitung SSE.
2. Hasilnyadibagidenganperkalianantarabanyaknya keluaran, kemudian diakarkan.
𝑅𝑀𝑆𝐸 = 𝑆𝑆𝐸
𝑁∗𝐾 (2) RMSE = Root Mean Square Error SSE = SumSquare Error
N = Banyaknya data pada latihan K = Banyaknya luaran.
2.3 Prediksi
Prediksi adalah proses peramalan kejadian dimasa datang dengan berdasarkan data variabel di masa sebelumnya.”dimasa datang dengan lebih mendasarkan pada pertimbangan intuisi, dalam prediksi juga sering digunakan data kuantitatif sebagai pelengkap informasi dalam melakukan peramalan”. Sedangkan “prakiraan didefinisikan sebagai proses peramalan ( Eddy Herjanto,2008:78 ). Proses peramalan terdiri dari hal-hal sebagai berikut:
1. Penentuan tujuan
Pada tahap ini analis membicarakan dengan para pembuat keputusan untuk mengetahui apa kebutuhan-kebutuhan mereka dan menentukan.
a. Variabel-variabel apa yang akan diestimasi.
b. Siapa yang akan menggunakan hasil peramalan.
c. Untuk tujuan-tujuan apa hasil peramalan akan digunakan.
d. Estimasi jangka panjang atau pendek yang diinginkan
e. Derajat ketetapan estimasi.
f. Kapan estimasi dibutuhkan.
g. Bagian-bagian peramalan yang diinginkan.
2. Pengembangan model
Pengembangan model merupakan penyajian secara lebih sederhana dari sistem yang dipelajari. Model peramalan adalah suatu kerangka analitik yang bisa dimasukkan data masukan, menghasilkan estimasi jumlah data di waktu yang akan datang (variabel apa saja yang perlu diramal). Analis hendaknya memilih suatu model yang menggambarkan secara realistis variabel-variabel yang dipertimbangkan.
Misalnya jika ingin meramalkan jumlah pengunjung yang polanya linier, maka model yang dipilih dengan menunjukkan jumlah pengunjung, X menunjukkan waktu, a 11 dan b adalah parameter–parameter yang
menggambarkan posisi dan kemiringan garis pada grafik.
3. Penerapan Model
Pada tahap ini, data historis dimasukkan ke model untuk menghasilkan suatu ramalan.Dalam kasus peramalan banyaknya pengunjun, analisis menghitung nilai a dan b.
1. Revisi dan Evaluasi
Ramalan-ramalan yang telah dibuat harus senantiasa diperbaiki dan ditinjau kembali.Perbaikan mungkin dilakukan karena adanya perubahan- perubahan dalam suatu perusahaan atau instansi yangmengelola. Bagi pihak lain evaluasi merupakan perbandingan ramalan-ramalan dengan hasil-hasil nyata untuk menilai ketepatan penggunaan suatu metodologi atau teknik peramalan. Langkah ini diperlukan untuk menjaga kualitas estimasi-estimasi di masa yang akan datang.
2.4 Matlab
Matlab adalah bahasa pemograman tingkat tinggi dimana arti perintah dan fungsinya bisa dimengerti dengan mudah, meskipun untuk seorang pemula.Matlab menyediakan fungsi-fungsi khusus untuk menyelesaikan model jaringan syaraf tiruan.
Pemakai tinggal memasukan vector masukan, target, model dan parameter yang diinginkan (Muhammad Yazdi, 2006:151).
3. Analisa Dan Implementasi 3.1 Analisa Masalah
Kelulusan siswa di sekolah SMA Cahaya dari tahun ke tahun tidak selalu sama. Hal ini dipengaruhi dari jumlah siswa kelas XII keseluruhan yang terdiri dari dua jurusan yaitu jurusan IPA dan jurusan IPS yang terbagi menjadi tiga kelas tiap jurusan.Kelulusan siswa pada tahun sebelumnya sangat berpengaruh pada jumlah siswa tahun berikutnya. Pada sikripsi ini penelitian kelulusan siswa dilakukan dengan menggunakan data kelulusan siswa dari tahun 2013 sampai dengan tahun 2016 kelas XII IPA dan IPS SMA Cahaya – Medan.
3.1.1 Analisa Data
Pada penelitian ini penulis hanya meneliti jumlah siswa yang lulus dari tahun 2013 sampai dengan 2016. Adapun data kelulusan siswa SMA Cahaya Medan dari tahun 2013 sampai dengan 2016 adalah sebagai berikut :
Tabel 3.1 Data kelulusan siswa SMA Cahaya Medan 2013 s/d 2016
NO VARIABEL 2013 2014 2015 2016 2017
1
JUMLAHSISWA
LULUS 255 258 250 260
2 JURUSAN IPA 125 126 120 135 3 JURUSAN IPS 130 132 130 125
4
TOTAL JUMLAH
SISWA 255 260 250 260 258
3.1.2 Variabel Kelulusan
Variabel penentuan Kelulusan siswa merupakan kriteria yang menjadi acuan dalam pengambilan keputusan pada pelatihan dan pengujian dengan menggunakan jaringan syaraf tiruan (Artificial Neural Network). Variabel yang digunakan adalah :
Jumlah siswa Lulus ; X1 ,Jurusan IPA; X2,Jurusan IPS ; X3,Total Jumlah Siswa; X4
Tabel 3.2 Permisalan data / Inisialisasi data kelulusan siswa 2013 s/d 2016
Keterangan :
X1 = Jumlah Siswa Lulus X2 = Jurusan IPA X3 = Jurusan IPS X4 = Total jumlah Siswa 3.3 Implementasi Metode 3.3.1 Normalisasi Data
Rumus untuk Normalisasi data adalah sebagai berikut :
𝑥′ =0.8 𝑥 − 𝑎 𝑏 − 𝑎 + 0.1 Keterangan : x’ = Hasil Normalisasi
x = Nilai Input a = Nilai minimum b = Nilai maksimum.
Tabel. 3.3 Data Pelatihan Hasil Normalisasi DATA NORMALISASI
NO X1 X2 X3 X4
1 0.500 0.367 0.671 0.500 2 0.740 0.420 0.900 0.900 3 0.100 0.100 0.671 0.100 4 0.900 0.900 0.100 0.900 3.3.2 Data Input dan Target
Tabel 3.4 Data Pelatihan dan Target DATA PELATIHAN DAN TARGET
POLA 1 2 3 4 TARGET
X1 0.500 0.367 0.671 0.500 0.740 X2 0.367 0.671 0.500 0.740 0.420 X3 0.671 0.500 0.740 0.420 0.900 X4 0.500 0.740 0.420 0.900 0.900
Setelah data nilai input dinormalisasikan dan dilatih menggunakan algoritma backpropogation maka nilai tersebut ditargertkan dengan angka.
Tabel 3.5 Ketentuan Data Target No keterangan Bobot
Error Minimum
1 Target 1
0.0000 - 0.0010
3.4 Proses Pelatihan dengan Metode Backpropagation
Fase 1 Perambatan Maju.
1. Langkah Nol
Inisialisasi bobot dengan bilangan acak kecil tabel bobot dari layer input ke layer tersembunyi. Interval acak kecil dimulai dari (-0.5 - 0.5).
Tabel 3.6 Inisialisasi Bobot pada layar tersembunyi (hiden layer)
Z1 Z2
V1 0.2 0.2
V2 -0.3 0.3
V3 0.2 -0.1
V4 0.1 -0.1
Tabel 3.7 Bobot dari hiden layer ke output layer Y
W1 0.1
W2 0.3
2. Langkah 1
Proses pembelajarn dilakukan hingga kuadrat jumlah errornya kurang dari 0.01 jika kondisi penghentian belum terpenuhi lakukan langkah 2.
3. Langkah 2
Untuk setiap data pasangan pelatihan lakukan langkah 2 -8.
Tabel 3.8 Data Input Pelatihan
Data X1 X2 X3 X4
1 0,500 0,367 0,671 0,500 Target = 0,740
lerarning rate =0,1
Fase 3 Perubahan bobot 9. Langkah 8
Perubahan bobot garis yang menuju unit keluaran.
Wkj(baru) =wkj(lama) +∆wkj W11 (baru) = w11(lama) +∆w11 = 0.1 + -
0,00751= 0,09249 INISIALISASI DATA INPUT
NO TAHUN X1 X2 X3 X4
1 2013 255 125 130 255
2 2014 258 126 132 260
3 2015 250 120 130 250
4 2016 260 135 125 260
W12 (baru) = w12(lama) + ∆w12 = 0.3 + - 0,00723= 0,29277
Vij (baru) = v11(lama) + ∆v11 = 0.2 + (-0.00033)
= 0,19967
Vij (baru) = v21(lama) + ∆v21 = 0.2 + (-0.00096)
= 0,19904 Vij (baru) = v12(lama) + ∆v12
= -0.3 + (-0.00033) = 0,30033 Vij (baru) = v22(lama) + ∆v22
= 0.3 + (-0.00096) = 0,29904 Vij (baru) = v13(lama) + ∆v13
= 0.2 + (-0.00033) = 0,19967 Vij (baru) = v23(lama) + ∆v23
= -0.1 + (-0.00096) = (-0,10096) Vij (baru) = v14(lama) + ∆v14
= 0.1 + (-0.00033) = 0,09967 Vij (baru) = v24(lama) + ∆v24
= -0.1 + (-0.00096) = (-0,10096) Vij (baru) = v15(lama) + ∆v15
= 0.1 + (-0.00033) = 0,09967 Vij (baru) = v25(lama) + ∆v25
= 0.1 + (-0.00096) = 0,09904
Tes nilai tertentu untuk berhenti belum terpenuhi karena nilai error dari Output belum kecil dari 0,01.
Dinormalisasi dengan rumus : Xi =y (xmax – xmin)+ xmin = 0,55264 (260 – 250) + 250 =255,526untuk Jumlah Siswa Lulus
Xi =y (xmax – xmin)+ xmin
= 0,55264 (135 – 120) + 120
=128,289 untuk Jurusan IPA Xi =y (xmax – xmin)+ xmin
= 0,55264 (132 – 125) + 125
=128,868 untuk Jurusan IPS Xi =y (xmax – xmin)+ xmin
= 0,55264 (260 – 250) + 250
=255,526 untuk Jumlah Total siswa Keterangan
Xi = Hasil Prediksi Tahun Berikut (2017)
Y = Hasil Output jaringan 0,55264 X min = Data dengan nilai minimum tiap
Tahun
Xmax = Data dengan nilai maximum tiap Tahun
Tabel 3.9 Hasil Prediksi
NO VARIABEL 2013 2014 2015 2016 2017
1
JUMLAHSISWA
LULUS 255 258 250 260 256
2 JURUSAN IPA 125 126 120 135 128
3 JURUSAN IPS 130 132 130 125 129 4
TOTAL JUMLAH
SISWA 255 260 250 260 256
4. Pengujian
Pengujian data prediksi kelulusan siswa dilakukan dengan menggunakan aplikasi Matlab 7.10.
Tabel 4.1 Data Input Pengujian
DATA PENGUJIAN DAN TARGET
POLA 1 2 3 4
TARGET
X1 0.740 0.420 0.900 0.900
0.900
X2 0.420 0.900 0.900 0.900
0.900 X3 0.900 0.900 0.900 0.900 0.100 X4 0.900 0.900 0.900 0.100 0.100 1. Proses Jaringan JST pada Matlab
Gambar 4.1 Gambar proses Jaringan JST pada Matlab.
2. Hasil Keluaran tiap Variabel Input
Gambar 4.2 Keluaran JST untuk Jumlah Siswa Lulus
Gambar 4.3 Hasil Keluaran JST untuk Jurusan IPA yang lulus
Gambar 4.4 Grafik Permformance Jaringan Mencapai Hasil
Gambar 4.5 Grafik kinerja Jaringan Table 4.2 Hasil pengujian dengan matlab .
Varia bel
Out
put MSE EPO
CH Lear ning Rate
Valida tion X1 257
0.009
9989 768 0.94
17 0
X2 131 X3 130 X4 257
Dari hasil pengujian dengan Matlab 7.10 pada iterasi ke – 768 diperoleherror MSE = 0.0099989 dari target 0.001. Maka dapat disimpulkan JST Metode Backpropagation berhasil dalam Memprediksi Kelulusan Siswa.
5. Kesimpulan dan Saran 5.1 Kesimpulan
ssKesimpulan yang dapat diambil setelah melakukan penelitian terhadap prediksi kelulusan siswa SMA dengan menggunakan JST - Backpropagationadalah :
1. Proses prediksi kelulusan yang sebelumnya dilakukan pada sekolah SMA Cahay masih kurang baik.
2. Dengan Jaringan Syaraf Tiruan metode Backpropagation mampu menentukan atau memprediksi kelulusan siswa SMA.
3. Proses Implementasi Jaringan Syaraf tiruan metode Backpropagation menggunakan aplikasi Matlab 7.10 dengan data kelulusan siswa tahun 2013 sampai dengan 2016 , di mana data akan dibagi menjadi dua bagian, bagian pertama digunakan untuk data pengujian (testing) dan bagian kedua untuk data pelatihan (Training) lebih cepat dan akurat.
5.2 Saran
Dari hasil penelitian Implementasi Jaringan Syaraf Tiruan Metode Backpropagation untuk meprediksi Kelulusan Siswa SMA, disarankan hal- hal berikut :
1. Untuk lebih memudahkan pengguna, maka perlu dibuat suatu interface seperti Graphical User Interface( GUI ).
2. Diharapkan dalam hal meprediksi bukan hanya untuk Kelulusan Siswa SMA sajadalat juga untuk memprediksi umum lainnya.
3. Prediksi Kelulusan siswa untuk tahun berikutnya sebaiknya dilakukan setelah mendapat laporan jumlah Kelulusan Siswa di tahun-tahun sebelumnya.
4. Penulis juga mengharapkan masukan dari para pembaca untuk lebih memaksimalkan penelitian dan diharapkan juga untuk pengembangannya.
Daftar Pustaka
1. Bungaran H.Tumanggor, (2013). “JST pada Aplikasi Matlab”.Andi Offet
2. Diyah Puspitaningrum, (2009). “Pengantar Jaringan Saraf Tiruan.Penerbit Andi.
3. Jong Jek Siang, (2009). “Jaringan Syaraf Tiruan”. ANDI Yogyakarta.
4. Muhammad Yazdi, (2015). “Pengaplikasian Matlab”. Andi Offset
5. Purnomo dan Kurniawan, (2006). “Penerapan Jaringan Syaraf Tiruan”
6. Pelita Informatika, (2013). “JurnalJaringan Syaraf Tiruan Memprediksi Ketersediaan Bahan Bakar Solar Dengan Menggunakan Metode Backpropagation”.
7. Sandy Kosasi. (2014). “JurnalPenerapan Metode Jaringan Saraf Tiruan Backpropogation untuk Memprediksi Nilai Ujian Sekolah”.
8. Sri Kusumadewi, (2010). “Artificial Intelligence (Teknik dan Aplikasinya )”Graha Ilmu. ANDI Offset
9. Telkomnika,(2009).“Jurnal Penerapan Jaringan Syaraf Tiruan Untuk Mengukur Tingkat Korelasi Antara NEM dengan IPK Kelulusan Mahasiswa”
