SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN MAHASISWA Jalan Srijaya Negara Bukit Besar Palembang, 30139
Telp: (0711) 353414, Fax: (0711) 355918 e-mail: miftakul_a@polsri.ac.id
Abstrak
Sistem pendukung keputusan merupakan salah satu jenis sistem informasi yang dapat digunakan oleh para pengguna pada level manajemen organisasi. Kebutuhan untuk tersedianya aplikasi sistem pendukung keputusan penentuan mahasiswa berprestasi sangat dibutuhkan, karena kegiatan ini merupakan kegiatan rutin yang diadakan setiap tahun. Pada penelitian ini dibuat sebuah sistem pendukung keputusan penentuan mahasiswa berprestasi menggunakan jaringan syaraf tiruan back propagation. Penelitian ini penting untuk dilakukan dalam upaya untuk membantu pihak manajemen perguruan tinggi dalam menentukan mahasiswa berprestasi. Penelitian ini mencoba menerapkan jaringan syaraf tiruan back propagation sebagai sub sistem model dalam sistem pendukung keputusan. Kriteria yang digunakan diantaranya 1) indeks prestasi kumulatif (IPK) 2) karya tulis ilmiah 3) kegiatan extra dan ko-kurikuler 4) bahasa inggris 5) kepribadian dan 6) nilai TPA. Penelitian ini telah membuktikan bahwa jaringan syaraf tiruan back propagation dapat digunakan sebagai model untuk menghasilkan rangking calon mahasiswa berprestasi. Sebanyak 40 pola data digunakan untuk melatih jaringan syaraf tiruan back propagation, serta 10 data uji. Dari hasil pengujian didapatkan hasil bahwa jaringan syaraf back propagation yang digunakan sebagai subsistem model dalam aplikasi sistem pendukung keputusan telah dapat mengenali pola untuk seluruh data latih dan dapat menentukan klasifikasi seluruh data yang diujikan.
Kata kunci:mahasiswa berprestasi, jaringan syaraf tiruan,back propagation
Abstract
as a model to produce outstanding students rank candidates.A total of 40 data patterns are used to train the neural network back propagation, as well as 10 test data.From the test results showed that back propagation neural network is used as a subsystem model in the application of decision support systems have been able to recognize the pattern for the entire training data and can determine the classification of all data that were tested.
Keywords: the most oustanding student, artificial neural network, back propagation
1. PENDAHULUAN
Pendidikan nasional berfungsi mengembangkan kemampuan dan membentuk watak serta peradaban bangsa yang bermantabat dalam rangka mencerdaskan kehidupan bangsa. Pendidikan nasional bertujuan untuk mengembangkan potensi peserta didik (mahasiswa) agar menjadi manusia yang beriman dan bertakwa kepada Tuhan Yang Maha Esa, berahlak mulia, sehat, berilmu, cakap, kreatif, mandiri, dan menjadi warga negara yang demokratis serta bertanggungjawab. Perguruan tinggi secara terus menerus mengembangkan iklim akademis yang demokratis agar dapat mendukung pelaksanaan proses pembelajaran yang mengarahkan mahasiswa menjadi lulusan sebagai insan pembelajar sepanjang hayat [1]. Dalam rangka memberikan penghargaan kepada mahasiswa yang telah berhasil mencapai prestasi yang baik, maka perlu diselenggarakan program pemilihan Mahasiswa Berprestasi yang dilakukan secara berjenjang dan bertingkat. Mahasiswa Berprestasi adalah mahasiswa yang berhasil dalam bidang akademik, dan aktif dalam kegiatan ko-kurikuler dan ekstra-kurikuler, memiliki jiwa Pancasila dan patut dijadikan kebanggaan oleh perguruan tinggi yang bersangkutan.
Dalam persaingan dunia kerja, dibutuhkan lulusan yang memiliki kemampuan hard skills dansoft skills yang seimbang, sehingga mahasiswa dituntut untuk aktif dan memiliki prestasi di bidang akademik dan non akademik. Oleh karena itu, di setiap perguruan tinggi perlu diidentifikasi mahasiswa yang dapat melakukan keduanya dan diberikan penghargaan sebagai mahasiswa yang berprestasi [2].
Dalam mekanisme pemilihan mahasiswa berprestasi, Direktorat Jenderal Pendidikan Tinggi (DIKTI) telah membuat sebuah pedoman pemilihan mahasiswa berprestasi, sehingga kriteria penilaian telah ditetapkan secara umum dan berlaku bagi seluruh perguruan tinggi di Indonesia. Sedangkan pelaksanaan teknisnya diserahkan kepada masing-masing perguruan tinggi untuk menjaring calon mahasiswa berprestasi. Dengan banyaknya mahasiswa yang memenuhi kriteria yang telah ditetapkan oleh DIKTI, seringkali panitia dihadapkan pada beragam pertimbangan sehingga menyita waktu yang cukup lama untuk menentukan mahasiswa yang harus dipilih. Pertimbangan yang matang ini dilakukan untuk mendapatkan mahasiswa yang tepat berdasarkan beberapa kriteria yang telah ditentukan.
Sari [2] dan Asfi [3] telah mengembangkan sebuah sistem pendukung keputusan menggunakan modelanalitycal hierarchy process (AHP) yang telah berhasil membuat rangking kandidat mahasiswa berprestasi.Penelitian lainnya juga dilakukan oleh Yulianto [4] yang menggunakan metode AHP dan TOPSIS sebagai model dalam sistem pendukung keputusan yang digunakan. Secara umum penelitian yang telah disebutkan tersebut menggunakan kriteria yang sama untuk melakukan seleksi yaitu 1) IPK, 2) Karya tulis ilmiah, 3) kegiatan ko dan ekstra-kurikuler, 4) bahasa inggris dan 5) kepribadian.
Dalam penelitian yang akan dilakukan ini digunakan sebuah model menggunakan jaringan syaraf tiruan back propagation sebagai salah satu bentuk algoritma pembelajaran secara terawasi (supervised). Penelitian ini menggunakan data-data masa lalu sebagai data-data latih (training set) dan dilakukan untuk melakukan rangking terhadap data yang diujikan untuk menentukan seleksi mahasiswa berprestasi. Dalam penelitian ini juga selain mengadopsi 5 buah kriteria yang telah ditentukan dari DIKTI [1] juga ditambahkan satu kriteria lagi yaitu nilai Tes Potensi Akademik (TPA) sebagai salah satu kriteria pelengkap yang harus dimiliki oleh mahasiswa yang berprestasi.
Sistem pendukung keputusan merupakan sistem informasi interaktif yang menyediakan informasi, pemodelan dan manipulasi data. Sistem tersebut digunakan untuk membantu pengambilan keputusan dalam situasi yang semi terstruktur dan situasi tidak terstruktur, dimana tak seorangpun tahu secara pasti bagaimana keputusan seharusnya dibuat. Sistem pendukung keputusan dibangun untuk mendukung solusi atas suatu masalah atau untuk mengevaluasi suatu peluang. Aplikasi sistem pendukung keputusan menggunakan CBIS (Computer Based Information System) yang fleksibel, interaktif, dan dapat diadaptasi dan dikembangkan untuk mendukung solusi atas masalah manajemen [5]. Sebuah aplikasi sistem pendukung keputusan menggunakan data, menggunakan antar muka pengguna yang mudah, dan dapat menggabungkan pemikiran pengambilan keputusan dalam lingkup pekerjaan yang bersifat analitis.
Arsitektur sistem pendukung keputusan dapat dilihat pada Gambar 1, yang terdiri dari beberapa bagian, yaitu:
1. Subsistem Manajemen Data, berisi basis data yang relevan dan dikelola oleh perangkat lunak sistem manajemen basis data.
2. Subsistem Manajemen Model, sebagai masukan model keuangan, statistik, ilmu manajemen, sistem cerdas atau model kuantitatif lain yang memberikan kapabilitas analitik dan manajemen perangkat lunak.
3. Subsistem Antar Muka Pengguna, yang memungkinkan pengguna berkomunikasi dan memerintahkan sistem pendukung keputusan dimana pengguna merupakan bagian yang juga dipertimbangkan dalam sistem.
Gambar 1. Arsitektur Sistem Pendukung Keputusan
Pada saat melakukan pemodelan dalam pembangunan sistem pendukung keputusan dilakukan beberapa tahapan [6]:
1. Studi kelayakan (intelligence), pada langkah ini sasaran ditentukan dan dilakukan pencarian prosedur, pengumpulan data, identifikasi masalah, indentifikasi kepemilikan masalah, hingga akhirnya terbentuk sebuah pernyataan masalah.
2. Perancangan (design), pada tahapan ini akan diformulasikan model yang akan digunakan dan kriteria-kriteria yang ditentukan. Setelah itu, dicari alternatif model yang dapat menyelesaikan permasalahan tersebut. Langkah selanjutnya adalah memprediksi keluaran yang mungkin. Kemudian ditentukan variabel-variabel model. 3. Pemilihan (choice), setelah pada tahap perancangan ditentukan berbagai kriteria dan
alternatif model beserta variabel-variabelnya. Pada tahap choicedilakukan pemilihan model yang akan digunakan dalam sistem pendukung keputusan, termasuk solusi dari model tersebut.
4. Membuat sistem pendukung keputusan, setelah menentukan modelnya tahap berikutnya adalah mengimplementasikan sistem pendukung keputusan dalam sebuah aplikasi berbasis komputer.
Jaringan syaraf tiruan (JST) adalah sistem pemroses informasi yang memiliki karakteristik mirip dengan jaringan syaraf biologi [7]. Jaringan syarafback propagation melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan serta kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukannyang serupa (tapi tidak sama) dengan pola yang dipakai selama pelatihan.
Dalam back propagation, 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 biner yang memiliki range (0,1). Fungsi sigmoid memiliki nilai maksimum 1, sehingga untuk pola yang targetnya > 1, pola masukan dan keluaran harus terlebih dahulu ditransformasi sehingga semua polanya memiliki range yang sama seperti fungsisigmoidyang dipakai [7].
Algoritma back propagation dapat dilakukan dengan langkah-langkah sebagai
berikut [8]:
1) Inisialisasi bobot (ambil bobot awal dengan nilai random yang cukup kecil) 2) Kerjakan langkah-langkah berikut selama kondisi berhenti bernilai FALSE. 3) Untuk tiap-tiap pasangan elemen yang akan dilakukan pembelajaran, kerjakan:
FeedForward:
Gunakan fungsi aktivasi untuk menghitung sinyal outputnya:
zj= f(z_inj) … 3)
Dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit output). c. Tiap-tiap unit output (yk, k = 1,2,3, …, m) menjumlahkan sinyal input-input
terbobot.
y_ink= w0 k+ z w … 4)
Gunakan fungsi aktivasi untuk menghitung sinyal outputnya:
yk= f(y_ink) … 5)
Dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit output).
Back Propagation:
d. Tiap-tiap unit output (yk, k = 1,2,3, …, m) menerima target pola yang
berhubungan dengan pola input pembelajaran, hitung informasi errornya:
= ( − ) ′( _ )… 6)
Kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki wjk):
∆ = ∝ … 7)
Hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki w0k):
∆ = ∝ … 8)
e. Tiap-tiap unit tersembunyi (zj, j= 1,2,3,…,p) menjumlahkan delta inputnya
(dari unit-unit yang berada pada lapisan di atasnya):
_ = ∑ … 9)
Kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk menghitung informasi error:
= _ ′( _ )… 10)
Kemudian hitung koreksi bobot (yang nantinya akan digunakan untuk memperbaiki nilai vij):
∆ = ∝ … 11)
Hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai v0j):
4) Langkah terakhir adalan tes kondisi berhenti, yang ditandai dengan perulangan telah sampai batas iterasi/epoh yang telah ditentukan, atau jaringan dianggap telah konvergen atau mengenali pola data yang telah dilatihkan.
2. METODE PENELITIAN
Pengembanganan sistem pendukung keputusan ini mengikuti tahapan yang telah ditentukan oleh Turban, dengan terlebih dahulu menentukan kriteria yang digunakan dalam seleksi mahasiswa berprestasi. Perangkat lunak yang dikembangkan mengikuti penelitian sebelumnya yang telah dilakukan oleh Amin [9]. Kriteria dalam menentukan seleksi mahasiswa berprestasi mengikuti buku panduan yang dikeluarkan oleh DIKTI [1]. Beberapa kriteria yang digunakan dalam sistem pendukung keputusan seleksi mahasiswa berprestasi diantaranya adalah:
1) Indeks Prestasi Kumulatif (IPK)
Indeks Prestasi Kumulatif (IPK) adalah nilai akademik rata-rata yang diperoleh secara kumulatif sesuai dengan aturan masing-masing perguruan tinggi. IPK hanya dinilai
dalam proses pemilihan Mahasiswa Berprestasi sampai pemilihan tingkat perguruan tinggi/ Kopertis.
2) Karya Tulis Ilmiah
Karya tulis ilmiah yang dimaksud dalam pedoman ini merupakan tulisan ilmiah hasil dari kajian pustaka dari sumber terpercaya yang berisi solusi kreatif dari permasalahan yang dianalisis secara runtut dan tajam, serta diakhiri dengan kesim-pulan yang relevan.
3) Kegiatan ko-dan ekstra kurikuler
Kegiatan ko-kurikuler adalah kegiatan yang dilaksanakan di luar kegiatan intra-kurikuler tetapi sangat menunjang kegiatan akademik.Kegiatan ekstra-intra-kurikuler adalah kegiatan yang dilaksanakan di luar intra-kurikuler dan tidak menunjang secara langsung kegiatan akademik. Kegiatan intra-kampus adalah kegiatan yang diselenggarakan oleh organisasi mahasiswa intra-kampus dan/atau oleh perguruan tinggi.Kegiatan ekstra-kampus adalah kegiatan yang diselenggarakan oleh organisasi ekstra-kampus.Penilaian ko-kurikuler dan ekstra-kurikuler dilakukan berdasarkan daftar kegiatan dan wawancara.Organisasi intra-kampus adalah organisasi yang secara sah berada di perguruan tinggi dan dibentuk berdasarkan surat keputusan pimpinan perguruan tinggi. Organisasi ekstra-kampus adalah semua organisasi yang tidak termasuk organisasi intra-kampus.
4) Bahasa Inggris
Penilaian bahasa Inggris dilakukan melalui dua tahap yaitu (1) penulisan ringkasan (bukan abstrak) berbahasa Inggris dari karya tulis ilmiah dan (2) presentasi dan diskusi dalam bahasa Inggris.Penulisan ringkasan bertujuan untuk menilai kecakapan mahasiswa dalam menulis berbahasa Inggris.Presentasi dengan topik tertentu dan dilanjutkan dengan diskusi bertujuan untuk menilai kemampuan mahasiswa dalam berkomunikasi lisan.
5) Kepribadian
Kepribadian mahasiswa berprestasi dapat diuji melalui uji yang disediakan oleh perguruan tinggi masing-masing (wawancara, tes tertulis dan sebagainya).Kisi-kisinya adalah bahwa mahasiswa berprestasi ini tidak memperlihatkan ketidakpatutan dalam bersikap, cenderung berfikiran maju dan sikap yang baik sesuai dengan prestasi yang dicapai.
Hasil evaluasi kepribadian tidak dikuantifikasikan, tetapi dijadikan syarat untuk menentukan kepatutan sebagai Mahasiswa Berprestasi.
6) Tes Potensi Akademik (TPA)
Kriteria TPAini merupakan kriteria tambahan dengan pertimbangan bahwa seorang mahasiswa jika memiliki nilai TPA tinggi memiliki modalitas yang baik untuk menyelesaikan masalah yang dihadapinya.
Gambar 2. Model Jaringan Back Propagation
Gambar 3 Flowchart Menu Utama
4. Hasil dan Pembahasan
Perangkat lunak yang digunakan dalam membangun sistem pendukung keputusan ini menggunakan MS. Visual Basic 6.0.pemilihan perangkat lunak ini karena memiliki fasilitas untuk membuat subsistem antarmuka menggunakan graphical user interface (GUI) sehingga memudahkan bagi user untuk melakukan interaksi dengan sistem. Modul jaringan syaraf tiruan back propagation dibuat menggunakan fasilitas module dan user defined function (UDF) yang mudah dilakukan menggunakan script dalam MS. Visual Basic 6.0.
data latih dimasukkan ke dalam basis data menggunakan form seperti dapat dilihat pada Gambar 4. Jumlah kriteria sebanyak 6 buah ini nantinya digunakan sebagai input bagi jaringan syaraf tiruan selama proses pembelajaran.
Gambar 4 Form Input Data Pelatihan
Dalam proses pelatihan jaringan syaraf tiruan diberi pola data latih sebanyak 40 buah, dengan 20 data merupakan pola data kandidat mahasiswa berprestasi dan 20 data yang tidak termasuk kandidat mahasiswa berpestasi. Data latih yang tersimpan dalam basis data merupakan data dengan nilai yang belum dinormalisasi, tetapi pada tahap training sebelum menjadi input bagi jaringan syaraf tiruan back propagation data-data tersebut akan dinormalisasi dengan formula:
′ = . ( )+ 0.1… 15)
Dimana a adalah data minimum dan b adalah data maksimum. Normalisasi digunakan untuk mengecilkan range data setiap kriteria yang nantinya digunakan dalam proses pengambilan keputusan. Data ditransformasikan atau dinormalisasi dalam
Gambar 5. Proses Training Data Pelatihan
Pada Gambar 4 dapat dilihat bahwa proses pelatihan data akan terhenti jika Mean Sequence Error (MSE) lebih kecil dari target error yang telah ditentukan, atau iterasi melebihi dari batas iterasi/epoh. Kemudian setelah proses pelatihan berhenti yang menandakan bahwa jaringan syaraf telah berhasil mengenali pola, maka bobot-bobot hasil pelatihan dapat disimpan dalam sebuah file yang nantinya dapat digunakan untuk proses pengambilan keputusan. Pada pelatihan ditentukan maksimal epoh adalah 100, learning rate 0.5, target error 0.01, jumlah neuron di layer input sebanyak 6, jumlah neuron di layer tersembunyi 2 dan jumlah neuron di layer output 1 buah. Jumlah neuronsebanyak 1 dilayeroutput karena jaringan syaraf digunakan untuk menentukan klasifikasi dengan nilai 0 untuk kandidat mahasiswa yang tidak dikategorikan berprestasi dan nilai 1 untuk kandidat mahasiswa yang diterima sebagai mahasiswa berprestasi.
Biodata kandidat mahasiswa berprestasi terlebih dahulu dimasukkan termasuk dengan nilai-nilai kriteria yang melekat pada kandidat mahasiswa tersebut. Form input data kandidat mahasiswa berprestasi dapat dilihat pada Gambar 6.
Gambar 6. Form Input Kandidat Mahasiswa Berprestasi
Tahap berikutnya dalam seleksi mahasiswa berprestasi ini proses penentukan kandidat dilakukan pada setiap kandidat, dengan memanggil nilai-nilai kriteria yang telah diinput pada tahap pengisian biodata mahasiswa. Proses penentuan mahasiswa berprestasi dapat dilihat pada Gambar 7. Sebelum proses penentuan, terlebih dahulu dilakukan proses memuat kembali bobot yang diperoleh selama tahap pembalajaran. Bobot-bobot ini digunakan untuk pengenalan pola dalam penentuan selanjutnya. Hasil output bobot dari jaringan syaraf akan dibulatkan, jika nilai output lebih besar dari 0.5 maka dinyatakan kandidat mahasiswa tersebut diterima sebagai mahasiswa berprestasi, sebaliknya jika dibawah 0.5 maka dinyatakan ditolak.
Gambar 7 Penentuan Kandidat Mahasiswa Berprestasi
Sistem pendukung keputusan yang telah dikembangkan ini juga dapat memberikan output berupa daftar kandidat mahasiswa berprestasi yang diseleksi dan hasil penentuan yang dilakukan. Output ini berupa laporan yang dapat dicetak ke layar komputer maupun menggunakan printer seperti dapat dilihat pada Gambar 8.
Gambar 8 Laporan Seleksi Kandidat Mahasiswa Berprestasi
Nilai penuruan error selama proses pembelajaran dapat dilihat pada Gambar 9. Selama proses pembelajaran, jaringan syaraf tiruan back propagation memperbaiki bobot dan menurunkan error yang terjadi. Ketika nilai error yang dihasilkan oleh jaringan telah berkurang dan mendekati nilai batas error yang ditentukan, artinya jaringan syaraf telah konvergen dan mengenali pola untuk selanjutnya dapat digunakan melakukan proses pengambilan keputusan.
Gambar 9 Nilai Penurunan Error
Sistem yang dibangun juga telah menghasilkan daftar rangking yang menjadi kandidat untuk diterima sebagai mahasiswa berprestasi seperti dapat dilihat pada Gambar 10. Rangking ini didasarkan atas nilai bobot yang diperoleh dari output jaringan syaraf tiruanback propagation diurutkan dari bobot yang mendekati 1 atau 0.9 karena fungsi sigmoid biner menghasilkan nilai range [0.1 …0.9]. Rangking ini sangat
Kandidat mahasiswa berprestasi dalam urutan teratas merupakan mahasiswa berprestasi yang paling direkomendasikan oleh sistem pendukung keputusan, dan semakin urutan berada di bawah semakin tidak direkomendasikan.
Gambar 10 Daftar Rangking Kandidat Mahasiswa Berprestasi
5. Kesimpulan
Dari penelitian yang telah dilakukan dapat disimpulkan beberapa hal sebagai berikut:
1. Jaringan syaraf tiruan back propagation dapat digunakan untuk dijadikan sebagai subsistem model dalam membangun sebuah sistem pendukung keputusan.
2. Aplikasi sistem pendukung keputusan yang telah dibuat dapat menghasilkan klasifikasi untuk menentukan kandidat mahasiswa berprestasi. Ouput yang dihasilkan berupa rangking urutan dari yang paling direkomendasikan dengan nilai terbesar sampai kepada yang tidak direkomendasikan dengan nilai terkecil.
DAFTAR PUSTAKA
[1] DIKTI.Pedoman Umum Pemilihan Mahasiswa Berprestasi. Jakarta: DIKTI, 2008. [2] Sari, A.N.; Widada, B.; Susyanto, T. Sistem Pendukung Keputusan Pemilihan
Mahasiswa Berprestasi Menggunakan Metode Analytical Hierarchy Process (AHP).Jurnal Tikomsin.2014; volume 2 nomor 1: halaman 48-55
[3] Asfi, M.; Sari, P. R. Sistem Penunjang Keputusan Seleksi Mahasiswa Berprestasi Menggunakan Metode AHP (Studi Kasus: STMIK CIC Cirebon).Jurnal
Informatika. 2010; volume 6 nomor 2: halaman 131-144
[5] Kusrini.Kosep dan Aplikasi Sistem Pendukung Keputusan. Yogyakarta: Penerbit Andi Offset. 2007
[6] Turban, E.Decision Support System and Expert System. United Stated: Prentice Hall International. 1995
[7] Siang, J. J.Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. Yogyakarta: Penerbit Andi Offset. 2005
[8] Kusumadewi, S. Artificial Intelligence (Teknik dan Aplikasinya).Yogyakarta: Penerbit Graha Ilmu. 2003
[9] Amin, M.M. Aplikasi Sistem Pendukung Keputusan Penerimaan Dosen
