SISTEM PREDIKSI KELULUSAN MAHASISWA DENGAN METODE BACKPROPAGATION NEURAL NETWORK
STUDENT GRADUATION PREDICTION SYSTEM WITH BACKPROPAGATION NEURAL NETWORK METHOD
Nurul Amini Abidin¹, Muhammad Assidiq², Ahmad Qaslim³
¹ ² ³ Universitas Al Asyariah Mandar, Polman amininurul636@gmail.com
ABSTRAK
Ketepatan kelulusan menjadi salah satu tolak ukur integritas Universitas, termasuk Universitas Al Asyariah Mandar. Dari tahun ke tahun, banyak mahasiswa Universitas Al Asyariah Mandar yang tidak lulus tepat waktu. Untuk itu perlu adanya sistem prediksi kelulusan agar dosen wali dapat mengarahkan mahasiswa yang diprediksi akan lulus terlambat. Metode yang digunakan adalah Jaringan Syaraf Tiruan Backpropagation. Metode Backpropagation memiliki 3 arsitektur yaitu input layer, hidden layer, dan output layer. Proses Backpropagation meliputi feedforward dan feedbackward. Data yang digunakan adalah data kelulusan tahun 2015. Data awal sebanyak 100 record dan setelah diolah dibagi menjadi 3 data latih yang terdiri dari 100, 50 dan 25 data latih..
Selanjutnya data tersebut juga dibagi menjadi data uji dengan 11 record. Pembagian tersebut. Dari berbagai percobaan dengan fitur yang berbeda yaitu IPS1 hingga IPS5, IPK dan perolehan sks, akurasi pengujian tertinggi adalah 90,91%. Sistem ini dibangun menggunakan matlab. MATLAB (Matrix Laboratory) adalah program untuk pemeriksaan dan perhitungan matematis dan merupakan bahasa pemrograman numerik tingkat tinggi berdasarkan alasan pemanfaatan sifat dan jenis jaringan.
Hasil penelitian menunjukkan bahwa metode Backpropagations dinilai cukup bagus dalam melakukan Pengklasifikasian untuk melakukan prediksi kelulusan mahasiswa. Skenario pengujian dengan menggunakan 100 data latih, 50 data latih dan 25 data latih menghasilkan tingkat akurasi yang berbeda yaitu 90,91% pada 100 data, 81,82% pada 50 data latih dan 45,45% pada 25 data latih.
Kata Kunci : Sistem Prediksi, Jaringan Syaraf Tiruan, Backpropagation, Matlab
ABSTRACT
The accuracy of graduation is one of the benchmarks for the integrity of universities, including Al Asyariah Mandar University. From year to year, many students of Al Asyariah Mandar University do not graduate on time. For this reason, it is necessary to have a graduation prediction system so that guardian lecturers can direct students who are predicted to graduate late. The method used is Backpropagation Neural Network. Backpropagation method has 3 architectures, namely input layer, hidden layer, and output layer. Backpropagation process includes feedforward and feedbackward.
The data used is graduation data in 2015. The initial data is 100 records and after processing it is divided into 3 training data consisting of 100, 50 and 25 training data. Furthermore, the data is also divided into test data with 11 records. The division. From various experiments with different features, namely IPS1 to IPS5, GPA and credit gain, the highest test accuracy is 90.91%. This system is built using matlab. MATLAB (Matrix Laboratory) is a program for mathematical examination and calculations and is a high-level numerical programming language based on the rationale for exploiting the nature and type of network. The results showed that the Backpropagations method was considered quite good in classifying to predict student graduation. The test scenario using 100 training data, 50 training data and 25 training data resulted in different levels of accuracy, namely 90.91% for 100 data, 81.82% for 50 training data and 45.45% for 25 training data.
Keywords : Prediction System, Neural Network, Backpropagation, Matlab
PENDAHULUAN
Prediksi adalah suatu cara menilai secara metodis sesuatu yang mungkin akan terjadi kemudian dengan bergantung pada data yang diklaim dalam rentang waktu yang lama, sehingga kesalahan (kontras antara sesuatu yang terjadi dan hasil yang diharapkan) dapat dibatasi. (Herdianto, 2013).
Seiring berkembangnya teknologi, sistem prediksi juga mengalami kemajuan dengan perkembangan berbagai jenis modelnya.
Jaringan syaraf tiruan berfungsi untuk memprediksi atas kemampuan analisis dan pengenalan pola data historis. Mengaplikasikan jaringan syaraf di bidang prediksi mencakup seluruh bidang studi ilmiah dari tahun terakhir karena dinilai akurat dan lebih baik dari model statistik dan matematika, selain itu jaringan syaraf tiruan memiliki keluwesan, baik dalam perancangan maupun dalam implemntasinya (Sharma & Nijhawan, 2015)
Kelulusan mahasiswa merupakan salah satu tolak ukur dalam menjadikan pendidikan lanjutan sebagai strategi dewan. Saat ini sudah biasa dilacak bahwa jumlah mahasiswa baru di suatu perguruan tinggi tidak sebanding dengan jumlah lulusan setiap tahunnya. Dalam organisasi pendidikan lanjutan, siswa merupakan salah satu faktor penting dalam kemajuan program studi. Tidak dapat disangkal bahwa persaingan yang sengit dari setiap perguruan tinggi dalam memberikan siswa yang lengkap dan berkualitas, sehingga meminta sekolah untuk bekerja pada kerangka dan kualitasnya untuk meningkatkan hal-hal, di mana salah satu masalah dalam kerangka itu adalah jika ada beberapa siswa yang lulus terlambat atau tidak tepat waktu sehingga menjadi penghambat kemajuan suatu kerangka penataan mutu dan sifat perguruan tinggi.
(Dekker, 2009).
Dengan permasalahan yang ada di atas hal ini sangat dibutuhkan agar dapat menentukan strategi yang tepat agar mahasiswa dapat terhindar dari keterlambatan. Dengan prediksi yang akurat dan treatment yang tepat diharapkan penelitian dapat membantu jurusan untuk meningkatkan jumlah lulusan agar memenuhi Standarisasi yang ditetapkan oleh BAN-PT.
Berdasarkan dari permasalahan tersebut, maka penelitian ini membahas tentang solusi yang Berjudul “ Sistem Prediksi Kelulusan Mahasiswa Dengan Metode BackPropagation Neural Network “ diharapkan dengan adanya sistem ini mampu bermanfaat Bagi program studi agar dapat melakukan langkah antisipasi atau penanganan lebih dini terhadap mahasiswa yang berpotensi tidak lulus tepat waktu.
METODE
Tempat Penelitian
Tempat pelaksanaan penelitian adalah Kampus Universitas Al-Asyariah Mandar Kabupaten Polewali Mandar Provinsi Sulawesi Barat.
Pengumpulan Data
Teknik pengumpulan data melalui studi pustaka dilakukan dengan cara mengumpulkan data melalui jurnal penelitian yang telah ada dan hasil karya tulis lainnya tentang Sistem Prediksi Kelulusan Mahasiswa.
Bahan Penelitian
Bahan penelitian yang penulis gunakan adalah berupa data mahasiswa yang terdiri dari Nama, Indeks Prestasi Semester 1 sampai dengan semester 5, Indeks Prestasi Kumulatif, SKS, data yang digunakan merupakan data mahasiswa Fakultas Ilmu Komputer Universitas Al Asyariah Mandar
HASIL DAN PEMBAHASAN Normalisasi Data
Pada tahapan ini akan dilakukan normalisasi data uji. Hasil normalisasi data uji dapat dilihat pada gambar di bawah ini.
Gambar 1. Normalisasi Data
Dapat dilihat pada gambar di atas menunjukkan hasil dari normalisasi dengan nilai dari setiap indikator berada pada rentang 0-1. Demikian pula dengan data latih akan dilakukan normalisasi dengan nilai dari setiap indikator berada pada rentang 0-1.
Klasifikasi Menggunakan Backpropagations Pada tahapan kali ini yaitu penerapan metode backpropagations untuk klasifikasi, dalam proses klasifikasi maka langkah awal yang akan dilakukan adalah melakukan training terhadap data latih sebagai pembelajaran untuk data uji.
Gambar 2. Peta U-Matrix Data Uji
Menunjukkan peta U-Matrix data uji, garis yang menghubungkan antara titik satu ke titik yang lain merupakan lintasan mulai data awal hingga data akhir dari data uji.
Berdasarkan data yang diuji seharusnya pada peta U-Matrix terdapat 50 titik namun yang ada pada gambar hanya terdapat 34 titik sehingga ini menunjukkan bahwa ada beberapa titik yang terdapat pada titik yang sama dan pada gambar pula dapat dilihat perbedaan garis lintasan, jika garis litasannya lebih tebal maka pada lintasan tersebut terjadi beberapa kali dilalui dan ini menunjukkan bahwa pada lintasan tersebut terdapat beberapa titik yang berada pada titik yang sama.
Pengujian Terhadap 100 Data Latih
Selanjutnya untuk melihat tingkat akurasi yang didapatkan dari hasil pengujian yang dilakukan maka data tersebut akan disesuaikan dengan data aktual yang digunakan.
Hasil pengujian ini merupakan hasil pengujian dengan menggunakan 100 data latih dengan tingkat akurasi 90%. Berdasarkan pada data aktual dari data uji dan hasil prediksi dari dari data uji didapatkan 1 data mahasiswa yang memiliki prediksi berbeda. Seperti terlihat pada gambar di bawah ini.
Gambar 3. Pengujian Terhadap 100 Data Latih
Dari grafik di atas dapat dilihat bahwa perbedaan kelas terjadi pada data mahasiswa ke 11 dari prediksi lulus menjadi tidak lulus.
Dengan demikian hasil menunjukkan bahwa tingkat akurasi dengan 100 data latih berkisar 90,91%.
Pengujian Terhadap 50 Data Latih
Selanjutnya pengujian dilakukan dengan menggunakan 50 data latih dengan tingkat akurasi 54%. Berdasarkan pada data aktual dari data uji dan hasil prediksi dari data uji didapatkan 2 data mahasiswa yang memiliki prediksi berbeda. Seperti terlihat pada gambar di bawah ini.
Gambar 4. Pengujiann terhadap 50 data latih
Dari grafik di atas dapat dilihat bahwa perbedaan kelas terjadi pada data mahasiswa ke 2, dan data mahasiswa ke 6 dari prediksi lulus menjadi tidak lulus. Dengan demikian hasil menunjukkan bahwa tingkat akurasi dengan 50 data latih berkisar 81,82%.
Pengujian Terhadap 25 Data Latih
Selanjutnya pengujian dilakukan dengan menggunakan 25 data latih dengan tingkat akurasi 45%. Berdasarkan pada data aktual dari data uji dan hasil prediksi dari data uji didapatkan 6 data mahasiswa yang memiliki prediksi berbeda. Seperti terlihat pada gambar di bawah ini.
0 0.5 1 1.5
1 2 3 4 5 6 7 8 9 10 11
. Pengujian 100 data latih
Real Prediksi
0 0.5 1 1.5
1 2 3 4 5 6 7 8 9 10 11
Pengujian 50 Data Latih
Real Prediksi
Gambar 5. Pengujian terhadap 25 data latih
Dari grafik di atas dapat dilihat bahwa perbedaan kelas terjadi pada data pertama, data ke 3, data 7, data ke 9, data ke 10 dan data ke 11 dari prediksi lulus menjadi tidak lulus.
Dengan demikian hasil menunjukkan bahwa tingkat akurasi dengan 100 data latih berkisar 45,45%.
Tingkat Akurasi
Jika dibandingkan dengan data uji perubahan tingkat akurasi yang dihasilkan tidak signifikan, untuk data latih sebanyak 100 memiliki tingkat akurasi berkisar pada 90,91%.
Dalam hal ini terdapat 1 data yang tidak sesuai dengan prediksi pada data Real, terdapat 1 data yang tidak sesuai dengan prediksinya jika dibandingkan dengan data Real, sedangkan untuk pengujian dengan data latih sebanyak 50 memiliki tingkat akurasi berkisar pada 54,55%.
Terjadi penurunan akurasi secara drastis bila dibandingkan dengan data uji yang menggunakan 100 data latih dengan tingkat akurasi 90,91% dan terdapat 1 prediksi yang tidak sesuai dengan data real. untuk data latih sebanyak 25 memiliki tingkat akurasi berkisar pada 45,45%, dalam hal ini terdapat 6 prediksi yang tidak sesuai dengan prediksi pada data real.
KESIMPULAN DAN REKOMENDASI Berdasarkan hasil penelitian yang telah dilakukan, maka dapat diambil kesimpulan sebagai berikut:
Hasil penelitian menunjukkan bahwa metode Backpropagations akurasi yang cukup baik dalam melakukan Pengklasifikasian untuk melakukan prediksi kelulusan mahasiswa.
Skenario pengujian dengan menggunakan 100
data latih, 50 data latih dan 25 data latih menghasilkan tingkat akurasi yang berbeda yaitu 90,91% pada 100 data, 81,82% pada 50 data latih dan 45,45% pada 25 data latih.
Semakin banyak jumlah data latih yang digunakan maka tingkat akurasi yang didapatkan akan semakin baik.
Semakin banyak data latih maka perubahan dari prediksi yang terjadi cenderung baik karena perubahan prediksinya hanya melangkah pada 1 range sementara semakin sedikit data latih maka perubahan kelas yang terjadi melangkah sebanyak 2 range..
DAFTAR PUSTAKA
Herdianto. 2013, Prediksi Kerusakan Motor Induksi Menggunakan Metode Jaringan Saraf Tiruan Backpropagation. Medan:
Universitas Sumatera Utara.
Sharma, A. & Nijhawan, G. 2015. Rainfall Prediction Using Neural Network.
International Journal of Computer Science Trends and Technology, 3(3):
65-69.
Badaruddin, 2017. Sistem Prediksi Kelulusan Mahasiswa Dengan Metode Naïve Bayes.
Li, Shouju., Liu, Yingxi. 2006. Parameter Indetification Approach to Vibration Loads Based on Regularizing Neural Network, International Journal of Computer Science and Network Security, 06 (02B): 29-34.
Mongan Winny Amelia, Arie S. M. Lumenta, Agustinus Jacobus, 2017. Prediksi Masa Studi Mahasiswa dengan Menggunakan Algoritma Naïve Bayes. E-Journal Teknik Informatika Vol 11, No.1 (2017) ISSN : 2301 – 8364.
Park, J. M. & Kang, H. T. 2007. Prediction of Fatigue Life for Spot Welds using Back- Propagation Neural Networks. Materials and Design 28: 2577–2584.
Sharma, A. & Nijhawan, G. 2015. Rainfall Prediction Using Neural Network.
International Journal of Computer
0 1 2
1 2 3 4 5 6 7 8 9 10 11
Pengujian 25 Data Latih
Real Prediksi
Science Trends and Technology, 3(3):
65-69.
Santoso, A., Aprijani, D.A., Sufandi, U.U., &
Maalik, I. (2010). Pengembangan Model Sistem Ujian Berdasarkan Computerized Adative Testing Sebagai Upaya Efisiensi Penyelenggaraan Ujian Universitas terbuka (Laporan Penelitian Lanjut
Bidang Kelembagaan dan
Pengembangan Sistem. Jakarta:
Universitas Terbuka.
Suyanto; Artificial Intelligence; Penerbit Informatika, 2007, Bandung.
Sibero, Alexander F.K . 2013. Web Programming Power Pack. Yogyakarta :Mediakom.
S. Santoso and R. Nurmalina, “Perencanaan dan Pengembangan Aplikasi Absensi Mahasiswa Menggunakan Smart Card Guna Pengembangan Kampus Cerdas (Studi Kasus Politeknik Negeri Tanah Laut),” J. Integr., vol. 9, no. 1, 2017.
Silvana Silfa Nabila, 2020. Prediksi Kelulusan Tepat Waktu Berdasarkan Data Registrasi Mahasiswa Dengan Algoritma Fuzzy C-Means Dan K-Nearest Neighbors. UIN Sunan Ampel Surabaya.
Syarli, S., & Muin, A. (2016). Metode Naive Bayes Untuk Prediksi Kelulusan (Studi Kasus: Data Mahasiswa Baru Perguruan Tinggi). Jurnal Ilmiah Ilmu Komputer, 2(1), 22–26. https://fikom- unasman.ac.id/ejournal/index.php/jikom/
article/download/76/52
Warsito, Budi. 2006. Perbandingan Model Feed Forward Neural Network Dan Generalized Regression Neural Network Pada Data Nilai Tukar Yen Terhadap Dolar As, Prosiding SPMIPA,: 127-131.
Yenda Purbadian ,2016. Trik Cepat Membanngun Aplikasi Berbasis Web denganFramework CodeIgniter, Penerbit Andi,Yogyakarta.
Wiyanto, Ahmad Salafudin, Sistem Pendukung Keputusan Penentuan Departemen Terbaik Dalam Program 5r
Menggunakan Metode AHP, ISSN:
p.2301-475X e.2656-7059
M Nurhidayat, M Assiddiq, A Qashlim, SPK Pemilihan Dosen Terbaik Menggunakan Metode SAW Berbasis Web Pada Universitas Al Asyariah Mandar, Journal Peqguruang: Conference Series/Volume 2, Nomor 1, Mei (2020) | eISSN: 2686–
3472.
