PENENTUAN CEPAT STATUS KELULUSAN MATAKULIAH MENGGUNAKAN JARINGAN SYARAF TIRUAN SELF ORGANIZING MAPS (SOM) KOHONEN

(1)

11

PENENTUAN CEPAT STATUS KELULUSAN MATAKULIAH

MENGGUNAKAN JARINGAN SYARAF TIRUAN SELF ORGANIZING MAPS (SOM) KOHONEN

Alusyanti Primawati

Program Studi Teknik Informatika, Fakultas Teknik dan MIPA, Universitas Indraprasta PGRI Jl. Raya Tengah No.80, Kelurahan Gedong, Kecamatan Pasar Rebo, Jakarta Timur 13760

Email: [email protected]

Abstrak

Nilai matakuliah setiap mahasiswa pada hakikatnya merupakan data yang beragam. Nilai kelulusan dari setiap matakuliah berdasarkan 3 elemen yaitu nilai Ujian Tengah Semester (UTS), nilai Tugas (TGS), dan nilai Ujian Akhir Semester (UAS). Ketiga elemen nilai yaitu nilai UTS, TGS, dan UAS diharapkan dapat diolah untuk menentukan secara cepat jumlah mahasiswa yang Lulus dan Tidak Lulus matakuliah tanpa dilakukan penghitungan nilai akhir.

Pengolahan cepat ini dapat dilakukan dengan menggunakan salah satu algoritma dari Jaringan Syaraf Tiruan yaitu Kohonen/ Self Orginizing Maps (SOM). Jaringan Sayaraf Tiruan metode Self Organizing Map (SOM) atau Kohonen merupakan salah satu metode yang pembelajaran data beragam yang tak terawasi untuk dikelompokan kedalam Cluster tertentu. Hasil yang diperoleh adalah clustering/ pengelompokan mahasiswa yang Lulus dan Tidak Lulus sama seperti perhitungan kalkulasi nilai pada umumnya.

Kata Kunci : Jaringan Syaraf Tiruan, Kohonen, Self Organizing Maps, Clustering, Penentuan Status Kelulusan.

1. PENDAHULUAN 1.1. Latar Belakang

Salah satu informasi penting dalam kegiatan akademik sebuah perguruan tinggi adalah informasi kelulusan matakuliah setiap mahasiswa dalam setiap semester. Dalam hal ini, setiap perguruan tinggi memiliki rumus pengolahan data khusus untuk menentukan nilai akhir dari mahasiswa. Pengolahan data dilakukan dengan memanfaatkan aplikasi khusus akademik. Hal tersebut merupakan hal yang biasa dilakukan oleh setiap perguruan tinggi. Data nilai matakuliah setiap mahasiswa merupakan kumpulan data yang cukup besar sehingga dimungkinkan data tersebut dapat dimanfaatkan dalam proses pengambilan keputusan. Oleh sebab itu banyak sekali kajian tentang pemanfaatan data nilai matakuliah sebagai data mining dengan berbagai metode untuk menentukan mahasiswa terbaik, dan lainnya.

Nilai matakuliah setiap mahasiswa pada hakikatnya merupakan data yang beragam. Nilai kelulusan dari setiap matakuliah berdasarkan 3 elemen yaitu nilai Ujian Tengah Semester (UTS), nilai Tugas (TGS), dan nilai Ujian Akhir Semester (UAS). Data nilai ketiga elemen tersebut merupakan hasil dari mahasiswa maka dapat dikatakan data yang masuk tanpa terawasi karena data yang masuk merupakan data tidak senagaja dibentuk untuk mencapai tujuan tertentu. Kelulusan matakuliah dapat dibagi menjadi 2 cluster yaitu Lulus dan Tidak Lulus. Kelulusan mahasiswa biasanya diperoleh jika ketiga elemen tersebut sudah diproses sesuai perhitungan penentuan nilai akhir.

Jaringan Syaraf Tiruan metode Self Organizing Map (SOM) atau Kohonen merupakan salah satu metode yang pembelajaran data beragam yang tak terawasi untuk dikelompokan kedalam Cluster tertentu (Lestari 2014). SOM dapat digunakan untuk menganalisis clustering dari data yang beragam. Data nilai matakuliah mahasiswa akan dilakukan pembelajaran dengan menggunakan SOM sehingga diperoleh dengan cepat data mahasiswa yang masuk cluster Lulus dan Tidak Lulus.

1.2. Rumusan Masalah

Rumusan masalah dalam kajian penelitian ini yaitu :

Vol. 4, No. 1, Juli 2017 I SSN : 2407-5043

(2)

12

1. Apakah dari 3 elemen nilai yaitu nilai UTS, TGS, dan UAS dapat diolah dengan menggunakan Jaringan Syaraf Tiruan metode SOM untuk menentukan secara cepat jumlah mahasiswa yang LULUS dan TIDAK LULUS matakuliah tanpa dilakukan penghitungan nilai akhir?

2. Apakah Pelatihan SOM melalui kajian ini dapat mengolah data nilai yang beragam untuk dimanfaatkan dalam pengambilan keputusan dengan cepat mahasiswa yang lulus matakuliah.

3. Berapakah Presentasi akurasi atau ketepatan hasil metode SOM dengan kalkulasi nilai pada umumnya?

2. METODOLOGI

Metode yang digunakan adalah metode algoritma pembelajaran Jaringan Syarat Tiruan Self Organizing Maps (SOM) / Kohonen. Data dilatih kemudian diuji dengan menggunakan bobot akhir dari hasil pelatihan SOM. Data primer yang digunakan adalah data nilai matakuliah X pada Perguruan Tinggi X. Kelulusan mahasiswa jika mahasiswa memiliki rata-rata diatas 50, jika dibawah rata- rata 50 maka dianggap Tidak Lulus. Jaringan Syaraf Tiruan SOM-Kohonen dapat mengatasi kondisi dimana munculnya suatu neuron selalu menang dalam kompetisi (Rianza dan Wibowo, 2011). Hal ini biasa terjadi dalam pengelompokan nilai matakuliah setiap mahasiswa yang terdiri dari elemen beragam sehingga dimungkinkan ada salah satu data inputan yang selalu menang.

3. HASIL DAN PEMBAHASAN 3.1. Tinjauan Pustaka

3.1.1. Jaringan Syaraf Tiruan

Jaringan Syarat Tiruan/ JST merupakan ilmu yang mempelajari metode komputasi yang meniru jaringan syaraft biologis untuk digunakan dalam pengambilan keputusan seperti pengenalan pola atau klasifikasi dengan metode pembelajaran (Yani, 2005).

Menurut Hernawan (2011), JST merupakan generalisasi model sistematis dari pengenalas syaraf biologis sehingga membentuk sistem pemrosesan informasi yang memiliki karakteristik unjuk kerja tertentu seperti jaringan syaraf biologi. Kemampuan generalisasi dalam JST untuk menghasilkan respon yang bias diterima terhadap pola-pola input yang serupa tidak identic dengan pola-pola sebelumnya yang telah dipelajari sehingga jika ada pola yang belum pernah dipelajari, JST tetap akan menanggapi dengan baik dan memberikan keluaran yang paling mendekati (Puspatiningrum, 2006).

Menurut Puspitaningrum (2006), Pembelajaran atau pelatihan JST dikelompokkan menjadi 3 yaitu:

1. Supervisied Learning (Pembelajaran Terawasi). Contoh: Algoritma Hebbian, Perceptron, Adaline, Hopfield, Backpropagation, dan lain-lain.

2. Unsupervised Learning (Pembelajaran Tidak Terawasi. Contoh: Algoritma Kohonen / SOM, Learning Vector Quantization (LVQ), dan lain-lain.

3. Hybrid Learning (Pembelajaran Hibrida). Contoh: Algoritma RBF.

3.1.2. Self Organizing Map (SOM) / Kohonen

Menurut Hernawan (2011) dikemukakan bahwa jaringan syaraf tiruan Kohonen atau dengan nama lain Self Organizing Maps (SOM) merupakan suatu cara pemetaan pola suatu ciri dengan pengaturan yang dilakukan secara otomatis.

(3)

13 Gambar 1. Arsitektur Jaringan SOM (Hernawan, 2011)

Jaringan Kohonen atau SOM memiliki lapisan neuron yang akan menyusun dirinya sendiri berdasarkan input nilai tertentu dalam suatu kelompok yang dikenal dengan istilah cluster, dan dalam proses penyusunan diri, maka cluster yang memiliki vector bobot paling cocok dengan pola input (memiliki jarak paling dekat) akan terpilih sebagi pemenang (Lestari, 2014). Algoritma Competitive Network (Jong, 2005) dan Lestari, 2014):

1.

Inisialisasi neuron input x¹, x², x³, … xi.

2.

Inisialisasi neuron output sebanyak y¹, y²,y³, … y^j.

3.

Menentukan bobot antara neuron input dan neuron output dengan nilai antara xmin dan x max.

4.

Mengulangi langkah 5 sampai 8 hingga tidak ada perubahan bobot atau iterasi/epochs telah

maksimal sehingga output-nya telah konvergen.

5.

Pemilihan salah satu input dari vector input yang ada.

6.

Penghitungan jarak antar input data terhadap bobot dengan masing-masingneuron input dengan rumus

Persamaan (1) …… 𝐷_𝑖= ∑^𝑛_𝑖=1(𝑊_𝑖𝑗− 𝑋_𝑖)² Dari seluruh bobot ( Dⁱ) dicari yang paling kecil. Index dari bobot ( Dⁱ) yang paling mirip disebut winning neuron.

7.

Untuk setiap bobot w^ijdiperbaharui bobot koneksinya dengan menggunakan rumus yang dapat dilihat pada

Persamaan (2) ……. 𝑊_{𝑖𝑗 𝑏𝑎𝑟𝑢}= 𝑊_{𝑖𝑗 𝑙𝑎𝑚𝑎}+ 𝛼 (𝑋𝑖− 𝑊_{𝑖𝑗 𝑙𝑎𝑚𝑎})

8.

Meng-update bobot bias:

9.

Simpan bobot yang telah konvergen.

3.1.2. Hasil

1. Cluster Kelulusan dan Bobot

Hasil pembelajaran JST SOM adalah dikelompokkannya data menjadi 2 cluster yaitu W1 sebagai bobot persamaan Cluster Lulus dan W2 sebagai bobot persamaan Cluster Tidak Lulus.

(4)

14

Tabel 1. Clustering Pada Penelitian

W1 W2

Lulus Tidak Lulus

Diketahui inisialisasi bobot awal dalam matrik 2x3 yaitu [60 50 60 50 60 50 ]

Tabel 2. Penjelasan Inisialisasi Bobot Awal Dalam Matriks 2x3

W1 W2

x1 60 50

x2 60 50

x3 60 50

Laju Pemahaman awal yang digunakan adalah 0.50, epho maksimal yang digunakan adaah sebanyak 4x. Setiap berganti epho maka Laju Pemahaman akan berubah dengan rumus persamaan (3).

Persamaan (3)………..𝛼_{𝑏𝑎𝑟𝑢}= 𝛼_{𝑙𝑎𝑚𝑎}𝑥 0.5.

2. Sample Data Nilai

Sample data nilai yang akan dilatih dengan menggunakan SOM dituliskan pada tabel 3.

Tabel 3. Sample Data Nilai yang Akan Dilatih

Nama X1 X2 X3

uas uts tugas

Diana 76 65 80

Ferdy 67 67 60

Sinta 80 78 86

Tony 30 35 25

3. Pelatihan a. Epho 1

Laju Pemahaman () awal yang digunakan bernilai 0.50.

Tabel 4. Hasil Clustering Epho ke 1 Data

Ke W1 W2 Jarak

Terkecil

Cluster

1 681 1801 w1 Lulus

2 121.25 678 w1 Lulus

3 772.8125 2980 w1 Lulus

4 5787.453 1250 w2 Tidak Lulus

(5)

15 Tabel 5. Bobot Terbaru dari Data ke-4 pada Epho ke-1

X

Bobot w

1 2

1 73.75 40

2 71.375 42.5

3 75.5 37.5

b. Epho 2

Laju Pemahaman () yang digunakan bernilai 0.5 x  epho 1 = 0.5 x 0.5 = 0.25.

Tabel 6. Hasil Clustering Epho ke-2 Data

Ke W1 W2

Jarak Terkecil

Cluster

1 65.95313 3608.5 w1 Lulus

2 337.5986 1835.5 w1 Lulus

3 319.0399 5212.5 w1 Lulus

4 5872.722 312.5 w2 Tidak Lulus

Tabel 7. Bobot terbaru dari data ke-4 pada epho ke-2

X

Bobot W

1 2

1 74.36328 37.5 2 71.31445 40.625 3 75.85156 34.375 c. Epho 3

Ke W1 W2

Cluster

1 59.7607 4158.031 w1 Lulus

2 337.6801 2222.531 w1 Lulus

3 239.6678 5868.281 w1 Lulus

4 5853.341 175.7813 w2 Tidak Lulus Tabel 9. Bobot terbaru data ke-4 pada epho ke-2

X

Bobot W

1 2

1 74.41915 36.5625

2 71.07394 39.92188

3 75.78337 33.20313

(6)

16

d. Epho 4

Ke w1 w2

Cluster

1 57.17179 4374.176 w1 Lulus

2 327.671 2377.739 w1 Lulus

3 212.2597 6124.27 w1 Lulus

4 5837.833 134.5825 w2 Tidak Lulus Tabel 11. Bobot terbaru dari data ke-4 pada epho ke-4

e. Epho 5

Tabel 12. Hasil Clustering Epho ke-5

Data ke w1 w2

Cluster

1 55.95772 4470.467 w1 Lulus

2 306.8063 2447.369 w1 Lulus

3 210.4476 6237.992 w1 Lulus

4 5784.842 118.2854 w2 Tidak Lulus Tabel 13. Bobot terbaru dari data ke-4 pada epho ke-5.

X

Bobot W

1 2

1 74.41615 35.96008

2 70.86211 39.47006

3 75.2589 32.4501

4. Pengujian

Berdasarkan hasil pelatihan epho terakhir yaitu epho ke-5 maka didapatkan Bobot Akhir untuk dijadikan Bobot pada tahap pengujian.

X

Bobot w

1 2

1 74.42008 36.15234 2 70.93446 39.61426 3 75.72873 32.69043

(7)

17 Tabel 14. Bobot Akhir Pelatihan

W1 W2

W1X1 W1X2 W1X3 W2X1 W2X2 W2X3

74.41615 70.86211 75.2589 35.96008 39.47006 32.4501

Diketahui tabel adalah Data Nilai Mahasiswa untuk matakuliah X yang akan diuji untuk memutuskan mahasiswa tersebut Lulus atau Tidak Lulus.

Hasil pengujian dengan menggunakan bobot akhir pelatihan digambarkan pada tabel 15 dengan menggunakan 15 data sample untuk diuji. A Nilai Uas sebagai x1, Uts sebagai x3, dan TUGAS sebagai x3.

Tabel 15. Hasil Pengujian Data Sample Menggunakan SOM Nama

Ke- UAS UTS TUGAS

Clustering SOM

Kalkulasi

Umum Ketepatan

1 67 78 70 Lulus Lulus 100%

2 80 76 70 Lulus Lulus 100%

3 56 86 77 Lulus Lulus 100%

4 79 78 88 Lulus Lulus 100%

5 57 55 70 Lulus Lulus 100%

6 45 69 50 Tidak Lulus Tidak Lulus 100%

7 90 78 84 Lulus Lulus 100%

8 60 70 65 Lulus Lulus 100%

9 98 87 80 Lulus Lulus 100%

10 77 59 70 Lulus Lulus 100%

11 80 66 65 Lulus Lulus 100%

12 80 65 78 Lulus Lulus 100%

13 50 45 59 Tidak Lulus Tidak Lulus 100%

14 70 60 80 Lulus Lulus 100%

15 68 72 78 Lulus Lulus 100%

Kalkulasi umum menggunakan rumus rata-rata dari ketiga elemen dan jika hasil lebih dari 60 maka dinyatakan lulus.

3.1.3. Pembahasan

Pelatihan dilakukan sebanyak 5x pada data sample sehingga diperoleh bobot akhir. Selajutnya pengujian tidak menggunakan bobot awal pada saat pelatihan data sample melainkan menggunakan bobot baru dari hasil epho terakhir pada data terakhir. Data sample kedua dilakukan pengujian untuk menentukan clustering mahasiswa yang lulus matakuliah. Terlihat hasi clustering dengan SOM sama dengan hasil kalkulasi. Pada data ke 6 dan 13 keduanya dinyatakan tidak lulus baik menggunakan SOM atau kalkulasi umum. Hal ini tentu saja akan berbeda hasilnya jika kalkulasi umum yang digunakan berbeda. Karena penentuan bobot awal pelatihan berdasarkan syarat utama pada kalkulasi umum.

(8)

18

4. KESIMPULAN

Berdasarkan analisis hasil dan pembahasan maka diperoleh kesimpulan yaitu :

1. Ketiga elemen nilai yaitu nilai UTS, TGS, dan UAS dapat diolah dengan menggunakan Jaringan Syaraf Tiruan metode SOM untuk menentukan secara cepat jumlah mahasiswa yang LULUS dan TIDAK LULUS matakuliah tanpa dilakukan penghitungan nilai akhir. Akan tetapi inisialisasi bobot awal haruslah tepat yaitu disesuaikan dengan kondisi default seperti mahasiswa dinyatakan lulus jika rata-rata nilai lebih dari 60.

2. Pelatihan SOM melalui kajian ini dapat mengolah data nilai yang beragam untuk dimanfaatkan dalam pengambilan keputusan dengan cepat mahasiswa yang lulus matakuliah.

3. Presentasi akurasi atau ketepatan hasil metode SOM dengan kalkulasi nilai pada umumnya adalah 100%. Kemiripan ini dapat dikatakan bahwa metode SOM cukup efektif mengolah data beragam untuk dikelompokkan menjadi beberapa kelas. Pengelompokan ini dilakukan berdasarakan kemiripan data yang hanya dapat diketahui dengan algoritma pengenalan pola pada SOM.

DAFTAR PUSTAKA

Hernawan, M., Sudjadi, S., & Warsito, A. 2011. Simulasi Kompresi Citra dengan Neural Network menggunakan Metode Self-Organizing Map. Disertasi, Jurusan Teknik Elektro Fakultas Teknik.

Lestari, Wiji. 2014. Sistem Clustering Kecerdasan Majemuk Mahasiswa Menggunakan Algoritma Self Organizing Maps (SOM). Jurnal Saintech Politeknik Indonusa Surakata ISSN 2355-5009 Vol. 1, No.1, Juni 2014.

Puspitaningrum, Diyah. 2006. Pengantar Jaringan Syaraf Tiruan. Yogyakarta: Andi.

Rianza, A. J., & Wibowo, A. T. 2011. Implementasi Dan Analisis Jaringan Saraf Tiruan Som Kohonen Dalam Otomasi Pembuatan Tablature Gitar. Universitas Telkom.

Yani, Eli. 2005-juni-17. Pengantar Jaringan Syaraf Tiruan. [Online]. Available:

http://trirezqiariantoro.files.wordpress.com.