Analisis Jaringan Saraf Tiruan dengan Backpropagation pada korelasi Matakuliah Pratikum Terhadap Tugas Akhir

(1)

JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 1, Februari 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i1.3835 Hal 115−121 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom

Analisis Jaringan Saraf Tiruan dengan Backpropagation pada korelasi Matakuliah Pratikum Terhadap Tugas Akhir

Hanifah Urbach Sari^*, Agus Perdana Windarto, Irfan Sudahri Damanik Sistem Informasi, STIKOM Tunas Bangsa, Pematangsiantar

Jalan Kartini, Proklamasi, Kota Pematang Siantar, Sumatera Utara, Indonesia Email: ^1,*[email protected], ²[email protected]

Email Penulis Korespondensi: [email protected] Submitted 16-02-2022; Accepted 25-02-2022; Published 25-02-2022

Abstrak

Backpropagation merupakan salah satu metode yang terdapat dalam neural network yang mampu melatih jaringan yang dinamis menggunakan ilmu matematis berdasarkan model arsitektur yang telah dikembangkan secara rinci dan sistematik. Backpropagation sendiri mampu menampung banyak informasi yang berfungsi sebagai pengalaman yang bermanfaat.. Tujuan penelitian ini untuk memudahkan para mahasiswa/I AMIK Tunas Bangsa Pematangsiantar dalam menentukan topik tugas akhir dengan nilai matakuliah pratikum sehingga dengan cepat dalam mengerjakan tugas akhir. Maka penulis melakukan penelitian dengan menggunakan korelasi dalam penentuan topik tugas akhir. Data dalam penelitian ini diperoleh langsung ke akademis Pendidikan AMIK Tunas Bangsa Kota Pematangsiantar. Data yang digunakan menggunakan data nilai pratikum mahasiswa/I AMIK Tunas Bangsa Stambuk 2017 dari semester 4 sampai dengan semester 6. Model arsitektur jaringan yang digunakan pada penelitian ini ada 5, yaitu 5-1-2, 5-6-2, 5-8-2, 5- 10-2, dan 5-12-2. Dari hasil uji coba yang dilakukan dengan software MATLAB menghasilkan arsitektur terbaik yaitu model 5-1-2 dengan akurasi 47%. Berdasarkan latar belakang tersebut, diharapkan hasil penelitian dapat membantu para mahasiswa/I dalam penentuan topik tugas akhir.

Kata Kunci: Neural Network; Korelasi; Tugas Akhir; Matakuliah; Jaringan Saraf Tiruan; Backpropagation Abstract

Backpropagation is one of the methods contained in a neural network that is able to train dynamic networks using mathematical knowledge based on architectural models that have been developed in detail and systematically. Backpropagation itself is able to accommodate a lot of information that serves as a useful experience. The purpose of this research is to make it easier for AMIK Tunas Bangsa Pematangsiantar students to determine the topic of their final project with practical value so that they can do their final project quickly. So the authors conducted research using correlation in determining the topic of the final project. The data in this study were obtained directly from the AMIK Tunas Bangsa Education academics in Pematangsiantar City. The data used uses data on practical grades of AMIK Tunas Bangsa Stambuk students 2017 from semester 4 to semester 6. There are 5 network architecture models used in this study, namely 5-1-2, 5-6-2, 5-8 -2, 5-10-2, and 5-12-2. From the results of trials conducted with MATLAB software, the best architecture is the 5-1-2 model with an accuracy of 47%. Based on this background, it is hoped that the research results can help students in determining the topic of the final project.

Keywords: Neural Network; Correlation; Final Project; Course; Artificial Neural Network; Backpropagation

1. PENDAHULUAN

Tugas akhir merupakan karya ilmiah yang disusun oleh mahasiswa/i diploma III untuk syarat kelulusan. Penyusunan karya itu sendiri tidak terlepas dari materi matakuliah pratikum yang telah dipelajari selama menempuh pendidikan.

Matakuliah pratikum tersebut terbagi menjadi beberapa bahasa pemograman yaitu: pemograman web, android, dan visual basic. Namun banyak mahasiswa diploma III yang mengalami kesulitan dalam memilih bahasa pemograman yang cocok dengan tugas akhir yang akan mereka selesaikan. Korelasi merupakan teknik analisis yang digunakan untuk mengukur kekuatan hubungan dua variabel. Korelasi tidak secara otomatis menunjukkan hubungan kausalitas antar variabel.

Hubungan dalam korelasi dapat berupa hubungan linier positif dan negatif. Interpretasi koefesien korelasi akan menghasilkan makna kekuatan, signifikansi dan arah hubungan kedua variabel yang diteliti. Untuk melihat kekuatan koefisien korelasi didasarkan pada jarak yang berkisar antara 0 - 1. Untuk melihat signifikansi hubungan digunakan angka signifikansi / probabilitas / alpha. Untuk melihat arah korelasi dilihat dari angka koefisien korelasi yang menunjukkan positif atau negative [1].

Salah satu cabang ilmu komputer yang digunakan untuk memecahkan masalah ialah Artificial intelligence (AI) [2], Jaringan Saraf Tiruan adalah paradigma pengolahan informasi yang terinspirasi oleh sistem saraf secara biologis, seperti proses informasi pada otak manusia [3]. Backpropagation merupakan salah satu metode pelatihan terawasi yang menimbulkan error pada output yang dihasilkan. Jaringan saraf tiruan backpropagation akan dilakukan dengan 3 tahapan yaitu feedforward dari pola pelatihan input, backpropagation dari kesalahan terkait penyesuaian dari bobot [4]. Dalam penelitian ini diharapkan lebih mempermudah mahasiswa/I AMIK Tunas Bangsa Pematangsiantar dalam menentukan topik Tugas Akhir dengan nilai matakuliah pratikum. Dalam permasalahan tersebut peneliti menggunakan algoritma Jaringan Saraf Tiruan Backpropagation.

(2)

2. METODOLOGI PENELITIAN

2.1 Kecerdasan Buatan

Kecerdasan Buatan (AI) adalah istilah umum yang mengacu pada teknologi yang mampu membuat mesin menjadi

"cerdas." Organisasi berinvestasi dalam penelitian dan aplikasi AI untuk mengotomatisasi, meningkatkan, atau mereplikasi kecerdasan manusia, analisis dan pengambilan keputusan manusia dan profesi audit internal harus siap untuk berpartisipasi penuh dalam inisiatif organisasi dalam menerapkan AI [5].

2.2 Jaringan Saraf Tiruan

Jaringan saraf tiruan bisa dibayangkan seperti otak buatan di dalam cerita fiksi ilmiah. Otak buatan ini dapat nerpikir seperti manusia, dan juga sepandai manusia dalam menyimpulkan sesuatu dari potongan-potongan informasi yang diterimanya. Khayalan manusia tersebut mendorong para peneliti untuk mewujudkannya. Komputer diusahakan agar bisa berpikir sama seperti cara berpikir manusia. Caranya adalah dengan melakukan peniruan terhadap aktivitas yang terjadi di dalam sebuah jaringan saraf biologis [6].

2.3 Bacpropagation

Backpropagation adalah sebuah metode sistematik untuk pelatihan multiplayer Jaringan Saraf Tiruan. Metode ini memiliki dasar matematis yang kuat, obyektif dan algoritma ini mendapatkan bentuk persamaan dan nilai koefisien dalam formula dengan meminimalkan jumlah kuadrat galat error melalui model pengembangan (training set) [7]. Pada tahap dilakukan proses normalisasi bagi data yang belum ter- normalisasi. Proses normalisasi digunakan berdasarkan rumus normalisasi. Pada data Bursa Efek Istanbul data tidak perlu di normalisasikan, karena data yang diperoleh sudah dalam bentuk normalisasi [7].

Normalisasi data ditunjukan dengan persamaan berikut : 𝑋¹= ^{0.8 (𝑥−𝑎)}

𝑏−𝑎 + 0.1 (1)

Keterangan :

x^' : data yang telah ditransformasi a : data minimun x : data yang akan dinormalisasi b : data maksimun 2.4 MATLAB (Matrix Laboratory)

Matlab (Matrix Laboratory) adalah bahasa pemograman tingkat tinggi, tertutup dan case sensitive dalam lingkungan komputensi numeric yang dikembangkan oleh MathWorks. Salah satu kelebihan yang paling baik adalah membuat grafik [8]. Proses pengolahan data dilakukan dengan software MATLAB 7.12.0 R2011a dapat dilihat pada gambar berikut :

Gambar 1. Sofware MATLAB 7.12.0 R2011a 2.5 Korelasi

Dalam Kamus Besar Bahasa Indonesia (KBBI) pengertian korelasi ialah hubungan timbal balik atau sebab akibat.

Korelasi juga bisa diartikan sebagai hubungan antar dua variabel yang mengukur seberapa kuat hubungan antar variabel tersebut. Korelasi memberikan jawaban untuk peramalan dapat membantu dalam mengukur tingkat korelasi matakuliah pratikum terhadap tugas akhir.

3. HASIL DAN PEMBAHASAN

3.1 Pendahuluan

Hasil penelitian disajikan sesuai dengan penelitian yang telah penulis lakukan. Data yang digunakan bersumber dari data nilai pratikum dari masing-masing mahasiswa/I prodi manajemen informatika (MI) AMIK Tunas Bangsa Pematangsiantar yang terdiri dari 19 orang stambuk 2017.

(3)

JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 1, Februari 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i1.3835 Hal 115−121 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom Tabel 1. Data Nilai Pratikum Manajemen Informatika Tahun 2017

No. NIM Nama Praktikum

Jaringan Komputer

Praktikum Pemrograman Berbasis Mobile

I

Praktikum Pemograman

Web II

Praktikum Pemrograman

Berbasis Mobile II

Praktikum Pemogram an Web III

1 201701030012 DWI SINTYA PUTRI S. 82 80 81 80 82

2 201701030013 ENJELICA RUMAPEA 82 84 89 85 91

3 201701030015 FEBRIANI AMBARITA 82 76 80 86 80

4 201701030054 JULIA AGUSTINA SILABAN

82 78 87 82 85

5 201701030020 KHOTIPAH MAQWA 77 75 79 84 77

6 201701030024 PEBRIANTO 82 86 90 84 87

7 201701030002 ANGGIE PRATIWI SILALAHI

83 91 79 86 82

8 201701030009 DINDA MARDIAH 82 88 79 81 80

9 201701030112 NURGAYYA LUBIS 82 78 79 77 77

10 201701030116 SILVANA INDRIANI 82 78 76 75 74

11 201701030074 SITI ANJAYANI 82 88 80 78 81

12 201701030031 SRI WULANDIKA 83 91 91 86 91

13 201701030036 VINNY ALAWIYAH 82 88 80 82 81

14 201701030039 WITRI NURDINA 82 87 80 82 80

15 201701030041 ALVIN SIJABAT 82 94 93 91 88

16 201701030047 EGI BATUBARA 80 70 80 83 83

17 201701030078 VIRA SINTIYA 78 75 62 71 77

18 201701030084 ANANDI AYU 82 63 80 80 78

19 201701030048 ERMA YUSMANIDAR MANIK

72 76 63 69 76

3.2 Pengolahan Data

Untuk melakukan normalisasi data maka harus dicari terlebih dahulu nilai minimum dan nilai maksimum serta selisih nilai maksimum dengan nilai minimum dari data, sehingga di peroleh nilai untuk penentuan judul tugas akhir sebagai berikut :

Nilai Minimum (α) = 62;

Nilai Maksimum (b) = 94;

Maksimum-Minimum (b-a) = 32.

Proses nirmalisasi data dilakukan dengan cara berikut:

x^1.1 = ^{0,8(𝑋−𝑎)}_𝑏−𝑎 +0,1 = ^0,8(82-62)₃₂ +0,1 = 0,60 x^1.2= ^{0,8(𝑋−𝑎)}_𝑏−𝑎 +0,1 = ^0,8(80-62)₃₂ +0,1 = 0,55 x^1.3 = ^{0,8(𝑋−𝑎)}_𝑏−𝑎 +0,1 = ^0,8(81-62)₃₂ +0,1 = 0,58 x^1.4= ^{0,8(𝑋−𝑎)}_𝑏−𝑎 +0,1 = ^0,8(80-62)₃₂ +0,1 = 0,60 x^2.1 = ^{0,8(𝑋−𝑎)}_𝑏−𝑎 +0,1 = ^0,8(82-62)₃₂ +0,1 = 0,60 x^2.2= ^{0,8(𝑋−𝑎)}_𝑏−𝑎 +0,1 = ^0,8(84-62)₃₂ +0,1 = 0,65 x^2.3 = ^{0,8(𝑋−𝑎)}_𝑏−𝑎 ^+0,1 = ^0,8(89-62)₃₂ +0,1 = 0,78 x^2.4= ^{0,8(𝑋−𝑎)}_𝑏−𝑎 +0,1 = ^0,8(85-62)₃₂ +0,1 = 0,68 x^3.1 = ^{0,8(𝑋−𝑎)}_𝑏−𝑎 ^+0,1 = ^0,8(82-62)₃₂ +0,1 = 0,60 x^3.2= ^{0,8(𝑋−𝑎)}_𝑏−𝑎 +0,1 = ^0,8(76-62)₃₂ +0,1 = 0,45 x^3.3 = ^{0,8(𝑋−𝑎)}_𝑏−𝑎 ^+0,1 = ^0,8(80-62)₃₂ +0,1 = 0,55 x^3.4= ^{0,8(𝑋−𝑎)}_𝑏−𝑎 +0,1 = ^0,8(86-62)₃₂ +0,1 = 0,70

Sehingga menghasilkan normalisasi sebagai berikut.

Tabel 2. Data Normalisasi

X1 X2 X3 X4 X5

V1 0.6000 0.5500 0.5750 0.5500 0.6000 V2 0.6000 0.6500 0.7750 0.6750 0.8250 V3 0.6000 0.4500 0.5500 0.7000 0.5500 V4 0.6000 0.5000 0.7250 0.6000 0.6750 V5 0.4750 0.4250 0.5250 0.6500 0.4750 V6 0.6000 0.7000 0.8000 0.6500 0.7250 V7 0.6250 0.8250 0.5250 0.7000 0.6000 V8 0.6000 0.7500 0.5250 0.5750 0.5500 V9 0.6000 0.5000 0.5250 0.4750 0.4750 V10 0.6000 0.5000 0.4500 0.4250 0.4000 V11 0.6000 0.7500 0.5500 0.5000 0.5750 V12 0.6250 0.8250 0.8250 0.7000 0.8250

(4)

X1 X2 X3 X4 X5

V13 0.6000 0.7500 0.5500 0.6000 0.5750 V14 0.6000 0.7250 0.5500 0.6000 0.5500 V15 0.6000 0.9000 0.8750 0.8250 0.7500 V16 0.5500 0.3000 0.5500 0.6250 0.6250 V17 0.5000 0.4250 0.1000 0.3250 0.4750 V18 0.6000 0.1250 0.5500 0.5500 0.5000 V19 0.3500 0.4500 0.1250 0.2750 0.4500

Data akan dibagi menjadi 2 bagian, yakni data pelatihan (training) dan data pengujian (testing). Data pelatihan menggunakan data dari tahun X1 – X4 dengan target tahun X5. Sedangkan untuk data pengujian menggunakan data dari tahun X2- X5 dengan target tahun X1.

3.3 Hasil Percobaan

3.3.1 Pelatihan dan Pengujian Data dengan MATLAB

Data nilai matakuliah pratikum mahasiswa/I prodi manajemen informatika (MI) tahun 2017, Selanjutnya akan diolah oleh Jaringan Saraf Tiruan dengan algoritma Backpropogation. Agar data dapat dikenali oleh Jaringan Saraf Tiruan, maka data harus direpresentasikan ke dalam bentuk numerik antara 0 sampai dengan 1, baik variabel maupun isinya yang diperoleh dari model arsitektur terbaik pada saat penentuan pola terbaik.

3.3.2 Pelatihan Data Dengan Model Arsitektur 5-1-2

Untuk yang pertama yaitu dengan arsitektur 5-1-2. Maksudnya pelatihan dan pengujian data menggunakan layer masukan sebanyak 5, neuron Input 1 layer tersembunyi dan 2 Output keluaran. Source Code pelatihan dan pengujian yang digunakan pada Software MatlabR2011a sebagai berikut :

Inputs=[inputdata]

Targets=[targetdata]

hiddenLayerSize = 1;

net = patternnet(hiddenLayerSize);

net.trainFcn = 'traingd';

net.trainParam.lr = 0.1;

net.performFcn = 'mse';

net.trainParam.goal = 0;

net.divideParam.trainRatio = 50/100;

net.divideParam.valRatio = 25/100;

net.divideParam.testRatio = 25/100;

[net,tr] = train(net,inputs,targets);

outputs = net(inputs);

errors = gsubtract(targets,outputs);

performance = perform(net,targets,outputs) view(net)

figure, plotperform(tr) figure, plotconfusion(targets,outputs) [c,cm] = confusion(targets,outputs)

fprintf('Percentage Correct Classification : %f%%\n', 100*(1-c));

fprintf('Percentage Incorrect Classification : %f%%\n', 100*c);

Gambar 2. Model Arsitektur Jaringan 5-1-2

Berdasarkan gambar diatas dapat dijelaskan bahwa Epoch 303 dengan waktu 10 detik dengan arsitektur 5-1-2.

(5)

Gambar 3. Hasil Performance Mean Squered Error (MSE)

Berdasarkan gambar diatas memperoleh Mean Square Error (MSE) sebesar 0.45494 dari epoch 303. Dengan perbandingan yang hamper mendekati hasil mean square error (MSE) yang sama.

Gambar 4. Hasil Confusion

Berdasarkan gambar diatas memperoleh tinkat akurasi sebesar 47.4% dengan kesalahan 52.6%.

Tabel 3. Hasil Akurasi Data Training Dengan Model Arsitektur 5-1-2 Pelatihan

No Output Error SSE Hasil T P Akurasi 1 0.8450 0.1550 0.0240 1 1 T 1 2 0.2346 0.7654 0.5858 0 1 F 0 3 0.4318 0.5682 0.3228 0 1 F 0 4 0.8769 0.1231 0.0151 1 1 T 1 5 0.9975 -0.9975 0.9951 1 0 F 0 6 0.3057 0.6943 0.4821 0 1 F 0 7 0.0929 -0.0929 0.0086 0 0 T 1 8 0.2917 -0.2917 0.0851 0 0 T 1 9 0.9925 0.0075 0.0001 1 1 T 1 10 0.9977 -0.9977 0.9954 1 0 F 0 11 0.5924 -0.5924 0.3509 1 0 F 0 12 0.1077 0.8923 0.7962 0 1 F 0 13 0.2403 -0.2403 0.0578 0 0 T 1 14 0.2834 -0.2834 0.0803 0 0 T 1 15 0.0850 -0.0850 0.0072 0 0 T 1 16 0.9924 0.0076 0.0001 1 1 T 1

(6)

Pelatihan

No Output Error SSE Hasil T P Akurasi 17 0.9999 -0.9999 0.9998 1 0 F 0 18 0.9997 0.0003 0.0000 1 1 T 1 19 1.0000 -1.0000 1.0000 1 0 F 0

TOTAL 6.8064 53%

MSE 0.3582

Tabel 4. Hasil Akurasi Data Testing Dengan model Arsitektur 5-1-2 Pengujian (Test)

No Output Error SSE Hasil T Prediksi Akurasi 1 0.0008 -0.0008 0.0000 0 1 False 0 2 0.0001 -0.0001 0.0000 0 1 False 0 3 0.0001 -0.0001 0.0000 0 1 False 0 4 0.0010 -0.0010 0.0000 0 1 False 0

5 0.0411 0.9589 0.9195 0 0 True 1

6 0.0001 -0.0001 0.0000 0 1 False 0

7 0.0000 1.0000 1.0000 0 0 True 1

8 0.0001 0.9999 0.9999 0 0 True 1

9 0.0151 -0.0151 0.0002 0 1 False 0 10 0.0438 0.9562 0.9144 0 0 True 1 11 0.0002 0.9998 0.9995 0 0 True 1 12 0.0000 0.0000 0.0000 0 1 False 0 13 0.0001 0.9999 0.9999 0 0 True 1 14 0.0001 0.9999 0.9999 0 0 True 1 15 0.0000 1.0000 1.0000 0 0 True 1 16 0.0148 -0.0148 0.0002 0 1 False 0 17 0.4363 0.5637 0.3177 0 0 True 1 18 0.2316 -0.2316 0.0536 0 1 False 0 19 0.8047 0.1953 0.0382 1 0 False 0

TOTAL 8.2429 47%

MSE 0.4338

Hasil akurasi dari pengujian menggunakan model arsitektur 5-1-2 dapat dilihat pada tabel 4.9. Nilai target diperoleh dari tabel data normalisasi tahun 2017, nilai Output diperoleh dari hasil pelatihan menggunakan Software MatlabR2011a, nilai error diperoleh dari : target – Output, nilai SSE diperoleh dari : error^2 (^ = pangkat), jumlah SSE adalah total keseluruhan nilai SSE. Nilai akurasi (%) diperoleh dari : jumlah benar/19*100. Hasil akurasi yang didapat yaitu sebesar 47%.

Table 5. Rekapitulasi Model Arsitektur Arsitektur Tranning Testing

Performance MSE MSE Akurasi 5-1-2 0.3960 0.3582 0.4338 47%

5-6-2 0.1088 0.0925 0.1250 21%

5-8-2 0.3328 0.3697 0.2960 26%

5-10-2 0.1441 0.1351 0.1531 16%

5-12-2 0.0441 0.0356 0.0525 11%

Pada tabel terlihat bahwa arsitektur terbaik yaitu 5-1-2 dengan tingkat akurasi sebesar 47%, MSE training 0.3582, nilai Performance 0.3960, MSE testing 0.4338. Sehingga arsitektur 5-1-2 dapat dijadikan penentuan dalam memilih judul tugas akhir yang tepat pada mahasiswa/I prodi manajemen informatika (MI) di Akademik AMIK Tunas Bangsa Pematangsiantar. Berikut merupakan perbandingan judul tugas akhir masing-masing mahasiswa/I prodi manajemen informatika (MI) tahun 2017 hasil menggunakan Jaringan Saraf Tiruan Metode Backpropagation.

Tabel 6. Perbandingan Judul Tugas Akhir Prodi Manajemen Informatika(MI)

No NIM Nama Judul T Hasil Prediksi JST

1 201701030012 DWI SINTYA PUTRI S. Sistem Informasi Pengolahan Data Arsip Nasabah Berbasis Digital Pada PT. Bank Muamalat Indonesia Cabang Pematangsiantar

1 0 FALSE

2 201701030013 ENJELICA RUMAPEA Sistem Informasi Jadwal Kegiatan Satuan Pembinaan Masyarakat ( SAT BINMAS ) Pada Polres Pematangsiantar Berbasis Web

1 0 FALSE

3 201701030015 FEBRIANI AMBARITA Aplikasi pengolahan data pembelian bahan material pada kantor camat siantar simalungun

1 0 FALSE

(7)

No NIM Nama Judul T Hasil Prediksi JST

4 201701030054 JULIA AGUSTINA SILABAN

Sistem informasi data pembagian bahan bakar minyak (bbm) kendaraan personil polisi di polres pematangsiantar berbasis web

1 0 FALSE

5 201701030020 KHOTIPAH MAQWA Sistem Informasi Pengolahan Data Fisik Buah Kelapa Sawit Pada PT. Tolan Tiga Indonesia Bukit Maradja Estate

0 0 TRUE

6 201701030024 PEBRIANTO Sistem Informasi Arsip Berbasis Digital (SIABDi) Pada AMIK Tunas Bangsa Pematangsiantar

1 0 FALSE

7 201701030002 ANGGIE PRATIWI SILALAHI

Pengolahan Data Jadwal Petugas Kegiatan Pagi Siswa Pada SMK Swasta Al Washliyah 2 Perdagangan

0 0 TRUE

8 201701030009 DINDA MARDIAH Pengolahan Data OCM Pada PT. Federal International Finance Cabang Pematangsiantar

0 0 TRUE

9 201701030112 NURGAYYA LUBIS Pengolahan Data Barang Masuk pada CV Batu Nadia Pematangsiantar

1 0 FALSE

10 201701030116 SILVANA INDRIANI Sistem Informasi Data Produksi Benih Kelapa Sawit Pada Pusat Penelitian Kelapa Sawit Di Ppks Unit Marihat

0 0 TRUE

11 201701030074 SITI ANJAYANI Aplikasi Pengolahan Data Analisis Beban Kerja Pada Kantor Kementerian Agama Kota Pematangsiantar

0 0 TRUE

12 201701030031 SRI WULANDIKA Sistem Informasi Data Evaluasi Kinerja Akademik Dosen Dalam Bidang Pendidikan, Penelitian, Dan Pengabdian Masyarakat Pada Amik Tunas Bangsa Pematangsiantar

1 0 FALSE

13 201701030036 VINNY ALAWIYAH Aplikasi Pendataan Sarana Dan Prasarana Pada SD Yayasan Pendidikan Kartini Handayani Pematangsiantar

0 0 TRUE

14 201701030039 WITRI NURDINA Aplikasi Pengolahan Data Penyaluran Bantuan Sosial RASTRA Pada Kantor Camat Tapian Dolok

0 0 TRUE

15 201701030041 ALVIN SIJABAT Pengolahan Data Hasil Verifikasi Teknis Pada BPDASHL Asahan Barumun

0 0 TRUE

16 201701030047 EGI BATUBARA Sistem Informasi Pengolahan Data Inventaris Ruang Laboratorium Komputer Pada Amik Tunas Bangsa Pematang Siantar

1 0 FALSE

17 201701030078 VIRA SINTIYA Sistem Informasi Penerimaan Dana Bantuan Operasional Pada Sekolah Smp Taman Siswa Pematang Siantar

0 0 TRUE

18 201701030084 ANANDI AYU Aplikasi Kasir Pada Toko Cv. A & A Copier Pematangsiantar

1 0 FALSE

19 201701030048 ERMA YUSMANIDAR MANIK

Pendataan Penerima Bantuan Sosial Dengan Visual Basic Dikantor Kecamatan Siantar Selatan

0 1 FALSE

4. KESIMPULAN

Dari hasil penelitian yang dilakukan dengan menggunakan data nilai pratikum mahasiswa prodi manajemen informatika (MI) AMIK Tunas Bangsa Pematangsiantar tahun 2017, diperoleh arisitektur terbaik yaitu 5-1-2 dengan jumlah MSE training sebesar 0.3582, nilai epoch 303, MSE testing 0.4338 dan menghasilkan nilai akurasi sebesarr 47%. Berdasarkan hasil uji coba dapat dikatakan bahwa korelasi antara nilai pratikum terhadap tugas akhir dapat dilakukan dengan metode Backpropagation.

REFERENCES

[1] H. E. Prasetyo, R. Hadiani, and S. Setiono, “Analisis Data Runtun Waktu Debit Menggunakan Jaringan Syaraf Tiruan Di Das Wuryantoro Pada Awlr Kecamatan Wuryantoro,” Matriks Tek. Sipil, vol. 2, no. 2, pp. 64–71, 2014, [Online]. Available:

https://matriks.sipil.ft.uns.ac.id/index.php/MaTekSi/article/view/164.

[2] K. R. Ririh et al., “STUDI KOMPARASI DAN ANALISIS SWOT PADA IMPLEMENTASI KECERDASAN BUATAN ( ARTIFICIAL INTELLIGENCE ) DI INDONESIA,” vol. 15, no. 2, pp. 122–133, 2020.

[3] P. Alkhairi, I. S. Damanik, A. P. Windarto, and S. S. Informasi, “Penerapan Jaringan Saraf Tiruan untuk Mengukur Korelasi Beban Kerja Dosen Terhadap Peningkatan Jumlah Publikasi,” no. September, pp. 581–601, 2019.

[4] M. Hendriani, Rais, and L. Handayani, “Penerapan Artificial Neural Network Terhadap Identifikasi Wajah Menggunakan Metode Backpropagation,” Nat. Sci. J. Sci. Technol., vol. 8, no. 3, pp. 203–208, 2019, doi: 10.22487/25411969.2019.v8.i3.14599.

[5] C. . I Made Suandi Putra MSc, CIA, C. Yullyan, SE, MAk, Ak., CPA, CIA, and Globaliia.org, “PERSPEKTIF DAN PANDANGAN GLOBAL Kecerdasan Buatan (Artificial Intelligence/AI) - Pertimbangan untuk Profesi Audit Internal,” Perspekt. DAN PANDANGAN Glob. Kecerdasan Buatan (Artificial Intell., vol. 9, no. 2, pp. 1–9, 2017.

[6] H. Jaya et al., KECERDASAN BUATAN. .

[7] W. Saputra, T. Tulus, M. Zarlis, R. W. Sembiring, and D. Hartama, “Analysis Resilient Algorithm on Artificial Neural Network Backpropagation,” J. Phys. Conf. Ser., vol. 930, no. 1, 2017, doi: 10.1088/1742-6596/930/1/012035.

[8] L. Sinaga, E. Irawan, and W. Saputra, “Penerapan Jaringan Saraf Tiruan Metode Backpropogation Dalam Memprediksi Distribusi Air Pada PDAM Tirtauli Kota Pematangsiantar,” vol. 2, pp. 161–168, 2020.