325 Komparasi Algoritma Backpropagation Neural Network Dan Decision Tree
Pada Penentuan Jurusan Sekolah Menengah Atas Fitrah Yuridka
Fakultas Teknologi Informasi, Universitas Islam Kalimantan MAB Email : yvitrah@yahoo.co.id
ABSTRACT
One of the considerations for selecting students in determining the direction is the achievement of students in semester one and two (grade 10) in the form of scores. Lack of accurate electoral process majors with the manual system at High School led to the need for a use of computational methods to classify students majoring in the electoral process.Backpropagation Algorithm Neural Network and Decision Tree algorithm that is easy and is often used in data clustering technique for making an estimate that is efficient and does not require a lot of parameters. Several studies have concluded that the Backpropagation algorithm and Decision Tree algorithm can be used to classify data. This research will be used algorithm Backpropagation Neural Network and Decision Tree algorithm to classify the data of high school students based on the value of core subjects for the majors. The study also examined the level of accuracy of the algorithm in determining the majors in high school.
Thus we hope will be a solution that is more precise and accurate in the selection of majors in high school students based on academic ability.
Keyword : ClassificationMajorsStudents, Backpropagation .
PENDAHULUAN
Dalam proses pendidikan di sekolah, perbedaan masing-masing siswa harus diperhatikan karena dapat menentukan baik buruknya prestasi belajar siswa. Keputusan penentuan jurusan siswa SMA diambil oleh pihak yang berkompeten di sekolah. Penentuan jurusan siswa SMA berpengaruh terhadap kegiatan akademik siswa. Oleh karena itu, penjurusan yang tepat dan sesuai dengan bakat serta minat siswa sangat diperlukan. Dengan adanya penjurusan, diharapkan setiap siswa dapat lebih fokus pada bakat yang dimiliki.
Namun faktor utama yang menentukan penjurusan adalah nilai akademik siswa, minat siswa, kapasitas kelas IPA dan nilai tes IQ. Dengan adanya perbedaan individu tersebut, maka fungsi pendidikan tidak hanya dalam proses belajar mengajar, tetapi juga meliputi bimbingan/konseling, pemilihan dan penempatan siswa sesuai dengan kapasitas individual yang dimiliki, rancangan sistem pengajaran yang sesuai dan strategi mengajar yang disesuaikan dengan karakteristik individu siswa. Kemungkinan yang akan terjadi jika siswa mengalami kesalahan dalam penempatan yang tidak sesuai dengan kapasitas individual yang dimiliki adalah rendahnya prestasi belajar siswa. Oleh karena itu, manajemen sekolah memegang peranan penting untuk dapat mengembangkan potensi diri yang dimiliki oleh siswa.
326 Penelitian yang dilakukan oleh Bahar (2011) memperlihatkan 81 sampel data dari 115 anggota populasi siswa kelas X yang telah melaksanakan penjurusan. Pada tabel tersebut, ada 42 siswa (41,98%) saat di kelas XI dan 46 siswa (45,68%) saat di kelas XII yang memiliki nilai rata-rata Mata Pelajaran peminatan kurang dari Kriteria Ketuntasan Minimal (KKM) yang ideal sebesar 75. Pembentukan klaster atau kelompok data merupakan salah satu teknik yang digunakan dalam mengekstrak pola kecenderungan suatu data. Analisis klaster atau klastering merupakan proses membagi data dalam suatu himpunan ke dalam beberapa kelompok yang kesamaan datanya dalam suatu kelompok lebih besar daripada kesamaan data tersebut dengan data dalam kelompok lain. Suatu cara yang sangat terkenal dalam pengklasteran data set adalah dengan penerapan algoritma klastering. Ada beberapa Algoritma untuk mengklasifikasikan Penjurusan Siswa SMA salah satu diantaranya adalah Algoritma BPNN dan Algoritma Decision Tree.
Kelebihan metode ini mampu memformulasikan pengalaman dan pengetahuan peramal, serta sangat fleksibel dalam perubahan aturan. Berdasarkanpenjelasan di atas, penulis mengambiljudulpenelitian“Komparasi Algoritma Backpropagation Neural Network Dan Decision Tree Pada Penentuan Jurusan Sekolah Menengah Atas”
METODE
Jenis penelitian yang digunakan dalam penelitian ini adalah metode penelitian eksperimen. Penelitian eksperimen ini menggunakan penerapan BPNN dan Decision Tree untuk memudahkan Sekolah untuk mengambil keputusan dalam pemanfaatan dari klasifikasi penjurusan siswa pada SMA Negeri 2 Banjarmasin. Karena tujuannya adalah untuk mendapatkan informasi yang akurat, prosedur yang akan digunakan harus hati-hati dan terencana, desain dalam pembelajaran tersebut harus kaku dan tidak fleksibel dan harus memusatkan perhatian pada hal merumuskan tujuan penelitian, merancang metode pengumpulan data, memilih sampel, mengumpulkan data, pengolahan data dan analisa data dan hasil. Tahapan untuk metode penelitian eksperimen sebagai berikut :
Pengumpulan data
Data yang digunakan oleh peneliti adalah Data Primer data yang diperoleh secara langsung dari sumber, yaitu diperoleh secara langsung dari SMA Negeri 2 Banjarmasin yaitu dari data siswa angkatan 2008 sampai 2011.
Data Sekunder
327 Selain data primer, peneliti juga menggunakan data sekunder yaitu data yang diperoleh secara tidak langsung, misalnya dari dokumentasi, literatur, buku, jurnal, dan informasi lainnya yang ada hubungannya dengan masalah yang diteliti.
Pengolahan data awal
Pengolahan data awal yang telah dimodifikasi dengan menggunakan microsoft excel, dimana memiliki sepuluh atribut yang menjadi feature dalam tiga kelas yang berbeda.
Kesepuluh atribut tersebut adalah: Nilai Mata kuliah Biologi, Nilai Mata kuliah Matematika, Mata kuliah Fisika, Mata kuliah Kimia, Mata kuliah Sosiologi, Mata kuliah Geografi, Mata Kuliah Sejarah, Mata Kuliah Ekonomi, Mata Kuliah Bahasa Indonesia, Mata Kuliah Bahasa Inggris. Metode yang diusulkan
Desain Eksperimen
Pelatihan dilakukan dengan data angkatan 2008 sampai 2011, untuk pengujian awal dilakukan menggunakan rapidminer, yang mana memasukkan data menggunakan file berformat excel terus menggunakan validasi dari rapidminernya untuk melakukan uji model menggunakan Algoritma BPNN dan Decision Tree.
Range Nilai untuk model Backpropagation Neural Network dan Decision Tree 0-25 % = Kurang Baik
26%-50 % = Cukup 51%-75% = Baik
76%-100% = Sangat Baik Evaluasi dan Validasi Hasil
Evaluasi terhadap model yang terbentuk akan dilakukan dengan pengukuran accuracy, precision. Proses evaluasi akan dilakukan dengan menggunakan cross validation.
Sehingga model yang terbentuk dapat langsung diuji dengan data yang secara acak dipisahkan dengan 10 folds cross validation.
Dengan confusion matrix, nilai akurasi dari model akan dibandingkan antara model yang tebentuk dengan algoritma Backpropogation Neural Network dan Decision Tree pada pengujian.
PEMBAHASAN
328 Hasil Pengujian Algoritma BPNN
Dimana terdapat beberapa attribute yang mana masing – masing ialah X1(Nilai Mata kuliah Biologi) diberikan sebagai attribute dan untuk nilainya integer, X2 (Nilai Mata kuliah Matematika) sebagai attribute dan nilainya integer, X3 (Mata kuliah Fisika) sebagai attribute dan nilainya integer, X4 (Mata kuliah Kimia) sebagai attribute dan nilainya integer, X5 (Mata kuliah Sosiologi) sebagai attribute dan nilainya sebagai integer, X6 (Mata kuliah Geografi) sebagai attribute dan nilainya sebagai integer, X7 (Mata Kuliah Sejarah) sebagai attribute dan nilainya sebagai integer, X8 (Mata Kuliah Ekonomi) sebagai attribute dan nilainya sebagai integer, X9 (Mata Kuliah Bahasa Indonesia) sebagai attribute dan nilainya sebagai integer, X10 (Mata Kuliah Bahasa Inggris) sebagai attribute dan nilainya sebagai integer dan T sebagai Label yang mana keterangan Penjurusan SMA (Ipa, Ips, Bahasa) ini berposisi sebagai target dan untuk uji akurasi yang mana pada software rapidminer untuk akurasinya diberikan nilai polynomial, polynomial adalah suatu nilai dimana terdapat 3 atau lebih variasi untuk nilai variabelnya.
Gambar 1. Akurasi penjurusan siswa SMA
Pada gambar didapatkan hasil akurasi sebesar 91.05 % menggunakan software Hasil Pengujian Algoritma Decision Tree
Pada gambar didapatkan hasil akurasi sebesar 90.05 % menggunakan software Rapidminer.
329 KESIMPULAN
Hasil yang didapat dari eksperimen menunjukan bahwa siswa angkatan 2008 sampai 2011 datanya sebanyak 1062 mahasiswa yang mana memiliki attribute sebanyak 10 attribute dan diuji melalui algoritma BPNN dan Decision Tree maka didapat pada pengujian pada algoritma BPNN tingkat akurasi 91,05 %, dan pada algoritma Decison Tree tingkat akurasinya 90,00 dengan keputusan nilai kedua algoritma tersebut sangat baik, namun saja yang menjadikan perbandingannya adalah terletak pada nilai akurasi nya lebih tinggi algoritma Backpropagation Neural Network.
DAFTAR PUSTAKA
Departemen Pendidikan Nasional (2004), Panduan Penilaian Penjurusan Kenaikan Kelas dan Pindah Sekolah, Direktorat Pendidikan Menengah Umum,Jakarta
Eko Sudaryanto, 2009, Pengaruh Minat Belajar dan Penjurusan Terhadap Prestasi
Belajar Siswa di SMK Katolik ST Lois Randublatung, Skripsi, Fakultas Keguruan dan Ilmu Pendidikan, Universitas Muhammadia Surakarta, Surakarta
Departemen Pendidikan Nasional (2006), Panduan Penyusunan Laporan Hasil
Belajar Peserta Didik Sekolah Menengah Atas (SMA), Direktorat JenderalManajemen Pendidikan Dasar Dan Menengah Direktorat Pembinaan SMA,Jakarta 2006.
Kusrini, 2006, Algoritma Data Mining, Penerbit ANDI, Yogyakarta.
Afivi, Refcan (2005), Pengelompokkan Selari Untuk Data Skala Besar dan Dimensional Tinggi Pada Aplikasi Perlombongan Data, Proceedings of thePostgraduate Annual Research Seminar, Faculty of Computer Science andInformation System, Universiti Teknologi Malaysia, Malaysia.
Ernawati, Susanto (2009), Pembagian Kelas Peserta Kuliah Berdasarkan Fuzzy Clustering dan Partition Coefficient and Exponential Separation Index, Program Studi Teknik Informatika, Universitas Atma Jaya, Yogyakarta.
