prediksi tingkat kelulusan mahasiswa …perpustakaan.fmipa.unpak.ac.id/file/prediksi tingkat...
TRANSCRIPT
1
PREDIKSI TINGKAT KELULUSAN MAHASISWA
MENGGUNAKAN ARTIFICIAL NEURAL NETWORK
BACKPROPAGATION
Deni Ahmad Aminulloh1, Eneng Tita Tosida
2, Mulyati
3
123Program Studi Ilmu Komputer, FMIPA, Universitas Pakuan
Jl. Pakuan PO Box 452, Bogor, 16143, Jawa Barat, Indonesia
[email protected], [email protected]
3
Abstrak
Lulus tepat waktu merupakan salah satu indikator keberhasilan mahasiswa
dalam memperoleh gelar sarjana. Mahasiswa dikatakan lulus tepat waktu apabila
menyelesaikan masa studinya di perguruan tinggi selama kurang dari atau sama dengan
empat tahun, sedangkan mahasiswa dikatakan tidak lulus tepat waktu apabila
menyelesaikan studinya di perguruan tinggi selama lebih dari empat tahun. Algoritma
Backpropagation adalah salah satu algoritma pembelajaran dalam teknik Jaringan
Syaraf Tiruan yang sering digunakan untuk pencocokan pola. Backpropagation
merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh
perceptron dengan banyak lapisan (multilayer perceptron) untuk mengubah bobot-
bobot yang terhubung dengan neuron-neuron yang ada pada lapisan tersembunyinya.
Untuk menilai tingkat akurasi dari penelitian ini dilakukan dengan menggunakan
metode K-Fold Cross Validation dengan dipagi menjadi 4 kali pengujian dengan
menghasilkan tingkat akurasi sebesar 73,46%. Hasil analisis prediksi kelulusan
menunjukan atribut data kategorik mahasiswa yang lebih dominan terhadap kelulusan
adalah jenis kelamin laki-laki, asal daerah dari Bogor, beragama islam, serta asal
sekolah dari SMK. Dengan tingkat IPK dari 3,01-3,50 sebanyak 43,43%, 3,51-4,00
sebanyak 50,5% dan lainya berkisar 6,07%. Untuk mata kuliah yang paling berpengaruh
pada kelulusan adalah Matematika Dasar dengan presentasi 57,57% untuk nilai A, dan
Pengantar Ilmu Komputer sebesar 53,53% untuk nilai B.
Kata Kunci: Prediksi, Backpropagation, K-Fold Cross Validation
PENDAHULUAN
Berdasarkan data lulusan angkatan
tahun 2009 sampai 2013 di program
studi Ilmu Komputer Fakultas
Matematika dan Ilmu Pengetahuan
Alam Universitas Pakuan Bogor rata-
rata perbandingan jumlah mahasiswa
dengan jumlah kelulusan mahasiswa
tepat waktu mengalami kesenjangan.
Berikut menunjukan perbandingan
antara jumlah mahasiswa, jumlah
mahasiswa yang lulus tepat waktu, dan
target jumlah lulusan sesuai dengan
ketentuan BAN-PT, yaitu jumlah
lulusan harus mencapai minimal 50%
dari jumlah mahasiswa.
Pada lulusan angkatan tahun 2009
jumlah mahasiswa yang lulus tepat
waktu berjumlah 70 mahasiswa dengan
total mahasiwa mencapai 314 orang,
nilai ini kurang dari standar kelulusan
yang berjumlah 157 mahasiwa. Lulusan
angkatan tahun 2010 jumlah lulusan
yang lulus tepat waktu berjumlah 67
mahasiswa dengan total mahasiswa
2
berjumlah 386 mahasiswa, nilai ini juga
kurang dari standar kelulusan yang
berjumlah 193 mahasiswa. Begitu pula
dengan lulusan angkatan tahun 2011
dimana jumlah mahasiswa berjumlah
402 mahasiswa dengan kelulusan tepat
waktu mencapai 137 mahasiswa nilai
ini masih kurang dari jumlah standar
kelulusan yaitu berjumlah 201
mahasiswa. Hal yang sama juga terjadi
pada lulusan angkatan tahun 2012,
dimana jumlah lulusan tepat waktu
mencapai 129 mahasiswa dengan
jumlah mahasiswa berjumlah 458
mahasiswa, jauh sekali dengan standar
kelulusan yang berjumlah 229
mahasiswa.
Kesenjangan antara jumlah lulusan
mahasiswa Ilmu Komputer Universitas
Pakuan Bogor dengan standar minimal
kelulusan yang ditetapkan oleh BAN-
PT sangatlah jauh. Kondisi seperti ini
membuat program studi mencari
langkah antisipasi atau penanggulangan
lebih dini untuk menimimalisir masalah
tersebut.
Tujuan dari penelitian ini adalah
untuk memprediksi tingkat kelulusan
mahasiswa program studi Ilmu
Komputer Universitas Pakuan Bogor.
Backpropagation
Propagasi balik (backpropagation)
adalah salah satu algoritma
pembelajaran dalam teknik Jaringan
Syaraf Tiruan yang sering digunakan
untuk pencocokan pola.
Backpropagation merupakan algoritma
pembelajaran yang terawasi dan
biasanya digunakan oleh perceptron
dengan banyak lapisan (multilayer
perceptron) untuk mengubah bobot-
bobot yang terhubung dengan neuron-
neuron yang ada pada lapisan
tersembunyinya. Algoritma
backpropagation menggunakan error
output untuk mengubah nilai-nilai
bobotnya dalam perambatan mundur
(backward). Untuk mendapatkan error
ini, tahap perambatan maju (forward
propagation) harus dikerjakan terlebih
dahulu (Puspitaningrum, 2006).
Berikut ini merupakan algoritma dalam
pelatihan Backpropagation:
a) Langkah 0. Inisiasi semua bobot
dengan bilangan acak.
b) Langkah 1. Jika kondisi penghentian
belum terpenuhi, lakukan langkah 2
– 9.
c) Langkah 2. Untuk setiap data latih,
lakukan langkah 3 – 8.
Fase I. Propagasi Maju (Feed
forward)
d) Langkah 3. Setiap unit input (𝑥𝑖, 𝑖 =
1,2,3, … , 𝑛) menerima sinyal 𝑥𝑖 dan
meneruskan sinyal ke seluruh
lapisan/unit tersembunyi (hidden
layer).
e) Langkah 4. Hitung setiap unit
tersembunyi/hidden layer (Zj, =
1,2,3, … , j), dengan menggunakan
persamaan berikut:
Zinj = Voj + ∑ 𝑋𝑖 𝑉𝑖𝑗 (𝑛𝑘
)𝑛
𝑖=1
Dan menerapkan fungsi aktivasi
untuk menghitung sinyal outputnya,
menggunakan persamaan berikut:
Zj = ƒ ( Zinj )
Biasanya fungsi aktivasi yang
digunakan adalah sigmoid, kemudian
mengirimkan sinyal tersebut ke
semua output.
f) Langkah 5. Hitung setiap unit
output ( Yk, = 1,2,3, … , k), dengan
menggunakan persamaan berikut:
3
Yink = Wok + ∑ 𝑍𝑗 𝑊𝑗𝑘 (𝑛𝑘
)𝑛
𝑗=1
Dan menerapkan fungsi aktivasi
untuk menghitung sinyal outputnya,
menggunakan persamaan berikut:
Yk = ƒ ( Yink )
Fase II. Propagasi Mundur
(Backpropagation of error)
g) Langkah 6. Hitung faktor 𝛿 (error)
unit keluaran berdasarkan kesalahan
disetiap unit output (Yk, 𝑘 = 1,2,3, …
, 𝑚) dengan persamaan berikut:
𝛿𝑘 = (𝑡𝑘 − Y𝑘) 𝑓′(Y𝑖𝑛𝑘 )
*𝛿 adalah unit kesalahan yang akan
dipakai dalam perubahan bobot layer
dibawahnya (langkah 7)
Kemudian hitung koreksi bobot
dengan persamaan berikut:
∆Wj𝑘 = 𝛼 ∗ 𝛿𝑘 ∗ Z𝑗
Dan menghitung koreksi bias dengan
persamaan berikut:
∆W0𝑘 = 𝛼 ∗ 𝛿𝑘
h) Langkah 7. Hitung faktor 𝛿 (error)
unit tersembunyi (Z𝑗, 𝑗 = 1,2,3, … ,
𝑝) berdasarkan kesalahan disetiap
unit:
δinj = ∑ 𝛿𝑘 𝑊𝑗𝑘 (𝑛𝑘
)𝑛
𝑘=1
Untuk menghitung faktor 𝛿 (error),
kalikan hasil dari persamaan 8
dengan turunan dari fungsi
aktivasinya:
𝛿𝑗 = 𝛿_𝑖𝑛𝑗 𝑓′(Z𝑖𝑛𝑗 )
Kemudian hitung koreksi bobot
dengan persamaan berikut:
∆V𝑗𝑘 = 𝛼 ∗ 𝛿𝑗 ∗ X𝑖
Dan menghitung koreksi bias dengan
persamaan berikut:
∆V0𝑗 = 𝛼 ∗ 𝛿𝑗
Fase III. Perubahan Bobot dan Bias
i) Langkah 8. Dari setiap unit output
(Y𝑘, 𝑘 = 1,2,3, … , 𝑚) dilakukan
perubahan bobot dan bias (Z𝑗 ,𝑗 =
1,2,3, … , 𝑝) dengan persamaan
berikut:
𝑊𝑗𝑘(𝑏𝑎𝑟𝑢) = 𝑊𝑗𝑘(𝑙𝑎𝑚𝑎) + ∆𝑊𝑗𝑘
Dari setiap unit tersembunyi (Z𝑗 ,𝑗 =
1,2,3, … , 𝑝) dilakukan perubahan
bobot dan bias (Z𝑖 , 𝑖 = 1,2,3, … , 𝑚)
dengan persamaan berikut:
𝑉𝑖𝑗 (𝑏𝑎𝑟𝑢) = 𝑉𝑖𝑗 (𝑙𝑎𝑚𝑎) + ∆𝑉𝑖𝑗
j) Langkah 9. Pengujian kondisi
berhenti.
METODE PENELITIAN
Metode penelitian yang dilakukan
dalam penelitian ini menggunakan
metode penelitian eksperimen. Metode
penelitian eksperimen sendiri yaitu
metode penelitian yang digunakan
untuk mencari pengaruh perlakuan
tertentu terhadap yang lain dalam
kondisi yang terkendalikan (Santoso,
2007).
1. Pengumpulan Data (Data
Gathering)
Data mahasiswa yang digunakan
dalam penelitian ini adalah data
mahasiswa Program Studi Ilmu
Komputer Fakultas Matematika dan
4
Ilmu Pengetahuan Alam. Terdiri dari 15
atribut data penelitian yang meliputi
jenis kelamin, asal daerah, agama, asal
sekolah, nilai mata kuliah yang terdiri
dari nilai B.Inggris I, B.Inggris II,
Algoritma dan Pemograman I,
Algoritma dan Pemograman II,
Matematika Dasar, PKn, B.Indonesia,
Pengantar Ilmu Komputer, Fisika
Dasar, serta Pendidikan Agama, IPK
(Indeks Prestasi Komulatif), dan
kelulusan.
Pengumpulan data mahasiswa di
dapat dari PUTIK (Pusat Teknologi
Informasi dan Komunikasi) berdasarkan
data mahasiswa di SIMAK (Sistem
Informasi Akademik) Universitas
Pakuan Bogor.
2. Pengolahan Awal Data (Data
Preprocessing)
Pada tahap ini, ada beberapa proses
yang harus dilakukan untuk
mendapatkan atribut yang relevan dan
sesuai dengan format Artificial Neural
Network Backpropagation.
a. Penentuan data input dan output
(target)
Data input pada penelitian ini
adalah jenis kelamin, asal daerah,
agama, asal sekolah, nilai mata kuliah
yang terdiri dari nilai B.Inggris I,
B.Inggris II, Algoritma dan
Pemograman I, Algoritma dan
Pemograman II, Matematika Dasar,
PKn, B.Indonesia, Pengantar Ilmu
Komputer, Fisika Dasar, serta
Pendidikan Agama, dan IPK (Indeks
Prestasi Komulatif), sedangkan data
output pada penelitian ini adalah
kelulusan.
b. Penentuan data latih dan data uji
Data latih pada penelitian ini
menggunakan data angkatan lulusan
tahun 2009 sampai angkatan lulusan
tahun 2012 dengan jumlah data latih.
Sedangkan untuk data uji menggunakan
data angkatan tahun 2013.
c. Transformasi data
Data penelitian yang bersifat
katagorik, dalam kasus ini adalah jenis
kelamin, asal daerah, agama, asal
sekolah, nilai mata kuliah serta
kelulusan ditransformasi kedalam
bentuk numerik dengan menggunakan
metode unary uncoding.
d. Normalisasi data
Sebelum digunakan untuk
penelitian, perlu dilakukan penskalaan
terhadap data input dan output (target)
sehingga data-data input dan target
tersebut masuk dalam suatu range
tertentu. Dalam penelitian ini range
yang digunakan yaitu skala 0-1. Untuk
proses normalisasi data menggunakan
rumus min-max.
3. Model/Metode yang Diusulkan
(Proposed Model/Method)
Pada tahap ini metode yang
diusulkan adalah metode Artificial
Neural Network Backpropagation. Pada
tahap pemodelan yang menggunakan
Artificial Neural Network
Backpropagation dilakukan pemilihan
parameter untuk menghasilkan
arsitektur jaringan syaraf yang optimal.
4. Eksperimen dan Pengujian
Metode (Method Test and
Experiment) Pengujian dilakukan dengan
menggunakan sebagian data mahasiswa
untuk data latih dan sebagian lagi
sebagai data uji. Perhitungan data latih
terus dilatih untuk mendapatkan pola
yang terbaik dari Algoritma Artificial
Neural Network Backpropagation.
Pengujian jaringan syaraf tiruan ini
dibagi menjadi beberapa tahap yaitu,
inisiasi bobot, inisiasi parameter, tahap
pelatihan, dan tahap pengujian.
5. Evaluasi dan Validasi Hasil
(Result Evaluation and
Validation)
5
Evaluasi dan validasi dilakukan
dengan mengukur hasil akurasi tingkat
prediksi Artificial Neural Network
Backpropagation dengan menggunakan
metode K-Fold Cross Validation
HASIL DAN PEMBAHASAN
Hasil yang diperoleh dari penelitian
ini adalah prediksi kelulusan mahasiswa
Program Studi Ilmu Komputer Fakultas
Matematika dan Ilmu Pengetahuan
Alam Universitas Pakuan dengan
mengunakan Artificial Neural Network
Backpropagation. Data latih diolah
terlebih dahulu sehingga akan
menghasilkan hasil berupa bobot ideal
untuk pengujian jaringan. Setelah data
selesai diolah dan menghasilkan bobot
ideal, selanjutnya dilakukan pengujian
data dengan menggunakan data
angkatan tahun 2013 diimplementasikan
dengan tampilan software Matlab.
Pada tahap pelatihan data, struktur
Artificial Neural Network
Backpropagation. dilakukan beberapa
percobaan untuk mencari model yang
ideal atau terbaik dengan menggunakan
data latih angkatan tahun 2009 sampai
2012.
Penentuan parameter neural
network dilakukan dengan mencari nilai
terbaik dari hidden neuron yang
digunakan. Berdasarkan beberapa
eksperimen yang telah dilakukan,
arsitektur jaringan syaraf tiruan
teroptimal untuk prediksi tingkat
kelulusan mahasiswa adalah arsitektur
15-10-1, dengan laju pembelajaran 0,1.
Arsitektur ini terdiri dari 1 lapisan input
dengan 15 neuron, 1 lapisan hidden
layer dengan 10 neuron dan 1 lapisan
output dengan 1 neuron. Nilai MSE
yang dihasilkan adalah 0,12957.
Setelah diperoleh parameter terbaik
dari jaringan maka selanjutnya
dilakukan pengujian dari parameter dan
arsitektur terbaik tersebut dalam
mengenali data uji dan data latih
sebelum digunakan untuk melakukan
prediksi tingkat kelulusan mahasiswa
dengan menggunakan data mahasiswa
angkatan tahun 2009, 2010, 2011, dan
2012. Berikut ini adalah hasil dari
Backpopagation Neural Network
dengan arsitektur 15-10-1 dalam
Matlab.
Gambar 1. Pelatihan Backpropagation
Gambar dibawah ini merupakan
jaringan dengan arsitektur 15-10-1 yang
terdiri dari 1 lapisan input dengan 15
neuron, 1 lapisan hidden layer dengan
10 neuron dan 1 lapisan output dengan
1 neuron.
Gambar 2. Arsitektur Jaringan 15-10-1
Prediksi kelulusan mahasiswa
dengan menggunakan data uji angkatan
6
2013 Program Studi Ilmu Komputer
Fakultas Matematika dan Ilmu
Pengetahuan Alam Universitas Pakuan
Bogor, diketahui bahwah mahasiswa
yang lulus tepat waktu berjumlah 99
mahasiswa sedangkan yang tidak lulus
tepat waktu berjumlah 214 mahasiswa
dari total keseluruhan data berjumlah
313 mahasiswa.
Gambar 3. Grafik Prediksi Kelulusan
Terlihat bahwa prediksi
mahasiswa dengan presentasi lulus tepat
waktu masih rendah dibandingkan
dengan jumlah mahasiswa yang tidak
lulus tepat waktu. Bahkan persentase
yang dihasilkan oleh lulus tepat waktu
sangat jauh dari standar mutu lulusan
yang telah ditetapkan oleh BANPT
yaitu 50% dari total mahasiswa.
Analisis Kelulusan Tepat Waktu
1. Kelulusan Tepat Waktu
Berdasarkan Jenis Kelamin
Hasil analisis untuk kelulusan tepat
waktu berdasarkan jenis kelamin dapat
diketahui bahwa untuk jenis kelamin
laki-laki yang lulus tepat waktu
berjumlah 71 mahasiwa, sedangkan
untuk jenis kelamin perempuan
berjumlah 28 mahasiwa dari total 99
data kelulusan yang tepat waktu.
Gambar 4. Kelulusan Tepat Waktu
Berdasarkan Jenis Kelamin
Terlihat bahwa prediksi mahasiswa
dengan presentasi lulus tepat waktu
untuk jenis kelamin laki-laki cenderung
lebih dominan dari pada perempuan.
Hal ini sangat wajar mengingat
mayoritas mahasiwa di Program Studi
Ilmu Komputer berjenis kelamin laki-
laki.
2. Kelulusan Tepat Waktu
Berdasarkan Asal Daerah
Hasil analisis untuk kelulusan tepat
waktu berdasarkan asal daerah dapat
diketahui bahwa untuk mahasiswa yang
berasal dari Bogor jumlah lulusan yang
tepat waktu berjumlah 58 mahasiswa,
sedangkan untuk asal daerah dari luar
Bogor berjumlah 41 mahasiswa dari
total 99 data kelulusan yang tepat
waktu.
Gambar 5. Kelulusan Berdasarkan Asal
Daerah
Terlihat bahwa prediksi mahasiswa
dengan presentasi lulus tepat waktu
untuk atribut asal daerah yang berasal
dari Bogor cenderung lebih dominan
050
100150200250300350
Jum
lah
Mah
asis
wa
Data Uji Penelitian
Total Data
TepatWaktu
Tidak TepatWaktu
StandarBANPT
0
20
40
60
80
Jum
lah
Lu
lusa
n
Jenis Kelamin
Laki-Laki
Perempuan
0
20
40
60
80
Jum
lah
Lu
lusa
n
Asal Daerah
Bogor
Luar Bogor
7
dari pada luar Bogor. Hal ini sangat
wajar mengingat mayoritas mahasiwa di
Program Studi Ilmu Komputer berasal
dari Bogor dan ditunjang dari lokasi
Universitas Pakuan yang berlokasi di
Jalan Pakuan, Tegallega, Bogor Tengah,
Kota Bogor, Jawa Barat.
3. Kelulusan Tepat Waktu
Berdasarkan Agama
Hasil analisis kelulusan tepat waktu
berdasarkan agama dapat diketahui
untuk yang beragama islam berjumlah
95 orang, beragama khatoliq berjumlah
1 orang, beragama protestan 2 orang,
untuk yang beragama budha 1 orang,
sedangkan tidak ada lulusan tepat waktu
untuk yang beragama hindu dari total
99 data kelulusan yang tepat waktu.
Gambar 6. Kelulusan Tepat Waktu
Berdasarkan Agama
Terlihat bahwa prediksi mahasiswa
dengan presentasi lulus tepat waktu
untuk yang beragama islam sangat
dominan dari pada agama lainya. Hal
ini sangat wajar mengingat mayoritas
mahasiwa di Program Studi Ilmu
Komputer beragama islam.
4. Kelulusan Tepat Waktu
Berdasarkan Asal Sekolah
Hasil analisis kelulusan tepat waktu
berdasarkan asal sekolah dapat
diketahui untuk asal sekolah yang
berasal dari Sekolah Menengah Atas
berjumlah 34 orang, dari Sekolah
Menengah Kejuruan berjumlah 57
orang, sedangkan dari Madrasah Aliyah
berjumlah 8 orang dari total 99 data
kelulusan tepat waktu.
Gambar 7. Kelulusan Tepat Waktu
Berdasarkan Asal Sekolah
Terlihat bahwa prediksi mahasiswa
dengan presentasi lulus tepat waktu
untuk yang berasal dari Sekolah
Menengah Kejuruan lebih dominan dari
pada yang berasal dari Sekolah
Menengah Atas dan Madrasah Aliyah.
Hal ini dapat dimungkinkan karena
untuk asal sekolah dari Sekolah
Menengah Kejuruan cenderung sudah
memiliki dasar-dasar pengetahuan
tentang ilmu komputer lebih banyak
dari pada asal sekolah Sekolah
Menengah Atas dan Madrasah Aliyah.
5. Kelulusan Tepat Waktu
Berdasarkan Indeks Prestasi
Komulatif
Hasil analisis kelulusan tepat waktu
berdasarkan Indeks Prestasi Komulatif,
dapat diketahui untuk IPK dengan
interval dari 3,51-4,00 menghasilkan
lulusan tepat waktu sebanyak 43
mahasiwa. Untuk IPK dengan inteval
dari 3,01-3,50 menghasilkan lulusan
tepat sebanyak 50 mahasiwa, lalu untuk
IPK dengan interval dari 2,50-3,00
menghasilkan lulusan tepat waktu
sebanyak 5 mahasiswa. Sedangkan
untuk IPK dengan interval dari 0,00-
2,50 mengasilkan lulusan tepat waktu
sebanyak 1 mahasiswa, dari total 99
data kelulusan tepat waktu.
0
20
40
60
80
100
Jum
lah
Lu
lusa
n
Agama
Islam
Khatoliq
Protestan
Hindu
Budha
0
20
40
60
Jum
lah
Lu
lusa
n
Asal Sekolah
SMA
SMK
MA
8
Gambar 8. Kelulusan Tepat Waktu
Berdasarkan IPK
Terlihat bahwa prediksi mahasiswa
dengan presentasi lulus tepat waktu
berdasarkan Indeks Prestasi Komulatif,
ternyata untuk IPK yang memiliki
interval dari 3,01-3,50 justru memiliki
tingkat kelulusan tepat waktu yang lebih
tinggi dibanding dengan nilai IPK yang
memiliki interval dari 3,51-4,00. Hal
ini dapat disimpulkan bahwa nilai IPK
tinggi tidak selalu menjamin lulus tepat
waktu. Sedangkan untuk temuan yang
lain yaitu nilai IPK yang memiliki
interval dari 2,51-3,00 dan 0,00-2,50
dapat lulus tepat waktu meskipun
dengan kemungkinan yang terjadi
sangat kecil, mengingat berdasarkan
gambar 19 tingkat kelulusan untuk
interval kedua nilai IPK ini sangat
rendah.
6. Kelulusan Tepat Waktu
Berdasarkan Nilai Mata Kuliah
Hasil analisis kelulusan
berdasarkan nilai mata kuliah dapat
diketahui untuk yang bernilai A paling
banyak menghasilkan kelulusan yaitu
mata kuliah Pengantar Ilmu Komputer
dengan persentasi 53.53% lulus tepat
waktu, sedangkan untuk mata kuliah
yang bernilai B paling banyak
menghasilkan kelulusan yaitu mata
kuliah Matematika Dasar dengan
persentasi kelulusan 57,57% lulus tepat
waktu. Sedangkan untuk mata kuliah
yang bernilai C didapat PKn dengan
persentasi 16,16%.
Gambar 9. Kelulusan Tepat Waktu
Berdasarkan Nilai Mata Kuliah
Terlihat bahwa prediksi mahasiswa
dengan presentasi lulus tepat waktu
untuk mata kuliah yang paling
berpengaruh terhadap kelulusan tepat
waktu adalah Pengantar Ilmu Komputer
dan Matematikan Dasar nilai A dan B,
hal ini dapat menjadi acuan pagi
mahasiswa yang berpotensi lulus tepat
waktu untuk berusaha mendapat nilai
terbaik dari kedua mata kuliah ini.
Dikarenakan kedua mata kuliah ini
memiliki nilai persentasi kemungkinan
untuk lulus tepat sebesar 53,53% dan
57,57% dengan tidak mengabaikan nilai
mata kuliah lainya.
Analisis Kelulusan Tidak Tepat
Waktu
1. Kelulusan Tidak Tepat Waktu
Berdasarkan Jenis Kelamin
Hasil analisis untuk kelulusan tidak
tepat waktu berdasarkan jenis kelamin
dapat diketahui bahwa untuk jenis
kelamin laki-laki yang tidak lulus tepat
waktu berjumlah 194 mahasiwa,
sedangkan untuk jenis kelamin
perempuan berjumlah 20 mahasiwa dari
total 214 data kelulusan yang tidak tepat
waktu.
0
10
20
30
40
50
60Ju
mla
h L
ulu
san
Indeks Prestasi Komulatif
3,51 - 4,00
3,01 - 3,50
2,51 - 3,00
0,00 - 2,50
0
20
40
60
Jum
lah
Lu
lusa
n
A
B
C
D
E
9
Gambar 10. Kelulusan Tidak Tepat
Waktu Berdasarkan Jenis Kelamin
Terlihat bahwa prediksi mahasiswa
dengan presentasi lulus tidak tepat
waktu untuk jenis kelamin laki-laki
cenderung lebih dominan dari pada
perempuan. Hal ini sangat wajar
mengingat mayoritas mahasiwa di
Program Studi Ilmu Komputer berjenis
kelamin laki-laki.
2. Kelulusan Tidak Tepat Waktu
Berdasarkan Asal Daerah
Hasil analisis untuk kelulusan tidak
tepat waktu berdasarkan asal daerah
dapat diketahui bahwa untuk mahasiswa
yang berasal dari Bogor jumlah lulusan
yang tidak tepat waktu berjumlah 137
mahasiswa, sedangkan untuk asal
daerah dari luar Bogor berjumlah 77
mahasiswa dari total 214 data kelulusan
yang tidak tepat waktu.
Gambar 11. Kelulusan Tidak Tepat
Waktu Berdasarkan Jenis Kelamin
Terlihat bahwa prediksi mahasiswa
dengan presentasi lulus tidak tepat
waktu untuk atribut asal daerah yang
berasal dari Bogor cenderung lebih
dominan dari pada luar Bogor. Hal ini
sangat wajar mengingat mayoritas
mahasiwa di Program Studi Ilmu
Komputer berasal dari Bogor dan
ditunjang dari lokasi Universitas
Pakuan yang berlokasi di Jalan Pakuan,
Tegallega, Bogor Tengah, Kota Bogor,
Jawa Barat.
3. Kelulusan Tidak Tepat Waktu
Berdasarkan Agama
Hasil analisis kelulusan tidak tepat
tepat waktu berdasarkan agama dapat
diketahui untuk yang beragama islam
berjumlah 204 orang, beragama
protestan 9 orang, untuk yang beragama
hindu 1 orang, sedangkan tidak ada dari
yang beragama khatoliq dan budha yang
lulus tidak tepat waktu dengan total 214
data kelulusan yang tidak tepat waktu.
Gambar 12. Kelulusan Tidak Tepat
Waktu Berdasarkan Agama
Terlihat bahwa prediksi mahasiswa
dengan presentasi lulus tidak tepat
waktu untuk yang beragama islam
sangat dominan dari pada agama lainya.
Hal ini sangat wajar mengingat
mayoritas mahasiwa di Program Studi
Ilmu Komputer beragama islam.
4. Kelulusan Tidak Tepat Waktu
Berdasarkan Asal Sekolah
Hasil analisis kelulusan tidak tepat
waktu berdasarkan asal sekolah dapat
diketahui untuk asal sekolah yang
berasal dari Sekolah Menengah Atas
berjumlah 89 orang, dari Sekolah
Menengah Kejuruan berjumlah 115
orang, sedangkan dari Madrasah Aliyah
0
100
200
300Ju
mla
h L
ulu
san
Jenis Kelamin
Laki-Laki
Perempuan
0
50
100
150
Jum
lah
Lu
lusa
n
Asal Daerah
Bogor
Luar Bogor
0
50
100
150
200
250
Jum
lah
Lu
lusa
n
Agama
Islam
Khatoliq
Protestan
Hindu
Budha
10
berjumlah 8 orang, dan dari lainya
berjuumlah 2 orang dari total 214 data
kelulusan tidak tepat waktu
Gambar 13. Kelulusan Tidak Tepat
Waktu Berdasarkan Asal Sekolah
Terlihat bahwa prediksi mahasiswa
dengan presentasi lulus tidak tepat
waktu untuk yang berasal dari Sekolah
Menengah Kejuruan lebih dominan dari
pada yang berasal dari Sekolah
Menengah Atas, Madrasah Aliyah dan
lainya. Hal ini dapat dimungkinkan
bahwa tidak semua yang berasal dari
Sekolah Menengah Kejuruan dapat
lulus tepat waktu meskipun sudah
memiliki dasar-dasar pengetahuan
tentang ilmu komputer, ada banyak
faktor lainya yang bisa menyebabkan
tidak lulus tepat waktu itu terjadi
diantaranya cuti kuliah.
5. Kelulusan Tidak Tepat Waktu
Berdasarkan Indeks Prestasi
Komulatif
Hasil analisis kelulusan tidak tepat
waktu berdasarkan Indeks Prestasi
Komulatif, dapat diketahui untuk IPK
dengan interval dari 3,51-4,00
menghasilkan lulusan tidak tepat waktu
sebanyak 12 mahasiwa. Untuk IPK
dengan inteval dari 3,01-3,50
menghasilkan lulusan tidak tepat waktu
sebanyak 94 mahasiwa, lalu untuk IPK
dengan interval dari 2,50-3,00
menghasilkan lulusan tidak tepat waktu
sebanyak 81 mahasiswa. Sedangkan
untuk IPK dengan interval dari 0,00-
2,50 mengasilkan lulusan tepat waktu
sebanyak 26 mahasiswa, dari total 214
data kelulusan tidak tepat waktu.
Gambar 14. Kelulusan Tidak Tepat
Waktu Berdasarkan IPK
Terlihat bahwa prediksi mahasiswa
dengan presentasi lulus tidak tepat
waktu berdasarkan Indeks Prestasi
Komulatif, ternyata untuk IPK yang
memiliki interval dari 3,01-3,50 justru
memiliki tingkat kelulusan tidak tepat
waktu yang lebih tinggi. Disusul
selanjutnya oleh nilai IPK dengan
interval 2,51-3,00 diposisi rangking no
2. Lalu ada nilai IPK dengan ainterval
dari 2,51 – 3,00 diposisi 3. Dan nilai
IPK dari interval 3,51-4,00 diposisi
terakhir. Hal ini dapat disimpulakan
bahwa nilai IPK tinggi bisa juga lulus
tidak tepat waktu meskipun persentasi
kemungkinannya kecil.
6. Kelulusan Tidak Tepat Waktu
Berdasarkan Nilai Mata Kuliah
Hasil analisis kelulusan tidak tepat
waktu berdasarkan nilai mata kuliah
dapat diketahui untuk yang bernilai C
paling banyak menghasilkan kelulusan
tidak tepat waktu yaitu mata kuliah
Fisika Dasar disusul untuk nilai B mata
kuliah Algoritma dan Pemograman II
meskipun persentasi nya lebih kecil dari
Fisika Dasar.
Terlihat bahwa prediksi mahasiswa
dengan presentasi lulus tidak tepat
waktu untuk mata kuliah yang paling
berpengaruh adalah Fisika Dasar. Hal
ini bisa menjadi acuan bagi Program
Studi agar lebih dioptimalkan dalam
0
50
100
150
Jum
lah
Lu
lusa
n
Asal Sekolah
SMA
SMK
MA
Lainya 0
20
40
60
80
100
Jum
lah
Lu
lusa
n
Indeks Prestasi Komulatif
3,51 - 4,00
3,01 - 3,50
2,51 - 3,00
0 - 2,50
11
perkuliahan terutama untuk mata kuliah
Fisika Dasar yang paling berpengaruh
pada ketidak lulusan tepat waktu
mahasiswa. Gambar 14 menjelaskan
tentang analisis kelulusan tidak tepat
waktu berdasarkan nilai mata kuliah.
Gambar 15. Kelulusan Tidak Tepat
Waktu Berdasarkan Mata Kuliah
Manfaat Bagi Program Studi
Manfaat bagi program studi
dilakukannya prediksi tingkat kelulusan
untuk Program Studi Ilmu Komputer
Fakultas Matematika dan Ilmu
Pengetahuan Alam Universitas Pakuan
bertujuan agar diperolehnya gambaran
awal mengenai tingkat kelulusan
mahasiswa sebagai bagian dari evaluasi
program studi, sehingga program studi
dapat mengambil langkah strategis yang
tepat untuk dapat terus meningkatkan
kualitas dan kuantitas tingkat kelulusan
hingga mencapai sasaran mutu
kelulusan yang telah ditetapkan.
Kepada sejumlah mahasiswa yang
diprediksi tingkat kelulusannya tidak
mencapai sasaran mutu yang ditetapkan,
program studi dapat memberikan
peringatan dini agar mahasiswa tersebut
dapat berusaha lebih fokus dan giat lagi
untuk meraih nilai yang terbaik tiap
semesternya.
Validasi K-Fold Cross Validation
Berikut ini merupakan hasil
validasi menggunakan K-Fold Cross
Validation. Data penelitian dibagi
kedalam 4 partisi (tabel 6) dimana
setiap persentasi data menjadi 75%
untuk data latih dan 25% untuk data uji.
Hasil untuk validasi K-Fold dapat
dilihat pada tabel 1.
Tabel 1. Hasil Validasi K-Fold
No Percobaan Akurasi
1 K1 77,68%
2 K2 68,59%
3 K3 77,68%
4 K4 71,90%
Presentasi untuk keseluruhan data
penelitian:
𝐴𝑘𝑢𝑟𝑎𝑠𝑖 =𝐾1 + 𝐾2 + 𝐾3 + 𝐾4
Total pengujian
𝐴𝑘𝑢𝑟𝑎𝑠𝑖
=77,68% + 68,59% + 77,68% + 71,90%
4
= 73,96%
Dari pengujian menggunakan K-
Fold Cross Validation diatas, diketahui
untuk akurasi tertinggi yaitu mencapai
nilai 77,68% berada pada percobaan ke
1 dan 3. Sedangkan untuk persentasi
akurasi keluruhan pengujian didapatkan
bahwa tingkat akurasi yang dimiliki
oleh jaringan backpropagation ini
adalah 73,96%.
KESIMPULAN
Prediksi kelulusan mahasiswa
Program Studi Ilmu Komputer Fakultas
Matematika dan Ilmu Pengetahuan
Alam Universitas Pakuan Bogor dengan
menggunakan Artificial Neural Network
Backpropagation mengasilkan data
output berupa ketepatan waktu lulus
mahasiswa, yaitu lulus tepat waktu atau
tidak tepat waktu. Sistem ini diolah
menggunakan software Matlab2008.
Atribut yang bisa digunakan yaitu
sebanyak 15 atribut yang terdiri dari
jenis kelamin, asal daerah, agama, asal
sekolah, Indeks Prestasi Komulatif,
nilai matakuliah dan kelulusan.
0
50
100
150
Jum
lah
Lu
lusa
n
A
B
C
D
E
12
Arsitektur Backpropagation terbaik
untuk penelitian ini menggunakan
arsitektur 15-10-1. Terdiri dari 1 lapisan
input dengan 15 neuron, 1 lapisan
hidden layer dengan 10 neuron dan 1
lapisan output dengan 1 neuron. Untuk
menilai tingkat akurasi dari penelitian
ini dilakukan dengan menggunakan
metode K-Fold Cross Validation
dengan dipagi menjadi 4 kali pengujian
dengan menghasilkan tingkat akurasi
sebesar 73,46%.
Hasil analisis prediksi kelulusan
dapat dilihat dari atribut data kategorik
mahasiswa yang lebih dominan
terhadap kelulusan adalah jenis kelamin
laki-laki, asal daerah dari Bogor,
beragama islam, serta asal sekolah dari
SMK. Dengan tingkat IPK dari 3,01-
3,50 sebanyak 43,43%, 3,51-4,00
sebanyak 50,5% dan lainya berkisar
6,07%. Untuk mata kuliah yang paling
berpengaruh pada kelulusan adalah
Matematika Dasar dengan presentasi
57,57% untuk nilai A, dan Pengantar
Ilmu Komputer sebesar 53,53% untuk
nilai B.
DAFTAR PUSTAKA
Ansari R. 2016. Prediksi Kelulusan
Mahasiswa Dengan Jaringan
Syaraf Tiruan. JTIULM - Volume
1, Nomor 1.
Fausett L. 1994. Fundamentals of
Neural Netrowk. Prentice Hall,
Englewood Cliffs, New Jersey.
Fithri D L, Darmanto E. 2014. Sistem
Pendukung Keputusan Untuk
Memprediksi Kelulusan Mahasiswa
Menggunakan Metode Naïve Bayes.
Prosiding SNATIF. ISBN: 978-
602-1180-04-4.
Kantardzic M. 2003. Data Mining :
Concepts, Models, Methods, and
Algorithms. USA : John Wiley &
So.
Kementerian Pendidikan Nasional
dan Kebudayaan RI. 2017. Badan
Akreditasi Nasional Perguruan
Tinggi.
Kusumadewi S, Hartati S. 2010.
Neuro-Fuzzy. Integrasi Sistem
Fuzzy & Jaringan Syaraf.
Yogyakarta. Graha Ilmu.
Kusumawati D, Winarno W W. 2015.
Prediksi Kelulusan Mahasiswa
Menggunakan Metode Neural
Network dan Particle Swarm
Optimization. STMIK AMIKOM
Yogyakarta. ISSN : 2302-3805.
Puspitaningrum. 2006. Pengantar
Jaringan Saraf Tiruan. Yogyakarta.
Andi.
Santoso. 2007. Metodologi Penelitian
Kuantitatif & Kualitatif. Jakarta.
Prestasi Pustaka Publisher.
Siang, J J. 2005. Jaringan Syaraf
Tiruan dan Pemogramannya
Menggunakan Matlab. Yogyakarta.
Andi
Susanto S, Suryadi D. 2010.
Pengantar Data Mining: Menggali
Pengetahuan Dari Bongkahan
Data. Yogyakarta. Andi.
Ujianti D H, Affandy. 2014. Rancang
Bangun Aplikasi Data Mining
Untuk Prediksi Kelulusan
Mahasiswa Dengan Algoritma
Backpropagation Neural Netwok