Jurnal Media Teknik & Sistem Industri Vol.
21 Ae 29 http://jurnal.
id/JMTSI e-issn: 2581-0561 p-issn: 2581-0529 DOI 10.
35194/jmtsi.
Penggunaan Jaringan Syaraf Tiruan Ae Backpropagation dalam Memprediksi Jumlah Mahasiswa Baru Ajrina Febri Suahati1*.
Ahmad Arif Nurrahman2.
Otong Rukmana3
1,2,3
Teknik Industri Universitas Islam Bandung Jl Tamansari No.
Bandung Wetan.
Kota Bandung.
Jawa Barat 1*afsuahati@gmail.
2nurrahman18@yahoo.
3*otongrukmana@gmail.
Predicting Number of New Student Using Artificial Neural Network - Backpropagation Dikirimkan : 07, 2021.
Diterima : 02, 2022.
Dipublikasikan : 03, 2022 AbstractAiEducational data is important information owned by a university.
Large amounts of data can be used to identify specific patterns.
This study aims to predict the number of new students by identifying data patterns using an artificial neural network (ANN).
ANN is an artificial intelligence that has characteristics such as biological neural networks and works as an information processing system, one of the types is backpropagation model.
Backpropagation trains the network to be able to recognize and identify patterns that are given during training and provide a response in the form of predicting similar patterns, therefore backpropagation can be used in the field of forecasting.
Data that uses as input for the training is new student data from 2000 to 2020, and the expected output is the number of new students in the following tear, which is This study tested 4 different ANN architecture models, with MSE 0.
0001, learning rate 0.
01, with a maximum of 1000 iterations.
The training process uses a combination of the tansig-purelin and logsig-purelin as the activation functions, and traingdx, traingda traingdm as the acceleration functions.
Result of the training process, it was found that the best network architecture is the 12-8-1 pattern, which means using 12 inputs, 8 hidden neurons, and 1 output.
The pattern uses the logsig-purelin activation function, the traingda acceleration function, with the MSE result of 0.
0001 after going through 94 iterations.
KeywordsAiArtificial Neural Network (ANN).
Backpropagation.
Forecasting AbstrakAiData mahasiswa merupakan informasi penting yang dimiliki oleh suatu perguruan tinggi.
Data dalam jumlah besar dapat digunakan untuk mengidentifikasi suatu pola tertentu.
Penelitian ini bertujuan untuk memprediksi jumlah mahasiswa baru yang akan datang dengan mengidentifikasi pola data menggunakan Jaringan Syaraf Tiruan (JST).
JST merupakan suatu kecerdasan buatan yang memiliki karakteristik seperti jaringan syaraf biologi dan berfungsi sebagai sistem pemroses informasi, salah satunya adalah model Backpropagation melatih jaringan agar mampu mengenali dan mengidentifikasi pola yang diberikan pada saat pelatihan dan memberikan respon berupa prediksi terhadap pola serupa, oleh karena itu backpropagation dapat digunakan dengan baik dalam bidang peramalan.
Data masukan yang digunakan untuk pelatihan adalah data mahasiswa baru pada tahun 2000 sampai 2020, keluaran yang diinginkan adalah jumlah mahasiswa baru pada tahun berikutnya.
Penelitian ini menguji 4 model arsitektur JST berbeda, dengan MSE 0001, learning rate 0.
01, dengan maksimal 1000 iterasi.
Proses pelatihan menggunakan kombinasi fungsi aktivasi tansig-purelin dan logsig-purelin, serta fungsi percepatan traingdx, traingda, dan traingdm.
Dari pelatihan yang dilakukan, didapatkan bahwa arsitektur jaringan terbaik adalah pola 12-8-1 yang berarti menggunakan 12 masukan, 8 hidden neuron, dan 1 keluaran.
Pola tersebut menggunakan fungsi aktivasi logsigpurelin, fungsi percepatan traingda, dengan hasil MSE 0.
0001 setelah melalui 94 iterasi.
Copyright A ---- THE AUTHOR(S).
This article is distributed under a Creative Commons Attribution-Share Alike 4.
International license.
Jurnal Media Teknik dan Sistem Industri is published by Industrial Engineering of Universitas Suryakancana Suahati.
Nurrahman.
Rukmana Kata kunciAi Jaringan Syaraf Tiruan (JST).
Backpropagation.
Peramalan PENDAHULUAN Berkembangnya menjadikan kumpulan data sebagai aset bagi suatu Ketersediaan data tidak akan memberikan manfaat apabila data tidak diproses dengan metode analisis tertentu dan mengubahnya menjadi suatu informasi penting yang dapat mendukung suatu pengambilan keputusan .
Perguruan tinggi memiliki aset penting berupa data Penting bagi suatu perguruan tinggi untuk dapat mengubah kumpulan data mahasiswa menjadi suatu informasi yang dapat membantu dosen, tenaga kependidikan, dan pembuat kebijakan sebagai analisis untuk mendukung pengambilan keputusan .
Perguruan tinggi saat ini memiliki persaingan yang ketat dan sistem yang sangat kompleks, oleh karena itu penting untuk dapat menganalisis keadaan dan mengembangkan strategi yang akan datang .
Memprediksi jumlah mahasiswa yang akan datang berdasarkan data historis dapat membantu perguruan tinggi untuk menentukan strategi dan mempersiapkan sumber daya yang digunakan baik sarana prasarana kegiatan belajar mengajar serta dosen dan tenaga kependidikan sebagai bagian dari kegiatan belajar Tidak hanya itu, memprediksi jumlah mahasiswa juga dapat bermanfaat dalam menentukan strategi pemasaran ke depannya.
Data mahasiswa yang dimiliki oleh perguruan tinggi dapat diolah menggunakan berbagai metode, salah satunya menggunakan machine learning.
Machine learning merupakan bagian dari kecerdasan buatan .
rtificial intelligenc.
yang mengeksplorasi konstruksi algoritma yang dapat mempelajari dan membuat prediksi dari suatu data .
Machine learning digunakan untuk mengajarkan mesin atau komputer untuk menangani dan memproses suatu data dengan efisien .
, menginterpretasikan data tidak dapat dilakukan hanya dengan melihat, data harus diolah untuk dapat menghasilkan informasi yang Ketika algoritma dari machine learning diterapkan, menunjukkan bahwa model yang diimplementasikan telah menghasilkan output berupa informasi yang sesuai dengan data input yang diberikan.
Machine learning telah berkembang sangat pesat pada saat ini sehingga menghasilkan bidang-bidang lain yang lebih Salah satu cabang pembelajaran dari machine learning adalah metode Jaringan Syaraf Tiruan (JST) atau dikenal dengan istilah Artificial Neural Network (ANN) dapat dilihat pada Gambar Gambar 1.
Artificial neural network dalam artificial JST adalah algoritma machine learning yang terinspirasi dari jaringan syaraf biologi .
JST
banyak digunakan pada bidang data mining, metode ini dapat digunakan pada clustering, regression, classification, time series forecasting, dan visualization .
JST memiliki kemampuan menganalisis kumpulan data rumit yang tidak mudah disederhanakan melalui metode statistik konvensional .
Struktur dasar JST terdiri dari tiga input, output, dan hidden layer.
Input layer merupakan lapisan neuron yang menerima data dari program pengguna, sedangkan output layer akan mengirimkan data keluaran ke dalam program Hidden layer berada di antara input dan output layer dan hanya berhubungan antar neuron, tanpa berhubungan langsung dengan program .
Setiap neuron pada layer memiliki kemungkinan untuk mempengaruhi hasil keluaran karena pemrosesan data terjadi di setiap neuron pada jaringan syaraf tiruan .
Jumlah layer minimum pada jaringan adalah dua yaitu input dan output layer, sedangkan hidden layer bersifat opsional, dapat tidak digunakan jika memang lebih baik tidak menggunakannya .
Dalam JST yang sederhana, hidden layer berjumlah antara 0 sampai 3, sedangkan yang kompleks dapat mengandung puluhan sampai ratusan hidden layer .
Proses pelatihan pada JST dapat dilakukan secara supervised maupun unsupervised.
Pelatihan supervised merupakan bentuk paling umum pada JST, pada metode ini pelatihan dilakukan dengan memberikan input berupa data yang sudah diberi label bersama dengan output yang ditentukan, sedangkan pada unsupervised, proses pelatihan dilakukan tanpa memberikan output yang diharapkan .
Salah satu model jaringan syaraf tiruan yang digunakan dalam peramalan adalah Backpropagation.
Backpropagation memiliki kelebihan dalam kemampuan pembelajarannya.
Metode ini melatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan selama pelatihan dengan kemampuan jaringan untuk memberikan respon yang benar terhadap pola masukan yang serupa dengan pola yang digunakan saat pelatihan.
Backpropagation adalah algoritma iteratif sederhana yang dapat bekerja dengan baik meskipun dengan data yang kompleks dan termasuk ke dalam model supervised learning karena mempelajari pola data berdasarkan masukan .
dan keluarannya .
Penelitian ini menggunakan Jaringan syaraf Tiruan (JST) yang melalui proses pelatihan supervised dengan metode Backpropagation dan bertujuan untuk memprediksi jumlah mahasiswa baru pada tahun berikutnya berdasarkan data Hal tersebut diharapkan dapat membantu perguruan tinggi untuk mempersiapkan metode pemasaran dan fasilitas perkuliahan sehingga dapat meningkatkan layanan terhadap mahasiswa.
Penelitian ini terdiri dari metodologi penelitian yang mencakup penentuan arsitektur jaringan syaraf tiruan, hasil dari penelitian mengenai arsitektur jaringan terbaik dan performansi algoritma, hasil dan pembahasan penelitian, serta kesimpulan, dan saran penelitian.
mahasiswa baru.
Untuk memprediksi jumlah mahasiswa baru yang akan datang sesuai dengan urutan waktunya, maka dibutuhkan data input berupa data dalam suatu kurun waktu tertentu secara berurutan, yang nantinya akan menjadi output adalah data pada waktu berikutnya.
Data historis jumlah mahasiswa diharapkan dapat menggambarkan suatu pola yang dapat dikenali dan dapat diprediksi pola ke depannya oleh jaringan syaraf tiruan.
Data yang digunakan pada penelitian ini adalah data mahasiswa baru sejak tahun 2000 sampai dengan tahun 2020.
Pada metode jaringan syaraf tiruan (JST), data yang akan digunakan perlu dinormalisasi terlebih dahulu sebelum proses pengolahan data.
Proses ini disebut data preprocessing yang bertujuan untuk menyesuaikan data yang digunakan ke dalam standar metode yang digunakan.
Pada jaringan syaraf tiruan, data preprocessing dilakukan dengan metode normalisasi data menggunakan fungsi aktivasi sigmoid, data diubah ke dalam interval 0.
- 0.
Persamaan yang digunakan dalam normalisasi data adalah persamaan .
berikut ini:
II.
METODOLOGI PENELITIAN
Metodologi penelitian menjelaskan tahapan penelitian yang dilakukan menggunakan metode Jaringan Syaraf Tiruan (JST) - Backpropagation.
Prosedur memodelkan jaringan syaraf tiruan secara umum dapat dibagi menjadi empat langkah, yaitu:
persiapan data, pemilihan arsitektur jaringan, pelatihan .
, dan pengujian .
seperti dilihat pada Gambar 2.
ycu` = 8.
cuOeyc.
ycaOeyca 0.
Keterangan:
a = Data bernilai minimum b = Data bernilai maksimum x = Data yang menjadi input x' = Hasil normalisasi data Tahapan selanjutnya adalah menentukan perancangan arsitektur jaringan yang akan digunakan pada proses pelatihan.
Perancangan arsitektur jaringan dimulai dengan menentukan layer yang akan digunakan.
yaitu: input, output, dan hidden layer.
Input layer berisi data yang sudah diberi label dan output layer berisi data keluaran yang diharapkan, input dan output ini nantinya menjadi bahan pembelajaran bagi jaringan syaraf tiruan pada proses pelatihan untuk dikenali bentuk Hidden layer dapat terdiri lebih dari satu, lebih banyak jumlah hidden layer maka akan menghasilkan jaringan yang besar dengan kompleksitas yang tinggi dalam proses pelatihan jaringan .
Pada proses pelatihan, penelitian ini menggunakan 2 macam pola input yaitu 6 dan 12.
Hal ini menunjukkan bahwa pelatihan dilakukan berdasarkan data 6 tahun ke belakang untuk memprediksi jumlah mahasiswa baru tahun berikutnya, sebagai contoh: data tahun 2000 sampai 2005 dilatih untuk mengetahui jumlah mahasiswa pada tahun 2006, begitu pula seterusnya.
Sedangkan output yang digunakan adalah 1, karena Gambar 2.
Langkah-langkah jaringan syaraf tiruan Penelitian ini dimulai dengan mempersiapkan data yang diperlukan, yaitu data historis jumlah Suahati.
Nurrahman.
Rukmana
TABEL I
KOMBINASI PARAMETER PADA PELATIHAN JARINGAN
hanya memprediksi satu tahun ke depan.
Hidden layer yang digunakan adalah 8 dan 16 untuk mengetahui jumlah hidden layer yang optimal.
Selain menentukan jumlah input, hidden dan output layer, parameter lain yang perlu ditentukan adalah fungsi aktivasi, fungsi percepatan, parameter pembelajaran .
earning rat.
, target error berupa Mean Square Error (MSE) dan batas iterasi maksimal yang diperbolehkan .
Fungsi aktivasi digunakan untuk menentukan keluaran dari neuron, dalam jaringan syaraf tiruan (JST) Ae Backpropagation, fungsi aktivasi yang umumnya digunakan adalah fungsi aktivasi sigmoid.
Beberapa fungsi aktivasi yang dapat digunakan dalam proses pelatihan backpropagation menggunakan software matlab adalah tansig .
ungsi sigmoid bipola.
, logsig .
ungsi sigmoid bine.
, dan purelin .
ungsi Selain fungsi aktivasi terdapat pula fungsi percepatan yang bertujuan untuk mempercepat proses pelatihan.
MSE adalah target kesalahan atau error yang diinginkan, semakin kecil atau mendekati 0 maka semakin baik.
Learning rate adalah laju pembelajaran suatu jaringan, semakin besar nilainya makan semakin cepat proses pelatihan, namun apabila learning rate terlalu besar maka proses pelatihan menjadi tidak Iterasi atau epoch digunakan untuk menentukan banyaknya iterasi yang diperbolehkan, semakin banyak jumlah iterasi makan semakin lama proses pelatihan berlangsung.
Proses iterasi akan berhenti jika nilai MSE telah mencapai target atau jumlah iterasi .
telah mencapai batas maksimum yang telah ditentukan .
Dari seluruh parameter yang digunakan pada Jaringan Syaraf Tiruan Ae Backpropagation, penelitian ini menggunakan beberapa parameter dalam pembentukan dan pelatihan jaringan, di antaranya sebagai berikut:
C Jumlah input layer: 6 dan 12 C Jumlah hidden layer: 8 dan 16 C Jumlah output layer: 1 C Fungsi aktivasi:
o Input - hidden layer: tansig dan logsig o Hidden layer - output: purelin C Fungsi percepatan: trangdx, traingda.
C Parameter pembelajaran atau Learning Rate (LR): 0.
C Target error atau MSE (Mean Square Erro.
: 0.
C Batas iterasi yang ditentukan .
: 1000 Arsitektu Jaringan No.
6Ae8Ae1 6Ae8Ae1 6Ae8Ae1 6 Ae 16 Ae 1 6 Ae 16 Ae 1 6 Ae 16 Ae 1 6Ae8Ae1 6Ae8Ae1 6Ae8Ae1 6 Ae 16 Ae 1 6 Ae 16 Ae 1 6 Ae 16 Ae 1 12 Ae 8 Ae 1 12 Ae 8 Ae 1 12 Ae 8 Ae 1 12 Ae 16 Ae 12 Ae 16 Ae 12 Ae 16 Ae 12 Ae 8 Ae 1 12 Ae 8 Ae 1 12 Ae 8 Ae 1 12 Ae 16 Ae 12 Ae 16 Ae 12 Ae 16 Ae Input.
Hidden.
Output Fungsi Aktivasi tansig purelin tansig purelin tansig purelin tansig purelin tansig purelin tansig purelin logsig purelin logsig purelin logsig purelin logsig purelin logsig purelin logsig purelin tansig purelin tansig purelin tansig purelin tansig purelin tansig purelin tansig purelin logsig purelin logsig purelin logsig purelin logsig purelin logsig purelin logsig purelin Fungsi Percepata Pada proses pelatihan, jaringan syaraf tiruan akan mempelajari pola data historis sesuai dengan parameter yang telah ditentukan.
Arsitektur jaringan terbaik akan dipilih berdasarkan nilai MSE yang memenuhi target serta tidak melebihi jumlah iterasi .
yang telah ditentukan.
Arsitektur jaringan terbaik akan digunakan pada tahapan selanjutnya yaitu tahap pengujian.
Pengujian dilakukan untuk mengetahui apakah jaringan syaraf tiruan sudah dapat mengenali pola dengan baik.
Jaringan akan diuji menggunakan data yang diambil secara acak pada proses pelatihan.
Hasil pengujian akan menunjukkan nilai error dari perbandingan antara hasil prediksi jaringan syaraf tiruan dengan Terdapat 24 arsitektur jaringan yang dihasilkan dari kombinasi beberapa parameter yang telah ditentukan dapat dilihat pada Tabel I.
Seluruh arsitektur jaringan tersebut akan melalui proses pelatihan untuk menemukan arsitektur jaringan terbaik yang akan digunakan.
TABEL i POLA DATA INPUT 6 data target aktual yang didapat dari data historis.
Tahapan pelatihan dan pengujian jaringan dilakukan menggunakan software matlab R2020.
HASIL PENELITIAN
Penelitian dilakukan sesuai dengan tahapan yang dijelaskan pada metodologi bahwa metode Jaringan Syaraf Tiruan (JST) Ae Backpropagation dimulai dengan persiapan data.
Data yang digunakan adalah data jumlah mahasiswa baru sejak tahun 2000 sampai dengan 2020.
Jaringan syaraf tiruan Ae Backpropagation menggunakan fungsi aktivasi sigmoid sehingga data yang diolah diharuskan melalui proses normalisasi terlebih dahulu sebagai tahapan data preprocessing.
Tabel II merupakan hasil normalisasi data jumlah mahasiswa baru.
Normalisasi bertujuan untuk mengubah data aktual yang dimiliki ke dalam 1 Ae 0.
9 menggunakan persamaan .
Data dengan nilai maksimum memiliki nilai 9 yaitu pada tahun 2000 dengan data aktual sebanyak 279 mahasiswa, sedangkan data dengan nilai minimum memiliki nilai 0.
1 yaitu pada tahun 2006 dengan data aktual sebanyak 26 Tahun Jumlah Mahasiswa Outp Sedangkan pola data input 12 berarti menggunakan data 12 tahun sebelumnya sebagai proses pembelajaran untuk memprediksi jumlah mahasiswa baru pada tahun berikutnya sebagai output Sedangkan pola data input 12 dapat dilihat pada Tabel IV.
Setelah data dan parameter yang dibutuhkan telah tersedia maka tahapan selanjutnya adalah proses pelatihan jaringan.
Pada proses pelatihan terdapat 24 kombinasi arsitektur jaringan berdasarkan kombinasi parameter yang telah ditentukan pada metodologi penelitian.
Proses pelatihan menggunakan parameter learning rate.
MSE, dan epoch yang sama untuk seluruh Proses pelatihan pada setiap arsitektur jaringan akan berhenti setelah mencapai MSE yang diinginkan yaitu 0.
0001 atau telah mencapai batas maksimum iterasi .
yang diperbolehkan yaitu sebanyak 1000 iterasi.
Proses pelatihan seluruh arsitektur jaringan menggunakan learning rate sebesar 0.
Hasil pelatihan jaringan dapat dilihat pada Tabel V.
Arsitektur jaringan terbaik dipilih berdasarkan nilai MSE yang tercapai yaitu 0.
0001 dengan iterasi maksimum sebesar 1000 iterasi.
Pada Tabel V dapat dilihat bahwa beberapa arsitektur jaringan mencapai nilai MSE sesuai target yang ditentukan yaitu arsitektur jaringan No.
1, 3, 4, 6, 7, 9, 10, 13,
15, 16, 18, 19, 21, 22, dan 24.
Dari beberapa arsitektur jaringan tersebut, yang memiliki jumlah iterasi terkecil adalah arsitektur jaringan No.
yaitu sebesar 94 iterasi.
Arsitektur jaringan No.
merupakan kombinasi dari .
apat dilihat pada Tabel .
pola data input 12, hidden neuron 8, dan output 1 dengan menggunakan fungsi aktivasi logsigpurelin dan fungsi percepatan traingda.
Jaringan TABEL II
HASIL NORMALISASI DATA JUMLAH MAHASISWA
No.
Normalisasi Dari hasil normalisasi tersebut, data kemudian dibagi menjadi 2 pola input, yaitu pola data input 6 Pola data input 6 menjadikan data 6 tahun sebelumnya sebagai proses pembelajaran untuk memprediksi jumlah mahasiswa baru pada tahun berikutnya sebagai output.
Pola data input 6 dapat dilihat pada Tabel i.
Suahati.
Nurrahman.
Rukmana
TABEL V
HASIL PELATIHAN JARINGAN
tersebut memenuhi target MSE 0.
0001 dengan jumlah iterasi .
94 pada proses pelatihan, sehingga jaringan tersebut dinyatakan sebagai arsitektur jaringan terbaik.
Arsitektur jaringan 12-81 dapat dilihat pada Gambar 3.
Arsitektur Jaringan No.
TABEL IV
POLA DATA INPUT 12
Output Gambar 3.
Arsitektur jaringan 12 Ae 8 - 1
MSE
Iterasi (Epoc.
Dari Gambar 3 dapat dilihat bahwa terdapat banyaknya neuron yang menghubungkan antar layer, yaitu layer input-hidden dan hidden-output.
Pada setiap neuron terjadi suatu pemrosesan.
Arsitektur jaringan tersebut nantinya akan dilanjutkan kepada proses pengujian.
Proses pengujian akan menggunakan parameter sesuai dengan arsitektur jaringan terbaik pada proses pelatihan yaitu pola data input 12, hidden neuron 8, dan output 1, dengan menggunakan fungsi aktivasi logsig-purelin, dan fungsi percepatan traingda Data input yang digunakan pada proses pengujian menggunakan sebagian data yang digunakan pada proses pelatihan untuk mengetahui apakah jaringan telah dapat mengenali pola dengan Proses pengujian dapat dilihat pada Tabel VI.
Proses denormalisasi mengubah data yang sebelumnya pada interval 0.
9 ke dalam rentang yang sebenarnya sesuai dengan data Hasil denormalisasi dapat hasil prediksi dapat dilihat pada Tabel VII.
TABEL VII
DENORMALISASI HASIL PENGUJIAN DAN PREDIKSI
Pengujia
TABEL VI
HASIL PENGUJIAN DAN PREDIKSI ARSITEKTUR JARINGAN
TERBAIK
Pengujia Prediksi Tahu Hasil Predik Data Aktu Selisi Error Prediksi Tahu Hasil Predi Data Aktu Selisi Error Dari Tabel VII dapat dilihat bahwa terdapat selisih antara prediksi yang dihasilkan oleh jaringan syaraf tiruan dengan data aktual yang telah dimiliki sebelumnya.
Besaran selisih antara hasil prediksi yang dihasilkan pada tahun 2013 sampai dengan 2020 bernilai sangat kecil sehingga nilai error berada di bawah nilai 0.
Hal ini membuktikan bahwa jaringan syaraf tiruan telah dapat mengenali pola yang diberikan pada saat pelatihan dan pengujian.
Setelah hasil pengujian membuktikan bahwa jaringan dapat mengenali pola dengan baik, maka selanjutnya arsitektur jaringan terbaik juga digunakan untuk memprediksi jumlah mahasiswa baru pada tahun berikutnya yaitu pada tahun 2021.
Proses prediksi juga dilakukan menggunakan software matlab.
Hasil prediksi jaringan syaraf tiruan untuk jumlah mahasiswa baru pada tahun 2021 dapat dilihat pada Tabel VII yaitu sebesar 115 Tabel VI merupakan hasil proses pengujian terhadap data input baru yang diberikan.
Karena jaringan terpilih menggunakan pola data input 12, yang berarti menggunakan data 12 tahun sebelumnya untuk memprediksi tahun yang akan datang, maka data tahun 2000Ae2011 dapat digunakan untuk memprediksi jumlah mahasiswa baru tahun 2012.
Oleh karena itu jaringan diuji untuk memprediksi jumlah mahasiswa mulai tahun 2012 Ae 2020 menggunakan data sejak tahun 2020.
Kemudian hasil prediksi akan dibandingkan dengan data aktual yang telah dimiliki.
Hasil prediksi dan nilai error merupakan nilai yang dikeluarkan langsung oleh software matlab.
Dari hasil pengujian pada Tabel VI tersebut dapat dilihat bahwa terdapat selisih antara hasil prediksi dengan data aktual.
Namun hasil dari pengujian dan prediksi yang dikeluarkan langsung oleh software matlab adalah data yang telah melalui proses normalisasi sehingga data perlu dikembalikan terlebih dahulu melalui proses IV.
PEMBAHASAN
Pada penelitian ini.
Jaringan Syaraf Tiruan (JST) digunakan sebagai metode untuk mengenali pola data historis dan memprediksi pola data yang akan datang.
Jaringan akan mempelajari data set .
ata histori.
yang diberikan dalam bentuk inputoutput untuk dapat memprediksi data berikutnya.
Sedangkan backpropagation diimplementasikan untuk mengevaluasi dan memodifikasi bobot yang digunakan dalam melatih jaringan untuk mengenali pola input dan output dengan baik.
Suahati.
Nurrahman.
Rukmana Proses penelitian dilakukan mulai dari pengumpulan data, data preprocessing, pelatihan arsitektur jaringan sampai dengan pengujian.
Berdasarkan penelitian yang telah dilakukan, ditemukan suatu arsitektur jaringan terbaik berdasarkan data input yang yang telah diberikan, yaitu data jumlah mahasiswa sejak tahun 2000 sampai dengan 2020.
Arsitektur jaringan terbaik menggunakan pola data input 12, hidden neuron 8, dan output 1, dengan menggunakan fungsi aktivasi logsig-purelin, dan fungsi percepatan traingda.
Jaringan tersebut dapat mencapai target MSE yang telah ditentukan yaitu 0.
0001 pada iterasi ke 94, yang mana lebih cepat dari arsitektur jaringan lain yang mencapai MSE sesuai target pada jumlah iterasi lebih dari 100, bahkan pada arsitektur jaringan lain tidak mencapai target MSE meskipun telah melalui batas maksimum iterasi yaitu 1000 Arsitektur selanjutnya diproses lebih lanjut ke tahap pengujian untuk mengetahui sejauh mana jaringan dapat mengenali input yang diberikan.
Input pada proses pengujian merupakan data yang diambil sebagian pada proses pelatihan.
Karena arsitektur menggunakan data 12 tahun sebelumnya maka pengujian dimulai dengan memprediksi jumlah mahasiswa baru pada tahun 2012 berdasarkan dengan data jumlah mahasiswa baru pada tahun Proses pengujian memprediksi jumlah mahasiswa baru pada tahun 2012-2020, serta tahun yang akan datang yaitu tahun 2021.
Hasil pengujian dibandingkan dengan data aktual nilai Berdasarkan hasil pengujian jaringan ditemukan bahwa terdapat error yang sangat kecil antara hasil prediksi dengan data aktual.
, nilai error terbesar hanya bernilai 0.
04 yakni hasil prediksi pada tahun 2015.
Berdasarkan nilai error yang sangat kecil dapat dikatakan bahwa jaringan syaraf tiruan telah dapat mengenali pola data dengan baik, sehingga dilanjutkan dengan proses forecasting untuk jumlah mahasiswa baru pada tahun berikutnya.
Hasil prediksi menggunakan jaringan syaraf tiruan Ae backprpagation yang dijalankan dengan software matlab menunjukkan bahwa jumlah mahasiswa baru pada tahun 2021 adalah sebanyak 115 Dengan mengetahui jumlah mahasiswa yang akan datang, pihak perguruan tinggi diharapkan dapat mempersiapkan aspek pendukung, baik akademis maupun non-akademis dengan lebih Beberapa aspek tersebut di antaranya adalah penentuan jumlah kelas dan dosen yang dibutuhkan, jadwal perkuliahan, sarana dan prasarana, serta strategi lebih lanjut untuk meningkatkan jumlah mahasiswa baru.
KESIMPULAN
Saat ini, data adalah salah satu aspek penting bagi suatu perguruan tinggi, karena mencakup banyak informasi baik terkait mahasiswa, dosen, publikasi ilmiah, tenaga kependidikan, dan banyak cakupan lainnya.
Pengolahan data yang tepat terhadap data yang dimiliki dapat membantu pihak pimpinan dan pengelola perguruan tinggi untuk mendapatkan informasi yang bermanfaat dan menentukan strategi ke depannya.
Penelitian ini berfokus pada data mahasiswa.
Hasil utama dari penelitian ini adalah algoritma jaringan syaraf tiruan yang dapat digunakan untuk mengenali pola jumlah mahasiswa baru.
Arsitektur terbaik yang ditemukan adalah dengan menggunakan pola data input 12, hidden neuron 8, dan output 1, dengan menggunakan fungsi aktivasi logsig-purelin.
Berdasarkan arsitektur jaringan tersebut, diprediksi jumlah mahasiswa di tahun yang akan datang yaitu 115 mahasiswa di tahun 2021.
Pengembangan penelitian yang akan datang diharapkan dapat menggali lebih dalam pemanfaatan data mahasiswa bagi suatu perguruan tinggi khususnya dalam bidang educational data mining (EDM).
UCAPAN TERIMA KASIH
Penelitian ini dapat dilaksanakan dengan baik dengan bantuan dan dukungan dari Lembaga Penelitian dan Pengabdian kepada Masyarakat (LPPM) Universitas Islam Bandung.
REFERENSI