Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 140-149
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik Analisis Metode Backpropagation Memprediksi Penerimaan Santri/Wati di Pondok Pesantren Modern Al-Kautsar Parta Wijaya1.
Rahmat Widiya Sembiring 2.
Saifullah3 1,3STIKOM Tunas Bangsa.
Pematangsiantar.
Sumatera Utara.
Indonesia 2AMIK Tunas Bangsa.
Pematangsiantar.
Sumatera Utara.
Indonesia Jln.
Sudirman Blok A No.
1-3 Pematangsiantar.
Sumatera Utara 1wparta28@gmail.
com, 3 saifullah@amiktunasbangsa.
Abstract The development of technology today with the existence of artificial intelligence, conducted research to prove the Backpropagation method can predict students / wati in the modern boarding school Al-Kautsar.
Artificial neural network is a method that is able to perform mathematical processes in predicting santri / wati.
Bacpropagation algorithm is used to process data that is implemented with Matlab.
Where data is collected through direct observation.
Data is grouped by The results obtained from the Matlab test performace and epoch values of each architecture are not the same as the results of the tests are displayed in the form of a graph comparing the target value with the research and testing process.
The results of this study provide information on the modern Al-Kautsar boarding school on the number of registrants in 2020.
Keywords: Backpropagation.
ANN.
Islamic Boarding School.
Matlab Abstrak Berkembangnya teknologi saat ini dengan adanya kecerdasan buatan maka dilakukan penelitian untuk membuktikan metode Backpropagation dapat memprediksi santri/wati pada pondok pesantren modern Al-Kautsar.
Jaringan saraf tiruan merupakan metode yang mampu melakukan proses matematis dalam memprediksi santri/wati.
Algoritma Bacpropagation digunakan untuk mengolah data yang di implementasikan dengan Matlab.
Dimana data dikumpulkan melalui observasi langsung.
Data di kelompokkan berdasarkan jurusan.
Hasil yang di dapat dari pengujian Matlab nilai performance dan epoch setiap arsitektur tidak sama hasil pegujiannya di tampilkan dalam bentuk grafik perbandingan nilai target dengan proses penelitian dan pengujian.
Dari hasil penelitian ini didapatkan bahwa jumlah pendaftar Santri/wati di Pondok pesantren Modern AlKautsar diprediksi mengalami kenaikan, dengan tingkat keakurasian 83,3 % dengan epoch 2447 iterasi dalam waktu 00.
16 detik adalah pengujian yang terbaik.
Kata kunci: Backpropagation.
JST.
Pesantren.
Matlab
PENDAHULUAN
Pesantren adalah sebuah pendidikan tradisional yang para siswanya tinggal bersama dan belajar di bawah bimbingan guru yang lebih dikenal dengan sebutan kiai dan mempunyai asrama untuk tempat menginap santri.
Jumlah pendaftar Santri/wati baru di pondok pesantren ini setiap tahunnya mengalami peningkatan dan penurunan, sehingga jumlah santri baru di pondok ini tidak stabil.
Untuk menangani hal itu akan lebih baik jika penyelenggara mampu melakukan antisipasi untuk meminimalisir kelemahan yang ada dengan membuat model prediksi untuk melakukan prediksi jumlah Santri/wati baru yang akan masuk.
Selain itu peramalan jumlah pendaftar Santri/wati baru sangat penting dilakukan untuk Analisis Backpropagation Memprediksi Penerimaan Santri/Wati (Parta Wijay.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 140-149
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik meningkatkan kulaitas dan strategi pemasaran yang baik sehingga jumlah pendaftar stabil dengan kuota yang ada.
Disini penulis menerapkan sebuah metode Backpropagation yang mana metode tersebut dapat dijadikan solusi dalam memprediksi jumlah pendaftarsantri/wati baru yang mendaftar di pondok pesantren modern AlKautsar, karena metode ini merupakan bagian dari pembelajaran terawasi yang biasanya di gunakan untuk lapisan menentukan bobot-bobot yang tehubung dengan neuron-neouron yang ada pada lapisan yang tersembunyi.
Yang mana metode Backpropagation tersebut akan di virtualsasikan ke dalam program matlab dan akan menghasilkan perhitungan yang valid.
Dari penjabaran diatas, yang menjadi latar belakang masalah darin penelitian ini adalah bagaimana jaringan saraf tiruan dengan Algoritma Backpropagation dalam membantu memprediksi jumlah calon pendaftar.
Berdasarkan uraian diatas penelitian ini diharapkan dapat membantu peneliti lainnya untuk membandingkan, menganalisa serta mengenmbangkan algoritma yang berkaitan maupun diluar penelitian ini.
Serta untuk mengetahui kekaurasian prediksi pendaftar baru pondok pesantren modern Al Ae Kautsar dan dapat membantu strategi pemasaran untuk meningkatkan pendaftar baru di pondok pesantren modern AlAeKautsar.
METODOLOGI PENELITIAN
Pengumpulan Data Data yang dilakukan dalam penelitian ini diambil dari Pondok Pesantren Modern Al-Kautsar Panei Tongah Simalungun Data yang penulis gunakan dalam penelitian ini adalah data yang diperoleh dari Pondok Pesantren Modern AlKautsar dari tahun 2014 - 2020.
Berikut ini merupakan data yang di peroleh dari Pondok Pesantren Modern Al-Kautsar.
Tabel 1.
Tabel Jumlah Pendaftar (Sumber : Pondok Pesantren Modern Al - Kautsa.
BULAN Madrasah Tsanawiyah Putri
Madrasah Tsanawiyah Putra
Madrasah Aliyah
IPA PUTRA
IPA PUTRI
IPS PUTRA
IPS PUTRI
NAHWU PUTRA
NAHWU PUTRI
ILMU SHOROF PUTRA
ILMU SHOROF PUTRI
KITAB KUNING PUTRA
KITAB KUNING PUTRI
Tahun Tahun Tahun Tahun Tahun Tahun Analisis Backpropagation Memprediksi Penerimaan Santri/Wati (Parta Wijay.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 140-149
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik Metode Penelitian Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan (JST) merupakan suatu sistem pemrosesan informasi yang mempunyai karakteristik menyerupai jaringan syaraf biologis (JSB) Jaringan Syaraf Tiruan tercipta sebagai suatu generalisasi model matematis dari pemahaman manusia .
uman cognitio.
JST berupa susuan sel Ae sel saraf tiruan .
dibangun berdsarkan prinsip Ae prinsip organisasi otak Salah satu metode yang digunakan dalam JST adalah Backpropagation.
Backpropagation Keunggulan utama dari sistem algoritma backpropagation adalah kemampuan AubelajarAy dari contoh yang diberikan.
Backpropagation merupakan algoritma pembelajaran yang terawasi dan biasanya digunakan oleh perceptron dengan banyak layar lapisan untuk mengubah bobot-bobot yang ada pada lapisan AuAlgoritma backpropagation adalah algoritma iteratif yang mudah dan sederhana yang biasanya berkinerja baik, bahkan dengan data yang kompleksAy .
HASIL DAN PEMBAHASAN
Perhitungan Menggunakan Backpropagation Dalam melakukan pelatihan dan pengujian hasil dari pengolahan data untuk memprediksi jumlah pendaftar baru sanri/wati baru di pondok pesantrean modern Al-Kautsar , maka pengolahan data tersebut juga akan diujikan ke dalam sistem komputerisasi.
Backpropagation terdiri dari n buah masukan.
itambah sebuah bia.
, sebuah layar tersembunyi yang terdiri dari p unit .
itambah sebuah bia.
, serta m buah unit keluaran.
Voj dan Wok masing-masing adalah bias untuk unit tersembunyi ke-j dan untuk output ke-k.
Bias Voj dan Wok berperilaku seperti bobot dimana output bias ini selalu sama dengan 1.
Dalam melakukan pengujian data, penulis menggunakan software Matlab R2011.
Langkah pertama yang harus dilakukan dalam menerapkan algoritma backpropagation untuk memprediksi jumlah pendaftar baru adalah membagi data yang akan diuji menjadi dua .
bagian, dimana bagian pertama adalah untuk data pelatihan (Tranin.
dan bagian kedua adalah untuk data pengujian (Testin.
Pada penelitian ini terdapat lima model arsitektur yang digunakan untuk pelatihan dan pengujian data yaitu model 3-2-1, 3-4-1, 3-5-1, 3-6-1, 3-9-1.
Pelatihan dan pengujian data dengan algoritma backpropagation pada tahap pertama ini menggunakan arsitektur jaringan 3-2-1.
Yang di maksud disini layer masukan menggunakan 3 Neuron, layer tersembunyi 2 serta 1 neuron keluaran.
Source code pelatihan backpropagation yang digunakan dengan aplikasi Matlab sebagai berikut:
>> net=newff.
inmax(P),.
,{'tansig','logsig'},'traingd').
Perintah ini digunakan untuk membentuk jaringan pada backpropagation yang mempunyai 2 neuron hidden dan 1 neuron target.
>> net.
IW.
Net.
IW.
bobot pertama yang digunakan untuk bobot hidden.
Analisis Backpropagation Memprediksi Penerimaan Santri/Wati (Parta Wijay.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 140-149
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik >> net.
Net.
bias yang digunakan untuk bias hidden.
>> net.
LW.
Net.
LW.
bobot kedua yang digunakan untuk bobot keluaran.
>> net.
Bias yang digunakan untuk bias keluaran.
>> net.
trainParam.
epochs=100000.
Perintah untuk menentukan jumlah iterasi .
maksimum pelatihan.
>> net.
trainParam.
goal = 0.
Perintah untuk menentukan batas MSE agar iterasi dihentikan .
>> net.
trainParam.
Lr = 0.
Perintah yang digunakan untuk menentukan learning rate.
>> net.
show = 1000.
Perintah yang digunakan untuk menampilkan frekuensi perubahan MSE.
>> net=train.
et,P,T) Perintah ini akan memunculkan jaringan hasil pelatihan.
>> .
,Pf,Af,e,Per.
=sim.
et,P,[],[],T) Perintah ini digunakan untuk melihat hasil yang dikeluarkan oleh jaringan.
Pelatihan dan pengujian Jaringan Syaraf Tiruan dengan arsitektur 3-2-1 dapat dilihat pada Gambar 1 dan 2 berikut :
Gambar 1.
Pelatihan Arsitektur Backpropagation Menggunakan 3-2-1 Berdasarkan Gambar 1 dapat dilihat bahwa model jaringan dengan arsitektur 3-2-1 menghasilkan epoch sebesar 1401 dalam waktu 00:53 detik.
Dapat dipahami untuk penjelasan simbol-simbolnya:
Simbol bA Menunjukkan nilai bias,.
Nilai bias ini mirip dengan nilai bobot hanya dengan nilai bobot hanya saja tidak dikalikan dengan input.
Analisis Backpropagation Memprediksi Penerimaan Santri/Wati (Parta Wijay.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 140-149
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik Tujuannya agar garis persamaan bisa lebih kompleks .
idak selalu melewati titik origi.
Semua nilai bobot w dan bias b awalnya dierikan nilai rndom dan diperbarui nilainya dengan proses backrop untuk meningkatkan kualitas .
N menunjukkan banyak neuron di layer sebelah kiri .
ayer inpu.
Simbol .
adalah simbol dari fungsi aktivasi.
Artinya setelah proses perkalian input dan bobot w lalu dilakukan penjumlahan semua, langkah selanjutnya adalah mengenai hasil perhitungan tersebut dengan fungsi Ada banyak fungsi aktivasi Gambar 2.
Best Training Performance Menggunakan Arsitektur 3-2-1 .
Pada Gambar 2 menunjukkan error goal (MSE) pada pelatihan ini sebesar 0,0018935 dicapai pada epoch yang ke 10000.
Berdasarkan uraian tersebut berikut akurasi data pelatihan arsitektur 3-21, dapat dilihat pada Tabel 2.
Tabel 2.
Akurasi Data Pelatihan (Tranin.
Arsitektur 3-2-1
Pola
Pola 1
Pola 2
Pola 3
Pola 4
Pola 5
Pola 6
Pola 7
Pola 8
Pola 9
Pola 10
Pola 11
Pola 12
Pola 13
Target
Output
0,44581
0,348638
0,39161
0,336187
0,55161
0,45103
0,68065
0,447498
0,66774
0,467694
0,10774
0,449119
0,44581
0,468188
0,47677
0,314061
0,62645
0,451464
0,36839
0,466493
0,18774
0,351085
0,21613
0,435732
0,16452
0,342279
Jumlah SEE
MSE
Error
0,09717
0,05543
0,10058
0,23315
0,20005
-0,34138
-0,02238
0,16271
0,17499
-0,09811
-0,16334
-0,21960
-0,17776
SSE
0,00944
0,00307
0,01012
0,05436
0,04002
0,11654
0,00050
0,02648
0,03062
0,00962
0,02668
0,04823
0,03160
0,37567
0,031306136
Analisis Backpropagation Memprediksi Penerimaan Santri/Wati (Parta Wijay.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 140-149
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik Pada Tabel 2 dapat di lihat akurasi dari data pelatihan arsitektur 3-2-1 yang telah di tentukan dengan menggunakan persamaan yang telah di tetapkan.
Terdapat pola 1 s/d 13 adalah pola yang dipakai dalam data pelatihan.
Nilai Target diperoleh dari tabel data pelatihan yang sudah dinornalisasi.
Nilai Output diperoleh dari rumus .
,Pf,Af,e,Perf ]=sim.
et,P,[],[],T) yang dimasukkan pada aplikasi Matlab dari input dan data target data pelatihan.
Nilai Error diperoleh dari : Target-Output.
SSE diperoleh dari : Error^2 (^: Pangka.
Jumlah SSE adalah total dari keseluruhan SSE.
MSE diperoleh dari : jumlah SSE / 12 .
umlah dat.
Berikut akurasi data pengujian arsitektur 3-2-1, dapat dilihat pada Tabel 3.
Tabel 3.
Akurasi Data Pengujian (Testin.
Arsitektur 3-2-1
Pola
Pola 1
Pola 2
Pola 3
Pola 4
Pola 5
Pola 6
Pola 7
Pola 8
Pola 9
Pola 10
Pola 11
Pola 12
Pola 13
Target
Output
0,36323
0,466851
0,44581
0,467937
0,41226
0,29118
0,43806
0,466349
0,40968
0,365691
0,73226
0,458206
0,87419
0,193931
0,61613
0,462714
0,42258
0,414231
0,38129
0,326612
0,62903
0,465282
0,42258
0,45688
0,47419
0,444791
Jumlah SEE
MSE
Error
-0,10363
-0,02213
0,12108
-0,02828
0,04399
0,27405
0,68026
0,15341
0,00835
0,05468
0,16375
-0,03430
0,02940
SSE
0,01074
0,00049
0,01466
0,00080
0,00193
0,07510
0,46276
0,02354
0,00007
0,00299
0,02681
0,00118
0,00086
0,62107
0,051755854
Hasil Pembahasan Dari model arsitektur 3-2-1 dapat diketahui bahwa tingkat akurasi Pengujian sebesar 50,7%.
Pola 1 s/d 12 adalah pola yang dipakai dalam data pengujian.
Nilai Target diperoleh dari tabel data engujian yang sudah dinormalisasi.
Nilai Output diperoleh dari rumus .
,Pf,Af,e,Per.
=sim.
et,P,[],[],T) yang dimasukkan pada aplikasi Matlab dari input dan target data pengujian.
Nilai Error diperoleh dari :
Target-Output.
SSE diperoleh dari : Error^2.
Jumlah SSE adalah total dari keseluruhan SSE.
MSE diperoleh dari : Jumlah SSE / 12 .
umlah dat.
Hasil bernilai 1 (Bena.
apabila nilai SSE <= 0,05 adalah target error dari pengujian Dan akurasi (%) diperoleh dari : Jumlah Benar / 12 * 100.
Dan begitu seterusnya untuk model 3-4-1, 3-5-1, 3-6-1, 3-9-1.
Selanjutnya semua data yang sudah diolah akan disimpulkan kembali agar mendapat model arsitektur terbaik.
Pada penelitian ini terdapat lima model arsitektur yaitu 3-2-1, 3-4-1, 3-5-1, 3-6-1, 3-9-1, dari ke 5 model tersebut dapat diperoleh satu model arsitektur terbaik.
Pada tahapan ini akan dilakukan pengamatan terhadap laju pembelajaran kinerja jaringan dengan parameter tingkat akurasi, waktu pembelajaran.
MSE selama proses pelatihan dan lamanya waktu iterasi (Epoc.
Dengan memakai arsitektur jaringan terbaik pada pelatihan, maka akan diamati laju pembelajaran Analisis Backpropagation Memprediksi Penerimaan Santri/Wati (Parta Wijay.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 140-149
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik terhadap kinerja jaringan.
Berdasarkan Tabel diatas dapat disimpulkan bahwa dalam melakukan proses pendaftar santri baru dengan menerapkan algoritma backpropagation yang menggunakan lima .
model arsitektur.
Dari kelima model arsitektur tersebut diperoleh satu .
model terbaik yaitu 3-9-1 dengan tingkat keakurasian 83,3 % dengan epoch 2447 iterasi dalam waktu 00.
16 detik.
Pada penelitian ini, model arsitektur terbaik akan diterapkan untuk proses prediksi terhadap jumlah pendaftar baru di Pondok Pesantren Modern Al-Kautsar.
Pada penelitian ini, tahap terakhir yang akan dilakukan adalah proses prediksi jumlah pendaftar santri/wati baru ditahun yang akan datang.
Setelah didapatkan model arsitektur terbaik dari algoritma Backpropagation, selanjutnya akan dilakukan proses prediksi.
Tahapan ini dilakukan dengan melakukan pengujian dengan menerapkan model arsitektur 3-9-1 menggunakan software Matlab R2011b, model ini digunakan untuk mengetahui seberapa akuratnya model arsitektur 3-9-1 dalam memperoleh suatu hasil yang diinginkan.
Dalam melakukan proses prediksi terhadap jumlah pendaftar baru santri/wati ditahun yang akan datang maka akan dilakukan pengolahan data dengan melakukan pengujian data secara komputerisasi.
Proses yang dilakukan sama dengan melakukan pelatihan terhadap data awal, namun dalam proses prediksi pengujian data yang dilakukan pada software Matlab R2011b menggunakan model arsitektur 3-9-1 untuk mengetahui seberapa besar keakuratan suatu model arsitektur terbaik yang diperoleh.
Dalam melakukan pengujian data untuk memperoleh hasil prediksi yang diinginkan menggunakan model arsitektur 3-9-1 terbaik yang diperoleh melalui langkah yang sudah dilakukan penulis menggunakan software Matlab R2011b.
Adapun hasil prediksi terhadap jumlah penduduk untuk tahun 2020 dapat dilihat pada Tabel 4.
Tabel 4.
Prediksi Pendaftar baru Tahun 2021
Data
Real
Prediksi 2021
Target
Target
Prediksi
0,418376064
0,406996256
0,358500431
0,491310184
0,492715298
0,205099626
0,673503235
0,756346283
0,664787031
0,458338267
0,195188415
0,41764975
0,489351245
0,386858827
0,321989802
0,455063146
0,421620213
0,369758186
0,408050899
0,457298819
0,258820894
0,468501998
0,322425668
0,495347589
0,341222892
0,410016522
Prediksi Pada Tabel 4.
dapat diihat hasil dari prediksi tahun 2020 adapun penjelasan dari tabel tersebut yaitu :
Analisis Backpropagation Memprediksi Penerimaan Santri/Wati (Parta Wijay.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 140-149
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik .
Data Real diperoleh dari data asli tahun terakhir .
Data Target diperoleh dari data testing yang sudah di normalisasi .
Data Target Prediksi diperoleh dari hasil pengujian menggunakan Software Matlab R2011b, adapun paramater pencarian data target prediksi sebagai berikut :
>>net=newff.
inmax(PP),.
{AotansigAo,AologsigA.
,AotraingdA.
>> net=IW.
>> net.
>> net.
LW.
>> net.
>> net.
trainParam.
epochs=100000.
>> net.
trainParam.
goal=0.
>> net.
trainParam.
Lr=0.
>> net.
trainParam.
show=1000.
>> net=train.
et,PP,TT) Setelah semua parameter selesai di input akan tampil proses pengujian prediksi pertama dengan model arsitektur 3-9-1 Gambar 3.
Pengujian Prediksi 2 Menggunakan Arsitektur 3-9-1 Dari Gambar 3 menunjukan bahwa hasil pengujian arsitektur 3-9-1 menghasilkan epoch sebesar 564 dengan lama waktu 00:13 detik.
Setelah proses pengujian selesai, selanjutnya untuk mendapatkan hasil target prediksi digunakan .
,Pf,Af,e,Per.
=sim.
et,PP,[],[],TT) Untuk mencari data prediksi digunakan rumus sebagai berikut :
( Xn - 0,.
A .
- .
Prediksi = .
0,8 a Analisis Backpropagation Memprediksi Penerimaan Santri/Wati (Parta Wijay.
Jurnal Riset Sistem Informasi Dan Teknik Informatika (JURASIK) Volume 6 Nomor 1 Februari, pp 140-149
ISSN: 2527-5771/EISSN: 2549-7839
https://tunasbangsa.
id/ejurnal/index.
php/jurasik Untuk mempermudah dalam memahami data yang diperoleh, maka penulis menyusun hasil prediksi dengan data awal menjadi satu kesatuan.
Pada penelitian ini, penulis melakukan prediksi dalam rentang waktu 2 tahun kedepan terhitung dari tahun 2019-2021.
Berdasarkan hasil prediksi yang diperoleh, jumlah blanko mengalami peningkatan disetiap tahunnya .
Namun dalam hal ini, hasil prediksi yang diperoleh menggunakan model arsitektur terbaik yang diperoleh yaitu model 3-9-1 dengan tingkat akurasi 91,7% dan epoch sebesar 564 iterasi dalam waktu 00:13 detik merupakan suatu hal yang masih merupakan prediksi yang dapat digunakan sebagai acuan atau tidak, dalam menerapkan suatu algoritma backpropagation untuk memprediksi jumlah blanko.
Dengan hasil prediksi yang sudah diperoleh dapat digunakan sebagai antisipasi untuk bahan motivasi dalam persediaan stok blanko pada kantor Badan Pertanahan Nasional Kota Pematangsiantar.
Berikut hasil akhir kesimpulan prediksi yang sudah diperoleh dengan menggunakan algoritma backpropagation dalam memprediksi jumlah pendaftar baru dalam rentang waktu 2 tahun ke depan terhitung dari tahun 20192021 dapat dilihat di Tabel 5.
Tabel 5.
Prediksi Jumlah Pendaftar Baru Santri 2 Tahun Ke Depan BULAN Madrasah Tsanawiyah Putri Madrasah Tsanawiyah Putra Madrasah Aliyah Ipa Putra Ipa Putri Ips Putra Ips Putri Nahwu Putra Nahwu Putri Ilmu Shorof Putra Ilmu Shorof Putri Kitab Kuning Putra Kitab Kuning Putri Tahun Tahun Tahun Tahun Tahun Tahun Tahun SIMPULAN Berdasarkan pembahasan sebelumnya dapat disimpulkan bahwa:
Penggunaan metode Backpropogation dapat di gunakan didalam prediksi jumlah pendaftar baru santri/wati yang mana memiliki data valid sehingga mendapatkan hasil yang seknifikat.
Hasil yang di dapat dari analisa metode Backpropogation dan virtualisasi mengunakan aplikasi matlab dapat di hasilkan dengan data yang valid.
Dan di simpulkan bahwa metode Backpropogation dapat di jadikan sebagai metode prediksi yang sangat memudahkan untuk mencari prediksi apapun.
DAFTAR PUSTAKA