Perbandingan Kinerja Jaringan Syaraf Tiruan Dan Fuzzy Inference System Untuk Prediksi Prestasi Peserta Didik

3. HASIL DAN PEMBAHASAN

3.1 Pengumpulan Data Data yang digunakan adalah data yang diambil dari peserta didik MAN Model Palangka

Raya berupa nilai UAS ketika SMP dan nilai raport ketika MA. Data peserta didik angkatan 2014/2015 ada sebanyak 234 peserta didik. Kemudian data dipilih dan disaring berdasarkan data peserta didik yang asal sekolahnya dari MTs dan peserta didik tersebut adalah peserta didik yang masuk pada semester satu. Setelah data disaring dan dipilih data yang diperoleh adalah sebanyak 105.

3.2 Pengolahan Data

Data yang telah dikumpulkan diuji dengan dua metode yaitu metode jaringan syaraf tiruan backpropagation dan fuzzy inference system metode mamdani. Pada backpropagation data input dibagi menjadi dua yaitu data latih sebesar 70% dan data uji sebesar 30% dari 105 data. Sebelum data dilatih dan diuji data terlebih dahulu dinormalisasi dalam range [0.1, 0.9] untuk normalisasi rumusnya dapat dilihat pada rumus (1). Data yang sudah dinormalisasi untuk

Title of manuscript is short and clear, implies research results (First Author)

24 ISSN: 2407-4322 training . Sedangkan untuk fuzzy inference system data input yang digunakan adalah data asli

yang dikalikan 10.

3.3 Proses Prediksi

3.3.1 Jaringan Syaraf Tiruan

A. Penentuan Node Input dan Output Node input yang digunakan dalam jaringan pelatihan dan pengujian ini berjumlah sebelas

buah node masukan yaitu nilai UAS ketika MTs dari sebelas mata pelajaran. Berikut rinciannya:

a. Node masukan

1. X 1 = Nilai mata pelajaran Qur’an Hadis

2. X 2 = Nilai mata pelajaran Akidah Akhlak

3. X 3 = Nilai mata pelajaran Fikih

4. X 4 = Nilai mata pelajaran Sejarah Kebudayaan Islam

5. X 5 = Nilai mata pelajaran Pendidikan Kewarganegaraan

6. X 6 = Nilai mata pelajaran Bahasa Indonesia

7. X 7 = Nilai mata pelajaran Bahasa Arab

8. X 8 = Nilai mata pelajaran Bahasa Inggris

9. X 9 = Nilai mata pelajaran Matematika

10. X 10 = Nilai mata pelajaran IPA

11. X 11 = Nilai mata pelajaran IPS

b. Node keluaran Sedangkan parameter output atau target yang digunakan dapat dilihat pada Tabel 1.

Tabel 1. Target Keluaran

Output Prediksi

Node Keluaran

Sangat Baik

Dari tabel diatas ditunjukkan bahwa untuk prediksi Sangat Baik maka node keluarannya = [1 1], untuk prediksi Baik node keluarannya = [1 0], untuk prediksi Cukup node keluarannya = [0 1], dan untuk prediksi Kurang node keluarannya = [0 0].

B. Penentuan Arsitektur Jaringan Arsitektur jaringan backpropagation yang digunakan dalam mencari struktur yang

optimal adalah dengan cara mengubah-ubah fungsi aktivasi dan mencari jumlah lapisan tersembunyi dan node lapisan tersembunyi yang paling optimal. Pada penelitian ini akan digunakan satu lapisan tersembunyi dengan 4 unit node. Arsitektur ini yang akan digunakan untuk mencari nilai optimal dari MSE, learning rate, dan momentum. Arsitekturnya dapat dilihat pada Gambar 2.

IJCCS Vol. x, No. x, July201x : first_page–end_page

Jatisi , Vol. 4 No. 1 September 2017 25

Gambar 2. Arsitektur Jaringan untuk Mencari Parameter Optimal

Berdasarkan gambar di atas arsitektur yang digunakan untuk penelitian ini menggunakan

11 node input, satu lapisan tersembunyi dengan 4 node dan 2 node lapisan output. Arsitektur tersebut digunakan untuk mencari parameter MSE, learning rate, dan momentum optimal. Setelah mendapatkan nilai parameter optimal, parameter tersebut kemudian digunakan untuk mencari node lapisan tersembunyi yang paling optimal.

Sementara itu, untuk penentuan fungsi aktivasi yang optimal dilakukan dengan mengubah-ubah fungsi aktivasi pada lapisan input ke lapisan tersembunyi dan lapisan tersembunyi ke output dengan menggunakan fungsi aktivasi sigmoid biner (logsig), sigmoid bipolar (tansig), dan linear (purelin) yang diubah-ubah. Arsitektur yang akan digunakan adalah satu lapisan tersembunyi dengan 4 unit node hidden layer, MSE = 0,001; learning rate = 0,1; momentum = 0,4 dan epoch = 1000 sebagai parameter. Hasil percobaan dapat dilihat pada Tabel

Tabel 2. Penentuan Fungsi Aktivasi

Fungsi Aktivasi

Dikenali

Presentase

Epoch MSE

Validasi (Akhir) (Akhir)

Logsig, Logsig

17 9,33E-10 Tansig, Logsig

26 6,04E-10 Purelin, Logsig

17 4,00E-02 Logsig, Tansig

81 1,65E-13 Tansig, Tansig

38 2,43E-14 Purelin, Tansig

28 7,74E-02 Logsig, Purelin

22 1,12E-13 Tansig, Purelin

19 1,06E-13 Purelin, Purelin

Pada tabel di atas ditampilkan kombinasi dari tiga fungsi aktivasi. Berdasarkan training dan validas, fungsi aktivasi optimal pada lapisan input ke lapisan tersembunyi adalah fungsi aktivasi tansig sedangkan untuk lapisan tersembunyi ke output adalah fungsi aktivasi logsig, karena dari hasil pengujian yang dilakukan presentase pengenalannya 100% dan paling stabil ketika setiap kali dilakukan pengujian. Walaupun MSE akhirnya tidak terlalu kecil jika dibandingkan dengan kombinasi fungsi aktivasi logsig-tansig, tansig-tansig, logsig-purelin, dan tansig-purelin .

A. Penentuan MSE (Mean Square Error) Penentuan MSE paling optimal, menggunakan jaringan yang memiliki 1 lapisan tersembunyi dengan 3 node. Pengujian dilakukan dengan mengubah parameter MSE dan untuk parameter lainnya dibuat dengan rincian learning rate = 0,1; momentum = 0,4 dan epoch = 10000. Hasil percobaan dapat dilihat pada Tabel 3

Title of manuscript is short and clear, implies research results (First Author)

26 ISSN: 2407-4322

Tabel 3. Penentuan MSE (Mean Square Error)

Epoch MSE

Berdasarkan tabel, hasil pengujian data untuk menentukan MSE optimal didapatkan pengenalan sebesar 100% untuk semua MSE yang telah diuji yaitu dengan nilai MSE = 0,1; 0,01; 0,001; 0,0001; dan 0,00001. Kemudian MSE = 0,0001 yang dipilih untuk dijadikan MSE optimal karena memiliki epoch terkecil yaitu 10 epoch.

B. Penentuan Learning Rate Penentuan learning rate optimal menggunakan jaringan yang memiliki satu lapisan tersembunyi dengan 4 node. Pengujian ini dilakukan dengan mengubah-ubah parameter learning rate dan untuk nilai parameter-parameternya dibuat dengan rincian MSE = 0,0001; momentum = 0,4; dan epoch = 1000. Hasil percobaan dapat dilihat dalam Tabel 4

Tabel 4. Penentuan Learning Rate

Learning

MSE rate Uji Validasi Uji

Berdasarkan tabel diatas, learning rate optimal yang baik yaitu learning rate = 0,9; dengan MSE akhir paling kecil yaitu 3,86E-10. Pengujian ini menggunakan enam nilai yang berbeda-beda yaitu 0,1; 0,3; 0,6; 0,9; 0,01; dan 0,05; semua data tersebut memiliki presentase keberhasilan 100% tetapi untuk MSE akhirnya tinggi jika dibandingkan dengan learning rate = 0,9.

C. Penentuan Momentum Penentuan momentum paling optimal dilakukan dengan mengubah-ubah parameter momentum. Pengujian ini menggunakan jaringan yang memiliki 1 lapisan tersembunyi dengan

4 node dan untuk parameter lainnya dibuat tetap dengan pengujian sebelumnya yaitu: MSE = 0,0001; learning rate; 0,9; dan epoch = 1000. Hasil percobaan dapat dilihat dalam Tabel 5.

IJCCS Vol. x, No. x, July201x : first_page–end_page

Jatisi , Vol. 4 No. 1 September 2017 27

Tabel 5. Penentuan Momentum

Validasi Uji

Validasi (Akhir)

Berdasarkan pengujian yang dilakukan, semua nilai momentum menghasilkan presentase 100% untuk nilai momentum = 0,4; 0,7; 0,9; 0,2; 0,07; 0,3; dan 0,5; tapi jika dilihat dari hasil MSE akhirnya maka momentum dengan nilai 0,4 yang mempunyai nilai MSE akhir paling kecil yaitu dengan nilai 3,86E-10.

Setelah nilai optimal MSE, learning rate, dan momentum didapatkan maka langkah selanjutnya adalah mencoba menguji ke beberapa node lapisan tersembunyi yang berbeda. untuk hasilnya pengujiannya dapat dilihat pada Tabel 6.

Tabel 6. Penentuan Node Lapisan Tersembunyi

Node Lapisan

Epoch MSE Tersembunyi

Dikenali

Presentase

Uji Validasi

Uji

Validasi (Akhir) (Akhir)

Pada tabel diatas pengujian pada node hidden layer 2, 3, 4, 5, 6, dan 7 menghasilkan presentasi uji dan validasi sebesar 100%. Namun yang membedakannya adalah epoch akhir dan MSE akhir yang diperoleh. Untuk node hidden layer 2 MSE akhir yang diperoleh adalah 1,04E-

09, node hidden layer 3 MSE akhirnya adalah 9,07E-10, node hidden layer 4 MSE akhirnya adalah 3,86E-10, node hidden layer 5 MSE akhirnya adalah 1,20E-09, node hidden layer 6 MSE akhirnya adalah 8,01E-10, dan untuk node hidden layer 7 MSE akhirnya adalah 1,79E-09. Untuk melihat grafik MSE akhir masing-masing node hidden layer dapat dilihat pada Gambar 3.

Grafik M SE Akhir pada beberapa Node

Hidden Layer

2,00E-09 1,50E-09 1,00E-09 5,00E-10

0,00E+00 2 3 4 5 6 7

Grafik M SE Akhir pada beberapa Node Hidden Layer

Gambar 3. Grafik MSE Akhir pada Beberapa Node Hidden Layer

Title of manuscript is short and clear, implies research results (First Author)

28 ISSN: 2407-4322 Berdasarkan grafik pada Gambar 4.2 dapat dilihat bahwa pada node hidden layer 4

memiliki MSE akhir paling rendah. Kemudian diposisi kedua dengan node 6 hidden layer. Diposisi ketiga dengen node hidden layer 3. Keempat terendah dengen node hidden layer 5 dan node hidden layer 2 dan 7 ada diposisi kelima dan keenam. Berdasarkan pelatihan dan pengujian yang telah dilakukan menggunakan Matlab berikut tampilan sourcecode metode backpropagation yang akan ditunjukkan pada Gambar 4.

Gambar 4. Sourcode Matlab Backpropagation

3.3.2. Fuzzy Inference System Sistem fuzzy yang digunakan dalam penelitian ini menggunakan metode mamdani model kurva lonceng sebagai input dan outputnya. Detail sistem fuzzy yang digunakan dalam penelitian ini adalah sebagai berikut:

a. Mesin inferensi yang digunakan adalah metode Mamdani.

b. Input terdiri dari 11 variabel, yaitu dari 11 mata pelajaran

c. Output terdiri dari 1 variabel yaitu nilai prediksi prestasi

d. Fungsi implikasi yang digunakan metode Min.

e. Komposisi aturan yang digunakan adalah metode Max.

f. Defuzzifikasi yang digunakan adalah metode centroid.

A. Penentuan Variabel Variabel yang digunakan dalam penelitian ini menggunakan sebelas variabel input dan satu variabel output. Variabel yang digunakan dapat dilihat pada Tabel 7.

Tabel 7. Penentuan Variabel

Fungsi Nama

Semesta

Keterangan

Variabel Pembicaraan

Input QH

Nilai dari mata pelajaran Qur’an Hadis AK

Nilai dari mata pelajaran Akidah Akhlak FQ

Nilai dari mata pelajaran Fikih

Nilai dari mata pelajaran Sejarah Kebudayaan Islam PKn

Nilai dari mata pelajaran Pendidikan Kewarganegaraan

B.IND

Nilai dari mata pelajaran Bahasa Indonesia B.ARB

Nilai dari mata pelajaran Bahasa Arab B.ING

Nilai dari mata pelajaran Bahasa Inggris MTK

Nilai dari mata pelajaran Matematika IPA

Nilai dari mata pelajaran IPA

IPS

Nilai dari mata pelajaran IPS

Output Prediksi

Nilai prediksi prestasi

IJCCS Vol. x, No. x, July201x : first_page–end_page

Jatisi , Vol. 4 No. 1 September 2017 29

Pada Tabel diatas dapat dilihat untuk variabel QH, AK, FK, SKI, PKn, B.IND, B.ARB, B.ING, MTK, IPA, dan IPS menggunakan semesta pembicaraan dalam range [0 100]. Sama halnya dengan outputnya yaitu prediksi prestasi menggunakan range [0 100]. Berikut akan disajikan model sistem fuzzy inferensi metode mamdani yang digunakan dalam penelitian ini. Gambar dapat dilihat pada Gambar 5.

Gambar 5. Contoh Model Sistem Fuzzy

Gambar diatas menunjukkan sebelas variabel input dengan nama variabel QH, AK, FK, SKI, PKn, B.IND, B.ARB, B.ING, MTK, IPA, dan IPS dan untuk variabel ouput dengan nama prediksi.

B. Penentuan Himpunan Fuzzy Himpunan fuzzy yang digunakan dalam pengujian sistem inferensi fuzzy metode mamdani mengacu pada UUD Menteri Pendidikan dan Kebudayaan RI [7]. Himpunan fuzzy untuk tiap variabel dapat dilihat pada Tabel 8.

Tabel 8. Penentuan Himpunan Fuzzy

Variabel

Nama Himpunan

Domain

QH, AK, FK, SKI, Rendah

PKn, B.IND, B.ARB, Sedang [40 58 77 75] B.ING, MTK, IPA, Tinggi

[60 75 77 90] IPS

Sangat Tinggi

Sangat Baik

Pada Tabel diatas ada empat himpunan untuk masing-masing variabel. Pada variabel input semua range nilai sama di keempat himpunannya yaitu Rendah [0 55], Sedang [40 58 77 75], Tinggi [60 75 77 90], dan Sangat Tinggi [75 100]. Sedangkan untuk variabel output nilai

Title of manuscript is short and clear, implies research results (First Author)

30 ISSN: 2407-4322 keempat himpunannya adalah Kurang [0 55], Cukup [55 63 64 70], Baik [70 77 78 85], dan

Sangat Baik [85 100]. Semua varibel input dan variabel output menggunakan representasi kurva lonceng. Untuk variabel kurva lonceng pada variabel input dapat dilihat pada Gambar 6a dan untuk kurva variabel output dapat dilihat pada Gambar 6b.

(a) (b)

Gambar 6. (a) Representasi Kurva Variabel Input (b) Representasi Kurva Variabel Output

Gambar 6 (a) adalah salah satu variabel dari variabel input yaitu variabel QH. Untuk himpunan Rendah dan Sangat tinggi menggunakan kurva S. Sedangkan untuk himpunan Sedang dan Tinggi menggunakan kurva PI. Sedangkan gambar 6 (b) adalah gambar variabel dari variabel output yaitu variabel Prediksi. Untuk himpunan Kurang dan Sangat Baik menggunakan kurva S. Sedangkan untuk himpunan Cukup dan Baik menggunakan kurva PI.

C. Penentuan Rule Penentuan rule ini dibuat berdasarkan data dan berdasarkan dari arahan guru di MAN

Model Palangka Raya selain penulis juga menambahkan beberapa rule yang kurang. Rule-rule untuk fuzzy inference system metode mamdani ini memiliki 161 rule, dengan 25 rule untuk prediksi Sangat Baik, 81 rule untuk prediksi Baik, 45 rule untuk prediksi Cukup dan 10 rule untuk prediksi Kurang. Berikut akan ditampilkan beberapa rule-rule yang digunakan dalam fuzzy inference system metode mamdani:

1. If (QH is Sangat_Tinggi) and (AK is Sangat_Tinggi) and (FK is Sangat Tinggi) and (SKI is

Sangat_Tinggi) and (PKn is Sangat_Tinggi) and (B.Ind is Sangat_Tinggi) and (B.ARB is Sangat Tinggi) and (B.ING is Sangat_Tinggi) and (MTK is Sangat Tinggi) and (IPA is Sangat Tinggi) and (IPS is Sangat Tinggi) then (Prediksi is Sangat_Baik) (1)

2. If (QH is Sangat_Tinggi) and (AK is Sangat_Tinggi) and (FK is Tinggi) and (SKI is

Tinggi) and (PKn is Sangat_Tinggi) and (B.Ind is Sangat_Tinggi) and (B.ARB is Sangat Tinggi) and (B.ING is Sangat_Tinggi) and (MTK is Sangat Tinggi) and (IPA is Sangat Tinggi) and (IPS is Sangat Tinggi) then (Prediksi is Sangat_Baik) (1)

3. If (QH is Sangat_Tinggi) and (AK is Sangat_Tinggi) and (FK is Tinggi) and (SKI is

Tinggi) and (PKn is Sangat_Tinggi) and (B.Ind is Sangat_Tinggi) and (B.ARB is Sangat Tinggi) and (B.ING is Sangat_Tinggi) and (MTK is Sangat Tinggi) and (IPA is Tinggi) and (IPS is Sangat Tinggi) then (Prediksi is Sangat_Baik) (1)

4. If (QH is Sangat_Tinggi) and (AK is Sangat_Tinggi) and (FK is Tinggi) and (SKI is

Tinggi) and (PKn is Sangat_Tinggi) and (B.Ind is Sangat_Tinggi) and (B.ARB is Tinggi) and (B.ING is Sangat_Tinggi) and (MTK is Sangat Tinggi) and (IPA is Sangat Tinggi) and (IPS is Sangat Tinggi) then (Prediksi is Sangat_Baik) (1)

IJCCS Vol. x, No. x, July201x : first_page–end_page

Jatisi , Vol. 4 No. 1 September 2017 31

3.4. Hasil Prediksi

3.4.1. Prediksi dengan Backpropagation Dari hasil penelitian yang telah dilakukan berikut akan ditampilkan struktur dari jaringan syaraf tiruan backpropagation dengan rincian yang dapat dilihat pada Tabel 9.

Tabel 9. Struktur Backpropagation yang Dimodelkan

1 lapisan tersembunyi

Node Input

11 node input

Node Tersembunyi

Node output

2 node

Fungsi Aktivasi lapisan input ke lapisan tersembunyi adalah fungsi aktivasi tansig, lapisan tersembunyi ke output adalah fungsi aktivasi logsig

MSE

0,0001 Learning rate 0,9

Momentum

Jumlah Epoch

Data training 70%

Data pengujian 30%

Pada Tabel diatas dapat dilihat untuk arsitektur yang digunakan adalah 1 lapisan tersembunyi, 11 node input, node hidden layer menggunakan 2, 3, 4, 5, 6, dan 7 node hidden layer. Untuk node output menggunakan 2 node. Fungsi aktifasi yang digunakan pada lapisan input ke lapisan tersembunyi adalah fungsi aktivasi tansig sedangkan untuk lapisan tersembunyi ke output adalah fungsi aktivasi logsig. MSE yang digunakan 0,0001; learning rate = 0,0; momentum = 0,4. Jumlah epoch yang digunakan pada saat pelatihan adalah 1000. Data training yang digunakan sebanyak 75 dan data pengujian yang digunakan sebanyak 30.

3.4.2. Prediksi dengan Metode Mamdani Pada pengujian fuzzy inference system metode mamdani menghasilkan presentase keberhasilan sebesar 83,8% hasil ini didapat dari banyaknya data yang dikenali (berhasil) dibagi dengan jumlah data keseluruhan dikali 100%. Data pengujian yang tidak sesuai dengan data asli ada sebanyak 17 dan data pengujian yang berhasil dikenali sesuai dengan data ada sebanyak

88 data. Untuk grafik perbandingan data yang sesuai dan data yang tidak sesuai dapat dilihat pada Gambar 7.

Sangat Baik

Dat a Asli

Dat a yang t idak Sesuai

Gambar 7. Perbandingan Data Asli dan Data yang Tidak Dikenali

Title of manuscript is short and clear, implies research results (First Author)

32 ISSN: 2407-4322 Berdasarkan grafik pada Gambar 7 dapat dilihat perbandingan data asli dan data yang

tidak sesuai ketika dilakukan pengujian fuzzy inference system yaitu untuk data Sangat Baik data aslinya sebanyak 8 dan data yang tidak sesuai tidak ada. Untuk data Baik, data asli sebanyak 81 dan data yang tidak sesuai sebanyak 2. Untuk data Cukup, data asli sebanyak 16 dan data yang tidak sesuai sebanyak 15. Untuk data Kurang data aslinya tidak ada dan data yang tidak sesuai sebanyak 1.

3.5. Hasil Perbandingan Dari hasil pengujian yang telah dilakukan pada kedua metode yitu metode jaringan syaraf tiruan backpropagation dan fuzzy inference system metode mamdani akan disajikan dalam bentuk diagram batang pada Gambar 8 berikut.

Hasil Perbandingan Pengujian dua met ode

Jaringan Syaraf Tiruan Backpropagat ion Fuzzy Inference Syst em M et ode M amdani

Gambar 8. Hasil Perbandingan Pengujian Dua Metode

Berdasarkan grafik pada Gambar 8 dapat disimpulkan hasil dari pengujian perbandingan metode dalam hal prediksi yang disajikan dalam bentuk presentase yaitu untuk jaringan syaraf tiruan backpropagation menghasilkan presentase 100%, baik dalam data latih dan juga data uji. Sedangkan untuk fuzzy inference system metode mamdani menghasilkan presentase sebanyak 83,8% pada pengujian sistem.

Perbandingan lain dalam proses pengujiannya adalah pada jaringan syaraf tiruan backpropagation harus melakukan dua proses yaitu pelatihan dengan data latih dan data uji. Data latih digunakan untuk mencari fungsi aktivasi, nilai parameter MSE, learning rate, dan momentum yang optimal. Selain itu, pada proses ini juga dapat diketahui apakah data itu stabil atau sesuai dengan target yang ditentukan. Setelah arsitektur dan nilai parameter optimal didapat kemudian dilanjutkan pada proses kedua yaitu pengujian pada data uji. Pengujian pada data uji ini dilakukan untuk melihat apakah arsitektur dan parameter yang didapat dari data latih bisa mengenali data uji.

Sedangkan pada fuzzy inference system metode mamdani proses yang dilakukan adalah menentukan variabel input dan ouput, menentukan himpunan fuzzy, menentukan fungsi keanggotaan, dan menentukan rule. Dalam penentuannya harus berdasarkan pemilihan yang sudah diperhitungkan dan aturan yang telah diberlakukan untuk menentukannya. Untuk tahapan pengujiannya yaitu dengan memasukkan data dan hasil yang keluar berupa angka. Perlu diperhatikan bahwa pada penentuan rule (aturan) ini merupakan otak dari fuzzy inference system metode mamdani. Semakin baik dan bagus rulenya maka semakin akurat hasilnya.

IJCCS Vol. x, No. x, July201x : first_page–end_page

Jatisi , Vol. 4 No. 1 September 2017 33

4. KESIMPULAN

Dari penelitian yang telah dilakukan maka dapat diambil kesimpulan sebagai berikut:

a. Hasil prediksi prestasi peserta didik menggunakan jaringan syaraf tiruan backpropagation didapatkan arsitektur optimal dengan fungsi aktivasi lapisan input ke lapisan tersembunyi sigmaid bipolar (tansig), lapisan tersembunyi ke output sigmoid biner (logsig) nilai parameter MSE = 0,0001; learning rate = 0,9; dan momentum = 0,4 menghasilkan presentase keberhasilan pengenalan sebesar 100%, tetapi arsitektur yang menghasilkan MSE terendah dengan nilai 3,86E-10 adalah arsitektur dengan satu lapisan tersembunyi yang memiliki node sebanyak 4 unit node.

b. Sistem Inferensi fuzzy menggunakan metode mamdani dengan sebelas variabel input dan satu variabel output, empat himpunan fuzzy yang digunakan untuk semua variabel, fungsi keanggotaan menggunakan representasi model kurva S dan kurva lonceng PI dan aturan yang digunakan sebanyak 161 aturan didapatkan presentase pengenalan sebesar 83,8% untuk prediksi prestasi peserta didik. Sebagian besar data yang tidak dikenali adalah data yang masuk dalam prediksi Cukup.

c. Berdasarkan data yang diperoleh dan yang telah diuji dalam penelitian ini presentase prediksi prestasi peserta didik pada jaringan syaraf tiruan backpropagation menghasilkan presentase training dari sebesar 100% dan presentase pengujian sebesar 100%, sedangkan untuk prediksi prestasi peserta didik pada fuzzy inference system metode mamdani dengan menggunakan representasi kurva lonceng menghasilkan presentase sebesar 83,8%.

5. SARAN

Penelitian yang telah dilakukan oleh penulis masih banyak terdapat kekurangan dan kelemahan. Oleh karena itu, peneliti perlu memberikan saran untuk penelitian selanjutnya jika diperlukan sebagai berikut:

a. Penggunaan fitur dengan fitur lain misalnya pembuatan aplikasi dengan berbasis OOP.

b. Penambahan variabel yang lebih bervariasi seperti nilai tes bakat, gaji orang tua, jumlah tanggungan orang tua, tempat tinggal, dan lain-lain.

c. Penggunaan parameter dan arsitektur yang lebih variatif.

Penggunaan metode lain selain backpropagation dan fis metode mamdani untuk kasus serupa.

DAFTAR PUSTAKA

[1] Sayekti, I 2013, Pengujian Model Jaringan Syaraf Tiruan untuk Kualifikasi Calon Mahasiswa Baru Program Bidik Misi , JTET, No.1, Vol.2 ,55-60.

[2] Assegaf, Y. N., & Estri, M. N 2012, Aplikasi Fuzzy Inference System Metode Mamdani untuk Rekomendasi Pemilihan Bidang Kajian pada Mahasiswa Program Studi Matematika UNSOED JMP, No.2, Vol.4, 253-264.

[3] Kaswidjanti, W., Aribowo, A. S., & Wicaksono, C. B 2014, Implementasi Fuzzy Inference System Metode Tsukamoto pada Pengambilan Keputusan Pemberian Kredit Pemilikan Rumah, Telematika , No.2, Vol.10, 137-146.

[4] Fitriyani, I 2014, Studi Komparasi Kinerja Jaringan Saraf Tiruan dan Fuzzy untuk Pengenalan Jenis Bungan Berdasarkan Fitur Warna, Skripsi, Fakultas Sains dan Teknologi, Program Studi Teknik Informatika,UIN Sunan Kalijaga, Yogyakarta.

Title of manuscript is short and clear, implies research results (First Author)

34 ISSN: 2407-4322

[5] Drs. Jong Jek Siang, M 2004, Jaringan Syaraf Tiruan & Pemprogramannya Menggunakan MATLAB, Andi, Yogyakarta.

[6] UUD Menteri Pendidikan dan Kebudayaan RI 2015, Peraturan Menteri Pendidikan dan Kebudayaan RI Nomor 5 Tahun 2015 Pasal 6 Ayat 1.

[7] Yunanti, F 2012, Aplikasi Jaringan Syaraf Tiruan untuk Memprediksi Prestasi Siswa SMU dengan Metode Backpropagation, Skripsi, Fakultas Sains dan Teknologi , Program Studi Matematika, UIN Sunan Kalijaga, Yogyakarta.

IJCCS Vol. x, No. x, July201x : first_page–end_page

Jatisi , Vol. 4 No. 1 September 2017