4. HASIL DAN PEMBAHASAN
4.1 Praproses Data
Praproses data yang dilakukan pada penelitian ini adalah pembersihan data, analisa relevansi dan tranformasi data Han Kember 2001. Pembersihan data
dilakukan untuk menghilangkan noise akibat data yang hilang atau tidak lengkap, dengan menggantinya dengan nilai yang paling umum muncul untuk data tersebut
atau dengan nilai yang paling mungkin muncul secara statistik. Analisa relevansi dilakukan untuk menghilangkan atribut yang redundant dan tidak relevan dengan
penelitian. Transformasi data yang dilakukan pada penelitian ini adalah untuk data target yang bersifat kategorikal, dengan menggunakan metode Unary Encoding,
dimana data target dipresentasikan dengan kombinasi angka 0 dan 1 numerical binary variable. Berdasarkan data kategori targetnya maka dalam penelitian ini,
seluruh proses pembelajaran, pengujian hingga prediksi akan dibedakan ke dalam 2 dua model, yaitu Model Prediksi Lama Studi MPLS dan Model Prediksi
Indeks Prestasi Kumulatif MPIPK. Berikut adalah praproses transformasi unary encoding yang dibedakan ke dalam 2 dua model prediksi :
1. Model Prediksi Lama Studi MPLS, variabel target memiliki 2 dua kategori
yaitu kategori „Melebihi Batas Studi‟ dan „Tepat Waktu‟. Praproses unary encoding atau numerical binary variable dikenakan pada variabel ini dengan
kategori „10‟ untuk „Melebihi Batas Studi‟ dan kategori „01‟ untuk „Tepat Waktu
‟. 2.
Model Prediksi IPK MPIPK, variabel output memiliki 3 tiga kategori yaitu kategori „Terpuji‟, „Sangat Memuaskan dan „Memuaskan. Praproses unary
encoding atau numerical binary variable dikenakan pada variabel ini dengan kategori
„100‟ untuk „Terpuji‟, kategori „010‟ untuk „Sangat Memuaskan‟ dan kategori
„001‟ untuk „Memuaskan‟.
4.2 Pembentukan Model JST
Jaringan Saraf Tiruan dibangun berdasarkan struktur JST pada Tabel 8. Proses pembelajaran dan pengujian menghasilkan informasi waktu pembelajaran
dan MSE dengan variasi laju pembelajaran dan jumlah hidden-node, dimana proses pembelajaran maupun pengujian dibedakan berdasarkan model prediksi
kelompok data dan fungsi pelatihan. Hal ini dimaksudkan untuk membandingkan kinerja dari ketiga fungsi pelatihan yang digunakan, untuk menguji apakah tingkat
generalisasi pada data pengujian benar dapat ditingkatkan dengan adanya teknik perbaikan algoritma pelatihan yang lebih cepat. Fungsi pelatihan yang digunakan
adalah algoritma pelatihan dengan perbaikan teknik heuristik resilent backpropagation dan perbaikan dengan teknik optimasi, yakni fungsi pelatihan
scaled conjugate gradient dan levenberg-marquardt. a.
Model Prediksi Lama Studi MPLS Percobaan pada kelompok data pertama dengan menggunakan fungsi
pelatihan resilent backpropagation disajikan oleh Tabel 5. Tabel 5 Kelompok data pertama MPLS dengan fungsi pelatihan resilent
backpropagation
Pembelajaran Pengujian
Laju Pembelajaran
Hidden Node
Waktu detik
MSE Data Validasi
Data Testing
0.01 5
5.5 0.000981795
75.76 60.61
10 3.27
0.0084304 45.45
51.51 15
3.42 0.00528705
51.51 54.54
0.05 5
5 0.00201312
69.70 66.67
10 4.17
0.0050627 51.51
60.61 15
2.7 0.0224537
33.33 39.39
0.1 5
3.44 0.00467662
60.61 60.61
10 4.69
0.000995264 51.51
51.51 15
2.14 0.0170291
45.45 51.51
0.5 5
3.47 0.00233313
54.54 54.54
10 7.47
0.00157674 30.30
51.51 15
2.03 0.0266991
36.36 36.36
Dari hasil pembelajaran pada kelompok data pertama dengan menggunakan fungsi pelatihan dengan perbaikan teknik heuristik resilent backpropagation
diperoleh bahwa waktu pembelajaran tercepat dan terlama berada pada laju pembelajaran 0.5. Waktu pembelajaran tercepat mencapai 2.03 detik dengan
jumlah hidden-node 15 dan waktu pembelajaran terlama 7.47 detik dengan jumlah hidden-node 10. Nilai MSE terkecil adalah 0.000981795, berada pada laju
pembelajaraan 0.01 dengan jumlah hidden-node 5. Hasil pengujian menghasilkan tingkat generalisasi untuk data validasi sebesar 75.76 pada laju pembelajaran
0.01 dan jumlah hidden-node 5. Generalisasi tertinggi dari data validasi menunjukkan nilai MSE yang terkecil. Pengujian terhadap data testing
menghasilkan tingkat generalisasi tertinggi sebesar 66.67. Percobaan pada kelompok data pertama dengan menggunakan fungsi
pelatihan dengan perbaikan teknik optimasi scaled conjugate gradient disajikan oleh Tabel 6.
Tabel 6 Kelompok data pertama MPLS dengan fungsi pelatihan scaled conjugate gradient
Pembelajaran Pengujian
Laju Pembelajaran
Hidden Node
Waktu detik
MSE Data Validasi
Data Testing
0.01 5
1.06 0.0171054
57.58 51.51
10 2.12
0.00125428 63.64
60.61 15
3.23 0.00175574
54.54 36.36
0.05 5
2.97 0.000976242
84.85 57.58
10 1.61
0.0035592 69.7
75.76 15
4.05 0.00424903
57.58 60.61
0.1 5
1.42 0.00127568
78.79 75.76
10 3
0..0338459 63.64
57.58 15
2.84 0.00234222
51.51 63.64
0.5 5
2.14 0.000944155
87.88 72.73
10 2.83
0.000986775 75.76
63.64 15
3.92 0.00205748
42.42 42.42
Hasil percobaan pada Tabel 6 menunjukkan bahwa waktu pembelajaran tercepat yang dicapai pada percobaan ini mengalami penurunan dari waktu
pembelajaran pada proses pembelajaran dari percobaan dengan menggunakan variasi fungsi pelatihan resilent backpropagation, yang tadinya 2.03 detik
menurun menjadi 1.06 detik, hal ini dapat dikatakan JST dapat menyelesaikan proses pembelajaran lebih cepat. Begitupula dengan nilai MSE terkecil yang