J j
ji j
kj k
p ki
v y
w o
S
1
P p
p ki
ki
S S
,..., 1
max
} max{
K k
ki i
S
,..., 1
} max{
Analisa Sensitivitas
Analisa sensitivitas bertujuan untuk melihat perubahan output dari model yang didapatkan jika dilakukan perubahan terhadap input dari model. Selain itu
analisa ini berguna untuk mengetahui variabel mana yang lebih berpengaruh atau sensitif untuk mencapai output akurat dari model yang dikembangkan
Engelbrecht 2001. Untuk mengetahui sensitivitas dari
p ki
S dimana JST yang digunakan memiliki 1 layer input Z = z1,…,zi,….,zI, 1 layer tersembunyi Y =
y1,…,yj,…,yJ, dan 1 layer output O = o1,…,ok,…,oK dan data training adalah P=p1,…,pp,…,pP digunakan :
Untuk mendapatkan matrik sensitivitas dari semua data training terhadap output dapat digunakan :
Kemudian dilanjutkan dengan memghitung matrik sensitivitas dari input secara menyeluruh dapat digunakan :
2.5 Review Riset yang Relevan
Poh et al 1998 melakukan penelitian dengan menerapkan jaringan saraf tiruan untuk analisa dan prediksi terhadap akibat dari iklan dan promosi.
Penelitian ini juga menerapkan analisa sensitivitas. Salah satu kesimpulan dari penelitian ini yaitu JST dengan pembelajaran propagasi balik merupakan metode
yang efisien untuk mempelajari hubungan antara input varibel dan output variabel. Sufandi 2007 melakukan penelitian untuk melakukan prediksi kemajuan
belajar mahasiswa berbasis jaringan saraf tiruan ke dalam dua kelas yaitu selesai dan tidak selesai dengan melibatkan varibel input dengan tiga buah parameter,
yaitu parameter individual umur, jenis kelamin, parameter lingkungan status pernikahan, status pekerjaan, beasiswa, dan parameter akademik semester
masuk, IP semester 1, sks semester 1, IP semester 2, IPS semester 2, IPK, SKS Kumulatif, semester tempuh, program studi dan jurusan asal. Salah satu
3
4
5
kesimpulan dari penelitian ini adalah JST propagasi balik baik digunakan untuk tujuan prediksi, dan analisa sensitivitas merupakan metode yang potensial untuk
mereduksi kompleksitas JST dan meningkatkan tingkat generalisasi. Agung 2007 melakukan penelitian untuk mengklasifikasi mahasiswa
STEKPI menggunakan Jaringan Saraf Tiruan dengan aloritma pembelajaran propagasi balik. Data input yang digunakan adalah Nilai Psikotest, sedangkan data
target adalah Indeks Prestasi Kumulatif IPK yang dipresentasikan dalam bentuk data kategori, dimana kategori
“mahasiwa yang berhasil” adalah mahasiswa yang di tahun pertamanya mempunyai IPK daru 2.75 sampai dengan 4, sedangkan
“mahasiswa yang kurang berhasil” adalah mahasiwa yang mempunyai IPK dari 0 sampai dengan 2.75. Keakuratan model yang dihasilkan sebesar ±73.
3. METODE PENELITIAN
3.1 Diagram Alir Penelitian
Kerangka pemikiran pada penelitian ini dapat digambarkan dalam suatu bagan alir seperti pada Gambar 8.
Pengumpulan Data
Penelitian dimulai dengan pengumpulan data yang berasal dari basis data „Transkrip Nilai‟ dan „Evaluasi Studi‟ yang bersumber dari Sistem Informasi
Akademik Terpadu Universitas Negeri Gorontalo SIATUNG yang menyimpan Gambar 8 Diagram Alir Penelitian
informasi mahasiswa berupa nilai mutu mata kuliah, lama studi dan IPK. Mata kuliah yang dipilih sebagai data input dalam penelitian ini berjumlah 16 enam
belas buah mata kuliah dasar yang wajib diprogramkan pada 2 dua semester tahun pertama program perkuliahan sebelum mengambil program peminatan.
Pada penelitian ini, data mata kuliah digunakan sebagai data input. Sedangkan data lama studi dan IPK digunakan sebagai data target. Data nilai mata kuliah
yang diperoleh berupa Huruf Mutu HM dan dikonversi ke Angka Mutu AM dengan kisaran nilai 0 hingga 4. Data target lama studi dikategorikan menjadi 2
dua, yaitu kategori mahasiwa yang lulus dengan melewati masa studi program diploma 3 tahun dan kategori mahasiswa yang lulus tepat waktu 3 tahun.
Data target IPK dikategorikan menjadi 3 tiga, yaitu kategori mahasiswa yang lulus dengan predikat terpuji IPK 3.5, kategori predikat sangat memuaskan
IPK ≥ 2.75 hingga IPK ≤3.5 dan kategori predikat memuaskan IPK2.75. Data mahasiswa yang digunakan dalam penelitian ini adalah data
mahasiswa D3 Diploma Tiga Manajemen Informatika UNG angkatan 2005 hingga 2010. Pembelajaran dan pengujian JST menggunakan data mahasiwa
angkatan 2005, 2006 dan 2007 Lampiran 1, yang dibagi ke dalam 3 tiga komposisi data dan dibedakan ke dalam 2 dua kelompok data. Total jumlah data
pada kelompok data pertama dan kelompok data kedua adalah sama, yakni 216 data. Pengelompokkan data dibedakan berdasarkan cara pembagian komposisi
data dimana pada kelompok data pertama, setelah data mahasiswa angkatan 2005, 2006 dan 2007 diurutkan, kemudian dibagi ke dalam 3 tiga komposisi data.
Sedangkan pada kelompok data kedua, komposisi data dibagi berdasarkan angkatan, sehingga data mahasiswa pada masing-masing angkatan dibagi ke
dalam 3 tiga komposisi data. Komposisi data terbagi menjadi data pelatihan, data validasi dan data
pengujian. Data pelatihan digunakan oleh jaringan untuk membentuk model melalui proses pembelajaran JST. Data validasi untuk melihat apakah jaringan
telah memiliki kemampuan yang baik dalam mengenali data baru yang diberikan kepadanya. Data validasi digunakan juga untuk menghentikan iterasi jika error
yang terjadi tidak rasional. Data pengujian digunakan untuk menguji ketepatan klasifikasi dari model yang terbentuk. Penelitian ini menetapkan besarnya
