Tabel 2 Kurikulum D3 Manajemen Informatika Lanjutan
NO KODE
MATA KULIAH SKS
SEMESTER V 1
5313-2-045-3 Sistem Informasi Manajemen
3 2
5313-2-135-2 Metodologi Riset
2 3
5313-3-135-3 Proyek Sistem Informasi
3 4
5313-3-185-4 Pemrograman Web 2 PHPMySQL
4 5
5313-3-155-3 Analisis dan Desain Berorientasi Objek
3 6
5313-4-025-2 Komputer dan Masyarakat
2 7
5313-3-205-3 Pemrograman Visual 2 VFP
3 8
5313-2-145-2 Kapita Selekta Komputer
2 Jumlah SKS
22 SEMESTER VI
1 5313-5-026-3
Magang 3
2 5313-5-036-4
Tugas Akhir 4
Jumlah SKS 7
Total SKS 110
2.3 Praproses Data
Sebelum menggunakan data dengan teknik JST perlu dilakukan praproses terhadap data. Hal ini dilakukan untuk mendapatkan hasil analisis yang lebih
akurat dalam pemakaian teknik JST. Dalam beberapa hal, praproses bisa membuat nilai data menjadi kecil tanpa merubah informasi yang dikandungnya. Beberapa
cara antara lain adalah transformasinormalisasi data, yaitu prosedur mengubah data sehingga berada dalam skala tertentu. Skala ini bisa antara 0,1, -1,1 atau
skala lain yang dikehendaki. Beberapa metode yang umum dipakai untuk transformasi data, yaitu :
a Min-Max
Min-max merupakan metode normalisai dengan melakukan transformasi linier terhadap data asli. Metode ini akan menormalisasi input dan target
sedemikian rupa sehingga hasil normalisasi akan berada pada interval -1 dan 1. Pn=2p-minpmaxp-minp-1
2 dengan p adalah nilai dari sebelum transformasi, pn adalah nilai hasil
transormasi, minp dan maxp adalah nilai minimum dan maksimum dari p. b
Unary Encoding Unary
Encoding merupakan
metode transformasi
data dengan
mempresentasikan data dengan kombinasi angka 1 dan 0 numerical binary variable. Metode ini digunakan untuk mentransformasi data kategorikal. Secara
prinsip, data kategori dapat ditransformasi ke dalam bilangan numerik, dimana
suatu bilangan numerik mewakili nilai suatu kategori. Atribut kategori yang demikian disebut dengan “dummy variable” Kantardzic 2003. Misalnya „10‟
untuk kategori „melebih masa studi‟ dan „01‟ untuk kategori „tepat waktu‟ dan
untuk data tingkat kelulusan mahasiswa dengan target lama studi.
2.4 Jaringan Saraf Tiruan JST
Jaringan Saraf Tiruan JST atau sering disebut dengan Neural Network NN, merupakan salah satu teknik klasifikasi yang cukup handal. JST merupakan
jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan jaringan saraf manusia. Jaringan Saraf Tiruan JST adalah satu representasi
buatan dari otak manusia yang selalu mencoba untuk mensimulasikan proses pembelajaran pada otak manusia tersebut. Istilah buatan digunakan karena
jaringan saraf ini diimplementasikan dengan menggunakan program komputer yang mampu menyelesaikan sejumlah proses perhitungan selama proses
pembelajaran Fausett 1994. Dalam syaraf biologis, setiap sel saraf neuron akan memiliki satu inti sel yang bertugas untuk melakukan pemrosesan informasi
yang akan diterima oleh dendrit. Selain menerima informasi, dendrit juga menyertai axon sebagai keluaran dari suatu pemrosesan informasi. Informasi hasil
olahan ini menjadi masukan bagi neuron lain. jika memenuhi batas tertentu, yang sering dikenal dengan nama nilai ambang threshold yang dikatakan teraktivasi.
Seperti halnya otak manusia, JST juga terdiri dari beberapa neuron yang berhubungan untuk mentransformasikan informasi yang terima melalui
sambungan keluarnya. Hubungan ini dikenal dengan nama bobot. Informasi tersebut disimpan pada suatu nilai tertentu pada bobot tersebut. Informasi input
kan dikirim ke neuron dengan bobot kedatangan. Input ini akan diproses oleh suatu fungsi perambatan yang akan menjumlahkan nilai-nilai semua bobot yang
datang. Hasil penjumlahan ini kemudian akan dibandingkan dengan niai suatu ambang threshold tertentu melalui fungsi aktivasi setiap neuron Gambar 5.
Apabila input tersebut melewati suatu nilai ambang tertentu, maka neuron tersebut akan diaktifkan, tapi kalau tidak, maka neuron tersebut tidak akan diaktifkan.
Apabila neuron tersebut diaktifkan makan neuron tersebut akan mengirimkan output melalui bobot-bobot outputnya ke semua neuron yang berhubungan
dengannya. Neuron-neuron akan dikumpulkan dalam lapisan-lapisan layer yang disebut dengan lapisan neuron nuron layer yang saling berhubungan. Infomasi
akan dirambatkan mulai dari lapisan input sampai ke lapisan output melalui lapisan lainnya yang sering dikenal dengan lapisan tersembunyi hidden layer,
dan perambatannya tergantung algoritma pembelajarannya Kusumadewi 2010.
Arsitektur Jaringan Saraf
Hubungan antar neuron dalam jaringan saraf mengikuti pola tertentu tergantung pada arsitektur jariangan sarafnya Kusumadewi 2010.
a. Jaringan dengan lapisan tunggal single layer net
Jaringan dengan lapisan tunggal hanya memiliki satu lapisan dengan bobot- bobot terhubung. Jaringan ini hanya menerima input kemudian secara langsung
akan mengolahnya menjadi output tanpa harus melalui lapisan tersembunyi. b.
Jaringan dengan banyak lapisan multilayer net Jaringan dengan banyak lapisan memiliki satu atau lebih lapisan yang
terletak diantara lapisan input dan lapisan output memiliki satu atau lebih lapisan tersembunyi. Jaringan dengan banyak lapisan ini dapat menyelesaikan
permasalahan yang lebih sulit daripada lapisan tunggal. c.
Jaringan dengan lapisan kompetitif competitive layer net Saraf Biologis
Saraf Tiruan Gambar 5 Saraf Biologis dan Struktur Saraf Tiruan Kusumadewi 2010