Analisis waktu pembelajaran HASIL DAN PEMBAHASAN

a Kelompok Data Pertama b Kelompok Data Kedua Perubahan nilai waktu pembelajaran dengan variasi laju pembelajaran pada percobaan dengan fungsi pelatihan resilent backpropagation yang dibedakan berdasarkan kelompok data, ditunjukkan oleh Gambar 10. Trendline waktu pembelajaran dari kelompok data pertama memperlihatkan adanya penurunan nilai waktu pembelajaran pada keempat variasi laju pembelajaran ketika berubahnya jumlah hidden-node. Trendline waktu pembelajaran dari kelompok data kedua memperlihatkan adanya peningkatan nilai waktu pembelajaran pada ketiga variasi laju pembelajaran ketika berubahnya Gambar 10 Perubahan nilai waktu pembelajaran dengan variasi laju pembelajaran menggunakan fungsi pelatihan resilent backpropagation pada MPLS a kelompok data pertama b kelompok data kedua. a Kelompok Data Pertama b Kelompok Data Kedua jumlah hidden-node, yakni 0.01, 0.05 dan 0.1. satu variasi laju pembelajaran yakni 0.5 menunjukkan adanya penurunan nilai waktu pembelajaran. Sehingga dari total 8 variasi laju pembelajaran pada kedua kelompok data, terdapat 3 variasi laju pembelajaran yang menunjukkan adanya peningkatan waktu pembelajaran ketika jumlah hidden-nyang digunakan dalam percobaan semakin besar, 5 variasi jumlah hidden-node lainnya menunjukkan penurunan nilai waktu pembelajaran. b. Fungsi pelatihan scaled conjugate gradient Perubahan nilai waktu pembelajaran dengan variasi jumlah hidden-node pada percobaan dengan fungsi pelatihan scaled conjugate gradient yang dibedakan berdasarkan kelompok data, ditunjukkan oleh Gambar 11. Gambar 11 Perubahan nilai waktu pembelajaran dengan variasi jumlah hidden- node menggunakan fungsi pelatihan scaled conjugate gradient pada MPLS a kelompok data pertama b kelompok data kedua a Kelompok Data Pertama b Kelompok Data Kedua Gambar 11 menyajikan trendline waktu pembelajaran untuk kelompok data pertama yang menunjukkan adanya peningkatan nilai waktu pembelajaran ketika berubahnya nilai laju pembelajaran pada ketiga variasi jumlah hidden-node. Trendline waktu pembelajaran dari kelompok data kedua menunjukkan adanya penurunan nilai waktu pembelajaran ketika berubahnya nilai laju pembelajaran pada ketiga variasi jumlah hidden-node. Perubahan nilai waktu pembelajaran dengan variasi laju pembelajaran pada percobaan dengan fungsi pelatihan scaled conjugate gradient yang dibedakan berdasarkan kelompok data, ditunjukkan oleh Gambar 12. Gambar 12 Perubahan nilai waktu pembelajaran dengan variasi laju pembelajaran menggunakan fungsi pelatihan scaled conjugate gradient pada MPLS a kelompok data pertama b kelompok data kedua a Kelompok Data Pertama Trendline waktu pembelajaran dari kelompok data pertama memperlihatkan adanya peningkatan nilai waktu pembelajaran pada keempat variasi laju pembelajaran ketika berubahnya jumlah hidden-node. Trendline waktu pembelajaran dari kelompok data kedua memperlihatkan adanya peningkatan nilai waktu pembelajaran pada dua variasi laju pembelajaran, yakni 0.05 dan 0.5. dua variasi laju pembelajaran lainnya yakni 0.01 dan 0.1 menunjukkan adanya penurunan nilai waktu pembelajaran. Sehingga dari total 8 variasi laju pembelajaran pada kedua kelompok data, terdapat 6 variasi laju pembelajaran yang menunjukkan adanya peningkatan waktu pembelajaran ketika jumlah hidden-nyang digunakan dalam percobaan semakin besar, 2 variasi jumlah hidden-node lainnya menunjukkan penurunan nilai waktu pembelajaran. c. Fungsi pelatihan levenberg-marquardt Perubahan nilai waktu pembelajaran dengan variasi jumlah hidden-node pada percobaan dengan fungsi pelatihan levenberg-marquardt yang dibedakan berdasarkan kelompok data, ditunjukkan oleh Gambar 13. b Kelompok Data Kedua a Kelompok Data Pertama Gambar 13 menunjukkan bahwa trendline peningkatan waktu pembelajaran dihasilkan oleh percobaan dengan variasi jumlah hidden-node 5 pada kelompok data pertama dan jumlah hidden-node 10 pada kelompok data kedua, selebihnya sebanyak 4 empat variasi jumlah hidden-node menunjukkan adanya penurunan waktu pembelajaran ketika nilai laju pembelajaran yang digunakan semakin besar. Perubahan nilai waktu pembelajaran dengan variasi laju pembelajaran pada percobaan dengan fungsi pelatihan levenberg-marquardt yang dibedakan berdasarkan kelompok data, ditunjukkan oleh Gambar 14. Gambar 13 Perubahan nilai waktu pembelajaran dengan variasi jumlah hidden- node menggunakan fungsi pelatihan levenberg-marquardt pada MPLS a kelompok data pertama b kelompok data kedua b Kelompok Data Kedua Trendline waktu pembelajaran dari kedua kelompok data dari Gambar 14 memperlihatkan adanya peningkatan nilai waktu pembelajaran pada semua variasi laju pembelajaran ketika jumlah hidden-node yang digunakan dalam percobaan semakin besar. Untuk mengetahui apakah perubahan nilai pada parameter waktu pembelajaran dapat meningkatkan atau menurunkan nilai waktu pembelajaran maka seluruh trendline dari variasi jumlah hidden-node pada percobaan model prediksi lama studi MPLS diakumulasikan seperti yang disajikan pada Tabel 19. Tabel 19 Analisis hubungan waktu pembelajaran dengan variasi jumlah hidden- node ketika berubahnya nilai laju pembelajaran pada model prediksi lama studi MPLS Fungsi Pelatihan Peningkatan waktu pembelajaran Penurunan waktu pembelajaran Waktu pembelajaran statis Total Jml Jml Jml Jml Resilent backpropagation 2 33 4 67 6 100 Scaled Conjugate Gradient 3 50 3 50 6 100 Levenberg-Marquardt 2 33 4 67 6 100 Rata-Rata 39 61 100 Hasil akumulasi dari menyatakan bahwa sebesar 61 trendline waktu pembelajaran menunjukkan adanya penurunan nilai waktu pembelajaran apabila Gambar 14 Perubahan nilai waktu pembelajaran dengan variasi laju pembelajaran menggunakan fungsi pelatihan levenberg-marquardt pada MPLS a kelompok data pertama b kelompok data kedua nilai laju pembelajaran yang digunakan pada percobaan semakin besar, sehingga dapat dikatakan bahwa semakin besar nilai laju pembelajaran yang diberikan maka semakin cepat waktu pembelajaran JST menyelesaikan proses pembelajaran mencapai konvergen. Untuk mengetahui apakah perubahan jumlah hidden-node dapat meningkatkan atau menurunkan nilai waktu pembelajaran maka seluruh trendline dari variasi laju pembelajaran pada percobaan model prediksi lama studi MPLS diakumulasikan seperti yang disajikan pada Tabel 20. Tabel 20 Analisis hubungan waktu pembelajaran dengan variasi laju pembelajaran ketika berubahnya jumlah hidden-node pada model prediksi lama studi MPLS Fungsi Pelatihan Peningkatan waktu pembelajaran Penurunan waktu pembelajaran Waktu pembelajaran statis Total Jml Jml Jml Jml Resilent backpropagation 3 38 5 63 8 100 Scaled Conjugate Gradient 6 75 2 25 8 100 Levenberg-Marquardt 8 100 8 100 Rata-Rata 71 29 100 Trendline waktu pembelajaran yang ditunjukan oleh percobaan dengan variasi laju pembelajaran ketika berubahya jumlah hidden-node menyatakan bahwa sebesar 71 mengalami peningkatan nilai waktu pembelajaran, hal ini dapat dikatakan bahwa semakin besar jumlah hidden-node yang digunakan pada percobaan maka semakin lama JST melakukan pembelajaran. 4.3.2 Model Prediksi Indeks Prestasi Kumulatif MPIPK Pembahasan berikut menunjukkan pola perubahan nilai waktu pembelajaran dengan variasi nilai laju pembelajaran dan jumlah hidden-node yang dibedakan atas fungsi pelatihan yang digunakan. a Fungsi pelatihan resilent backpropagation Perubahan nilai waktu pembelajaran dengan variasi jumlah hidden-node pada percobaan dengan fungsi pelatihan resilent backpropagation yang dibedakan berdasarkan kelompok data ditunjukkan oleh Gambar 15. a Kelompok Data Pertama b Kelompok Data Kedua Gambar 15 menunjukkan bahwa nilai waktu pembelajaran tercepat 1.44 detik dan nilai waktu pembelajaran terlama 9.72 detik berada pada kelompok data kedua. Trendline waktu pembelajaran dari kelompok data pertama memperlihatkan adanya peningkatan nilai waktu pembelajaran pada percobaan dengan variasi jumlah hidden-node 10 ketika berubahnya nilai laju pembelajaran, variasi jumlah hidden-node 15 menunjukkan penurunan nilai waktu pembelajaran dan variasi jumlah hidden-node 5 menunjukkan perubahan nilai waktu pembelajaran yang statis. Trendline waktu pembelajaran dari kelompok data kedua memperlihatkan adanya peningkatan nilai waktu pembelajaran pada percobaan dengan variasi jumlah hidden-node 5 dan 15 ketika berubahnya nilai Gambar 15 Perubahan nilai waktu pembelajaran dengan variasi jumlah hidden- node menggunakan fungsi pelatihan resilent backpropagation pada MPIPK a kelompok data pertama b kelompok data kedua. a Kelompok Data Pertama b Kelompok Data Kedua laju pembelajaran, variasi jumlah hidden-node 10 menunjukkan adanya penurunan nilai waktu pembelajaran. Sehingga dari total 6 variasi jumlah hidden-node pada kedua kelompok data, terdapat 3 variasi jumlah hidden-node yang menunjukkan adanya peningkatan waktu pembelajaran ketika nilai laju pembelajaran yang digunakan dalam percobaan semakin besar, 2 variasi jumlah hidden-node lainnya menunjukkan penurunan nilai waktu pembelajaran dan 1 variasi jumlah hidden- node menunjukkan perubahan nilai waktu pembelajaran yang statis. Perubahan nilai waktu pembelajaran dengan variasi laju pembelajaran pada percobaan dengan fungsi pelatihan resilent backpropagation yang dibedakan berdasarkan kelompok data, ditunjukkan oleh Gambar 16. Gambar 16 Perubahan nilai waktu pembelajaran dengan variasi laju pembelajaran menggunakan fungsi pelatihan resilent backpropagation pada MPIPK a kelompok data pertama b kelompok data kedua a Kelompok Data Pertama Trendline waktu pembelajaran dari kelompok data pertama memperlihatkan adanya peningkatan nilai waktu pembelajaran pada ketiga variasi laju pembelajaran ketika berubahnya jumlah hidden-node, satu variasi laju pembelajaran menujukkan waktu pembelajaran yang statis, yakni pada variasi laju pembelajaran 0.1. Trendline waktu pembelajaran dari kelompok data kedua memperlihatkan adanya peningkatan nilai waktu pembelajaran pada kedua variasi laju pembelajaran ketika berubahnya jumlah hidden-node, yakni 0.01 dan 0.5. dua variasi laju pembelajaran lainnya menunjukkan nilai waktu pembelajaran statis, yakni variasi laju pembelajaran 0.05 dan 0.1. Sehingga dari total 8 variasi laju pembelajaran pada kedua kelompok data, terdapat 5 variasi laju pembelajaran yang menunjukkan adanya peningkatan waktu pembelajaran ketika jumlah hidden-nyang digunakan dalam percobaan semakin besar, 3 variasi jumlah hidden-node lainnya menunjukkan perubahan nilai waktu pembelajaran statis. b Fungsi pelatihan scaled conjugate gradient Perubahan nilai waktu pembelajaran dengan variasi jumlah hidden-node pada percobaan dengan fungsi pelatihan scaled conjugate gradient yang dibedakan berdasarkan kelompok data, ditunjukkan oleh Gambar 17. b Kelompok Data Kedua a Kelompok Data Pertama Gambar 17 menyajikan trendline waktu pembelajaran pada kedua kelompok data menunjukkan adanya penurunan nilai waktu pembelajaran ketika berubahnya nilai laju pembelajaran pada keempat variasi jumlah hidden-node. Dua variasi jumlah hidden-node menunjukkan perubahan waktu pembelajaran yang statis, tepatnya variasi jumlah hidden-node 5, baik pada kelompok data pertama maupun kelompok data kedua. Perubahan nilai waktu pembelajaran dengan variasi laju pembelajaran pada percobaan dengan fungsi pelatihan scaled conjugate gradient yang dibedakan berdasarkan kelompok data, ditunjukkan oleh Gambar 18. Gambar 17 Perubahan nilai waktu pembelajaran dengan variasi jumlah hidden- node menggunakan fungsi pelatihan scaled conjugate gradient pada MPIPK a kelompok data pertama b kelompok data kedua b Kelompok Data Kedua Trendline waktu pembelajaran dari kelompok data pertama memperlihatkan adanya peningkatan nilai waktu pembelajaran pada dua variasi laju pembelajaran, penurunan nilai waktu pembelajaran pada satu variasi laju pembelajaran dan satu pembelejaran lainnya menunjukkan perubahan waktu pembelajaran statis. Trendline waktu pembelajaran dari kelompok data kedua memperlihatkan adanya peningkatan nilai waktu pembelajaran pada keempat variasi laju pembelajaran. Sehingga dari total 8 variasi laju pembelajaran pada kedua kelompok data, terdapat 6 variasi laju pembelajaran yang menunjukkan adanya peningkatan waktu pembelajaran ketika jumlah hidden-n yang digunakan dalam percobaan semakin besar, 1 variasi jumlah hidden-node lainnya menunjukkan penurunan nilai waktu pembelajaran dan 1 variasi jumlah hidden-node lainnya menunjukkan perubahan nilai waktu pembelajaran statis. Gambar 18 Perubahan nilai waktu pembelajaran dengan variasi laju pembelajaran menggunakan fungsi pelatihan scaled conjugate gradient pada MPLS a kelompok data pertama b kelompok data kedua a Kelompok Data Pertama b Kelompok Data Kedua c Fungsi pelatihan levenberg-marquardt Perubahan nilai waktu pembelajaran dengan variasi jumlah hidden-node pada percobaan dengan fungsi pelatihan levenberg-marquardt yang dibedakan berdasarkan kelompok data, ditunjukkan oleh Gambar 19. Gambar 19 menunjukkan bahwa dari total 8 variasi jumlah hidden-node, terdapat 2 variasi yang menunjukkan adanya peningkatan waktu pembelajaran, 2 variasi jumlah hidden-node menunjukkan adanya penurunan waktu pembelajaran dan 2 variasi jumlah hidden-node menunjukkan perubahan waktu pembelajaran statis. Perubahan nilai waktu pembelajaran dengan variasi laju pembelajaran pada Gambar 19 Perubahan nilai waktu pembelajaran dengan variasi jumlah hidden- node menggunakan fungsi pelatihan levenberg-marquardt pada MPIPK a kelompok data pertama b kelompok data kedua a Kelompok Data Pertama b Kelompok Data Kedua percobaan dengan fungsi pelatihan levenberg-marquardt yang dibedakan berdasarkan kelompok data, ditunjukkan oleh Gambar 20. Trendline waktu pembelajaran dari kedua kelompok data memperlihatkan adanya peningkatan nilai waktu pembelajaran pada semua variasi laju pembelajaran ketika jumlah hidden-node yang digunakan dalam percobaan semakin besar. Gambar 20 Perubahan nilai waktu pembelajaran dengan variasi laju pembelajaran menggunakan fungsi pelatihan levenberg-marquardt pada MPIPK a kelompok data pertama b kelompok data kedua Untuk mengetahui apakah perubahan nilai pada parameter waktu pembelajaran dapat meningkatkan atau menurunkan nilai waktu pembelajaran maka seluruh trendline dari variasi jumlah hidden-node pada percobaan model prediksi indeks preastasi kumulatif MPIPK diakumulasikan seperti yang disajikan pada Tabel 21. Tabel 21 Analisis hubungan waktu pembelajaran dengan variasi jumlah hidden- node ketika berubahnya nilai laju pembelajaran pada model indeks prestasi kumulatif studi MPIPK Fungsi Pelatihan Peningkatan waktu pembelajaran Penurunan waktu pembelajaran Waktu pembelajaran statis Total Jml Jml Jml Jml Resilent backpropagation 3 50 2 33 1 17 6 100 Scaled Conjugate Gradient 4 67 2 33 6 100 Levenberg-Marquardt 2 33 2 33 2 33 6 100 Rata-Rata 28 44 28 100 Hasil akumulasi menyatakan bahwa sebesar 44 trendline waktu pembelajaran menunjukkan adanya penurunan nilai waktu pembelajaran apabila nilai laju pembelajaran yang digunakan pada percobaan semakin besar, dapat dikatakan bahwa semakin besar nilai laju pembelajaran yang diberikan maka semakin cepat waktu pembelajaran JST menyelesaikan proses pembelajaran mencapai konvergen. Untuk mengetahui apakah perubahan jumlah hidden-node dapat meningkatkan atau menurunkan nilai waktu pembelajaran maka seluruh trendline dari variasi laju pembelajaran pada percobaan model prediksi indeks preastasi kumulatif MPIPK diakumulasikan seperti yang disajikan pada Tabel 22. Tabel 22 Analisis hubungan waktu pembelajaran dengan variasi laju pembelajaran ketika berubahnya jumlah hidden-node pada model prediksi indeks prestasi kumulatif MPIPK Fungsi Pelatihan Peningkatan waktu pembelajaran Penurunan waktu pembelajaran Waktu pembelajaran statis Total Jml Jml Jml Jml Resilent backpropagation 5 63 3 38 8 100 Scaled Conjugate Gradient 6 75 1 13 1 13 8 100 Levenberg-Marquardt 8 100 8 100 Rata-Rata 79 4 17 100 Trendline waktu pembelajaran yang ditunjukan oleh percobaan dengan variasi laju pembelajaran ketika berubahya jumlah hidden-node menyatakan bahwa sebesar 79 mengalami peningkatan nilai waktu pembelajaran, hal ini dapat dikatakan bahwa semakin besar jumlah hidden-node yang digunakan pada percobaan maka semakin lama JST melakukan pembelajaran. 4.5 Tingkat generalisasi data validasi dan data testing dengan variasi nilai laju pembelajaran, jumlah hidden-node dan fungsi pelatihan. Hasil perbandingan tingkat generalisasi dari data validasi dan data testing ketika berubahnya nilai laju pembelajaran dan jumlah hidden-node, dengan variasi fungsi pelatihan pada kedua mode prediksi ditunjukkan oleh Gambar 21 sampai dengan Gambar 24. 4.5.1 Model Prediksi Lama Studi MPLS Grafik perbandingan tingkat generalisasi data validasi dan data testing pada Gambar 21 menunjukkan tingkat generalisasi data validasi yang lebih tinggi dibandingan dengan generalisasi data testing pada fungsi pelatihan scaled conjugate gradient dan levenberg-marquardt. Pada fungsi pelatihan resilent backpropagation, tingkat generalisasi data validasi lebih rendah dibandingkan dengan tingkat generalisasi data testing. Tingkat generalisasi tertinggi baik terhadap data validasi maupun data testing dihasilkan oleh percobaan dengan Gambar 21 Grafik perbandingan tingkat generalisasi data validasi dan data testing pada MPLS kelompok data pertama menggunakan fungsi pelatihan levenberg-marquardt, hingga mencapai 100, sedangkan tingkat generalisasi terendah sebesar 30.30. Gambar 21 juga menunjukkan adanya penurunan tingkat generalisasi pada percobaan dengan menggunakan fungsi resilent backpropagation dan scaled conjugate gradient, pada saat nilai laju pembelajaran dan jumlah hidden-node yang diberikan semakin besar. Gambar 22 merupakan grafik perbadingan tingkat generalisasi data validasi dan data testing pada model prediksi lama studi MPLS kelompok data kedua, yang menunjukkan bahwa tingkat generalisasi terhadap data validasi yang lebih tinggi dibandingkan dengan data testing, dimana percobaan dengan menggunakan fungsi pelatihan levenberg-marquardt tetap memiliki tingkat generalisasi tertinggi dibandingkan dengan kedua fungsi pelatihan lainnya. Penambahan jumlah hidden- node dan nilai laju pembelajaran menghasilkan penurunan tingkat generalisasi pada percobaan dengan menggunakan fungsi pelatihan resilent backpropagation dan scaled conjugate gradient. Penambahan jumlah hidden-node dan nilai laju pembelajaran pada percobaan dengan fungsi pelatihan levenberg-marquardt tingkat generalisasi yang dihasilkan tidak memperlaihatkan pengaruh yang besar terhadap tingkat generalisasi, karena perbedaan persentase generalisasi yang Gambar 22 Grafik perbandingan tingkat generalisasi data validasi dan data testing pada MPLS kelompok data kedua dihasilkan tidak terlalu besar. Sehingga untuk model prediksi lama studi MPLS, parameter fungsi pelatihan yang paling optimal yang dihasilkan oleh hasil penujian adalah fungsi pelatihan levenberg-marquardt. 4.5.2 Model Prediksi Indeks Prestasi Kumulatif MPIPK Grafik perbandingan tingkat generalisasi data validasi dan data testing pada Gambar 23 menunjukkan tingkat generalisasi data validasi yang lebih tinggi dibandingan dengan generalisasi data testing pada ketiga fungsi pelatihan yang digunakan pada percobaan. Tingkat generalisasi tertinggi baik terhadap data validasi maupun data testing dihasilkan oleh percobaan dengan menggunakan fungsi pelatihan levenberg-marquardt, hingga mencapai 100, sedangkan tingkat generalisasi terendah sebesar 33.33. Gambar 23 juga menunjukkan adanya penurunan tingkat generalisasi pada percobaan dengan menggunakan fungsi resilent backpropagation dan scaled conjugate gradient, pada saat nilai laju pembelajaran dan jumlah hidden-node yang diberikan semakin besar. Gambar 23 Grafik perbandingan tingkat generalisasi data validasi dan data testing pada MPIPK kelompok data pertama Gambar 24 merupakana grafik perbadingan tingkat generalisasi data validasi dan data testing pada model prediksi indeks preastasi kumulatif MPIPK kelompok data kedua, yang menunjukkan bahwa percobaan dengan menggunakan fungsi pelatihan levenberg-marquardt tetap memiliki tingkat generalisasi tertinggi dibandingkan dengan kedua fungsi pelatihan lainnya. Pada percobaan dengan fungsi pelatihan levenberg-marquardt terlihat bahwa tingkat generalisasi terhadap data testing cenederung lebih besar dibanding denga data validasi. Selisih besarnya persentase tingkat generalisasi tertinggi dari percobaan dengan dengan fungsi pelatihan levenberg-marquardt terhadap percobaan dengan menggunakan kedua fungsi pealtihan lainnya terlihat lebih besar dibadingkan dengan percobaan pada kelompok data pertama. Penambahan jumlah hidden-node dan nilai laju pembelajaran menghasilkan penurunan tingkat generalisasi pada percobaan dengan menggunakan fungsi pelatihan resilent backpropagation dan scaled conjugate gradient. Penambahan jumlah hidden-node dan nilai laju pembelajaran pada percobaan dengan fungsi pelatihan levenberg-marquardt tingkat generalisasi yang dihasilkan tidak memperlaihatkan pengaruh yang besar terhadap tingkat generalisasi, karena perbedaan persentase generalisasi yang dihasilkan tidak terlalu besar. Sehingga Gambar 24 Grafik perbandingan tingkat generalisasi data validasi dan data testing pada MPIPK kelompok data kedua untuk model prediksi indeks prestasi kumaltif MPIPK, parameter fungsi pelatihan yang paling optimal yang dihasilkan oleh hasil penujian adalah fungsi pelatihan levenberg-marquardt.

4.6 Arsitektur jaringan yang terbaik

Berdasarkan hasil generalisasi pada pengujian dengan mempertimbangkan beberapa variasi parameter jaringan, maka ditetapkan arsitektur terbaik yang dapat digunakan untuk melakukan prediksi tingkat kelulusan mahasiswa adalah sebagaimana yang ditunjukkan oleh Tabel 23. Tabel 23 Parameter jaringan terbaik yang digunakan untuk prediksi Parameter Model Prediksi Lama Studi MPLS Model Prediksi Indeks Prestasi Kumulatif MPIPK Kelompok Data Kedua Kedua Fungsi Pelatihan levenberg-marquardt levenberg-marquardt Laju Pembelajaran 0.1 0.05 Jumlah Hidden-Node 10 15 Generalisasi Data Validasi 100.00 96.97 Generalisasi Data Testing 93.94 100.00 Tingkat generalisasi yang tinggi merupakan pertimbangan yang penting untuk menetapkan parameter terbaik yang akan dipilih untuk digunakan dalam memprediksi tingkat kelulusan mahasiswa. Karena semakin tinggi tingkat generalisasi yang dihasilkan maka semakin baik jaringan mengenali data baru yang akan diberikan dan diharapkan bisa memberikan hasil prediksi yang cukup baik. Apabila diperoleh tingkat generalisasi yang besarnya sama pada beberapa varaisi laju pembelajaran dan jumlah hidden-node maka yang dipilih adalah adalah variasi parameter laju pembelajaran dan jumlah hidden-node yang memberikan nilai MSE yang paling minimum. Sehingga ditetapkan parameter dari arsitektur terbaik yang paling optimal untuk kedua mode prediksi adalah percobaan dengan mengguakan kelompok data kedua dan fungsi pelatihan levenberg-marquardt, karena berdasarkan analisis pembelajaran yang telah dilakukan, fungsi pelatihan ini mampu memberikan tingkat generalisasi yang tinggi. Arsitektur terbaik pada model prediksi lama studi MPLS dan model prediksi indeks prestasi kumulatif ditunjukkan oleh Gambar 25 dan Gambar 26, dan untuk melihat detal hasil pembelajaran dari percobaan yang menghasikan arsitektur terbaik pada model prediksi lama studi MPLS dan model prediksi indeks perestasi kumulatif MPIPK dapat dilihat pada Lampiran 3 dan Lampiran 4. Parameter jaringan terbaik pada model prediksi lama studi MPLS berada pada laju pembelajaran 0.1 dan jumlah hidden-node 10, dengan besar tingkat generalisasi untuk data validasi 100 dan 93.04 untuk data testing. Pada model prediksi indeks prestasi kumulatif MPIPK, parameter terbaik jaringan berada pada laju pembelajaran 0.5 dan jumlah hidden-node 0.05 dan jumlah hidden-node 15, dengan besar tingkat generalisasi untuk data validasi 96.97 dan 100 untuk data testing. Gambar 25 Arsitektur JST terbaik pada Model Prediksi Lama Studi MPLS Setelah diperoleh parameter terbaik jaringan maka selanjutnya dilakukan pengujian parameter dan arsitektur terbaik tersebut dalam mengenali data validasi dan data testing sebelum digunakan untuk melakukan prediksi tingkat kelulusan mahasiswa dengan menggunakan data mahasiswa angkatan 2008, 2009 dan 2010. Gambar 26 Arsitektur Terbaik pada Model Prediksi Indeks Prestasi Kumulatif MPIPK