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
4.7 Pengujian arsitektur terbaik terhadap data validasi dan data testing
Pengujian arsitektur terbaik terhadap data validasi dan data testing dimaksudkan untuk menguji ketepatan jaringan dalam melakukan prediksi
sebelum digunakan untuk melakukan prediksi pada data baru yang akan diberikan. Data validasi dan data testing akan diuji tanpa memiliki data target, sehingga
target hasil prediksi yang akan dihasilkan akan dibandingkan dengan data aktual. Kelompok data untuk data validasi dan data testing yang ditetapkan untuk diuji
seusai dengan kelompok data dari astektur terbaik dari masing-masing model prediksi, yakni kelompok data pertama untuk model prediksi lama studi MPLS
dan kelompok data kedua untuk model prediksi indeks prestasi kumulatif MPIPK.
1 Model Prediksi Lama Studi MPLS
Hasil proses pengujian dengan menggunakan data validasi dan data testing pada model prediksi lama studi disajikan oleh Tabel 24.
Tabel 24 Pengujian dengan menggunakan data validasi dan data testing MPLS
DATA Data Validasi
Data Tesing Jumlah Data
33 33
Pengenalan Data Dikenal
33 100.00
31 93.94
Tidak dikenal 0.00
2 6.06
Data Kategori Hasil Prediksi Melebihi batas studi
30 90.91
27 81.82
Tepat waktu 3
9.09 4
12.12 Data Kategori Aktual
Melebihi batas studi 30
90.91 27
81.82 Tepat waktu
3 9.09
6 18.18
Berdasarkan pengujian arsitektur terbaik terhadap data validasi dan data testing untuk model MPLS menunjukkan bahwa data dikenali 100 pada data
validasi dan 93.94 pada data testing. Hasil prediksi menggunakan data validasi menyatakan bahwa mahasiswa yang diprediksi melebihi masa studi berjumlah 30
mahasiswa dan tepat waktu hanya 3 mahasiswa, dan data kategori aktual menunjukkan hal yang sama. Prediksi terhadap data testing menyatakan bahwa
mahasiswa yang diprediksi melebihi masa studi sebanyak 27 dan tepat waktu
hanya 4 mahasiswa, berbeda dengan data aktual yang menyatakan bahwa mahasiswa yang lulus tepat waktu berjumlah 6 mahasiswa.
2 Model Prediksi Indeks Prestasi Kumulatif MPIPK
Hasil proses pengujian dengan menggunakan data validasi dan testing pada model prediksi indeks prestasi kumulatif disajikan oleh Tabel 25.
Tabel 25 Pengujian dengan menggunakan data validasi dan data testing MPIPK
DATA Data Validasi
Data Tesing Jumlah Data
33 33
Pengenalan Data Dikenal
32 96.97
33 100.00
Tidak dikenal 1
3.03 0.00
Data Kategori Hasil Prediksi Tepuji
2 6.06
8 24.25
Sangat Memuaskan 18
54.55 15
45.45 Memuaskan
12 36.36
10 30.30
Data Kategori Aktual Tepuji
3 9.09
8 24.25
Sangat Memuaskan 18
54.55 15
45.45 Memuaskan
12 36.36
10 30.30
Berdasarkan pengujian arsitektur terbaik terhadap data validasi dan data testing untuk model MPIPK menunjukkan bahwa data dikenali 96.97 pada data
validasi dan 100 pada data testing. Hasil prediksi menyatakan bahwa mahasiswa yang diprediksi lulus degan kategori terpuji sebanya 2 mahasiswa untuk data
validasi, hal ini berbeda dengan data aktual yang menyatakan bahwa mahasiwa yang lulus dengan predikat terpuji sebanyak 3 mahasiswa. Untuk data testing,
prediksi untuk ketiga kategori menghasilkan jumlah yang sama dengan data aktual.
4.8 Hasil Prediksi Tingkat Kelulusan Mahasiswa
Hasil prediksi tingkat kelulusan mahasiswa diploma tiga jurusan Manajemen Informatika, Universitas Negeri Gorontalo disajikan pada Tabel 26
dan Tabel 27.
Tabel 26 Prediksi Tingkat Kelulusan mahasiswa angkatan 2008-2010 berdasarkan Lama Studi
Angkatan Data Tak Dikenal
Data Dikenal Total
Jml Melewati
Batas Studi Tepat Waktu
Jml 2008
0.00 34
82.93 7
17.07 41
100.00 2009
1 1.92
42 80.77
9 17.31
52 100.00
2010 1
2.70 31
83.78 5
13.51 37
100.00
Tabel 27 Prediksi Tingkat Kelulusan mahasiswa 2008-2010 angkatan berdasarkan IPK
Angkatan Data Tak
Dikenal Data Dikenal
Total Jml
Terpuji Sangat
Memuaskan Memuaskan
Jml 2008
0.00 7
17.07 23
56.10 11
26.83 41
100.00 2009
2 3.85
10 19.23
29 55.77
11 21.15
52 100.00
2010 6
16.22 4
10.81 13
35.14 14
37.84 37
100.00
Dari Tabel 26 dan Tabel 27 terlihat bahwa prediksi mahasiswa dengan kategori melewati batas studi memiliki presentase yang lebih tinggi dibandingkan
dengan kategori mahasiswa yang lulus tepat waktu. Besar presentase yang dihasilkan sangat jauh dari standar mutu lulusan yang telah ditetapkan oleh
universitas. Begitupula halnya dengan hasil prediksi tingkat kelulusan IPK mahasiswa, diperoleh bahwa sebagian besar mahasiswa menyelesaikan studi
dengan kategori IPK sangat memuaskan. Hasil prediksi ini dapat menjadi informasi dan bahan pertimbangan bagi penyelenggara program studi untuk dapat
mengambil langkah-langkah strategi dalam rangka menaikkan tingkat kelulusan mahasiswa, antara lain lebih meningkatkan kualitas pembelajaran, layanan
akademik hingga dengan perhatian khusus kepada sejumlah mahasiswa yang tingkat kelulusannya diprediksi lebih rendah dari sasaran mutu yang ditetapkan.
4.9 Analisa Sensitivitas
Analisa sensitivitas dilakukan untuk mengetahui variabel yang lebih atau paling berpengaruh diantara variabel-variabel masukan lainnya. Berdasarkan hasil
analisa sensitivitas maka diperoleh nilai sensitivitas dari variabel masukan pada
