Manfaat bagi manajemen HASIL DAN PEMBAHASAN

5 SIMPULAN DAN SARAN

5.5 Simpulan

Berdasarkan hasil penelitian yang telah dilakukan dapat disimpulkan bahwa jaringan saraf tiruan JST propagasi balik yang sudah dilatih dengan data nilai mata kuliah 2 dua semester tahun pertama program perkuliahan dapat digunakan untuk memprediksikan tingkat kelulusan mahasiswa berupa kategori lama studi dan IPK. Arsitektur JST dengan generalisasi terbaik dihasilkan oleh jaringan dengan jumlah input node 16, hidden node 10 dan output node 2 untuk MPLS, serta hidden node 15 dan output node 3 untuk MPIPK. Parameter jaringan terbaik diperoleh dari percobaan menggunakan kelompok data kedua, dengan fungsi fungsi pelatihan levenberg-marquardt, laju pembelajaran 0.1 untuk MPLS tingkat generalisasi data validasi dan data testing 96.97 dan 100.00, serta laju pembelajaran 0.05 dan tingkat generalisasi data validasi dan data testing 100.00 dan 93.94 untuk MPIPK. Hasil prediksi tingkat kelulusan mahasiswa angkatan 2008, 2009 dan 2010, baik berdasarkan lama studi maupun IPK, belum mencapai sasaran mutu yang ditetapkan, dimana persentase mahasiswa yang diprediksi lulus tepat waktu 3 tahun masing-masing hanya sebesar 17.07 untuk angkatan 2008, 17.31 untuk angkatan 2009 dan 13.51 untuk angkatan 2010. Begitupula dengan hasil prediksi tingkat kelulusan mahasiswa angkatan 2008, 2009 dan 2010 berdasarkan predikat IPK diperoleh bahwa persentase mahasiswa yang diprediksi lulus dengan predikat terpuji IPK ≥ 3.5 sebesar 17.07 untuk angkatan 2008, 3.85 untuk angkatan 2009 dan 16.22 untuk angkatan 2010, dimana hasil prediksi mahasiwa yang lulus dengan predikat terpuji memiliki persentase yang lebih rendah dibandingkan dengan mahasiwa yang lulus dengan predikat sangat memuaskan, sebagaimana yang menjadi salah satu sasaran mutu Universitas Negeri Gorontalo. Berdasarkan hasil analisis sensitivitas yang betujuan untuk melihat pengaruh variabel input terhadap output, mata kuliah yang paling besar pengaruhnya pada kedua model prediksi adalah mata kuliah Aljabar Vektor dan Matriks. Mata kuliah tersebut memberikan pengaruh yang lebih besar dibandingkan mata kuliah lainnya karena perolehan nilai dari mata kuliah tersebut menampakkan pola tertentu terhadap output yang ditetapkan.

5.2 Saran

Beberapa saran untuk penelitian lebih lanjut adalah perlu dilakukannya penelitian lanjutan untuk melatih JST dengan berbagai tipe data simulasi dan membandingkannya dengan teknik klasifikasi data yang lain sehingga diharapkan kinerja dari JST menjadi lebih baik dan optimal. Perlu dilakukannya pengujian terhadap kombinasi arsitektur dan parameter untuk JST selain dari pengujian yang telah dilakukan. Dengan mengujinya lebih banyak diharapkan dapat ditemukan parameter jaringan saraf tiruan yang lebih optimal. Melakukan penambahan jumlah variabel input dari model agar tingkat akurasi dan generalisasi dapat ditingkatkan, antara lain adalah variabel nilai ujian lokal yang menjadi salah satu standar nilai bagi seleksi penerimaan mahasiswa baru. Penelitian ini perlu dikembangkan menjadi sebuah sistem prototipe, dengan merancang sebuah program aplikasi antar muka graphic user interfaceGUI untuk mendapatkan sistem prediksi yang lebih baik dan mudah digunakan oleh pengguna awam. DAFTAR PUSTAKA Agung A. 2007. Klasifikasi Mahasiswa STEKPI dengan Menggunakan Jaringan Saraf Tiruan. J Ekubank. Vol. II : 43-50. Agustini K. 2006. Perbandingan Metode Transformasi Wavelet Sebagai Praproses Pada Sistem Identifikasi Pembicara. [Thesis]. Bogor : Program Pascasarjana, Institut Pertanian Bogor Engelbrecht AP. 2001. Sensitivity Analysis for Selective Learning by Feedforward Neural Networks. J Fundamental Informatics. Vol. XXI:1001- 1028. IOS Press Fausett L. 1994. Fundamentals of Neural Netrowk. Prentice Hall, Englewood Cliffs, New Jersey. Han J, Kamber M. 2001. Data Mining : Concepts and Techniques. USA : Academic Press. Han, Kamber M. 2006. Data Mining: Concepts and Techniques. Morgan Kaufmann. Kantardzic M. 2003. Data Mining : Concepts, Models, Methods, and Algorithms. USA : John Wiley Son. Kusumadewi S. 2004. Membangun Jaringan Saraf Tiruan Menggunakan Matlab dan Excel Link. Yogyakarta. Graha Ilmu. Kusumadewi S, Hartati S. 2010. Neuro-Fuzzy. Integrasi Sistem Fuzzy Jaringan Syaraf. Yogyakarta. Graha Ilmu. Larose DL. 2005. Discovering Knowledge in Data : An Introduction to Data Mining. Wiley-Interscience, New Jersey. Poh HL, Yao JT and Jasic T. 1998. Neural networks for the analysis and forecasting of advertising and promotion impact. International Journal of Intelligent System in Accounting, Finance and Management, 74 : 253-268. Purnomo S. 2001. Klasifikasi Pola Yang Tidak Dapat Dipisahkan Secara Linier Menggunakan Jaringan Saraf Tiruan Perceptron Multi-Layer. J Teknologi Industri. Vol.V 3 : 177-184. Puspitaningrum. 2006. Pengantar Jaringan Saraf Tiruan. Yogyakarta. Penerbit Andi. Siang JJ. 2004. Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan MATLAB. Yogyakarta. Andi Publisher. Sufandi U. 2007. Pengembangan Sistem Prediksi Kemajuan Belajar Mahasiswa Berbasis Jaringan Saraf Tiruan : Kasus Universitas terbuka. [Thesis]. Bogor : Program Pascasarjana, Institut Pertanian Bogor. Universitas Negeri Gorontalo. 2009. Pedoman Akademik. Gorontalo : UNG Press. Tan P, Steinbach M, Kumar V. 2006. Introduction to Data Mining. USA : Pearson Education, Inc.