PREDIKSI INDEKS PRESTASI MAHASISWA TAHUN PERTAMA MENGGUNAKAN METODE BACKPROPAGATION

PREDIKSI INDEKS PRESTASI MAHASISWA TAHUN PERTAMA MENGGUNAKAN METODE

BACKPROPAGATION

(STUDI KASUS PROGRAM STUDI TEKNIK INFORMATIKA USD) SKRIPSI

Diajukan Untuk Memenuhi Salah Satu Syarat Memperoleh Gelar Sarjana Teknik Program Studi Teknik Informatika

Oleh: Dian Ambar Kusuma NIM : 045314040

JURUSAN TEKNIK INFORMATIKA FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS SANATA DHARMA YOGYAKARTA 2008

GRADE FIRST YEAR STUDENT INDEX

PREDICTION USING BACKPROPAGATION

METHODE

(

Case Study Informatics Engineering Study Program USD

)

A THESIS

Presented as Partial Fulfillment of the Requirements

To Obtain Informatics Engineering Degree

In Informatics Engineering Department

by:

Dian Ambar Kusuma

NIM : 045314040

INFORMATICS ENGINEERING STUDY PROGRAM

INFORMATICS ENGINEERING DEPARTMENT FACULTY

OF SAINS AND TECHNOLOGY

SANATA DHARMA UNIVERSITY

YOGYAKARTA

2008

Dalam Segala perkara,Tuhan punya rencana Yang lebih besar dari semua yang ter pikirkan

Apapun yang Kau perbuat tak ada maksud jahat,

S’bab itu kulakukan semua denganMu Tuhan

Kutakakan menyerah pada apapun juga, Sebelum ku coba semua yang kubisa Tetapi ku berserah kepada kehendak-Mu, Hatiku percaya Tuhan punya ReNcaNa

Motto

Masalahku BIASA, kaRena YESUSku LuaR BiaSa;

pRoblemku KECIL, kaRena YESUSku BeSaR;

bebaNku RiNgaN, kaRena YESUSku KuaT;

HiduPku menjaDi beRkat, kaRenaYESUSku ajaib daN DasYat

Janganlah kamu menjadi serupa dengan dunia, tetapi berubahlah oleh

pembaharuan budimu, sehingga kamu dapat membedakan manakan kehendak

Allah:apa yang baik, yang berkenan kepada allah dan yang sempurna (Roma 12:2)

Bersukacitalah dalam pengharapan, sabarlah dalam kesesakan,dan bertekunlah

dalam doa! (Roma 12:12)

Jikalau kamu tinggal di dalam Aku dan firman-Ku tinggal di dalam kamu,

mintalah apa saja yang kamu kehendaki, dan kamu akan menerimanya (Yoh 15:7)

ABSTRAK

Jaringan Syaraf Tiruan (neural artificial network) adalah suatu sistem

pemrosesan informasi yang mempunyai karakteristik menyerupai jaringan syaraf

manusia.

Dalam skripsi ini dibuat prediksi indeks prestasi mahasiswa baru (dengan

studi kasus Teknik Informatika di USD) menggunakan metode Backpropagation

dan untuk implementasi menggunakan bahasa pemprograman Matlab. Input yang

digunakan adalah nilai ujian masuk dan target yang digunakan adalah indeks

prestasi semester pertama, yang data diambil secara real dari BAPSI USD. Data

dari BAPSI tersebut akan dibagi menjadi dua yaitu 70% untuk proses training

atau pelatihan jaringan dan 30% untuk menguji tingkat akurasi jaringan atau bisa

disebut sebagai proses testing.

Hasil dari percobaan yang dilakukan menunjukkan bahwa untuk

mendapatkan keakuratan yang cukup baik dalam proses pelatihan dan pengujian

adalah dengan menggunakan 2 buah hiiden layer dengan dengan jumah neuron

pada hidden layer ke-1 sebanyak 20 neuron dan jumah neuron pada hidden layer

ke-2 sebanyak 15 neuron, laju pemahaman 0,01 dan galat 0.01.

ABSTRACT

Neural artificial network is an information system process which has characteristic similar to human neural network.

In this final report we are going to predict GPA of new student

(Information Engineering case study at Sanata Dharma University) using

Backpropagation method and for the implementation using Matlab language

program. The input is the value of entering test and the target is GPA of first

semester from BABSI Sanata Dharma University (real data). The data from

BABSI and then was divided into two categories, 70% for training process or

network training and 30% for analyzing network accuracy level or we often call it

testing process.

The result of the research show that in order to get good accuracy in the training

process and testing were using 2 piece hidden layer with 20 neurons and 15

neurons, learing rate 0,01 and galat 0,01

KATA PENGANTAR

Puji syukur saya ucapkan ke hadirat Tuhan Yang Maha Esa atas berkat dan

limpahan kasih karunia yang telah diberikan-Nya sehingga saya dapat

menyelesaikan skripsi ini dengan judul “PREDIKSI INDEKS PRESTASI

MAHASISWA TAHUN PERTAMA MENGGUNAKAN METODE

BACKPROPAGATION (STUDI KASUS PROGRAM STUDI TEKNIK

INFORMATIKA USD)”.

Dorongan serta nasihat dari berbagai pihak sangat membantu sampai tersusunnya skripsi ini. Untuk itu, saya ingin mengucapkan terima kasih kepada :

1. Tuhan Yesus Kristus yang telah menyertai penulis selama pembuatan skripsi ini.

2. Orang tua penulis yang telah memberi dukungan kepada penulis baik spiritual maupun material dalam penyelesaian skripsi ini.

3. My Lovely Brother Grahono Suryaning Condro yang selalu memberika spirit kepada penulis pada saat penulis sedang butuh pendorong untuk tetap semangat dalam menyelesaikan studi ini. Semoga kakakku mendapatkan apa yang diinginkan.

4. My Big Family yang mungkin tidak dapat penulis sebutkan satu persatu tapi yang jelas buat semuanya penulis sangat bersyukur punya keluarga yang sangat support dalam pendidikan.

5. Ibu Agnes Maria Polina, S.Kom., M.Sc., selaku Dosen Pembimbing Akademik Angkatan 2004 Jurusan Teknik Informatika Fakultas Sains dan Teknologi Universitas Sanata Dharma Yogyakarta.

6. Bapak Drs. J.J Siang,M.sc selaku Dosen Pembimbing pertama dan Bapak

Eko Hari Parmadi,S.Si.M.Kom selaku Dosen Pembimbing kedua Skripsi yang telah membimbing dan menyediakan waktu dalam memberikan pengarahan selama penulisan skripsi ini.

7. Teman dan sahabat sejatiku SuseK ☺ terimakasih atas persahabatan yang

telah terjalin selama kuliah dan terimakasih karena sudah mau aku repotin.... you’re my best friend . Good LucK for you ‘n semangat.

8. Buat teman-teman terbaikku Dini, Nciz, Monic, Hylda dan Debby yang

selalu siap mendengar keluh-kesahku dan selalu menemani penulis buat refreshing saat penulis merasa jenuh. Thanks for all ‘n suKses juga buat kalian semua.

9. Semua temen-teman seangkatan Teknik Informatika 2004 yang tidak bisa

penulis sebutkan satu persatu yang telah mendukung penulis dalam menyelesaikan penulisan skripsi ini. Terimaksih buat semua pertemanan yang boleh terjalin selama kuliah.

10. Teman-teman satu bimbingan yang dapat menghibur saat penulis merasa butuh penghiburan antara lain Agnes,Tammy,Ina dan Vera.

11. Saudara seiman yang telah dipertemukan dalam keadaan tidak sengaja yaitu

mbak Dian,mbak Diana yang begitu luar biasa memberi semangat dan

pengertian bahwa tangan Tuhan tidak akan jauh dari kita. Thanks ya sis...

12. Teman-teman satu pelayanan Paduan Suara Inovatif di GKI Gejayan Ruth,

Kak Echie, dan Kak Viilian. Gbu all

13. Anggota jemaat di GKI Rembang yang tidak mungkin penulis sebutkan satu persatu.

14. Tastiti Community mbak Lia, mbak Retno, Deni, Intan, Wuri, Maria dan

semuanya yang telah memberi dukungan dan doa kepada penulis dalam menyelesaikan skripsi ini. Akhirnya skripsi ini terselesaikan, disadari bahwa skripsi ini jauh dari

sempurna. Untuk itu penulis dengan rendah hati mengharapkan kritik dan saran

yang dapat memberikan kesempurnaan pada penulisan skripsi ini. Akhir kata,

semoga skripsi ini dapat bermanfaat bagi penulis, juga pihak yang membutuhkan.

Yogyakarta, 30 Agustus 2008 Penulis

DAFTAR ISI

Halaman

HALAMAN JUDUL ......................................................................................... i

HALAMAN JUDUL ......................................................................................... ii

HALAMAN PERSETUJUAN PEMBIMBING ............................................. iii

HALAMAN PENGESAHAN........................................................................... iv

MOTTO ......................................................................................... vi

ABSTRAK ......................................................................................... vii

ABSTRACT ......................................................................................... viii

KATA PENGANTAR....................................................................................... ix

HALAMAN KEASLIAN KARYA .................................................................. xii

LEMBAR PERNYATAAN .............................................................................. xiii

DAFTAR ISI ..................................................................................................... xiv

DAFTAR TABEL ............................................................................................. xvii

DAFTAR GAMBAR ..................................................................................... xviii

DAFTAR GRAFIK ........................................................................................... xix

DAFTAR LAMPIRAN ..................................................................................... xx

BAB I PENDAHULUAN.................................................................................. 1

1.1. Latar Belakang Masalah .................................................................... 1

1.2. Rumusan Masalah .............................................................................. 2

1.3. Batasan Masalah ................................................................................ 2

1.4. Tujuan dan Manfaat Penuliasan ......................................................... 3

1.6. Sistematika Penulisan ........................................................................ 4

BAB II LANDASAN TEORI ........................................................................... 6

2.1. Jaringan Srayaf Tiruan .......................................................................... 6

2.1.1. Pengertian Jaringan syaraf Tiruan............................................... 6

2.2. Backpropagation .................................................................................... 6

2.2.1. Arsitektur Jaringan Backpropagation.......................................... 6

2.2.2. Pelatihan Standart Backpropgation ............................................. 7

2.2.3. Algoritma Backpropagation ........................................................ 8

BAB III ANALISA DAN PERANCANGAN ................................................. 11

3.1. Analisa Sistem ....................................................................................... 11

3.1.1. Analisa Masalah .......................................................................... 11

3.1.2. Analisa Kebutuhan ...................................................................... 12

3.1.3. Analisa Data ................................................................................ 12

3.2. Perancangan Antar Muka/Desain Output .............................................. 16

3.2.1. Tampilan Utama.......................................................................... 16

3.2.2. Tampilan Menu Pengujian .......................................................... 19

3.2.3. Tampilan Menu Prediksi ............................................................. 20

3.3. Perancangan Model Jaringan Srayaf Tiruan .......................................... 21

3.3.1. Menetapkan Masukan ................................................................. 21

3.3.2. Variabel Keluaran ....................................................................... 21

3.3.3. Arsitektur Jaringan ...................................................................... 22

3.3.4. Membangun Jaringan .................................................................. 23

3.3.5. Bagan alir Pelatihan/Trining ....................................................... 24

3.3.6. Bagan alir Testing ....................................................................... 26

3.3.7. Pelatihan Jaringan ....................................................................... 27

BAB IV IMPLEMENTASI DAN ANALISA.................................................. 28

4.1. Implementasi Program ........................................................................... 28

4.2. Hasil Implementasi ................................................................................ 48

4.2.1. Capture-capture Hasil.................................................................. 48

4.2.1.1.Menu Utama.......................................................................... 48

4.2.1.2.Menu Pengujian .................................................................... 50

4.2.1.3.Menu Prediksi ....................................................................... 51

4.3. Analisa Pelatihan Jaringan..................................................................... 51

4.4. Pembahasan............................................................................................ 52

4.5. Analisa Hasil.......................................................................................... 58

4.6. Kelebihan Sistem ................................................................................... 58

4.7. Kekurangan Sistem ................................................................................ 58

BAB V KESIMPULAN DAN SARAN ............................................................ 58

5.1. Kesimpulan ............................................................................................ 60

5.2. Saran ...................................................................................................... 61

DAFTAR PUSTAKA ....................................................................................... 62

LAMPIRAN ...................................................................................................... L1

DAFTAR TABEL

Tabel Keterangan Halaman

4.2 Tebel pengujian dengan 1 hidden layer dan laju pemahaman yang beda

4.5 Perbandingan IP dari tahun yang beda dan input sama dengan IP JST

4.4 Tabel inputan yang sama dengan tahun yang beda

4.3 Tabel pengujian dengan dua lapisan tersembunyi

3.1 Tabel Kamus Mata Tes

4.1 Tabel pengujian dengan 1 hidden layer dan jumlah neuron yang beda

3.4 Tabel Variabel Keluaran

3.3 Tabel Variabel Masukkan

3.2 Tabel Field Data Bapsi

4.6 Perbandingan prosentase untuk data pelatihan

DAFTAR GAMBAR

Gambar Keterangan Halaman

2.1 Arsitektur Jaringan Backpropagation

3.1 Tampilan Menu Utama

3.2 Tampilan Menu Pengujian

3.3 Tampilan Manu Prediksi

3.4 Arsitektur Jaringan 22

3.5 Flowchart Training Data

3.6 Flowchart Testing Data

4.1 Tampilan Aplikasi Menu Utama

4.2 Grafk Pembelajaran 49

4.3 Tampilan Kesimpulan hasil pelatihan

4.4 Tampilan Aplikasi Menu Pengujian

4.5 Tampilan Kesimpulan hasil pengujian

4.6 Tampilan Aplikasi Menu Prediksi

DAFTAR GRAFIK

Grafik Keterangan Halaman

4.1 Pengujian dengan jumlah neuron tiap hidden layer beda

4.2 Pengujian dengan nilai laju pemahaman beda

4.3 Pengujian dengan dua hiddean layer

DAFTAR LAMPIRAN

Lampiran 1 : Data Asli mahasiswa dari BAPSI USD

Lampiran 2 : Data Perbandingan target dengan output jaringan

Lampiran 3 : Contoh Perhitungan Manual Lampiran 4 : Listing Program Lampiran 5 : Surat Ijin Ambil Data ke BAPSI

BAB I PENDAHULUAN

1.1. Latar Belakang Masalah

Salah satu masalah yang sering sekali muncul dan sering terjadi di Teknik

Informatika Universitas Sanata Dharma adalah hasil Indeks Prestasi di tahun

pertama. Jika hal ini selalu diabaikan, dapat menyebabkan turunnya nilai

akreditasi dari jurusan Teknik Informatika itu sendiri. Untuk itu alangkah lebih

baik jika dalam proses awal penerimaan mahasiswa baru dilakukan seleksi lebih

ketat dengan melakukan prediksi terhadap setiap mahasiswa baru yang

memasukkan datanya sebagai calon mahasiswa di Teknik Informatika.

Masalah yang biasanya muncul saat hendak melakukan prediksi adalah

inputan apa saja yang akan menjadi bahan pertimbangan sehingga menghasilkan

nilai prediksi optimal. Karena setiap inputan yang hendak digunakan akan sangat

berpengaruh, maka dalam mengambil contoh harus dilakukan pertimbangan

matang. Sejauh ini inputan yang dapat dilakukan dalam prediksi Indeks Prestasi

seorang calon mahasiswa baru hanyalah hasil test masuk secara reguler saja. Hal

ini diambil karena di Teknik Informatika sendiri, seorang calon mahasiswa tidak

diwajibkan untuk menyerahkan nilai-nilai raport waktu SMA maupun hasil NEM

waktu lulus SMA (dapat dilihat dari tabel yang telah di dapat dari pihak BAPSI

ada di lampiran).

1.2. Rumusan Masalah

Dari latar belakang di atas dapat dirumuskan sebagai berikut:

Bagaimana membangun sebuah aplikasi Jaringan Syaraf Tiruan yang dapat

membantu manghasilkan prediksi sebuah Indeks Prestasi di tahun pertama

berdasarkan inputan nilai hasil test masuk dengan menggunakan metode

Backpropagation ? 1.3.

Batasan Masalah Dalam prediksi indeks prestasi mahasiswa baru dengan jaringan syaraf tiruan

yang menggunakan metode backpropagation ini dilakukan beberapa batasan

masalah antar lain sebagai berikut:

• Prediksi hanya dilakukan untuk calon mahasiswa yang masuk melalui test
atau regular(tidak untuk calon mahasiswa yang masuk melalui jalur prestasi atau yang lainnya).
• Inputan hanya berdasar data test masuk mahasiswa yang biasa digunakan
(faktor luar selain sisi akademik tidak menjadi pertimbangan). Inputannya ada lima macam yaitu Penalaran Verbal, Kemampuan Numerik, Penalaran Mekanik, Hubungan Ruang, Bahasa Inggris.
• Dalam melakukan prediksi ini metode jaringan syaraf tiruan yang digunakan
hanya metode Backpropagation.
• Data penelitian yang bisa didapatkan dari pihak Bapsi dan yang dapat
digunakan adalah 5 tahun belakang yaitu dari tahun 2003 sampai 2007.

• Data untuk training atau pelatihan sebesar 70% awal dari data tiap tahun yang
sudah digabung menjadi satu dan untuk data testing atau pengujian sebesarr 30% setelah data training.
Untuk jumlah hidden layer hanya dibatasi maksimum 2 layar.
Untuk tiap hidden layernya maksimun neuronnya dibatasi hanya 40 neuron.
Untuk maksimum epoch hanya dibatasi maksimum 8000 epoch.
• Untuk jenis fungsi aktivasi yang nantinya digunakan adalah fungsi sigmoid
biner (logsig).
• Bahasa pemrograman yang digunakan adalah Matlab versi 7.0 di bawah
system operasi Windows.
• Penyimpanan data tidak dilakukan menggunakan database. Data yang
digunakan adalah data dalam bentuk text atau .txt. Data yang di dapat dari BAPSI USD dalam bentuk excel dapat langsung di lakukan save as terlebih dahulu menjadi bentuk text.

1.4. Tujuan dan Manfaat Penulisan

Beberapa hal yang menjadi tujuan dari pembuatan program Bantu untuk prediksi Indeks Prestasi awal semester antara lain :

• Merancang sistem Jaringan Syaraf Tiruan untuk memberikan prediksi
keputusan tetang Indeks Prestasi tahun pertama kepada calon Mahasiswa Baru yang mendaftar sebagai mahasiswa teknik informatika.

Sedangkan manfaat yang akan diperoleh dari penulisan skripsi ini adalah

Teknik Informatika Universitas Sanata Dharma adalah mahasiswa/mahasiswi

yang berkualitas dan diharapkan nantinya saat lulus dapat bersaing dengan

masyarakat di luar Universitas Sanata Dharma.

1.5. Metodologi Penulisan

• Mengambil data secara real di BAPSI USD, lalu menentukan faktor-faktor

yang sangat mempengaruhi dalam proses prediksi dan nantinya akan dijadikan
inputan.
• Studi pustaka tentang prediksi dengan jaringan syaraf tiruan yang
menggunakan metode Backpropagation.
• Implementasi prediksi Indeks Prentasi dengan Jaringan Syaraf Tiruan
menggunakan metode Backpropagation dalam suatu program Matlab versi 7.0.

1.6. Sistematika Penulisan Dalam penulisan skripsi ini akan dibagi menjadi 5 bagian yaitu:

BAB I Pendahuluan Pendahuluan di sini dimaksudkan sebagai pengantar sebelum memasuki isi dari

penulisan yang sesungguhnya. Pada bab ini meliputi latar belakang masalah yang

mana akan menjelaskan masalah apa yang terjadi dan alasan timbulnya masalah,

batasan masalah akan menjelaskan batasan-batasan yang akan diselesaikan dalam

penulisan, tujuan dan manfaat penelitian akan menjelasakan tujuan dari penelitian

yang diangkat dan manfaat atau keuntungan yang akan dicapai dari penelitian ini,

rumusan masalah, metodologi penelitian,dan sistematika penulisan.

BAB II Landasan Teori Berisi teori-teori yang menjelaskan tentang Jaringan Syaraf Tiruan, metode Backpropagation dan teori yang berkaitan dengan pembuatan Tugas Akhir ini. BAB III Analisis dan Perancangan Sistem Berisi tentang analisa sistem yang terdiri dari analisa masalah, analisakebutuhan,

dan analisa data yang digunakan yaitu nilai test masuk pada tahun 2003-2007

sebagai input pada jaringan syaraf tiruan. Kemudian dilanjutkan dengan

perancangan system dan perancangan interface (desain output).

BAB IV Implementasi dan Analisa Bagian ini akan membahas bagaimana sebagai penulis mengubah rancangan yang

sudah ditulis sebelumnya ke penerapan yang sesungguhnya. Kemudian akan

dilanjutkan dengan jawaban atas rumusan masalah yang telah dikemukakan pada

BAB I.

BAB V Kesimpulan dan Saran Pada bab ini akan berisi tentang jawaban secara singkat dari rumusan masalah dan juga saran untuk para pembaca tulisan ini pada nantinya.

BAB II LANDASAN TEORI

2.1. Jaringan Syaraf Tiruan

2.1.1. Pengertian Jaringan Syaraf Tiruan

Jaringan syaraf tiruan yang sering disingkat sebagai JST adalah sebuah

paradigma pemrosesan suatu informasi yang terinspirasi dari system sel pada

biologi, yang mana mempunyai cara kerja seperti otak dalam memproses suatu

informasi. Salah satu metode yang ada pada Jaringan syaraf tiruan adalah

Backpropagation, yang mana metode ini nantinya akan digunakan pada penulisan

skripsi.

2.2. Backpropagation

2.2.1. Arsitektur Jaringan Backpropagation

Pada metode Backpropagation terdapat layar tersembunyi (hidden layer)

yang terletak diantara unit input dan unit output. Sedangkan di setiap layar

memiliki sebuah bias. Untuk modifikasi bobotnya menggunakan aturan Delta.

Dapat digambarkan arsitektur dari Backpropagation adalah sebagai berikut :

_w _{10 w k0} Y ^{1 Y k Y m} _{w w w} _{kj kp mp} _{w w} _{m0 m1} _w _{11 w 1j w mj w 1p}

_k1

z z 1 z j _{v j0} _{1 p} _{v j1} _{v v jn v pn} _ji v ₁₀ _v _p0 _v _{11 pi} _v _p1 _{v 1i} _v _v _1n x x

1 x i _{1 n}

Gambar 2.1 Arsitektur Jaringan Backpropagation

2.2.2. Pelatihan Standart Backpropagation

Pelatihan Backpropagation terdiri dari 3 fase yaitu:

Fase I : Propagasi maju Saat propagasi maju, sinyal masukkan (x i ) dipropagasikan ke layar
tersembunyi menggunakan fungsi aktivasi yang telah ditetapkan sebelumnya.
Kemudian keluaran dari setiap unit layar tersembunyi (z j ) tersebut dipropagasi
maju lagi ke layar tersembunyi di atasnya menggunakan fungsi aktivasi t\yang tealh ditetapkan pula. Dilakukan terus hingga memperoleh hasil keluaran jaringan (y k ). Selanjutnya,keluaran jaringan tersebut dibandingkan dengan target yang
harusnya dicapai (t k ). Maka selisih antara target dan keluaran jaringan (t k - y k ) merupakan sebuah kesalahan yang terjadi (error). Apabila kesalahan yang dihasilkan lebih besar dari toleransi kesalahan yang sudah ditetapkan
sebelumnya, maka bobot setiap garis pada jaringan akan dilakukan modifikasi
dengan tujuan mengurangi kesalahan yang terjadi. Tetapi jika kesalahan yang

dihasilkan lebih kecil dari toleransi kesalahan yang ditetapkan, maka iterasi sudah dapat dihentikan.

Fase II : Propagasi mundur Berdasarkan kesalahan (t k -y k ), dihitung faktor δ k (k = 1,2,...,m) layar keluaran.

δ k nantinya akan dipakai sebagai dasar perubahan atau pada saat melakukan modifikasi yang akan dilakukan pada fase III.

Dengan cara yang sama, hitung faktor

j untuk setiap layar di bawahnya sampai semua bobot termodifikasi.

Fase III : Perubahan bobot Pada fase ini intinya adalah melakukan modifikasi bobot berdasarkan faktor kesalahan δ k yang telah dilakukan pada fase sebelumnya.

Ketiga fase tersebut akan terus diulang-ulang sampai kondisi penghentian telah dipenuhi. Untuk kriteria penghentian iterasi adalah sebagai berikut :

Kesalahan keluaran < batas toleransi yang diberikan
Jumlah epoch > maksimun iterasi yang ditetapkan
Penurunan kesalahan terlalu kecil

2.2.3. Algoritma Backpropagation

Untuk algoritma pelatihan standart pada Backpropagation adalah sebagai berikut:

0. Inisialisasi semua bobot dengan bilingan random kecil

1. Jika kondisi penghentian belum terpenuhi, lakukan langkah 2-9

2. Untuk setiap pasangan data pelatihan, lakukan langkah 3 -8

setiap unit masukkan menerima sinyal dan meneruskannya ke unit tersembunyi

di atasnya

(j = 1,2,...,p) Hitung semua keluaran di unit tersembunyi z j n v x v jo i ji

z_net j =

∑

1 =

1 zj = f (z_net j ) =

− ^j 1 e

z net _

5. Hitung semua keluaran jaringan di unit y k (k = 1,....,m) p

y_net k = w z w

ko j k j ∑ j =

1 yk = f (y_net k ) = −

1 e

y net _ _k

6. Hitung factor unit keluaran berdasarkan kesalahan di setiap unit keluaran y (k = 1,…,m) k

= − −

= − t y y

1 y δ t y f ' y net _ ( ) ( ) _{k k k k} ( ) ( ) k k k k

7. (yang akan dipakai nanti untuk merubah

Hitung suku perubahan bobot kj Δw bobot w kj ) dengan laju percapatan

α Δ w = α δ z kj k j

(k = 1, ... ,m ; j = 0, ... , p )

8. Hitung kesalahan unit tersembunyi berdasarkan kesalahan di setiap unit

tersembunyi z (j = 1,…,p) j m

δ _ net = δ w j k k j

∑ k =

1 Factor kesalahan unit tersembunyi :

− δ _ net z 1 z δ = = δ net f z net j j j

_ ' _ ( ) j j j

( )

Hitung suku perubahan bobot Δ vji ; ji j v x i

α δ Δ = j = 1, 2, ... , p ; i = 0, 1, ... ,n

9. Hitung semua perubahan bobot Perubahan bobot garis yang menuju ke unit keluaran w b ( ) ( ) _{k j k j k j} aru w lama w = + Δ

(k = 1, 2, ... ,m ; j = 0, 1, ... , p) Perubahan bobot garis yang menuju ke unit tersembunyi (j = 1, 2, ... , p; i = 0, 1, ... , n)

( ) ( ) j i j i v baru v lama v

= + j i

BAB III ANALISA DAN PERANCANGAN SISTEM

3.1. Analisa Sistem

3.1.1. Analisa Masalah

Alasan dari pembuatan program bantu ini adalah untuk mendapatkan atau

proses penyaringan calon-calon mahasiswa teknik informatika yang cukup

berkualitas. Dengan demikian diharapkan dengan program bantu ini mahasiswa

yang diterima pada program studi teknik informatika dapat memperoleh hasil

indeks prestasi di tahun pertama yang cukup memuaskan. Dengan program bantu

ini saat dilakukan prediksi Indeks Prestasi dengan inputan nilai-nilai test masuk

dan ternyata hasilnya di rasa tidak begitu baik calon mahasiswa tersebut otomatis

akan ditolak masuk program studi teknik informatika dan calon mahasiswa

tersebut dapat mencobanya kembali pada test gelombang berikutnya dengan

pilihan yang sama ataupun berubah pikiran dengan memilih program studi yang

lain. Hal ini dilakukan dengan harapan mengurangi jumlah mahasiswa yang

masuk di program studi teknik informatika ini dengan alasan kesasaran ataupun

diterimanya di sini. Dengan alasan semacam itu terkesan program studi teknik

informatika adalah program studi buangan, oleh karena itu dengan range nilai

yang telah ditetapkan oleh pihak jurusan maka dengan program bantu ini

diharapkan semoga dapat memecahkan masalah-masalah yang sering terjadi di

program studi teknik informatika. Masalah yang sering ditemukan antara lain: • Nilai indeks prestasi pada tahun pertama yang jelek.

• Dengan indeks prestasi yang jelek maka mahasiswa akan terhambat dalam

menempuh mata kuliah di semester berikutnya karena terbatasnya mata kuliah
yang boleh diambil jika indeks prestasi yang diperoleh jelek 3.1.2.

Analisa Kebutuhan

• Program bantu ini dirasa perlu karena banyak mahasiswa di program studi
teknik informatika yang sudah diterima dan di tahun pertama kuliah memperoleh nilai indeks prestasi yang jelek.
• Program bantu ini dibuat untuk menjaring calon mahasiswa pada program studi
teknik informatika yang benar-benar minat masuk pada program studi ini.

3.1.3. Analisa Data

Dalam sistem bantu ini data yang dibutuhkan di bagi menjadi 3 :

Data mentah Data mentah di sini adalah data yang dibutuhkan dalam proses pelatihan, pengujian, maupun nantinya melakukan prediksi. Sebelum data mentah ini
masuk ke dalam proses-proses tersebut, data mentah yang didapat dilakukan
proses transformasi terlebih dahulu agar range yang di dapat sama seperti fungsi sigmoid biner. Data mentah ini didapatkan dari pihak BAPSI.
Sedangkan data yang dapat diperoleh dari pihak BAPSI adalah sebagai berikut:

Kamus Mata Tes

Tabel 3.1 Kamus Mata Tes

Kode Mata Tes

11 Penalaran Verbal

12 Kemampuan Numerik

14 Hubungan Ruang

15 Bahasa Inggris

Tabel 3.2 Field Data Bapsi

Field Keterangan Nomor Nomor Pendaftaran Namacln Nama Calon pil1 Pilihan

1 pil2 Pilihan 2 pil3 Pilihan 3 kd_sex kd_kawin Kode kawin (Belum kawin,nikah,sudah menikah) kd_warga Warga negara kd_agama Agama Alamatpos Alamat kontak lewat pos Almtcln Alamat calon Kotmpcln Kota asal calon Thnsttb Tahun sttb Jumsttb Jum sttb Jummtsttb Jumlah mata pelajaran sttb Jumnem Jumlah nem Jummtnem Jumlah mata pelajaran nem nama_ortu Nama orang tua pend_ortu Pendidikan orang tua Telepon Telepon kd_sekolah Sekolah asal alm_ortu Alamat orang tua Sedangkan banyaknya record yang dapat diperoleh dari pihak BAPSI adalah 350 record, dengan rincian sebagai berikut : 61 mahasiswa angkatan 2003 56 mahasiswa angkatan 2004 83 mahasiswa angkatan 2005 85 mahasiswa angkatan 2006 65 mahasiswa angkatan 2007 Data transformasi dapat diperoleh dengan cara sebagai berikut:

Jika a adalah data minimum dan b adalah data maksimum, maka proses transformasi datanya adalah 8 ( x − a ) ( b − a )) . + x’= ( .

1 Untuk mengembalikan nilai transformasi tersebut agar nilai prediksi indeks prestasi tersebut tidak lagi berada pada range 0 sampai dengan 1 melainkan menjadi nilai indeks prestasi yang sesungguhnya dengan range 0-4. Adapun rumus untuk mengembalikan nilai transformasi tersebut adalah sebagai berikut: x=(((x’-0.1)(b-a))/0.8)+a

Data training Setelah mendapatkan data mentah dan telah ditransformasi, diambil 70 persen pertama untuk setiap data per tahunnya dari jumlah data yang sudah lengkap (terdapat nilai indeks prestasi di awal semester) akan digunakan sebagai data training atau data pelatihan.
Data testing Sisa data mentah dari data training yang telah ditransformasi dalam hal ini sebesar 30 persen data berikutnya dari data trainining akan digunakan sebagai data testing. Data yang sudah tergolong sebagai masukkan secara berurutan adalah sebagai berikut :
Nilai test masuk Penalaran Verbal, yang akan disimpan sebagai variabel X

• Nilai test masuk Kemampuan Numerik, yang akan disimpan sebagai variabel

Nilai test masuk Panalaran Mekanik, yang akan disimpan sebagai variabel X

Nilai test masuk Hubungan Ruang, yang akan disimpan sebagai variabel X

Nilai test masuk Bahasa Inggris, yang akan disimpan sebagai variabel X

5 Dalam pengolahan, data yang di dapat dari pihak Bapsi berupa data excel

untuk itu data tersebut di save as terlebih dahulu ke dalam bentuk teks atau .txt. Di

sini tidak menggunakan database karena dirasa akan mengalami kesulitan pada

saat melakukan implementasi. Hal semacam ini dipilih karena bahasa

pemrograman yang akan digunakan pada proses implementasi adalah bahasa

Matlab. Sedangkan untuk bahasa Matlab cukup susah jika akan menerapkan

database di dalamnya. Bahasa pemrograman Matlab lebih cocok jika data yang

ada dibuat dalam bentuk matrik dan kemudian data yang sudah dibentuk dalam

matrik tersebut diubah ke dalam bentuk M-File.

3.2. Perancangan Antar Muka / Desain Output

3.2.1. Tampilan Utama Menu Utama Menu Utama

PENERAPAN JARINGAN SYARAF TIRUAN TERHADAP PREDIKSI INDEKS PRESTASI MAHASISWA DI TEKNIK INFORMATIKA UNIVERSITAS SANATA DHARMA _PELATIHAN YOGYAKARTA _{HASIL PROSES PELATIHAN} Data Input & Target BROWSE _{Jumlah Layar tersembunyi} ₁ Besar Prosentase _{Jumlah Node Layr ke-} _{Laju Pemahaan} _{Kriteria Penghentian PREDIKSI PENGUJIAN KELUAT} ₁ _INPUT Data Pelatihan yang Dikenali _{PROSES DATA PELATIHAN BERSIH} Batas Error/Targe Error _{Max Epoch}

Gambar 3.1 Tampilan Menu Utama

Saat program bantu ini jadi nantinya untuk tampilan utamanya semacam di

atas. User dapat langsung mengisi semua data yang dibutuhkan untuk proses

pelatihan sesuai tempat inputan yang sudah di siapkan. Pelatihan dilakukan

berdasarkan dengan data inputan yang mana data tersebut adalah data dari nilai-

nilai test masuk mahasiswa tahun ajaran baru. Sedangkan untuk data output

adalah sebuah target dan yang dimaksud di sini adalah nilai indeks prestasi dari

seorang mahasiswa pada tahun ajaran baru atau pada tahun pertama. Untuk data

input dan data target nantinya akan berupa sebuah matrik dengan aturan

banyaknya data yang ada di kali jumlah inputan atau output. Karena dilakukan

pembatasan pada jumlah hidden layer, maka diatasi dengan memberi combo box.

Sedangkan untuk jumlah node pada tiap hidden layer juga disiapkan combo box

yang mana nilai dari combo box jumlah node ini akan menyesuaikan dengan

combo box dari hidden layar, user dipersilahkan mengisi sesuai dari jumlah node

di layer tersembunyi paling dekat dengan inputan. Untuk jumlah node satu sama

yang lain user dapat melakukan dengan menekan input. Ada beberapa hal yang

cukup berpengaruh pada hasil pelatihan nantinya dan diantara adalah

Jumlah hidden layer yang digunakan beserta jumlah node pada tiap hidden

layer tersebut

Batas maksimum epoch
Batas maksimum error
• Nilai laju pemahaman yang hendak digunakan pada pelatihan tersebut
Nilai-nilai bobot awal dengan bilangan random terkecil baik terhadap layar tersembunyi maupun layar keluaran Pada menu utama untuk group box pelatihan ini terdapat dua buah button y
Proses Data Pelatihan : button ini digunakan untuk melakukan proses dari pelatihan sesuai dengan data yang telah diisikan oleh user pada form utama tersebut. Pada saat user menekan button ini maka output yang akan dihasilkan dari button ini adalah sebuah grafik yang akan muncul secara terpisah dari form menu utama ini dan akan muncul besar prosentase pada group box hasil proses pelatihan yang mana menunjukkan seberapa besar jaringan dikenalin untuk mendekati max error atau target error yang telah ditetapkan. Pada group box hasil proses pelatihan tersebut nantinya akan

terdapat tiga buah button yang berada di bawah group box tersebut yaitu

button prediksi, pengujian dan keluar. Adapun fungsi dari buttonnya masing-masing adalah :

o Button prediksi digunakan untuk menuju ke tampilan form baru dengan

nama menu prediksi yang mana pada menu ini user dapat langsung melakukan proses prediksi jika hasil dari proses pelatihan yang dilakukan dirasa sudah cukup memuaskan atau maksimal.

o Button pengujian digunakan untuk menuju ke tampilan form baru yang

namanya adalah menu pelatihan di mana form ini akan melakukan pengujian dengan data baru selain data pelatihan sebelumnya untuk

melihat seberapa besar data dalam mengenali jaringan yang dibentuk.

o Button keluar digunakan untuk menutup dari aplikasi tersesbut.

• Button bersih digunakan jika user hendak mengubah data yang sudah
diinputkan dengan data yang baru.

3.2.2. Tampilan Menu Pengujian Menu Pengujian Menu Pengujian

PENERAPAN JARINGAN SYARAF TIRUAN TERHADAP PREDIKSI INDEKS PRESTASI MAHASISWA DI TEKNIK INFORMATIKA UNIVERSITAS SANATA DHARMA _PENGUJIAN YOGYAKARTA Data Input & Target BROWSE

_{PROSES PENGUJIAN DATA}

PREDIKSI _{BERSIH KEMBALI KELUAR}

Gambar 3.2 Tampilan Menu Pengujian

Pada form yang di beri nama menu pengujian ini akan melakukan proses

pengenalan ulang pada jaringan yang sudah digunakan pada data pelatihan dengan

memasukkan data input dan data target baru di luar data pelatihan. Hal ini

dilakukan dengan tujuan agar mengetahui seberapa besar jaringan dikenali dengan

data baru ini. Output dari proses pengujian data ini akan di bawah sebelah button

proses pengujian data. Saat output yang dihasilkan sudah di rasa cukup mengenali

jaringan tersebut maka user dapat meneruskan dengan melakukan proses prediksi

itu sendiri. Tetapi jika user merasa belum puas dan ingin mengubah jaringan maka

PREDIKSI INDEKS PRESTASI MAHASISWA TAHUN PERTAMA MENGGUNAKAN METODE BACKPROPAGATION