Analisis dan Prediksi Kelulusan Mahasisw

LAPORAN AKHIR
HIBAH KOMPETISI PROGRAM VOKASI
UNIVERSITAS INDONESIA

Analisis dan Prediksi Kelulusan Mahasiswa Vokasi berdasarkan IP Semester 1
Berbantuan Komputer

Yulius Eka Agung Seputra,ST,MSi 0310077502
Istiadi,SE,MM,MSi 0024116701
Muhammad Ridha,S.Sos,MSi 0319097102
Priyanto,SS,MHum 0013047408

Dibiayai oleh:
Anggaran Riset Program Vokasi UI
Tahun Anggaran 2014
Dengan Kontrak Nomor:4915/H2.F14.KA/HKP.05.00/2014

PROGRAM VOKASI
UNIVERSITAS INDONESIA
DESEMBER 2014
1

HALAMAN PENGESAHAN
PENELITIAN HIBAH KOMPETISI PROGRAM VOKASI
UNIVERSITAS INDONESIA
Judul Penelitian

: Analisis dan Prediksi Kelulusan Mahasiswa Vokasi berdasarkan IP
Semester 1 Berbantuan Komputer
Skema Hibah
: Pendanaan Penelitian Hibah Kelompok 2014
Program Vokasi Universitas Indonesia
Ketua Peneliti
:
1. Nama Lengkap
: Yulius Eka Agung Seputra,ST,MSi
2. NIDN
: 0310077502
3. Jabatan Fungsional
: Asisten Ahli
4. Program Studi

: .Vokasi Akuntansi
5. Nomor HP
: 081514775335
6. Alamat surel (e-mail) : yulius.eka@gmail.com
Anggota Peneliti (1)
a. Nama Lengkap
: Istiadi,SE,MM,MSi
b. NIDN
: 0024116701
c. Perguruan Tinggi
: Universitas Indonesia
Anggota Peneliti (2)
a. Nama Lengkap
: Muhammad Ridha,S.Sos,MSi
b. NIDN
: 0319097102
c. Perguruan Tinggi
: Universitas Indonesia
Anggota Peneliti (ke 3)
a. Nama Lengkap

: Priyanto,SS,MHum
b. NIDN
: 0013047408
c. Perguruan Tinggi
: Universitas Indonesia
Lama Penelitian Keseluruhan
: 3 bulan
Biaya Penelitian
: Rp 15.000.000

Depok, 02 Desember 2014
Mengetahui,
Manajer Riset, Kemahasiswaan dan Alumni

Ketua Peneliti,

Tanda tangan dan cap
Tanda tangan
(Deni Danial Kesa, S.Sos, MBA, Ph.D)

NUP.151103032

( Yulius Eka Agung Seputra,ST,MSi )
NUP/NIP 151103008
Menyetujui,
Ketua Program Vokasi
Tanda tangan dan cap

(Prof. Dr. Ir. Sigit Pranowo Hadiwardoyo, DEA.)
NIP.195803061986031001
2

RINGKASAN
Penelitian ini bertujuan untuk menganalisis faktor – faktor yang berpengaruh terhadap kelulusan
Mahasiswa Vokasi dan membangun model prediksi dengan metode data mining.. Sampel
penelitian terdiri dari tes masuk mahasiswa Universitas Indonesia dari tahun 2008-2011
Peneliti menduga alat bantu analisis yang tepat adalah dengan menggunakan metode Jaringan
Syaraf Tiruan (Artificial Neural Network) berbasis algoritma Genetika yang diterapkan dalam
berbagai bidang ekonomi.Dari penelitian ini akan diteliti keterkaitan Kelulusan Mahasiswa
berkaitan dengan Indeks Presatasi semester satu

Kata Kunci—Artificial Neural Network,Jaringan Syaraf Tiruan,Algoritma Genetika, Indeks
Prestasi, Kelulusan

3

PRAKATA

Puji dan syukur ke hadirat Tuhan yang Maha Kuasa yang telah memberikan berkat anugerah dan
karunia yang melimpah sehingga Penelitian Riset Internal Vokasi UI dapat diselesaikan dengan
baik.
Penelitian ini dibuat agar dapat digunakan pihak manajemen Universitas Indonesia terutama Pihak
Vokasi Universitas Indonesia untuk melakukan seleksi dan memberikan kebijakan Pendidikan
yang membuat Universitas Indonesia semakin maju.

Walaupun banyak kesulitan yang dialami ketika menyusun penelitian ilmiah ini namun berkat
bantuan berbagai pihak akhirnya dapat diselesaikan. Ucapan terima kasih diberikan kepada :

-Rektor Universitas Indonesia
-Ketua Vokasi Universitas Indonesia
-Ketua Program Studi Vokasi Akuntansi Universitas Indonesia

-Manajer Pendidikan dan Umum Vokasi Universitas Indonesia
-Orangtua dan Keluarga

Penelitian ini masih jauh dari sempurna disebabkan karena berbagai keterbatasan karena itu
diharapkan saran dan kritik yang bersifat membangun untuk perbaikan dimasa yang akan datang

4

DAFTAR ISI
HALAMAN PENGESAHAN .........................................................................................................2
RINGKASAN ..................................................................................................................................3
PRAKATA.......................................................................................................................................4
DAFTAR ISI ....................................................................................................................................5
DAFTAR TABEL............................................................................................................................6
DAFTAR GAMBAR .......................................................................................................................6
DAFTAR LAMPIRAN ....................................................................................................................8
BAB 1 PENDAHULUAN ...............................................................................................................9
1.1 Pendahuluan .......................................................................................................................9
BAB 2 TINJAUAN PUSTAKA ....................................................................................................12
2.1 Nilai Fitness GA ...............................................................................................................18

2.2 Siklus Algoritma Genetika ...............................................................................................18
2.3 Komponen utama GA .......................................................................................................20
BAB 3 TUJUAN DAN MANFAAT PENELITIAN .....................................................................28
BAB 4 METODE PENELITIAN ..................................................................................................28
BAB 5 HASIL DAN PEMBAHASAN .........................................................................................32
BAB 6 KESIMPULAN DAN SARAN .........................................................................................54
DAFTAR PUSTAKA ....................................................................................................................55
LAMPIRAN ...................................................................................................................................56
DAFTAR TABEL
Tabel 2.1

DAFTAR ISTILAH DALAM Genetic Algorithm ...............................................13

Tabel 4.1

KETERANGAN VARIABEL PADA DATA INPUT AWAL ...........................29

Tabel 4.2

KETERANGAN VARIABEL PADA DAFTAR KELULUSAN .......................30

Tabel 5.1

Perbandingan IP Semester 1 Vokasi Akuntansi, APS, Pariwisata .......................52

5

DAFTAR GAMBAR
Gambar 2.1

Individu GA .........................................................................................................16

Gambar 2.2

Jalur TSP ...............................................................................................................17

Gambar 2.3

Siklus GA menurut David Goldberg ....................................................................19

Gambar 2.4

Siklus GA menurut Zbigniew Michalewicz ........................................................19

Gambar 2.5

Siklus GA .............................................................................................................20

Gambar 2.6

Roulette Wheel selection ......................................................................................22

Gambar 2.7

Rank Selection .....................................................................................................23

Gambar 2.8

Tournament selection ...........................................................................................23

Gambar 2.9

Arus CrossOver ....................................................................................................24

Gambar 2.10

Skema Crossover 1 point .....................................................................................25

Gambar 2.11

Skema Crossover 2 point .....................................................................................25

Gambar 2.11

Skema Crossover 2 point .....................................................................................25

Gambar 2.12

Skema Crossover N point ....................................................................................26

Gambar 2.13

Skema Crossover Uniform ...................................................................................26

Gambar 2.14 Skema Mutasi ........................................................................................................27
Gambar 5.1

Antarmuka Aplikasi Vokan Predictor ..................................................................32

Gambar 5.2

Antarmuka New Project Vokan Predictor ...........................................................33

Gambar 5.3

Antarmuka Import Data .......................................................................................33

Gambar 5.4

Antarmuka pemilihan variabel yang digunakan untuk prediksi ..........................34

Gambar 5.5

Antarmuka deskripsi variabel yang digunakan untuk prediksi ............................35

Gambar 5.6

Antarmuka Analisis Menggunakan Genetic Algorithm untuk IPK Kelulusan dan
IP Semester 1 serta jurusan ..................................................................................36

Gambar 5.7

File yang digunakan untuk Analisis Menggunakan Genetic Algorithm untuk IPK
dan Tes Masuk .....................................................................................................37

Gambar 5.8

Antarmuka variabel sebelum pembelajaran untuk Jurusan Vokasi Akuntansi ....38

Gambar 5.9

Antarmuka variabel sebelum pembelajaran untuk Jurusan Vokasi Administrasi
Perkantoran dan Sekretaris (APS) .......................................................................39

Gambar 5.10

Antarmuka variabel sebelum pembelajaran untuk Jurusan Vokasi Pariwisata ....40
6

Gambar 5.11

Antarmuka variabel saat pembelajaran Vokasi Akuntansi ..................................41

Gambar 5.12

Antarmuka variabel saat pembelajaran Vokasi APS ...........................................42

Gambar 5.13

Antarmuka variabel sebelum pembelajaran untuk Jurusan Vokasi Pariwisata ....43

Gambar 5.15 Antarmuka model Genetic Algorithm...................................................................44
Gambar 5.15

Antarmuka variabel sebelum pembelajaran untuk Jurusan Vokasi Pariwisata ....44

Gambar 5.16 Antarmuka parameter Genetic Algorithm.............................................................45
Gambar 5.17 Antarmuka perbandingan variabel actual dan predicted Vokasi Akuntansi ...........45
Gambar 5.18 Antarmuka perbandingan variabel actual dan predicted Vokasi APS ....................46
Gambar 5.19 Antarmuka perbandingan variabel actual dan predicted Vokasi Pariwisata ...........46
Gambar 5.20 Antarmuka perbandingan grafis variabel actual dan predicted vokasi akuntansi ....46
Gambar 5.21 Antarmuka perbandingan grafis variabel actual dan predicted vokasi APS ............47
Gambar 5.22 Antarmuka perbandingan grafis variabel actual dan predicted vokasi pariwisata ...47
Gambar 5.23 Antarmuka tampilan Residual Graph Vokasi Akuntansi .........................................48
Gambar 5.24 Antarmuka tampilan Residual Graph Vokasi APS ..................................................48
Gambar 5.25 Antarmuka tampilan Residual Graph Vokasi Pariwisata .........................................49
Gambar 5.26 Antarmuka tampilan MSE Graph Vokasi Akuntansi ...............................................49
Gambar 5.27 Antarmuka tampilan MSE Graph Vokasi APS ........................................................50
Gambar 5.28 Antarmuka tampilan MSE Graph Vokasi Pariwisata ..............................................50
Gambar 5.29 Antarmuka tampilan Statistic Descriptive Vokasi Akuntansi..................................51
Gambar 5.30 Antarmuka tampilan Statistic Descriptive Vokasi APS ...........................................51
Gambar 5.31 Antarmuka tampilan Statistic Descriptive Vokasi Pariwisata .................................51
Gambar 5.32 Antarmuka Input Hasil Prediksi Kelulusan Vokasi Akuntansi ................................53
Gambar 5.33 Antarmuka Input Hasil Prediksi Kelulusan Vokasi APS .........................................53
Gambar 5.34 Antarmuka Input Hasil Prediksi Kelulusan Vokasi Pariwisata ...............................53

7

DAFTAR LAMPIRAN

IPK Kelulusan dan IP Semester 1 Mahasiswa Vokasi akuntansi,APS dan Pariwisata
Dokumentasi Keuangan

8

BAB 1 PENDAHULUAN
1.1 Pendahuluan
Kebutuhan tingkat matematika yang sangat tinggi ini menjadi kendala bagi ilmuwan
ekonomi terutama di Indonesia untuk berkontribusi secara internasional.
Padahal untuk wilayah riset yang frontier dalam bidang teori-teori ekonomi dibutuhkan
tingkat matematika seperti ini.. Tetapi matematika yang digunakan bersifat deterministis,
yang sebenarnya adalah matematika yang digunakan oleh ilmuwan fisika klasik jaman
dahulu. Keterbatasan ini lebih besar lagi karena kebanyakan digunakan asumsi linier dalam
teori-teori ekonomi ini. Sehingga boleh dikatakan pendekatan ilmu ekonomi bersifat sangat
reduksionis. Di lain pihak, terdapat kesulitan untuk mengembangkan alat analitis yang ada
yaitu dengan memasukkan sifat nonlinier dan probabilitas karena tingkat kesulitan
matematikanya akan menjadi sangat tinggi. Kebutuhan tingkat matematika yang sangat
tinggi ini menjadi kendala bagi ilmuwan ekonomi terutama di Indonesia untuk
berkontribusi secara internasional. Padahal untuk wilayah riset yang frontier dalam bidang
teori-teori ekonomi dibutuhkan tingkat matematika seperti ini. Itu antara lain gambaran
saat ini dalam bidang teoritis. Di dalam bidang praktis ekperimental, umumnya alat bantu
analisis yang digunakan adalah termasuk kategori statistik. Hal yang sangat membatasi
penerapan statistik ini adalah kebanyakan metode-metodenya mensyaratkan terpenuhi
suatu bentuk distribusi tertentu, terutama terpenuhinya kondisi data berdistribusi normal.
Tentunya persyaratan seperti ini sangat membatasi kita dalam menganalisis himpunan data
yang telah didapatkan. Dengan mempertimbangkan kedua segi dalam bidang teoritis dan
eksperimental, sebaiknya dicari alat bantu analisis lain yang dapat mengatasi kesulitankesulitan ini tanpa mempengaruhi kualitas hasil-hasil analisis bidang ekonomi, baik pada
tingkat teoritis dan eksperimental. Untuk hal ini, kami memandang alat bantu analisis yang
tepat adalah dengan menggunakan metode Jaringan Syaraf Tiruan Jaringan Syaraf Tiruan
yang diterapkan dalam berbagai bidang ekonomi. Hal yang sering menjadi keluhan
Mahasiswa dan menjadi salah satu perhatian dari Universitas adalah bagaimana
mendapatkan lapangan pekerjaan yang menuntut perguruan tinggi menghasilkan sarjana
9

yang berkualitas dan memiliki daya saing. Untuk itu, setiap Universitas selalu melakukan
evaluasi performansi mahasiswa. Hasil evaluasi tersebut disimpan dalam basis data
akademik yang digunakan sebagai pendukung keputusan oleh manajemen universitas.
Salah satu variabel indikator efisiensi proses pendidikan adalah Indeks Prestasi Kumulatif
mahasiswa Jaringan Syaraf Tiruan (JST) mulai diperkenalkan pada tahun 1940 telah
banyak diimplementasikan pada berbagai bidang keilmuan. Secara garis besar apa yang
dapat menjadi manfaat Jaringan Syaraf Tiruan dapat dibagi menjadi tiga macam yaitu
Classification, Forecasting, Modeling dan Optimization.
1. Classification dan Forecasting sering dipandang merupakan aplikasi dari statistik yang
utama dalam bidang ekonomi. Di sini, Jaringan Syaraf Tiruan dapat memperluas cakupan
data yang bisa dideskripsi dan diinferensi untuk sembarang distribusi data yang ada.
Keberadaan outlier dalam data tidak akan terlalu mengganggu dalam proses kerja Jaringan
Syaraf Tiruan, paling-paling outlier ini hanya akan memperlama proses iterasinya saja.
2. Untuk bidang teoritis, kebutuhan akan proses Modeling yang tidak memuat terlalu
banyak asumsi-asumsi ideal sangat dibutuhkan dalam ilmu-ilmu sosial. Hal ini dapat
dipenuhi dengan menerapkan Jaringan Syaraf Tiruan, yang akan menghasilkan apa yang
disebut sebagai Black-Box Model. Permodelan seperti ini berdasarkan pada data-data riil
di dalam bidang ekonomi yang sedang diamati dan akan secara otomatis akan memuat
pola-pola hubungan yang rumit antar berbagai macam data yang bisa kita kumpulkan.
Selain dalam Modeling, Jaringan Syaraf Tiruan dapat digunakan juga untuk mencari
keputusan yang optimal setelah modelnya didapatkan atau proses Optimization. Sehingga
dapat digunakan untuk mengubah data menjadi informasi yang berguna secara otomatis.
Selain keuntungan-keuntungan di atas, Jaringan Syaraf Tiruan mempunyai kelebihan lain
yaitu tidak membutuhkan matematika yang terlalu rumit dan juga sebagian besar proses
kerjanya akan dilakukan oleh komputer. Hal ini tentunya sangat sesuai dengan kondisi
sumber daya manusia di bidang ekonomi yang rata-rata tidak menguasai matematika
tingkat tinggi. Diharapkan dengan menggunakan Jaringan Syaraf Tiruan ini, ilmuwan
ekonomi dapat memfokuskan diri pada intuisi ekonominya saja daripada bergelut dengan
matematika yang terlalu rumit. Dengan kondisi seperti ini, maka penelitian ilmu ekonomi
di negara kita diharapkan tidak akan ketinggalan dengan dunia internasional. JST banyak
10

digunakan untuk melakukan prediksi atau peramalan [1].Muhamad Hanief Meinanda,
Metri Annisa, Narendi Muhandri dan Kadarsyah Suryadi (2009) telah meneliti penggunaan
JST untuk melakukan prediksi Masa Studi Sarjana dengan Artificial Neural Network
digunakan dalam penelitian ini telah terbukti memberikan hasil yang baik untuk keperluan
prediksi terutama bidang ekonomi dan keuangan [2].
Penelitian tersebut menggunakan data akademis yang diperoleh selama mahasiswa kuliah.
Variabel predictor yang digunakan pada penelitian tersebut adalah usia, jenis kelamin, skor
American College Testing (ACT), ras, dan kemampuan membaca[3]. Bijayananda Naik
dan Srinivasan Ragothaman (1998) telah meneliti penggunaan neural network untuk
memprediksi tingkat kesuksesan mahasiswa MBA, dengan algoritma genetika [4].
Dengan acuan kesempatan penelitian yang tersedia berdasarkan penelitian sebelumnya
maka pada penelitian ini akan diteliti variabel prediktor dari data akademis yang
berpengaruh terhadap kelulusan dan pembuatan model JST untuk prediksi kelulusan
mahasiswa, dalam hal ini menggunakan IPK Kelulusan.. Pada penelitian ini diujicobakan
juga model multiple regression sebagai model pembanding dalam melakukan prediksi
kelulusan.

11

BAB 2 TINJAUAN PUSTAKA
Algoritma genetika (Genetic Algorithm) merupakan metode yang biasa digunakan untuk
memecahkan suatu pencarian nilai dalam sebuah masalah optimisasi. Algoritma ini
didasarkan pada proses genetik yang ada dalam makhluk hidup, yaitu perkembangan
generasi dalam sebuah populasi yang alami, secara lambat laun mengikuti prinsip seleksi
alam atau “siapa yang kuat, dia yang bertahan hidup (survive)”. Dengan meniru teori
evolusi ini, algoritma genetika dapat digunakan untuk mencari solusi permasalahanpermasalahan dalam dunia nyata.
Pada alam ini, informasi genetik dari sebuah individu disimpan dalam kromosom, yang
terdiri dari sekumpulan gen. Karakteristik dari setiap individu dikendalikan oleh gen-gen
tersebut, yang kemudian akan diwariskan kepada keturunan-keturunan ketika individu
tersebut berkembang biak. Selain faktor perkembangbiakan, suatu ketika juga terjadi
peristiwa yang disebut mutasi, yang menyebabkan terjadinya perubahan informasi pada
kromosom. Berdasarkan teori Darwin tersebut, nilai rata-rata karakteristik dari populasi
akan meningkat setiap generasi, seiring dengan bertambahnya individu-individu yang
mempunyai kriteria yang bagus dan punahnya individu-individu yang mempunyai kriteria
yang buruk.
Ide utama dibalik Genetic Algorithm ini adalah memodelkan proses evolusi alami
menggunakan warisan genetika seperti yang dilakukan oleh Darwin. Pada saat pertama kali
dipublikasikan oleh John Holland pada sekitar tahun 1975 di Amerika, Genetic Algorithm
(GA) memiliki bentuk yang sangat sederhana sehingga disebut simple GA (SGA). Pada
beberapa buku dan makalah, SGA sering juga disebut sebagai Classical GA atau Canonical
GA. Meskipun diperkenalkan oleh John Holland, penggunaan Genetic Algorithm untuk
memecahkan persoalan yang rumit baru didemontrasikan kemudian (pada tahun yang
sama) oleh De Jong, dan kemudian oleh Goldberg pada tahun 1989.

12

Dengan teori evolusi dan genetika, di dalam penerapan Genetic Algorithm akan melibatkan
beberapa operator, yaitu :
a.Operasi Evolusi yang melibatkan proses seleksi (selection) di dalamnya.
b.Operasi Genetika yang melibatkan operator pindah silang (crossover ) dan mutasi
(mutation).
Untuk memeriksa hasil optimasi, kita membutuhkan fungsi fitness, yang menandakan
gambaran hasil (solusi) yang sudah dikodekan. Selama berjalan, induk harus digunakan
untuk reproduksi, pindah silang dan mutasi untuk menciptakan keturunan. Jika Genetic
Algorithm didesain secara baik, populasi akan mengalami konvergensi dan akan

didapatkan sebuah solusi yang optimum.
Berikut ini merupakan istilah-istilah yang mewakili elemen-elemen dalam teori Darwin:
Tabel 2.1. Daftar istilah dalam Genetic Algorithm
Istilah

Makna

Population

Merupakan sekumpulan solusi dari
permasalahan yang akan
diselesaikan menggunakan Genetic
Algorithm. Population terdiri dari

sekumpulan Kromosom.
Chromosome

Mewakili sebuah solusi yang
mungkin (feasible solution) untuk
permasalahan yang ingin
diselesaikan. Sebuah Kromosom
terdiri dari sekumpulan Gen.

Gen

Mewakili elemen-elemen yang ada
dalam sebuah solusi

Parent

Merupakan kromosom yang akan
dikenai operasi genetic (crossover ).

13

Offspring

Kromosom yang merupakan hasil
dari operasi genetik (Crossover ).

Crossover

Merupakan operasi genetik yang
mewakili proses perkembangbiakan
individu. Proses crossover ini
memerlukan dua buah parent dan
menghasilkan satu atau lebih
offspring (keturunan).

Mutation

Merupakan operasi genetik yang
mewakili proses mutasi dalam
perjalanan hidup individu. Mutasi
berperan menghasilkan perubahan
acak dalam populasi, yang berguna
untuk menambah variasi dari
kromosom-kromosom dalam sebuah
populasi.

Selection Procedure

Merupakan proses yang mewakili
proses seleksi alam (natural
selection) dari teori Darwin. Proses

ini dilakukan untuk menentukan
parent dari operasi genetic
(crossover ) yang akan dilakukan
untuk menghasilkan keturunan
(offspring).
Fitness value

Merupakan penilaian yang
menetukan bagus tidaknya sebuah
kromosom. Kromosom yang
mempunyai Fitness value yang
rendah pada akhirnya akan tersingkir
oleh kromosom-kromosom yang
14

mempunyai Fitness value yang lebih
baik.

Istilah

Makna

Evaluation Function

Merupakan fungsi yang digunakan
untuk menentukan nilai dari Fitness
value. Evaluation Function ini

merupakan sekumpulan kriteriakriteria tertentu dari permasalahan
yang ingin diselesaikan.

Generation

Merupakan satuan dari populasi
setelah mengalami operasi-operasi
genetika, berkembang biak, dan
menghasilkan keturunan. Pada akhir
dari setiap generation, untuk
menjaga agar jumlah kromosom
dalam populasi tetap konstan,
kromosom-kromosom yang
mempunyai Fitness value yang
rendah dan memiliki peringkat
dibawah nilai minimal akan dihapus
dari populasi.

Hal-hal yang harus dilakukan dalam algoritma genetika
15



Mendefinisikan individu, dimana individu menyatakan salah satu solusi (penyelesaian)
yang mungkin dari permasalahan yang mau dipecahkan.



Mendefinisikan nilai fitness, yang merupakan ukuran baik-tidaknya sebuah individu atau
solusi yang didapatkan.



Menentukan proses pembangkitan populasi awal. Hal ini biasanya dilakukan dengan
menggunakan pembangkitan acak.



Menentukan proses seleksi yang akan digunakan.



Menetukan proses perkawinan silang (crossover ) dan mutasi gen yang akan digunakan.

Pengertian Individu
Individu menyatakan salah satu solusi yang mungkin bisa digunakan. Individu sama
dengan kromosom, yang merupakan kumpulan gen. gen bisa biner, float, dan kombinasi.
Berikut ini merupakan ilustrasi dari sebuah individu. Pada gambar 2 dapat diketahui bahwa
di dalam 1 individu terdiri dari beberapa kromosom, dan dalam 1 kromosom terdiri dari
sejumlah gen.

16

Gambar 2.1 Individu GA
Misalnya pada masalah Travelling Salesman Problem (TSP), individu menyatakan jalur
yang ditempuh, dalam penentuan nilai maksimal dari F(x,y) individu menyatakan nilai
(x,y). Pada gambar di bawah diilustrasikan 2 kemungkinan jalur yang ditempuh dalam TSP
dan bagaimana representasinya dalam individu. Sementara pada aplikasi ini, individu yang
dibangun merupakan kumpulan dari koefisien-koefisien yang berguna dalam penyusunan
model.

17

Individu 1357632

Individu 1236754
Gambar 2.2 Jalur TSP

2.1 Nilai Fitness GA
Untuk melakukan seleksi alam, setiap individu dievaluasi menggunakan nilai fitness
(fitness value), yang ditentukan dengan sebuah fungsi evaluasi. Fitness value mengukur
kualitas dari sebuah solusi dan memungkinkan tiap solusi untuk dibandingkan. Memilih
individu untuk proses reproduksi dan seleksi alam mempunyai efek yang sangat
berpengaruh terhadap efisiensi GA. Seleksi yang berlebihan akan mengarahkan GA ke
kondisi konvergen yang premature, yang merupakan masalah utama pada GA (Local
Optimum). Dikarenakan hasil solusi dan proses seleksi sangat bergantung pada fitness
value, maka penting untuk membuat evaluation function dengan hati-hati.

2.2 Siklus Algoritma Genetika
Siklus dari algoritma genetika pertama kali diperkenalkan oleh David Goldberg, dimana
gambaran siklus seperti pada gambar 3:

18

Gambar 2.3 Siklus GA menurut David Goldberg
Siklus di atas kemudian diperbaiki oleh beberapa ilmuwan yang mengembangkan
algoritma genetika, yaitu Zbigniew Michalewicz dengan menambahkan operator elitism
dan membalik proses seleksi setelah proses reproduksi.

Gambar 2.4 Siklus GA menurut Zbigniew Michalewicz

19

Dan selama ini, model GA yang sering digunakan mengikuti yaitu siklus Goldberg dengan
menambahkan operator elitism. Gambar seperti berikut:

Gambar 2.5 Siklus GA

2.3. Komponen-komponen utama GA
1. Teknik Pengkodean

Teknik pengkodean adalah bagaimana mengkodekan gen dari kromosom, dimana gen
merupakan bagian dari kromosom. Satu gen biasanya akan mewakili satu variabel. Gen
dapat direpresentasikan dalam bentuk : bit, bilangan real, daftar aturan, elemen permutasi,
elemen program atau representasi lainnya yang dapat diimplementasikan untuk operator
genetika.

2. Membangkitkan populasi awal

Membangkitkan populasi awal adalah proses membangkitkan sejumlah individu secara
acak atau melalui aturan tertentu. Ukuran untuk populasi tergantung pada masalah yang
akan diselesaikan dan jenis operator genetika yang akan diimplementasikan.

20

3. Seleksi

Seleksi digunakan untuk memilih individu-individu mana saja yang akan dipilih untuk
proses kawin silang dan mutasi. Seleksi digunakan untuk mendapat calon induk yang baik.
“induk yang baik akan menghasilkan keturunan yang baik”. Semakin tinggi nilai fitness
suatu individu maka semakin besar kemungkinannya untuk terpilih.

3.1 Roulette Wheel
Salah satu metode seleksi yang sangat sering digunakan adalah metode Roulette Wheel.
Pada metode ini, hasil dari seleksi sangat berkaitan dengan nilai fitnessnya. Semakin besar
nilai fitness, akan memiliki peluang yang lebih besar untuk terpilih.
Cara kerja metode ini adalah sebagai berikut :

a. Hitung nilai fitness dari masing-masing individu (fi, dimana I adalah individu ke-1 s/d
ke-n)
b. Hitung total fitness semua individu.
c. Hitung probabilitas masing-masing individu.
d. Dari probabilitas tersebut, hitung jatah masing-masing individu pada angka 1 sampai
100.
e. Bangkitkan bilangan random antara 1-100.
f. Dari bilangan random yang dihasilkan, tentukan individu mana yang terpilih dalam
proses seleksi.

21

Gambar 2.6. Roulette Wheel selection

3.2 Rank Selection
Metode seleksi lainnya yaitu metode Rank Selection dan metode Tournament Selection.
Metode Rank Selection menggunakan perbandingan nilai relative dari tiap individu, bukan
nilai fitness itu sendiri. Seleksi dengan menggunakan Roulette Wheel akan mengalami
masalah ketika sebuah kromosom memiliki nilai fitness yang sangat berbeda, sehingga
kromosom lain memiliki sedikit kesempatan untuk dipilih atau bottle neck. Pada metode
ini, kromosom terburuk akan diberi nilai 1, kedua terburuk nilai 2, dan kromosom terbaik
mendapat nila N (jumlah kromosom dalam populasi).

22

Gambar 2.7 Rank Selection
3.3 Tournament Selection
Kedua metode seleksi dibuat dengan bersandar pada statistik dari seluruh individu pada
populasi, jadi pada masalah tertentu dimana ukuran populasi cukup besar bisa
mengaikbatkan bottle neck pada GA.
Tournament Selection dapat dijadikan alternatif untuk mengatasi masalah tersebut.

Prosedur yang digunakan yaitu dengan penyamplingan. Dengan mengambil sejumlah k
kromosom secara acak dari populasi yang berukuran N, dari k kromosom tersebut pilih
satu kromosom pemenang yang akan digunakan sebagai calon orang tua dengan cara
tertentu.

Gambar 2.8. Tournament selection
23

4. Pindah Silang (Crossover)
Operator GA yang paling utama adala crossover , yang mensimulasikan proses reproduksi
antara dua individu. Cara kerjanya adalah menggabungkan dua buah individu (parent)
untuk menghasilkan satu atau lebih individu baru (offspring). Individu baru ini mewarisi
sifat-sifat genetic dari parent-nya, sehingga sifat-sifat baik dari parent-nya tetap
dipertahankan dan diharapkan dari dua parent yang baik dapat menghasilkan
keturunan/offspring yang lebih baik. Proses crossover dilakukan pada setiap individu
dengan probabilitas yang ditentukan. Pada GA biasanya digunakan probabilitas (Pc)
sebesar 0,6 sampai 0,9 (Suyanto, 2008).
Berikut merupakan diagram alir proses crossover ,

Gambar 2.9. Arus CrossOver

4.1 Crossover satu titik
Crossover satu titik sering digunakan untuk representasi kromosom biner. Caranya: pilih

salah satu titik potong secara acak pada posisi antara 1 hingga G-1, dimana G adalah jumlah
gen dalam kromosom. Setelah itu, gen-gen ditukar antar kromosom pada titik tersebut
untuk menghasilkan anak. Ilustrasinya sebagai berikut:

24

Gambar2.10. Skema Crossover 1 point

4.2 Crossover 2 titik
Sama seperti halnya crossover 1 titik, tapi disini menggunakan 2 titik sebagai tempat untuk
menukar gen. Dengan syarat titik yang dihasilkan tidak pada posisi yang sama, serta
diurutkan naik. Ilustrasi seperti gambar berikut:

Gambar 2.11. Skema Crossover 2 point
25

4.3 Crossover N titik
Sama halnya dengan metode di atas, titik dihasilkan secara acak. Selanjutnya pewarisan
gen-gen dilakukan secara menyilang (zig-zag) pada posisi tersebut. Rekombinasi ini masih
menghasilkan masalah positional bias. Ilustrasi seperti berikut:

Gambar 2.12. Skema Crossover N point

4.4 Crossover Uniform
Rekombinasi ini bisa dilakukan dengan cara pelemparan koin (mata uang logam). Lempar
koin satu kali untuk setiap gen pada kromosom orang tua. Misalkan, jika lemparan koin
menghasilkan gambar “garuda”, berarti anak 1 mendapatkan gen dari orang tua 1.
Sebaliknya, jika lemparan koin menghasilkan gambar “bunga”, berarti anak 1
mendapatkan gen dari orang tua 2. Jika terdapat G berarti pelemparan koin dilakukan
sebanyak G kali. Berikut ilustrasinya:

Gambar 2.13. Skema Crossover Uniform

26

4.5 Crossover Aritmatic
Rekombinasi ini dilakukan dengan memanfaatkan logika matematika XOR. Jika hasil
dari operasi tersebut bernilai 1 maka anak mengambil gen dari parent ke 1. Tapi jika hasil
operasi bernilai 0, maka anak mengambil gen dari parent ke 2.
5. Mutasi

Operator berikutnya yang tidak kalah penting adalah mutasi, operator ini mempunyai peran
untuk menggantikan gen yang hilang dari populasi akibat dari proses seleksi yang
memungkinkan munculnya kembali gen yang tidak muncul pada inisialisasi populasi.
Proses ini merubah sedikit komposisi penyusun individu tersebut, dan menambahkan suatu
karakteristik tertentu secara acak. Proses ini tidak boleh terlalu banyak dilakukan karena
akan membuat GA menjadi seperti random search. Di dalam dunia nyata, mutasi sangat
jarang terjadi. Mutasi hanya terjadi akibat kecelakaan atau bencana alam. Hal ini, diadopsi
GA dengan munculnya probability mutasi yang biasanya dilambangkan Pm. Pm memiliki
nilai yang sangat kecil, biasanya berada di interval antara 1 dibagi jumlah kromosom dalam
populasi sampai 1 dibagi jumlah gen dalam satu kromosom.
Cara sederhana untuk mendapatkan mutasi biner, yaitu dengan mengganti satu beberapa
nilai gen dari kromosom. Langkah-langkah mutasi:
-Bangkitkan bilangan acak antara 0 sampai 1 pada tiap gen
-Jika bilangan acak lebih kecil atau sama dengan Pm, gen diposisi tersebut dimutasi
-Jika bilangan acak lebih besar daripada Pm, gen tidak dimutasi.
-Mutasi dilakukan dengan membalik nilai binernya, gen bernilai 1 dimutasi menjadi 0,
begitu sebaliknya.

Gambar 2.14. Skema Mutasi

27

Contoh sederhana operasi mutasi dapat dilihat pada gambar 15. Pada gambar tersebut
terdapat sebuah data biner p yang merupakan parent individu. Kemudian dipilih sebuah bit
secara acak untuk dilakukan proses mutasi. Pada contoh, dipilih bit pada posisi nomor 2,
yang kemudian dirubah dari 0 menjadi 1 pada offspring-nya.

BAB 3 TUJUAN DAN MANFAAT PENELITIAN
Tujuan Penelitian disusun sebagai berikut:
a. Mempelajari metode berbasis Genetic Algorithm dan penerapannya untuk peramalan.
b. Merancang program aplikasi peramalan data multivariate dengan algoritma genetika
(genetic algorithm).

Manfaat dari Penelitian ini antara lain aplikasi ini dapat digunakan sebagai aplikasi alternative
untuk keperluan analisis data yaitu analisis multivariate selain analisis menggunakan metodemetode statistik yang selama ini sudah ada yang nantinya dapat digunakan PihakManajemen
Universitas Indonesia untuk menentukan kebijakan Peningkatan Mutu Mahasiswa Universitas
Indonesia sehingga permasalahan seperti Drop Out dan IPK yang rendah dapat diminimalkan.

BAB 4 METODE PENELITIAN
Metodologi penelitian diadopsi dari metodologi Cross-Industry Standard Process for Data
Mining (CRISP-DM) yang dikembangkan pada tahun 1996 oleh analis dari Daimler
Chrysler, SPSS, dan NCR. CRISP-DM memiliki enam fase yaitu Business understanding
phase, Data understanding phase, Data preparation phase, Modeling phase, Evaluation
phase, dan Deployment phase [10].
Tahap awal dari penelitian adalah identifikasi permasalahan yang akan diselesaikan yaitu
melakukan estimasi terhadap masa studi berdasarkan ketersamaan pola antara data masa
lalu dengan data aktual. Pada tahap ini, peneliti melakukan pemahaman terhadap data dan

28

mencoba mencari adanya pola serta keterkaitan antara variabel-variabel data dengan
masing-masing tujuan penelitian.
Peneliti melakukan preprocessing data di antaranya dengan melakukan pembuatan crosstabulation, koreksi terhadap data yang mengalami misclassification,dan menghapus
missing value dan outlier.Setelah itu, dilakukan tahap pembuatan model. Untuk estimasi
terhadap Indeks Prestasi Kumulatif yang memiliki tingkat pengukuran metrik begitu juga
dengan prediktornya peneliti menggunakan model artificial neural network dan multiple
regression.Setelah mengetahui model yang sesuai, peneliti melakukan pembuatan model
dengan menggunakan data training. Model yang dipilih mempertimbangkan kesesuaian
asumsi model dan error yang dihasilkan. Kemudian model tersebut diterapkan pada set
Data testing dan dilakukan analisis terhadap penggunaan model dengan hasil yang
diperoleh. Ketepatan dan keakuratan hasil penelitian tergantung dari banyaknya data yang
digunakan, dan metode Riset berjenis Kuantitatif
Data input yang digunakan menggunakan konsep Data Mining dari IP dan IPK Mahasiswa
Vokasi Universitas Indonesia Jurusan APS, Akuntansi dan Pariwisata. Data tersebut terdiri
dari catatan akademis mahasiswa, dengan variabel yang dapat dilihat pada Tabel I. Dari
data Input tersebut kemudian dilakukan tahap preprocessing yang terdiri dari transformasi
dan pembersihan data. Transformasi data dilakukan dengan membuat cross-Tabulation
sehingga data memiliki unique key dan memiliki kolom sesuai dengan hipotesa variabel
predictor (Tabel 4.1).
TABEL 4.1 KETERANGAN VARIABEL PADA DATA INPUT AWAL
Field

Deskripsi Data

Tipe Data

Klasifikasi

Klasifikasi Mahasiswa

String

IP1

IP Semester 1

Number

Selanjutnya akan dilakukan Koreksi terhadap entri data yang memiliki misclassification.
MisClassification terjadi karena ada perbedaan kurikulum sehingga nama mata kuliah yang sama
29

tertulis berbeda dan penghapusan terhadap missing value dan data yang memiliki nilai tidak wajar
(outlier) menggunakan algoritma JST Multilayer Perceptron, Linear Regression, dan Spearman
Correlation dengan perangkat lunak SPSS 16 (Windows XP). Preprocessing data dan pembuatan
Cross-Tabulationdilakukan pada platform yang sama dengan menggunakan Microsoft Excel 2007
SP0. Untuk Tabel II digunakan untuk hasil Prediksi (Output)

TABEL 4.2 KETERANGAN VARIABEL PADA DAFTAR KELULUSAN
Field

Deskripsi Data

Tipe Data

IPK

IP Kelulusan Mahasiswa

Number

Variabel IPK yang terdapat pada data Training terdiri nilai berbeda dengan interval antara
0 sampai 4 bulan, sehingga variabel IPK merupakan variabel dengan skala pengukuran
metrik. Variabel prediktor untuk data IPK memiliki skala pengukuran metrik. Dalam
melakukan prediksi IPK, peneliti akan menggunakan model dependensi dengan variabel
dependen metrik.Langkah selanjutnya adalah penentuan prediktor yang dapat
mempengaruhi variabel IPK. Data yang disediakan adalah catatan akademis setiap
mahasiswa, sehingga prediktor yang akan dimasukan ke dalam model prediksi merupakan
data yang berkaitan dengan performansi akademik mahasiswa. Peneliti akan mengajukan
hipotesa apriori dalam menentukan variabel independen sebagai prediktor IPK. Hipotesa
tersebut adalah adanya hubungan antara jumlah mata kuliah yang diambil, dan jumlah mata
kuliah mengulang terhadap masa studi.Variabel prediktor IPK dihitung dengan
menghitung bobot nilai dibagi dengan total SKS yang diambil. Peneliti tidak memasukan
variabel IPK ke dalam model, karena variabel IPK merupakan variabel turunan dari
variabel bobot dan SKS. Variabel IPK tidak digunakan dalam membangun model dan
digantikan oleh variabel bobot dan variabel SKS untuk mengetahui IPK. Preprocessing
data dilakukan agar pada tahap pembuatan model mampu menghasilkan model yang
efektif. Beberapa hal yang dilakukan pada tahap data preprocessing adalah transformasi ke
dalam bentuk yang lebih informatif dengan menggunakan cross-tabulation. Tahap data
Preprocessing selanjutnya adalah melakukan penghapusan terhadap missing-Value dan
outlier pada data. Prediktor yang dipilih secara apriori diuji dengan menggunakan
30

Spearman Correlation Coefficient untuk memastikan adanya hubungan antara prediktorprediktor tersebut terhadap masa studi. Korelasi Spearman dipilih karena tidak
membutuhkan asumsi distribusi dan normalitas data[11]. Untuk keperluan validasi, data
dibagi ke dalam dua kelompok (split-sample) yakni data training dan data testing. Data
Training merupakan data yang digunakan untuk membangun model berjenis multiple
regression dan neural network. Model yang pertama kali dibangun dan diuji adalah model
regresi. Pengujian asumsi model regresi baru dapat dilakukan ketika model regresi sudah
terbentuk.

Model

regresi

memiliki

asumsi

normalitas

error,

konstant

error

variance(homoscedasticity), dan independensi error[7]. Model lain yang akan digunakan
dalam melakukan prediksi masa studi adalah Artificial Neural Network(JST). Jenis
Artificial Neural Network yang digunakan adalah Multilayer Percepteron (MLP).
Multilayer Percepteron dapat digunakan untuk memprediksi data ril dengan supervised
training. Arsitektur yang digunakan dipilih yang terbaik secara otomatis oleh SPSS 16.
Tipe Training yang dipilih adalah batch training. Batch Training mampu menghasilkan
error paling kecil dibanding metoda training lainnya. Initial learning rate dan momentum
di-Set dan dicari nilai yang mendekati . Training Epoch ditentukan secara otomatis. Untuk
memperkecil Sum of Squares Error(SSE), peneliti akan mengevaluasi prediktor yang
digunakan. Peneliti akan memasukan prediktor tambahan berupa jumlah berapa kali
mahasiswa mengambil mata kuliah tertentu. Mata kuliah yang dipilih adalah mata kuliah
yang paling banyak diambil oleh mahasiswa. Mata kuliah yang paling banyak diambil
mengindikasikan mata kuliah tersebut banyak diulang mahasiswa. Variabel tersebut
dimasukan satu persatu ke dalam model kemudian dilakukan evaluasi SSE yang
dihasilkannya . Hasil uji normalitas data prediksi akan didapat dengan menggunakan
Kolmogorov-Smirnov dengan tingkat kepercayaan 95%, dilakukan dengan Wilcoxon
Signed-Ranks yang akan menghasilkan nilai p-Value (Asymp Sig) .

31

BAB 5 HASIL DAN PEMBAHASAN
Data IP Semester 1 Mahasiswa didapatkan dari data mahasiswa yang sudah lulus dari
Vokasi APS, Akuntansi dan Pariwisata dari 2008-2011 dan dihasilkan Aplikasi yang diberi
nama VokanPredictor.
Perkembangan Riset yang didapatkan adalah :
a. Antarmuka Aplikasi Vokan Predictor telah selesai dengan fitur-fitur sebagai berikut:
Setelah Aplikasi Vokan Predictor dijalankan, maka dapat dilakukan pembuatan proyek
baru dengan menekan Create New seperti yang ditunjukkan Gambar 5.1.

Gambar 5.1 Antarmuka Aplikasi Vokan Predictor
b. Antarmuka Pembuatan New Project Predictor
Setelah Project dibuat harus ditentukan tahun dari data penelitian, dalam hal ini data
diambil dari Data Test Masuk Mahasiswa Vokasi Akuntansi Universitas Indonesia melalui
jalur SIMAK dan UBER yang dimulai tahun 2008 -2011 seperti yang ditunjukkan Gambar
5.2
c. Antarmuka Pengambilan data yang akan diprediksi dan ditraining
Setelah tahun ditentukan maka dilakukan pengambilan data yang akan ditraining
menggunakan Algoritma Genetika. Dalam hal ini dilakukan analisis dan prediksi IPK
32

Mahasiswa Vokasi Akuntansi berdasarkan Tes Masuk dan Prediksi IPK berdasarkan Mata
Kuliah yang telah diambil.
Mata Kuliah yang diambil menggunakan Mata Kuliah Semester 1 dimana Mata kuliah ini
merupakan dasar dan prasyarat untuk mengambil mata kuliah lain seperti yang ditunjukkan
gambar 5.3. Jenis File yang dapat diambil berekstensi XLS (Microsoft Excel 2003) dan
csv.

Gambar 5.2 Antarmuka New Project Vokan Predictor

Gambar 5.3 Antarmuka Import data
33

d. Antarmuka Pemilihan Variabel yang akan digunakan
Setelah File data dari Excel atau CSV diambil akan ditanyakan field yang akan dianalisis
dan ditraining yaitu : Nomor, Nilai Tes Masuk, IPK, dan mata kuliah semester 1 vokasi
Akuntansi yaitu : Pengantar Akuntansi 1, Lab Pengantar Akuntansi 1, Pengantar Bisnis,
Pengantar Ekonomi 1, Matematika Keuangan, Lab Aplikasi Komputer, Bahasa Inggris
seperti yang ditunjukkan Gambar 5.4

Gambar 5.4 Antarmuka pemilihan variabel yang digunakan untuk prediksi
e. Antarmuka Deskripsi Variabel
Setelah field data yang dibutuhkan dimasukkan ke dalam program, maka field field tersebut
dapat didefinisikan agar lebih mudah dalam melakukan analisis seperti yang ditunjukkan
Gambar 5.5

34

Gambar 5.5 Antarmuka deskripsi variabel yang digunakan untuk prediksi
f. Antarmuka analisis data menggunakan Genetic Algorithm
Setelah didefinikan maka dilakukan Proses Training menggunakan Algoritma Genetika
dimana Algoritma tersebut sangat sesuai digunakan untuk menganalisis data yang yang
dimodelkan dengan proses evolusi dan biologi. Mahasiswa baru memerlukan adaptasi agar
dapat mengikuti dan berhasil dalam studi di universitas dimana pola belajar lama (semasa
sekolah SMU) berbeda dengan universitas termasuk adaptasi dengan lingkungan dan cara
belajar karena itu penggunaan Algoritma Genetika sangat sesuai dengan kondisi tersebut.
Variabel yang dibutuhkan adalah variabel dependen (terikat) dimana variabel ini nilainya
tergantung dari variabel variabel independen (variabel bebas).

35

Gambar 5.6 Antarmuka Analisis Menggunakan Genetic Algorithm untuk IPK Kelulusan
dan IP Semester 1 serta jurusan
Untuk analisis kedua menggunakan variabel dependen IPK dan variabel independen IP
Semester 1 Mahasiswa Vokasi yang sudah lulus untuk Vokasi Akuntansi, APS dan
Pariwisata seperti yang ditunjukkan gambar 5.6
g. Antarmuka variabel sebelum pembelajaran
Setelah Variabel dependen dan independen dipilih maka akan ditampilkan grafik data
sebelum proses training (pembelajaran). Untuk Pembelajaran menggunakan 2 metode
yaitu : Paralel GA dan Simple GA dimana perbedaannya lebih dari cara melakukan
algoritma genetik. Untuk Paralel GA proses algoritma genetik dilakukan di beberapa titik
secara bersamaan karena itu perlu diatur crossover nya yang mempengaruhi dari siapa saja
yang berperanan mempengaruhi variabel dependen secara bersamaan (1 titik, n titik,
uniform, aritmatik) serta kecepatan mempengaruhinya. Selain itu variabel mutasi dapat
diset untuk mengetahui tingkat adaptasi mahasiswa terhadap perubahan metode belajar.
Pengaturan Populasi dan Generation diperlukan untuk algoritma genetik ini dimana itu
mempengaruhi seberapa pintar jaringan belajar. Ada beberapa pola belajar yang
membutuhkan populasi dan generation lebih banyak dari nilai default yang diberikan,
karena itu diberikan field untuk memodifikasi populasi dan generation. Agar hasil MPE,
MSE positif dapat diset dari range koefisiennya antara 0 dan 1 serta jika dalam proses
pembelajaran tidak didapatkan pola prediksi yang mirip dengan aktual maka dapat diubah
36

dari nilai kromosomnya, dalam hal ini berarti diperlukan beberapa variasi dan tambahan
metode pembelajaran baru untuk meningkatkan IPK.Tipe seleksi juga harus ditentukan
apakah menggunakan metode Roulette, Rank atau Tournamen

Gambar 5.7 File yang digunakan untuk Analisis Menggunakan Genetic Algorithm untuk
IPK dan Tes Masuk
Untuk field dalam file excel tentang klasifikasi berdasarkan data IPK dan IP dimana dalam
kelulusan terdapat predikat cum laude, sangat memuaskan dan memuaskan, sehingga data
harus diklasifikasi menjadi numerik agar dapat dilakukan prediksi dan analisis
menggunakan algoritma genetika. Dalam klasifikasi ini diberikan nilai 3 untuk predikat
cum laude, 2 untuk sangat memuaskan dan 1 untuk memuaskan

37

Gambar 5.8 Antarmuka variabel sebelum pembelajaran untuk Jurusan Vokasi Akuntansi

38

Gambar 5.9 Antarmuka variabel sebelum pembelajaran untuk Jurusan Vokasi
Administrasi Perkantoran dan Sekretaris (APS)

39

Gambar 5.10 Antarmuka variabel sebelum pembelajaran untuk Jurusan Vokasi
Pariwisata

h. Antarmuka variabel saat pembelajaran
Setelah dikonfigurasi pada bagian metode GA, crossover, Mutation, population, Max
Genetarion, Crossover, Type Selection, Koefisien untuk mendapatkan pola prediksi yang
mirip dengan aktual dimana MSE dan MPE yang didapatkan MSE = 0.1186 dan
MPE=0.1232 seperti yang ditunjukkan gambar 5.8 maka dapat dipilih report dan
mempersiapkan untuk prediksi.
i. Antarmuka pemilihan variabel yang ditampilkan untuk prediksi
Setelah hasil pembelajaran didapatkan maka dibuat report yang berisi analisis Statistik dari
pembelajaran. Penelitian ini dibatasi hanya membahas tentang variabel algoritma Genetika
dibandingkan dengan Statistik dimana akan diberikan kesimpulan untuk perbandingan
model aktual dan prediksi, Statistik deskriptif, Parameter GA, Grafik perbandingan
40

Prediksi dan Aktual, Residual dan MSE yang bersifat opsional seperti yang ditunjukkan
gambar 5.10

Gambar 5.11 Antarmuka variabel saat pembelajaran Vokasi Akuntansi

41

Gambar 5.12 Antarmuka variabel saat pembelajaran Vokasi APS

42

Gambar 5.13 Antarmuka variabel saat pembelajaran Pariwisata

43

Gambar 5.14 Antarmuka pemilihan variabel yang ditampilkan untuk prediksi

j. Antarmuka model Genetic Algorithm

Gambar 5.15 Antarmuka model Genetic Algorithm
k. Antarmuka variabel Genetic Algorithm

44

Gambar 5.16 Antarmuka parameter Genetic Algorithm
l.Antarmuka perbandingan variabel actual dan predicted
Antarmuka perbandingan variabel actual dan predicted

Gambar 5.17 Antarmuka perbandingan variabel actual dan predicted Vokasi Akuntansi
45

Gambar 5.18 Antarmuka perbandingan variabel actual dan predicted Vokasi APS

Gambar 5.19 Antarmuka perbandingan variabel actual dan predicted Vokasi Pariwisata
Antarmuka perbandingan grafik variabel actual dan predicted

Gambar 5.20 Antarmuka perbandingan grafis variabel actual dan predicted vokasi akuntansi
46

Gambar 5.21 Antarmuka perbandingan grafis variabel actual dan predicted vokasi APS

Gambar 5.22 Antarmuka perbandingan grafis variabel actual dan predicted vokasi pariwisata

47

n. Antarmuka tampilan Residual Graph

Gambar 5.23 Antarmuka tampilan Residual Graph Vokasi Akuntansi

Gambar 5.24 Antarmuka tampilan Residual Graph Vokasi APS

48

Gambar 5.25 Antarmuka tampilan Residual Graph Vokasi Pariwisata
o. Antarmuka tampilan MSE Graph

Gambar 5.26 Antarmuka tampilan MSE Graph Vokasi Akuntansi

49

Gambar 5.27 Antarmuka tampilan MSE Graph Vokasi APS

Gambar 5.28 Antarmuka tampilan MSE Graph Vokasi Pariwisata
p.Antarmuka hasil perhitungan statistik deskriptif

50

Gambar 5.29 Antarmuka tampilan Statistic Descriptive Vokasi Akuntansi

Gambar 5.30 Antarmuka tampilan Statistic Descriptive Vokasi APS

Gambar 5.31 Antarmuka tampilan Statistic Descriptive Vokasi Pariwisata

q. Antar muka hasil prediksi
Setelah dibuatkan report maka dapat dilakukan prediksi IPK dengan input klasifikasi, ip semester
1. Dalam penelitian ini akan diprediksi berapa ip yang harus diperoleh untuk mendapatkan predikat
cum laude, sangat memuaskan dan memuaskan untuk vokasi yang berbeda, yaitu akuntansi, aps
dan pariwisata. yang dapat dilihat pada tabel 5.1

51

Tabel 5.1 Perbandingan IP Semester 1 Vokasi Akuntansi, APS, Pariwisata
Akuntansi

APS

Pariwisata

Cum Laude:3.0

Cum Laude:3.7

Cum Laude : 3.1

Sangat Memuaskan:2.4

Sangat Memuaskan :3

Sangat Memuaskan:2.7

Untuk Vokasi Akuntansi dapat dianalisis dari tabel 5.1 dimana untuk mendapatkan predikat cum
laude ip semester 1 yang diperoleh minimum 3 memang terlihat sedikit lebih rendah daripada
pariwisata juga untuk mendapatkan predikat sangat memuaskan dengan IP semester 1 2.4 tetapi
yang menarik dari Vokasi Akuntansi disini adalah untuk IP hanya 2 masih mendapatkan IPK
kelulusan yang mendekati predikat memuaskan, ini artinya di vokasi akuntansi IP semester 1 yang
relat