Contoh Proposal untuk pengajuan peneliti
Kode/Nama Rumpun Ilmu: 458/Teknik Informatika
USULAN
PENELITIAN DOSEN PEMULA
JUDUL PENELITIAN
PREDIKSI MASA STUDI SARJANA MENGGUNAKAN ALGORITMA
BACK-PROPAGATION NEURAL NETWORK BERDASARKAN
KINERJA TAHUN PERTAMA
TIM PENGUSUL
Purowono Prasetyawan, M.T.
Imam Ahmad, M.Kom.
NIDN. 0425058502
NIDN. 0202088702
STMIK TEKNOKRAT LAMPUNG
APRIL 2016
DAFTAR ISI
DAFTAR ISI ................................................................................................................ii
RINGKASAN ............................................................................................................ iii
PENDAHULUAN ....................................................................................................... 4
1.1
Latar Belakang Masalah ................................................................................ 4
1.2
Rumusan Masalah ......................................................................................... 5
1.3
Tujuan Penelitian ........................................................................................... 5
1.4
Urgensi dan Manfaat Penelitian .................................................................... 5
1.5
Luaran Penelitian ......................................... Error! Bookmark not defined.
TINJAUAN PUSTAKA .............................................................................................. 6
2.1
Penelitian Terkait .......................................................................................... 6
2.2
Algoritma Propagasi Balik (Backpropagation) ............................................. 7
METODE PENELITIAN ........................................................................................... 10
3.1
Tahapan Penelitian ...................................................................................... 10
3.2
Lokasi Penelitian ......................................................................................... 12
3.3
Lingkungan Implementasi ........................................................................... 12
DAFTAR PUSTAKA ................................................................................................ 13
ii
RINGKASAN
Akreditasi perguran tinggi merupakan acuan penting dalam menentukan
kualitas suatu perguruan tinggi. Masa studi S1 adalah salah satu elemen dalam
penilian akreditasi tersebut. Idealnya mahasiswa menyelesaikan perkuliahan di
perguruan tinggi dalam kurun waktu 3,5 hingga 4 tahun. Beberapa faktor yang
mempengaruhi masa studi tidak tepat waktu antara lain IPK, jurusan, asal dan jenis
sekolah menengah, nilai ujian nasional, jenis kelamin, dan penghasilan orang tua.
Saat ini pemanfaatan data yang cukup besar (big data ) sebagai penemuan
pengetahuan telah banyak dilakukan oleh peneliti. Metode data mining digunakan
dalam menggali (menambang) informasi apa saja yang didapatkan dari sekumpulan
basis data berukuran besar. Metode neural network dengan algoritma pelatihan backpropagtion adalah salah satu metode data mining yang banyak digunakan dalam
memprediksi suatu kejadian berdasarkan pola data yang dimiliki. Penelitian ini
bertujuan untuk menganalisis pengaruh kinerja tahun pertama mahasiswa terhadap
masa studi berdasarkan data akademik yang tersedia, dengan menggunakan metode
back-propagation neural network (BpNN).
Metode penelitian ini terdiri atas beberapa proses yaitu studi pengambilan data,
pengenalan pola data dengan BpNN, dan analisis serta evaluasi. Data yang
digunakan pada penelitian ini adalah data induk dan akademik mahasiswa yang telah
lulus pada tahun pertama. Data terdiri dari 10 atribut yaitu NPM, hasil tes
penerimaan, keaktifan dalam UKM, jenis kelamin, asal sekolah menengan, jenis
sekolah menengah, nilai UN, penghasilan orang tua, IPK semester 1-2, dan lama
masa studi dengan 1318 jumlah mahasiswa angkatan 2007-2011. Praproses data
dilakukan dengan cara transformasi dan normalisasi. Hasil yang diperoleh
selanjutnya dibagi menjadi dua bagian yaitu data latih dan data uji. Data latih
digunakan untuk membuat model arsitektur jaringan, model yang dihasilkan akan
diuji dengan menggunakan data uji. Hasil pengujian kemudian dianalisis dan
dievaluasi sehingga nantinya bisa disimpulkan faktor apa sajakan yang paling
berpengaruh terhadap masa studi mahasiswa. Dengan menggunakan model arsitektur
jaringan ini diharapkan mahasiswa aktif yang sedang berjalan dapat memprediksi
masa studinya sehingga dapat menjadi peringatan dini untuk memperbaiki kinerja
pada tahun-tahun berikutnya.
Target luaran dari penelitian ini yaitu jurnal ilmiah nasional ber-ISSN,
prosiding pada seminar ilmiah nasional, dan menghasilkan produk bahan ajar pada
materi data mining dan data warehouse.
Kata kunci: back-propagation neural network, masa studi mahasiswa, data mining
iii
BAB I
PENDAHULUAN
1.1
Latar Belakang Masalah
Masa studi mahasiswa merupakan salah satu indikator acuan penentu kualitas
suatu perguruan tinggi. Berdasarkan standar peniliaian akreditasi perguruan tinggi
oleh BAN PT, masa studi menjadi salah satu elemen penilaian borang akreditasi
(BAN PT, 2008). Perguruan tinggi memiliki peranan penting untuk memantau
perkembangan studi mahasiswanya. Untuk itu, perguruan tinggi dituntut selalu
melakukan evaluasi terhadap kinerja mahasiswa. Salah satu cara evaluasi yang dapat
dilakukan adalah dengan menggali pengetahuan dari data bidang akademik yang
akan mempengaruhi kinerja mahasiswa (Baradwaj & Pal, 2011). Dengan
memanfaatkan data mining pada data akademik mahasiswa, perguruan tinggi dapat
memperoleh informasi yang berguna. Informasi ini yang nantinya dapat dijadikan
acuan dalam melakukan perbaikan terhadap kinerja studi mahasiswa (Tair & ElHalees, 2012; Ahmed & Elaraby, 2014).
Beberapa penelitian terdahulu menggunakan teknik data mining untuk
memprediksi masa studi mahasiswa. Meinanda, et al. (2009) menggunakan artificial
neural network (ANN) dengan arsitektur multilayer perceptron untuk memprediksi
masa studi sarjana. Hasil penelitian tersebut menyimpulkan bahwa lama studi
dipengaruhi oleh Indeks Prestasi Kumulatif (IPK), jumlah mata kuliah yang diambil,
jumlah mata kuliah mengulang, dan jumlah pengambilan mata kuliah tertentu.
Penelitian lain oleh Damanik et al. (2015) menyatakan bahwa masa studi sarjana
dipengaruhi oleh IPK dan jurusan. Penelitian tersebut mengklasifikasikan lama masa
studi menjadi dua kategori yaitu lebih dari empat tahun dan kurang dari sama dengan
empat tahun. Teknik klasifikasi yang digunakan adalah support vector machine
(SVM) dan Regresi Logistik Biner. Kedua teknik klasifikasi tersebut menghasilkan
persentase ketepatan klasifikasi yang berbeda.
Berdasarkan literatur penelitan sebelumnya, dalam penelitian ini akan
menganalisis faktor-faktor yang mempengaruhi masa studi sarjana dan pembuatan
model ANN dengan algoritma training back-propagation untuk memprediksi masa
studi. ANN merupakan salah satu teknik pengenalan pola yang banyak digunakan
untuk melakukan prediksi atau peramalan (Williams & Yan, 2008). Model prediksi
tersebut nantinya digunakan sebagai penentu kebijakan terhadap mahasiswa yang
memiliki masa studi melebihi batas. Pembaruan penelitian ini adalah terletak pada
penggunaan data akademis aktual pada perguruan tinggi tertentu, variabel predictor
dan paramater jaringan saraf (arsitektur), sehingga didapatkan model prediksi yang
tepat dan akurat.
1.2
Rumusan Masalah
Dari latar belakang masalah yang telah dipaparkan sebelumnya, maka rumusan
masalah penelitian ini adalah sebagai berikut:
1. Bagaimanakah kesesuaian antara kinerja tahun pertama mahasiswa terhadap
masa studi sarjana?
2. Bagaimana merancang arsitektur neural network untuk memprediksi masa
studi sarjana?
1.3
Tujuan Penelitian
Adapun tujuan khusus yang diharapkan dari penelitian ini adalah untuk:
1. Mengetahui faktor-faktor yang mempengaruhi lama masa studi mahasiswa.
2. Mengimplementasikan metode back-propagation neural network dalam
memprediksi masa studi mahasiswa.
3. Menguji efektifitas dan keakuratan metode back-propagation neural
network dalam memprediksi masa studi mahasiswa.
1.4
Urgensi dan Manfaat Penelitian
Sebagaimana telah dijelaskan sebelumnya bahwa masa studi sarjana
merupakan persoalan penting dalam penilaian kualitas suatu perguruan tinggi.
Karenanya, penelitian pada persoalan ini menjadi sangat penting sebagai upaya
untuk dapat mengetahui faktor-faktor yang mempengaruhi masa studi sarjana. Dalam
penelitian ini, faktor-faktor tersebut kemudian akan digunakan untuk memprediksi
masa studi sarjana dengan menggunakan metode ANN. Secara terperinci penelitian
ini diharapkan memberikan kontribusi:
1. Sebagai pengembangan ilmu pengetahuan khususnya memberikan alternatif
metode yang dapat digunakan untuk memprediksi masa studi sarjana.
2. Memberikan efisiensi pada perguruan tinggi dalam memantau kinerja
mahasiswa.
3. Menambah wawasan aplikasi ANN untuk perosalan-persoalan dunia nyata.
TINJAUAN PUSTAKA
2.1
Penelitian Terkait
Penelitian pendahulu yang terkait dengan penelitian ini adalah penelitian
tentang prediksi kinerja akademik mahasiswa oleh Oladokun, et al. (2008)
menggunakan model ANN dengan 10 variabel input yaitu ujian matrikulasi; nilai
Matematika, Fisika, Kimia, dan Bahasa Inggris; nilai Matematika lanjut, usia saat
pendaftaran, waktu tunggu antara lulus SMA dengan masuk kuliah; pendidikan
orang tua; lokasi SMA; jenis SMA; lokasi kampus dan tempat tinggal; dan jenis
kelamin. Selanjutnya Rahmani & Aprilianto (2013) mengembangkan model prediksi
lama masa studi mahasiswa berbasis ANN dengan 3 variabel input yaitu IPK
Semester 1, 2, dan 3.
Ridwan, et al., (2013) meneliti tetang penerapan data mining untuk
mengevaluasi kinerja akademik mahasiswa pada tahun ke-2. Penelitian tersebut
menggunakan algoritma Naïve Bayes Classifier (NBC) dengan kategori klasifikasi
yaitu lulus tepat waktu atau tidak. Kabakchieva (2013) membandingkan beberapa
metode data mining antara lain decision tree (pohon keputusan), bayesian, the knearest neighbour , dan rule learners untuk memprediksi kinerja mahasiswa. Ahmed
& Elaraby (2014) menggunakan teknik pohon keputusan ID3 untuk memprediksi
kinerja mahasiswa. Teknik pohon keputusan C4.5 digunakan oleh Kamagi & Hansun
(2014) untuk mengelompokan (klasifikasi) tingkat kualitas mahasiswa berdasarkan
jalur masuk kuliah.
ANN merupakan suatu teknik machine learning yang berbasis penyimpanan
informasi dan daya ingat (adaptasi kerja pada jaringan saraf manusia). Dimana
konsepnya bila terdapat suatu sinyal tertentu melalui sinapsis secara berulang, maka
sinapsis tersebut akan lebih mampu untuk menghantarkan sinyal pada kesempatan
berikutnya (Gurney, 2004). ANN banyak digunakan sebagai teknik prediksi, salah
satunya adalah penelitian yang dilakukan Lee, et al. (2015) untuk memprediksi
banyaknya nyamuk di daerah perkotaan. Menurut Agrawal & Agrawal (2015), ANN
adalah teknik yang efektif untuk mendeteksi kanker, hasil penelitian yang mereka
lakukan menyimpulkan ANN memiliki tingkat akurasi yang tinggi dengan rincian
97,1% menggunakan MLP (multi layer perceptron) dan 96% menggunakan PNN
(probabilistic neural network). Model ANN juga digunakan Mislan, et al. (2015),
dalam penelitiannya mereka menggunakan BPNN (back-propagation neural
network) untuk memprediksi curah hujan di Tenggarong, Kalimantan Timur. Hasil
penelitian tersebut menyimpulkan algoritma BPNN yang diterapkan untuk
memprediksi memiliki nilai MSE (mean square error ) sebesar 0,00096341.
Berdasarakan penelitian yang telah dilakukan sebelumnya, penelitian tentang
prediksi masa studi mahasiswa menggunakan algoritma BPNN diharapkan dapat
menghasilkan pengetahuan yang berharga di bidang data mining dan kecerdasan
komputasi, baik disisi teori maupun disisi penerapan aplikasi pada dunia nyata.
2.2
Algoritma Propagasi Balik (Backpropagation )
Algoritma propagasi balik merupakan salah satu teknik pelatihan pada jaringan
saraf tiruan (JST) yang terdiri atas dua langkah, yaitu perambatan maju dan
perambatan mundur. Kedua langkah tersebut dilakukan secara iteratif dengan tujuan
merubah nilai bobot dan nilai bias untuk mengurangi perbedaan antara output layer
dengan target output. Algoritma ini sangat baik dalam menangani masalah
pengenalan pola-pola kompleks dan biasanya digunakan oleh jaringan multilayer
(Fausett, 1994). Secara umum arsitektur jaringan saraf tiruan propagasi balik
diperlihatkan pada Gambar 2.1.
1
1
v01
v0p v0k
v11
v1k
X1
w 0 n w 0j
Z1
v1p
v21
v31
Input layer
Y1
v3p
w2j
Zk
v2k
Xm
w11
w 1j
w 1n
w21
v2k
Xi
w01
Yj
w 2n
w31
v3k
Zp
w 3j
w 3n
Hidden layer
Yn
Output layer
Gambar 2. 1 Arsitektur JST tipe backpropagation
Berikut adalah algoritma pelatihan pada jaringan saraf tiruan propagasi balik:
1.
Inisialisasi nilai awal: bobot-bobot, angka pembelajaran ( ), toleransi
error (nilai ambang), atau set maksimal epoch
2.
While kondisi berhenti tidak terpenuhi do langkah 3 – 10
3.
Untuk setiap pasangan pola pelatihan, lakukan langkah 4 – 9
Tahapan umpan maju (feedforward)
4.
Untuk setiap unit input ( i , i 1,, n ) mengirimkan sinyal input ke
semua unit pada layer berikutnya (hidden layer )
5.
Untuk setiap unit hidden ( j , j 1, , p ) sinyal output lapisan hidden
dihitung dengan fungsi aktivasi terhadap penjumlahan sinyal-sinyal input
n
bebobot i pada lapisan ini: j f v0 j i vij kemudian dikirim ke
i 1
semua unit pada lapisan berikutnya
6.
Untuk setiap unit output ( k , k 1,, m ) dihitung sinyal output-nya
dengan menerapkan fungsi aktivasi terhadap penjumlahan sinyal-sinyal
p
input berbobot Z i bagi lapisan ini: k f w0k j w jk
i 1
Tahap pemropagasibalikan kesalahan (backpropagation error)
7.
Untuk setiap unit output ( k , k 1,, m ) menerima pola target Tk yang
bersesuaian dengan pola input, dan kemudian dihitung informasi
p
kesalahan lapisan output: k k k f ' w0k j w jk . Kemudian
i 1
dihitung koreksi nilai bobot yang kemudian akan digunakan untuk
memperbaharui
nilai
bobot
menggunakan
w jk
persamaan:
wjk k j . Hitung koreksi nilai bias yang kemudian akan digunakan
untuk memperbaharui nilai w0k dengan persamaan: w0k k dan
kemudian nilai dikirim ke unit pada lapisan sebelumnya
8.
Untuk setiap unit hidden ( j , j 1,, p ) hitung nilai delta masukan yang
n
berasal dari unit lapisan berikutnya: j k w jk f ' v0 j X i vij .
i 1
k 1
Hitung
koreksi
nilai
bobot
yang
kemudian
digunakan
untuk
memperbaharui nilai: vij j X i dan hitung nilai koreksi bias yang
digunakan untuk memperbaharui nilai: v0 j j
9.
Memperbaharui
nilai
bobot
dan
bias,
dengan
w jk (new ) w jk (old) w jk dan vij (new ) vij (old) vij
persamaan:
10. Menguji apakah kondisi berhenti terpenuhi.
BAB III
METODE PENELITIAN
3.1
Tahapan Penelitian
Metode ini memiliki beberapa tahap yaitu pengambilan data, pengolahan data
menggunakan backpropagation neural network (BpNN), analisis dan evaluasi
model, dan dokumentasi, pembuatan laporan, dan publikasi. Diagram alur penelitian
dapat dilihat pada Gambar 3.1.
Mulai
Pengambilan data
Pengenalan pola data
dengan BpNN
Analisis dan evaluasi
Dokumentasi, Pelaporan,
dan Publikasi
Selesai
Gambar 3. 1. Diagram alur penelitian
Pengambilan Data
Data yang digunakan sebagai proses mining dan pengujian adalah data primer,
berupa sampel data induk dan data akademik mahasiswa aktual di suatu perguruan
tinggi angkatan 2007-2011 yang telah lulus. Data tersebut terdiri dari catatan
akademis 1318 mahasiswa yang terdiri dari 10 atribut, yaitu:
1.
Nomor Pokok Mahasiswa (NPM),
2.
Hasil tes penerimaan mahasiswa,
3.
Keaktifan dalam unit kegiatan mahasiswa,
4.
Jenis kelamin,
5.
Asal sekolah menengah,
6.
Jenis sekolah menengah,
7.
Nilai ujian nasional,
8.
Penghasilan orang tua,
9.
Indeks Prestasi Kumulatif (IPK) semester 1-2, dan
10. Lama masa studi.
Sebelum data input dan target yang diimplementasikan ke dalam jaringan saraf
tiruan data tersebut harus dipraproses terlebih dahulu, karena data masih bersifat
kotor, tidak lengkap, dan tidak konsisten.
Praproses yang dilakukan terdiri dari transformasi dan pembersihan data. Data
transformasi bertujuan agar konvergensi lebih cepat dan tercapai, apabila nilai ratarata dari input data training mendekati nol.
Pemetaan ini dilakukan untuk menyiapkan input dan target dengan
menggunakan min-max normalization. Normalisasi ini dipilih agar data berada pada
interval 0-1, hal ini disebabkan fungsi aktivasi yang nanti akan digunakan yaitu
fungsi sigmoid.
Pengenalan Pola Data dengan BpNN
Proses prediksi masa studi mahasiswa dilakukan terhadap data yang telah
dipraproses dan dinormalisasi. Data dibagi menjadi data latih (training) dan data uji
(testing). Proses pembagian data menggunakan teknik cross validation K-fold.
Selama proses pelatihan arsitektur jaringan yang dikembangkan menggunakan
parameter-parameter jaringan saraf tiruan (JST) yang telah ditentukan. Proses
pelatihan dilakukan beberapa kali sampai menemukan galat terkecil. Tabel 3.s1
memaparkan parameter JST yang akan digunakan pada proses pelatihan.
Tabel 3. 1. Parameter JST propagasi balik
Karakteristik
Spesifikasi
Arsitektur
1 hidden layer
Neuron input
8, 16
Hidden layer
3, 5, 8, 10, 20
Neuron output
2
Karakteristik
Spesifikasi
Fungsi aktivasi
Sigmoid bipolar, Sigmoid biner
Toleransi galat
10-3
Maksimum epoch
100, 500
Proses pengujian dilakukan dengan menguji data uji terhadap model arsitektur
pelatihan. Pengujian dilakukan berdasarkan kelas masa studi menggunakan tabel
confusion matrix. Untuk menghitung akurasi klasifikasi dengan menggunakan
persamaan berikut:
akurasi
data uji benar klasifikas i
100%
total data uji
Analisis dan Evaluasi
Tahap selanjutnya adalah evaluasi kinerja klasifikasi. Agar dapat dengan
mudah dipahami dan dianalisis, hasil akurasi dibuat dalam bentuk grafik. Proses
analisis dengan melakukan pengamatan terhadap parameter JST yang digunakan
terhadap tingkat akurasi klasifikasi.
3.2
Lokasi Penelitian
Penelitian ini dilaksanakan di Laboratorium Riset STMIK Teknokrat.
3.3
Lingkungan Implementasi
Perangkat lunak yang digunakan dalam penelitian ini antara lain sistem operasi
Windows® 7, Ms. Office Word 2007, NetBeans IDE 8.0.1, Java (JDK) 8.
Sedangkan untuk perangkat keras yang digunakan adalah Intel® Core™ i3 processor
330M (2.13GHz), NVDIA® GeForce® 310, 14.0” HD LED LCD, memori 2GB.
BAB IV
DAFTAR PUSTAKA
Agrawal, S. & Agrawal, J., 2015. Neural Network Techniques for Cancer Prediction:
A Survey. Procedia Computer Science, 60(Elsevier), pp. 769-774.
Ahmed, A. B. E. D. & Elaraby, I. S., 2014. Data Mining: A prediction for Student's
Performance Using Classification Method. World Journal of Computer
Application and Technology, 2(2), pp. 43-47.
Ahmed, A. B. E. D. & Elaraby, I. S., 2014. Data Mining: A prediction for Student's
Performance Using Classification Method. World Journal of Computer
Application and Technology, 2(2), pp. 43-47.
PT, 2008. Akreditasi Program Studi Sarjana: Buku II Standar dan Prosedur
Akreditasi Program Studi Sarjana . Jakarta: BAN PT
Baradwaj, B. K. & Pal, S., 2011. Mining Educational Data to Analyze Students
Performance. International Journal of Advanced Computer Science and
Applications, 2(6), pp. 63-69.
Damanik, S. M. S., Ispriyanti, D. & Sugito, 2015. Klasifikasi Lama Studi Mahasiswa
FSM Universitas Diponegoro Menggunakan Regresi Logistik Biner dan
Support Vector Machine (SVM). Jurnal Gaussian, 4(1), pp. 123-132.
Fausett, L., 1994. Fundamentals of Neural Networks. New Jersey: John Wiley &
Sons.
Gurney, K., 2004. An Introduction to Neural Networks. London: Taylor & Francis eLibrary.
Han & Kamber, 2006. Data Mining Concepts and Techniques. 2nd ed. San
Fransisco: Morgan Kaufmann Publisher.
Heikki, M., 1996. Data mining: machine learning, statistics, and database.
s.l.:IEEE.
Kabakchieva, D., 2013. Predicting Student Performance by Using Data Mining
Methods for Classification. Cybernetics and Information Technologies,
13(1), pp. 61-72.
Kamagi, D. H. & Hansun, S., 2014. Implementasi Data Mining dengan Algoritma
C4.5 untuk Memprediksi Tingkat Kelulusan Mahasiswa. Ultimatics, 6(1), pp.
15-20.
Lee, K. Y., Chung, N. & Hwang, S., 2015. Application of an Artificial Neural
Network (ANN) Model for Predicting Mosquito Abundances in Urban Areas.
Ecological Informatics.
Meinanda, M. H., Annisa, M., Muhandri, N. & Suryadi, K., 2009. Prediksi Masa
Studi Sarjana dengan Artificial Neural Network. Internetworking Indonesia
Journal, 1(2), pp. 31-35.
Mislan, et al., 2015. Rainfall Monthly Prediction Based on Artificial Neural
Network: A Case Study in Tenggarong Station, East Kalimantan - Indonesia.
Procedia Computer Science, 59(Elsevier), pp. 142-151.
Oladokun, V., Adebanjo, A. & Charles-Owaba, O., 2008. Predicting Students’
Academic Performance using Artificial Neural Network: A Case Study of an
Engineering Course. The Pacific Journal of Science and Technology, 9(1),
pp. 72-79.
Rahmani, B. & Aprilianto, H., 2013. Pengembangan Model Prediksi Lama Masa
Studi Mahasiswa Berbasis Jaringan Syaraf Tiruan. Yogyakarta, Seminar
Nasional 2013 Menuju Masyarakat Madani dan Lestari.
Ridwan, M., Suyono, H. & Sarosa, M., 2013. Penerapan Data Mining Untuk
Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive
Bayes Classifier. Electrics Electronics Communications Controls Informatics
Systems, 7(1), pp. 59-64.
Tair, M. M. A. & El-Halees, A. M., 2012. Mining Educational Data to Improve
Students’ Performance: A Case Study. International Journal of Information
and Communication Technology Research, 2(2), pp. 140-146.
Walpole, R. E., 1995. Pengantar Statistika. 3rd ed. Jakarta: Gramedia Pustaka
Utama.
Williams, J. & Yan, L., 2008. A Case Study Using Neural Network Algorithms:
horse racing prediction in Jamaica. Las Vegas, International Conf. on
Artificial Intelligence (ICAI'08).
USULAN
PENELITIAN DOSEN PEMULA
JUDUL PENELITIAN
PREDIKSI MASA STUDI SARJANA MENGGUNAKAN ALGORITMA
BACK-PROPAGATION NEURAL NETWORK BERDASARKAN
KINERJA TAHUN PERTAMA
TIM PENGUSUL
Purowono Prasetyawan, M.T.
Imam Ahmad, M.Kom.
NIDN. 0425058502
NIDN. 0202088702
STMIK TEKNOKRAT LAMPUNG
APRIL 2016
DAFTAR ISI
DAFTAR ISI ................................................................................................................ii
RINGKASAN ............................................................................................................ iii
PENDAHULUAN ....................................................................................................... 4
1.1
Latar Belakang Masalah ................................................................................ 4
1.2
Rumusan Masalah ......................................................................................... 5
1.3
Tujuan Penelitian ........................................................................................... 5
1.4
Urgensi dan Manfaat Penelitian .................................................................... 5
1.5
Luaran Penelitian ......................................... Error! Bookmark not defined.
TINJAUAN PUSTAKA .............................................................................................. 6
2.1
Penelitian Terkait .......................................................................................... 6
2.2
Algoritma Propagasi Balik (Backpropagation) ............................................. 7
METODE PENELITIAN ........................................................................................... 10
3.1
Tahapan Penelitian ...................................................................................... 10
3.2
Lokasi Penelitian ......................................................................................... 12
3.3
Lingkungan Implementasi ........................................................................... 12
DAFTAR PUSTAKA ................................................................................................ 13
ii
RINGKASAN
Akreditasi perguran tinggi merupakan acuan penting dalam menentukan
kualitas suatu perguruan tinggi. Masa studi S1 adalah salah satu elemen dalam
penilian akreditasi tersebut. Idealnya mahasiswa menyelesaikan perkuliahan di
perguruan tinggi dalam kurun waktu 3,5 hingga 4 tahun. Beberapa faktor yang
mempengaruhi masa studi tidak tepat waktu antara lain IPK, jurusan, asal dan jenis
sekolah menengah, nilai ujian nasional, jenis kelamin, dan penghasilan orang tua.
Saat ini pemanfaatan data yang cukup besar (big data ) sebagai penemuan
pengetahuan telah banyak dilakukan oleh peneliti. Metode data mining digunakan
dalam menggali (menambang) informasi apa saja yang didapatkan dari sekumpulan
basis data berukuran besar. Metode neural network dengan algoritma pelatihan backpropagtion adalah salah satu metode data mining yang banyak digunakan dalam
memprediksi suatu kejadian berdasarkan pola data yang dimiliki. Penelitian ini
bertujuan untuk menganalisis pengaruh kinerja tahun pertama mahasiswa terhadap
masa studi berdasarkan data akademik yang tersedia, dengan menggunakan metode
back-propagation neural network (BpNN).
Metode penelitian ini terdiri atas beberapa proses yaitu studi pengambilan data,
pengenalan pola data dengan BpNN, dan analisis serta evaluasi. Data yang
digunakan pada penelitian ini adalah data induk dan akademik mahasiswa yang telah
lulus pada tahun pertama. Data terdiri dari 10 atribut yaitu NPM, hasil tes
penerimaan, keaktifan dalam UKM, jenis kelamin, asal sekolah menengan, jenis
sekolah menengah, nilai UN, penghasilan orang tua, IPK semester 1-2, dan lama
masa studi dengan 1318 jumlah mahasiswa angkatan 2007-2011. Praproses data
dilakukan dengan cara transformasi dan normalisasi. Hasil yang diperoleh
selanjutnya dibagi menjadi dua bagian yaitu data latih dan data uji. Data latih
digunakan untuk membuat model arsitektur jaringan, model yang dihasilkan akan
diuji dengan menggunakan data uji. Hasil pengujian kemudian dianalisis dan
dievaluasi sehingga nantinya bisa disimpulkan faktor apa sajakan yang paling
berpengaruh terhadap masa studi mahasiswa. Dengan menggunakan model arsitektur
jaringan ini diharapkan mahasiswa aktif yang sedang berjalan dapat memprediksi
masa studinya sehingga dapat menjadi peringatan dini untuk memperbaiki kinerja
pada tahun-tahun berikutnya.
Target luaran dari penelitian ini yaitu jurnal ilmiah nasional ber-ISSN,
prosiding pada seminar ilmiah nasional, dan menghasilkan produk bahan ajar pada
materi data mining dan data warehouse.
Kata kunci: back-propagation neural network, masa studi mahasiswa, data mining
iii
BAB I
PENDAHULUAN
1.1
Latar Belakang Masalah
Masa studi mahasiswa merupakan salah satu indikator acuan penentu kualitas
suatu perguruan tinggi. Berdasarkan standar peniliaian akreditasi perguruan tinggi
oleh BAN PT, masa studi menjadi salah satu elemen penilaian borang akreditasi
(BAN PT, 2008). Perguruan tinggi memiliki peranan penting untuk memantau
perkembangan studi mahasiswanya. Untuk itu, perguruan tinggi dituntut selalu
melakukan evaluasi terhadap kinerja mahasiswa. Salah satu cara evaluasi yang dapat
dilakukan adalah dengan menggali pengetahuan dari data bidang akademik yang
akan mempengaruhi kinerja mahasiswa (Baradwaj & Pal, 2011). Dengan
memanfaatkan data mining pada data akademik mahasiswa, perguruan tinggi dapat
memperoleh informasi yang berguna. Informasi ini yang nantinya dapat dijadikan
acuan dalam melakukan perbaikan terhadap kinerja studi mahasiswa (Tair & ElHalees, 2012; Ahmed & Elaraby, 2014).
Beberapa penelitian terdahulu menggunakan teknik data mining untuk
memprediksi masa studi mahasiswa. Meinanda, et al. (2009) menggunakan artificial
neural network (ANN) dengan arsitektur multilayer perceptron untuk memprediksi
masa studi sarjana. Hasil penelitian tersebut menyimpulkan bahwa lama studi
dipengaruhi oleh Indeks Prestasi Kumulatif (IPK), jumlah mata kuliah yang diambil,
jumlah mata kuliah mengulang, dan jumlah pengambilan mata kuliah tertentu.
Penelitian lain oleh Damanik et al. (2015) menyatakan bahwa masa studi sarjana
dipengaruhi oleh IPK dan jurusan. Penelitian tersebut mengklasifikasikan lama masa
studi menjadi dua kategori yaitu lebih dari empat tahun dan kurang dari sama dengan
empat tahun. Teknik klasifikasi yang digunakan adalah support vector machine
(SVM) dan Regresi Logistik Biner. Kedua teknik klasifikasi tersebut menghasilkan
persentase ketepatan klasifikasi yang berbeda.
Berdasarkan literatur penelitan sebelumnya, dalam penelitian ini akan
menganalisis faktor-faktor yang mempengaruhi masa studi sarjana dan pembuatan
model ANN dengan algoritma training back-propagation untuk memprediksi masa
studi. ANN merupakan salah satu teknik pengenalan pola yang banyak digunakan
untuk melakukan prediksi atau peramalan (Williams & Yan, 2008). Model prediksi
tersebut nantinya digunakan sebagai penentu kebijakan terhadap mahasiswa yang
memiliki masa studi melebihi batas. Pembaruan penelitian ini adalah terletak pada
penggunaan data akademis aktual pada perguruan tinggi tertentu, variabel predictor
dan paramater jaringan saraf (arsitektur), sehingga didapatkan model prediksi yang
tepat dan akurat.
1.2
Rumusan Masalah
Dari latar belakang masalah yang telah dipaparkan sebelumnya, maka rumusan
masalah penelitian ini adalah sebagai berikut:
1. Bagaimanakah kesesuaian antara kinerja tahun pertama mahasiswa terhadap
masa studi sarjana?
2. Bagaimana merancang arsitektur neural network untuk memprediksi masa
studi sarjana?
1.3
Tujuan Penelitian
Adapun tujuan khusus yang diharapkan dari penelitian ini adalah untuk:
1. Mengetahui faktor-faktor yang mempengaruhi lama masa studi mahasiswa.
2. Mengimplementasikan metode back-propagation neural network dalam
memprediksi masa studi mahasiswa.
3. Menguji efektifitas dan keakuratan metode back-propagation neural
network dalam memprediksi masa studi mahasiswa.
1.4
Urgensi dan Manfaat Penelitian
Sebagaimana telah dijelaskan sebelumnya bahwa masa studi sarjana
merupakan persoalan penting dalam penilaian kualitas suatu perguruan tinggi.
Karenanya, penelitian pada persoalan ini menjadi sangat penting sebagai upaya
untuk dapat mengetahui faktor-faktor yang mempengaruhi masa studi sarjana. Dalam
penelitian ini, faktor-faktor tersebut kemudian akan digunakan untuk memprediksi
masa studi sarjana dengan menggunakan metode ANN. Secara terperinci penelitian
ini diharapkan memberikan kontribusi:
1. Sebagai pengembangan ilmu pengetahuan khususnya memberikan alternatif
metode yang dapat digunakan untuk memprediksi masa studi sarjana.
2. Memberikan efisiensi pada perguruan tinggi dalam memantau kinerja
mahasiswa.
3. Menambah wawasan aplikasi ANN untuk perosalan-persoalan dunia nyata.
TINJAUAN PUSTAKA
2.1
Penelitian Terkait
Penelitian pendahulu yang terkait dengan penelitian ini adalah penelitian
tentang prediksi kinerja akademik mahasiswa oleh Oladokun, et al. (2008)
menggunakan model ANN dengan 10 variabel input yaitu ujian matrikulasi; nilai
Matematika, Fisika, Kimia, dan Bahasa Inggris; nilai Matematika lanjut, usia saat
pendaftaran, waktu tunggu antara lulus SMA dengan masuk kuliah; pendidikan
orang tua; lokasi SMA; jenis SMA; lokasi kampus dan tempat tinggal; dan jenis
kelamin. Selanjutnya Rahmani & Aprilianto (2013) mengembangkan model prediksi
lama masa studi mahasiswa berbasis ANN dengan 3 variabel input yaitu IPK
Semester 1, 2, dan 3.
Ridwan, et al., (2013) meneliti tetang penerapan data mining untuk
mengevaluasi kinerja akademik mahasiswa pada tahun ke-2. Penelitian tersebut
menggunakan algoritma Naïve Bayes Classifier (NBC) dengan kategori klasifikasi
yaitu lulus tepat waktu atau tidak. Kabakchieva (2013) membandingkan beberapa
metode data mining antara lain decision tree (pohon keputusan), bayesian, the knearest neighbour , dan rule learners untuk memprediksi kinerja mahasiswa. Ahmed
& Elaraby (2014) menggunakan teknik pohon keputusan ID3 untuk memprediksi
kinerja mahasiswa. Teknik pohon keputusan C4.5 digunakan oleh Kamagi & Hansun
(2014) untuk mengelompokan (klasifikasi) tingkat kualitas mahasiswa berdasarkan
jalur masuk kuliah.
ANN merupakan suatu teknik machine learning yang berbasis penyimpanan
informasi dan daya ingat (adaptasi kerja pada jaringan saraf manusia). Dimana
konsepnya bila terdapat suatu sinyal tertentu melalui sinapsis secara berulang, maka
sinapsis tersebut akan lebih mampu untuk menghantarkan sinyal pada kesempatan
berikutnya (Gurney, 2004). ANN banyak digunakan sebagai teknik prediksi, salah
satunya adalah penelitian yang dilakukan Lee, et al. (2015) untuk memprediksi
banyaknya nyamuk di daerah perkotaan. Menurut Agrawal & Agrawal (2015), ANN
adalah teknik yang efektif untuk mendeteksi kanker, hasil penelitian yang mereka
lakukan menyimpulkan ANN memiliki tingkat akurasi yang tinggi dengan rincian
97,1% menggunakan MLP (multi layer perceptron) dan 96% menggunakan PNN
(probabilistic neural network). Model ANN juga digunakan Mislan, et al. (2015),
dalam penelitiannya mereka menggunakan BPNN (back-propagation neural
network) untuk memprediksi curah hujan di Tenggarong, Kalimantan Timur. Hasil
penelitian tersebut menyimpulkan algoritma BPNN yang diterapkan untuk
memprediksi memiliki nilai MSE (mean square error ) sebesar 0,00096341.
Berdasarakan penelitian yang telah dilakukan sebelumnya, penelitian tentang
prediksi masa studi mahasiswa menggunakan algoritma BPNN diharapkan dapat
menghasilkan pengetahuan yang berharga di bidang data mining dan kecerdasan
komputasi, baik disisi teori maupun disisi penerapan aplikasi pada dunia nyata.
2.2
Algoritma Propagasi Balik (Backpropagation )
Algoritma propagasi balik merupakan salah satu teknik pelatihan pada jaringan
saraf tiruan (JST) yang terdiri atas dua langkah, yaitu perambatan maju dan
perambatan mundur. Kedua langkah tersebut dilakukan secara iteratif dengan tujuan
merubah nilai bobot dan nilai bias untuk mengurangi perbedaan antara output layer
dengan target output. Algoritma ini sangat baik dalam menangani masalah
pengenalan pola-pola kompleks dan biasanya digunakan oleh jaringan multilayer
(Fausett, 1994). Secara umum arsitektur jaringan saraf tiruan propagasi balik
diperlihatkan pada Gambar 2.1.
1
1
v01
v0p v0k
v11
v1k
X1
w 0 n w 0j
Z1
v1p
v21
v31
Input layer
Y1
v3p
w2j
Zk
v2k
Xm
w11
w 1j
w 1n
w21
v2k
Xi
w01
Yj
w 2n
w31
v3k
Zp
w 3j
w 3n
Hidden layer
Yn
Output layer
Gambar 2. 1 Arsitektur JST tipe backpropagation
Berikut adalah algoritma pelatihan pada jaringan saraf tiruan propagasi balik:
1.
Inisialisasi nilai awal: bobot-bobot, angka pembelajaran ( ), toleransi
error (nilai ambang), atau set maksimal epoch
2.
While kondisi berhenti tidak terpenuhi do langkah 3 – 10
3.
Untuk setiap pasangan pola pelatihan, lakukan langkah 4 – 9
Tahapan umpan maju (feedforward)
4.
Untuk setiap unit input ( i , i 1,, n ) mengirimkan sinyal input ke
semua unit pada layer berikutnya (hidden layer )
5.
Untuk setiap unit hidden ( j , j 1, , p ) sinyal output lapisan hidden
dihitung dengan fungsi aktivasi terhadap penjumlahan sinyal-sinyal input
n
bebobot i pada lapisan ini: j f v0 j i vij kemudian dikirim ke
i 1
semua unit pada lapisan berikutnya
6.
Untuk setiap unit output ( k , k 1,, m ) dihitung sinyal output-nya
dengan menerapkan fungsi aktivasi terhadap penjumlahan sinyal-sinyal
p
input berbobot Z i bagi lapisan ini: k f w0k j w jk
i 1
Tahap pemropagasibalikan kesalahan (backpropagation error)
7.
Untuk setiap unit output ( k , k 1,, m ) menerima pola target Tk yang
bersesuaian dengan pola input, dan kemudian dihitung informasi
p
kesalahan lapisan output: k k k f ' w0k j w jk . Kemudian
i 1
dihitung koreksi nilai bobot yang kemudian akan digunakan untuk
memperbaharui
nilai
bobot
menggunakan
w jk
persamaan:
wjk k j . Hitung koreksi nilai bias yang kemudian akan digunakan
untuk memperbaharui nilai w0k dengan persamaan: w0k k dan
kemudian nilai dikirim ke unit pada lapisan sebelumnya
8.
Untuk setiap unit hidden ( j , j 1,, p ) hitung nilai delta masukan yang
n
berasal dari unit lapisan berikutnya: j k w jk f ' v0 j X i vij .
i 1
k 1
Hitung
koreksi
nilai
bobot
yang
kemudian
digunakan
untuk
memperbaharui nilai: vij j X i dan hitung nilai koreksi bias yang
digunakan untuk memperbaharui nilai: v0 j j
9.
Memperbaharui
nilai
bobot
dan
bias,
dengan
w jk (new ) w jk (old) w jk dan vij (new ) vij (old) vij
persamaan:
10. Menguji apakah kondisi berhenti terpenuhi.
BAB III
METODE PENELITIAN
3.1
Tahapan Penelitian
Metode ini memiliki beberapa tahap yaitu pengambilan data, pengolahan data
menggunakan backpropagation neural network (BpNN), analisis dan evaluasi
model, dan dokumentasi, pembuatan laporan, dan publikasi. Diagram alur penelitian
dapat dilihat pada Gambar 3.1.
Mulai
Pengambilan data
Pengenalan pola data
dengan BpNN
Analisis dan evaluasi
Dokumentasi, Pelaporan,
dan Publikasi
Selesai
Gambar 3. 1. Diagram alur penelitian
Pengambilan Data
Data yang digunakan sebagai proses mining dan pengujian adalah data primer,
berupa sampel data induk dan data akademik mahasiswa aktual di suatu perguruan
tinggi angkatan 2007-2011 yang telah lulus. Data tersebut terdiri dari catatan
akademis 1318 mahasiswa yang terdiri dari 10 atribut, yaitu:
1.
Nomor Pokok Mahasiswa (NPM),
2.
Hasil tes penerimaan mahasiswa,
3.
Keaktifan dalam unit kegiatan mahasiswa,
4.
Jenis kelamin,
5.
Asal sekolah menengah,
6.
Jenis sekolah menengah,
7.
Nilai ujian nasional,
8.
Penghasilan orang tua,
9.
Indeks Prestasi Kumulatif (IPK) semester 1-2, dan
10. Lama masa studi.
Sebelum data input dan target yang diimplementasikan ke dalam jaringan saraf
tiruan data tersebut harus dipraproses terlebih dahulu, karena data masih bersifat
kotor, tidak lengkap, dan tidak konsisten.
Praproses yang dilakukan terdiri dari transformasi dan pembersihan data. Data
transformasi bertujuan agar konvergensi lebih cepat dan tercapai, apabila nilai ratarata dari input data training mendekati nol.
Pemetaan ini dilakukan untuk menyiapkan input dan target dengan
menggunakan min-max normalization. Normalisasi ini dipilih agar data berada pada
interval 0-1, hal ini disebabkan fungsi aktivasi yang nanti akan digunakan yaitu
fungsi sigmoid.
Pengenalan Pola Data dengan BpNN
Proses prediksi masa studi mahasiswa dilakukan terhadap data yang telah
dipraproses dan dinormalisasi. Data dibagi menjadi data latih (training) dan data uji
(testing). Proses pembagian data menggunakan teknik cross validation K-fold.
Selama proses pelatihan arsitektur jaringan yang dikembangkan menggunakan
parameter-parameter jaringan saraf tiruan (JST) yang telah ditentukan. Proses
pelatihan dilakukan beberapa kali sampai menemukan galat terkecil. Tabel 3.s1
memaparkan parameter JST yang akan digunakan pada proses pelatihan.
Tabel 3. 1. Parameter JST propagasi balik
Karakteristik
Spesifikasi
Arsitektur
1 hidden layer
Neuron input
8, 16
Hidden layer
3, 5, 8, 10, 20
Neuron output
2
Karakteristik
Spesifikasi
Fungsi aktivasi
Sigmoid bipolar, Sigmoid biner
Toleransi galat
10-3
Maksimum epoch
100, 500
Proses pengujian dilakukan dengan menguji data uji terhadap model arsitektur
pelatihan. Pengujian dilakukan berdasarkan kelas masa studi menggunakan tabel
confusion matrix. Untuk menghitung akurasi klasifikasi dengan menggunakan
persamaan berikut:
akurasi
data uji benar klasifikas i
100%
total data uji
Analisis dan Evaluasi
Tahap selanjutnya adalah evaluasi kinerja klasifikasi. Agar dapat dengan
mudah dipahami dan dianalisis, hasil akurasi dibuat dalam bentuk grafik. Proses
analisis dengan melakukan pengamatan terhadap parameter JST yang digunakan
terhadap tingkat akurasi klasifikasi.
3.2
Lokasi Penelitian
Penelitian ini dilaksanakan di Laboratorium Riset STMIK Teknokrat.
3.3
Lingkungan Implementasi
Perangkat lunak yang digunakan dalam penelitian ini antara lain sistem operasi
Windows® 7, Ms. Office Word 2007, NetBeans IDE 8.0.1, Java (JDK) 8.
Sedangkan untuk perangkat keras yang digunakan adalah Intel® Core™ i3 processor
330M (2.13GHz), NVDIA® GeForce® 310, 14.0” HD LED LCD, memori 2GB.
BAB IV
DAFTAR PUSTAKA
Agrawal, S. & Agrawal, J., 2015. Neural Network Techniques for Cancer Prediction:
A Survey. Procedia Computer Science, 60(Elsevier), pp. 769-774.
Ahmed, A. B. E. D. & Elaraby, I. S., 2014. Data Mining: A prediction for Student's
Performance Using Classification Method. World Journal of Computer
Application and Technology, 2(2), pp. 43-47.
Ahmed, A. B. E. D. & Elaraby, I. S., 2014. Data Mining: A prediction for Student's
Performance Using Classification Method. World Journal of Computer
Application and Technology, 2(2), pp. 43-47.
PT, 2008. Akreditasi Program Studi Sarjana: Buku II Standar dan Prosedur
Akreditasi Program Studi Sarjana . Jakarta: BAN PT
Baradwaj, B. K. & Pal, S., 2011. Mining Educational Data to Analyze Students
Performance. International Journal of Advanced Computer Science and
Applications, 2(6), pp. 63-69.
Damanik, S. M. S., Ispriyanti, D. & Sugito, 2015. Klasifikasi Lama Studi Mahasiswa
FSM Universitas Diponegoro Menggunakan Regresi Logistik Biner dan
Support Vector Machine (SVM). Jurnal Gaussian, 4(1), pp. 123-132.
Fausett, L., 1994. Fundamentals of Neural Networks. New Jersey: John Wiley &
Sons.
Gurney, K., 2004. An Introduction to Neural Networks. London: Taylor & Francis eLibrary.
Han & Kamber, 2006. Data Mining Concepts and Techniques. 2nd ed. San
Fransisco: Morgan Kaufmann Publisher.
Heikki, M., 1996. Data mining: machine learning, statistics, and database.
s.l.:IEEE.
Kabakchieva, D., 2013. Predicting Student Performance by Using Data Mining
Methods for Classification. Cybernetics and Information Technologies,
13(1), pp. 61-72.
Kamagi, D. H. & Hansun, S., 2014. Implementasi Data Mining dengan Algoritma
C4.5 untuk Memprediksi Tingkat Kelulusan Mahasiswa. Ultimatics, 6(1), pp.
15-20.
Lee, K. Y., Chung, N. & Hwang, S., 2015. Application of an Artificial Neural
Network (ANN) Model for Predicting Mosquito Abundances in Urban Areas.
Ecological Informatics.
Meinanda, M. H., Annisa, M., Muhandri, N. & Suryadi, K., 2009. Prediksi Masa
Studi Sarjana dengan Artificial Neural Network. Internetworking Indonesia
Journal, 1(2), pp. 31-35.
Mislan, et al., 2015. Rainfall Monthly Prediction Based on Artificial Neural
Network: A Case Study in Tenggarong Station, East Kalimantan - Indonesia.
Procedia Computer Science, 59(Elsevier), pp. 142-151.
Oladokun, V., Adebanjo, A. & Charles-Owaba, O., 2008. Predicting Students’
Academic Performance using Artificial Neural Network: A Case Study of an
Engineering Course. The Pacific Journal of Science and Technology, 9(1),
pp. 72-79.
Rahmani, B. & Aprilianto, H., 2013. Pengembangan Model Prediksi Lama Masa
Studi Mahasiswa Berbasis Jaringan Syaraf Tiruan. Yogyakarta, Seminar
Nasional 2013 Menuju Masyarakat Madani dan Lestari.
Ridwan, M., Suyono, H. & Sarosa, M., 2013. Penerapan Data Mining Untuk
Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive
Bayes Classifier. Electrics Electronics Communications Controls Informatics
Systems, 7(1), pp. 59-64.
Tair, M. M. A. & El-Halees, A. M., 2012. Mining Educational Data to Improve
Students’ Performance: A Case Study. International Journal of Information
and Communication Technology Research, 2(2), pp. 140-146.
Walpole, R. E., 1995. Pengantar Statistika. 3rd ed. Jakarta: Gramedia Pustaka
Utama.
Williams, J. & Yan, L., 2008. A Case Study Using Neural Network Algorithms:
horse racing prediction in Jamaica. Las Vegas, International Conf. on
Artificial Intelligence (ICAI'08).