Implementasi Metode Backpropagation Neural Network (BNN) dalam Sistem Klasifikasi Ketepatan Waktu Kelulusan Mahasiswa (Studi Kasus: Program Studi Sistem Informasi Universitas Jember)

Fadhel Akhmad Hizham; Yanuar Nurdiansyah; Diksy Media Firmansyah

doi:10.19184/bst.v6i2.9254

Fadhel Akhmad Hizham Program Studi Sistem Informasi, Fakultas Ilmu Komputer, Universitas Jember (UNEJ)
Yanuar Nurdiansyah Program Studi Sistem Informasi, Fakultas Ilmu Komputer, Universitas Jember (UNEJ)
Diksy Media Firmansyah Program Studi Sistem Informasi, Fakultas Ilmu Komputer, Universitas Jember (UNEJ)

DOI: https://doi.org/10.19184/bst.v6i2.9254

Abstract

Program Studi Sistem Informasi adalah salah satu program studi di Universitas Jember yang berdiri sejak tahun 2009. Sampai saat ini sudah cukup banyak mahasiswa yang telah menyandang gelar sarjana, khususnya angkatan 2009-2013 , namun tidak banyak yang berhasil menyelesaikan studinya tepat waktu sehingga berdampak pada penilaian akreditasi dari program studi tersebut. Mahasiswa memiliki beban pembelajaran sekurang-kurangnya 144 SKS dengan masa studi selama 4- 5 tahun untuk memperoleh gelar sarjana. Berdasarkan permasalahan tersebut, terdapat berbagai cara untuk mengklasifikasi ketepatan waktu kelulusan mahasiswa, salah satunya dengan metode jaringan syaraf tiruan Backpropagation. Data yang digunakan yaitu data lulusan mahasiswa Program Studi Sistem Informasi Universitas Jember angkatan tahun 2011-2013. Atribut yang digunakan untuk klasifikasi berjumlah 9 atribut, yaitu nilai Indeks Prestasi (IP) semester 1 sampai 6, jumlah SKS yang ditempuh, semester saat terakhir kali memprogram matakuliah Kuliah Kerja Nyata (KKN) dan Praktik Kerja Lapang (PKL). Kelas yang digunakan untuk klasifikasi yaitu ketepatan waktu lulus mahasiswa tersebut. Penentuan ketepatan waktunya yaitu jika masa studi kurang dari sama dengan 60 bulan, maka mahasiswa tersebut lulus tepat waktu dan jika lebih dari 60 bulan maka tidak tepat waktu. Penerapan metode klasifikasi ini dilakukan dengan menggunakan learning rate 0.1, 0.3, 0.5, 0.7, dan 0.9 dengan batas iterasi masing-masing 1.000, 2.000, dan 3.000 iterasi. Nilai akurasi tertinggi yaitu sebesar 98,82% pada iterasi ke-2000 dan 3000, masing-masing dengan learning rate = 0,7 dan 0,9 untuk iterasi ke-2000 dan learning rate = 0,5, 0,7 dan 0,9 untuk iterasi ke-3000. Hasil tersebut didapat dari jumlah data benar sebanyak 167 data dari 169 data secara keseluruhan.
Kata Kunci: Data Mining, Klasifikasi, Jaringan Syaraf Tiruan, Metode Backpropagation Neural Network.

References

Andrijasa, M., & Mistianingsih. (2010). Penerapan Jaringan Syaraf Tiruan untuk Memprediksi Jumlah Pengangguran di Provinsi Kalimantan Timur dengan Menggunakan Algoritma Pembelajaran Backpropagation. Jurnal Informatika Mulawarman.

Cynthia, E. P., & Ismanto, E. (2017). Jaringan Syaraf Tiruan Backpropagation dalam Memprediksi Ketersediaan Komoditi Pangan Provinsi Riau. Seminar Nasional Teknologi Informasi, Komunikasi dan Industri (SNTIKI) 9, 271-282.

Han, J., & Kamber, M. (2006). Data Mining: Concepts and Techniques. SunFransisco: Morgan Kaufmann Publishers.

Joyonegoro, F. (2017). Implementasi K-Nearest Neighbor (KNN) pada Klasifikasi Tanaman Holtikultura Sesuai dengan Media Tanam dan Lingkungan.

Jumarwanto, A. (2009). Aplikasi Jaringan Syaraf Tiruan Backpropagation untuk Memprediksi Penyakit THT di Rumah Sakit Mardi Rahayu Kudus. Jurnal Teknik Elektro.

Puspitaningrum, D. (2006). Pengantar Jaringan Syaraf Tiruan. Yogyakarta: Andi.

Ridwan, M., Suyono, H., & Sarosa, M. (2013). Penerapan Data Mining untuk Evaluasi Kinerja Akademik Mahasiswa Menggunakan Algoritma Naive Bayes Classifier. Jurnal EECCIS, 1(7), 59-64.

Siang, J. J. (2009). Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Mathlab. Yogyakarta: Pen.

Taruna R., S., & Hiranwal, S. (2013). Enhanced Naive Bayes Algorithm for Intrusion Detection. International Journal of Computer Science and Information Technologies, 6(4), 960-962.

UNEJ, T. (2015). Pedoman Pendidikan Universitas Jember Tahun Akademik 2014/2015.

Widodo, P. P., Handayanto, R. T., & Herlawati. (2013). Penerapan Data Mining dengan Mathlab.