ANALISIS PREDIKSI MAHASISWA YANG TIDAK MENYELESAIKAN PENDIDIKAN DENGAN  MENGGUNAKAN METODE DATA MINING

 

Hotler Manurung

Dosen Tetap Akademi Teknologi Industri Immanuel Medan

NIDN : 01180268

Abstrak

Data mining merupakan penambangan atau penemuan informasi baru dengan memprediksi, mencari pola atau aturan tertentu dari sejumlah data dalam jumlah besar yang diharapkan dapat mengatasi kondisi tersebut. Dalam hal ini penggunaan jaringan syaraf  tiruan merupakan salah satu dari sistem proses informasi yang dirancang dengan meniru cara kerja otak manusia dalam menyelesaikan masalah dengan melakukan memproses belajar melalui perubahan bobot sinaps. jaringan saraf tiruan dapat melakukan aktivitas pengakuan dasar pada data masa lalu. Data masa lalu akan dipelajari oleh jaringan saraf tiruan, sehingga memiliki kemampuan untuk memberikan keputusan terhadap data yang belum pernah dipelajari. Sasaran yang ingin dicapai adalah mampu memprediksi mahasiswa yang tidak menyelesaikan pendidikan secara tepat waktu, dengan mengacu pada data diawal semester, lalu melihat data mahasiswa semester berikutnya selama 3 semester berturut, diharapkan dapat menghasilkan informasi tentang akumulasi jumlah mahasiswa diawal, di pertengahan semester berjalan maupun diakhir. Proses dengan menggunakan 9 variabel sebagai variabel masukan selama 3 semester berturut yang masing-masing berisi 3 variabel input data hadir, 3 variabel data nilai dan 3 variabel data bayar. Kemudian variabel dilatih dan diuji oleh jaringan syaraf tiruan yang dapat memprediksi hasil analisis dengan baik dengan menggunakan algoritma backpropagation. Setelah dilakukan pelatihan dengan algoritma perambatan galat mundur (backpropagation) mendapat hasil yang baik dengan parameter belajar jaringan konstanta 0,001 dan konvergen, yaitu pada epoch ke-50000.

Kata-kata Kunci: Prediksi Mahasiswa, Data Mining, Backpropagation.

 

Pendahuluan

Metode data mining yang dituangkan ke dalam jaringan syaraf tiruan merupakan penambangan atau penemuan informasi baru dengan memprediksi, mencari pola atau aturan tertentu dari sejumlah data dalam jumlah besar yang diharapkan dapat mengatasi kondisi tersebut.

Dalam hal ini penggunaan jaringan syaraf  tiruan merupakan salah satu dari sistem proses informasi yang dirancang dengan meniru cara kerja otak manusia dalam menyelesaikan masalah dengan melakukan memproses belajar melalui perubahan bobot sinaps. Jaringan saraf tiruan dapat melakukan aktivitas pengakuan dasar pada data masa lalu.

Pembahasan

Data dilatihkan dengan dipengaruhi oleh model algoritma jaringan yang digunakan. Jumlah lapisan tersembunyi, data hadir, data nilai dan data pembayaran. Untuk menghasilkan iterasi tercepat, nilai-nilai dari jumlah lapisan tersembunyi  diubah-ubah. Perubahan dilakukan dengan memberi nilai tetap pada salah satu item. Pelatihan data yang paling konvergen terjadi pada epoch ke-50000 dengan konfigurasi JST-PB sebagai berikut :

Jumlah sel lapisan tersembunyi : 100

Konstanta Belajar                     : 0,001

Besar Galat                              : 0,006

Hasil pelatihan dilakukan melalui 2 tahap, yaitu pelatihan terhadap data yang dilatihkan dan pengujian pada data yang baru yang belum pernah dilatihkan. Adapun data yang dilatihkan terdiri dari 50 data, dimana terdiri dari 25 data mahasiswa yang tamat dan 25 data mahasiswa yang tidak tamat. Setelah itu, jaringan akan diuji dengan 25 data baru setelah data yang telah dilatihkan tersebut dikenali. Hal tersebut berfungsi untuk menguji seberapa besar JST mengenali data yang baru.

Hasil Pembahasan

Adapun hasil pelatihan I terlihat pada Gambar 1 sebagai berikut :

 

 

 

 

 

Gambar  1.  Hasil  pelatihan ke-I  terhadap data

                      latih pada JST

Gambar 1, menunjukkan bahwa proses pelatihan berhenti pada epoch ke 50000 dengan sintaks sebagai berikut :

tp=[50 50000 0.001 0.006]

[w1,b1,w2,b2]=initff(p,100,’logsig’,t,’logsig’)

[w1,b1,w2,b2]=trainbp (w1,b1,’logsig’,w2,b2,’logsig’,p,t,tp)

Durasi  : 3 jam 10 menit (20.05-23.15 WIB)

a=simuff(r,w1,b1,’logsig’,w2,b2,’logsig’)

a=a’

hasil konvergen = 58 %

Setelah itu dilanjutkan dengan pelatihan data ke 2 yang terlihat pada Gambar 2.

 

 

 

 

 

 

 

 

 

 

 

 

Gambar  2.  Hasil pelatihan ke-2 terhadap

                     data latih pada JST

 

Gambar 2, menunjukkan bahwa proses pelatihan berhenti pada epoch ke 5228 dengan sintaks sebagai berikut :

tp=[50 100000 0.006 0.009]

[w1,b1,w2,b2]=initff(p,200,’logsig’,t,’logsig’)

[w1,b1,w2,b2]=trainbp (w1,b1,’logsig’,w2,b2,’logsig’,p,t,tp)

Durasi  : 3 jam 10 menit (20.05-23.15 WIB)

a=simuff(r,w1,b1,’logsig’,w2,b2,’logsig’)

a=a’

hasil konvergen = 46 %

Setelah itu dilanjutkan dengan pelatihan data ke 3 yang terlihat pada Gambar 3.

 

 

 

 

 

 

 

 

 

 

 

 

           

 

 

Gambar  3.  Hasil Pelatihan ke-3 Terhadap

                      Data Latih Pada JST

 

Gambar 3, menunjukkan bahwa proses pelatihan berhenti pada epoch ke 51345 dengan sintaks sebagai berikut :

tp=[50 100000 0.004 0.001]

[w1,b1,w2,b2]=initff(p,200,’logsig’,t,’logsig’)

[w1,b1,w2,b2]=trainbp (w1,b1,’logsig’,w2,b2,’logsig’,p,t,tp)

Durasi  : 3 jam 20 menit (20.05-23.25 WIB)

a=simuff(r,w1,b1,’logsig’,w2,b2,’logsig’)

a=a’

hasil konvergen = 54 %

Kemudian dilanjutkan dengan pelatihan data ke 4 yang terlihat pada Gambar 4.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

    Gambar 4.  Hasil pelatihan ke-4 terhadap

                         data latih pada JST

 

Gambar 4, menunjukkan bahwa proses pelatihan berhenti pada epoch ke 6097 dengan sintaks sebagai berikut :

tp=[50 50000 0.06 0.06]

[w1,b1,w2,b2]=initff(p,100,’logsig’,t,’logsig’)

[w1,b1,w2,b2]=trainbp (w1,b1,’logsig’,w2,b2,’logsig’,p,t,tp)

Durasi  : 1 jam 5 menit (07.05-08.00 WIB)

a=simuff(r,w1,b1,’logsig’,w2,b2,’logsig’)

a=a’

hasil konvergen = 50 %

Kemudian diteruskan dengan pelatihan data ke 5 yang terlihat pada Gambar 5.

 

 

 

 

 

 

 

 

 

 

 

 

Gambar 5.  Hasil pelatihan ke-5 terhadap

                     data latih pada JST

Gambar 5, menunjukkan bahwa proses pelatihan berhenti pada epoch ke 110 dengan sintaks sebagai berikut :

tp=[30 3000 0.1 0.1]

[w1,b1,w2,b2]=initff(p,20,’logsig’,t,’logsig’)

[w1,b1,w2,b2]=trainbp (w1,b1,’logsig’,w2,b2,’logsig’,p,t,tp)

Durasi  : 5 menit (08.05-08.10 WIB)

a=simuff(r,w1,b1,’logsig’,w2,b2,’logsig’)

a=a’

hasil konvergen = 50 %

Kemudian diteruskan dengan pelatihan data ke 6 yang terlihat pada Gambar 6.

 

 

 

 

 

 

 

 

 

 

 

 

     Gambar 6. Hasil pelatihan ke-6 terhadap

                         data latih pada JST

Gambar 6, menunjukkan bahwa proses pelatihan berhenti pada epoch ke 6307 dengan sintaks sebagai berikut :

tp=[40 40000 0.1 0.1]

[w1,b1,w2,b2]=initff(p,50,’logsig’,t,’logsig’)

[w1,b1,w2,b2]=trainbp (w1,b1,’logsig’,w2,b2,’logsig’,p,t,tp)

Durasi  : 30 menit (08.05-08.35 WIB)

a=simuff(r,w1,b1,’logsig’,w2,b2,’logsig’)

a=a’

hasil konvergen = 52 %

Hasil pelatihan data latih dapat dilihat pada Tabel 1 dari 50 data baru yang telah diujikan, adapun pengujian terhadap data latih dilakukan sebanyak 6 kali pelatihan dan pengujian dengan angka input, besar galat dan konstanta belajar yang berbeda-beda. Tampak bahwa hasil pengujian data latih yang pertama 29 data   (58 %) sesuai dengan target sedangkan 21 data (42 %) tidak sesuai dengan target. Setelah itu dilakukan kembali pengujian data kedua, dimana hasilnya menunjukkan bahwa 23 data (46 %) sesuai dengan target sedangkan 27 data

(54 %) tidak sesuai dengan target. Setelah itu dilakukan kembali pengujian data ketiga, dimana hasilnya menunjukkan bahwa 27 data (54 %) sesuai dengan target sedangkan 23 data (46 %) tidak sesuai dengan target. Kemudian dilanjutkan dengan pengujian data keempat, dimana 25 data (50 %) sesuai target dan 25      (50 %) tidak sesuai. Adapun hasil pengujian data kelima hasilnya masih sama dengan pengujian data keempat dimana hasilnya menunjukkan 50 % data sesuai target dan 50 % lagi tidak sesuai. Selanjutnya dilakukan pengujian data latih  keenam dimana hasilnya menunjukkan 26 data (52 %) sesuai target dan 24 data (48 %) tidak sesuai target.

 

        Tabel 1. Hasil pengujian data latih ke

                        dalam JST

Pengujian Data Sesuai Target Persentase

(%)

Data Tidak Sesuai Target Persentase

(%)

I 29 58 % 21 42 %
II 23 46 % 27 54 %
III 27 54 % 23 46 %
IV 25 50 % 25 50 %
IV 25 50 % 25 50 %
VI 26 52 % 24 48 %

 

Berdasarkan hasil pelatihan dan uji coba terhadap data hadir, data nilai dan data pembayaran mahasiswa, menunjukkan data pada pengujian pertama merupakan data yang tertinggi dengan tingkat konvergen 58 %. Adapun data kehadiran dan nilai yang bagus tidak selalu menjamin bahwasanya mahasiswa tersebut akan menyelesaikan pendidikannya atau tidak. Hal ini dapat disebabkan karena banyak faktor lain yang mempengaruhi proses belajar di STMIK Kaputama itu sendiri antara lain dapat disebabkan faktor lingkungan, dosen, staf/karyawan, sarana dan prasarana dan lain-lain.

Adapun hasil pengujian terhadap data yang baru yang paling konvergen dapat dilihat pada Tabel 2. (Lampiran 1).

Setelah ke 50 data latih tersebut diuji selama 6 kali pengujian dan didapat hasilnya 58% konvergen atau sesuai dengan target, selanjutnya, jaringan akan diuji dengan 25 data baru setelah data yang telah dilatihkan tersebut dikenali. Hasil pengujian terhadap 25 data yang baru tertuang dalam Tabel 3 (Lampiran 2)

Berdasarkan pada Tabel 3 dapat dianalisis bahwa hasil ketepatan jaringan syaraf mendekati 100%, yaitu 0,92% data prediksi telah konvergen sesuai target.

Kesimpulan

 

Berdasarkan hasil penelitian dan pembahasan yang telah dilakukan dapat diambil beberapa kesimpulan antara lain :

  1. Metode data mining yang dituangkan kedalam jaringan syaraf tiruan dengan penggunaan algoritma backpropagation pada penelitian ini mampu untuk memprediksi mahasiswa  apakah akan menyelesaikan pendidikannya atau tidak.
  1. Untuk mendapatkan hasil prediksi mahasiswa yang tidak menyelesaikan pendidikan pada jaringan syaraf tiruan yang terbaik, perlu memperhatikan jumlah simpul lapisan tersembunyi, laju pembelajaran, toleransi galat dan jumlah epoch.
  1. Target output pada proses pengujian terhadap data baru yang akan diprediksi yang diinginkan telah mendekati ketepatan pada hasil karena telah terjadi penyesuaian nilai bobot dan bias yang semakin baik pada proses pelatihan

Daftar Pustaka

Kusrini dan Luthfi Emha Taufiq, 2009, Algoritma Data Mining, Andi Ofset, Yogyakarta

Sri Kusumadewi, 2003, Artificial Inteligenci, Graha Ilmu, Yogyakarta

Wibowo, 2007: Performance,

            http://www/scrib.com, tahun, 2012

Lampiran 1.

 

Tabel 2.  Hasil analisa prediksi terhadap data yang telah dilatihkan sebelumnya

NPM Convert Data Hadir Convert Data

Nilai

Convert Data

Bayar

Target

 

HPL

 

KSB

 

Sem.

I

Sem.

II

Sem. III Sem.

I

Sem. II Sem. III Sem.

I

Sem.

II

Sem.

III

0631003 4 4 3 2.75 2.63 2.72 2 4 4 3 2.75 2.63
0631022 4 3 4 3.20 2.95 3.06 2 2 1 1 0.0 tamat
0631024 3 4 4 2.80 2.68 3.11 2 2 2 1 1.0 tamat
0631027 4 4 4 3.20 3.16 3.22 2 2 2 1 0.0 tamat
0631028 4 4 4 3.05 3.16 3.17 2 2 2 1 0.9 tamat
0631029 2 4 4 2.95 3.05 3.22 2 2 2 1 0.0 tamat
0631049 4 4 4 2.95 3.00 3.17 2 2 2 1 0.2 tamat
0632001 2 3 4 3.00 2.75 3.45 2 2 2 1 1.0 tamat
0632002 2 4 4 2.80 3.10 3.30 2 2 2 1 1.0 tamat
0632003 3 4 4 3.00 3.10 3.15 2 2 2 1 0.1 tamat
0632007 3 4 4 3.70 3.55 3.75 2 2 2 1 1.0 tamat
0632016 3 4 4 3.60 3.65 3.65 2 2 2 1 1.0 tamat
0632024 3 3 3 3.40 3.35 3.65 1 1 2 1 1.0 tamat
0633002 3 4 4 2.85 2.50 2.84 2 2 2 1 0.1 tamat
0633003 4 4 4 2.60 3.50 2.79 2 2 2 1 1.0 tamat
0633011 4 4 4 3.10 2.95 3.05 2 2 2 1 0.0 tamat
0641007 3 4 3 3.35 3.05 2.83 2 2 2 1 0.0 tamat
0642002 4 4 4 3.00 3.60 3.26 2 2 2 1 0.3 tamat
0642005 3 4 4 2.40 2.90 2.95 2 2 2 1 0.1 tamat
0642018 3 4 4 2.60 3.20 3.26 2 2 2 1 0.8 tamat
0731034 3 4 4 3.00 3.42 3.11 2 2 2 1 1.0 tamat
0731040 3 4 4 2.70 3.16 3.06 2 2 2 1 0.7 tamat
0731041 4 3 4 2.75 2.79 3.00 2 2 2 1 1.0 tamat
0732001 3 4 4 2.89 3.05 3.20 2 2 2 1 0.0 tamat
0732002 3 4 4 2.78 2.95 2.85 2 2 2 1 0.0 tamat
0631042 1 1 1 0.00 0.00 0.00 2 1 1 0 0.0 tdk tmt
0631047 1 1 1 0.00 0.00 0.00 2 2 1 0 0.0 tdk tmt
0631048 1 1 1 3.05 2.42 2.28 2 2 2 0 1.0 tdk tmt
0632004 3 2 3 2.89 2.84 2.90 2 2 2 0 0.0 tdk tmt
0633007 1 1 1 1.2 0.00 0.42 1 1 1 0 0.9 tdk tmt
0633009 1 1 1 1.50 0.60 0.53 2 2 2 0 0.0 tdk tmt
0641001 2 1 2 1.85 1.53 2.56 2 2 1 0 0.2 tdk tmt
0641012 1 1 1 0.3 0.47 0.17 2 2 1 0 1.0 tdk tmt
0641018 1 2 4 2.65 2.95 3.11 2 2 2 0 1.0 tdk tmt
0641020 1 3 3 2.30 2.26 2.78 2 2 1 0 0.1 tdk tmt
0731001 1 4 1 3.15 3.37 0.33 2 2 2 0 1.0 tdk tmt
0731004 1 3 2 2.25 2.42 1.06 2 2 1 0 1.0 tdk tmt
0731010 1 1 4 2.55 2.21 2.39 2 2 2 0 1.0 tdk tmt
0732016 1 1 1 0.56 0.00 0.30 1 1 1 0 0.1 tdk tmt
0732018 1 1 1 2.61 2.20 0.80 1 1 1 0 1.0 tdk tmt
0732019 1 1 1 3.17 0.60 0.80 1 1 1 0 0.0 tdk tmt
0732021 1 1 1 0.22 0.00 0.10 1 1 1 0 0.0 tdk tmt
0733005 1 1 1 1.50 0.35 0.11 2 1 1 0 0.3 tdk tmt
0733010 1 1 1 0.00 0.00 0.00 1 1 1 0 0.1 tdk tmt
0733012 1 1 1 0.00 0.00 0.00 1 1 1 0 0.8 tdk tmt
0733013 1 1 1 0.10 0.00 0.00 1 1 1 0 1.0 tdk tmt
0733014 1 1 1 0.10 0.00 0.00 1 1 1 0 0.7 tdk tmt
0733016 1 1 1 0.00 0.00 0.00 2 1 1 0 1.0 tdk tmt
0733017 1 1 1 1.55 0.00 0.00 2 1 1 0 0.0 tdk tmt
0741003 1 1 1 0.00 0.00 0.00 2 1 1 0 0.0 tdk tmt

Keterangan Tabel  2:

 

HPL         : Hasil Pelatihan

KSB         : Kondisi Sebenarnya

Lampiran 2.

 

Tabel  3.  Hasil analisa prediksi terhadap data yang akan di uji

 

 

NPM

Convert Data Hadir Convert Data

Nilai

Convert Data

Bayar

T HPU KSB KJST
Sem

I

Sem

II

Sem III Sem. I Sem. II Sem. III Sem. I Sem. II Sem. III
10441029 3 1 1 2.70 2.74 0.33 2 2 1 0 0.0 tdk tmt Benar
10441030 4 2 1 1.95 1.53 0.67 2 2 1 0 0.0 tdk tmt Benar
10441007 4 4 4 2.95 2.89 2.94 2 2 2 1 1.0 tamat Benar
10451039 3 2 4 2.85 1.20 2.37 2 1 1 1 0.6 tamat Benar
10451022 3 3 3 2.70 2.55 2.68 1 2 2 1 0.7 tamat Benar
10331018 1 1 1 1.45 1.60 0.68 1 2 1 0 0.0 tdk tmt Benar
10331009 3 2 2 3.45 2.10 2.42 1 2 1 0 0.2 tdk tmt Benar
10311069 4 4 3 3.05 2.84 1.78 2 2 2 1 1.0 tamat Benar
10311001 4 4 4 3.00 2.89 2.50 1 2 1 1 0.9 tamat Benar
10311052 2 2 4 0.65 2.47 2.56 2 2 2 0 0.1 tdk tmt Benar
10311056 4 4 4 2.70 2.74 2.56 1 1 2 1 1.0 tamat Benar
09441059 4 3 3 2.75 2.63 2.50 2 2 1 1 0.6 tamat Benar
09441055 4 4 2 3.35 2.84 2.61 2 2 2 1 1.0 tamat Benar
08451005 3 3 2 2.60 0.00 2.21 1 2 2 1 0.8 tamat Benar
09451047 4 3 3 2.80 2.90 2.68 1 2 2 1 0.7 tamat Benar
09451042 3 1 1 3.10 2.15 1.21 2 2 2 0 0.0 tdk tmt Benar
09451016 3 2 2 3.10 3.00 2.63 2 2 1 0 0.0 tdk tmt Benar
09321015 3 2 4 2.72 2.50 2.70 2 2 1 1 0.5 tamat Salah
09321014 2 2 4 2.67 2.50 2.60 2 2 2 0 0.3 tdk tmt Benar
09311039 3 3 3 2.45 2.79 2.72 2 2 2 1 0.8 tamat Benar
08451035 3 4 4 2.70 2.65 2.42 2 2 2 1 1.0 tamat Benar
08457040 3 3 3 3.05 2.90 2.21 2 2 2 1 0.7 tamat Benar
11457101 4 4 4 3.05 2.55 2.74 2 2 2 1 1.0 tamat Benar
0742017 1 3 3 1.35 0.00 2.05 2 2 2 1 0.1 tamat Salah
0742021 1 1 3 2.05 1.40 1.00 2 2 2 0 0.0 tdk tmt Benar

Keterangan Tabel  3:

 

T              : Target

HPU         : Hasil Pengujian

KSB         : Kondisi Sebenarnya

KJST        : Ketepatan Jaringan Syaraf Tiruan

 

Leave a Reply

Your email address will not be published. Required fields are marked *