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 :
- 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.
- 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.
- 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