Download prediksi mahasiswa yang tidak menyelesaikan

PREDIKSI MAHASISWA YANG TIDAK MENYELESAIKAN PENDIDIKAN TIDAK TEPAT WAKTU DENGAN
MENGGUNAKAN DATA MINING METODE BACKPROPAGATION
(STUDI KASUS STMIK KAPUTAMA BINJAI)
Relita Buaton, ST, M. Kom
Rahmawati, S. Kom
Program Studi Teknik Informatika
STMIK KAPUTAMA
Jl. Veteran No. 4A-9A, Binjai,Sumatera Utara
Email:[email protected]
I. PENDAHULUAN
Abstract-Data mining adalah serangkaian proses untuk
menggali nilai tambah berupa pengetahuan baru yang
selama ini tidak diketahui secara manual dari sekumpulan
data. STMIK Kaputama salah satu perguruan tinggi yang
mempunyai gudang data yang diperoleh dari akumulasi
data mahasiswa setiap tahunnya. Tumpukan data sering
dianggap sampah, dengan data mining tumpukan data
dapat diolah menjadi emas(informasi yang sangat
berharga). Setiap semester terjadi penurunan jumlah
mahasiswa dikarenakan adanya mahasiswa berhenti
sebelum menyelesaikan studi dengan berbagai alasan
diantaranya tidak mampu membayar uang kuliah,
mengutamakan
kerja,
tidak
mampu
mengikuti
pembelajaran dll. Hal ini menjadi permasalahan dan
bagaimana cara memprediksi jumlah mahasiswa yang
berhenti sebelum menyelesaikan studi sehingga pihak
pengelola dapat mencari solusi penanggulangannya atau
meminimize.
Jaringan syaraf tiruan salah satu sistem dengan meniru
cara kerja otak manusia dalam menyelesaikan masalah
dengan melakukan proses belajar melalui perubahan bobot
sel. Jaringan saraf tiruan dapat melakukan aktivitas
pelatihan berdasarkan data masa lalu, 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-turut, yang dapat menghasilkan informasi tentang
akumulasi jumlah mahasiswa diawal, di pertengahan
semester berjalan maupun diakhir semester.
Proses pelatihan dengan menggunakan 9 variabel sebagai
variabel masukan selama 3 semester berturut yang masingmasing berisi 3 variabel input data hadir, 3 variabel data
nilai dan 3 variabel data pembayaran uang kuliah.
Kemudian variabel dilatih dan diuji oleh jaringan syaraf
tiruan yang dapat memprediksi hasil analisis 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 pada epoch ke-50000.
STMIK Kaputama Binjai sebuah Perguruan Tinggi
dibidang
Informatika
Komputer
yang
selalu
mengutamakan mutu pendidikan sesuai dengan visi dan
misinya. Akan tetapi masih mengalami masalah terkait
dengan jumlah mahasiswa, dimana selalu terjadi
perbedaan data jumlah mahasiswa setiap semester per
tahun. Dalam hal ini jumlah data mahasiswa yang ada
dibagian akademik selalu berbeda di awal, dipertengahan
maupun diakhir semester karena terjadi pengurangan
jumlah mahasiswa aktif. Menurunnya jumlah mahasiswa
setiap semester per tahunnya merupakan suatu masalah
yang perlu diteliti dan perlu adanya suatu analisis yang
dapat memprediksi apakah mahasiswa STMIK Kaputama
akan bertahan menyelesaikan pendidikannya atau tidak
untuk kedepannya.
Dalam peraturan akademik STMIK Kaputama Binjai
Tahun Akademik 2011/2012 pada BAB II pasal 3 di
sebutkan bahwa “Program Sarjana (S1) untuk Program
Studi Sistem Informasi dan Teknik Informatika reguler
adalah program pendidikan akademik, yang memiliki
beban studi sekurang-kurangnya 148 SKS (seratus empat
puluh delapan) yang dijadwalkan selesai 8 (delapan)
semester dan maksimum 14 (empat belas) semester, dan
untuk Program Diploma 3 (D3) Program Studi Teknik
Informatika reguler adalah program pendidikan akademik,
yang memiliki beban studi sekurang-kurangnya 117 SKS
(seratus tujuh belas) yang dijadwalkan selesai 6 (enam)
semester dan maksimum 10 (sepuluh) semester, sedangkan
untuk Program Studi Diploma 3 (D3) Manajemen
Informatika dan Komputerisasi Akuntansi reguler adalah
program pendidikan akademik, yang memiliki beban studi
sekurang-kurangnya 114 SKS (seratus empat belas) yang
dijadwalkan selesai 6 (enam) semester dan maksimum 10
(sepuluh) semester (Peraturan Akademik, 2011).
Berdasarkan latar belakang di atas, maka dapat
dirumuskan masalah yaitu:
1. Bagaimana agar semua variabel yang digunakan
untuk memprediksi mahasiswa dapat dikenali dan
diinput kedalam jaringan syaraf tiruan ?
2. Dengan menggunakan backpropagation, bagaimana
sistem kerja jaringan syaraf tiruan mampu
memprediksi mahasiswa yang tidak menyelesaikan
pendidikannya di STMIK Kaputama?
Sedangkan manfaat penelitian ini adalah memberikan
informasi hasil prediksi bagi mahasiswa apakah lulus tepat
waktu dan tidak dan prediksi jumlah mahasiswa yang lulus
tepat waktu dan tidak bagi pengelola, sehingga dengan
informasi tersebut mahasiswa dan pengelola dapat mencari
Kata Kunci : prediksi mahasiswa, data mining,
backpropagation, neural network
1
solusi untuk mengantisipasi secara dini agar mahasiswa
lulus tepat waktu.
II. PENGERTIAN DATA MINING
Data mining adalah penambangan atau penemuan
informasi baru dengan mencari pola atau aturan tertentu
dari sejumlah data yang sangat besar[1]. Data mining juga
disebut sebagai serangkaian proses untuk menggali nilai
tambah berupa pengetahuan yang selama ini tidak
diketahui secara manual dari suatu kumpulan data [5].
Data mining, sering juga disebut sebagai knowledge
discovery in database (KDD). KDD adalah kegiatan yang
meliputi pengumpulan, pemakaian data, historis untuk
menemukan keteraturan, pola atau hubungan dalam set
data berukuran besar[7]. Data mining adalah kegiatan
menemukan pola yang menarik dari data dalam jumlah
besar, data dapat disimpan dalam database, data
warehouse atau penyimpanan informasi lainnya. Data
mining berkaitan dengan bidang ilmu – ilmu lain, seperti
database system, data warehousing, statistik, machine
learning, information retrieval, dan komputasi tingkat
tinggi. Selain itu, data mining didukung oleh ilmu lain
seperti neural network, pengenalan pola, spatial data
analysis, image database, signal processing. Data mining
didefinisikan sebagai proses menemukan pola-pola dalam
data. Pola yang ditemukan harus penuh arti dan pola
tersebut memberikan keuntungan, biasanya keuntungan
secara ekonomi. Data yang dibutuhkan dalam jumlah
besar. Karakteristik data mining sebagai berikut
a. Data mining berhubungan dengan penemuan sesuatu
yang tersembunyi dan pola data tertentu yang tidak
diketahui sebelumnya.
b. Data mining biasa menggunakan data yang sangat
besar. Biasanya data yang besar digunakan untuk
membuat hasil lebih dipercaya.
c. Data mining berguna untuk membuat keputusan yang
kritis, terutama dalam strategi[1].
A. Tahapan Data Mining
Salah satu tuntutan dari data mining ketika diterapkan
pada data berskala besar adalah diperlukan metodologi
sistematis tidak hanya ketika melakukan analisa saja tetapi
juga ketika mempersiapkan data dan juga melakukan
interpretasi dari hasilnya sehingga dapat menjadi aksi
ataupun keputusan yang bermanfaat. Data mining
seharusnya dipahami sebagai suatu proses, yang memiliki
tahapan-tahapan tertentu dan juga ada umpan balik dari
setiap tahapan ke tahapan sebelumnya. Pada umumnya
proses data mining berjalan interaktif karena tidak jarang
hasil data mining pada awalnya tidak sesuai dengan
harapan analisnya sehingga perlu dilakukan desain ulang
prosesnya.
Sebagai suatu rangkaian proses, data mining dapat dibagi
menjadi beberapa tahap yang diilustrasikan di Gambar 1.
Tahap-tahap tersebut bersifat interaktif di mana pemakai
terlibat langsung atau dengan perantaraan knowledge base.
a. Pembersihan data, digunakan untuk membuang data
yang tidak konsisten dan noise
b. Integrasi Data, data yang diperlukan untuk data mining
tidak hanya berasal dari satu database tetapi juga
berasal dari beberapa database atau file teks. Hasil
integrasi data sering diwujudkan dalam sebuah
datawarehouse karena dengan data warehouse, data
dikonsolidasikan dengan struktur khusus yang efisien.
Selain itu data warehouse juga memungkinkan tipe
analisa seperti OLAP.
c. Transformasi data, transformasi dan pemilihan data ini
untuk menentukan kualitas dari hasil data mining,
sehingga data diubah menjadi bentuk sesuai untuk di
tambang.
d. Aplikasi Teknik Data Mining, aplikasi teknik data
mining sendiri hanya merupakan salah satu bagian dari
proses data mining Ada beberapa teknik data mining
yang sudah umum dipakai.
e. Evaluasi pola yang ditemukan, dalam tahap ini hasil
dari teknik data mining berupa pola-pola yang khas
maupun model prediksi dievaluasi untuk menilai
apakah hipotesa yang ada memang tercapai.
f. Presentasi Pengetahuan, presentasi pola yang
ditemukan untuk menghasilkan aksi tahap terakhir dari
proses
data
mining
adalah
bagaimana
memformulasikan keputusan atau aksi dari hasil
analisa yang didapat.
B. Defenisi Prediksi
Prediksi adalah sama dengan ramalan atau perkiraan.
Menurut kamus besar bahasa Indonesia, prediksi adalah
hasil dari kegiatan memprediksi atau meramal atau
memperkirakan. Prediksi bisa berdasarkan metode ilmiah
ataupun subjektif belaka. Sebagai contoh, prediksi cuaca
selalu berdasarkan data dan informasi terbaru yang
didasarkan pengamatan termasuk oleh satelit. Begitupun
prediksi gempa, gunung meletus ataupun bencana secara
umum. Namun, prediksi seperti pertandingan sepakbola,
olahraga, dll umumnya berdasarkan pandangan subjektif
dengan sudut pandang sendiri yang memprediksinya.
Sistem prediksi adalah sebuah perangkat untuk
mendukung aktifitas manusia. Setiap tempat dapat dilihat
bahwa untuk memutuskan sesuatu manusia memerlukan
hasil prediksi. Terdapat beberapa perangkat prediksi yang
dikembangkan dan diteliti. Dari waktu kewaktu kerumitan
dan kemampuannya semakin meningkat. Prediksi tidak
hanya dimiliki oleh ahli matematika yang memiliki
kemampuan matematis. Prediksi memegang peran yang
penting untuk perencanaan dan evaluasi.
Prediksi menggunakan beberapa variabel atau field-field
basis data untuk memprediksi nilai-nilai variabel masa
mendatang yang diperlukan, yang belum diketahui saat ini.
Metode prediksi menggunakan ciri-ciri tertentu dari data
untuk melakukan prediksi. Prediksi pada data mining
dilakukan dengan tugas-tugas utama dimana setiap tugas
akan diberikan pointer ke masalah yang dapat
diselesaikan.
Gambar 1. Tahap-tahap Data Mining[5]
2
C. Jaringan Syaraf Tiruan (Artificial Neural Network)
Jaringan syaraf merupakan salah satu representasi buatan
dari otak manusia yang selalu mencoba untuk
mensimulasikan proses pembelajaran pada otak manusia
tersebut. Istilah buatan disini digunakan karena jaringan
syaraf ini diimplementasikan dengan menggunakan
program komputer yang mampu menyelesaikan sejumlah
proses perhitungan selama proses pembelajaran[3].
Salah satu contoh pengambilan ide dari jaringan syaraf
biologis adalah adanya elemen-elemen pemrosesan pada
jaringan syaraf tiruan yang saling terhubung dan
beroperasi secara paralel. Ini meniru jaringan syaraf
biologis yang tersusun dari sel-sel syaraf (neuron). Cara
kerja dari elemen-elemen pemrosesan jaringan syaraf
tiruan juga sama seperti cara neuron mengencode
informasi yang diterimanya.
Jaringan syaraf tiruan tidak diprogram untuk
menghasilkan keluaran tertentu. Semua keluaran atau
kesimpulan yang ditarik oleh jaringan didasarkan pada
pengalamannya selama mengikuti proses pembelajaran.
Pada proses pembelajaran, ke dalam jaringan syaraf tiruan
dimasukkan pola-pola input dan output, lalu jaringan akan
diajari untuk memberikan jawaban yang bisa diterima.
E. Backpropagation
Backpropagation merupakan algoritma yang sangat baik
dalam menangani masalah pengenalan pola-pola
kompleks,
dan
juga
sangat
populer.
Istilah
backpropagation atau “propagasi balik” diambil dari cara
kerja jaringan ini, yaitu bahwa gradien error unit-unit
tersembunyi diturunkan dari penyiaran kembali error-error
yang diasosiasikan dengan unit-unit output. Nama lain dari
propagasi balik adalah aturan delta yang digeneralisasi
(generalized delta rule)
Algoritma backpropagation menggunakan error output
untuk mengubah nilai bobot-bobotnya dalam arah mundur
(backward). Untuk mendapatkan error ini, tahap
perambatan maju (forward propagation) harus dikerjakan
terlebih dahulu. Pada saat perambatan maju, neuronneuron diaktifkan dengan menggunakan fungsi aktivasi
sigmoid yaitu arsitektur jaringan backpropagation seperti
terlihat pada Gambar 3.
D. Arsitektur Jaringan Syaraf Tiruan
Seperti telah dijelaskan sebelumnya bahwa neuronneuron dikelompokkan dalam lapisan-lapisan. Umumnya
neuron-neuron yang terletak pada lapisan yang sama akan
memiliki keadaan yang sama. Faktor terpenting dalam
menentukan kelakuan suatu neuron adalah fungsi aktivasi
dan pola bobotnya. Pada setiap lapisan yang sama, neuronneuron akan memiliki fungsi aktivasi yang sama. Apabila
neuron-neuron dalam suatu lapisan (misalkan lapisan
tersembunyi) akan dihubungkan dengan neuron-neuron
pada lapisan yang lain (misalkan lapisan output), maka
setiap neuron pada lapisan tersebut (misalkan lapisan
tersembunyi) juga harus dihubungkan dengan setiap
lapisan pada lapisan lainnya (misalkan lapisan output).
Jaringan dengan lapisan tunggal hanya memiliki satu
lapisan dengan bobot-bobot terhubung. Jaringan ini hanya
menerima input kemudian secara langsung akan
mengolahnya menjadi output tanpa harus melalui lapisan
tersembunyi. Seperti terlihat di gambar berikut :
Gambar 3. Arsitektur jaringan backpropagation.[3]
Algoritma backpropagation:
1. Inisialisasi bobot (ambil bobot awal dengan nilai
random yang cukup kecil).
2. Kerjakan langkah-langkah berikut selama kondisi
berhenti bernilai FALSE, Untuk tiap-tiap pasangan
elemen yang akan dilakukan pembelajaran, kerjakan:
Feed forward:
1. Tiap-tiap unit input (Xi, i=1,2,3,...,n) menerima sinyal
xi dan meneruskan sinyal tersebut ke semua unit pada
lapisan yang ada di atasnya (lapisan tersembunyi).
2. Tiap-tiap unit tersembunyi (Zi, j=1,2,3,...,p)
menjumlahkan sinyal-sinyal input terbobot:
gunakan fungsi
outputnya:
aktivasi
untuk
………………..(1)
menghitung sinyal
zj = f(z_inj)…………………………...(2)
dan kirimkan sinyal tersebut ke semua unit di lapisan
atasnya (unit-unit output).
a. Tiap-tiap unit output (Yk, k=1,2,3,...,m) menjumlahkan
sinyal-sinyal input terbobot.
……………..(3)
gunakan fungsi aktivasi untuk menghitung sinyal
outputnya:
yk = f(y_ink)…………………………(4)
dan kirimkan sinyal tersebut ke semua unit di lapisan
atasnya (unit-unit output).
b. Tiap-tiap unit output (Yk, k=1,2,3,...,m) menerima
target pola yang berhubungan dengan pola input
pembelajaran, hitung informasi errornya:
k = (tk – yk) f’(y_ink)………………..(5)
Gambar 2. Jaringan syaraf dengan lapisan tunggal[3]
Pada Gambar 2 di atas, lapisan input memiliki 3 neuron,
yaitu X1, X2 dan X3. Sedangkan pada lapisan output
memiliki 2 neuron yaitu Y1 dan Y2. Neuron-neuron pada
kedua lapisan saling berhubungan. Seberapa besar
hubungan antara 2 neuron ditentukan oleh bobot yang
bersesuaian. Semua unit input akan dihubungkan dengan
setiap unit output.
3
kemudian hitung koreksi bobot (digunakan untuk
memperbaiki nilai wjk):
wjk =  k zj……………………......(6)
hitung juga koreksi bias (digunakan untuk
memperbaiki nilai w0k):
w0k =  k ………………………….(7)
kirimkan k ini ke unit-unit yang ada di lapisan
bawahnya.
c. Tiap-tiap unit tersembunyi (Zj, j=1,2,3,...,p)
menjumlahkan delta inputnya (dari unit-unit yang
berada pada lapisan di atasnya):
_
=∑
……………….(8)
kalikan nilai ini dengan turunan dari fungsi aktivasinya
untuk menghitung informasi error:
j = _inj f’(z_inj)…………(9)
kemudian hitung koreksi bobot (digunakan untuk
memperbaiki nilai vij):
vjk =  j xi…………..…(10)
hitung juga koreksi bias (digunakan untuk
memperbaiki nilai v0j):
v0j =  j ……………….(11)
d. Tiap-tiap unit output (Yk, k=1,2,3,...,m) memperbaiki
bias dan bobotnya (j=0,1,2,...,p):
wjk(baru) = wjk(lama) + wjk ………(12)
Tiap-tiap unit tersembunyi (Zj, j=1,2,3,...,p)
memperbaiki bias dan bobotnya (i=0,1,2,...,n):
vij(baru) = vij(lama) + vij………….(13)
1. Dilakukan analisis sistem terhadap teknik peramalan
atau prediksi data mahasiswa menggunakan algoritma
backpropagation yang dilatih kedalam Jaringan Syaraf
Tiruan.
2. Dengan adanya tahapan analisis sistem, dapat
ditentukan kebutuhan sistem sehingga dapat dilakukan
analisa prediksi data mahasiswa menggunakan
algoritma backpropagation.
3. Data nilai yang tertuang dalam KHS, data kehadiran
dan data pembayaran uang kuliah merupakan data
masukan, yang kemudian diproses dan dilatih dengan
algoritma backpropagation, kemudian dilakukan
pengujian terhadap data yang baru sebagai
perbandingan dengan data yang telah dilatihkan
sebelumnya. Setelah itu didapat hasil keluaran terhadap
data yang telah diuji
Analisis Data Mining
Nilai prediksi dicari dari tingkat ketidaklulusan yang
bersumber dari data mahasiswa, yaitu data kehadiran dan
data nilai yang diambil dari bagian akademik, serta data
pembayaran yang didapat dari bagian keuangan STMIK
Kaputama. Dalam penelitian ini, tidak semua mahasiswa
akan dicari prediksinya untuk data ketidaklulusan, hanya
beberapa saja yang diambil secara acak dari lima program
studi yang terdapat di STMIK Kaputama.
Data tersebut diambil secara acak dari lima program
studi terhadap mahasiswa yang tamat dan tidak tamat dari
tahun 2006 hingga tahun 2007 dengan jumlah yang
dilatihkan pada jaringan sebanyak 50 data mahasiswa,
terdiri dari 25 orang mahasiswa yang tamat, dan 25 orang
mahasiswa yang tidak tamat, setelah itu akan dilakukan
kembali pengumpulan dan penginputan data mahasiswa
yang dimulai dari tahun 2007 hingga tahun 2010 sebanyak
25 data lainnya yang akan digunakan untuk menguji
keakuratan sistem didalam mengenali masukan data yang
lain. Tahapan pengembangan aplikasinya sebagai berikut :
III. METODOLOGI PENELITIAN
Kerangka penelitian disusun secara sistematis dengan
menggunakan metode ilmiah serta sumber yang berlaku.
Hasil dari konseptualisasi akan dituangkan menjadi suatu
metode penelitian yang lengkap dengan pola studi
literature, pengumpulan data yang diperlukan untuk
menganalisis sistem prediksi yang akan dibuat yaitu untuk
memprediksi mahasiswa
yang tidak menyelesaikan
pendidikan dengan menggunakan Jaringan Syaraf Tiruan.
Atas dasar metodologi penelitian yang digunakan pada
penelitian ini, dapat dibuat suatu alur kegiatan metode
kerja penelitian seperti pada Gambar 4 berikut :
.
Arsitektur Jaringan :
1 Lapisan Input Data Hadir
3 Sel
1 Lapisan Input Nilai IPK
3 Sel
1 Lapisan Input Data Bayar
3 Sel
1 Lapisan Tersembunyi
(jumlah sel ditetapkan secara random)
2 Lapisan Output
2 Sel
Gambar 4. Alur Kerja Penelitian
IV. ANALISIS MASALAH
Berdasarkan pendahuluan dan mengacu pada landasan
teori, dapat disusun suatu analisis sistem yang menjadi
kerangka pemikiran:
4
Tabel 1. Data Latih berdasarkan Data Hadir Semester I
Data Hadir Sem. I
NPM
Ak.
Dsr
Aljbr
631003
93
93
B.
Ing.
I
100
Log.
Mnjm
PPN
I
Bhs
C
PTI
Intrnt
100
86
79
86
100
86
Prak.
Bhs
C
86
631022
100
100
100
93
86
100
100
93
86
631024
100
79
93
71
93
100
86
71
631027
100
100
100
93
100
93
86
631028
100
86
100
100
93
71
631029
100
79
86
86
71
631049
93
100
100
86
632001
100
0
86
79
632002
100
0
86
632003
86
0
632007
100
632016
Elek
Kalk.
I
Hasil
0
0
90.9
79
0
0
93.7
93
100
0
0
88.6
93
100
93
0
0
95.8
93
100
93
71
0
0
90.7
93
100
86
0
93
0
0
79.4
71
100
93
79
100
100
0
0
92.2
79
86
71
100
100
86
0
0
78.7
79
64
93
93
64
100
100
0
0
77.9
93
93
100
100
100
100
100
100
0
0
87.2
0
100
93
100
86
86
100
100
100
0
0
86.5
86
0
93
93
93
93
100
100
100
100
0
0
85.8
632024
86
0
71
93
93
100
71
100
100
93
0
0
80.7
633002
0
93
93
93
0
79
79
86
100
100
86
64
87.3
633003
0
100
100
100
0
86
100
100
79
86
100
79
93
633011
0
93
86
100
0
86
100
86
100
100
79
100
93
641007
100
93
93
93
93
86
93
86
86
71
0
0
89.4
642002
0
93
93
93
0
93
71
93
100
100
100
79
91.5
642005
0
100
57
100
0
100
93
100
93
100
79
86
90.8
642018
0
86
100
86
0
93
100
93
79
93
100
86
91.6
731034
100
86
86
79
86
79
86
71
100
100
0
0
87.3
731040
100
79
79
79
100
93
93
93
71
100
0
0
88.7
731041
100
100
100
100
79
100
100
100
100
93
0
0
97.2
732001
100
0
100
100
93
93
93
100
86
93
0
0
85.8
732002
100
0
100
86
100
100
93
100
86
93
0
0
85.8
631042
0
0
0
0
0
0
0
0
0
0
0
0
0
631047
0
0
0
0
0
0
0
0
0
0
0
0
0
631048
64
86
0
0
0
0
0
0
21
0
0
0
17.1
632004
86
0
100
100
100
100
100
93
71
86
0
0
83.6
633007
0
0
0
14
0
0
0
50
21
29
0
0
11.4
633009
0
93
0
57
0
64
100
79
93
86
43
71
68.6
641001
86
0
0
64
86
86
100
86
100
100
0
71
77.9
641012
0
71
0
43
29
0
100
14
0
93
0
36
38.6
641018
100
0
0
86
0
64
100
0
64
0
0
86
50
641020
86
0
0
57
0
93
79
0
64
0
0
86
46.5
5
731001
0
0
0
0
100
0
0
0
0
100
0
0
20
731004
0
0
0
0
86
0
0
0
0
100
0
0
18.6
731010
0
0
0
0
0
0
0
0
0
93
0
0
9.3
732016
57
0
0
64
57
53
43
0
86
57
0
0
41.7
732018
100
0
100
93
0
0
100
100
0
100
0
0
59.3
732019
100
0
100
93
0
0
100
86
0
100
0
0
57.9
732021
71
0
0
79
50
67
79
0
57
79
0
0
48.2
733005
0
71
57
71
0
93
0
71
71
0
0
86
52
733010
0
21
0
0
0
0
0
21
0
0
0
64
10.6
733012
0
43
29
7
0
0
0
36
43
0
0
79
23.7
733013
0
0
0
0
0
0
0
0
0
0
0
0
0
733014
0
0
0
0
0
0
0
0
0
0
0
0
0
733016
0
0
57
0
0
0
0
0
29
0
0
0
8.6
733017
0
0
0
0
0
0
0
0
0
0
0
0
0
741003
64
0
71
57
79
64
87
57
64
64
0
0
60.7
Keterangan
Ak Dsr
B. Ingg. I
Mnjm
Bhs C
Informasi Intrnt
Elek
: Akuntansi Dasar
: Bahasa Inggris Komputer I
: Pengantar Manajemen
: Bahasa C (Teori)
: Pengenalan Internet & Web
: Elektronika
Aljbr
Log
PPN I
PTI
P.Bhs C
Kalk I
: Aljabar Linier
: Logika Informatika
: Paket Program Niaga I
: Pengantar Teknologi
: Praktikum Bahasa C
: Kalkulus I
Tabel 2. Data Latih Berdasarkan Data Hadir Semester II
NPM
Data Hadir Sem. II
PPN
Prak.
VB SBD
II
ASD
100
93
86
71
Prak.
VB
93
Ak.
Mgh
0
0
Kalk.
II
0
100
86
0
0
0
87
93
93
86
0
0
0
94
100
100
71
93
0
0
0
93
93
86
86
100
100
93
100
0
0
0
92
100
100
93
0
0
0
97
86
93
86
100
86
86
0
0
0
92
93
93
93
93
79
86
93
93
0
0
89
0
93
86
86
86
86
79
100
100
0
0
90
100
0
100
86
93
93
86
93
86
100
0
0
94
100
93
0
100
93
86
100
93
93
86
93
0
0
94
100
100
0
100
93
100
86
86
93
86
100
0
0
94
93
79
0
86
71
100
86
93
93
71
86
0
0
86
93
79
0
0
100
93
86
100
100
71
0
79
100
90
86
93
0
0
100
93
93
100
86
100
0
79
79
91
PPKn
B.Ing.II
KSI
Eko
ASD
631003
93
100
93
93
93
631022
79
93
100
93
79
79
71
93
631024
93
100
100
100
100
86
93
631027
93
93
93
100
100
86
631028
86
100
79
93
93
631029
93
100
93
100
100
631049
100
93
100
93
632001
86
79
0
632002
86
93
632003
100
632007
632016
632024
633002
633003
6
TD
Hasil
92
633011
641007
642002
642005
642018
731034
731040
731041
732001
732002
631042
631047
631048
632004
633007
633009
641001
641012
641018
641020
731001
731004
731010
732016
732018
732019
732021
733005
733010
733012
733013
733014
733016
733017
741003
100
100
0
0
100
100
86
100
93
93
0
93
71
94
86
100
100
100
93
93
93
93
93
71
0
0
0
92
100
100
0
0
100
100
100
93
100
93
0
100
93
98
93
100
0
0
86
93
86
100
100
100
0
100
93
95
93
100
0
0
100
100
100
100
86
86
0
100
93
96
100
100
100
100
100
100
100
100
100
100
0
0
0
100
86
100
100
100
100
100
86
100
93
86
0
0
0
95
86
79
100
93
86
86
93
71
93
71
0
0
0
86
100
100
0
100
100
100
93
100
100
100
100
0
0
99
93
100
0
100
100
100
93
100
100
100
93
0
0
98
0
0
0
0
0
0
79
0
0
0
0
0
0
7.9
0
0
0
0
0
0
71
0
0
0
0
0
0
7.1
79
93
0
93
64
64
43
100
57
43
0
0
0
64
71
100
0
93
86
86
100
93
100
86
86
0
0
90
0
0
0
0
0
0
0
0
0
0
0
0
0
0
50
64
0
0
0
36
0
86
0
0
0
0
50
29
86
86
0
100
86
79
0
100
86
0
0
0
0
62
0
0
0
29
36
71
0
0
14
0
0
0
0
15
93
100
0
100
100
100
100
100
86
0
0
0
0
78
79
86
0
93
86
93
79
93
86
93
0
93
0
88
86
86
0
100
86
79
0
100
86
0
0
0
0
62
86
86
79
93
86
86
71
93
79
93
0
0
0
85
0
0
0
0
0
79
0
0
0
0
0
0
0
7.9
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
Keterangan
PPKn : Pendidikan Kewarganegaraan
KSI
: Konsep Sistem Infrormasi
ASD
: Algoritma &Struktur Data
VB
: Visual Basic (Teori)
Prak. ASD : Prak. Algo. & St. Data
Ak. Mgh : Akuntansi Menengah
Kalk. II : Kalkulus I
B. Ingg. II
Eko
PPN II
SBD
Prak.VB
TD
7
:Bahasa Inggris Komputer II
: Pengantar Ekonomi
: Paket Program Niaga II
: Sistem Basis Data
: Visual Basic (Prak)
: Teknik Digital
Tabel 3. Data Latih Berdasarkan Data Hadir Semester III
Data Hadir Sem. III
NPM
631003
86
AP
SI
86
631022
86
100
86
93
631024
93
100
86
100
86
100
100
87
100
100
0
0
0
0
0
95.2
631027
86
100
93
93
100
100
93
86
79
0
0
0
0
0
0
92.3
631028
93
93
86
100
86
86
100
100
93
100
0
0
0
0
0
93.7
631029
93
100
93
93
93
100
100
100
100
100
0
0
0
0
0
97.2
631049
86
100
93
93
93
100
100
93
93
100
0
0
0
0
0
95.1
632001
86
100
93
0
86
0
93
0
0
93
100
100
100
100
0
95.1
632002
100
86
93
0
86
0
86
0
0
93
79
93
100
100
0
91.6
632003
86
100
93
0
100
0
100
0
0
100
100
100
100
100
0
97.9
632007
86
100
86
0
86
0
100
0
0
100
100
86
100
93
0
93.7
632016
93
100
100
0
93
0
100
0
0
100
100
100
100
100
0
98.6
86
93
93
0
79
0
100
0
0
71
79
86
100
86
0
87.3
93
100
100
100
100
100
100
0
93
100
0
0
0
0
100
98.6
100
100
93
100
100
93
100
0
100
93
0
0
0
0
100
97.9
100
100
93
71
93
93
100
0
93
100
0
0
0
0
100
94.3
79
100
100
86
64
71
93
100
86
86
0
0
0
0
0
86.5
86
100
100
100
100
100
100
0
93
100
0
0
0
0
100
97.9
86
93
100
93
100
93
86
0
93
86
0
0
0
0
93
92.3
93
93
100
100
100
93
100
0
93
100
0
0
0
0
86
95.8
86
100
100
100
100
100
100
100
100
100
0
0
0
0
0
98.6
93
100
93
93
93
93
100
93
93
100
0
0
0
0
0
95.1
100
100
93
86
93
86
100
100
79
100
0
0
0
0
0
93.7
86
100
100
0
100
0
100
0
0
100
100
100
93
100
0
97.9
93
100
100
0
93
0
100
0
0
100
93
93
100
100
0
97.2
0
0
0
50
0
0
0
0
0
0
0
0
0
0
0
5
632024
633002
633003
633011
641007
642002
642005
642018
731034
731040
731041
732001
732002
631042
631047
631048
632004
633007
633009
641001
641012
641018
641020
731001
Agm
79
TR
O
93
Prak.
St
100
Del
p.
64
86
St.
93
Prak.
Delp.
64
Prak.
PBD
100
MM
EI
0
Ak.
Lanj.
0
MYOB
Dgg
0
Pjk
I
0
MM
Dskrt
0
100
93
86
100
0
0
0
0
0
90.9
PBD
SPA
100
79
Hasil
86.5
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
36
79
43
50
93
79
87
29
79
79
0
0
0
0
0
65.4
71
71
86
0
93
0
93
0
0
93
0
71
100
86
0
76.4
0
0
43
0
0
0
0
0
0
0
0
0
0
0
0
4.3
100
50
64
29
71
79
93
0
43
100
0
0
0
0
0
62.9
86
43
57
71
79
79
100
50
79
86
0
0
0
0
0
73
43
50
64
43
43
50
93
87
93
86
0
0
0
0
0
65.2
86
93
100
100
100
100
100
87
100
100
0
0
0
0
0
96.6
93
86
86
86
93
87
93
67
79
86
0
0
0
0
0
85.6
93
29
43
43
50
14
14
21
14
14
0
0
0
0
0
33.5
8
731004
731010
732016
732018
732019
50
100
86
36
86
86
64
79
86
71
0
0
0
0
0
74.4
86
100
93
86
93
93
100
86
100
100
0
0
0
0
0
93.7
14
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1.4
79
0
0
0
0
0
0
0
0
0
0
0
0
0
0
7.9
93
0
0
0
0
0
0
0
0
0
0
0
0
0
0
9.3
0
0
0
0
0
0
0
0
0
0
71
0
0
0
0
7.1
71
0
14
0
0
0
0
0
0
0
71
0
0
0
0
8.5
0
0
0
0
0
0
0
0
0
0
71
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
71
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
71
0
0
0
0
0
732021
733005
733010
733012
733013
0
0
0
0
0
0
0
0
0
0
71
0
0
0
0
0
14
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1,4
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
43
0
0
0
0
0
0
0
0
0
0
0
0
0
0
4.3
733014
733016
733017
741003
Keterangan
Agm
: Pendidikan Agama
APSI : Analisa & Perancangan Sistem Inf
Prak. St : Praktikum Statistik
SPA
: Sistem Pengarsipan &Akses
P.PBD : Perancangan Basis Data (Prak)
Ak. Lanj: Akuntansi Lanjutan
Pjk I
: Perpajakan I
Delp
: Delphi (Teori)
St
: Statistik
TRO
:Teknik Riset Operasi
PBD
: Peranc. Basis Data
P. Delp : Delphi (Prak)
MME I : Matematika Ekonomi I
MYOB Dgg: Apl.Komp(MYOB Dagang)
MM Dskrt : Matematika Diskrit
Tabel 4. Data Latih Berdasarkan Data Nilai Semester I
Data Nilai Sem. I
NPM
Ak.
Aljbr
Dsr
B.
Log.
Mnjm
PPN I
Bhs C
PTI
Intrnt
Ing. I
Prak.
Elek
Bhs C
Kalk.
IP
I
0631003
3
2
3
3
4
3
3
2
2
2
0
0
2.75
0631022
3
4
4
3
3
4
3
2
3
3
0
0
3.20
0631024
3
3
3
3
4
3
2
2
2
3
0
0
2.80
0631027
3
4
3
3
4
3
3
3
3
3
0
0
3.20
0631028
3
3
3
3
4
3
3
3
3
2
0
0
3.05
0631029
3
2
3
3
3
3
3
3
4
2
0
0
2.95
0631049
2
3
2
3
4
3
3
3
4
3
0
0
3.00
0632001
3
0
4
2
3
3
3
3
3
3
0
0
3.00
0632002
3
0
3
2
3
3
3
3
2
3
0
0
2.80
0632003
3
0
4
2
3
3
3
3
3
3
0
0
3.00
0632007
4
0
4
3
4
4
4
3
3
4
0
0
3.70
0632016
3
0
4
4
4
4
4
3
3
4
0
0
3.60
0632024
4
0
4
3
3
3
3
3
4
4
0
0
3.40
0633002
0
3
2
3
0
3
3
3
4
3
2
3
2.85
0633003
0
2
3
2
0
3
2
3
4
2
2
3
2.60
9
0633011
0
3
4
3
0
3
3
3
3
3
3
3
3.10
0641007
4
2
4
3
3
4
3
3
4
3
0
0
3.35
0642002
0
2
4
3
0
3
3
3
3
3
3
3
3.00
0642005
0
2
3
2
0
3
2
3
3
2
2
2
2.40
0642018
0
2
4
2
0
4
2
3
2
2
2
3
2.60
0731034
3
3
3
3
3
3
3
3
3
3
0
0
3.00
0731040
3
3
2
2
3
3
3
2
3
3
0
0
2.70
0731041
2
3
2
3
3
3
3
3
3
3
0
0
2.75
0732001
3
0
2
3
3
3
3
3
3
3
0
0
2.89
0732002
3
0
2
3
2
3
3
3
3
3
0
0
2.78
0631042
0
0
0
0
0
0
0
0
0
0
0
0
0.00
0631047
0
0
0
0
0
0
0
0
0
0
0
0
0.00
0631048
2
3
3
4
4
3
3
3
3
3
0
0
3.05
0632004
3
0
3
2
3
3
3
3
3
3
0
0
2.89
0633007
0
0
0
0
2
3
2
2
0
2
0
2
1.20
0633009
0
0
0
2
2
3
2
3
0
2
0
2
1.50
0641001
1
2
1
2
3
3
2
3
0
2
0
0
1.85
0641012
0
3
0
0
0
0
0
0
0
0
0
0
0.30
0641018
3
2
3
3
3
3
2
3
2
2
0
0
2.65
0641020
2
2
3
2
2
4
2
2
2
2
0
0
2.30
0731001
2
2
3
2
2
3
3
3
3
3
2
3
3.15
0731004
2
3
3
2
2
2
3
0
3
3
0
0
2.25
0731010
2
2
3
2
2
3
3
3
3
3
0
0
2.55
0732016
2
0
0
0
0
2
0
0
0
0
0
0
0.56
0732018
2
0
3
3
2
2
3
3
3
3
0
0
2.61
0732019
4
0
4
3
4
0
3
3
4
3
0
0
3.17
0732021
0
0
0
0
0
0
0
1
1
0
0
0
0.22
0733005
0
2
3
2
0
2
0
0
3
0
0
3
1.50
0733010
0
0
0
0
0
0
0
0
0
0
0
0
0.00
0733012
0
0
0
0
0
0
0
0
0
0
0
0
0.00
0733013
0
0
0
1
0
0
0
0
0
0
0
0
0.10
0733014
0
0
0
0
0
1
0
0
0
0
0
0
0.10
0733016
0
0
0
0
0
0
0
0
0
0
0
0
0.00
0733017
0
3
1
2
0
2
0
3
0
1
0
4
1.55
0741003
0
0
0
0
0
0
0
0
Keterangan :
4
: Bobot Nilai A
3
: Bobot Nilai B
2
: Bobot Nilai C
1
: Bobot Nilai D
0
: Bobot Nilai E/Tdk Mengambil Mata Kuliah tersebut
0
0
0
0
0.00
10
NPM
PPKn
Tabel 5. Data Latih Berdasarkan Data Nilai Semester II
Data Nilai Sem. II
PPN
Prak.
B.Ing.II KSI Eko ASD
VB SBD
II
ASD
3
3
2
3
2
3
3
3
Prak.
VB
2
Ak.
Mgh
0
0
Kalk.
II
0
2.63
TD
IP
631003
2
631022
2
4
4
3
2
3
3
3
2
3
0
0
0
2.95
631024
2
3
4
2
2
3
3
2
2
3
0
0
0
2.68
631027
3
4
4
2
2
4
4
3
2
3
0
0
0
3.16
631028
3
4
4
3
2
4
3
3
2
3
0
0
0
3.16
631029
3
4
4
3
2
3
3
3
2
3
0
0
0
3.05
631049
3
4
4
2
2
2
3
4
2
3
0
0
0
3.00
632001
2
4
0
2
2
3
3
3
2
3
3
0
0
2.75
632002
3
4
0
2
3
3
4
3
3
3
3
0
0
3.10
632003
3
4
0
3
3
3
3
3
3
3
3
0
0
3.10
632007
3
4
0
4
4
3
3
3
4
4
4
0
0
3.55
632016
4
4
0
3
4
3
4
3
4
4
4
0
0
3.65
632024
4
4
0
4
3
3
3
3
3
4
3
0
0
3.35
633002
3
3
0
0
2
2
2
3
2
2
0
3
2
2.50
633003
2
4
0
0
3
4
4
4
4
3
0
3
4
3.50
633011
3
3
0
0
3
4
3
3
2
3
0
3
2
2.95
641007
3
4
4
2
2
4
3
3
2
3
0
0
0
3.05
642002
4
4
0
0
2
4
4
4
2
4
0
4
3
3.60
642005
4
4
0
0
2
3
3
3
2
3
0
2
3
2.90
642018
3
4
0
0
2
4
4
3
2
4
0
3
3
3.20
731034
3
4
3
4
4
3
4
3
3
3
0
0
0
3.42
731040
3
4
3
3
3
2
3
4
3
3
0
0
0
3.16
731041
2
3
4
3
2
2
3
3
3
3
0
0
0
2.79
732001
3
3
0
3
2
3
3
4
4
2
3
0
0
3.05
732002
3
3
0
3
3
3
3
3
3
2
3
0
0
2.95
631042
0
0
0
0
0
0
0
0
0
0
0
0
0
0.00
631047
0
0
0
0
0
0
0
0
0
0
0
0
0
0.00
631048
3
4
0
2
2
2
3
3
2
3
0
0
0
2.42
632004
3
4
0
2
3
2
2
3
2
2
3
0
0
2.84
633007
0
0
0
0
0
0
0
0
0
0
0
0
0
0.00
633009
1
0
0
0
0
0
0
2
0
0
0
0
2
0.60
641001
3
0
0
2
2
2
0
3
2
0
0
0
0
1.53
641012
0
0
0
0
3
0
0
0
3
0
0
0
0
0.47
641018
2
4
3
2
2
4
4
3
2
3
0
0
0
2.95
641020
2
4
0
2
2
3
3
2
2
3
0
0
0
2.26
731001
3
3
3
2
2
2
2
3
3
3
0
3
3
3.37
731004
3
1
3
3
2
2
2
3
3
2
0
0
0
2.42
731010
2
3
3
3
2
2
0
3
3
0
0
0
0
2.21
11
732016
0
0
0
0
0
0
0
0
0
0
0
0
0
0.00
732018
0
3
0
3
3
0
3
3
3
2
2
0
0
2.20
732019
1
0
0
1
1
1
1
0
1
1
0
0
0
0.60
732021
0
0
0
0
0
0
0
0
0
0
0
0
0
0.00
733005
1
1
0
0
0
0
0
1
0
0
0
0
0
0.35
733010
0
0
0
0
0
0
0
0
0
0
0
0
0
0.00
733012
0
0
0
0
0
0
0
0
0
0
0
0
0
0.00
733013
0
0
0
0
0
0
0
0
0
0
0
0
0
0.00
733014
0
0
0
0
0
0
0
0
0
0
0
0
0
0.00
733016
0
0
0
0
0
0
0
0
0
0
0
0
0
0.00
733017
0
0
0
0
0
0
0
0
0
0
0
0
0
0.00
0
0
0
0
0
0
0.00
0
0
0
0
0
0
0
741003
Keterangan :
4
: Bobot Nilai A
3
: Bobot Nilai B
2
: Bobot Nilai C
1
: Bobot Nilai D
0
: Bobot Nilai E/Tdk Mengambil Mata Kuliah tersebut
Tabel 6. Data Latih Berdasarkan Data Nilai Semester III
Data Nilai Sem. III
NPM
Ag
APS
S
TRO
Prak
Delp
m
I
t
0631003
3
3
2
3
2
2
0631022
3
4
2
3
3
0631024
3
3
2
4
0631027
4
3
4
0631028
3
4
0631029
2
0631049
PBD
SP
Prak
Prak.
MM
Ak.
MYO
Pjk
MM
A
Delp
PBD
EI
Lanj.
B Dgg
I
Dskrt
3
3
3
3
0
0
0
0
0
2.72
3
3
3
3
3
0
0
0
0
0
3.06
2
4
3
3
4
3
0
0
0
0
0
3.11
3
3
3
3
3
3
3
0
0
0
0
0
3.22
3
3
2
3
3
3
4
3
0
0
0
0
0
3.17
4
3
3
2
4
3
3
4
4
0
0
0
0
0
3.22
3
3
4
3
2
3
4
3
3
3
0
0
0
0
0
3.17
0632001
3
3
4
0
3
0
3
0
0
3
3
4
4
4
0
3.45
0632002
3
3
4
0
4
0
3
0
0
3
3
4
3
3
0
3.30
0632003
3
3
3
0
3
0
3
0
0
3
3
4
3
3
0
3.15
0632007
4
4
4
0
4
0
3
0
0
3
4
4
4
3
0
3.75
0632016
4
3
3
0
4
0
3
0
0
4
4
4
4
4
0
3.65
0632024
4
3
3
0
4
0
4
0
0
4
3
4
4
4
0
3.65
0633002
3
3
2
4
1
3
4
0
3
3
0
0
0
0
2
2.84
0633003
3
3
2
3
3
3
3
0
3
4
0
0
0
0
2
2.79
0633011
3
3
3
4
2
3
3
0
3
3
0
0
0
0
3
3.05
0641007
3
3
2
3
2
3
3
3
3
3
0
0
0
0
0
2.83
0642002
3
4
2
4
3
3
3
0
4
4
0
0
0
0
3
3.26
0642005
3
3
2
4
2
3
3
0
3
3
0
0
0
0
3
2.95
.St
12
IP
0642018
3
4
2
4
3
3
3
0
4
4
0
0
0
0
3
3.26
0731034
3
3
3
3
3
3
3
4
3
3
0
0
0
0
0
3.11
0731040
3
3
3
3
4
3
3
3
3
3
0
0
0
0
0
3.06
0731041
3
4
3
2
4
2
3
3
3
3
0
0
0
0
0
3.00
0732001
4
3
2
0
3
0
3
0
0
3
4
3
3
4
0
3.20
0732002
3
3
3
0
3
0
3
0
0
3
3
2
3
3
0
2.85
0631042
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.00
0631047
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.00
0631048
3
2
2
2
2
2
3
2
2
3
0
0
0
0
0
2.28
0632004
2
3
2
0
4
0
3
0
0
4
3
3
3
3
0
2.90
0633007
3
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0.42
0633009
3
0
1
0
0
1
0
0
0
0
0
0
0
0
0
0.53
0641001
3
2
2
3
2
3
4
2
1
3
0
0
0
0
0
2.56
0641012
0
0
0
0
3
0
0
0
0
0
0
0
0
0
0
0.17
0641018
3
3
3
4
2
3
3
3
3
4
0
0
0
0
0
3.11
0641020
3
3
2
3
2
3
3
3
2
3
0
0
0
0
0
2.78
0731001
3
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.33
0731004
3
0
0
0
0
3
1
1
3
0
0
0
0
0
0
1.06
0731010
0
3
2
3
3
2
3
3
3
2
0
0
0
0
0
2.39
0732016
0
0
0
0
0
0
0
0
0
0
3
0
0
0
0
0.30
0732018
4
0
0
0
0
0
0
0
0
0
4
0
0
0
0
0.80
0732019
4
0
0
0
0
0
0
0
0
0
4
0
0
0
0
0.10
0732021
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0.11
0733005
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.00
0733010
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.00
0733012
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.00
0733013
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.00
0733014
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.00
0733016
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.00
0733017
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.00
0741003
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0.00
Keterangan
4
: Bobot Nilai A
3
: Bobot Nilai B
2
: Bobot Nilai C
1
: Bobot Nilai D
0
: Bobot Nilai E/Tdk Mengambil Mata Kuliah tersebut
13
Tabel 7. Data Latih Berdasarkan Data Bayar Semester I, II dan III
Data Bayar Sem. I, II dan III
NPM
Ccln I
Ccln II
Ccln III
Ccln IV
Ccln V
Ccln VI
Ccln I
Ccln II
Ccln III
(Sem.I)
(Sem.I)
(Sem.I)
(Sem.II)
(Sem.II)
(Sem.II)
(Sem.III)
(Sem.III)
(Sem.III)
0631003
960000
635000
635000
125000
550000
550000
710000
635000
635000
0631022
960000
635000
635000
125000
550000
550000
716000
635000
635000
0631024
960000
635000
635000
125000
550000
550000
710000
635000
635000
0631027
960000
635000
635000
125000
550000
550000
710000
635000
635000
0631028
960000
635000
635000
125000
550000
550000
710000
635000
635000
0631029
960000
635000
635000
125000
550000
550000
710000
635000
635000
0631049
960000
635000
635000
125000
550000
550000
710000
635000
635000
0632001
960000
635000
635000
125000
550000
550000
710000
635000
635000
0632002
960000
635000
635000
125000
550000
550000
710000
635000
635000
0632003
960000
635000
635000
125000
550000
550000
710000
635000
635000
0632007
960000
635000
635000
125000
550000
550000
710000
635000
635000
0632016
960000
635000
635000
125000
550000
550000
710000
635000
635000
0632024
-
-
-
-
550000
550000
710000
635000
635000
0633002
960000
635000
635000
125000
550000
550000
710000
635000
635000
0633003
960000
635000
635000
125000
550000
550000
710000
635000
635000
0633011
960000
635000
635000
125000
550000
550000
710000
635000
635000
0641007
960000
635000
635000
125000
550000
550000
710000
635000
635000
0642002
960000
635000
635000
125000
550000
550000
710000
635000
635000
0642005
960000
635000
635000
125000
550000
550000
710000
635000
635000
0642018
960000
635000
635000
125000
550000
550000
710000
635000
635000
0731034
960000
735000
735000
125000
550000
550000
690000
475000
475000
0731040
960000
735000
735000
125000
550000
550000
690000
475000
25000
0731041
960000
735000
735000
125000
550000
550000
690000
475000
25000
0732001
675000
735000
735000
125000
550000
550000
690000
475000
25000
0732002
675000
735000
735000
125000
550000
550000
690000
475000
25000
0631042
860000
635000
635000
125000
-
-
-
-
-
0631047
960000
635000
635000
125000
550000
550000
-
-
-
0631048
710000
635000
635000
125000
550000
550000
690000
475000
475000
0632004
710000
635000
635000
125000
550000
550000
690000
475000
475000
0633007
710000
635000
-
-
-
-
-
-
-
0633009
960000
635000
635000
125000
550000
550000
710000
635000
635000
0641001
710000
635000
635000
125000
550000
550000
690000
475000
-
0641012
860000
635000
635000
125000
550000
550000
-
-
-
0641018
960000
635000
635000
125000
550000
550000
710000
635000
635000
0641020
960000
635000
635000
125000
550000
550000
710000
641000
-
14
0731001
675000
735000
735000
125000
550000
550000
690000
475000
475000
0731004
675000
735000
735000
125000
550000
550000
690000
475000
25000
0731010
675000
735000
735000
125000
550000
550000
690000
475000
25000
0732016
960000
768000
735000
125000
-
-
-
-
-
0732018
960000
735000
-
-
-
-
-
-
-
0732019
-
-
-
-
-
-
-
-
-
0732021
960000
735000
-
-
-
-
-
-
-
0733005
675000
450000
735000
125000
550000
-
-
-
-
0733010
960000
735000
-
-
-
-
-
-
-
0733012
960000
-
-
-
-
-
-
-
-
0733013
675000
-
-
-
-
-
-
-
-
0733014
960000
735000
-
-
-
-
-
-
-
0733016
960000
735000
735000
-
-
-
-
-
-
0733017
960000
735000
735000
-
-
-
-
-
-
0741003
675000
735000
735000
125000
550000
-
-
-
-
Keterangan
Tanda (-) : Tidak bayar uang kuliah
15
Adapun perancangan arsitektur jaringan
analisis
prediksi
dengan
metode
backpropagation terdiri dari 3 lapisan, yaitu
lapisan masukan/input terdiri atas 9 masukan
unit sel syaraf, lapisan tersembunyi terdiri atas
3 unit sel syaraf, dan lapisan keluaran terdiri
atas 2 sel syaraf. Lapisan masukan digunakan
untuk menampung 9 variabel yaitu X1 sampai
dengan X9, sedangkan 2 lapisan keluaran
digunakan untuk mempresentasekan hasil
keluaran, nilai 1 untuk Tamat dan nilai 0 untuk
Tidak Tamat. Rancangan dapat dilihat pada
gambar 5 :
2.
a.
Gambar 5. Arsitektur Jaringan
Backpropagation
Keterangan :
X = Masukan (input)
J = 1 s/d n (n=10)
V = Bobot pada lapisan tersembunyi
W = Bobot pada lapisan keluaran
n =Jumlah unit pengolah pada lapisan
tersembunyi
b =Bias pada lapisan tersembunyi dan lapisan
keluaran
k =Jumlah unit pengolah pada lapisan
keluaran
Y =Keluaran hasil.
Dengan proses perhitungan sebagai berikut:
X1 = 4; x2 = 4; X3 = 3; X4 = 2.75; X5 =
2.63; X6 = 2.72; X7 = 2; X8 = 2;
X9 = 2; Output Y1: 1; Output Y2: 0.
Learning rate (1): 0.1
1. Inisialisasi bobot awal secara acak.
V11= 0.2, V53 = 0.3, W12= 0.1, V12 =
-0.3, V61 = -0.8, W21= -0.3
V13 = 0.4, V62 = 0.9, W22
=
0.2,
V21=0.1, V63=0.4, W31 = 0.4,
16
V22= -0.5, V71 = -0.1
W32= -0.3, V23= 0.2, V72= 0.7, V31= 0.6, V73 = 0.6, V32=0.3, V81 = 0.2,
V33=0.4, V82= -0.3, V41 = 0.7, V83
= 0.2, V42= -0.1, V91 = -0.3, V43 =
0.5, V92 = -0.2, V51= 0.7
V93 = 0.1, V52= -0.4, W11 = -0.3
Iterasi 1.
Hitung keluaran tiap node.
Lapisan Z1

Input
= X1*V11 + X2*V21 +
X3*V31 + X4*V41 +
X5*V51 + X6*V61
X7*V71 + X8*V81 +
X9*V91
= (4*0.2) +(4*0.1)+(3*(0.6))+(2.75*0.7)+(2.6
3*0.7)+
(2.72*(-0.8))+(2*(0.1))+(2*0.2)+(2*(0.3)
= -6.942
Z1
=(
) = 0.999 = 1
.
Lapisan Z2

Input
= X1*V12 + X2*V22 +
X3*V32 + X4*V42 +
X5*V52 + X6*V62
X7*V72 + X8*V82 +
X9*V92
= (4*0.3)+(4*(0.5))+(3*0.3)+(2.75*(0.1)+(2.63*(0.4)+(2.72*0.9))+(2*0
.7))+(2*(-0.3)+(2*(0.2)
= 1.621
Z2
=(
) = 0.1657
.
Lapisan Z3

Input
= X1*V13 + X2*V23 +
X3*V33 + X4*V43 +
X5*V53 + X6*V63
X7*V73 + X8*V83 +
X9*V93
= (4*0.4)
+(4*0.2))+(3*0.4)+(2.
75*0.5)+(2.63*0.3)+(2
.72*0.4))+(2*0.6))+(2
*0.2)+(2*0.1)
= 8.652
Z3 = (
) = 1.7942
.
Lapisan
Y

1
Input
= Z1*W11 +Z2*W21
+Z3* W31
=0.999*(0.3)+0.1657*(0.3)+1.7942*0.4
= 0.36827
Y1 = (
) = 0.41
.

b.
c.
W32
V11
Lapisan Y2
Input
= Z1*W12 +Z2*W22 +Z3*
W32
=0.999*0.1+0.1657*0.2+1.7942*(0.3)
= - 0.40522
Y2 = (
) = 0.60
.
Hitung nilai error output dan hidden
layer.
Lapisan Y2

ErrY2 = Y2*(l-Y2) *(Otarget.-Y2)
= 0.60*(0.1-0.60)*(0-0.60)
= 0.18
Lapisan Y1

ErrY1 = Y1*(1-Y1) *(Otarget.-Y1)
=0.41*(0.1-0.41)*(1-0.41)
= -0.07
Lapisan Z3

ErrZ3 =Z3*(1-Z3)
*ErrY1*W31*ErrY2*W32
=1.7942*(0.1-1.7942)*(0.07)*0.4*0.18*(-0.3)
= -0.0045
Lapisan Z2

ErrZ2 =Z2*(1-Z2)
*ErrY1*W21*ErrY2*W22
=0.1657*(0.1-0.1657)*(0.07)*(-0.3)*0.18*0.2
= -0.0000
Lapisan Z1

ErrZ1 =Z1*(1-Z1)
*ErrY1*W11*ErrY2*W12
=0.999*(0.1-0.999)*(0.07)*(-0.3)*0.18*0.1
= -0.0003
Modifikasi/hitung bobot baru.
W11 = W11 + 1*ErrY1*Z1
=-0.3+0.1*(-0.07)*0.999
= -0.31
W12
= W12 + 1*ErrY2*Z1
= 0.1+0.1*0.18*0.999
=0.11
W21 = W21 + 1*ErrY1*Z2
=-0.3+0.1*(-0.07)*0.1657
= -0.3
W22
= W22 + 1*ErrY2*Z2
= 0.2+0.1*0.18*0.1657
= 0.20
W31 = W31 + 1*ErrY1*Z3
= 0.4+0.1*(-0.07)*1.7942
V12
V13
V21
V22
V23
V31
V32
V33
V41
V42
V43
V51
V52
V53
V61
V62
17
= 0.3
= W32 + 1*ErrY2*Z3
= -0.3+0.1*0.18*1.7942
= -0.2
= V11 + 1*ErrZ1*X1
= 0.2+0.1*0.999*4
= 0.6
= V12 + 1*ErrZ2* X1
= 0.3+0.1*0.1657*4
= 0.36
= V13 + 1*ErrZ3* X1
= 0.4+0.1*1.7942*4
= 1.1
= V21 + 1*ErrZ1*X2
= 0.1+0.1*0.999*4
= 0.5
= V22 + 1*ErrZ2* X2
= -0.5+0.1*0.1657*4
= -0.4
= V23 + 1*ErrZ3* X2
= 0.2+0.1*1.7942*4
= 0.9
= V31 + 1*ErrZ1*X3
= -0.6+0.1*0.999*3
= -0.3
= V32 + 1*ErrZ2* X3
= 0.3+0.1*0.1657*3
= 0.3
= V33 + 1*ErrZ3* X3
= 0.4+0.1*1.7942*3
= 0.9
= V41 + 1*ErrZ1*X4
= 0.7+0.1*0.999*2.75
= 0.5
= V42 + 1*ErrZ2* X4
= -0.1+0.1*0.1657*2.75
= -0.05
= V43 + 1*ErrZ3* X4
= 0.5+0.1*1.7942*2.75
= 0.99
= V51 + 1*ErrZ1*X5
= 0.7+0.1*0.999*2.63
= 0.96
= V52 + 1*ErrZ2* X5
= 0.4+0.1*0.1657*2.63
= 0.4
= V53 + 1*ErrZ3* X5
= 0.3+0.1*1.7942*2.63
= 0.77
= V61 + 1*ErrZ1*X6
= -0.8+0.1*0.999*2.72
= -0.5
= V62 + 1*ErrZ2* X6
= 0.9+0.1*0.1657*2.72
= 0.9
V63
3.
= V63 + 1*ErrZ3* X6
= 0.4+0.1*1.7942*2.72
= 0.88
V71
= V71 + 1*ErrZ1*X7
= -0.1+0.1*0.999*2
= 0.09
V72
= V72 + 1*ErrZ2* X7
= 0.7+0.1*0.1657*2
= 0.73
V73
= V73 + 1*ErrZ3* X7
= 0.6+0.1*1.7942*2
= 0.95
V81
= V81 + 1*ErrZ1*X8
= 0.2+0.1*0.999*2
= 0.4
V82
= V82 + 1*ErrZ2* X8
= -0.3+0.1*0.1657*2
= -0.2
V83
= V83 + 1*ErrZ3* X8
= 0.2+0.1*1.7942*2
= 0.55
V91
= V91 + 1*ErrZ1*X9
= -0.3+0.1*0.999*2
= -0.10
V92
= V92 + 1*ErrZ2* X9
= -0.2+0.1*0.1657*2
= -0.16
V93
= V93 + 1*ErrZ3* X9
= 0.1+0.1*1.7942*2
= 0.45
Ulangi iterasi hingga maksimal Epoch
atau Err < ErrTarget tercapai.
telah dilatihkan tersebut dikenali. Hal tersebut
berfungsi untuk menguji seberapa besar JST
mengenali data yang baru.
Gambar 6. Hasil Pelatihan ke-I
Hasil di atas menunjukkan ,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 7
V. PENGUJIAN
Data dilatihkan yang dipengaruhi oleh model
algoritma jaringan yang digunakan. Jumlah
lapisan tersembunyi, data hadir, data nilai dan
data pembayaran. Untuk menghasilkan iterasi
tercepat, bobot dan nilai jumlah lapisan
tersembunyi diuji hingga mencapai konvergen.
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
Gambar 7. Hasil Pelatihan ke-2
Gambar di atas 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’)
18
[w1,b1,w2,b2]=trainbp(w1,b1,’logsig’,w2,b2,’l
ogsig’,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 8
[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 10
Gambar 8. Hasil Pelatihan ke-3
Gambar di atas 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,’l
ogsig’,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 9
Gambar 10. Hasil Pelatihan ke-5
Gambar di atas 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 11
Gambar 9. Hasil Pelatihan ke-4
Gambar 11. Hasil Pelatihan ke-6
Gambar di atas menunjukkan bahwa proses pelatihan
Gambar di atas menunjukkan bahwa proses
berhenti pada epoch ke 6097 dengan sintaks sebagai
pelatihan berhenti pada epoch ke 6307 dengan
berikut :
sintaks sebagai berikut :
tp=[50 50000 0.06 0.06]
tp=[40 40000 0.1 0.1]
19
[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 8
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 8. Hasil Pengujian Data Latih ke Dalam
JST
Peng Data
Persent Data
Perse
ujian Sesuai ase
Tidak
ntase
Target (%)
Sesuai
(%)
Target
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 lainlain.
20
Tabel 9. Hasil Analisa Prediksi Terhadap Data Yang Telah Dilatihkan Sebelumnya
Convert Data
Convert Data Hadir
Convert Data
Nilai
HPL
KSB
631003
Sem.
II
4
Sem.
III
3
Sem.
I
2.75
Sem.
II
2.63
Sem.
III
2.72
Sem.
I
2
Bayar
Sem.
II
2
Target
Sem.
I
4
Sem.
III
2
1
0.0
tamat
631022
4
3
4
3.20
2.95
3.06
2
2
1
1
0.0
tamat
631024
3
4
4
2.80
2.68
3.11
2
2
2
1
1.0
tamat
631027
4
4
4
3.20
3.16
3.22
2
2
2
1
0.0
tamat
631028
4
4
4
3.05
3.16
3.17
2
2
2
1
0.9
tamat
631029
2
4
4
2.95
3.05
3.22
2
2
2
1
0.0
tamat
631049
4
4
4
2.95
3.00
3.17
2
2
2
1
0.2
tamat
632001
2
3
4
3.00
2.75
3.45
2
2
2
1
1.0
tamat
632002
2
4
4
2.80
3.10
3.30
2
2
2
1
1.0
tamat
632003
3
4
4
3.00
3.10
3.15
2
2
2
1
0.1
tamat
632007
3
4
4
3.70
3.55
3.75
2
2
2
1
1.0
tamat
632016
3
4
4
3.60
3.65
3.65
2
2
2
1
1.0
tamat
632024
3
3
3
3.40
3.35
3.65
1
1
2
1
1.0
tamat
633002
3
4
4
2.85
2.50
2.84
2
2
2
1
0.1
tamat
633003
4
4
4
2.60
3.50
2.79
2
2
2
1
1.0
tamat
633011
4
4
4
3.10
2.95
3.05
2
2
2
1
0.0
tamat
641007
3
4
3
3.35
3.05
2.83
2
2
2
1
0.0
tamat
642002
4
4
4
3.00
3.60
3.26
2
2
2
1
0.3
tamat
642005
3
4
4
2.40
2.90
2.95
2
2
2
1
0.1
tamat
642018
3
4
4
2.60
3.20
3.26
2
2
2
1
0.8
tamat
731034
3
4
4
3.00
3.42
3.11
2
2
2
1
1.0
tamat
731040
3
4
4
2.70
3.16
3.06
2
2
2
1
0.7
tamat
731041
4
3
4
2.75
2.79
3.00
2
2
2
1
1.0
tamat
732001
3
4
4
2.89
3.05
3.20
2
2
2
1
0.0
tamat
732002
3
4
4
2.78
2.95
2.85
2
2
2
1
0.0
tamat
631042
1
1
1
0.00
0.00
0.00
2
1
1
0
0.0
tdk tmt
631047
1
1
1
0.00
0.00
0.00
2
2
1
0
0.0
tdk tmt
631048
1
1
1
3.05
2.42
2.28
2
2
2
0
1.0
tdk tmt
632004
3
2
3
2.89
2.84
2.90
2
2
2
0
0.0
tdk tmt
633007
1
1
1
1.2
0.00
0.42
1
1
1
0
0.9
tdk tmt
633009
1
1
1
1.50
0.60
0.53
2
2
2
0
0.0
tdk tmt
641001
2
1
2
1.85
1.53
2.56
2
2
1
0
0.2
tdk tmt
641012
1
1
1
0.3
0.47
0.17
2
2
1
0
1.0
tdk tmt
641018
1
2
4
2.65
2.95
3.11
2
2
2
0
1.0
tdk tmt
641020
1
3
3
2.30
2.26
2.78
2
2
1
0
0.1
tdk tmt
731001
1
4
1
3.15
3.37
0.33
2
2
2
0
1.0
tdk tmt
731004
1
3
2
2.25
2.42
1.06
2
2
1
0
1.0
tdk tmt
731010
1
1
4
2.55
2.21
2.39
2
2
2
0
1.0
tdk tmt
732016
1
1
1
0.56
0.00
0.30
1
1
1
0
0.1
tdk tmt
732018
1
1
1
2.61
2.20
0.80
1
1
1
0
1.0
tdk tmt
NPM
21
732019
1
1
1
3.17
0.60
0.80
1
1
1
0
0.0
tdk tmt
732021
1
1
1
0.22
0.00
0.10
1
1
1
0
0.0
tdk tmt
733005
1
1
1
1.50
0.35
0.11
2
1
1
0
0.3
tdk tmt
733010
1
1
1
0.00
0.00
0.00
1
1
1
0
0.1
tdk tmt
733012
1
1
1
0.00
0.00
0.00
1
1
1
0
0.8
tdk tmt
733013
1
1
1
0.10
0.00
0.00
1
1
1
0
1.0
tdk tmt
733014
1
1
1
0.10
0.00
0.00
1
1
1
0
0.7
tdk tmt
733016
1
1
1
0.00
0.00
0.00
2
1
1
0
1.0
tdk tmt
733017
1
1
1
1.55
0.00
0.00
2
1
1
0
0.0
tdk tmt
1
1
1
0.00 0.00
0.00
2
1
1
0
0.0
tdk tmt
741003
Keterangan
HPL
: Hasil Pelatihan
KSB
: Kondisi Sebenarnya
KJST : Ketepatan Jaringan Syaraf Tiruan
Setelah ke 50 data latih tersebut diuji selama 6 kali pengujian dan didapat hasil nya 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 10 seperti berikut :
Tabel 10. Hasil Analisa Prediksi Terhadap Data Yang Akan di Uji
Convert Data
Convert Data
Convert Data Hadir
Nilai
Bayar
NPM
T HPU
KSB
KJST
Sem. Sem. Sem. Sem. Sem. Sem. Sem. Sem. Sem.
I
II
III
I
II
III
I
II
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
9441059
4
3
3
2.75 2.63 2.50
2
2
1
1
0.6
tamat
Benar
4
4
2
3.35 2.84 2.61
2
2
2
1
1.0
tamat
Benar
9441055
3
3
2
2.60 0.00 2.21
1
2
2
1
0.8
tamat
Benar
8451005
4
3
3
2.80 2.90 2.68
1
2
2
1
0.7
tamat
Benar
9451047
3
1
1
3.10 2.15 1.21
2
2
2
0
0.0
tdk tmt
Benar
9451042
3
2
2
3.10
3.00
2.63
2
2
1
0
0.0
tdk
tmt
Benar
9451016
3
2
4
2.72 2.50 2.70
2
2
1
1
0.5
tamat
Salah
9321015
2
2
4
2.67 2.50 2.60
2
2
2
0
0.3
tdk tmt
Benar
9321014
3
3
3
2.45 2.79 2.72
2
2
2
1
0.8
tamat
Benar
9311039
3
4
4
2.70 2.65 2.42
2
2
2
1
1.0
tamat
Benar
8451035
3
3
3
3.05 2.90 2.21
2
2
2
1
0.7
tamat
Benar
8457040
4
4
4
3.05 2.55 2.74
2
2
2
1
1.0
tamat
Benar
11457101
1
3
3
1.35 0.00 2.05
2
2
2
1
0.1
tamat
Salah
742017
1
1
3
2.05
1.40
1.00
2
2
2
0
0.0
tdk
tmt
Benar
742021
Keterangan
HPU
: Hasil Pengujian
KSB
: Kondisi Sebenarnya
KJST : Ketepatan Jaringan Syaraf Tiruan
Berdasarkan pada tabel 10 dapat dianalisis bahwa hasil ketepatan jaringan syaraf mendekati 100 %, yaitu 0.92 % data
prediksi telah konvergen sesuai target.
22
[2] D.P. Bambang Budi. Widodo J. Rochani, dkk,
Teknik Jaringan Syaraf Tiruan FeedForward Untuk
Prediksi Harga Saham Pada Pasar Modal Indonesia,
Jurnal Informatika Vol. 1, No. 1, Mei 1999 : 11 –
22,http://puslit.petra.ac.id/journals/informatics/,
diakses tanggal 19 April 2012
[3] Kusumadewi, Sri. Artificial Intelligence (Teknik dan
Aplikasinya), Edisi Pertama, Yogyakarta, Graha
Ilmu, 2003
[4] Nuraeni, Yeni, Penerapan Jaringan Syaraf Tiruan
Untuk Mengukur Tingkat Korelasi antara NEM
Dengan IPK Kelulusan Mahasiswa, Jurnal
Telkomnika Vol 7, No. 3, Desember 2009:195-200,
http://telkomnika.ee.uad.ac.id/n9/files/Vol.7No.3Des
09/7.3.12.09.08.pdf, diakses tanggal 18 April 2012
[5] Pramudiono I, 2007. “Pengantar Data Mining :
Menambang Permata Pengetahuan di Gunung
Data”,
http://www.ilmukomputer.org/wpcontent/uploads/2006/08/iko-datamining.zip.
[6] Santoso, Tri Budi dan Huda Miftahul. Dasar-dasar
Operasi Matlab,
http://lecturer.eepisits.edu/~tribudi/LN_Sinyal_siste
m_Prak/prak_SinyalSistem_1.pdf, diakses tanggal 20
April 2012
[7] Santosa, Budi, 2007, “Data Mining Teknik
VI. PENUTUP
Berdasarkan hasil penelitian dan pembahasan yang telah
dilakukan dapat diambil beberapa kesimpulan yakni :
1. Penerapan data mining dengan menggunakan
jaringan syaraf tiruan mampu memprediksi
mahasiswa STMIK Kaputama Binjai apakah
akan menyelesaikan pendidikannya atau tidak.
2. Untuk mendapatkan hasil prediksi yang lebih
akurat, perlu memperhatikan jumlah simpul
lapisan tersembunyi, laju pembelajaran,
toleransi galat dan jumlah epoch.
3. Target output pada proses pengujian mendekati
ketepatan hasil karena terjadi penyesuaian nilai
bobot dan bias yang semakin baik pada proses
pelatihan
Untuk mendapatkan hasil yang lebih baik sebaiknya
penelitian ini dilanjutkan secara waktu nyata (real time)
dengan lebih banyak responden ataupun data mahasiswa
yang
dipergunakan
sehingga
diharapkan
dapat
memperoleh hasil yang lebih significant dan perlu
dilakukan penelitian dengan menggunakan metode selain
jaringan syaraf tiruan, misalkan algoritma genetic ataupun
metode lainnya dengan algoritma yang berbeda tentunya,
dan kemudian dapat dibandingkan agar diperoleh hasil
analisis prediksi yang dapat dikembangkan dalam sebuah
aplikasi yang terbaik demi kemajuan STMIK Kaputama
kedepannya.
DAFTAR PUSTAKA
Pemanfaatan
Data
untuk
Keperluan
Bisnis”,
Yogyakarta:Graha Ilmu.
[8]
[1] Davies, Paul Beynon, 2004, “Database Systems Third
Edition”, New York: Palgrave Macmillan.
23
STMIK Kaputama Binjai, Peraturan Akademik 2011,
Binjai, 2011.