UNSURUNSUR

Jurnal Media Teknik dan Sistem IndustriJurnal Media Teknik dan Sistem Industri

Data mahasiswa merupakan informasi penting yang dimiliki oleh suatu perguruan tinggi. Data dalam jumlah besar dapat digunakan untuk mengidentifikasi suatu pola tertentu. Penelitian ini bertujuan untuk memprediksi jumlah mahasiswa baru yang akan datang dengan mengidentifikasi pola data menggunakan Jaringan Syaraf Tiruan (JST). JST merupakan suatu kecerdasan buatan yang memiliki karakteristik seperti jaringan syaraf biologi dan berfungsi sebagai sistem pemroses informasi, salah satunya adalah model backpropagation. Backpropagation melatih jaringan agar mampu mengenali dan mengidentifikasi pola yang diberikan pada saat pelatihan dan memberikan respon berupa prediksi terhadap pola serupa, oleh karena itu backpropagation dapat digunakan dengan baik dalam bidang peramalan. Data masukan yang digunakan untuk pelatihan adalah data mahasiswa baru pada tahun 2000 sampai 2020, keluaran yang diinginkan adalah jumlah mahasiswa baru pada tahun berikutnya. Penelitian ini menguji 4 model arsitektur JST berbeda, dengan MSE 0.0001, learning rate 0.01, dengan maksimal 1000 iterasi. Proses pelatihan menggunakan kombinasi fungsi aktivasi tansig-purelin dan logsig-purelin, serta fungsi percepatan traingdx, traingda traingdm. Dari pelatihan yang dilakukan, didapatkan bahwa arsitektur jaringan terbaik adalah pola 12-8-1 yang berarti menggunakan 12 masukan, 8 hidden neuron, dan 1 keluaran. Pola tersebut menggunakan fungsi aktivasi logsig-purelin, fungsi percepatan traingda, dengan hasil MSE 0.0001 setelah melalui 94 iterasi.

Hasil utama dari penelitian ini adalah algoritma jaringan syaraf tiruan yang dapat digunakan untuk mengenali pola jumlah mahasiswa baru.Arsitektur terbaik yang ditemukan adalah dengan menggunakan pola data input 12, hidden neuron 8, dan output 1, dengan menggunakan fungsi aktivasi logsig-purelin.Berdasarkan arsitektur jaringan tersebut, diprediksi jumlah mahasiswa di tahun yang akan datang yaitu 115 mahasiswa di tahun 2021.

Pengembangan penelitian yang akan datang diharapkan dapat menggali lebih dalam pemanfaatan data mahasiswa bagi suatu perguruan tinggi khususnya dalam bidang educational data mining (EDM). Selain itu, penelitian selanjutnya dapat fokus pada perbandingan kinerja berbagai algoritma machine learning dalam memprediksi jumlah mahasiswa baru, serta mengeksplorasi teknik-teknik optimasi untuk meningkatkan akurasi prediksi. Penelitian lanjutan juga dapat mengeksplorasi penggunaan data mahasiswa yang lebih beragam, seperti data demografis, prestasi akademik, dan perilaku belajar, untuk meningkatkan akurasi prediksi dan memberikan wawasan lebih dalam tentang pola-pola yang mempengaruhi jumlah mahasiswa baru.

Read online
File size820.58 KB
Pages9
DMCAReport

Related /

ads-block-test