OPTIMALISASI NEURAL NETWORK DENGAN PARTICLE SWARM OPTIMIZATION UNTUK PREDIKSI KELULUSAN MAHASISWA
Peraturan BAN-PT standart jumlah kelulusan di perguruan tinggi minimal 50% dari jumlah pendaftar. Namun kenyataannya di Universitas XYZ pada tahun 2009 dan 2010 kurang dari standart BAN-PT. Dengan ini pihak pengelola program studi harus mengantisipasi masalah yang mungkin akan terjadi dengan tujuan...
| Main Authors: | , |
|---|---|
| Format: | Article |
| Language: | Indonesian |
| Published: |
Universitas Wahid Hasyim
2019-10-01
|
| Series: | Jurnal Informatika dan Rekayasa Perangkat Lunak |
| Online Access: | https://www.publikasiilmiah.unwahas.ac.id/index.php/JINRPL/article/view/2947 |
| _version_ | 1818301678813708288 |
|---|---|
| author | Fandy Indra Pratama Ardian Fachreza |
| author_facet | Fandy Indra Pratama Ardian Fachreza |
| author_sort | Fandy Indra Pratama |
| collection | DOAJ |
| description | Peraturan BAN-PT standart jumlah kelulusan di perguruan tinggi minimal 50% dari jumlah pendaftar. Namun kenyataannya di Universitas XYZ pada tahun 2009 dan 2010 kurang dari standart BAN-PT. Dengan ini pihak pengelola program studi harus mengantisipasi masalah yang mungkin akan terjadi dengan tujuan mencapai salah satu tujuannya yaitu meluluskan minimal 50% mahasiswanya pada setiap angkatan. Dalam mengantisipasi masalah tersebut bisa menggunakan data mining dalam proses prediksi. Neural network adalah salah satu algoritma yang digunakan untuk prediksi. Neural network sebagian besar sudah cukup handal dalam pemecahan masalah prediksi yang sering digunakan dalam penggambilan keputusan kelulusan mahasiswa. Namun neural network terdapat masalah pada over fitting sehingga tidak dapat menggeneralisasikan masalah. Sehingga penelitian ini mengusulkan Particle Swarm Optimization untuk melatih bobot pada neural network dengan menentukan nilai parameter sehingga dapat dihasilkan akurasi yang berbeda-beda. Pada pengujian neural network dengan number of validation 4, learning rate 0,1 dan hidden layer 25 menghasilkan akurasi sebesar 82,88%. Pada pengujian menggunakan neural network – particle swarm optimization dengan populasi size 4, learning rate 0,1 dan hidden layer 25 menghasilkan akurasi sebesar 84,72%. Sehingga dapat disimpulkan bahwa particle swarm optimization dapat memperbaiki keakuratan neural network.
Kata kunci: Prediksi, Neural Network, Particle Swarm Optimization |
| first_indexed | 2024-12-13T05:26:50Z |
| format | Article |
| id | doaj.art-a73c496e9ade4206be6eef3ae604d16e |
| institution | Directory Open Access Journal |
| issn | 2656-2855 2685-5518 |
| language | Indonesian |
| last_indexed | 2024-12-13T05:26:50Z |
| publishDate | 2019-10-01 |
| publisher | Universitas Wahid Hasyim |
| record_format | Article |
| series | Jurnal Informatika dan Rekayasa Perangkat Lunak |
| spelling | doaj.art-a73c496e9ade4206be6eef3ae604d16e2022-12-21T23:58:09ZindUniversitas Wahid HasyimJurnal Informatika dan Rekayasa Perangkat Lunak2656-28552685-55182019-10-011210.36499/jinrpl.v1i2.29472744OPTIMALISASI NEURAL NETWORK DENGAN PARTICLE SWARM OPTIMIZATION UNTUK PREDIKSI KELULUSAN MAHASISWAFandy Indra PratamaArdian FachrezaPeraturan BAN-PT standart jumlah kelulusan di perguruan tinggi minimal 50% dari jumlah pendaftar. Namun kenyataannya di Universitas XYZ pada tahun 2009 dan 2010 kurang dari standart BAN-PT. Dengan ini pihak pengelola program studi harus mengantisipasi masalah yang mungkin akan terjadi dengan tujuan mencapai salah satu tujuannya yaitu meluluskan minimal 50% mahasiswanya pada setiap angkatan. Dalam mengantisipasi masalah tersebut bisa menggunakan data mining dalam proses prediksi. Neural network adalah salah satu algoritma yang digunakan untuk prediksi. Neural network sebagian besar sudah cukup handal dalam pemecahan masalah prediksi yang sering digunakan dalam penggambilan keputusan kelulusan mahasiswa. Namun neural network terdapat masalah pada over fitting sehingga tidak dapat menggeneralisasikan masalah. Sehingga penelitian ini mengusulkan Particle Swarm Optimization untuk melatih bobot pada neural network dengan menentukan nilai parameter sehingga dapat dihasilkan akurasi yang berbeda-beda. Pada pengujian neural network dengan number of validation 4, learning rate 0,1 dan hidden layer 25 menghasilkan akurasi sebesar 82,88%. Pada pengujian menggunakan neural network – particle swarm optimization dengan populasi size 4, learning rate 0,1 dan hidden layer 25 menghasilkan akurasi sebesar 84,72%. Sehingga dapat disimpulkan bahwa particle swarm optimization dapat memperbaiki keakuratan neural network. Kata kunci: Prediksi, Neural Network, Particle Swarm Optimizationhttps://www.publikasiilmiah.unwahas.ac.id/index.php/JINRPL/article/view/2947 |
| spellingShingle | Fandy Indra Pratama Ardian Fachreza OPTIMALISASI NEURAL NETWORK DENGAN PARTICLE SWARM OPTIMIZATION UNTUK PREDIKSI KELULUSAN MAHASISWA Jurnal Informatika dan Rekayasa Perangkat Lunak |
| title | OPTIMALISASI NEURAL NETWORK DENGAN PARTICLE SWARM OPTIMIZATION UNTUK PREDIKSI KELULUSAN MAHASISWA |
| title_full | OPTIMALISASI NEURAL NETWORK DENGAN PARTICLE SWARM OPTIMIZATION UNTUK PREDIKSI KELULUSAN MAHASISWA |
| title_fullStr | OPTIMALISASI NEURAL NETWORK DENGAN PARTICLE SWARM OPTIMIZATION UNTUK PREDIKSI KELULUSAN MAHASISWA |
| title_full_unstemmed | OPTIMALISASI NEURAL NETWORK DENGAN PARTICLE SWARM OPTIMIZATION UNTUK PREDIKSI KELULUSAN MAHASISWA |
| title_short | OPTIMALISASI NEURAL NETWORK DENGAN PARTICLE SWARM OPTIMIZATION UNTUK PREDIKSI KELULUSAN MAHASISWA |
| title_sort | optimalisasi neural network dengan particle swarm optimization untuk prediksi kelulusan mahasiswa |
| url | https://www.publikasiilmiah.unwahas.ac.id/index.php/JINRPL/article/view/2947 |
| work_keys_str_mv | AT fandyindrapratama optimalisasineuralnetworkdenganparticleswarmoptimizationuntukprediksikelulusanmahasiswa AT ardianfachreza optimalisasineuralnetworkdenganparticleswarmoptimizationuntukprediksikelulusanmahasiswa |