sistem pendukung keputusan pemilihan mahasiswa berprestasi menggunakan jaringan syaraf tiruan back

Jurnal Informanika, Volume 2 No. 1, Januari - Juni 2016 ISSN : 2407-1730

SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN MAHASISWABERPRESTASI MENGGUNAKAN JARINGAN SYARAF TIRUAN BACK

PROPAGATION

M. Miftakul Amin 1

1Jurusan Teknik Komputer, Politeknik Negeri SriwijayaJalan Srijaya Negara Bukit Besar Palembang, 30139

Telp: (0711) 353414, Fax: (0711) 355918e-mail: [email protected]

AbstrakSistem pendukung keputusan merupakan salah satu jenis sistem informasi yang

dapat digunakan oleh para pengguna pada level manajemen organisasi. Kebutuhanuntuk tersedianya aplikasi sistem pendukung keputusan penentuan mahasiswaberprestasi sangat dibutuhkan, karena kegiatan ini merupakan kegiatan rutin yangdiadakan setiap tahun. Pada penelitian ini dibuat sebuah sistem pendukung keputusanpenentuan mahasiswa berprestasi menggunakan jaringan syaraf tiruan backpropagation. Penelitian ini penting untuk dilakukan dalam upaya untuk membantupihak manajemen perguruan tinggi dalam menentukan mahasiswa berprestasi.Penelitian ini mencoba menerapkan jaringan syaraf tiruan back propagation sebagaisub sistem model dalam sistem pendukung keputusan. Kriteria yang digunakandiantaranya 1) indeks prestasi kumulatif (IPK) 2) karya tulis ilmiah 3) kegiatan extradan ko-kurikuler 4) bahasa inggris 5) kepribadian dan 6) nilai TPA. Penelitian ini telahmembuktikan bahwa jaringan syaraf tiruan back propagation dapat digunakan sebagaimodel untuk menghasilkan rangking calon mahasiswa berprestasi. Sebanyak 40 poladata digunakan untuk melatih jaringan syaraf tiruan back propagation, serta 10 datauji. Dari hasil pengujian didapatkan hasil bahwa jaringan syaraf back propagationyang digunakan sebagai subsistem model dalam aplikasi sistem pendukung keputusantelah dapat mengenali pola untuk seluruh data latih dan dapat menentukan klasifikasiseluruh data yang diujikan.

Kata kunci: mahasiswa berprestasi, jaringan syaraf tiruan, back propagation

AbstractDecision support system is one type of information system that can be used by

users at the management level of the organization.The need for the availability ofdecision support system application determination of outstanding students is needed,since this activity is a routine activity held every year. In this study made a decisionsupport system for determining student achievement using back propagation neuralnetwork.This research is important to be done in an effort to help the collegemanagement in determining student achievement.This study tried to implement a backpropagation neural network as a sub-system models in decision support systems.Thecriteria used include 1) cumulative grade point (GPA) 2) scientific papers 3) activitiesof extra and co-curricular 4) English 5) personality and 6) the value of AcademicPotential Test.This study has proven that back propagation neural network can be used

10


as a model to produce outstanding students rank candidates.A total of 40 data patternsare used to train the neural network back propagation, as well as 10 test data.From thetest results showed that back propagation neural network is used as a subsystem modelin the application of decision support systems have been able to recognize the patternfor the entire training data and can determine the classification of all data that weretested.

Keywords: the most oustanding student, artificial neural network, back propagation

1. PENDAHULUANPendidikan nasional berfungsi mengembangkan kemampuan dan membentuk

watak serta peradaban bangsa yang bermantabat dalam rangka mencerdaskan kehidupanbangsa. Pendidikan nasional bertujuan untuk mengembangkan potensi peserta didik(mahasiswa) agar menjadi manusia yang beriman dan bertakwa kepada Tuhan YangMaha Esa, berahlak mulia, sehat, berilmu, cakap, kreatif, mandiri, dan menjadi warganegara yang demokratis serta bertanggungjawab. Perguruan tinggi secara terus menerusmengembangkan iklim akademis yang demokratis agar dapat mendukung pelaksanaanproses pembelajaran yang mengarahkan mahasiswa menjadi lulusan sebagai insanpembelajar sepanjang hayat [1]. Dalam rangka memberikan penghargaan kepadamahasiswa yang telah berhasil mencapai prestasi yang baik, maka perludiselenggarakan program pemilihan Mahasiswa Berprestasi yang dilakukan secaraberjenjang dan bertingkat. Mahasiswa Berprestasi adalah mahasiswa yang berhasildalam bidang akademik, dan aktif dalam kegiatan ko-kurikuler dan ekstra-kurikuler,memiliki jiwa Pancasila dan patut dijadikan kebanggaan oleh perguruan tinggi yangbersangkutan.

Dalam persaingan dunia kerja, dibutuhkan lulusan yang memiliki kemampuanhard skills dan soft skills yang seimbang, sehingga mahasiswa dituntut untuk aktif danmemiliki prestasi di bidang akademik dan non akademik. Oleh karena itu, di setiapperguruan tinggi perlu diidentifikasi mahasiswa yang dapat melakukan keduanya dandiberikan penghargaan sebagai mahasiswa yang berprestasi [2].

Dalam mekanisme pemilihan mahasiswa berprestasi, Direktorat JenderalPendidikan Tinggi (DIKTI) telah membuat sebuah pedoman pemilihan mahasiswaberprestasi, sehingga kriteria penilaian telah ditetapkan secara umum dan berlaku bagiseluruh perguruan tinggi di Indonesia. Sedangkan pelaksanaan teknisnya diserahkankepada masing-masing perguruan tinggi untuk menjaring calon mahasiswa berprestasi.Dengan banyaknya mahasiswa yang memenuhi kriteria yang telah ditetapkan olehDIKTI, seringkali panitia dihadapkan pada beragam pertimbangan sehingga menyitawaktu yang cukup lama untuk menentukan mahasiswa yang harus dipilih. Pertimbanganyang matang ini dilakukan untuk mendapatkan mahasiswa yang tepat berdasarkanbeberapa kriteria yang telah ditentukan.

Proses yang terjadi selama ini dalam menentukan mahasiswa berprestasi diperguruan tinggi menggunakan mekanisme yang bersifat manual dan cenderungdihadapkan pada penilaian yang bersifat subyektif. Hal ini mengakibatkan profilmahasiswa yang sesuai dengan kriteria tidak diperoleh secara tepat. Untuk itudiperlukan beberapa tools maupun instrumen perangkat lunak atau instrumen untukmempermudah menentukan kandidat terbaik dari proses pemilihan mahasiswaberprestasi. Beberapa penelitian telah mencoba untuk mengembangkan sistempendukung seleksi mahasiswa berprestasi, diantaraya penelitian yang dilakukan oleh

11


Sari [2] dan Asfi [3] telah mengembangkan sebuah sistem pendukung keputusanmenggunakan model analitycal hierarchy process (AHP) yang telah berhasil membuatrangking kandidat mahasiswa berprestasi.Penelitian lainnya juga dilakukan olehYulianto [4] yang menggunakan metode AHP dan TOPSIS sebagai model dalam sistempendukung keputusan yang digunakan. Secara umum penelitian yang telah disebutkantersebut menggunakan kriteria yang sama untuk melakukan seleksi yaitu 1) IPK, 2)Karya tulis ilmiah, 3) kegiatan ko dan ekstra-kurikuler, 4) bahasa inggris dan 5)kepribadian.

Dalam penelitian yang akan dilakukan ini digunakan sebuah modelmenggunakan jaringan syaraf tiruan back propagation sebagai salah satu bentukalgoritma pembelajaran secara terawasi (supervised). Penelitian ini menggunakan data-data masa lalu sebagai data latih (training set) dan dilakukan untuk melakukan rangkingterhadap data yang diujikan untuk menentukan seleksi mahasiswa berprestasi. Dalampenelitian ini juga selain mengadopsi 5 buah kriteria yang telah ditentukan dari DIKTI[1] juga ditambahkan satu kriteria lagi yaitu nilai Tes Potensi Akademik (TPA) sebagaisalah satu kriteria pelengkap yang harus dimiliki oleh mahasiswa yang berprestasi.

Sistem pendukung keputusan merupakan sistem informasi interaktif yangmenyediakan informasi, pemodelan dan manipulasi data. Sistem tersebut digunakanuntuk membantu pengambilan keputusan dalam situasi yang semi terstruktur dan situasitidak terstruktur, dimana tak seorangpun tahu secara pasti bagaimana keputusanseharusnya dibuat. Sistem pendukung keputusan dibangun untuk mendukung solusi atassuatu masalah atau untuk mengevaluasi suatu peluang. Aplikasi sistem pendukungkeputusan menggunakan CBIS (Computer Based Information System) yang fleksibel,interaktif, dan dapat diadaptasi dan dikembangkan untuk mendukung solusi atasmasalah manajemen [5]. Sebuah aplikasi sistem pendukung keputusan menggunakandata, menggunakan antar muka pengguna yang mudah, dan dapat menggabungkanpemikiran pengambilan keputusan dalam lingkup pekerjaan yang bersifat analitis.

Arsitektur sistem pendukung keputusan dapat dilihat pada Gambar 1, yangterdiri dari beberapa bagian, yaitu:1. Subsistem Manajemen Data, berisi basis data yang relevan dan dikelola oleh

perangkat lunak sistem manajemen basis data.2. Subsistem Manajemen Model, sebagai masukan model keuangan, statistik, ilmu

manajemen, sistem cerdas atau model kuantitatif lain yang memberikan kapabilitasanalitik dan manajemen perangkat lunak.

3. Subsistem Antar Muka Pengguna, yang memungkinkan pengguna berkomunikasidan memerintahkan sistem pendukung keputusan dimana pengguna merupakanbagian yang juga dipertimbangkan dalam sistem.

4. Subsistem Manajemen Berbasis Pengetahuan, yang bertindak sebagai suatukomponen independen dan bersifat opsional. Selain berfungsi memberikan aspekkecerdasan untuk memperbesar pengetahuan pengambil keputusan, sub sistem inijuga dapat diinterkoneksikan dengan repositori pengetahuan perusahaan.

12


Gambar 1. Arsitektur Sistem Pendukung Keputusan

Pada saat melakukan pemodelan dalam pembangunan sistem pendukungkeputusan dilakukan beberapa tahapan [6]:1. Studi kelayakan (intelligence), pada langkah ini sasaran ditentukan dan dilakukan

pencarian prosedur, pengumpulan data, identifikasi masalah, indentifikasikepemilikan masalah, hingga akhirnya terbentuk sebuah pernyataan masalah.

2. Perancangan (design), pada tahapan ini akan diformulasikan model yang akandigunakan dan kriteria-kriteria yang ditentukan. Setelah itu, dicari alternatif modelyang dapat menyelesaikan permasalahan tersebut. Langkah selanjutnya adalahmemprediksi keluaran yang mungkin. Kemudian ditentukan variabel-variabel model.

3. Pemilihan (choice), setelah pada tahap perancangan ditentukan berbagai kriteria danalternatif model beserta variabel-variabelnya. Pada tahap choice dilakukan pemilihanmodel yang akan digunakan dalam sistem pendukung keputusan, termasuk solusidari model tersebut.

4. Membuat sistem pendukung keputusan, setelah menentukan modelnya tahapberikutnya adalah mengimplementasikan sistem pendukung keputusan dalam sebuahaplikasi berbasis komputer.

Jaringan syaraf tiruan (JST) adalah sistem pemroses informasi yang memilikikarakteristik mirip dengan jaringan syaraf biologi [7]. Jaringan syaraf back propagationmelatih jaringan untuk mendapatkan keseimbangan antara kemampuan jaringan untukmengenali pola yang digunakan selama pelatihan serta kemampuan jaringan untukmemberikan respon yang benar terhadap pola masukannyang serupa (tapi tidak sama)dengan pola yang dipakai selama pelatihan.

Dalam back propagation, fungsi aktivasi yang dipakai harus memenuhi beberapasyarat yaitu: kontinu, terdiferensial dengan mudah dan merupakan fungsi yang tidakturun. Salah satu fungsi yang memenuhi ketiga syarat tersebut sehingga sering dipakaiadalah fungsi sigmoid biner yang memiliki range (0,1). Fungsi sigmoid memiliki nilaimaksimum 1, sehingga untuk pola yang targetnya > 1, pola masukan dan keluaran harusterlebih dahulu ditransformasi sehingga semua polanya memiliki range yang samaseperti fungsi sigmoid yang dipakai [7].f(x) = dengan turunan f ‘ (x) = f (x) (1 - f(x)) …1)

13


Algoritma back propagation dapat dilakukan dengan langkah-langkah sebagai

berikut [8]:

1) Inisialisasi bobot (ambil bobot awal dengan nilai random yang cukup kecil)2) Kerjakan langkah-langkah berikut selama kondisi berhenti bernilai FALSE.3) Untuk tiap-tiap pasangan elemen yang akan dilakukan pembelajaran, kerjakan:

FeedForward:

a. Tiap-tiap unit input (xi, I = 1,2,3, …, n) menerima sinyal xi dan meneruskansinyal tersebut ke semua unit pada lapisan yang ada di atasnya (lapisantersembunyi).

b. Tiap-tiap unit tersembunyi (xj, j = 1,2,3, …, p) menjumlahkan sinyal-sinyalinput terbobot:

Z_inj = v 0 j + x v …2)

Gunakan fungsi aktivasi untuk menghitung sinyal outputnya:

zj = f(z_inj) … 3)

Dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit output).c. Tiap-tiap unit output (yk, k = 1,2,3, …, m) menjumlahkan sinyal input-input

terbobot.

y_ink = w 0 k + z w … 4)

Gunakan fungsi aktivasi untuk menghitung sinyal outputnya:

yk = f(y_ink) … 5)

Dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit output).

Back Propagation:d. Tiap-tiap unit output (yk, k = 1,2,3, …, m) menerima target pola yang

berhubungan dengan pola input pembelajaran, hitung informasi errornya:= ( − ) ′( _ )… 6)Kemudian hitung koreksi bobot (yang nantinya akan digunakan untukmemperbaiki wjk): ∆ = ∝ … 7)

Hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaikiw0k): ∆ = ∝ … 8)

Kirimkan ini ke unit-unit yang ada di lapisan bawahnya.

14


e. Tiap-tiap unit tersembunyi (zj, j= 1,2,3,…,p) menjumlahkan delta inputnya(dari unit-unit yang berada pada lapisan di atasnya): _ = ∑ … 9)

Kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk menghitunginformasi error: = _ ′( _ )… 10)

Kemudian hitung koreksi bobot (yang nantinya akan digunakan untukmemperbaiki nilai vij): ∆ = ∝ … 11)

Hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaikinilai v0j): = … 12)

f. Tiap-tiap unit output (yk, k = 1,2,3, …, m) memperbaiki bias dan bobotnya(j=0,1,2,3,..,p): ( ) = ( ) + ∆ … 13)

Tiap-tiap unit tersembunyi (zj, j = 1,2,3,…,p) memperbaiki bias dan bobotnya(i=0,1,2,3,…,n): ( ) = ( ) + ∆ … 14)

4) Langkah terakhir adalan tes kondisi berhenti, yang ditandai dengan perulangan telahsampai batas iterasi/epoh yang telah ditentukan, atau jaringan dianggap telahkonvergen atau mengenali pola data yang telah dilatihkan.

2. METODE PENELITIAN

Pengembanganan sistem pendukung keputusan ini mengikuti tahapan yang telahditentukan oleh Turban, dengan terlebih dahulu menentukan kriteria yang digunakandalam seleksi mahasiswa berprestasi. Perangkat lunak yang dikembangkan mengikutipenelitian sebelumnya yang telah dilakukan oleh Amin [9]. Kriteria dalam menentukanseleksi mahasiswa berprestasi mengikuti buku panduan yang dikeluarkan oleh DIKTI[1]. Beberapa kriteria yang digunakan dalam sistem pendukung keputusan seleksimahasiswa berprestasi diantaranya adalah:

1) Indeks Prestasi Kumulatif (IPK)Indeks Prestasi Kumulatif (IPK) adalah nilai akademik rata-rata yang diperoleh secarakumulatif sesuai dengan aturan masing-masing perguruan tinggi. IPK hanya dinilai

11

15


dalam proses pemilihan Mahasiswa Berprestasi sampai pemilihan tingkat perguruantinggi/ Kopertis.

2) Karya Tulis IlmiahKarya tulis ilmiah yang dimaksud dalam pedoman ini merupakan tulisan ilmiah hasildari kajian pustaka dari sumber terpercaya yang berisi solusi kreatif daripermasalahan yang dianalisis secara runtut dan tajam, serta diakhiri dengan kesim-pulan yang relevan.

3) Kegiatan ko-dan ekstra kurikulerKegiatan ko-kurikuler adalah kegiatan yang dilaksanakan di luar kegiatan intra-kurikuler tetapi sangat menunjang kegiatan akademik.Kegiatan ekstra-kurikuleradalah kegiatan yang dilaksanakan di luar intra-kurikuler dan tidak menunjangsecara langsung kegiatan akademik. Kegiatan intra-kampus adalah kegiatan yangdiselenggarakan oleh organisasi mahasiswa intra-kampus dan/atau oleh perguruantinggi.Kegiatan ekstra-kampus adalah kegiatan yang diselenggarakan olehorganisasi ekstra-kampus.Penilaian ko-kurikuler dan ekstra-kurikuler dilakukanberdasarkan daftar kegiatan dan wawancara.Organisasi intra-kampus adalahorganisasi yang secara sah berada di perguruan tinggi dan dibentuk berdasarkansurat keputusan pimpinan perguruan tinggi. Organisasi ekstra-kampus adalah semuaorganisasi yang tidak termasuk organisasi intra-kampus.

4) Bahasa InggrisPenilaian bahasa Inggris dilakukan melalui dua tahap yaitu (1) penulisan ringkasan(bukan abstrak) berbahasa Inggris dari karya tulis ilmiah dan (2) presentasi dandiskusi dalam bahasa Inggris.Penulisan ringkasan bertujuan untuk menilaikecakapan mahasiswa dalam menulis berbahasa Inggris.Presentasi dengan topiktertentu dan dilanjutkan dengan diskusi bertujuan untuk menilai kemampuanmahasiswa dalam berkomunikasi lisan.

5) KepribadianKepribadian mahasiswa berprestasi dapat diuji melalui uji yang disediakan olehperguruan tinggi masing-masing (wawancara, tes tertulis dan sebagainya).Kisi-kisinya adalah bahwa mahasiswa berprestasi ini tidak memperlihatkanketidakpatutan dalam bersikap, cenderung berfikiran maju dan sikap yang baiksesuai dengan prestasi yang dicapai.Hasil evaluasi kepribadian tidak dikuantifikasikan, tetapi dijadikan syarat untukmenentukan kepatutan sebagai Mahasiswa Berprestasi.

6) Tes Potensi Akademik (TPA)Kriteria TPAini merupakan kriteria tambahan dengan pertimbangan bahwa seorangmahasiswa jika memiliki nilai TPA tinggi memiliki modalitas yang baik untukmenyelesaikan masalah yang dihadapinya.

Arsitektur jaringan syaraf yang digunakan dapat dilihat pada Gambar 2 yangmemperlihatkan terdapat 6 input sebagai masukan ke dalam jaringan syaraf tiruan backpropagation sesuai dengan jumlah kriteria yang melekat pada seorang kandidatmahasiswa berprestasi yang akan diseleksi. Pada lapisan tersembunyi terdapat neurondengan jumlah yang dapat diubah-ubah, dan terdapat 1 neuron sebagai output yangmenghasilkan nilai 1 di terima, dan nilai 0 tidak diterima. Tetapi dalam klasifikasiditerima dan tidaknya menggunakan ambang batas (treshold) jika bernilai lebih besardari 0.5 akan diterima dan jika lebih kecil atau sama dengan 0.5 menyatakan seorangkandidata mahasiswa beprestasi tidak diterima.

16


Gambar 2. Model Jaringan Back Propagation

Dalam penelitian ini dikembangkan sebuah perangkat lunak yang memilikifasilitas untuk melakukan seleksi mahasiswa berprestasi. Perangkat lunak yangdikembangkan dapat dilihat rancangan flowchart programnya seperti pada Gambar 3.Dalam Gambar 3 tersebut sistem memiliki beberapa fungsionalitas diantaranya menudata kriteria yang berfungsi untuk merekam data kriteria yang digunakan untukmemasukkan nilai kriteria sebagai data training. Sedangkan menu data trainingdigunakan untuk melakukan perhitungan bobot berdasarkan data yang telah diinputpada data kriteria. Menu data mahasiswa digunakan untuk memasukkan data mahasiswayang menjadi kandidat mahasiswa berprestasi. Menu data seleksi digunakan untukmelakukan seleksi data kandidat mahasiswa berprestasi, dan menu pelaporan datadigunakan untuk mencetak data kandidat mahasiswa berprestasi.

17


Gambar 3 Flowchart Menu Utama4. Hasil dan Pembahasan

Perangkat lunak yang digunakan dalam membangun sistem pendukungkeputusan ini menggunakan MS. Visual Basic 6.0.pemilihan perangkat lunak ini karenamemiliki fasilitas untuk membuat subsistem antarmuka menggunakan graphical userinterface (GUI) sehingga memudahkan bagi user untuk melakukan interaksi dengansistem. Modul jaringan syaraf tiruan back propagation dibuat menggunakan fasilitasmodule dan user defined function (UDF) yang mudah dilakukan menggunakan scriptdalam MS. Visual Basic 6.0.

Sebelum proses pengambilan keputusan dilakukan terlebih dahulu dipersiapkandata pelatihan untuk jaringan syaraf tiruan back propagation, hal ini dikarenakan backpropagation merupakan jaringan syaraf tiruan yang perlu mendapatkan bimbingandalam proses pembelajaran untuk mengenali pola (supervised learning). Keseluruhan

18


data latih dimasukkan ke dalam basis data menggunakan form seperti dapat dilihat padaGambar 4. Jumlah kriteria sebanyak 6 buah ini nantinya digunakan sebagai input bagijaringan syaraf tiruan selama proses pembelajaran.

Gambar 4 Form Input Data Pelatihan

Dalam proses pelatihan jaringan syaraf tiruan diberi pola data latih sebanyak 40buah, dengan 20 data merupakan pola data kandidat mahasiswa berprestasi dan 20 datayang tidak termasuk kandidat mahasiswa berpestasi. Data latih yang tersimpan dalambasis data merupakan data dengan nilai yang belum dinormalisasi, tetapi pada tahaptraining sebelum menjadi input bagi jaringan syaraf tiruan back propagation data-datatersebut akan dinormalisasi dengan formula:

′ = . ( ) + 0.1… 15)

Dimana a adalah data minimum dan b adalah data maksimum. Normalisasidigunakan untuk mengecilkan range data setiap kriteria yang nantinya digunakan dalamproses pengambilan keputusan. Data ditransformasikan atau dinormalisasi dalamrentang nilai [0…1] atau dalam rentang [0.1 … 0.9], hal ini dikarenakan fungsi sigmoidbiner merupakan fungsi asimtotik yang nilainya tidak pernah mencapai 0 ataupun 1.Proses pelatihan jaringan syaraf back propagation dapat dilihat pada Gambar 5.

19


Gambar 5. Proses Training Data Pelatihan

Pada Gambar 4 dapat dilihat bahwa proses pelatihan data akan terhenti jikaMean Sequence Error (MSE) lebih kecil dari target error yang telah ditentukan, atauiterasi melebihi dari batas iterasi/epoh. Kemudian setelah proses pelatihan berhenti yangmenandakan bahwa jaringan syaraf telah berhasil mengenali pola, maka bobot-bobothasil pelatihan dapat disimpan dalam sebuah file yang nantinya dapat digunakan untukproses pengambilan keputusan. Pada pelatihan ditentukan maksimal epoh adalah 100,learning rate 0.5, target error 0.01, jumlah neuron di layer input sebanyak 6, jumlahneuron di layer tersembunyi 2 dan jumlah neuron di layer output 1 buah. Jumlahneuron sebanyak 1 di layer output karena jaringan syaraf digunakan untuk menentukanklasifikasi dengan nilai 0 untuk kandidat mahasiswa yang tidak dikategorikanberprestasi dan nilai 1 untuk kandidat mahasiswa yang diterima sebagai mahasiswaberprestasi.

Biodata kandidat mahasiswa berprestasi terlebih dahulu dimasukkan termasukdengan nilai-nilai kriteria yang melekat pada kandidat mahasiswa tersebut. Form inputdata kandidat mahasiswa berprestasi dapat dilihat pada Gambar 6.

15

20


Gambar 6. Form Input Kandidat Mahasiswa Berprestasi

Tahap berikutnya dalam seleksi mahasiswa berprestasi ini proses penentukankandidat dilakukan pada setiap kandidat, dengan memanggil nilai-nilai kriteria yangtelah diinput pada tahap pengisian biodata mahasiswa. Proses penentuan mahasiswaberprestasi dapat dilihat pada Gambar 7. Sebelum proses penentuan, terlebih dahuludilakukan proses memuat kembali bobot yang diperoleh selama tahap pembalajaran.Bobot-bobot ini digunakan untuk pengenalan pola dalam penentuan selanjutnya. Hasiloutput bobot dari jaringan syaraf akan dibulatkan, jika nilai output lebih besar dari 0.5maka dinyatakan kandidat mahasiswa tersebut diterima sebagai mahasiswa berprestasi,sebaliknya jika dibawah 0.5 maka dinyatakan ditolak.

Gambar 7 Penentuan Kandidat Mahasiswa Berprestasi

Sistem pendukung keputusan yang telah dikembangkan ini juga dapatmemberikan output berupa daftar kandidat mahasiswa berprestasi yang diseleksi danhasil penentuan yang dilakukan. Output ini berupa laporan yang dapat dicetak ke layarkomputer maupun menggunakan printer seperti dapat dilihat pada Gambar 8.

16

21


Gambar 8 Laporan Seleksi Kandidat Mahasiswa Berprestasi

Nilai penuruan error selama proses pembelajaran dapat dilihat pada Gambar 9.Selama proses pembelajaran, jaringan syaraf tiruan back propagation memperbaikibobot dan menurunkan error yang terjadi. Ketika nilai error yang dihasilkan olehjaringan telah berkurang dan mendekati nilai batas error yang ditentukan, artinyajaringan syaraf telah konvergen dan mengenali pola untuk selanjutnya dapat digunakanmelakukan proses pengambilan keputusan.

Gambar 9 Nilai Penurunan Error

Sistem yang dibangun juga telah menghasilkan daftar rangking yang menjadikandidat untuk diterima sebagai mahasiswa berprestasi seperti dapat dilihat padaGambar 10. Rangking ini didasarkan atas nilai bobot yang diperoleh dari outputjaringan syaraf tiruan back propagation diurutkan dari bobot yang mendekati 1 atau 0.9karena fungsi sigmoid biner menghasilkan nilai range [0.1 …0.9]. Rangking ini sangatmembantu jika jumlah kandidat yang diterima terbatas dalam jumlah kuota tertentu.

17

22


Kandidat mahasiswa berprestasi dalam urutan teratas merupakan mahasiswa berprestasiyang paling direkomendasikan oleh sistem pendukung keputusan, dan semakin urutanberada di bawah semakin tidak direkomendasikan.

Gambar 10 Daftar Rangking Kandidat Mahasiswa Berprestasi

5. Kesimpulan

Dari penelitian yang telah dilakukan dapat disimpulkan beberapa hal sebagaiberikut:1. Jaringan syaraf tiruan back propagation dapat digunakan untuk dijadikan sebagai

subsistem model dalam membangun sebuah sistem pendukung keputusan.2. Aplikasi sistem pendukung keputusan yang telah dibuat dapat menghasilkan

klasifikasi untuk menentukan kandidat mahasiswa berprestasi. Ouput yangdihasilkan berupa rangking urutan dari yang paling direkomendasikan dengan nilaiterbesar sampai kepada yang tidak direkomendasikan dengan nilai terkecil.

DAFTAR PUSTAKA

[1] DIKTI. Pedoman Umum Pemilihan Mahasiswa Berprestasi. Jakarta: DIKTI, 2008.[2] Sari, A.N.; Widada, B.; Susyanto, T. Sistem Pendukung Keputusan Pemilihan

Mahasiswa Berprestasi Menggunakan Metode Analytical Hierarchy Process(AHP). Jurnal Tikomsin. 2014; volume 2 nomor 1: halaman 48-55

[3] Asfi, M.; Sari, P. R. Sistem Penunjang Keputusan Seleksi Mahasiswa BerprestasiMenggunakan Metode AHP (Studi Kasus: STMIK CIC Cirebon). JurnalInformatika. 2010; volume 6 nomor 2: halaman 131-144

[4] Yulianto, A. Sistem Pendukung Keputusan Pemilihan Mahasiswa Berprestasi diFakultas MIPA Universitas Negeri Yogyakarta dengan Metode AHP dan TOPSIS.Skripsi. Yogyakarta: Universitas Negeri Yogyakarta; 2014.

23


[5] Kusrini. Kosep dan Aplikasi Sistem Pendukung Keputusan. Yogyakarta: PenerbitAndi Offset. 2007

[6] Turban, E. Decision Support System and Expert System. United Stated: PrenticeHall International. 1995

[7] Siang, J. J. Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab.Yogyakarta: Penerbit Andi Offset. 2005

[8] Kusumadewi, S. Artificial Intelligence (Teknik dan Aplikasinya). Yogyakarta:Penerbit Graha Ilmu. 2003

[9] Amin, M.M. Aplikasi Sistem Pendukung Keputusan Penerimaan DosenMenggunakan Jaringan Syaraf Tiruan Backpropagation. Jurnal Penelitian Ilmu danTeknologi Komputer (JUPITER). 2014; Vol. 6 No. 2 Oktober 2014.

24

sistem pendukung keputusan pemilihan mahasiswa berprestasi menggunakan jaringan syaraf tiruan back

Documents