Jurnal: Tingkat Keoptimalan Algoritma Pelatihan pada Jaringan Syaraf Tiruan (Studi Kasus Prediksi Prestasi Belajar Mahasiswa)

Abstrak

Algoritma pelatihan dalam jaringan syaraf tiruan telah diterapkan dalam permasalahan prediksi prestasi belajar mahasiswa Program Studi Teknik Informatika Universitas Muhammadiyah Purwokerto didasarkan atas nilai-nilai dalam mata pelajaran yang diujikan dalam Ujian Nasional saat di SLTA. Algoritma pelatihan yang digunakan adalah traingd, namun algoritma ini belum pernah dibandingkan tingkat keoptimalannya dengan algoritma pelatihan yang lain khususnya dalam kasus ini. Oleh karena itu, dalam penelitian ini dilakukan pembandingan tingkat keoptimalan dari algoritma pelatihan traingd, traingdm, learngd, dan learngdm dalam contoh kasus prediksi prestasi belajar mahasiswa Program Studi Teknik Informatika Universitas Muhammadiyah Purwokerto.Proses penerapan algoritma pelatihan dilakukan dengan pemrograman menggunakan bahasa pemrograman MATLAB. Sedangkan data hasil penerapan algoritma dilakukan uji perbedaanerror yang dihasilkan (uji keoptimalan) menggunakan perangkat lunak SPSS 16.0.Berdasarkan hasil uji statistik dari keempat algoritma diperoleh rata-rata masing-masing algoritma yaitu learngd: 0.0215, learngdm: 0.0163, traingd: 0.0211, dan traingdm: 0.0267. Dengan taraf alpha 5%, diperoleh nilai signifikansi sebesar 0,632. Hasil uji disimpulkanbahwa keempat algoritma pelatihan dengan beberapa parameter jaringan yang meliputi variasi epoh maksimum danlearning rate, tidak memberikan pengaruh terhadap tingkat error yang dihasilkan secara signifikan. Hal ini berarti tidak ada perbedaan tingkat optimalisasi atau keempat algoritma pelatihan memiliki tingkat optimalisasi sama.

Kata kunci: algoritma pelatihan, error, epoh, learning rate

Pendahuluan

Perkembangan teknologi ilmu komputer saat ini telah menciptakan beberapa teknik pendekatan dalam menyelesaikan suatu masalah yang disebut soft computing yang merupakan suatu model pendekatan untuk melakukan komputasi dengan meniru akal manusia dan memiliki kemampuan untuk menalar dan belajar pada lingkungan yang penuh dengan ketidakpastian dan ketidaktepatan. Komponen utama pembentuk soft computing adalah sistem fuzzy (fuzzy system), jaringan syaraf (neural network), algoritma evolusioner (evolutionary algorithm), dan penalaran dengan probabilitas (probabilistic reasoning). Kinerja soft computing dalam menyelesaikan permasalahan di berbagai bidang kehidupan telah terbukti manfaatnya.

Peneliti: Hindayati Mustafidah

Untuk lebih lengkapnya silahkan download di link berikut: