Implementasi Neural Network Dalam Penentuan Mahasiswa Lulus Tepat Waktu

I Wayan Adi Kusuma Putra, Ricky Aurelius Nurtanto Diaz, I Gusti Ayu Desi Saryanti
STMIK STIKOM BALI
Jl.Raya Puputan No.86 Renon, Denpasar Telp. (0361)244445 Fax (0361)264773
e-mail: iwayanadi48@gmail.com, ricky@stikom-bali.ac.id, desi@stikom-bali.ac.id


Abstrak
Dalam sebuah perguruan tinggi contohnya STMIK STIKOM Bali, akreditasi merupakan hal terpenting bagi program studi. Elemen dalam penilaian akreditasi program studi salah satunya adalah mahasiswa yang lulus tepat waktu. Namun ketepatan kelulusan antar mahasiswa satu dengan yang lain berbeda sehingga diperlukan sistem prediksi untuk memprediksi ketepatan mahasiswa lulus tepat waktu. Dengan dapat diprediksi mahasiswa lulus tepat waktu maka meningkatkan penilaian akreditasibagi program studi. Sistem yang dibuat berbasis desktop. Perancangan sistem menggunakanUML (Unified Modeling Language), ERD(Entity Relationship Diagram), dan konseptual database. Implementasi sistem menggunakan model Neural Network algoritma pembelajaran Backpropagation. Hasil MSE(Mean Square Error) yang didapat dengan dengan 50 data pelatihan acak adalah 0,0747 dan hasil pengujian yang didapat dengan 50 data pengujian acak yaitu akurasi mencapai 94% dimana 47 data dinyatakan benar diprediksi dan 3 data salah diprediksi. Hasil dari pengujian dapat dijadikan bahan pertimbangan bagi manajemen kampus.

Kata kunci:Prediksi,Mahasiswa Lulus Tepat Waktu, Backpropagation


Abstract
In a college for example STMIK STIKOM Bali, accreditation is the most important thing for the study program. Elements in the assessment of the accreditation of one study program are students who graduate on time. But the precision of graduate between students with each other is different so that prediction systems are needed to predict the accuracy of graduates on time. With predictable student graduation on time then improve accreditation assessment for study program. This system are Desktop-based systems. System design using UML (Unified Modeling Language), ERD (Entity Relationship Diagram), and conceptual database. Implementation of the system using the model Neural Network Backpropagation learning algorithm. The MSE (Mean Square Error) results obtained with 50 randomized training data were 0.0747 and the test results obtained with 50 random test data were 94% accuracy where 47 data were declared correctly predicted and 3 data was wrong predicted. The results of the test can be taken into consideration for campus management.

KeywordsPrediction, Student Graduate on Time, Backpropagation