OPTIMALISASI NEURAL NETWORK DENGAN PARTICLE SWARM OPTIMIZATION UNTUK PREDIKSI KELULUSAN MAHASISWA

Fandy Indra Pratama, Ardian Fachreza

Abstract


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


Full Text:

PDF


DOI: http://dx.doi.org/10.36499/jinrpl.v1i2.2947

Refbacks

  • There are currently no refbacks.


INDEXED BY :

Google Scholar Garuda DiktiCrossrefBASE


Address : :

Fakultas Teknik Universitas Wahid Hasyim

JL. Menoreh Tengah X / 22, Sampangan, Gajahmungkur, Sampangan, Gajahmungkur, Kota Semarang, Jawa Tengah 50232, Indonesia
Handphone: 0815-6529-309
Email: jinformatika@unwahas.ac.id

View My Stats
ISSN : 2656-2855   E-ISSN : 2685-5518