Prediksi Masa Studi Mahasiswa Menggunakan Metode Neural Network (Studi Kasus : Fakultas Teknik Universitas Jenderal Soedirman)
Total View This Week0
Total View This Week0
Institusion
Universitas Jenderal Soedirman
Author
RAHAYU, Nadya Fauziah
Subject
E81 Educational surveys
Datestamp
2021-04-26 09:01:30
Abstract :
Mahasiswa dan lulusan merupakan salah satu poin penilaian akreditasi yang tercantum dalam Instrumen Akreditasi Untuk Program Studi (IAPS). Namun, masih banyak mahasiswa Fakultas Teknik Unsoed yang lulus melebihi waktu normal. Keterlambatan kelulusan dapat disebabkan oleh berbagai faktor, beberapa diantaranya adalah Jalur Masuk dan mata kuliah yang diulang. Berdasarkan permasalahan yang ada, prediksi masa studi mahasiswa diharapkan dapat membantu dalam memudahkan pengambilan keputusan di masa yang akan datang dan menyiapkan strategi guna meningkatkan jumlah mahasiswa yang lulus tepat waktu. Data didapatkan secara langsung dari Fakultas Teknik. Hanya 26 atribut dari 44 atribut yang digunakan dalam penelitian. Korelasi atribut masastudi dengan atribut lain dilakukan dengan menggunakan metode Pearson. Data yang didapatkan merupakan data mentah yang akan diolah pada tahap data prepocessing menjadi data siap pakai. Data yang telah siap akan dicoba pada Model Neural Network. Pembuatan model dilakukan pada Tahap Pengembangan dengan melakukan percobaan 6 kombinasi untuk hidden layer, dilanjutkan evaluasi dengan mencoba 6 kombinasi parameter model. Parameter yang membangun model memiliki jumlah hidden layer sebanyak 1 layer dan jumlah unit sebanyak 25 unit, learning rate bernilai 0.05, dan jumlah epoch sebanyak 500. Hasil penelitian menunjukkan bahwa Model Neural Network dapat diimplemetasikan dalam memprediksi masa studi Mahasiswa dengan menghasilkan nilai error menggunakan Mean Squared Error (MSE) sebesar 0.020302 untuk data train dan 0. 0253098 untuk data test.
Mahasiswa dan lulusan merupakan salah satu poin penilaian akreditasi yang tercantum dalam Instrumen Akreditasi Untuk Program Studi (IAPS). Namun, masih banyak mahasiswa Fakultas Teknik Unsoed yang lulus melebihi waktu normal. Keterlambatan kelulusan dapat disebabkan oleh berbagai faktor, beberapa diantaranya adalah Jalur Masuk dan mata kuliah yang diulang. Berdasarkan permasalahan yang ada, prediksi masa studi mahasiswa diharapkan dapat membantu dalam memudahkan pengambilan keputusan di masa yang akan datang dan menyiapkan strategi guna meningkatkan jumlah mahasiswa yang lulus tepat waktu. Data didapatkan secara langsung dari Fakultas Teknik. Hanya 26 atribut dari 44 atribut yang digunakan dalam penelitian. Korelasi atribut masastudi dengan atribut lain dilakukan dengan menggunakan metode Pearson. Data yang didapatkan merupakan data mentah yang akan diolah pada tahap data prepocessing menjadi data siap pakai. Data yang telah siap akan dicoba pada Model Neural Network. Pembuatan model dilakukan pada Tahap Pengembangan dengan melakukan percobaan 6 kombinasi untuk hidden layer, dilanjutkan evaluasi dengan mencoba 6 kombinasi parameter model. Parameter yang membangun model memiliki jumlah hidden layer sebanyak 1 layer dan jumlah unit sebanyak 25 unit, learning rate bernilai 0.05, dan jumlah epoch sebanyak 500. Hasil penelitian menunjukkan bahwa Model Neural Network dapat diimplemetasikan dalam memprediksi masa studi Mahasiswa dengan menghasilkan nilai error menggunakan Mean Squared Error (MSE) sebesar 0.020302 untuk data train dan 0. 0253098 untuk data test.
File :
COVER-Nadya Fauziah Rahayu-H1D017052-Skripsi-2021.pdf
LEGALITAS-Nadya Fauziah Rahayu-H1D017052-Skripsi-2021.pdf
ABSTRAK-Nadya Fauziah Rahayu-H1D017052-Skripsi-2021.pdf
BAB-I-Nadya Fauziah Rahayu-H1D017052-Skripsi-2021.pdf
BAB-II-Nadya Fauziah Rahayu-H1D017052-Skripsi-2021.pdf
BAB-III-Nadya Fauziah Rahayu-H1D017052-Skripsi-2021.pdf
BAB-IV-Nadya Fauziah Rahayu-H1D017052-Skripsi-2021.pdf
BAB-V-Nadya Fauziah Rahayu-H1D017052-Skripsi-2021.pdf
DAFTAR PUSTAKA-Nadya Fauziah Rahayu-H1D017052-Skripsi-2021.pdf
LAMPIRAN-Nadya Fauziah Rahayu-H1D017052-Skripsi-2021.pdf
Download
book
BibTex
Latex, Jabref
cloud_download
Original Resource
url resource Institution
