PREDIKSI MASA STUDI MAHASISWA MATEMATIKA IPB BERDASARKAN INDEKS PRESTASI KUMULATIF MENGGUNAKAN JARINGAN SYARAF TIRUAN

Abstract

Akreditasi sebuah program studi sangat dipengaruhi oleh masa studi dan Indeks Prestasi Kumulatif (IPK) lulusannya. Beberapa penelitian menunjukkan adanya keterkaitan antara kelulusan dengan IPK mahasiswa. Namun, model prediksi lama masa studi berdasarkan IPK masih sedikit. Oleh karena itu, penelitian ini bertujuan untuk memprediksi masa studi mahasiswa berdasarkan IPK menggunakan model jaringan syaraf tiruan (JST) berbasis backpropagation. Beberapa fungsi pelatihan diterapkan, meliputi gradient descent, Nesterov accelerated gradient descent, Adaptive moment estimation (Adam), dan Nesterov Adam (Nadam). Data yang digunakan dalam penelitian ini adalah data masa studi dan IPK semester 1-6 mahasiswa S1 Matematika IPB. Hasil penelitian menunjukkan bahwa model JST terbaik dihasilkan oleh jaringan dengan jumlah input node 6 yang dinormalisasi dengan batch normalization (BatchNorm), hidden node 10 dan output node 1. Parameter jaringan terbaik diperoleh dari percobaan menggunakan fungsi pelatihan gradient descent dan laju pembelajaran 0.5 dengan MAE sebesar 1.887 pada data testing. Fungsi pelatihan gradient descent memperlihatkan adanya penurunan nilai MAE ketika nilai laju pembelajaran meningkat. Sementara itu, pada fungsi pelatihan lainnya, terdapat tren bahwa semakin kecil nilai laju pembelajaran maka semakin kecil pula nilai MAE yang dihasilkan. Berdasarkan model JST terpilih, nilai IPK yang paling berpengaruh pada masa studi mahasiswa matematika IPB adalah nilai IPK pada semester 3, yaitu masa mahasiswa matematika IPB pertama kali menerima mata kuliah mayor dari Departemen Matematika secara keseluruhan. Kepentingan dari fitur ini sangat tinggi, mencapai 75.62%. Model JST terpilih menghasilkan MAPE sebesar 3.8% dan RMSPE sebesar 4.9% pada data testing.