Analisis Akurasi Jaringan Syaraf Tiruan Dengan Backpropagation Untuk Prediksi Mahasiswa Dropout

Abstract

Universitas ABC yogyakarta selalu melakukan evaluasi kinerja mahasiswa guna mengetahui pencapaian pada masing-masing mahasiswa.Mahasiswa yang melampaui masa studi dan tidak melakukan perpanjangan akan dikenakan sanki berupa dropout.Kasus dropout tersebut dapat diminimalisir dengan pendeteksian secara dini terhadap mahasiswa yang beresiko dropout. Pendeteksian dapat dilakukan dengan memanfaatkan tumpukan data untuk memprediksi dropout mahasiswa. Pada penelitian ini bertujuan untuk memprediksi mahasiswa yang berpotensi dropout dengan masa studi maksimal yang harus diselesaikan pada jenjang Sarjana dengan mengimplementasikan Metode Backpropagation. Data yang digunakan dalam penelitian ini adalah data akademik prodi S1 Informatika Universitas ABC pada tahun 2016-2019 denganjumlah dataset sebanyak 129.Tujuan penelitian ini untuk mengukur analisis prediksi dropoutdengan percobaan penggunaan beberapa arsitektur jaringan. Hasil yang diperoleh dari modelyang diusulkan yaitu model arsitektur 12-5-2 merupakan model arsitektur terbaik yangdidapatkan. Learning rate terbaik sebesar 0,4 dengan momentum terbaik sebesar 0,95. Akurasi yang diperoleh dari prediksi mahasiswa dropout dengan arsitektur, learning rate, dan momentum terbaik sebesar 98,2%.ABC University of Yogyakarta always evaluates student performance in order to find out the achievements of each student. Students who have exceeded the study period and not extended would be subject to sanctions in the form of a dropout. The dropout case can be minimized by early detection of students who are at risk of dropout. Detection can be done by utilizing a pile of data to predict student dropouts. In this study aims to predict students who have the potential to drop out with a maximum study period that must be completed at the Undergraduate level by implementing the Backpropagation Method. The data used in this study are academic data of S1 University Informatics Study Program of ABC University in 2016-2019 with the number of datasets as much as 129. The purpose of this study is to measure the dropout prediction analysis with the experiments of using several network architectures. The results obtained from the proposed model, namely architectural models 12-5-2, are the best architectural models obtained. The best learning rate is 0.4 with the best momentum of 0.95. The accuracy obtained from the prediction of dropout students is 98.2%.

Application of the Learning Vector Quantization Algorithm for Classification of Students with the Potential to Drop Out

“…On the other hand, student failure is seen as the inability of universities as organizers of the educational process (Nasrullah 2018). One of the factors that is assessed in higher education is the timeliness of student graduation (Sari, Kusrini, and Sunyoto 2021). Students whose study period exceeds the time determined by the university will be declared a dropout.…”