Penerapan Artificial Neural Network (ANN) untuk Prediksi Prestasi Akhir Mahasiswa Melalui Nilai Mata Kuliah Dasar Tingkat 1
Abstrak
Abstrak-Predikat kelulusan yang didapatkan mahasiswa dapat berbeda-beda tergantung dengan nilai indeks prestasi kumulatif yang didapatkannya. Pada penelitian ini, metode artificial neural network (ANN) digunakan untuk memprediksi predikat kelulusan mahasiswa berdasarkan nilai mata kuliah dasar yang telah dipelajari untuk melihat pengaruh nilai tersebut terhadap predikat kelulusan mahasiswa. Nilai mata kuliah dasar tersebut berjumlah 14 mata kuliah sebagai fitur yaitu, nilai mata kuliah kalkulus I, nilai mata kuliah kalkulus II, nilai mata kuliah matematika diskrit, nilai mata kuliah logika matematika, nilai mata kuliah dasar algoritma dan pemrograman, nilai mata kuliah matriks dan ruang vektor, nilai mata kuliah bahasa indonesia, nilai mata kuliah pendidikan kewarganegaraan , nilai mata kuliah bahasa inggris I, nilai mata kuliah bahasa inggris II, nilai mata kuliah fisika, nilai mata kuliah pengantar teknik informatika, dan nilai mata kuliah literasi TIK. Hasil menunjukkan dengan metode artificial neural network (ANN) mampu memprediksi prestasi akhir mahasiswa dengan akurasi terbaik sebesar 73%. Hal ini menunjukkan bahwa mata kuliah dasar tingkat 1 berpengaruh baik dan bisa digunakan untuk memprediksi predikat kelulusan mahasiswa.
Kata kunci - artificial neural betwork, nilai, predikat, prediksi.
Referensi
Kafil, M. (2019). Penerapan Metode K-Nearest Neighbors Untuk Prediksi Penjualan Berbasis Web Pada Boutiq Dealove Bondowoso. JATI (Jurnal Mahasiswa Teknik Informatika), 3(2), 59-66.
Umair, S., & Sharif, M. M. (2018). Predicting students grades using artificial neural networks and support vector machine. In Encyclopedia of Information Science and Technology, Fourth Edition (pp. 5169-5182). IGI Global.
Naser, S. A., Zaqout, I., Ghosh, M. A., Atallah, R., & Alajrami, E. (2015). Predicting student performance using artificial neural network: In the faculty of engineering and information technology. International journal of hybrid information technology, 8(2), 221-228.
Isljamovic, S., & Suknovic, M. (2014). Predicting Students’Academic Performance Using Artificial Neural Network: A Case Study From Faculty Of Orgnizational Scinces. ICEMIST 2014, 158.
Santosa, R. G., Lukito, Y., & Chrismanto, A. R. (2021). Classification and Prediction of Students’ GPA Using K-Means Clustering Algorithm to Assist Student Admission Process. Journal of Information Systems Engineering and Business Intelligence, 7(1), 1–10.
Desiani, A., Yahdin, S., & Rodiah, D. (2020). Prediksi Tingkat Indeks Prestasi Kumulatif Akademik Mahasiswa dengan Menggunakan Teknik Data Mining. Jurnal Teknologi Informasi dan Ilmu Komputer, 7(6), 1237-1244.
Suyanto, M. L. (2018). Tingkat Dasar dan Lanjut. Informatika Bandung.
Chan, W., Jaitly, N., Le, Q., & Vinyals, O. (2016, March). Listen, attend and spell: A neural network for large vocabulary conversational speech recognition. In 2016 IEEE international conference on acoustics, speech and signal processing (ICASSP) (pp. 4960-4964). IEEE.
Buscema, M. (1998). Back propagation neural networks. Substance use & misuse, 33(2), 233-270.
Thomas, A. (2017). An introduction to neural networks for beginners (pp. 14-15). Technical report in Adventures in Machine Learning.
Simon, H. (1999). Neural networks: a comprehensive foundation. Prentice hall.
Lewis, N. D. C. (2017). Neural networks for time series forecasting with R: An intuitive step by step blueprint for beginners. AusCov.
Mehlig, B. (2019). Artificial neural networks. University of Gothenburg. Department of Physics.
Saraswati, E., Umaidah, Y., & Voutama, A. (2021). Penerapan Algoritma Artificial Neural Network untuk Klasifikasi Opini Publik Terhadap Covid-19. Generation Journal, 5(2), 109-118.
