ANALISIS PREDIKSI DROP OUT BERDASARKAN PERILAKU SOSIAL MAHASISWA DALAM EDUCATIONAL DATA MINING MENGGUNAKAN JARINGAN SYARAF TIRUAN PDF

Preview

Summary

ANALISIS PREDIKSI DROP OUT BERDASARKAN PERILAKU SOSIAL MAHASISWA DALAM EDUCATIONAL DATA MINING MENGGUNAKAN JARINGAN SYARAF TIRUAN M. Mahaputra Hidayat1, Diana Purwitasari2, Hari Ginardi3 Jurusan Teknik Informatika Institut Teknologi Sepuluh Nopember Surabaya, Indonesia [email protected], [email protected]...

Description

Accelerat ing t he world's research.

ANALISIS PREDIKSI DROP OUT BERDASARKAN PERILAKU SOSIAL MAHASISWA DALAM EDUCATIONAL DATA MINING MENGGUNAKAN JARI... Mahaputra Hidayat

Related papers

Download a PDF Pack of t he best relat ed papers 

IMPLEMENTASI DATA MINING UNT UK MEMPREDIKSI KELULUSAN MAHASISWA DENGAN MET O… Christ ian Yonat han Silluet a Agus Set iawan P31 2012 01262 (HIDYAT UL RAHMAN's conflict ed copy 2015-03-02) Muhammad Amin UMI-All Proceding FIX 15122016 lengkap cover.pdf irfan abbas

ANALISIS PREDIKSI DROP OUT BERDASARKAN PERILAKU SOSIAL MAHASISWA DALAM EDUCATIONAL DATA MINING MENGGUNAKAN JARINGAN SYARAF TIRUAN M. Mahaputra Hidayat1, Diana Purwitasari2, Hari Ginardi3 Jurusan Teknik Informatika Institut Teknologi Sepuluh Nopember Surabaya, Indonesia [email protected], [email protected], [email protected]

ABSTRAK Peningkatan kualitas pendidikan di perguruan tinggi dapat dilihat dari tingginya tingkat keberhasilan mahasiswa dan rendahnya tingkat kegagalan mahasiswa. Salah satu indikator kegagalan mahasiswa adalah kasus drop out (berhenti studi). Permasalahan drop out menjadi sesuatu yang menarik untuk diteliti, karena hal ini dapat dipengaruhi oleh bermacam faktor. Banyak peneliti yang mengkaji maupun melakukan prediksi drop out berdasarkan faktor internal saja yaitu yang berasal dari dalam diri mahasiswa. Padahal selain faktor tersebut banyak faktor lain yang juga dapat mempengaruhi terjadinya drop out, salah satunya perilaku sosial mahasiswa. Namun tidak mudah menentukan dan mempelajari classifier yang tepat berdasarkan perilaku sosial mahasiswa untuk memprediksi kemungkinan drop out ini. Untuk mengatasi permasalahan di atas, diusulkan model baru untuk mempelajari arsitektur Jaringan Syaraf Tiruan (JST) terbaik, agar menghasilkan classifier yang tepat dalam melakukan prediksi drop out dengan memanfaatkan data mining pendidikan serta pendekatan JST backpropagation pada penelitian ini. Hasil yang diperoleh dari analisis perilaku sosial dan model yang diusulkan, menunjukkan bahwa penggunaan data perilaku sosial mahasiswa dapat meningkatkan akurasi kemungkinan klasifikasi drop out sebesar 98,91% dengan tingkat signifikansi sensitivitas terbesar variabel perilaku sosial sebesar 4,737. Kata Kunci: Prediksi drop-out, educational data mining, jaringan syaraf tiruan

ABSTRACT Improvement of education quality in university can be seen by the highness rate of success student and the lowness rate of failed student. One indicator of failed student is drop out. The drop out problem is interesting to be studied, because it can be affected from many factors. Many researchers study and predict the drop out by internal factor only, which comes from the student themselves. Whereas there are many factors besides the internal factor that can trigger drop out, such as student social behavior. However, it is a non trivial task to determine and learn the correct classifier based on the student social behavior to predict drop out probability. To overcome that problem, a new model is proposed in this research to study the correct classifier that can predict drop out using educational data mining with neural network approach. The result from this analysis of social behavior and the proposed method is be able to show that the use of student behavior data can increase the drop out prediction accuracy of 98,91% and the sensitivity of social behaviour variable of 4,737. Keywords: Drop out prediction, educational data mining, neural network.

PENDAHULUAN Perguruan tinggi sering dijadikan tumpuan utama masyarakat dalam menilai berhasil tidaknya pendidikan tertinggi. Keberhasilan atau prestasi belajar mahasiswa hanya sering dilihat sebagai kesuksesan dan keunggulan pihak perguruan tinggi. Sebaliknya, kegagalan atau rendahnya kualitas mahasiswa sering dilihat sebagai ketidakmampuan pihak perguruan tinggi menyelenggarakan proses pendidikan tertinggi. Salah satu persoalan yang masih menjadi bahan pembicaraan adalah mengenai mahasiswa berhenti studi (drop out). Tingginya tingkat keberhasilan mahasiswa dan rendahnya tingkat kegagalan mahasiswa dapat mencerminkan kualitas dari suatu perguruan tinggi. Banyaknya mahasiswa drop-out selain merugikan bagi pribadi/individu, juga merugikan institusi/perguruan tinggi pada khusus-nya dan negara pada umumnya. Oleh karena itu, perlu

dilakukan kajian maupun prediksi terhadap faktor-faktor yang mempengaruhi mahasiswa drop-out sehingga dapat dijadikan informasi yang bermanfaat bagi keberhasilan pendidikan di perguruan tinggi. Salah satu teknik yang dapat digunakan untuk kasus prediksi adalah Jaringan Syaraf Tiruan (JST). JST akan melakukan pembelajaran untuk membentuk suatu model referensi berdasarkan data pelatihan, kemudian JST yang telah melakukan pembelajaran tersebut dapat digunakan untuk pencocokan pola [1]. Keunggulan dari JST adalah kemampuan klasifikasi terhadap data yang belum diberikan pada saat pembelajaran sebelumnya [2]. Permasalahan drop-out ini banyak menarik perhatian para peneliti untuk melakukan penelitian mengenai kegagalan siswa maupun kegagalan sekolah. Dekker [3] melakukan komparasi algoritma Decision tree, Bayesian classifiers, logistic models, rule-based learner dan random forest dengan menggunakan 648 data set mahasiswa untuk melakukan prediksi drop-out. Dalam penelitian tersebut decision tree menunjukkan tingkat akurasi yang paling tinggi. Pada tahun yang sama, penelitian mengenai faktor-faktor yang mempengaruhi drop-out mahasiswa UPN “Veteran” Jawa Timur juga dilakukan [4]. Hasil penelitian tersebut menunjukkan bahwa faktor intelegensia mahasiswa dan penghasilan orang tua memiliki pengaruh yang signifikan terhadap kasus drop-out di perguruan tinggi tersebut. Hastuti [5] juga melakukan penelitian tentang analisis klasifikasi data mining untuk prediksi mahasiswa non-aktif di Universitas Dian Nuswantoro dengan membandingkan empat algoritma yaitu logistic regression, decision tree, naive bayes, dan neural network. Penelitian tersebut menunjukkan bahwa decision tree merupakan algoritma yang paling akurat, namun demikian decision tree tidak dominan terhadap algoritma yang lain. Berdasarkan hasil penelitian tersebut juga, logistic regression, decision tree, naïve bayes dan neural network masuk dalam kategori excellent classification. Dari beberapa penelitian yang telah diuraikan sebelumnya, faktor yang banyak digunakan untuk memprediksi potensi drop-out mahasiswa adalah nilai akademis, kinerja mahasiswa, dan sosio-demographic mahasiswa, yang mana semua faktor tersebut berasal dari internal mahasiswa. Padahal faktor lainnya juga memiliki pengaruh yang signifikan terhadap prediksi potensi drop-out mahasiswa, salah satunya faktor perilaku sosial [6]. Oleh karena itu pada penelitian ini diusulkan model baru untuk mempelajari arsitektur Jaringan Syaraf Tiruan (JST) terbaik, agar menghasilkan classifier yang tepat dalam melakukan prediksi drop out berdasarkan perilaku sosial mahasiswa dengan memanfaatkan data mining pendidikan serta pendekatan JST backpropagation. TINJAUAN PUSTAKA 1. Perilaku Sosial Perilaku sosial seseorang itu tampak dalam pola respons antar orang yang dinyatakan dengan hubungan timbal balik antar pribadi. Perilaku sosial juga identik dengan reaksi seseorang terhadap orang lain [7]. Perilaku itu ditunjukkan dengan perasaan, tindakan, sikap keyakinan, kenangan, atau rasa hormat terhadap orang lain. Perilaku sosial seseorang merupakan sifat relatif untuk menanggapi orang lain dengan cara-cara yang berbeda-beda. Misalnya dalam melakukan kerja sama, ada orang yang melakukannya dengan tekun, sabar dan selalu mementingkan kepentingan bersama diatas kepentingan pribadinya. Sementara di pihak lain, ada orang yang bermalas-malasan, tidak sabaran dan hanya ingin mencari untung sendiri. Tabel 1 merupakan contoh perilaku sosial manusia. Tabel 1. Contoh Perilaku Sosial Manusia [7] Faktor pembentuk Perilaku dan karakteristik Proses kognitif Lingkungan Tatar Budaya

Contoh Perilaku sosial Interaksi bergaul, kerja tim Sharing ide, pendapat Menjadi pemimpin bagi orang lain Logat bahasa, gaya hidup Kemampuan beradapatasi di lingkungan baru

2. Educational Data Mining Educational Data Mining (EDM) adalah bidang ilmu baru yang mengeksploitasi statistik, machine-learning, dan algoritma data-mining (DM) untuk berbagai jenis data pendidikan. Tujuan utamanya adalah untuk menganalisis jenis data dalam menyelesaikan masalah-masalah penelitian pendidikan [8]. EDM berkaitan dengan pengembangan metode untuk mengeksplorasi jenis data yang unik dalam pengaturan pendidikan. Metode ini digunakan untuk memahami siswa lebih baik dan pengaturan di mana mereka belajar [9]. Beberapa algoritma DM yang umum digunakan adalah Decision Tree, CART (Classification & Regression Trees), CHAID (Chi Square Automatic Interaction Detector), Neural Networks, KNN (K-Nearest Neighbors), Genetic Algorithm, dan sebagainya. Pada Gambar 1 ditunjukkan diagram yang menggambarkan aliran informasi dalam proses data mining [10]. Proses data mining pada gambar tersebut ditunjukkan sebagai proses yang iteratif. Hasil evaluasi pengetahuan yang dihasilkan data mining dapat menimbulkan kebutuhan pengetahuan yang lebih lengkap, perbaikan kumpulan data (dataset) atau perubahan pada sistem.

Gambar 1. Aliran Informasi dalam Data Mining .

3.

Jaringan Syaraf Tiruan Neural Networks (Artificial Neural Networks atau Jaringan Saraf Tiruan) merupakan sebuah metode softcomputing atau data mining yang banyak digunakan untuk melakukan pengklasifikasian dan prediksi. Artificial Neural Networks (ANN) pertama kali dikembangkan oleh McCulloch dan Pitts pada tahun 1943, dan sekarang ini telah banyak dikembangkan menjadi bentuk ANN yang bermacam-macam. Perubahan bentuk ini dapat berupa perubahan activation function, topology, learning algorithm dan lain-lain. Pada penelitian ini digunakan JST backpropagation. 3.1. Algoritma Backpropagation

Salah satu algoritma yang sering digunakan dalam melakukan learning terhadap ANN adalah backpropagation algorithm. Algoritma ini dikembangkan oleh Rumelhart dan McClelland pada tahun 1986. Sebuah neural networks umumnya terdiri dari input, output dan hidden layer. Dalam algoritma Backpropagation, proses learning dilaksanakan, pertama melakukan proses feed forward dengan mengirimkan sinyal ‘forward’. Adapun proses yang dilakukan dalam feed forward ini untuk sebuah neuron dijabarkan dalam gambar 2.

Gambar 2. Activation of single neuron Algoritma backpropagation terdiri dari arah maju dan arah balik seperti berikut ini: Tahap 0: pembobotan awal (set ke nilai random serendah mungkin), set harga error minimal. Tahap 1 : Ketika kondisi stop, false, lakukan tahap 2-9.

Tahap 2 : Untuk setiap pasangan training, lakukan tahap 3-8. Feedforward : Tahap 3 : tiap unit masukan , = , … , , menerima sinyal dan menyebarkan sinyal ke seluruh lapis tersembunyi (hidden layer). Tahap 4 : tiap unit tersembunyi , = , … , , jumlahkan bobot sinyal inputnya, = + ∑ =1 , (1) Terapkan fungsi aktivasi untuk menghitung sinyal keluarannya, = , dan mengirimkan sinyal ini ke seluruh unit lapis di atasnya (lapis output). Tahap 5 : tiap unit keluaran , = , … , , jumlahkan bobot sinyal keluarannya, = + ∑ =1 , (2) Sedangkan untuk cascade: = + ∑ =1 + ∑ =1 (3) Terapkan fungsi aktivasi untuk menghitung sinyal keluarannya, = . (4) Backpropagation Error: Tahap 6 : tiap unit keluaran , = , … , , menerima pola target dan mengacu ke target masukan, hitung kesalahannya ′ � = − (5) ( ), Hitung koreksi bobot, ∆ = �� � , (6) Hitung koreksi terhadap bias, ∆ = �� , (7) Dan mengirimkan sinyal tersebut ke lapis sebelumnya (mundur). Tahap 7 : tiap unit tersembunyi , = , … , , menjumlahkan delta masukan dari lapis diatasnya. � = ∑ =1 � , (8) Dan hitung bobot koreksinya, ∆ = �� � , (9) Dan hitung koreksi biasnya, ∆ = �� , (10) Update bobot dan bias: Tahap 8 : tiap unit keluaran , = , … , , update bias dan bobot-bobotnya = , … , : = +∆ , (11) Tiap unit tersembunyi ( , = , … , ), update bias dan bobotnya = , … , : = +∆ , (12) Tahap 9 : Uji kondisi berhenti. � < harga error set awal then “stop training”. 4.

Generalisasi Dalam penelitian ini digunakan parameter yang disebut generalisasi untuk mengukur tingkat pengenalan jaringan pada pola yang diberikan. Dimana pola yang diberikan adalah data validasi maupun data testing. Generalisasi yang digunakan dalam [11] adalah sebagai berikut : �

=

dimana keseluruhan. Jumlah model prediksi.

� � �

(13)

adalah jumlah pola yang dikenal dan � adalah jumlah pola dan � yang ditunjukkan akan berbeda pada setiap

5. Analisis Sensitivitas Analisis sensitivitas bertujuan untuk melihat perubahan output dari model yang didapatkan jika dilakukan perubahan terhadap input dari model. Selain itu analisa ini berguna untuk mengetahui variabel mana yang lebih berpengaruh atau sensitif untuk mencapai output akurat dari model yang dikembangkan [12]. Untuk mengetahui sensitivitas dari � dimana JST yang digunakan memiliki 1 layer input = 1 , … , , … , 1 layer tersembunyi = 1 , … , … , dan 1 layer output = , … , … dan data training adalah = , … , … digunakan : 1 1 � � = ′ + ∑ =1 ′ (14) Untuk mendapatkan matrik sensitivitas dari semua data training terhadap output dapat digunakan : � = max{� } , = , … (15) kemudian dilanjutkan dengan menghitung matrik sensitivitas dari input secara menyeluruh dapat digunakan : (16) ∅ = max{� } , = , … � METODE PENELITIAN

Pada bagian ini akan dijelaskan mengenai tahap-tahap dalam penelitian untuk memperoleh model JST dengan arsitektur terbaik, yaitu preprocessing data, pengujian dan prediksi. Data pendidikan mahasiswa yang digunakan dalam penelitian ini diperoleh dari sistem akademik mahasiswa (SIAMIK) UPN “Veteran” Jawa Timur dan Universitas Bhayangkara (UBHARA) Surabaya. Yaitu sebanyak 204 sampel mahasiswa teknik informatika semester 2 dan 6. Sedangkan data perilaku sosial mahasiswa diperoleh dengan cara membagikan kuisioner kepada sampel mahasiswa tersebut untuk kemudian diisi sesuai dengan pilihan yang ada. Dataset yang digunakan dalam penelitian ini dikomposisikan dalam dua kelompok data (KD) yang dapat dilihat pada Tabel 2 dan Tabel 3. Tabel 2. Kelompok Data Pertama Kategori

Non DO DO Jumlah

Data training (50%) 70 32 102

Data yang digunakan Data Data validasi testing (25%) (25%) 35 35 16 16 51 51

Jumlah

140 64 204

Tabel 3. Kelompok data Kedua Kategori

Non DO DO Jumlah

Data training (70%) 98 44 142

Data yang digunakan Data Data validasi testing (15%) (15%) 21 21 10 10 31 31

Jumlah

140 64 204

Preparation data Pada langkah data preparation pengolahan data terdiri dari 2 poin: seleksi data dan transformasi data. Tujuan dari seleksi data adalah untuk mengidentifikasi variabel-variabel yang relevan digunakan dalam penelitian ini. Sedangkan transformasi data adalah untuk mengubah dataset sehingga konten informasi terbaik diambil untuk dimasukkan pada tool mining dalam format yang tepat. Pada langkah ini, ditentukan atribut-atribut yang akan mendukung variabel input. Tabel 4 menunjukkan hasil identifikasi variabel-variabel yang digunakan sebagai input data berdasarkan parameter individu, parameter akademik, dan parameter sosial mahasiswa.

Tabel 4. Variabel Input Parameter Individu

Akademik

Sosial

Variabel relevan Nama

Nilai yang mungkin String (optional)

Umur

Numerik (18-27 tahun)

Jen_kel

Kategorikal (Pria, wanita)

Alamat

String (optional)

Jarak_tinggal

Numerik (1-60 Km)

Status_tinggal

Kategorikal (kos, BO)

Status_nikah

Kategorikal (ya, tidak)

Status_kerja

Kategorikal (bekerja, tidak)

Pend_ibu

Kategorikal (tidak, sekolah, sarjana)

Status_peki

Kategorikal (bekerja, tidak)

Pend_ayah

Kategorikal (tidak, sekolah, sarjana)

Status_Peka

Kategorikal (bekerja, tidak)

Jum_kel

Numerik (2-15 orang)

Motivasi

Kategorikal (sendiri, orang tua)

Waktu_bel

Numerik (0-24 jam)

Internet_rumah

Kategorikal (ya atau tidak)

Handphone

Kategorikal (jarang, sering)

Studi_lanjut

Kategorikal (ya, tidak)

Kesehatan

Kategorikal (sedikit, luang)

Absensi

Numerik (0-31 hari)

Sks

Numerik (10-160 sks)

Ipk

Numerik (0-4,0)

Semester

Numerik (II, VI)

Beasiswa

Kategorikal (ya, tidak)

Int_dos

Kategorikal (buruk, biasa, bagus)

Int_tem

Kategorikal (buruk, biasa, bagus)

Hub_kel

Kategorikal (buruk, biasa, bagus)

Waktu_bebas

Kategorikal (sedikit, luang)

Preprocessing data Langkah berikutnya adalah preprocessing, yaitu untuk menangani data yang bersifat noise dan missing value data. Dengan pembersihan dan pengintegrasian, data noise dan informasi yang tidak relevan dari dataset akan berkurang. Di dalam preprocessing dilakukan cleaning data yaitu proses yang digunakan untuk menghapus data ganda, memeriksa data yang tidak konsisten, penanganan data missing dan merapikan data noise, dan transformasi data yaitu mengubah data ke dalam model analitik. Unary Encoding merupakan metode transformasi data dengan mempresentasikan data kategorikal dalam bentuk kombinasi angka 1 dan 0 (numerical binary variable). Misalnya atribut jenis kelamin yang mempunyai 2 kategori maka akan diganti dengan 2 (dua) atribut bilangan biner yaitu pria dan wanita. Jika atribut jenis kelamin menunjukkan pria, maka nilai atribut pria 1 dan wanita 0. Dan jika atribut jenis kelamin menunjukkan menunjukkan wanita, maka nilai atribut pria 0 dan wanita 1. Tabel 5 dan 6 merupakan salah satu contoh atribut kategorikal, yaitu variabel jenis kelamin yang ditransformasi menjadi numerical binary variable. Tabel 5. Atribut biner jenis kelamin Jenis Kelamin Pria Wanita

Biner Pria 1 0

Biner Wanita 0 1

Tabel 6. Hasil transformasi Jenis Kelamin Pria Wanita Wanita Wanita Pria Pria

Nilai 10 01 01 01 10 10

Kemudian sebelum dilaksanakan input data dan data target ke dalam JST, pertama harus dilakukan normalisasi data untuk variabel numerik. Normalisasi adalah salah satu dari beberapa teknik dalam data transformasi, yang mengubah data asli ke dalam jangkauan datanya antara 0 dan 1 sesuai dengan fungsi aktivasi yang akan digunakan. Dalam penelitian ini digunakan rumus normalisasi data max-min sebagai berikut : �−� = (17) � �� −�

dimana: � : atribut nilai input � �� : bobot nilai maksimum � : bobot nilai minimum

Pengujian Pada tahap ini, setelah data siap untuk dimasukkan dalam JST, dilakukan pengujian dengan menggunakan variasi arsitektur yang ditentukan pada Tabel 7. Kemudian akan dibandingkan hasilnya dan dipilih arsitektur JST yang terbaik untuk sistem prediksi. Tabel 7. Struktur JST yang Digunakan Karakteristik Arsitektur Neuron input

Hidden node Fungsi pelatihan Neuron layer output Toleransi galat Learning rate Maksimum epoch

Spesifikasi 1 hidden layer Iterasi pertama 50 node, iterasi selanjutnya berdasarkan hasil proses seleksi variable input menggunakan analisis sensitivitas 5, 10, 15 Resilent backpropagation, levenbergmarquardt 2 0,001 0.01, 0.05, 0.1, 0.5 2000

Arsitektur JST yang telah diberi pembelajaran dan diuji kemudian dianalisis sensitivitas node-node inputnya menggunakan analisis sensitivitas yang telah dibahas pada subbab sebelumnya. Hasil yang diharapkan dari proses ini adalah didapatkan node-node input yang memiliki sensitivitas rendah, sehingga tidak akan digunakan kembali pada tahap pembelajaran selanjutnya. Proses ini akan b...