SHINTA AYUNDA PUTRI, SHINTA DIMENSIONAL DATA UNSUPERVISED LEARNING USING AN ANALYTICAL HIERARCHY PROCESS IN DETERMINING ATTRIBUTES IN THE CLASSIFICATION ALGORITHM. Building of Informatics, Technology and Science, 4 (1). pp. 235-240. ISSN 2684-8910

Preview

Text Shinta Ayunda_Repository.pdf Download (2MB) | Preview

Abstract

Penanganan sistematis diperlukan dalam meningkatkan mutu perguruan tinggi, salah satunya yaitu perlu ditingkatkannya kompetensi lulusan setiap tahunnya. Dalam meningkatkan kelulusan mahasiswa, maka perlu dilakukannya klasifikasi kelulusan mahasiswa untuk mengetahui apakah mahasiswa tersebut dikatakan Tepat Waktu (TW) atau Kemungkinan Tepat Waktu (KTW) dengan menggunakan metode Backpropagation Neural Network dan Probabilistic Neural Network. Data yang digunakan yaitu data Alumni Mahasiswa Sistem Informasi sejak 2013 hingga 2020 dengan 7 kriteria yang digunakan yaitu IPK, Total Satuan Kredit Semester (SKS), Jumlah Mata Kuliah Mengulang, Ambil Mata Kuliah Tugas Akhir disemester 7, Prokrastinasi, Kepercayaan Diri, dan Disiplin. Penggunaan metode Analytic Hierarchy Process (AHP) diterapkan pada saat penetapan target kelas klasifikasi berdasarkan atribut yang berpengaruh dengan hasil yang diperoleh yaitu atribut Prokrastinasi dengan nilai eigen sebesar 0,301, Total SKS dengan nilai eigen sebesar 0,216 dan Jumlah Mata Kuliah Mengulang dengan nilai eigen sebesar 0,170. Setelah melakukan penetapan kelas target, proses selanjutnya yaitu melakukan pembagian dataset menjadi data training dan data testing menggunakan K-Means Clustering dengan tujuan untuk mendapatkan hasil akurasi terbaik. Selanjutnya tahap pengklasifikasian menggunakan BPNN dan PNN menghasilkan akurasi sebesar 97,73% pada algoritma BPNN dengan learning rate 0,001 dan akurasi sebesar 95,45% pada algoritma PNN dengan nilai spread 0,1.

Actions (login required)

View Item