12

Kimia PengMat P.Kewirus Fisika PPKn B.Inggris OS Sosum Kalkulus

56.49 55.25 56.23 48.10 63.81 55.34 58.96 54.10 56.41

Ketika disertakan fitur IP pada proses pelatihan terjadi kenaikan nilai akurasi hampir pada seluruh mata kuliah dimana nilai akurasi rataan keseluruhan mata kuliah naik sampai 60.28 %.

Kombinasi yang dilakukan pada beberapa mata kuliah cenderung menjadikan nilai akurasi totalnya mengalami kenaikan melebihi akurasi mata kuliah secara keseluruhan. Kombinasi diambil diantaranya adalah matakuliah Pengantar Matematika dengan Kalkulus, Pengantar Matematika dengan Ekonomi Umum, dan kombinasi Biologi, Fisika, Kimia, Pengantar Matematika serta Kalkulus. Akurasi yang diperoleh secara berurutan dari kombinasi mata kuliah diatas dengan tanpa fitur IP TPB masing-masing adalah sebesar 48.27 %, 49.42% dan 49.42%, serta bila menyertakan fitur IP TPB nilai akurasi secara berurutan menjadi 57.61 %, 62.75 % dan 59.94 %. Lebih lengkapnya dapat dilihat pada Lampiran 22-23.

Tabel 19 Prediksi keseluruhan mata kuliah TPB tanpa kombinasi IP TPB terhadap IP tingkat II

Kelas Prediksi

I II III

I 13 4 2II 13 14 10III 6 5 16

Tabel 20 Prediksi keseluruhan mata kuliah TPB dengan kombinasi IP TPB terhadap IP tingkat II

Kelas Prediksi

I II III

I 14 3 2II 9 20 8III 4 7 16

Ketika diperhatikan secara lebih mendalam akan didapat nilai akurasi setiap prediksi menyebar ke nilai lain, sebagai contoh pada Tabel 11 nilai akurasi kelas I menyebar cukup besar pada kelas I, nilai

akurasi kelas II menyebar paling banyak pada kelas II, dan nilai akurasi kelas III paling banyak menyebar pada kelas III. Dan pada Tabel 12 yang telah dikombinasikan dengan IP akurasi dari kelas I terprediksi masih pada kelas I, nilai kelas II lebih banyak terprediksi pada kelas II, dan kelas III terprediksi paling banyak masih di kelas III. Demikan pula kejadiannya pada prediksi fitur-fitur lain yang telah dicoba dapat dilihat pada Lampiran 28-29.

KESIMPULAN DAN SARAN

Kesimpulan

Data mahasiswa Departemen Ilmu Komputer Program Mayor Minor yang didapat yaitu ada mata kuliah yang selalu memiliki nilai dominan di A dan B pada masa TPB angkatan 2005/2006 dan 2006/2007 yaitu mata kuliah Agama, Pengantar Kewirausahaan, dan mata kuliah Olahraga dan Seni.

Ada pula kejadian yang mirip dengan satu mata kuliah di angkatan 2005/2006 dan 2006/2007 pada mata kuliah Biologi yaitu pasti selalu ada mahasiswa yang memiliki nilai D.

Rata-rata nilai akurasi tertinggi pada angkatan 2005/2006 pada tingkat TPB adalah bernilai 46,91 % tanpa fitur IP dan 45,68 % dengan fitur IP dibanding rata-rata tingkat yang sama pada angkatan 2006/2007 yang 51,80 % tanpa fitur IP dan meningkat menjadi 60,28 % ketika dipadu dengan fitur IP, dari sini terlihat peningkatan akurasi.

Dua mata kuliah memiliki tingkat akurasi yang cenderung tidak berubah pada angkatan 2005/2006 dan 2006/2007 yaitu Bahasa Inggris dan Fisika yang mungkin berarti tidak memiliki pengaruh dari perbedaan cara penentuan jurusan.

Tinjauan pada TPB angkatan 2005/2006 dan 2006/2007 secara umum yaitu mata kuliah Ekonomi Umum dan Pengantar Matematika, pada dua angkatan ini selalu berada sesuai dengan sebaran kelas yang berarti menggambarkan hasil yang didapat mahasiswa secara umum pada kelas tersebut.

Pada mata kuliah Agama, Pengantar Matematika, Pengantar Kewirausahaan, dan Olahraga dan Seni sebaran nilai sangat dominan pada A dan B yang mahasiswa memiliki nilai bagus.

   

  13

Pada tingkat II hanya angkatan 2005/2006 saja yang bisa ditinjau yaitu hanya satu mata kuliah yang berada dominan pada nilai A dan B yaitu Pengantar Hitung Peluang.

Pada tingkat II angkatan 2006/2007 ternyata fitur IP bisa menjadikan kombinasi fitur tertentu memiliki akurasi lebih tinggi dari akurasi keseluruhan fitur .

Saran

Dikarenakan pada penelitian tahap ini nilai akurasinya masih pada kisaran 45% - 65% dan berada di bawah rata-rata akurasi penelitian sebelumnya pada penentuan mahasiswa passing out maka perlu ada penambahan data atau mencoba alternatif algoritma lain seperti teknik JST untuk melakukan perbandingan dengan algoritma ini.

 

DAFTAR PUSTAKA

Demiroz G. 1997. Non-Incremental Classification Learning Algorithms Based on Voting Feature Intervals. http://www.cs.Bilkent.edu.tr/tech-reports/1997/BU-CEIS9715.ps.gz.

Demiroz G, Guvenir HA. 1997. Classification by Voting Feature Intervals. http://www.cs.bilkent.edu.tr /tech-reports/1997/BU-CEIS-9708.ps. gz.

Guvenir HA. 1998. A Classification Learning Algorithm Robust to Irrelevant Features. http://www.cs.bilkent.edu.tr/tech-reports/1998/BU-CEIS-9810.ps.gz.

Guvenir HA, Dmiroz G, Ilter N. 1998. Learning Differential Diagnosis of Erythemato-Squamous Diseases useing Voting Feature Intervals. Artificial Intelligence in Medicine, 13(3), 147-165.

Guvenir HA, Emeksiz N. 2000. An Expert System for the Differential Diagnosis of Erythemato-Squamous Diseases. Expert Systems with Applications. Vol. 18, No.1, (2000), hlm 43-49.

Limin Fu. 1994. Neural Networks in Computer Intelligence. McGraw-Hill,Inc. NewYork, NY.

Nasrah A. 2007. Prediksi Indeks Prestasi Kumulatif Mahasiswa Menggunakan Algoritma VFI5 [Skripsi]. Bogor : Fakultas Matematika dan Ilmu Pengetahuan Alam, Institut Pertanian Bogor.

Sarle W. 1994. Neural network and Statistical Models. In Proceeding 19th A. SAS Users Group Int. Conf., pp. 1538-1550. Cary: SAS Institute.