IMPLEMENTASI JARINGAN SYARAF TIRUAN ALGORITMA BACKPROPAGATION UNTUK PREDIKSI NILAI AKREDITASI PROGRAM STUDI (STUDI KASUS: UNIVERSITAS ISLAM INDRAGIRI)

Abstract

Pengurusan akreditasi sering mengalami beberapa hambatan dalam hal pengisian borang. Disamping itu masih terdapat beberapa kendala diantaranya banyak kalangan yang sulit memprediksi nilai akreditasi berdasarkan kelengkapan data pada borang akreditasi tersebut. Untuk mengatasi hal tersebut, dibuat suatu sistem kecerdasan buatan dalam hal ini menggunakan jaringan syaraf tiruan metode backpropagation, yang terdiri dari inisialisasi, aktivasi, mentraining bobot dan iterasi untuk membuat pengelompokan neuro-neuron dari kriteria dan indikator yang ada sehingga terbentuk suatu arsitektur jaringan syaraf tiruan, arsitektur yang terbentuk dalam penulisan ini 8-2-1 yaitu delapan input, dua lapisan tersembunyi dan satu keluaran. Hasil pelatihan terhadap jaringan syaraf tiruan ditemukan parameter epochs 5000, parameter show epocsh 100, parameter goal 0,01, parameter learning rate 0,1 dengan menggunakan aktivasi sigmoid biner dan akurasi tingkat error 0,0097. Dengan pelatihan dan pengujian data yang telah dilakukan sistem jaringan syaraf tiruan dengan metode backpropagation mampu memprediksi nilai akreditasi dengan tingkat kearutan cukup tinggi dengan pengujian dan pelatihan menggunakan sofrware yang digunakan adalah Matlab versi 7.1.

 Kata Kunci: Jaringan Syaraf Tiruan, Backpropagation, prediksi nilai akreditasi.

Abstract

Accreditation management often experiences obstacles in filling out forms. Besides that, there are still some guarantees among many circles that find it difficult to predict the value of accreditation based on the completeness of the data on the accreditation form. To overcome this, an artificial intelligence system was created in this case using the backpropagation neural network method, which contains initialization, activation, weight training and iteration to make neurons grouping from existing criteria and indicators to form an artificial neural network architecture, The architecture is in 8-2-1 format, namely eight inputs, two hidden layers and one output. The results of the training on the neural network found epochs 5000 parameters, show epochs 100 parameters, 0.01 goal parameters, 0.1 learning rate parameters using binary sigmoid activation and an error rate of 0.0097. With training and data testing that has been carried out by the artificial neural network system with the backpropagation method, it is able to predict the accreditation value with a fairly high level of solubility by testing and training using the software used is Matlab version 7.1.

 Keywords: Artificial Neural Networks, Backpropagation, prediction of accreditation value.