<![CDATA[Kelulusan mahasiswa merupakan salah satu indikator penting dalam menilai kualitas pendidikan di sebuah perguruan tinggi. Prediksi tingkat kelulusan yang akurat dapat membantu pihak universitas dalam mengambil kebijakan strategis untuk meningkatkan kualitas pendidikan dan memaksimalkan angka kelulusan mahasiswanya. Penelitian ini bertujuan untuk menerapkan algoritma jaringan saraf tiruan (JST) backpropagation dalam memprediksi tingkat kelulusan mahasiswa di Universitas Bhayangkara Jakarta Raya. JST backpropagation dipilih karena kemampuannya dalam mempelajari pola data yang kompleks dan menghasilkan prediksi yang akurat. Data penelitian ini diperoleh dari arsip mahasiswa Ubhara Jaya selama 5 tahun terakhir. Data tersebut meliputi informasi terkait latar belakang pendidikan, nilai akreditasi BAN-PT, dan instrumen pedoman akademik perguruan tinggi. Arsitektur jaringan saraf tiruan yang digunakan dalam penelitian ini adalah (5-10-1), dengan 5 neuron pada lapisan masukan, 10 neuron pada lapisan tersembunyi, dan 1 neuron pada lapisan keluaran. Algoritma backpropagation digunakan untuk melatih jaringan saraf tiruan dengan tujuan meminimalkan nilai Mean Squared Error (MSE). Hasil penelitian menunjukkan bahwa JST backpropagation mampu memprediksi tingkat kelulusan mahasiswa dengan tingkat akurasi sebesar 93%. Nilai MSE yang dihasilkan adalah 0.177, menunjukkan bahwa model jaringan memiliki performa yang baik dalam memprediksi. Penelitian ini menunjukkan bahwa JST backpropagation dapat digunakan secara efektif untuk memprediksi tingkat kelulusan mahasiswa di Universitas Bhayangkara Jakarta Raya. JST backpropagation menghasilkan tingkat akurasi prediksi yang tinggi dan model jaringan dengan performa yang baik. Penelitian ini dapat dikembangkan dengan menggunakan algoritma JST lain untuk membandingkan performa dan akurasi prediksinya. Selain itu, penelitian ini juga dapat diperluas dengan menggunakan data dari universitas lain untuk menguji generalisasi model JST backpropagation.]]>
Copyrights © 2024
