Neural Network dan Particle Swam Optimization untuk Penunjang Keputusan Antipasi Mahasiswa Pra Lulus Bekerja Sesuai Bidang

  • Dairoh Dairoh politeknik harapan bersama
  • Very Kurnia Bakti
  • Muhammad Naufal
Keywords: Lulusan, PSO, Neural Network, algoritma, Politeknik Harapan Bersama

Abstract

Lulusan di Perguruan Tinggi yang bekerja sesuai bidang belum ideal dalam tiga tahun terakhir, salah satunya di Politeknik Harapan Bersama. Hal ini masih menunjukkan keselarasan horizontal. Sehingga pertanyaaan nya adalah kenapa hal tersebut terjadi dan disebabkan oleh apa saja yang dapat menentukan kualitas lulusan yang bekerja tidak sesuai bidang. Untuk itu, dibuat sebuah model yang dapat digunakan untuk dapat melihat pola lulusan, agar lulusan bisa bekerja sesuai bidang keilmuan. Model tersebut menggunakan kombinasi antara Algorithma Neural Network  dengan PSO. Diperoleh perbandingan akurasi model kombinasi antara Neural Network  dengan PSO sebesar 71.51% untuk PSO, sedangkan dengan menggunakan metode Neural Network  sebesar 64.32%.

Downloads

Download data is not yet available.

References

[1] Y. Guo, “A Comprehensive Review of Deep Learning Methods and Applications,” in Deep learning for visual understanding, Leiden University, 2017.
[2] M. H. Meinanda, M. Annisa, N. Muhandri, and dan K. Suryadi, “Prediksi masa studi sarjana dengan artificial neural network,” Internetworking Indones. J., vol. 1, no. 2, pp. 31–35, 2009.
[3] A. F. Mutiara Ayu Banjarsari, H. Irwan Budiman, “Penerapan K-Optimal Pada Algoritma Knn Untuk Prediksi Kelulusan Tepat Waktu Mahasiswa Program Studi Ilmu Komputer Fmipa Unlam Berdasarkan Ip Sampai Dengan Semester 4,” Klik - Kumpul. J. Ilmu Komput., vol. 2, no. 2, pp. 159–173, 2015.
[4] V. Kurnia Bakti, M. Noval, and E. Purnomo Bayu Aji, “SistemPreKompilasi DataTracerStudiOnline Ditjen Belmawa Ristekdikti(Studi Kasus: Politeknik Harapan Bersama),” J. Inform. J. Pengemb. IT, vol. 2, no. 1, pp. 50–53, 2017.
[5] I. Ali and L. Sularto, “Optimasi Parameter Artificial Neural Network Menggunakan Algoritma Genetika Untuk Prediksi Kelulusan Mahasiswa,” J. ICT Inf. Commun. Technol., vol. 18, no. 1, pp. 54–59, 2019, doi: 10.36054/jict-ikmi.v18i1.52.
[6] M. Inthachot, V. Boonjing, and S. Intakosum, “Artificial Neural Network and Genetic Algorithm Hybrid Intelligence for Predicting Thai Stock Price Index Trend,” Comput. Intell. Neurosci., vol. 2016, pp. 1–8, 2016, doi: 10.1155/2016/3045254.
[7] U. Juhardi and Andilala, “Optimalisasi Penjualan Motor Menggunakan Algoritma Particle Swarm Optimization ( PSO ),” J. Media Infotama, vol. 15, no. 2, pp. 71–78, 2019.
[8] R. L. Haupt, S. E. Haupt, and A. J. Wiley, Algorithms Second Edition. 2004.
[9] D. Ana, R. Wati, and Y. A. Rochman, “Model Penjadwalan Matakuliah Secara Otomatis Berbasis Algoritma Particle Swarm Optimization (PSO),” J. Rekayasa Sist. Ind., vol. 2, no. 1, pp. 22–31, 2013, doi: 10.26593/jrsi.v2i1.333.22-31.
[10] A. Setiawan, L. W. Santoso, and R. Adipranata, “Penerapan Algoritma Particle Swarm Optimization ( PSO ) untuk Optimisasi Pembangunan Negara dalam Turn Based Strategy Game,” J. Infra, vol. 7, no. 1, pp. 249–255, 2019.
[11] Ridwansyah and E. Purwaningsih, “Particle Swarm Optimization Untuk Meningkatkan Akurasi Prediksi Pemasaran Bank,” J. PILAR Nusa Mandiri, vol. 14, no. 1, pp. 83–88, 2018.
[12] R. Maulida, “Prediksi Kelulusan Mahasiswa Tepat Waktu dengan Algoritma C4 . 5 dengan Particle Swarm Optimization pada Univeristas XYZ,” vol. 1, no. 3, pp. 138–144, 2020.
[13] M. Zainuddin, “Metode Klasifikasi Berbasis Particle Swarm Optimization (Pso) Untuk Prediksi Kelulusan Tepat Waktu Mahasiswa,” J. Ilm. Teknol. Inf. Asia, vol. 13, no. 1, p. 1, 2018, doi: 10.32815/jitika.v13i1.247.
[14] H. Hendra, M. A. Azis, and S. Suhardjono, “Analisis Prediksi Kelulusan Mahasiswa Menggunakan Decission Tree Berbasis Particle Swarm Optimization,” J. Sisfokom (Sistem Inf. dan Komputer), vol. 9, no. 1, p. 102, 2020, doi: 10.32736/sisfokom.v9i1.756.
[15] R. Ridwan, H. Lubis, and P. Kustanto, “Implementasi Algoritma Neural Network dalam Memprediksi Tingkat Kelulusan Mahasiswa,” J. Media Inform. Budidarma, vol. 4, no. 2, p. 286, 2020, doi: 10.30865/mib.v4i2.2035.
[16] R. L. Rose, B. D. A. Selvi, and R. L. R. Singh, “Development of Hybrid Algorithm Based on PSO and NN to Solve Economic Emission Dispatch Problem,” Circuits Syst., vol. 07, no. 09, pp. 2323–2331, 2016, doi: 10.4236/cs.2016.79202.
[17] Alrijadjis, “Implementasi Metode PSO-LDW untuk Optimasi Kontroler PID Pada Plant Orde Tinggi,” pp. 2–5.
[18] M. N. Alam, “Codes in MATLAB for Particle Swarm Optimization,” no. March, pp. 8–11, 2016, doi: 10.13140/RG.2.1.1078.7608.
[19] H. Moayedi, A. Osouli, H. Nguyen, and A. S. A. Rashid, “A novel Harris hawks’ optimization and k-fold cross-validation predicting slope stability,” Eng. Comput., no. 0123456789, 2019, doi: 10.1007/s00366-019-00828-8.
[20] S. Ruuska, W. Hämäläinen, S. Kajava, M. Mughal, P. Matilainen, and J. Mononen, “Evaluation of the confusion matrix method in the validation of an automated system for measuring feeding behaviour of cattle,” Behav. Processes, vol. 148, pp. 56–62, 2018, doi: 10.1016/j.beproc.2018.01.004.
Published
2021-11-27
How to Cite
Dairoh, D., Bakti, V., & Naufal, M. (2021). Neural Network dan Particle Swam Optimization untuk Penunjang Keputusan Antipasi Mahasiswa Pra Lulus Bekerja Sesuai Bidang. MATRIK : Jurnal Manajemen, Teknik Informatika Dan Rekayasa Komputer, 21(1), 151-158. https://doi.org/https://doi.org/10.30812/matrik.v21i1.1164
Section
Articles