Penerapan Algoritma Restricted Boltzmann Machine Pada Pemilihan Bidang Minat Mahasiswa Informatika Universitas Muhammadiyah Malang
Article Sidebar
Main Article Content
Abstract
Pemilihan bidang minat masih menjadi sebuah kesulitan untuk sebagian mahasiswa, terutama mahasiswa yang belum percaya diri dengan kemampuan dan keahliannya. Bidang minat pada jenjang perguruan tinggi menjadi sebuah tolak ukur dan kunci kesuksesan di masa mendatang sebagai penunjang karirnya. Sehingga mahasiswa harus memiliki pemikiran yang matang dan tepat sasaran agar dapat mencapai tujuannya. Untuk menyelesaikan masalah ini dibutuhkan suatu hasil pembelajaran sebagai bahan pertimbangan dalam menentukan bidang miat mahasiswa. Dengan hasil pembelajaran tersebut mahasiswa dapat mempertimbangkan pilihannya berdasarkan grafik nilai dan bidang minat yang telah diambil oleh mahasiswa yang sudah lulus terlebih dahulu. Dengan demikian dilakukan penelitian untuk memberikan hasil pembelajaran dalam bentuk klasifikasi bidang minat mahasiswa Informatika Universitas Muhammadiyah Malang menggunakan data mahasiswa angkatan 2013 – 2015 yang sudah lulus. Data tersebut dilakukan pengklasifikasian menggunakan algoritma Restricted Boltzmann Machine , dan dilakukan pengujian model menggunakan confusion matrix. Data penelitian yang digunakan merupakan data yang memiliki kelas tidak seimbang karena jumlah masing-masing bidang minat berbeda jauh. Sehingga dilakukan pengklasifikasian menggunakan SMOTE untuk menangani ketidakseimbangan kelas. Hasil akurasi yang didapatkan pada RBM+SMOTE yaitu sebesar 70% dan nilai mean square error 0.4.a
Downloads
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
Y. S. Nugroho, “Klasifikasi dan Klastering Penjurusan Siswa SMA Negeri 3 Boyolali,” Khazanah Inform. J. Ilmu Komput. dan Inform., vol. 1, no. 1, p. 1, 2015.
N. Fartindyyah and Subiyanto, “Sistem pendukung keputusan peminatan sma menggunakan metode,” J. Pendidik., vol. 44, no. november 2014, pp. 139–145, 2013.
E. Miranda, “Implementasi Data Warehouse dan Data Mining: Studi Kasus Analisis Peminatan Studi Siswa,” ComTech Comput. Math. Eng. Appl., vol. 2, no. 1, p. 1, 2011.
P. Sosial, D. I. Lingkungan, and S. Dan, “Studi Tentang Hubungan Dukungan Sosial, Penyesuaian Sosial Di Lingkungan Sekolah Dan Prestasi Akademik Siswa Smpit Assyfa Boarding School Subang Jawa Barat,” Stud. Tentang Hub. Dukungan Sos. Penyesuaian Sos. Di Lingkung. Sekol. Dan Prestasi Akad. Siswa Smpit Assyfa Board. Sch. Subang Jawa Barat, vol. 10, no. 2, pp. 103–114, 2011.
A. Sulistiyo, “Penentuan Jurusan Sekolah Menengah Atas Menggunakan Metode K-Nearest Neighbor Classifier Pada SMAN 16 Semarang,” Fasilkom Udinus, vol. 1, no. 1, pp. 1–5, 2014.
T. B. Sasongko and O. Arifin, “Implementasi Metode Forward Selection pada Algoritma SVM dan Naive Bayes Classifier,” vol. 6, no. 4, pp. 383–388, 2019.
N. Fuad, “Pemanfaatan Algoritma Fuzzy Naive Bayes Dalam Pemilihan Bidang Keahlian Mahasiswa Teknik Informatika Universitas Islam Lamongan,” J. Tek., vol. 11, no. 2, p. 1117, 2019.
H. A. Majid, K. E. Dewi, and J. D. Bandung, “Signature Recognition Using Invariant Moment Method And Restricted Boltzmann Machine.”
S. Pirmoradi, M. Teshnehlab, N. Zarghami, and A. Sharifi, “The Self-Organizing Restricted Boltzmann Machine for Deep Representation with the Application on Classification Problems,” Expert Syst. Appl., vol. 149, p. 113286, 2020.
J. Wira and G. Putra, “Pengenalan Pembelajaran Mesin dan Deep Learning Jan Wira Gotama Putra Pengenalan Konsep Pembelajaran Mesin dan Deep Learning,” no. March 2018, 2019.
F. A. Nurcahyo, S. Azwar, and W. Martani, “Stimulus Gambar: Sebuah Kajian pada Instrumen Minat Vokasional,” Bul. Psikol., vol. 26, no. 2, p. 111, 2018.
N. Zhang, S. Ding, J. Zhang, and Y. Xue, “An overview on Restricted Boltzmann Machines,” Neurocomputing, vol. 275, pp. 1186–1199, 2018.
A. Pujahari and D. S. Sisodia, “Modeling Side Information in Preference Relation based Restricted Boltzmann Machine for recommender systems,” Inf. Sci. (Ny)., vol. 490, pp. 126–145, 2019.
W. Zhang, H. Zou, L. Luo, Q. Liu, W. Wu, and W. Xiao, “Predicting potential side effects of drugs by recommender methods and ensemble learning,” Neurocomputing, vol. 173, pp. 979–987, 2016.
J. Hernando, “applied sciences Restricted Boltzmann Machine Vectors for Speaker Clustering and Tracking Tasks in TV,” 2019.
O. Heranova, “Synthetic Minority Oversampling Technique pada Averaged One Dependence Estimators untuk Klasifikasi Credit Scoring,” J. RESTI (Rekayasa Sist. dan Teknol. Informasi), vol. 3, no. 3, pp. 443–450, 2019.
D. Elreedy and A. F. Atiya, “A Comprehensive Analysis of Synthetic Minority Oversampling Technique (SMOTE) for handling class imbalance,” Inf. Sci. (Ny)., vol. 505, pp. 32–64, 2019.
L. Swastina, “Penerapan Algoritma C4.5 untuk Penentuan Jurusan Mahasiswa,” J. Gema Aktual., vol. 2, no. 1, pp. 93–98, 2013.
U. Prediksi, P. Pada, P. Tertentu, K. M. S, and S. P. W, “Metode Single Exponential Smoothing Untuk Prediksi Penjualan Pada Periode Tertentu (Studi Kasus : PT. Media Cemara Kreasi) 1,” no. 1998, pp. 259–266, 2015.
H. Naparin, “Klasifikasi Peminatan Siswa SMA Menggunakan Metode Naive Bayes,” Syst. Inf. Syst. Informatics J., vol. 2, no. 1, pp. 25–32, 2016.