Machine Learning Penentuan Penerima Beasiswa Peningkatan Prestasi Akademik (PPA)
Menggunakan Metode Jaringan Saraf Tiruan (JST): (Machine-Learning-Penentuan-Penerima-
Beasiswa-Peningkatan-Prestasi-Akademik-PPA-Menggunakan-Metode-Jaringan-Saraf-Tiruan-JST.pdf (researchgate.net)) DEEP LEARNING NEURAL NETWORK DAN GENETIC ALGORITHM PADA ANALISIS KLASIFIKASI STATUS PENERIMAAN BEASISWA BIDIKMISI (Studi Kasus : Beasiswa Bidikmisi Di Jawa Timur Tahun 2017): (Nita Cahyani.pdf (its.ac.id)) 1. Pembahasan Jurnal pertama yang ditemukan adalah pemilihan beasiswa menggunakan metode machine learning pada studi kasus di Politeknik Negeri Ujung Pandang. Tipe beasiswa yang akan dipilih adalah beasiswa PPA (Peningkatan Prestasi Akademik) dengan persyaratan Indeks Penilaian Kumulatif (IPK), kegiatan kurikuler, dan penghasilan orang tua. Jurnal ini menggunakan metode Supervised Machine Learning. Secara sederhana, metode Supervised Machine Learning memiliki cara kerja dengan memberikan sejumlah persyaratan prioritas pemilihan dan data akan dikumpulkan dan diuji pengaruhnya terhadap label (hasil yang diinginkan), yaitu apakah Mahasiswa tersebut “lulus” atau “tidak lulus”. Dalam jurnal ini, dijelaskan bahwa dalam tahapan awal dari metode ini, metode ini juga menggunakan jaringan saraf tiruan sebagai investigasi awal terhadap metode Supervised Machine Learning. Metode Supervised Machine Learning yang digunakan dalam jurnal tersebut dapat dijabarkan menjadi beberapa langkah sebagai berikut. Data dan Variabel Penelitian Pada tahap ini, pembuat keputusan akan mengumpulkan data dari Mahasiswa yang didaftarkan dan parameter acuan yang digunakan. Parameter acuan yang digunakan adalah IP, IPK, Organisasi, Pekerjaan dan Penghasilan Ayah dan Ibu, Total Penghasilan Orang Tua, dan Tanggungan. Normalisasi Data Normalisasi data dilakukan untuk mengkonversikan tipe data menjadi numerik. Setiap data yang berbentuk String atau karakter lainnya akan diubah menjadi numerik. Training dan Tes Pada tahap ini, model akan dilatih dengan kombinasi variabel yang akan menjadi kriteria kelulusan. Pada jurnal ini akan terdapat tiga kombinasi yang akan dimasukkan dan dilatih secara berulang dengan Data Mahasiswa yang sebelumnya atau telah diberi label. Setelah hasilnya sesuai dengan label mahasiswa dari data sebelumnya, sistem akan dites dari Data Mahasiswa yang tidak memiliki label. Hal ini akan dilakukan secara berulang sampai model menghasilkan hasil yang akurat dilihat dari training dan test yang dilakukan. Hasilnya, sistem akan mempelajari kriteria yang paling berpengaruh dalam pemilihan beasiswa. Sistem yang menggunakan model machine learning ini akan memiliki peningkatan akurasi yang lebih baik dengan gabungan kriteria sehingga bisa menghasilkan pilihan mahasiswa yang akurat. Pada Dokumen yang kedua, kami mengambil referensi dari Skripsi yang menggunakan metode Deep Learning melalui algoritma Neural Network Backpropagation. Secara sederhana, model ini akan melatih model yang sebelumnya dibagi menjadi beberapa layer. Konsepnya sangat mirip dengan metode Machine Learning namun metode deep learning membagi klasifikasi kriteria ke dalam beberapa layer yang kemudian akan dibagi menjadi beberapa layer untuk kemudian ditraining secara terus menerus. 2. Perbandingan Metode Machine Learning dan Deep Learning sebetulnya sangat mirip. Namun, Metode Machine Learning lebih berfokus dalam pengenalan pola dan hubungan yang telah diketahui label (hasil akhirnya). Sedangkan, Deep Learning lebih berfokus pada mengoptimalkan bobot dan bias jaringan saraf tiruan agar dapat meminimalkan kesalahan prediksi atau klasifikasi. Melalui proses backpropagation, jaringan belajar untuk memperbaiki prediksi yang tidak akurat dengan memperbarui bobot dan bias berdasarkan gradien dari fungsi kesalahan. Tentunya kedua metode sangat terkait dan bisa saling melengkapi karena saat menggunakan Machine Learning, sistem akan dapat belajar melalui pola dan kombinasi yang bisa merujuk pada label yang diinginkan dan Deep Learning membantu sistem belajar dari kesalahannya untuk meningkatkan akurasi hasil yang dimiliki sehingga hasilnya menjadi lebih akurat dan minim kesalahan.