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.