Pengaruh Struktur Hidden Layer pada Model Multilayer Perceptron terhadap Prediksi Status Akademik Mahasiswa
DOI:
https://doi.org/10.24269/jkt.v9i1.3094Keywords:
Jaringan Syaraf Tiruan, Multilayer Perceptron, Hidden Layer, Prediksi Dropout, Status Akademik MahasiswaAbstract
Fenomena mahasiswa yang berisiko dropout menjadi perhatian penting bagi institusi pendidikan tinggi karena berdampak pada kualitas dan akreditasi lembaga. Penelitian ini bertujuan memanfaatkan jaringan syaraf tiruan (JST) dengan arsitektur Multilayer Perceptron (MLP) untuk memprediksi status akademik mahasiswa berdasarkan data historis. Analisis difokuskan pada pengaruh jumlah hidden layer terhadap kinerja model, dengan membandingkan konfigurasi 3 hidden layer dan 4 hidden layer. Dataset yang digunakan berisi 1.337 data mahasiswa, mencakup fitur seperti tahun masuk, lama studi, IPK, total SKS, dan biaya kuliah. Data diproses melalui normalisasi MinMaxScaler dan diolah menggunakan Scikit-learn dengan fungsi aktivasi ReLU, optimizer Adam, dan fungsi loss Log Loss. Hasil menunjukkan bahwa konfigurasi 3 hidden layer menghasilkan akurasi tertinggi sebesar 95,52% dengan waktu pelatihan yang lebih cepat dibandingkan konfigurasi 4 hidden layer yang hanya mencapai akurasi 94,03%. Temuan ini menunjukkan bahwa jumlah hidden layer yang optimal dapat meningkatkan performa model sekaligus menjaga efisiensi komputasi. Model yang dikembangkan memiliki potensi untuk membantu institusi pendidikan dalam mencegah dropout melalui deteksi dini dan intervensi yang tepat sasaran.
Â
References
Bisong, E. (2019). Introduction to Scikit-learn. In Building Machine Learning and Deep Learning Models on Google Cloud Platform: A Comprehensive Guide for Beginners (pp. 215–229). Berkeley, CA: Apress. https://doi.org/10.1007/978-1-4842-4470-8_18
Dharmalingam, B., Annamalai, S., Areeya, S., Rattanaporn, K., Katam, K., Show, P. L., & Sriariyanun, M. (2023). Bayesian Regularization Neural Network-Based Machine Learning Approach on Optimization of CRDI-Split Injection with Waste Cooking Oil Biodiesel to Improve Diesel Engine Performance. Energies. Retrieved from https://api.semanticscholar.org/CorpusID:257651964
Gholamy, A., Kreinovich, V., & Kosheleva, O. (2018). Why 70/30 or 80/20 Relation Between Training and Testing Sets: A Pedagogical Explanation. Retrieved from https://api.semanticscholar.org/CorpusID:7467506
Harris, C. R., Millman, K. J., van der Walt, S., Gommers, R., Virtanen, P., Cournapeau, D., … Oliphant, T. E. (2020). Array programming with NumPy. Nature, 585, 357–362. Retrieved from https://api.semanticscholar.org/CorpusID:219792763
Hasan, Md. M., Hossain, Md. A., Srizon, A. Y., & Sayeed, A. (2023). TaLU: A Hybrid Activation Function Combining Tanh and Rectified Linear Unit to Enhance Neural Networks. ArXiv, abs/2305.04402. Retrieved from https://api.semanticscholar.org/CorpusID:258557862
Kusnaidi, M. R., Gulo, T., & Aripin, S. (2022). Penerapan Normalisasi Data Dalam Mengelompokkan Data Mahasiswa Dengan Menggunakan Metode K-Means Untuk Menentukan Prioritas Bantuan Uang Kuliah Tunggal. Journal of Computer System and Informatics (JoSYC). Retrieved from https://api.semanticscholar.org/CorpusID:255743400
Lutfi, M., & Hasyim, M. (2019). PENANGANAN DATA MISSING VALUE PADA KUALITAS PRODUKSI JAGUNG DENGAN MENGGUNAKAN METODE K-NN IMPUTATION PADA ALGORITMA C4.5. Jurnal RESISTOR (Rekayasa Sistem Komputer). Retrieved from https://api.semanticscholar.org/CorpusID:209927737
Maiyuriska, R. (2022). Penerapan Jaringan Syaraf Tiruan dengan Algoritma Backpropagation dalam Memprediksi Hasil Panen Gabah Padi. Jurnal Informatika Ekonomi Bisnis. Retrieved from https://api.semanticscholar.org/CorpusID:247355667
Meniailov, I., Bazilevych, K., Fedulov, K., Goranina, S., & Chumachenko, D. (2019). Using the K-means Method for Diagnosing Cancer Stage Using the Pandas Library. Modern Machine Learning Technologies. Retrieved from https://api.semanticscholar.org/CorpusID:195693718
Ren, R., Su, J., Yang, B., Lau, R. Y. K., & Liu, Q. (2022). Novel Low-Power Construction of Chaotic S-Box in Multilayer Perceptron. Entropy, 24(11). https://doi.org/10.3390/e24111552
Rivan, M. E. Al, & Sung, G. R. (2021). Identifikasi Mutu Buah Pepaya California (Carica Papaya L.) Menggunakan Metode Jaringan Syaraf Tiruan. Retrieved from https://api.semanticscholar.org/CorpusID:235562762
Uzair, M., & Jamil, N. (2020). Effects of Hidden Layers on the Efficiency of Neural networks. Proceedings - 2020 23rd IEEE International Multi-Topic Conference, INMIC 2020. Institute of Electrical and Electronics Engineers Inc. https://doi.org/10.1109/INMIC50486.2020.9318195
Wong, K. C. L., Moradi, M., Tang, H., & Syeda-Mahmood, T. F. (2018). 3D Segmentation with Exponential Logarithmic Loss for Highly Unbalanced Object Sizes. ArXiv, abs/1809.00076. Retrieved from https://api.semanticscholar.org/CorpusID:52157209
Zheng, Y., Wang, R., Chen, C., & Meng, F. (2022). Fast stability assessment of rock slopes subjected to flexural toppling failure using adaptive moment estimation (Adam) algorithm. Landslides, 19, 2149–2158. Retrieved from https://api.semanticscholar.org/CorpusID:248894183
