ABSTRAKSI: Setiap musim registrasi perkuliahan, umumnya mahasiswa mengalami kesulitan menentukan mata kuliah yang akan diambil untuk semester berikutnya. Masalah ini dapat diatasi dengan menggunakan model yang memprediksi nilai mata kuliah seorang mahasiswa. Dengan kemampuan belajarnya, Artifisial Neural Network (ANN) dapat digunakan dalam model pemprediksi tersebut.
Kekurangan dari metode ini adalah rentan terjadi overfitting pada proses pelatihan. Solusinya adalah dengan melakukan proses validasi. ANN-MLP backpropagation juga dapat memberikan keluaran lebih dari satu nilai (multi-atribut) yang dapat digunakan untuk memprediksi beberapa mata kuliah dalam satu kali proses prediksi. Pada TA ini digunakan model dengan 3-fold cross validation (3FCV) yang dibandingkan dengan model dengan validasi standar. Hasil pengujian menunjukkan untuk kasus ini, penggunaan model dengan menggunakan metode 3FCV memberikan hasil yang cukup baik, dengan nilai RMSE training untuk model single-atribut class sebesar 0,11955 dan RMSE model multi-atribut validasi standar sebesar 0,78517.
Berdasarkan kasus yang digunakan, disimpulkan bahwa jumlah keluaran jaringan tergantung kepada class yang diprediksi. Proses prediksi multi-atribut class memberikan akurasi sebesar 20,6% sedangkan untuk prediksi single atribut class memberikan akurasi yang lebih tinggi, yaitu sebesar 69,9%. Sehingga untuk kasus prediksi nilai mata kuliah lebih baik menggunakan model prediksi dengan single atribut classKata Kunci : artificial neural network, atribut, 3- fold cross validationABSTRACT: Every semester registration courses, students have difficulty in determining what courses that will be taken to the next semester in order to achieve a satisfactory grade. This problem can be solved by using a model that can predict the courses's score of a student. Artificial Neural Network (ANN) with the ability of learning can be used for predicting the model.
The Disadvantage of this method is easily occurs overfitting in the training process. The solution is performing the validation process. In addition to solving nonlinear problems, backpropagation ANN-MLP can also provide the output more than one value (multi attribute) which can be used to predict a few courses. In this final project, 3-fold cross validation model is compared with the ordinary validation model. The result gave a conclusion that for this case, a model with a 3-fold cross validation method gives a good result. RMSE value for single attribute model obtain 0,11955 and 0,78517 for multi attribute model.
Based on the used cases ,the number of network output depends on the predicted Class. The process of multi-attribute class prediction gives the accuration value 20,6% and the process of single-attribute class prediction gives the accuration value 69,9%. Therefore, a model with single atribut class is better to be used as a final model for predicting the students objects grade.Keyword: artificial neural network, attribute, 3-cross fold validation