ABSTRAKSI: Lama masa studi mahasiswa merupakan salah satu parameter penting dalam evaluasi performansi studi mahasiswa. Untuk itu, sangatlah wajar jika prediksi lama masa studi mahasiswa dibutuhkan oleh manajemen perguruan tinggi. Pada penelitian ini dibangun sistem prediksi menggunakan Jaringan Syaraf Tiruan dengan Differential Evolution sebagai algoritma pelatihannya. Differential Evolution merupakan salah satu dari Evolution Algorithms, algoritma-algoritma optimasi yang berbasis evolusi biologi yang ada di dunia nyata. Berbeda dengan metode Evolution Algorithms lainnya yang menggunakan mutasi acak, pada Different Evolution, mutasi yang dilakukan adalah mutasi semi terarah. Hal ini sangat mempengaruhi pencarian solusi yang terbukti lebih cepat dibandingkan Genetik Algorithm dan Evolution Strategies. Differential Evolution juga cepat konvergen dan sangat mudah digunakan. Data yang digunakan pada penelitian ini adalah data akademik yang berupa data Kartu Hasil Studi mahasiswa. Variabel yang digunakan sebagai input untuk sistem yang dibangun adalah nilai beberapa mata kuliah tahun pertama dan tahun kedua beserta berapa kali setiap mahasiswa mengambil mata kuliah tersebut dengan output sistem prediksi adalah mahasiswa lulus tepat waktu dan mahasiswa lulus tidak tepat waktu. Akurasi terbaik yang dihasilkan dari sistem yang dibangun adalah 75,9726.
KATA KUNCI: Differential Evolution, Jaringan Syaraf Tiruan, prediksi masa studi mahasiswaABSTRACT: Study period is one of the important parameters in the evaluation of student performance. Therefore, it is natural that study period is required by university management. In this research, prediction system is built by using Artificial Neural Networks with Differential Evolution as it’s training algorithm. Differential Evolution is one of the Evolution Algorithms, optimization algorithm based on evolutionary biology that exist in the real world. In contrast to others Evolution Algorithms that use random mutation, at Differential Evolution, mutation is carried out semi-directed mutation that can greatly affect the search for solutions that proved faster than Genetic Algorithm and Evolution Strategies. Differential Evolution is fast convergence and easy to use. The data used in this final project is academic data in the form of Kartu Hasil Studi. Variables are used as inputs to the prediction system is the value of several courses in the first and second years along with the number of times each student took the course. The output of prediction system is the students who graduate on time and the students who do not graduate on time. The best accuration produced by sistem is 75,9726.
KEYWORD: Artificial Neural Networks, Differential Evolution, study period