ANALISIS PENGARUH LEARNING RATE PADA MODEL BACKPROPAGATION DALAM PREDIKSI KELULUSAN MAHASISWA STMIK TIME

Abstract

Tingkat kelulusan mahasiswa merupakan salah satu faktor penting yang mempengaruhi tingkat akreditasi sebuah perguruan tinggi. Oleh karena itu, penting bagi STMIK Time untuk memprediksi tingkat kelulusan mahasiswa pada program studi yang ditawarkan, agar terjadi keseimbangan antara jumlah mahasiswa yang lulus dan mahasiswa baru pada setiap tahun ajaran. Penelitian ini bertujuan untuk memecahkan masalah tersebut dengan membangun model prediksi kelulusan mahasiswa berbasis data mining, dengan menggunakan algoritma Backpropagation. Model yang dibangun menggunakan tiga variasi learning rate scheduler, yaitu Constant Learning Rate, Step Decay, dan Cosine Annealing, yang dianalisis menggunakan nilai akurasi, presisi, dan recall untuk memperoleh model terbaik sebagai alternatif solusi masalah. Hasil dari penelitian ini adalah learning rate 02824, 0.03138, 0.08956, dan 0.07 merupakan yang paling optimal untuk diterapkan pada model Backpropagation, karena menghasilkan nilai performa tertinggi berdasarkan variasi learning rate scheduler yang digunakan. Penelitian ini juga menemukan bahwa Constant Learning Rate membutuhkan waktu kompilasi yang paling singkat untuk proses pelatihan dan pengujian data, disusul oleh Step Decay, dan Cosine Annealing.