Melola Discovery

← Melola Discovery

Open access Jurnal SINTA 2

Sistem Evaluasi Kelayakan Mahasiswa MagangMenggunakan Elman Recurrent Neural Network

IJCCS (Indonesian Journal of Computing and Cybernetics Systems) · Vol. 8 No. 1 (2014) · pp. 37–48

DOI
10.22146/ijccs.3494
ISSN
2460-7258, 1978-1520
Published
2014-01-31
Publisher
IndoCEISS in colaboration with Universitas Gadjah Mada, Indonesia.
Language
eng
License
creativecommons.org/licenses/by-sa/4.0

Abstract

AbstrakJaringan Syaraf Tiruan (JST) dapat digunakan untuk memecahkan permasalahan tertentu seperti prediksi, klasifikasi, pengolahan data, dan robotik.Berdasarkan paparan tersebut, sehingga dalam penelitian ini mencoba menerapkan JST untuk menangani permasalahan dalam program magang yang sedang dihadapi dalam upaya untuk meningkatkan kompetensi, pengalaman, serta melatih softskill mahasiswa.Sistem yang dikembangkan dapat digunakan untuk mengevaluasi kelayakan mahasiswa dalam program magang ke luar daerah dengan menerapkan Elman Recurrent Neural Network (ERNN), sehingga dapat memberikan informasi yang akurat kepada pihak jurusan untuk menentukan keputusan yang tepat.Struktur Elman dipilih karena dapat membuat iterasi jauh lebih cepat sehingga memudahkan proses konvergensi. Adapun metode pembelajaran yang digunakan adalah Backpropagation ThroughTime dengan model epochwise training mode. Sistem diimplementasikan dengan menggunakan bahasa pemrograman C# dengan basis data MySQL. Vektor input yang digunakan terdiri dari 11 variabel. Hasil penelitian menunjukkan bahwa sistem yang dikembangkan akan cepat mengalami konvergen dan mampu mencapai nilai error paling optimal (minimum error) apabila menggunakan 1 hidden layer dengan jumlah neuron 20 unit. Akurasi terbaik dapat diperoleh dengan menggunakan LR sebesar 0.01 dan momentum 0.85 dimana akurasi rata-rata dalam pengujian mencapai 87.50%. Kata kunci—Evaluasi, Kelayakan, Jaringan Syaraf Tiruan (JST), Elman Recurrent Neural Network, Magang Abstract Artificial Neural Network (ANN) can be used to solve specific problems such as prediction, classification, data processing, and robotics. Based on the exposure, so in this study tried to apply neural networks to handle problems in apprentice program facing in an effort to increase the competence, experience and soft skills training students. The system developed can be used to evaluate the students in the apprentice program to other regions by applying the Elman Recurrent Neural Network (ERNN), so it can provide accurate information to the department to determine appropriate decisions. Elman structure was chosen because it can be create much more rapidly iterations so as to facilitate the convergence process. The learning method used is Backpropagation Through Time with model epochwise training mode. The system is implemented using the C # programming language with a MySQL database. Input vector used consists of 11 variables. The results showed that the developed system will rapidly converge and can reach optimal error value (minimum error) when using one hidden layer with 20 units number of neurons. Best accuracy can be obtained using the LR of 0.01 and momentum 0.85 which average accuracy reaches 87.50% in testing. Keywords—Evaluation, Feasibility, Artificial Neural Network (ANN), Elman Recurrent Neural Network, Apprenticeship

Collaboration network of the authors

8 authors · 7 co-authorship links · 5 across different organisations

Hover or tap a name to highlight its co-authors. Double-click to open the author's page.

  • Universitas Pendidikan Ganesha
  • Universitas Gadjah Mada
  • Udayana University
  • Politeknik Negeri Bengkalis
  • Islamic University of Indonesia
  • Universitas Islam Negeri Sultan Syarif Kasim Riau
  • Affiliation unknown
  • Different organisations
  • Same organisation
  • Affiliation unknown
  • Thicker line = more joint articles · bigger circle = more articles
Show as table
Co-authorOrganisationJoint articles
Ketut Bayu Yogha BintoroUdayana University1
Yuliyani Siyamtining TyasAffiliation unknown1
Danuri DanuriPoliteknik Negeri Bengkalis1
Elyza Gustri WahyuniIslamic University of Indonesia1
Elvia BudianitaUniversitas Islam Negeri Sultan Syarif Kasim Riau1
Gede Aditra PradnyanaUniversitas Pendidikan Ganesha1

Affiliations come from OpenAlex; journal OAI-PMH metadata carries none. Authors without an OpenAlex ID are matched by name, which can merge or split people.

Metadata source: OAI-PMH (metadata jurnal) https://journal.ugm.ac.id/ijccs/oai, first harvested 26 Okt 2026, last seen 26 Okt 2026.
Original metadata (oai_dc) 
<oai_dc:dc xmlns="http://www.openarchives.org/OAI/2.0/" xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:oai_dc="http://www.openarchives.org/OAI/2.0/oai_dc/" xmlns:xsi="http://www.w3.org/2001/XMLSchema-instance" xsi:schemaLocation="http://www.openarchives.org/OAI/2.0/oai_dc/  http://www.openarchives.org/OAI/2.0/oai_dc.xsd">
	<dc:title xml:lang="en-US">Sistem Evaluasi Kelayakan Mahasiswa MagangMenggunakan Elman Recurrent Neural Network</dc:title>
	<dc:creator>Jiwa Permana, Agus Aan</dc:creator>
	<dc:creator>Prijodiprodjo, Widodo</dc:creator>
	<dc:description xml:lang="en-US">AbstrakJaringan Syaraf Tiruan (JST) dapat digunakan untuk memecahkan permasalahan tertentu seperti prediksi, klasifikasi, pengolahan data, dan robotik.Berdasarkan paparan tersebut, sehingga dalam penelitian ini mencoba menerapkan JST untuk menangani permasalahan dalam program magang yang sedang dihadapi dalam upaya untuk meningkatkan kompetensi, pengalaman, serta melatih softskill mahasiswa.Sistem yang dikembangkan dapat digunakan untuk mengevaluasi kelayakan mahasiswa dalam program magang ke luar daerah dengan menerapkan Elman Recurrent Neural Network (ERNN), sehingga dapat memberikan informasi yang akurat kepada pihak jurusan untuk menentukan keputusan yang tepat.Struktur Elman dipilih karena dapat membuat iterasi jauh lebih cepat sehingga memudahkan proses konvergensi. Adapun metode pembelajaran yang digunakan adalah Backpropagation ThroughTime dengan model epochwise training mode. Sistem diimplementasikan dengan menggunakan bahasa pemrograman C# dengan basis data MySQL. Vektor input yang digunakan terdiri dari 11 variabel. Hasil penelitian menunjukkan bahwa sistem yang dikembangkan akan cepat mengalami konvergen dan mampu mencapai nilai error paling optimal (minimum error) apabila menggunakan 1 hidden layer dengan jumlah neuron 20 unit. Akurasi terbaik dapat diperoleh dengan menggunakan LR sebesar 0.01 dan momentum 0.85 dimana akurasi rata-rata dalam pengujian mencapai 87.50%. Kata kunci—Evaluasi, Kelayakan, Jaringan Syaraf Tiruan (JST), Elman Recurrent Neural Network, Magang Abstract Artificial Neural Network (ANN) can be used to solve specific problems such as prediction, classification, data processing, and robotics. Based on the exposure, so in this study tried to apply neural networks to handle problems in apprentice program facing in an effort to increase the competence, experience and soft skills training students. The system developed can be used to evaluate the students in the apprentice program to other regions by applying the Elman Recurrent Neural Network (ERNN), so it can provide accurate information to the department to determine appropriate decisions. Elman structure was chosen because it can be create much more rapidly iterations so as to facilitate the convergence process. The learning method used is Backpropagation Through Time with model epochwise training mode. The system is implemented using the C # programming language with a MySQL database. Input vector used consists of 11 variables. The results showed that the developed system will rapidly converge and can reach optimal error value (minimum error) when using one hidden layer with 20 units number of neurons. Best accuracy can be obtained using the LR of 0.01 and momentum 0.85 which average accuracy reaches 87.50% in testing. Keywords—Evaluation, Feasibility, Artificial Neural Network (ANN), Elman Recurrent Neural Network, Apprenticeship</dc:description>
	<dc:publisher xml:lang="en-US">IndoCEISS in colaboration with Universitas Gadjah Mada, Indonesia.</dc:publisher>
	<dc:contributor xml:lang="en-US">IndoCEISS</dc:contributor>
	<dc:date>2014-01-31</dc:date>
	<dc:type>info:eu-repo/semantics/article</dc:type>
	<dc:type>info:eu-repo/semantics/publishedVersion</dc:type>
	<dc:type xml:lang="en-US"></dc:type>
	<dc:format>application/pdf</dc:format>
	<dc:identifier>https://journal.ugm.ac.id/ijccs/article/view/3494</dc:identifier>
	<dc:identifier>10.22146/ijccs.3494</dc:identifier>
	<dc:source xml:lang="en-US">IJCCS (Indonesian Journal of Computing and Cybernetics Systems); Vol 8, No 1 (2014): January; 37-48</dc:source>
	<dc:source>2460-7258</dc:source>
	<dc:source>1978-1520</dc:source>
	<dc:language>eng</dc:language>
	<dc:relation>https://journal.ugm.ac.id/ijccs/article/view/3494/3020</dc:relation>
	<dc:rights xml:lang="en-US">Copyright (c) 2014 IJCCS - Indonesian Journal of Computing and Cybernetics Systems</dc:rights>
	<dc:rights xml:lang="en-US">http://creativecommons.org/licenses/by-sa/4.0</dc:rights>
</oai_dc:dc>