Penerapan Jaringan Syaraf Tiruan Backpropagation Untuk Prediksi Nilai UN Siswa SMPN 2 Cihaurbeuti

Yanti Apriyani

Sari


Abstrak
Ujian Nasional merupakan alat evaluasi yang dikeluarkan pemerintah untuk mengukur tingkat pencapaian tujuan pendidikan yang telah ditetapkan. Saat ini nilai ujian nasioanal dijadikan sebagai salah satu tolak ukur keberhasilan dan kualitas seorang siswa. Setiap sekolah menginginkan menjadi sekolah unggul dan berbagai upaya dilakukan untuk mencapai posisi tersebut. Salah satunya adalah menstabilkan nilai raport yang didapat siswa selama pembelajaran mulai dari semester awal hingga semester akhir agar mendapatkan nilai yang cukup memuaskan untuk nilai ujian nasional. Penelitian ini berbentuk studi kasus pada SMPN 2 Cihaurbeuti dengan variable penelitian adalah nilai raport dan nilai UN 2015/2016 dan 2016/2017 untuk prediksi nilai UN 2017/2018. Hasil penelitian menunjukkan bahwa nilai Mean Square Error (MSE) terkecil pada mata pelajaran B. Indonesia sebesar 0.011279, B.Inggris sebesar -0.019804, Matematika diperoleh sebesar -0.06416 dan IPA sebesar -0.0075304 dengan kombinasi parameter pelatihan berupa 2.000 epoch dan learning rate sebesar 0,1. Jaringan saraf tiruan backpropagation yang dihasilkan dapat melakukan prediksi nilai ujian nasional dengan ketepatan lebih tinggi dibanding dari perhitungan nilai rata-rata.
Kata Kunci: backpropogation, jaringan syaraf tiruan, ujian nasional

Abstract
National Exam is a government issued an evaluation tool to measure the level of achievement of educational goals that have been set. Currently nasioanal exam scores be used as one measure of the success and quality of a student or school with only the value of some of the subjects examination. Every school wants to be superior schools and efforts were made to reach that position. One is to stabilize the value of students' report cards obtained during the semester learning from the beginning to the end of the semester in order to obtain a satisfactory value for the national exam .This research case studies form the SMP 2 Cihaurbeuti the study variables is the value of report cards and the value of the 2015/2016 and 2016/2017 UN predictive value for UN 2017/2018. The results showed that the Mean Square Error (MSE), the smallest on the subjects B. Indonesia amounted to 0.011279, -0.019804 by B. English , Mathematics obtained at -0.06416 and IPA for -0.0075304 with a combination of parameters such as 2,000 epochs of training and learning rate of 0,1. backpropagation neural network produced reliable enough to predict national exam scores with accuracy higher than from the calculation of the average value.
Key Word: artificial neural network, backpropogation, national exam

Teks Lengkap:

PDF

Referensi


Abdullah, Ade Gafur (2010). Diktat Mata Kuliah ET.171 Pengantar Kecerdasan Buatan. Bandung: Universitas Pendidikan Indonesia.

Budi Santoso. (2007). “Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis”. Yogyakarta: Graha Ilmu.

Depdiknas., RI. (2003). Sistem Pendidikan Nasional; Nomor 20 tahun 2003 tentang standar nasional pendidikan.Jakarta: Depdiknas RI.

D. T. Larose. (2005)“Discovering Knowledge” in Data. New Jersey: John Willey & Sons, Inc.

E.R.Naganathan, R.Venkatesh, N.Uma Maheswari. (2008). Intelligent Tutoring System: Predicting Students Results Using Neural Networks. Journal of Convergence Informarion Technology Vol. 3 No. 3, September 2008.

Hindayati Mustafidah, Sri Hartati, Retantyo Wardoyo, Agus Harjoko. (2014). Selection of Most Appropriate Backpropagation Training Algorithm in Data Pattern Recognition. International

J. Han, and M. Kember. (2006). “Data Mining Concepts and Techniques”. San Fransisco: Morgan Kauffman

Journal of Computer Trends and Technology (IJCTT) – volume 14 number 2 – Aug 2014

Kothari. (2004). “Data Mining Concepts and Techniques”. San Fransisco: Morgan Kauffman. 2004.

Kusrini, and Luthfi, E. T. (2009). “Algoritma Data Mining”. Yogyakarta: Andi Publishing.

Kusumadewi, Sri. (2003). Artificial Intelligence (Teknik Dan Aplikasinya). Jogjakarta : Graha Ilmu.

Kusumadewi, Sri. (2004) Membangun Jaringan Syaraf Tiruan (Menggunakan MATLAB dan Excel Link). Jogjakarta : Graha Ilmu.

Liao. (2007). “Recent Advances in Data Mining of Enterprise Data: Algorithms and Application”. Singapore: World Scientific Publishing. 2007

Mauridhi Hery Purnomo, and Agus Kurniawan. (2006). “Supervised Neural Networks dan Aplikasinya”. Yogyakarta: Graha Ilmu.

Puspitaningrum, (2006), Pengantar Jaringan Syaraf Tiruan, C.V Andi Offset, Yogyakarta

S. J. Jek, Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. Yogyakarta. 2005

V.O. Oladokun, Ph.D., A.T. Adebanjo, B.Sc., dan O.E. Charles-Owaba, Ph.D. (2008). Predicting Students’ Academic Performance using Artificial Neural Network: A Case Study of an Engineering Course. The Pacific Journal of Science and Technology

Widiarsono, Teguh. (2005).Tutorial Praktis Belajar Matlab. Jakarta:Author.

Widodo, Prabowo Pudjo., Handayanto, Rahmadya Trias. Penerapan Soft Computing Dengan Matlab, Bandung: Rekayasa Sains, 2012.




P-ISSN: 2527-449X E-ISSN: 2549-7421
Statistik Pengunjung Jurnal IJCIT
 

Dipublikasikan oleh LPPM Universitas Bina Sarana Informatika PSDKU Kota Tasikmalaya

Jl. Tanuwijaya No.4, Empangsari, Kec. Tawang, Tasikmalaya, Jawa Barat 46113, Telp : (0265) 323846
Creative Commons License
This work is licensed under a Creative Commons Attribution-ShareAlike 4.0 International License