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

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

• By Yanti_Apriyani,;
• Jurnal Nasional Terakreditasi
• 95
• 63-70

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.

• Katakunci backpropogation, jaringan syaraf tiruan, ujian nasional
• URL https://ejournal.bsi.ac.id/ejurnal/index.php/ijcit/article/view/3760
• Penerbit ,

REFERENSI

[1] Abdullah, Ade Gafur (2010). Diktat Mata Kuliah ET.171 Pengantar Kecerdasan Buatan. Bandung: Universitas Pendidikan Indonesia.
[2] Budi Santoso. (2007). “Data Mining Teknik Pemanfaatan Data untuk Keperluan Bisnis”. Yogyakarta: Graha Ilmu.
[3] Depdiknas., RI. (2003). Sistem Pendidikan Nasional; Nomor 20 tahun 2003 tentang standar nasional pendidikan.Jakarta: Depdiknas RI.
[4] D. T. Larose. (2005)“Discovering Knowledge” in Data. New Jersey: John Willey & Sons, Inc.
[5] 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
[6] Hindayati Mustafidah, Sri Hartati, Retantyo Wardoyo, Agus Harjoko. (2014). Selection of Most Appropriate Backpropagation Training Algorithm in Data Pattern Recognition. International
[7] J. Han, and M. Kember. (2006). “Data Mining Concepts and Techniques”. San Fransisco: Morgan Kauffman
[8] Journal of Computer Trends and Technology (IJCTT) – volume 14 number 2 – Aug 2014
[9] Kothari. (2004). “Data Mining Concepts and Techniques”. San Fransisco: Morgan
Kauffman. 2004.
[10] Kusrini, and Luthfi, E. T. (2009). “Algoritma Data Mining”. Yogyakarta: Andi Publishing.
[11] Kusumadewi, Sri. Artificial Intelligence (Teknik Dan Aplikasinya). Jogjakarta : Graha Ilmu. 2003.
[12] Kusumadewi, Sri. Membangun Jaringan Syaraf Tiruan (Menggunakan MATLAB dan Excel Link). Jogjakarta : Graha Ilmu. 2004
[13] Liao. (2007). “Recent Advances in Data
Mining of Enterprise Data: Algorithms
and Application”. Singapore: World
Scientific Publishing. 2007
[14] Mauridhi Hery Purnomo, and Agus
Kurniawan. (2006). “Supervised Neural
Networks dan Aplikasinya”. Yogyakarta:
Graha Ilmu.
[15] Puspitaningrum, 2006, Pengantar Jaringan Syaraf Tiruan, C.V Andi Offset, Yogyakarta
[16] S. J. Jek, Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab. Yogyakarta. 2005
[17] 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
[18] Widiarsono, Teguh. (2005).Tutorial Praktis
Belajar Matlab.Jakarta:Author.
[19] Widodo, Prabowo Pudjo., Handayanto, Rahmadya Trias. Penerapan Soft Computing Dengan Matlab, Bandung: Rekayasa Sains, 2012.