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.
[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.