JIKOMSI [Jurnal Ilmu Komputer dan Sistem Informasi] E-ISSN : Vol.3 No.3, September-Maret 2021, pp

(1)

Sri Kumala Sari1_{, Jonson Manurung}2_{[Implementasi Jaringan Syaraf Tiruan Untuk Memprediksi} Tingkat Pemahaman Siswa Pada Mata Pelajaran Ujian Akhir Sekolah (UAS) Di SD Mis An Nur Sukamandi Menggunakan Metode Backpropragation]

283

Implementasi Jaringan Syaraf Tiruan Untuk Memprediksi

Tingkat Pemahaman Siswa Pada Mata Pelajaran Ujian

Akhir Sekolah (UAS) Di SD Mis An Nur Sukamandi

Menggunakan Metode Backpropragation

Sri Kumala Sari, Jonson Manurung

2

1,2_{STMIK Pelita Nusantara, Jl. Iskandar Muda No.1, Medan 20154, Indonesia} s_{srikumalasari23@gmail.com;}2_{jhonson.geo@gmail.com}

IV. Pendahuluan

Dalam dunia pendidikan, tingkat prestasi akademik sangat diperlukan sebagai tolak ukur dalam menilai kemampuan siswa. Prestasi akademik digunakan sebagai gambaran dalam pencapaian tingkat akademik. Prestasi akademik didapatkan dari hasil belajar yang optimal. Prestasi akademik dinyatakan sebagai pengetahuan yang dicapai atau keterampilan yang dikembangkan dalam mata pelajaran tertentu di sekolah, biasanya ditetapkan dengan nilai tes.

INFORMASI ARTIKEL A B S T R A K KataKunci:

Jaringan Saraf Tiruan Backpropagation Pemahaman

Proses penilaian untuk mengetahui tingkat pemahaman siswa di SD MIS AN NUR SUKAMANDI selama ini masih dilakukan secara manual, sehingga untuk mengetahui tingkat pemahaman siswanya perlu dilakukan secara konvensional melalui sebuah sistem. Metode Backpropagation adalah salah satu metode yang dapat digunakan untuk memprediksi karena memiliki tingkat akurasi yang tinggi. Data-data yang digunakan dalam penelitian ini adalah data-data mata pelajaran yang masuk ke dalam Ujian Akhir Sekolah (UAS), yaitu mata pelajaran Ilmu Pengetahuan Alam (IPA), Matematika, Bahasa Indonesia, dan Bahasa Inggris dari SD MIS AN NUR SUKAMANDI yang diperoleh secara langsung ditempat penelitian.Sistem yang dibangun menggunakan PHPdenganbahasa pemrograman web berbasis server (server-side). Hasil dari penelitian ini adalah aplikasi untuk memprediksi tingkat pemahaman siswa dalam mata pelajaran yang masuk ke dalam Ujian Akhir Sekolah (UAS), yaitu mata pelajaran Ilmu Pengetahuan Alam (IPA), Matematika, Bahasa Indonesia, dan Bahasa Inggris

Keywords:

Artificial Neural Network Backpropagation Understanding,

ABSTRACT

The assessment process to determine the level of understanding of students at SD MIS AN NUR SUKAMANDI is still done manually, so that to determine the level of understanding of students, it is necessary to do it conventionally through a system. The Backpropagation method is a method that can be used to predict because it has a high degree of accuracy. The data used in this study are data on subjects that are included in the Final School Examination (UAS), namely Natural Sciences (IPA), Mathematics, Indonesian, and English from SD MIS AN NUR SUKAMANDI. obtained directly at the research site. The system built using PHP with a server-based web programming language (server-side). The result of this research is an application to predict the level of understanding of students in subjects that are included in the Final School Examination (UAS), namely Natural Sciences (IPA), Mathematics, Indonesian Language, and English Language

(2)

JIKOMSI [Jurnal Ilmu Komputer dan Sistem Informasi] E-ISSN : 2723-6129 Vol.3 No.3, September-Maret 2021, pp 283-292

284

Dalam kegiatan proses belajar mengajar di sekolah tidak terlepas dari tenaga pengajar yang profesional dan pemahaman siswa, serta perlunya hubungan dua arah antara siswa dengan tenaga pengajar. Hal ini bertujuan agar selama dalam proses belajar mengajar tercipta kerjasama yang baik antara tenaga pengajar dan siswa. Terutama dalam mata pelajaran yang masuk ke dalam Ujian Akhir Sekolah (UAS), yaitu mata pelajaran Ilmu Pengetahuan Alam (IPA), Matematika, Bahasa Indonesia, dan Bahasa Inggris.

Sekolah SD MIS AN NUR SUKAMANDI merupakan sekolah dasar islam di desa Sukamandi yang saat ini memiliki siswa berjumlah 170 orang. Proses penilaian untuk mengetahui tingkat pemahaman siswa di SD MIS AN NUR SUKAMANDI selama ini masih dilakukan secara manual, sehingga untuk mengetahui tingkat pemahaman siswanya perlu dilakukan secara konvensional melalui sebuah sistem. Di Sekolah SD MIS AN NUR SUKAMANDI, setiap akhir semester pihak sekolah melakukan penilaian untuk memprediksi tingkat pemahaman siswa dalam suatu mata pelajaran terutama dalam mata pelajaran yang masuk ke dalam Ujian AkhirSekolah (UAS), yaitu mata pelajaran Ilmu Pengetahuan Alam (IPA), Matematika, Bahasa Indonesia, dan Bahasa Inggris.

Perkembangan teknologi yang semakin canggih kini telah mengubah dunia pendidikan. Pembelajaran yang dulunya menggunakan cara konvensional berangsur-angsur berubah menjadi modern. Penggunaan alat-alat teknologi dalam pembelajaran memberikan banyak manfaat kepada peserta didik ataupun pendidik. Metode Backpropagation adalah salah satu metode yang dapat digunakan untuk memprediksi karena memiliki tingkat akurasi yang tinggi. Zola, Nurcahyo, dan Santony dalam penelitiannya yang berjudul “Jaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation untuk Memprediksi Prestasi Siswa” (2018) berpendapat bahwa dengan menggunakan Jaringan Syaraf Tiruan dengan algoritma Backpropagatian proses prediksi lebih cepat, akurat, meminimalisir kesalahan dan bisa menggunakan teknologi komputer, serta mudah dalam pengembangannya. [1]

Solikhun, Safii, dan Trisno dalam penelitiannya yang berjudul “ Jaringan Syaraf Tiruan untuk Memprediksi Tingkat Pemahaman Siswa Terhadap Mata Pelajaran dengan Menggunakan Algoritma Backpropagation” (2017) berpendapat bahwaDari hasil prediksi yang diperoleh didapat hasil bahwa JST dapat melakukan prediksi diatas 90 % tingkat akurasi kebenaranya [2].

V. Landasan Teori

A. Konsep Jaringan Saraf Tiruan

Jaringan syaraf tiruan tidak diprogram untuk menghasilkan keluaran tertentu. Semua keluaran atau kesimpulan yang ditarik oleh jaringan didasarkan pada pengalamannya selama mengikuti proses pembelajaran. Lapisan-lapisan penyusun jaringan syaraf tiruan dapat dibagi menjadi tiga, (a) Lapisan Input, yang merupakan unit masukan gambaran masalah, (b) Lapisan tersembunyi, yang merupakan unit tersembunyi dan tidak dapat langsung diamati, (c) Lapisan Output, merupakan unit keluaran atau hasil. Jaringan Syaraf tiruan dibagi ke dalam 3 macam arsitektur .

1. Jaringan Lapis Tunggal: Jaringan yang hanya memiliki arsitektur jenis ini hanya memeliki satu buah lapisan bobot koneksi.

2. Jaringan Multilapis : Merupakan jaringan dengan satu atau lebih lapisan tersembunyi. Multilayer net ini memiliki kemampuan lebih dalam memecahkan masalah bila dibandingkan dengan single layer

3. Jaringan Kompetitif : Pada jaringan ini sekumpulan neuron bersaing untuk mendapatkan hal menjadi aktif.[3]

B. Metode Propagasi Balik (Backpropogation)

Istilah “propogasi balik” atau “ penyiaran kembali” diambil dari cara kerja jaringan ini, yaitu bahwa gradien error unit-unit tersembunyi diturunkan pada penyiaran kembali error-error yang diasosiasikan dengan unit-unit output. Hal ini karena nilai target untuk unit-unit tersembunyi tidak diberikan Salah satu Algoritma dari jaringan saraf tiruan adalah Backpropogation, metode ini dipakai untuk menyelesaikan masalah yang rumit dan kompleks, karena Algoritma ini menggunakan pelatihan pada metode pembelajarannya. Backpropagation memiliki proses pembelajaran maju dan perbaikan kesalah secara mundur. [4][5].

(3)

285

nilai ambang (bila menggunakan ambang sebagai kondisi berhenti) atau set maksimal epoch (bila menggunakan banyaknya epoch sebagai kondisi berhenti).

Langkah 1: Jika kondisi penghentian belum terpenuhi, lakukan langkah 2-9. Langkah 2:Untuk setiap pasang data pelatihan, lakukan langkah 3-8.

Langkah 3: Setiap unit input xi (dari unit ke-1 sampai unit ke-n pada lapisan input) mengirimkan sinyal input ke semua unit yang ada di lapisan atasnya (ke lapisan tersembunyi):

Langkah 4: Pada setiap unit di lapisan tersembunyi zj, (dari unit ke-1sampai unit ke-p; i=1,...,n; j=1,...,p) sinyal output lapisan tersembunyinya dihitung dengan menerapkan fungsi aktivasi terhadap penjumlahan sinyal-sinyal input berbobot xi:

𝑍𝑗 = 𝑓(𝑉0𝑗 + ∑𝑋𝑖𝑉𝑖𝑗 (1)

Langkah 5: setiap unit di lapisan output yk, (dari unit ke-1sampai unit ke-m; i=1,...,n; k=1,...,m) dihitung sinyal outputnya dengan menearpkan fungsi aktivasi terhadap penjumlahan sinyal-sinyal input berbobot zj bagi lapisan ini: 𝑌𝑘 = 𝐹 ( 𝑊𝑜𝑘 + ∑ 𝑍𝑗𝑊𝑗𝑘 (2)

Langkah 6: Setiap unit output yk, (dari unit ke-1sampai unit ke-m; i=1,...,n; k=1,...,m) menerima pola target tk lalu informasi kesalahan lapisan output (ok) dihitung. ok dikirim ke lapisan di bawahnya dan digunakan untuk menghitung besar koreksi bobot dan bias (∆wjk dan ∆w0k) antar lapisan tersembunyi dengan lapisan output: 𝑃𝑜𝑘 = (𝑇𝑘 − 𝑌𝑘)𝑓 (𝐹 ( 𝑊𝑜𝑘 + ∑ 𝑍𝑗𝑊𝑗𝑘)𝑗 = 1 (3)

∆𝑊𝑗𝑘 = 𝛼𝑜𝑘𝑍𝑗 (4)

∆𝑊𝑜𝑘 = 𝛼𝑜𝑘 (5)

Langkah 7: Pada setiap unit di lapisan tersembunyi dilakukan perhitungan informasi kesalahan lapisan tersebunyi (oj). oj kemudian digunakan untuk menghitung besar koreksi bobot dan bias (∆vij dan ∆v0j) antara lapisan input dan lapisan tersembunyi. 𝑜𝑘 = (∑ 𝑂𝑘𝑊𝑗𝑘)𝑓 (𝐹 ( 𝑉𝑜𝑗 + ∑ 𝑋𝑖𝑉𝑖𝑗) (6)

𝐾 = 1 𝑖 = 1 (7)

∆𝑉𝑖𝑗 = 𝛼𝑜𝑗 𝑋𝑖 (8)

∆𝑉𝑜𝑗 = 𝛼𝑜𝑗 (9)

Langkah 8: Pada setiap unit output yk dilakukan pengupdatean bias dan bobot sehingga bias dan bobot yang baru menjadi: 𝑊𝑗𝑘 ( 𝐵𝑎𝑟𝑢 = 𝑊𝑗𝑘 (𝐿𝑎𝑚𝑎) + ∆𝑊𝑗𝑘 (10)

Dari unit ke-1 sampai unit ke-p di lapisan tersembunyi juga dilakukan pengupdatean pada bias dan bobotnya: 𝑉𝑖𝑗( 𝐵𝑎𝑟𝑢 = 𝑉𝑖𝑗 (𝐿𝑎𝑚𝑎) + ∆𝑉𝑖𝑗 (11)

10. Tes kondisi berhenti.

C. Pendidikan

Pendidikan secara etimologi berasal dari kata “paedagogie” dari bahasa Yunani, terdiri dari kata “pais” artinya anak dan “again” artinya membimbing, jadi jika diartikan, paedagogie artinya bimbingan yang diberikan kepada anak. Dalam bahasa Romawi pendidikan berasal dari kata “educate” yang berarti mengeluarkan sesuatu yang berada dari dalam. Sedangkan dalam bahasa Inggris pendidikan diistilahkan

(4)

286

dengan kata “to educate” yang berarti memperbaiki moral dan melatih intelektual dalah seni dan ilmu untuk memperkirakan kejadian dimasa depan. [6]

Melalui pendidikan, siswa dapat meningkatkan bakat dan prestasi yang menunjukkan kemampuan pemahaman siswa. Pemahaman suatu konsep merupakan hal yang penting dalam pembelajaran. Prestasi belajar merupakan hasil belajar yang dicapai setelah melalui proses kegiatan belajar mengajar. Prestasi belajar dapat ditunjukkan melalui nilai yang diberikan oleh seorang guru dari jumlah bidang studi yang telah dipelajari oleh peserta didik. Setiap kegiatan pembelajaran tentunya selalu mengharapkan akan menghasilkan pembelajaran yang maksimal. Dalam proses pencapaiannya, prestasi belajar sangat dipengaruhi oleh berbagai faktor. [7] [8][9].

VI. Metode

A. Kerangka Kerja Penelitian

Kerangka kerja penelitian merupakan suatu tahapan yang digunakan dalam langkah-langkah penyelesaian masalah yang akan dilakukan di dalam penelitian :

Gambar 1. Kerangka Kerja Penelitian

Kerangka kerja penelitian merupakan suatu tahapan yang digunakan dalam langkah-langkah penyelesaian masalah yang akan dilakukan di dalam penelitian berupa Studi lapangan untuk menentukan menentukan identifikasi masalah, kemudian memasuki tahap analisa masalah, setelah itu memasuki tahapan pengumpulan data, selanjutnya tahapan merancang sistem, menerapkan Algoritma, menguji hasil sistem dan menarik kesimpulan.

B. Analisa Data

Data yang digunakan dalam penelitian ini meliputi beberapa nilai siswa pada yang didapatkan dari guru bidang studi SD MIS AN NUR SUKAMANDI yang akan dijadikan alternatif penilaian pada penelitian ini, Adapun kriteria dalam penelitian ini berdasarkan dari standar aspek penilaian Sekolah. Berikut ini adalah kriteria-kriteria yang dijadikan patokan penilaian :

(5)

287

Tabel 2. Kriteria Peniaian

Variabel Kriteria Keterangan Nilai

Target

A Pengetahuan Berkaitan dengan topik materi 0.25

B Keterampilan / Kemampuan Berkaitan dengan kreativitas yang didapatkan dari mata pelajaran

0.25 C Penilaian dan Beban Tugas Berkaitan dengan latihan uji pemahaman 0.25 D Antusias Berkaitan dengan respons terhadap mata

pelajaran

0.25

Tabel 2 menunjukkan tentang jenis kriteria yang akan digunakan untuk data nilai siswa, dimana variabel A merupakan nilai pengetahuan siswa, Variabel B merupakan Keterampilan yang akan dinilai, Variabel C merupakan nilai siswa atas tugas yang diberikan guru, sedangkan Variabel D merupakan keaktifan dan antusian dari siswa. Berikut adalah masing-masing nilai untuk mata Pelajaran UAS sesuai denga bobot Kriteria yang telah di tetapkan :

Tabel 3. Sampel Data untuk nilai pelajaran IPA

Tabel 3 menunjukkan data nilai siswa menurut kriteria yang sesuai pada tabel 1, data nilai tersebut sudah di konversikan kedalam variabel yang telah di tentukan dan di sesuaikan dengan bobot yang ada.

C. Perancangan Sistem

Perancangan sistem yang diusulkan digambarkan dengan Use Case Diagram seperti yang digambarkan sebagai berikut :

Kriteria Range Nilai Bobot

Sangat Memahami 86 - 100 1

Memahami 76 – 85 0.8

Cukup Memahami 61 – 75 0.6

Kurang Memahami 31 – 60 0.4

Tidak Memahami 0 – 30 0.2

NO NAMA SISWA NILAI IPA

(A) (B) (C) (D) Rata-rata

1. Anggi Ardianti 75 80 75 83 78.25

2. Alza Aulia Abizan 77 79 80 83 79.75

3. Dafa Andi Setiawan 75 78 76 79 77

4. M.Ciko Ardiansyah 83 85 77 79 81

(6)

288

Gambar 2. Use Case Diagram Sistem

Untuk memahami lebih jelas, apa saja yang akan dilakukan oleh user dalam use case diagram diatas, maka akan dijelaskan gambaran fungsionalitas dari use case diagram dan juga skenario use case seperti dibawah ini

.

VII. Hasil dan Pembahasan

Dibawah ini adalah Data hasil penilaian siswa yang telah diubah kedalam nilai bobot dapat dilihat pada tabel dibawah ini

Tabel 4. Data penilaian Alternatif Pelajaran IPA

Tabel 4 menunjukkan konversi penilaian dari Nilai IPA yang didapatkan pada siswa menjadi nilai alternanif yang telah di tentukan. Lakukan perubahan nilai alternatif yang ada pada setiap pelajaran MTK, Bahasa Indonesia dan Bahasa Inggris. Selanjutnya ubah data alternatif kedalam nilai range.

Tabel 5. Data penilaian Alternatif Pelajaran IPA

(A) (B) (C) (D)

1. Anggi Ardianti CM M CM M

2. Alza Aulia Abizan M M M M

3. Dafa Andi Setiawan CM M M M

4. M.Ciko Ardiansyah M M M M

5 Syafiqah Salwa SM SM SM SM

(7)

289

Lakukan perubahan nilai alternatif kedalam range yang telah ditetapkan untuk setiap pelajaran MTK, Bahasa Indonesia dan Bahasa Inggris. Selanjutnya Untuk mengetahui tingkat pemahaman siswa tentu saja didasarkan pada kegiatan mengajar. Output dari tingkat pemahaman yaitu apakah siswa memahami terhadap mata pelajaran dengan bobot 1. kategori untuk "memahami" ditentukan oleh tingkat error minimum dari target "memahami". Berikut adalah nilai error minimum setiap katagorisasi memahami

1. Sangat memaham= 0.0000-0.0010 2. Memahami = 0.0011-0.0100

3. Cukup Memahami = 0.0101-0.1000

Selanjutnya berikan Learning Rate pada tahap inisialisasi, dalam penelitian ini, Learning Rate = 1. Selanjutnya Hitung Output dan Hidden layer setiap pelajaran, pembaruan bobot hingga Perangkingan Hasil.

A. Implementasi Sistem

Implementasi sistem merupakan proses penerapan implementasi jaringan syaraf tiruan untuk memprediksi tingkat pemahaman siswa pada mata pelajaran Ujian Akhir Sekolah (UAS) di SD MIS AN NUR SUKAMANDI menggunakan metode backpropragation. Berikut merupakan penjelasan mengenai form-form yang terdapat dalam sistem yang telah dirancang untuk diimplementasikan.

1. From Utama

Gambar 3. Form Utama

Form utama merupakan halaman yang ditampilkan setelah pengguna berhasil melakukan login. Form utama berisi halaman utama pada sistem dan menu-menu yang dapat digunakan oleh pihak pengguna.

2. Form Data Siswa

2. Alza Aulia Abizan 0,8 0,8 0,8 0,8

3. Dafa Andi Setiawan 0,6 0,8 0,8 0,8

4. M.Ciko Ardiansyah 0,8 0,8 0,8 0,8

(8)

290

Gambar 4. Form Data Siswa

Form ini digunakan oleh pengguna untuk memasukkan data siswa berupa NIS, Nama Siswa, Alamat, Tanggal Lahir, Jenis Kelamin, Agama, Kontak. Kemudian pengguna dapat melakukan tambah, simpan, edit dan hapus. Kemudian sistem akan memproses kedalam database yang telah disediakan.

3. Form Data Nilai

Gambar 5. Form Data Nilai

Form ini digunakan oleh pengguna untuk memasukkan data nilai matapelajaran. Kemudian pengguna dapat melakukan tambah, simpan, edit dan hapus. Kemudian sistem akan memproses kedalam database yang telah disediakan.

(9)

291

Gambar 6. Form Hasil

Form ini merupakan halaman menampilkan hasil dari proses perhitungan algoritma backpropagation. Hasil yang ditampilkan merupakan tiap-tiap gabungan perhitungan permata pelajaran dibagi dengan 4.

VIII. Kesimpulan

Berdasarkan penelitian dan implementasi yang dilakukan pada “Implementasi Jaringan Syaraf Tiruan untuk memprediksi Tingkat Pemahaman Siswa Pada Mata Pelajaran Ujian Akhir Sekolah (UAS) di SD MIS AN NUR SUKAMANDI menggunakan metode Backpropragation”,maka dapat diambil kesimpulan sebagai berikut:

1. Penerapan metode backpropagation untuk memprediksi tingkat pemahaman siswa pada mata pelajaran Ujian Akhir Sekolah (UAS) di SD MIS AN NUR SUKAMANDI sangat efisien dan dapat mempercepat proses pembentukan prediksi siswa mana saja yang masuk kategori memahami dan yang belum masuk kategori belum memahami.

2. Hasil perhitungan sistem dengan manual adalah sama.

3. Implementasi dilakukan dengan menggunakan database sebagai penyimpanan data hasil kombinasi sementara.

Daftar Pustaka

[1] Zola, F. Gunadi, W.N, Julius, S. (2018)." Jaringan Syaraf Tiruan Menggunakan Algoritma Backpropagation untuk Memprediksi Prestasi Siswa". Jurnal Teknologi dan Open Source, Vol 1.No 1.

[2] Solikhun and M. Safii, (2017) “Jaringan Saraf Tiruan Untuk Memprediksi,” J. Sains Komput. Inform., vol. 1, no. 1, pp. 24–36,

[3] Puspitaningrum, D. 2006. Jaringan Syaraf Tiruan. Yogyakarta: Andi

[4] Matondang, Zekson, A, . 2013. "Jaringan Syaraf Tiruan Dengan Algoritma Backpropagation Untuk Penentuan Kelulusan Sidang Skripsi. Jurnal Pelita Informatika Budi Darma. STIMIK Budi Darma. Volume IV. Nomor 1. 2013.

[5] Septian, R.S, Candra D, Lailil M." Implementasi Jaringan Syaraf Tiruan Backpropagation untuk Mendiagnosis Penyakit Kulit pada Anak" Jurnal Pengembangan Teknologi Informasi dan Ilmu Komputer. Vol 1 No 7. 2017

[6] Siti, A.S, (2018)." Teori-Teori Pendidikan Dalam Al-Qur’an". Edukasi Islam, Jurnal Pendidikan Islam Vol.07, No. 1

(10)

292

[7] N. P. Widiawati, K. Pudjawan, I. G. Margunayasa, (2015) “Analisis pemahaman konsep dalam

pembelajaran IPA pada siswa kelas IV SD di gugus II kecamatan banjar,” e-Journal PGSD Univ. Pendidik. Ganesha, vol. 3, no. 1, pp. 12–14

[8] Syafi’i, T. Marfiyanto, and S. K. Rodiyah, “Studi Tentang Prestasi Belajar Siswa Dalam Berbagai Aspek Dan Faktor Yang Mempengaruhi,” J. Komun. Pendidik., vol. 2, no. 2, p. 115,

[9] Y. Hendawati and C. Kurniati, (2017). “Penerapan Metode Eksperimen Terhadap Pemahaman Konsep Siswa Kelas V Pada Materi Gaya Dan Pemanfatannya,” Metod. Didakt., vol. 13, no. 1. [10] Fetty, T.A, Intan, Y P.“Jaringan Saraf Tiruan Dan Modifikasinya Menggunakan Supervised

Learning”. Indomedia Pustaka, 2019.

[11] Andrian, Y, Erlinda. “Prediksi Curah Hujan Di Kota Medan Menggunakan Metode Backpropagation”. Indomedia PustakaSeminar Nasional, 2014.