Prediksi Hasil Belajar Hybrid Menggunakan Artificial Neural Network Dengan Multilayer Perceptron

(1)

Prediksi Hasil Belajar Hybrid Menggunakan Artificial Neural Network Dengan Multilayer Perceptron

Saeful Anwar^1,*, Dian Ade Kurnia², Ahmad Faqih¹, Siti Rini Sari¹, Fitri Adha Hariyati Airi¹

1Teknik Informatika, STMIK IKMI Cirebon, Cirebon, Indonesia

2Manajemen Informatika, STMIK IKMI Cirebon, Cirebon, Indonesia

Email: ^1,*[email protected], ²[email protected], ³[email protected], ⁴[email protected],

Email Penulis Korespondensi: [email protected] Submitted 24-10-2022; Accepted 31-10-2022; Published 31-10-2022

Abstrak

Pelaksanaan pembelajaran jarak jauh secara daring berpengaruh terhadap aspek psikososial peserta didik sehingga dilakukan kombinasi pembelajaran secara luar jaringan (luring) dan tatap muka (offline) dengan menggunakan Hybrid Learning. Permasalahan dalam penelitian ini adalah analisis kompetensi yang akan dihasilkan, karakteristik mahasiswa, interaksi tatap muka, strategi pembelajaran online, dan dosen dengan menghitung data hasil evaluasi Hybrid Learning untuk mendapatkan tingkat akurasi terbaik menggunakan metode teknik Machine Learning. Tujuan dari penelitian ini adalah untuk mengevaluasi hasil pembelajaran Hybrid dengan menggunakan metode Artificial Neural Network (ANN) yang diharapkan memiliki tingkat akurasi dan prediksi yang tepat serta menoleransi kesalahan sehingga dapat menghasilkan prediksi yang baik dan dapat digunakan untuk memodelkan hubungan yang baik dalam menemukan pola dalam data. Prediksi hasil belajar Hybrid Learning pada masa pandemi Covid 19 menggunakan teknik Machine Learning terdiri dari 12 atribut dengan total data 1.231 dataset hasil belajar Hybrid Learning tahun 2022. Model algoritma algoritma Artificial Neural Network menggunakan operator Retrive, Set Role, parameter optimasi, Validasi Silang, Terapkan Model, Performa, dan Log. Hasil akurasi menunjukkan 99,35% artinya hasil evaluasi pembelajaran menggunakan Hybrid Learning dengan prediksi yang cocok dan ternyata sesuai adalah 1039, kemudian yang tidak cocok adalah 8. Prediksi sangat sesuai dan ternyata sangat cocok di 104.

Artificial Neural Network dengan Multilayer Perceptron, dengan dua lapisan tersembunyi dan format lapisan tersembunyi pertama adalah 2 node, kemudian lapisan tersembunyi kedua adalah 5 node dengan output 3 node.

Kata Kunci: Pembelajaran Hybrid; Artificial Neural Network; Multilayer Perceptron Abstract

The implementation of online distance learning affects the psychosocial aspects of students so that a combination of offline and face- to-face learning is carried out using Hybrid Learning. The problem in this research is the analysis of the competencies that will be generated, student characteristics, face-to-face interactions, online learning strategies, and lecturers by calculating the data from the Hybrid Learning evaluation to get the best level of accuracy using the Machine Learning technique method. The purpose of this study is to evaluate the results of Hybrid learning using the Artificial Neural Network (ANN) method which is expected to have the right level of accuracy and prediction and tolerate errors so that it can produce good predictions and can be used to model good relationships in finding patterns in the data. . Prediction of Hybrid Learning learning outcomes during the Covid 19 pandemic using Machine Learning techniques consisting of 12 attributes with a total of 1,231 datasets of Hybrid Learning learning outcomes in 2022. The Artificial Neural Network algorithm model uses Retrive operators, Set Roles, optimization parameters, Cross Validation, Apply Models, Performance and Logs. Accuracy results show 99.35% meaning that the results of the learning evaluation using Hybrid Learning with predictions that match and turn out to be appropriate are 1039, then those that do not match are 8. The predictions are very suitable and turn out to be very suitable in 104. Artificial Neural Network with Multilayer Perceptron, with two hidden layer and the format of the first hidden layer is 2 nodes, then the second hidden layer is 5 nodes with an output of 3 nodes.

Keywords: Hybrid Learning; Artificial Neural Network; Multilayer Perceptron

1. PENDAHULUAN

Semenjak Covid-19 dinyatakan sebagai pandemi tahun 2020 oleh World Health Organization (WHO), Kementerian Pendidikan dan Kebudayaan mengambil kebijakan proses pembelajaran di rumah secara daring di lembaga pendidikan.

Pada tahun 2021 pemerintah mengeluarkan kebijakan baru melalui Surat Keputusan Bersama Menteri Pendidikan dan Kebudayaan, Menteri Agama, Menteri Kesehatan, dan Menteri Dalam Negeri tentang Panduan Penyelenggaraan Pembelajaran, kebijakan ini meupakan tindak lanjut dari penerapan pembelajan jarak jauh sepanjang pandemi Covid- 19[1]. Penerapan jaga jarak memaksa semua orang dalam seni pertunjukan untuk merangkul pedagogi yang tidak dikenal, di mana pengajaran tatap muka tradisional digantikan oleh pembelajaran semuanya berjalan online. Dengan menggunakan pembelajaran Hybrid Learning[2][3].

Program Hybrid Learning yang berkembang dewasa ini adalah 1) Perkuliahan face to face yang diselenggarakan dalam bentuk kegiatan perkuliahan di dalam kelas, kegiatan praktikum di laboratorium, mentoring ataupun job trainning, 2) Synchronous virtual collaboration pembelajaran secara kolaboratif yang melibatkan interaksi antara dosen dan mahasiswa yang disampaikan pada waktu yang sama, 3) Asynchronous virtual collaboration pembelajaran secara kolaboratif yang melibatkan interaksi antara dosen dan mahasiswa yang disampaikan pada waktu yang berbeda menggunakan fasilitas online discussion board atau forum diskusi dan e-mail, 4) Self-Face-Asynchronous merupakan model belajar mandiri dalam waktu yang berbeda dalam bentuk modul bahan ajar ataupun mengerjakan tugas dan latihan secara online dengan perbandingan persentase 70% online dan 30% tatap muka [4][5][6].

(2)

JURIKOM (Jurnal Riset Komputer), Vol. 9 No. 5, Oktober 2022 e-ISSN 2715-7393 (Media Online), p-ISSN 2407-389X (Media Cetak) DOI 10.30865/jurikom.v9i5.5024 Hal 1591−1598 http://ejurnal.stmik-budidarma.ac.id/index.php/jurikom

Hybrid Learning berfungsi untuk menjembatani penyampaian pesan pembelajaran dalam bentuk informasi aspek kognitif, aspek afektif, dan aspek psikomotorik sehingga memiliki peran penting dalam proses pembelajaran secara aktif [7][8][9]. Permasalahan dalam penelitian ini adalah analisis kompetensi yang akan dihasilkan, karakteristik mahasiswa, interaksi tatap muka, strategi pembelajaran online, dan dosen dengan menghitung data hasil evaluasi Hybrid Learning untuk mendapatkan tingkat akurasi terbaik menggunakan teknik Machine Learning.

Urgensi penelitian berdasarkan hasil survei Pembelajaran Jarak Jauh (PJJ) dan Asesmen Jarak Jauh yang dilakukan oleh Komisi Perlindungan Anak Indonesia pada tahun 2021 terdapat 246 pengaduan online terkait pembelajaran jarak jauh yaitu banyak tugas tertulis, masalah internet, beban kerja proyek, pembiayaan (SPP), dan sistem penilaian.

Tujuan dari penelitian ini adalah untuk mengevaluasi hasil pembelajaran Hybrid dengan menggunakan metode Artificial Neural Network (ANN) yang diharapkan memiliki tingkat akurasi dan prediksi yang tepat serta memiliki karakteristik yang mirip dengan sistem saraf pada manusia untuk menoleransi kesalahan sehingga dapat menghasilkan prediksi yang baik dan dapat digunakan untuk memodelkan hubungan yang baik. kompleks antara input dan output dalam menemukan pola dalam data. Selain itu, ANN memiliki kemampuan untuk mempelajari data tanpa waktu yang lama dalam pemodelan dan dapat mereproduksi ketidakstabilan debit tak tentu ke dalam bentuk model. Studi literatur penelitian ini mengutip dari Entis Sutisna, Lungguh Halira Vonti dengan artikel Strategi Pengembangan Inovasi Pembelajaran Bahasa Inggris Berbasis Pembelajaran Hybrid. Hasil penelitian menunjukkan bahwa penerapan pembelajaran Hybrid bermanfaat bagi dosen dan mahasiswa.

2. METODOLOGI PENELITIAN

2.1 Bahan Peneltian

Objek dalam penelitian ini memprediksi hasil pembelajaran Hybrid pada masa pandemi Covid 19 menggunakan teknik Machine Learning yang terdiri dari 12 atribut dengan total 1.231 dataset terkait hasil pembelajaran Hybrid tahun 2022 dengan evaluasi Contex, Input, Process, Product (CIPP). model ) seperti yang ditunjukkan pada tabel 1.

Tabel 1. Atribut

No Atribut

1 Dosen membuat Capaian Pembelajaran Mata Kuliah (CPMK)

2 Dosen menyusun keterkaitan tujuan pembelajaran dengan pembelajaran Hybrid Learning 3 Dosen menyusun materi ajar sesuai dengan pembelajaran Hybrid Learning

4 Dalam melaksanakan Hybrid Learning, mahasiswa selalu mengikuti perkuliahan daring dan mengakses LMS 5 Dalam melaksanakan Hybrid Learning, mahasiswa memperoleh modul, video pembelajaran, dan video

pengayaan di LMS

6 Dalam melaksanakan Hybrid Learning, mahasiswa selalu antusiasme dalam memberikan pertanyaan dan memberikan jawaban pada saat diskusi

7 Dalam melaksanakan Hybrid Learning, dosen mengimplementasikan pembelajaran Sinkronous dan Asinkronous

8 Dalam melaksanakan Hybrid Learning, menggunakan keberagaman model-model pembelajaran 9 alam melaksanakan Hybrid Learning, dosen memberikan materi pembelajaran sesuai dengan RPS 10 Melalui Hybrid Learning, aspek kognitif mahasiswa meningkat

11 Melalui Hybrid Learning, ada respon positif dari wali mahasiswa

12 Melalui Hybrid Learning, dapat menjadi model bagi pelaksanaan MBKM Model Evaluasi Contex, Input, Process, Product (CIPP)

Dalam prediksi hasil pembelajaran Hybrid Learning berdasarkan model evaluasi Contex, Input, Process, Product (CIPP) dengan empat tahap[22], yaitu:

a. Evaluasi Konteks

Evaluasi terhadap kebutuhan, tujuan pemenuhan kebutuhan, dan karakteristik individu b. Evaluasi Input

Informasi tentang masukan, kekuatan, kelemahan, strategi, dan desain c. Evaluasi Proses

Prosedur monitoring yang diimplementasikan sehingga butir yang kuat dapat dimanfaatkan dan yang lemah dihilangkan

d. Evaluasi Produk

Penilaian terhadap hasil yang telah diraih 2.2 Tahapan Penelitian

Metodologi penelitian merupakan acuan dalam pelaksanaan suatu penelitian. Metodologi penelitian memuat rencana kerja yang berurutan agar hasil yang diperoleh sesuai dengan yang diharapkan. Berikut ini adalah metodologi yang digunakan dalam penelitian dalam penerapan Prediksi Hasil Belajar Hybrid Menggunakan Artificial Neural Network dengan Multilayer Perceptron [6][10][11][12].

(3)

Gambar 1. Tahapan Penelitian

Berdasarkan Gambar 1. Mengenai tahapan penelitian di atas, dijelaskan bahwa alur penelitian dibagi menjadi 3 tahapan [13][14][15], yaitu:

a. Tahapan Pertama

Permasalahan dalam penelitian ini adalah analisis kompetensi yang akan dihasilkan, karakteristik mahasiswa, interaksi tatap muka, strategi pembelajaran online, dan dosen dengan menghitung data hasil evaluasi Hybrid Learning untuk mendapatkan tingkat akurasi terbaik menggunakan metode teknik Machine Learning. Tujuan dari penelitian ini adalah untuk mengevaluasi hasil pembelajaran Hybrid dengan menggunakan metode Artificial Neural Network (ANN) yang diharapkan memiliki tingkat akurasi dan prediksi yang tepat serta memiliki karakteristik yang mirip dengan sistem saraf pada manusia untuk menoleransi kesalahan sehingga dapat menghasilkan prediksi yang baik dan dapat digunakan untuk memodelkan hubungan yang baik. kompleks antara input dan output dalam menemukan pola dalam data.

b. Tahapan Kedua

Membangun model algoritma Artificial Neural Network mengacu pada data penemuan pengetahuan.

Gambar 2. Model Artificial Neural Network

Data Pemilihan data dari sekumpulan data operasional harus terjadi sebelum tahap ekstraksi informasi penemuan data pengetahuan dimulai. Data terpilih yang digunakan dalam proses penambangan data disimpan dalam file terpisah dari database operasional [16][17]. Pra-pemrosesan sebelum menjalankan proses data mining, perlu dilakukan proses pembersihan pada data yang ingin dicari data pengetahuannya. Proses pembersihan termasuk menghapus data duplikat, memeriksa data yang tidak konsisten, dan memperbaiki kesalahan data [1][18]. Transformasi adalah proses mentransformasikan data terpilih sehingga cocok untuk proses data mining [19].

(4)

Data Mining pada penelitian ini merupakan penerapan model algoritma Artificial Neural Network dengan Artificial Neural Network [20]. Pola informasi yang dihasilkan dari proses data mining evaluasi harus disajikan dalam format yang dapat dengan mudah dipahami oleh para pemangku kepentingan [21][22][23].

c. Tahapan Ketiga

Pembahasan hasil pola rekomendasi dari model algoritma Artificial Neural Network dengan Multilayer Perceptron untuk pembelajaran Hybrid di STMIK IKMI Cirebon.

3. HASIL DAN PEMBAHASAN

3.1 Masalah dan Tujuan penelitian

Permasalahan dalam penelitian ini adalah analisis kompetensi yang akan dihasilkan, karakteristik mahasiswa, interaksi tatap muka, strategi pembelajaran online, dan dosen dengan menghitung data hasil evaluasi Hybrid Learning untuk mendapatkan tingkat akurasi terbaik menggunakan metode teknik Machine Learning. Tujuan dari penelitian ini adalah untuk mengevaluasi hasil pembelajaran Hybrid dengan menggunakan metode Artificial Neural Network (ANN) yang diharapkan memiliki tingkat akurasi dan prediksi yang tepat serta memiliki karakteristik yang mirip dengan sistem saraf pada manusia untuk menoleransi kesalahan sehingga dapat dapat menghasilkan prediksi yang baik dan dapat digunakan untuk memodelkan hubungan yang baik. kompleks antara input dan output dalam menemukan pola dalam data.

3.2 Data Selection

Objek dalam penelitian ini adalah prediksi hasil pembelajaran Hybrid pada masa pandemi Covid 19 dengan menggunakan teknik Machine Learning yang terdiri dari 12 atribut dengan total data 1.231 dataset terkait hasil pembelajaran Hybrid tahun 2022, sedangkan data kriteria tercantum pada tabel 1.

3.3 Preprocessing

Preprocessing pada penelitian ini melakukan pembersihan data dengan menormalkan data yang tidak lengkap, pada penelitian ini melakukan normalisasi data label dengan mengacu pada Supriyantoko, Jaya, Kurnia, dan Habiba (2020).

Tabel 2. Range

No Interval Criteria

1 0% - 25% Sangat Tidak Sesuai

2 26% - 50% Tidak Sesuai

3 51% - 75% Sesuai

4 76% - 100% Sangat Sesuai 3.4 Transformation

Transformasi penelitian ini dilakukan dengan mengatur tipe data pada dataset, tipe data yang digunakan adalah integer dan binomial serta label, seperti gambar di bawah ini.

Gambar 3. Transformation 3.5 Model Algoritma Artificial Neural Network

Model algoritma Artificial Neural Network adalah sebagai berikut:

(5)

Gambar 4. Model Awal Artificial Neural Network

Berdasarkan Gambar 4. Mengenai model awal dalam penerapan Artificial Neural Network, operator yang digunakan adalah Retrive sebagai pemanggil untuk dataset yang diimpor, kemudian menetapkan alat untuk menentukan label dalam penelitian ini, dan mengoptimalkan parameter. Selanjutnya, atur model algoritma Artificial Neural Network n sebagai berikut:

Gambar 5. Model Kedua Artificial Neural Network

Berdasarkan Gambar 5. Mengenai model Artificial Neural Network, yang diperlukan adalah validasi silang operator sebagai ukuran dengan pelatihan dan pengujian sata atau Operator ini melakukan validasi silang untuk memperkirakan kinerja statistik suatu model pembelajaran.

Gambar 6. Model Ketiga Artificial Neural Network

(6)

Berdasarkan Gambar 6. Di atas, Model ketiga Artificial Neural Network menjelaskan bahwa operator yang digunakan adalah Artificial Neural Network, menerapkan model dan kinerja

Gambar 7. Model Keempat Artificial Neural Network

Operator ini menyimpan informasi ke dalam tabel log. Informasi ini dapat berupa apa saja termasuk nilai parameter operator, jumlah operator yang berlaku, waktu eksekusi, dll. Informasi yang disimpan dapat diplot oleh GUI saat eksekusi proses selesai. Selain itu, informasi tersebut juga dapat ditulis ke dalam file.

3.6 Evaluasi a. Hasil Akurasi

Gambar 8. Hasil Akurasi

Berdasarkan Gambar 8 di atas tentang hasil akurasi, dijelaskan bahwa hasil akurasi menunjukkan 99,35% artinya sebagai berikut: Hasil evaluasi pembelajaran menggunakan Hybrid dengan prediksi sesuai dan ternyata sesuai 1039, hasil evaluasi pembelajaran menggunakan Hybrid dengan prediksi yang sesuai dan ternyata sangat sesuai pada 0, hasil evaluasi pembelajaran menggunakan Hybrid dengan prediksi yang cocok dan ternyata tidak sesuai adalah 8, hasil evaluasi pembelajaran menggunakan Hybrid dengan prediksi sangat tepat dan ternyata 0, hasil evaluasi pembelajaran menggunakan Hybrid dengan prediksi sangat sesuai dan ternyata sangat sesuai sebesar 104, hasil evaluasi pembelajaran menggunakan pembelajaran Hybrid dengan prediksi yang sangat sesuai dan tidak sesuai pada 0, hasil evaluasi pembelajaran menggunakan pembelajaran Hybrid dengan prediksi yang tidak sesuai dan ternyata sesuai adalah 0, hasil evaluasi pembelajaran menggunakan pembelajaran Hybrid dengan prediksi yang tidak sesuai dan ternyata sangat sesuai adalah 0, hasil evaluasi pembelajaran menggunakan pembelajaran Hybrid dengan prediksi yang tidak sesuai dan ternyata tidak sesuai adalah 0.

b. Multilayer Perceptron

(7)

Gambar 9. Multilayer Perceptron

Berdasarkan Gambar 9. Di atas, Multi-screen Perceptron menjelaskan bahwa Artificial Neural Network dengan Multilayer Perceptron, dengan dua lapisan tersembunyi dan format lapisan tersembunyi pertama adalah 2 node, kemudian lapisan tersembunyi kedua adalah 5 node dengan output 3 node.

Hidden 1 dengan hasil nilai sigmoid yaitu

Node 1 (Sigmoid), R: 0.021, X1: -2.626, X2: -2.670, X3: -2.611, X4: -2.604, X5: -2.628, X6: -2.623, X7: - 2,607, X8: - 2,689, X9: -2,653, X10: -2,669, X11: -2,635, X12: -2,650 dan Bias: 9,271

Node 2 (Sigmoid), R: -0.024, X1: -2503, X2: -2.488, X3: -2.502, X4: -2.495, X5: -2.494, X6: -2.422, X7: -2.480, X8: - 2.469 , X9: -2.475, X10: -2.478, X11: -2.489, X12: -2.444 dan Bias: -8,987

Hidden 2 dengan hasil nilai sigmoid yaitu

Node 1 (Sigmoid) Node 1: 7,399, Node 2: 4,190, Bias: -2,980.

Node 2 (Sigmoid), Node 1: 0.294 Node 2: 9.218 Bias: -4.806 Node 3 (Sigmoid) Node 1: 6,898 Node 2: 3,937 Bias: -2,748 Node 4 (Sigmoid) Node 1: 5.183 Node 2: 2,973 Bias: -2.119 Node 5 (Sigmoid) Node 1: 5,394, Node 2: 3,099 Bias: -2.140 Output

Class 'Sesuai' (Sigmoid) --- Node 1: 4.373 Node 2: -9.618 Node 3: 3.741 Node 4: 1.508 Node 5: 1.797 Threshold: -5.838

Class 'Sangat Sesuai' (Sigmoid) --- Node 1: -4.178

Node 2: -1.248 Node 3: -3.805 Node 4: -2.966 Node 5: -3.001 Threshold: 7.122

Class 'Tidak Sesuai' (Sigmoid) --- Node 1: -0.180

Node 2: 9.093 Node 3: -0.219 Node 4: 0.310 Node 5: 0.145 Threshold: -5.174

(8)

4. KESIMPULAN

Prediksi hasil pembelajaran Hybrid pada masa pandemi Covid 19 menggunakan teknik Machine Learning yang terdiri dari 12 atribut dengan total 1.231 dataset terkait hasil pembelajaran Hybrid tahun 2022. Model algoritma Artificial Neural Network menggunakan operator Retrive, Set Role, parameter optimasi , Validasi Silang, Artificial Neural Network, Terapkan Model, Performa, dan Log. Hasil akurasi menunjukkan 99,35% artinya hasil evaluasi pembelajaran menggunakan Hybrid dengan prediksi yang cocok dan ternyata sesuai adalah 1039, kemudian yang tidak cocok adalah 8.

Prediksi sangat tepat dan ternyata sangat cocok di 104. Artificial Neural Network dengan Multilayer Perceptron, dengan dua lapisan tersembunyi dan format lapisan tersembunyi pertama adalah 2 node, kemudian lapisan tersembunyi kedua adalah 5 node dengan output 3 node.

REFERENCES

[1] N. Mardiana, O. Nurdiawan, and A. Fahansyah, “Covid-19 Website Quality Towards user Satisfaction and Intention to Use Analysis using Partial Least Square Struktura Equation Modeling,” Prosiding, p. https://news.ge/anakliis-porti-aris-qveynis- momava, 2020.

[2] E. Johnson, R. Morwane, S. Dada, G. Pretorius, and M. Lotriet, “Adult Learners’ Perspectives on Their Engagement in a Hybrid Learning Postgraduate Programme,” J. Contin. High. Educ., vol. 66, no. 2, pp. 88–105, 2018, doi:

10.1080/07377363.2018.1469071.

[3] M. G. Triyono, “Analisis Efektivitas Penggunaan Model Pembelajaran Hybrid Learning Di Smk Negeri 2 Surabaya,” J. IT-EDU., vol. 5, no. 2, p. 647, 2021.

[4] A. Noval and L. K. Nuryani, “Manajemen Pembelajaran Berbasis Blended Learning Pada Masa Pandemi Covid-19,” J. Islam.

Educ. Manaj., vol. 5, no. 2, pp. 201–220, 2020, [Online]. Available:

https://journal.uinsgd.ac.id/index.php/isema/article/view/10509/5083

[5] D. Hediansah and H. Surjono, “Hybrid Learning Development to Improve Teacher Learning Management,” JKTP J. Kaji.

Teknol. Pendidik., vol. 3, no. 1, pp. 1–9, 2020, doi: 10.17977/um038v3i12019p001.

[6] I. L. Septiani, A. R. F. Hadinata, A. Bahtiar, N. Suarna, and N. R, “Analisa Kepuasan Mahasiswa Terhadap E-Learning Menggunakan Teknik Machine Learning,” INFORMATICS Educ. Prof. J. Informatics, vol. 5, no. 2, p. 137, 2021, doi:

10.51211/itbi.v5i2.1521.

[7] R. Novianti, S.Psi, M.Pd, E. Puspitasari, and I. Maria, “Parental Involvement in Children’S Learning Activities During the Covid- 19 Pandemic,” J. PAJAR (Pendidikan dan Pengajaran), vol. 5, no. 2, pp. 384–390, 2021, doi: 10.33578/pjr.v5i2.8220.

[8] H. Setiawan, E. Utami, and S. Sudarmawan, “Analisis Sentimen Twitter Kuliah Online Pasca Covid-19 Menggunakan Algoritma Support Vector Machine dan Naive Bayes,” J. Komtika (Komputasi dan Inform., vol. 5, no. 1, pp. 43–51, 2021, doi:

10.31603/komtika.v5i1.5189.

[9] M. Zein et al., “Hybrid Learning in Mathematics Learning (Experimental Study in SMA Negeri 1 Pekanbaru),” Malikussaleh J.

Math. Learn., vol. 2, no. 2, pp. 56–60, 2019, doi: 10.29103/mjml.v2i2.2009.

[10] M. Makhin, “Hybrid Learning: Model Pembelajaran pada Masa Pandemi di SD Negeri Bungurasih Waru Sidoarjo,” Mudir J.

Manaj. Pendidik., vol. 3, no. 2, pp. 95–103, 2021, doi: 10.55352/mudir.v3i2.312.

[11] P. Indarto, M. Fatoni, and U. M. Surakarta, “Model Pembelajaran Hybrid Learning Pada Mata,” Semin. Nas. Pendidik., vol. 3, no. 6, pp. 55–63, 2018, [Online]. Available: http://hdl.handle.net/11617/10550

[12] Y. Perwira, A. Sitohang, and A. D. Stephanie, “Analisa Metode C4.5 Untuk Mengetahui Faktor Kepuasan Mahasiswa Terhadap Pembelajaran Daring,” J. Sist. Inf. dan Ilmu Komput. Prima(JUSIKOM PRIMA), vol. 5, no. 2, pp. 141–147, 2022, doi:

10.34012/jurnalsisteminformasidanilmukomputer.v5i2.2476.

[13] H. Jayadianti, T. A. Cahyadi, N. A. Amri, and M. F. Pitayandanu, “Metode Komparasi Artificial Neural Network Pada Prediksi Curah Hujan - Literature Review,” J. Tekno Insentif, vol. 14, no. 2, pp. 48–53, 2020, doi: 10.36787/jti.v14i2.150.

[14] J. Fei and C. Lu, “Adaptive Sliding Mode Control of Dynamic Systems Using Double Loop Recurrent Neural Network Structure,” IEEE Trans. Neural Networks Learn. Syst., vol. 29, no. 4, pp. 1275–1286, 2018, doi: 10.1109/TNNLS.2017.2672998.

[15] N. A. Almansour et al., “Neural network and support vector machine for the prediction of chronic kidney disease: A comparative study,” Comput. Biol. Med., vol. 109, no. October 2018, pp. 101–111, 2019, doi: 10.1016/j.compbiomed.2019.04.017.

[16] H. Putra and N. Ulfa Walmi, “Penerapan Prediksi Produksi Padi Menggunakan Artificial Neural Network Algoritma Backpropagation,” J. Nas. Teknol. dan Sist. Inf., vol. 6, no. 2, pp. 100–107, 2020, doi: 10.25077/teknosi.v6i2.2020.100-107.

[17] A. Faqih, O. Nurdiawan, and A. Setiawan, “Ethnomathematics: Utilization of Crock, Ladle, and Chopping Board for Learning Material of Geometry at the Elementary School,” IndoMath Indones. Math. Educ., vol. 4, no. 1, p. 46, 2021, doi:

10.30738/indomath.v4i1.8861.

[18] O. Nurdiawan, F. A. Pratama, D. A. Kurnia, Kaslani, and N. Rahaningsih, “Optimization of Traveling Salesman Problem on Scheduling Tour Packages using Genetic Algorithms,” J. Phys. Conf. Ser., vol. 1477, no. 5, 2020, doi: 10.1088/1742- 6596/1477/5/052037.

[19] O. Somantri, D. A. Kurnia, D. Sudrajat, N. Rahaningsih, O. Nurdiawan, and L. Perdana Wanti, “A Hybrid Method Based on Particle Swarm Optimization for Restaurant Culinary Food Reviews,” Proc. 2019 4th Int. Conf. Informatics Comput. ICIC 2019, no. May 2020, 2019, doi: 10.1109/ICIC47613.2019.8985842.

[20] Nurdin et al., “The Implementation of Backtracking Algorithm on Crossword Puzzle Games Based on Android,” J. Phys. Conf.

Ser., vol. 1363, no. 1, 2019, doi: 10.1088/1742-6596/1363/1/012075.

[21] A. Faqih, O. Nurdiawan, and A. Setiawan, “Pengembangan Media pembelajaran Multimedia Interaktif Alat Masak Tradisional Berbasis Etnomatematika,” Mosharafa J. Pendidik. Mat., vol. 10, no. 2, pp. 301–310, 2021, doi: 10.31980/mosharafa.v10i2.876.

[22] E. Sutisna and L. H. Vonti, “Innovation Development Strategy for Hybrid Learning,” vol. 9, no. 1, pp. 103–114, 2020.

[23] Ramdhani T., “Pengaruh Model Pembelajaran Hybrid Learning Berbantuan Schoology Terhadap Prestasi Belajar Matematika Siswa Kelas XI IPS SMAN 2 Singaraja,” Ramadhani T, vol. 11, no. 2, pp. 2599–2600, 2020, [Online]. Available:

https://repo.undiksha.ac.id/2221/