Model berbasis Sistem Kecerdasan Buatan yang Efektif: Analisis Kebijakan bagi Siswa Mengulang

Indra Prasetia, Muhammad Noor Hasan Siregar, Rusmin Saragih

Abstract


Pendidikan Sekolah Dasar (SD) sangat penting dalam memberikan keterampilan dasar yang dibutuhkan siswa untuk bertahan dalam mengikuti dan memahami kelas-kelas pada jenjang di atasnya sehingga jika pondasi pendidikan SD kuat maka dapat meningkatkan kualitas pendidikan di Indonesia. Tujuan dari penelitian adalah membuat model arsitektur terbaik yang akan digunakan untuk melakukan peramalan pada jumlah siswa mengulang berdasarkan provinsi pada jenjnag Sekolah Dasar baik negeri dan swasta dengan model berbasis sistem kecerdasan buatan. Sumber data berasal dari data statistik pendidikan dengan url: http://statistik.data.kemdikbud.go.id/. Data terdiri dari 34 provinsi untuk tahun ajaran 2017/2017; 2017/2018; 2018/2019; 2019/2020. Metode solusi yang digunakan adalah back-propagation yang merupakan bagian dari sistem kecerdasan buatan dimana dalam menentukan model arsitektur terbaik dilakukan dengan menguji serangkaian arsitektur (2-5-1; 2-10-1; 2-15-1 dan 2-20-1) mengunakan fungsi aktivasi sigmoid dan parameter pendukung seperti performFcn = MSE; goal = 0.001; epochs = 10000; mc = 0.95 dan lr = 0.1.  Hasil menunjukkan back-propagation dapat diterapkan untuk melakukan peramalan dengan sistem kecerdasan buatan dengan menghasilkan sebuah model arsitektur terbaik yakni 2-10-1 dengan MSE pelatihan adalah 0.00099299, koefisien korelasi (R) pelatihan adalah 0.976972 pada epoch 81, MSE pengujian adalah 0.001325, koefisien korelasi (R) pengujian dengan akurasi 85%. Fakta baru menyebutkan bahwa akurasi sangat tergantung terhadap banyaknya data. Selain harus memperhatikan MSE, epoch dan durasi waktu pelatihan.  Diharapkan model arsitektur ini dapat membantu melakukan peramalan terhadap jumlah siswa mengulang pada jenjang Sekolah Dasar sehingga hasil dari peramalan dapat digunakan untuk membuat analisis kebijakan.


Keywords


Siswa Mengulang; Model Arsitektur; JST; Back-Propagation; Indonesia; Sekolah Dasar

Full Text:

PDF

References


B. P. D. P. D. P. K. P. D. Kebudayaan, Potret mengulang kelas di Sekolah Dasar. Jakarta: Pusat Penelitian Kebijakan, Badan Penelitian dan Pengembangan dan Perbukuan, Kementerian Pendidikan dan Kebudayaan Redaksi:, 2020.

Herwanto, “Wajib Belajar (Wajar) Sembilan Tahun Dalam Perspektif Peningkatan Mutu Pendidikan Dasar,” Perspektif Ilmu Pendidikan, vol. 16, no. 8, pp. 77–86, 2007.

S. Suryana, Permasalahan Mutu Pendidikan Dalam Perspektif Pembangunan Pendidikan, vol. 2, no. 1. 2017.

H. Haviluddin, Z. Arifin, A. H. Kridalaksana, and D. Cahyadi, “Prediksi Kedatangan Turis Asing ke Indonesia Menggunakan Backpropagation Neural Networks,” Jurnal Teknologi dan Sistem Komputer, vol. 4, no. 4, p. 485, 2016, doi: 10.14710/jtsiskom.4.4.2016.485-490.

X. Sun, W. Sun, J. Wang, Y. Zhang, and Y. Gao, “Using a GreyeMarkov model optimized by Cuckoo search algorithm to forecast the annual foreign tourist arrivals to China,” Tourism Management, vol. 52, pp. 369–379, 2016.

H. Hassani, A. Webster, E. S. Silva, and S. Heravi, “Forecasting U.S. Tourist arrivals using optimal Singular Spectrum Analysis,” Tourism Management, vol. 46, pp. 322–335, 2015.

W. Lijuan and C. Guohua, “Seasonal SVR with FOA algorithm for single-step and multi-step ahead forecasting in monthly inbound tourist flow,” Knowledge-Based Systems, vol. 110, 2016.

B. Fachri, A. P. Windarto, and I. Parinduri, “Penerapan Backpropagation dan Analisis Sensitivitas pada Prediksi Indikator Terpenting Perusahaan Listrik,” Jurnal Edukasi dan Penelitian Informatika (JEPIN), vol. 5, no. 2, p. 202, 2019, doi: 10.26418/jp.v5i2.31650.

I. A. R. Simbolon, F. Yatussa’ada, and A. Wanto, “Penerapan Algoritma Backpropagation dalam Memprediksi Persentase Penduduk Buta Huruf di Indonesia,” Jurnal Informatika Upgris, vol. 4, no. 2, 2019, doi: 10.26877/jiu.v4i2.2423.

Y. Aprizal, R. I. Zainal, and A. Afriyudi, “Perbandingan Metode Backpropagation dan Learning Vector Quantization (LVQ) Dalam Menggali Potensi Mahasiswa Baru di STMIK PalComTech,” MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer, vol. 18, no. 2, pp. 294–301, 2019, doi: 10.30812/matrik.v18i2.387.

B. Poerwanto and F. Fajriani, “Resilient Backpropagation Neural Network on Prediction of Poverty Levels in South Sulawesi,” MATRIK : Jurnal Manajemen, Teknik Informatika dan Rekayasa Komputer, vol. 20, no. 1, pp. 11–18, 2020, doi: 10.30812/matrik.v20i1.726.

Budiharjo, T. Soemartono, A. P. Windarto, and T. Herawan, “Predicting School Participation in Indonesia using Back-Propagation Algorithm Model,” International Journal of Control and Automation, vol. 11, no. 11, pp. 57–68, 2018.

A. P. Windarto, J. Na, and A. Wanto, “Bagian 2 : Model Arsitektur Neural Network dengan Kombinasi K- Medoids dan Backpropagation pada kasus Pandemi COVID-19 di Indonesia,” Jurnal Media Informatika Budidarma, vol. 4, no. 4, pp. 1175–1180, 2020, doi: 10.30865/mib.v4i4.2505.

B. Febriadi, Z. Zamzami, Y. Yunefri, and A. Wanto, “Bipolar function in backpropagation algorithm in predicting Indonesia’s coal exports by major destination countries,” IOP Conference Series: Materials Science and Engineering, vol. 420, no. 1, 2018, doi: 10.1088/1757-899X/420/1/012087.

Budiharjo, T. Soemartono, A. P. Windarto, and T. Herawan, “Predicting tuition fee payment problem using backpropagation neural network model,” International Journal of Advanced Science and Technology, vol. 120, pp. 85–96, 2018, doi: 10.14257/ijast.2018.120.07.

Sumijan, A. P. Windarto, A. Muhammad, and Budiharjo, “Implementation of neural networks in predicting the understanding level of students subject,” International Journal of Software Engineering and its Applications, vol. 10, no. 10, pp. 189–204, 2016, doi: 10.14257/ijseia.2016.10.10.18.

S. Sunardi, A. Yudhana, and G. Z. Muflih, “Sistem Prediksi Curah Hujan Bulanan Menggunakan Jaringan Saraf Tiruan Backpropagation,” Jurnal Sistem Informasi Bisnis, vol. 10, no. 2, pp. 155–162, 2020, [Online]. Available: http://ejournal.undip.ac.id/index.php/jsinbis.

P. Li and Q. Zhang, “Face Recognition Algorithm Comparison based on Backpropagation Neural Network,” Journal of Physics: Conference Series, vol. 1865, no. 4, 2021, doi: 10.1088/1742-6596/1865/4/042058.

R. Ruslan, L. Laome, I. Usman, and E. W. Harisa, “Electricity Consumption Modelling in Kendari using the Backpropagation Method on the Artificial Neural Network,” Journal of Physics: Conference Series, vol. 1863, no. 1, 2021, doi: 10.1088/1742-

/1863/1/012076.

S. Nurhasanah, I. Ranggadara, I. Prihandi, and A. Ratnasari, “Backpropagation neural network for predict sugarcane stock availability,” International Journal of Advanced Trends in Computer Science and Engineering, vol. 9, no. 5, pp. 8279–8284, 2020, doi: 10.30534/ijatcse/2020/197952020.




DOI: http://dx.doi.org/10.26418/jp.v7i2.47524

Refbacks

  • There are currently no refbacks.