������ Syntax Literate : Jurnal Ilmiah Indonesia p�ISSN: 2541-0849

������ e-ISSN : 2548-1398

������ Vol. 4, No. 4 April 2019

�

PENERAPAN METODE NEURAL NETWORK �UNTUK PREDIKSI NILAI UJIAN NASIONAL �(STUDY KASUS DI SMK MUHAMMADIYAH SLAWI)

Nur Ariesanto Ramdhan

Universitas Muhadi Setiabudi (UMUS) Brebes

Email: [email protected]

Abstrak

Peningkatan kualitas dan nilai pendidikan telah menjadi salah satu proyek pemerintah. Beberapa upaya telah dilakukan oleh pemerintah melalui peningkatan kualitas pendidikan, menyelesaikan pendidikan infrastruktur, meningkatkan pendidikan keuangan, dan mengevaluasi proses pengajaran secara terus menerus. Evaluasi hasil belajar oleh pemerintah dilakukan untuk mengevaluasi pencapaian standar kompetensi kelulusan secara nasional, melalui pelaksanaan Ujian Nasional (UN). Nilai Ujian Nasional menjadi masalah siswa, orang tua, sekolah, pejabat pendidikan, dan pemegang tahapan pendidikan. Oleh karena itu, harus melakukan penggalian data dengan menerapkan Neural Network Backpropagation, untuk memprediksi skor Ujian Nasional setiap siswa sebelum tes dilakukan. Berdasarkan hasil Prediksi Ujian Nasional, dapat menggunakan langkah-langkah strategis untuk meminimalkan skor rendah. Pengamatan ini dimulai dengan mengumpulkan data siswa sekolah menengah kejuruan, variabel input menggunakan laporan evaluasi pada semester 1, 2, 3, 4, 5 dan variabel output Ujian Nasional dalam proses pembelajaran tahun 2012/2013. Jumlah data adalah 193 siswa. Proses perhitungan menggunakan Algoritm Neural Network Backpropagation. Hasil prediksi diambil dari prediksi dengan akurasi terbaik dan waktu komputasi terpendek. Hasil dari setiap mata pelajaran adalah Indonesia dengan menggunakan root mean squared error (RMSE) (1,129 +/- 0,090), Bahasa Inggris (0,835 +/- 0,102), dan Matematika (1,238 +/- 0,133).

Kata kunci : Penambangan Data, nilai prediktif PBB, Jaringan Saraf Tiruan

Pendahuluan

����������� Ujian Nasional (UN) adalah kegiatan pengukuran dan penilaian kompetensi peserta didik secara nasional pada jenjang pendidikan menengah. Sedangkan Nilai UN adalah nilai yang diperoleh oleh peserta didik dalam mengikuti UN. Ujian �Nasional �merupakan �ujian� penentu �kelulusan �bagi� siswa-siswi �sekolah pada akhir tingkatan. Karena ujian nasional menjadi penentu lulus tidaknya, tentunya siswa dan guru dituntut untuk mempersiapkan sejak dini sebelum ujian nasional dilaksanakan. Salah satu faktor yang dapat dijadikan tolak ukur kesiapan siswa adalah nilai rapot per semester dari tiga mata pelajaran �tersebut. �Berdasarkan �nilai� rapot �tersebut, �baik �siswa �maupun �guru, dapat melihat mata pelajaran mana yang nilainya kurang sehingga dapat memicu siswa untuk belajar lebih rajin. Untuk �itu,� diperlukan strategi �yang �tepat �agar� hasil nilai ujian nasional diatas persyaratan kelulusan, salah �satunya adalah dengan memprediksi nilai ujian nasional. Untuk dapat memprediksi kemampuan siswa dalam ujian nasional perlu dilakukan dengan teknik soft computing dengan metode Neural Network (NN). Neural Network (NN) merupakan suatu model yang dibuat untuk meniru fungsi belajar yang dimiliki otak manusia. Tujuan dari penelitian ini adalah pembentukan model Performa Konfigurasi Neural Network yang terbaik berdasarkan nilai siswa sebelumnya yaitu nilai mata pelajaran Bahasa Indonesia, Bahasa Inggris, Matematika dan Nilai Ujian Nasional. Penerapan prediksi yang dilakukan untuk siswa SMK tahun pelajaran 2013/2014.

�

Metode Penelitian

Penelitian ini merupakan penelitian dalam bentuk eksperimen dengan tahapan-tahapan sebagai berikut :

Gambar 3.1 Blok Alur Penelitian

1. Pengumpulan Data (Data Gathering)

Pada pengumpulan data awal dimulai dengan melakukan pengumpulan data rekaman nilai siswa yang di dapat dari pihak SMK Muhammadiyah Slawi bagian kurikulum melalui staf pendataan siswa, berupa :

Data nilai raport mulai kelas X, XI, XII (nilai semester 1, 2, 3, 4 dan 5) yang akan mengikuti ujian nasional untuk mata pelajaran Bahasa Indonesia, Bahasa Inggris, Matematika untuk tahun 2012-2013 dan 2013-2014 yang akan digunakan sebagai dasar dalam proses memprediksi nilai Ujian Nasional (UN).

2. Pengolahan Data Awal

Pengelolaan data awal (preprocessing) dilakukan dengan pemilihan data dengan mencermati data sudah dalam bentuk numerik atau belum. Data akan dijadikan dalam bentuk numerik, sedangkan data yang outlier harus dihapus atau dibuang karena akan mengganggu proses penelitian. Tujuan dari pengolahan data awal (preprocessing) adalah untuk menghilangkan missing value.

3. Metode yang Diusulkan

Berdasarkan pada teori dan penelitian-penelitian serta pengalaman yang telah dilakukan oleh para peneliti dahulu, tentang kemampuan prediksi Neural Network dan daya nalar serta proses pembelajaran yang baik, maka penulis dalam memprediksi nilai siswa pada UN tahun 2014 menggunakan metode Neural Network Backpropagation dengan toolbox rapidminer. Penulis mempunyai alasan menggunakan metode Neural Network adalah (a) Model Neural Network dengan data input maupun output yang sederhana, (b) Model Neural Network mempunyai akurasi hasil prediksi yang paling tinggi, (c) Model Neural Network membutuhkan waktu komputasi paling pendek.

4. Eksperimen dan Pengujian Metode

a. Variabel Penelitian

Data variabel yang digunakan dalam penelitian ini terdiri dari 5 variabel input dan 1 variabel target, yaitu X1 = nilai raport semester 1, X2 = nilai raport semester 2, X3 = nilai semester 3, X4 = nilai semester 4, X5 = nilai semester semester 5, dan sebagai target adalah Y = nilai UN.

Uji coba eksperimen dilakukan dengan melatih data dengan menggunakan iterasi/epoach yang berdeda-beda. Data yang dipakai adalah data semester 1 � 5 tahun 2011-2013, sedang data yang dipakai sebagai data training atau pembelajaran dalam menentukan model atau pola Neural Network adalah data tahun pelajaran 2012-2013 dan 2013-2014 yaitu data nilai semester 1- 5 dan nilai UN.

b. Tahap Uji

Pada tahap uji ini dilkukan untuk mengetahui apakah Neural Network dapat mengenali pola dengan memberikan input yang berbeda dengan input pada tahap latih. Dalam proses penelitian ini menggunakan metode Neural Network Backpropagation. Data yang digunakan menggunakan data training dan testing, data ini dimasukan dalam model konfigurasi neural network dan pembagian data dilakukan secara otomatis oleh sistem dengan mengatur k-fold validation pada rapidminer. Proses pembentukan pola pembelajaran akan menghasilkan performan Neural Network yang terbaik, sehingga dapat mengahasilkan RMSE terkecil dengan waktu komputasi yang terpendek. Model performa ini akan digunakan dalam pengujian dalam memprediksi nilai ujian nasional. Data yang dimasukan pada penelitian ini adalah dengan memasukan data nilai siswa semester 1 � 5 untuk mata pelajaran bahasa Indonesia, bahasa Inggris dan Matematika.

c. Menentukan Parameter Neural Network

1) Menentukan model performa konfigurasi Neural Network

Dalam tahap ini dilakukan eksperiment dengan membuat beberapa model konfigurasi pada tool rapidminer (input, jumlah node, jumlah hidden layer dan output), kemudian selanjutnya mengatur default pada rapidminer (momentum, learning rate, k-fold validation, dan training cycles). Pada penelitian ini diamati perubahan pada RMSE nya, kemudian di cari RMSE yang terkecil dan waktu komputasi terpendek.

2) Menentukan K-fold Validation

Penentuan k-fold validation� pada rapidminer adalah menentukan setting (number of validation �k) dengan tujuan adalah untuk menentukan seberapa banyak data training dan data testing. Sebagai contoh k=10 maka sistem akan membagi jumlah data menjadi 10 bagian, yaitu 90% data digunakan untuk training dan 10% data untuk testing.

3) Menentukan Momentum

Dalam penentuan momentum, digunakan untuk meningkatkan convergence untuk mempercepat waktu pembelajaran dan mengurangi osilasi.

4) Menentukan Learning Rate

Pada tahap ini digunakan untuk menentukan laju pembelajaran dan variabel yang digunakan oleh algoritma� pembelajaran, untuk menentukan bobot dan neuron yang nilaianya berkisar antara 0 � 1. Dalam menentukan learning rate dapat digunakan dengan tools rapidminer untuk menerapkan model performa konfigurasi neural network yang telah ditentukan sebelumnya dengan melakukan eksperimen berkali-kali. Perubahan yang terjadi pada RMSE di cari yang terkecil dan waktu yang terpendek untuk mendapatkan hasil yang terbaik pada eksperimen tersebut.

5) Menentukan Training Cycle

Training cycle digunakan untuk menentukan perulangan training (iterasi) yang dilakukan untuk mendapatkan RMSE yang terkecil. Nilai pada training cycle bervasiasi mulai dari angka 1 sampai dengan tak terhingga. Nilai training cycle dilakukan dengan eksperimen berulangkali dengan menetapkan default parameter rapidminer pada nilai tertentu. Eksperimen yang dilakukan diamati untuk mencari RMSE yang terkecil dan waktu komputasi yang terpendek untuk mendapatkan hasil yang terbaik.

6) Hidden Layer

Pada pengaturan hidden layer, ada dua masalah yaitu menentukan jumlah hidden layer dan menentukan size atau jumlah neuran dari hidden layer. Penentuan jumlah neuron yang terlalu sedikit akan mengakibatkan underfitting yaitu jaringan kurang dapat mendeteksi sinyal atau pola dalam set data. Sebaliknya jika jumlah neuron terlalu banyak akan mengakibatkan overfitting yaitu pola data yang tidak terbatas tidak cukup untuk melatih semua neuron dalam hidden layer.

Hasil dan Pembahasan

A. Hasil Eksperimen dan Pengajuan Metode

a. Pengumpulan Data

Pengumpulan data penelitian ini dilaksanakan di SMK Muhammadiyah Slawi, yang beralamat di Jl. Prof. Moh. Yamin Slawi, Tegal, Jawa Tengah. Jenis penelitian yang digunakan adalah jenis penelitian kuantitatif dan asosiatif karena dalam penelitian ini data yang digunakan adalah data berupa angka yaitu data nilai dari siswa kelas x, xi dan xii semester 1 sampai dengan semester 5 dan nilai UN (Ujian Nasional), nilai UN mencakup nilai Bahasa Indonesia, Matematika dan Bahasa Inggris, mulai tahun ajaran 2011-2012 sampai dengan tahun ajaran 2012-2013. Data yang berhasil dikumpulkan berasal dari sumber data, diperoleh sebesar 197 siswa dari 4 program keahlian yaitu Teknik Komputer dan Jaringan, Usaha Perjalanan Wisata, Akomodasi Perhotelan, Akuntansi, sebagai data sampel.

b. Pengolahan Data Awal (Pre-processing)

Pengelolaan data yang dilakukan dengan mengumpulkan data yang didapat selanjutnya diolah dalam bentuk excel 2007, kemudian data di lakukan pengecekan apakah ada data yang tidak valid atau masih ada yang salah, atau masih ada data yang masih dalam bentuk text, karena data yang berupa text akan muncul kosong atau kesalahan (missing value) dan outlier.

Pengecekan dilakukan untuk semua data dari nilai semester 1 sampai dengan semester 5, kemudian data yang diambil adalah nilai bahasa indonesia, bahasa inggris, matematika dan nilai nem.

c. Parameter Neural Network

1) Penentuan Model (Performa Konfigurasi Neural Network)

Pada� tool� rapidminer� nilai� parameter� default sudah terseting k-fold validation (k) = 10, learning rate = 0.3 dan momentum 0.2, akan tetapi nilai tersebut dapat dirubah sesuai dengan keinginan kita.

Dalam penelitian ini dilakukan percobaan untuk mendapatkan RMSE yang paling terkecil dengan eksperimen nilai k-fold validation atau number of Validation (k) = 3, 5, 10, dengan setting� parameter� default� learning� cycles = 500� learning rate = 0.1, 0.2, 0.3, momentum default = 0.1, 0.2, 0.3 dengan mengubah hiden layer size, diperoleh root mean squared error (RMSE) dan waktu komputasi (execution time) diperoleh hasil yang diharapkan.

Tabel 4.25 Hasil Perbandingan eksperimen penentuan performa untuk

(k) = 3, 5 dan 10

Mata Pelajaran Bahasa Indonesia

Model NN	Learning Rate	Momentum	Training Cycles	RMSE	Time
5-7-1	0.1	0.1	500	1.186 +/- 0.049	2
5-6-1	0.1	0.1	500	1.129 +/- 0.090	2
5-6-1	0.1	0.2	500	1.158 +/- 0.177	5

Tabel 4.26 Hasil Perbandingan eksperimen penentuan performa untuk

(k) = 3, 5 dan 10

Mata Pelajaran Bahasa Inggris

Model NN	Learning Rate	Momentum	Training Cycles	RMSE	Time
5-7-1	0.1	0.1	500	0.853 +/- 0.106	2
5-6-1	0.1	0.1	500	�0.835 +/- 0.102	3
5-5-1	0.1	0.1	500	0.842 +/- 0.109	5

Tabel 4.27 Hasil Perbandingan eksperimen penentuan performa untuk

(k) = 3, 5 dan 10

Mata Pelajaran Matematika

Model NN	Learning Rate	Momentum	Training Cycles	RMSE	Time
5-4-1	0.1	0.1	500	1.247 +/- 0.034	1
5-4-1	0.1	0.1	500	1.274 +/- 0.072	2
5-4-1	0.1	0.2	500	1.238 +/- 0.133	4

Dari hasil eksperimen yang telah dilakukan, maka penulis dapat menentukan model konfigurasi yang terbaik berdasarkan RMSE terkecil dan waktu komputasi terpendek untuk nilai Bahasa Indonesia, Bahasa Inggris dan Matematika yaitu� :

Gambar 4.1 Model konfigurasi NN satu hiden layer yang dipilih untuk eksperimen Bahasa Indonesia

Tabel hasil Improved Neural Network diatas adalah sebagai berikut� :

Tabel 4.28 Weight antar atribut dari hasil ekperimen penentuan

Performa Neural Network yang terbaik

Input	Hidden 1						Output	Threshold
Nilai	Node 1	Node 2	Node 3	Node 4	Node 5	Node 6	Regression	0.254
	(Sigmoid)	(Sigmoid)	(Sigmoid)	(Sigmoid)	(Sigmoid)	(Sigmoid)	(Linear)
Smt 1	-0.176	0.628	0.671	0.699	0.720	-0.754	0.702
Smt 2	2.314	-0352	-0.767	-0.893	-0.990	-1.015	-1.490
Smt 3	-0.238	0.644	-0.787	-0.750	-0.759	-1.879	0.360
Smt 4	0.273	1.127	0.629	0.571	0.438	-2.419	0.425
Smt 5	0.029	-1.978	0.032	-0.000	-0.100	-0.416	0.475
Threshold Node	-2.355	-2.538	-1.802	-1.755	-1.701	-2.601	-0.837

Gambar 4.2 Model konfigurasi NN satu hiden layer yang dipilih untuk eksperimen Bahasa Inggris

Gambar 4.2 Model konfigurasi NN satu hiden layer yang dipilih untuk eksperimen Bahasa Inggris

Tabel hasil Improved Neural Network diatas adalah sebagai berikut� :

Tabel 4.29 Weight antar atribut dari hasil ekperimen penentuan Performa Neural Network yang terbaik

Input	Hidden 1						Output	Threshold
Nilai	Node 1	Node 2	Node 3	Node 4	Node 5	Node 6	Regression
	(Sigmoid)	(Sigmoid)	(Sigmoid)	(Sigmoid)	(Sigmoid)	(Sigmoid)	(Linear)	-0.258
Smt 1	-0.603	-0.180	-0.029	1.263	-0.193	0.499	1.876
Smt 2	3.408	0.628	0.363	-1.389	0.373	1.215	0.166
Smt 3	0.434	0.465	0.715	1.953	0.832	2.410	-0.173
Smt 4	-0.702	0.581	0.461	-1.186	0.852	-2.508	1.406
Smt 5	1.668	-0.079	0.606	1.187	0.930	0.212	-0.706
Threshold Node	-2.207	-1.586	-1.707	-2.197	-1.893	-2.000	-1.940

Gambar 4.3 Model konfigurasi NN satu hiden layer yang dipilih untuk eksperimen Bahasa Matematika

Tabel hasil Improved Neural Network diatas adalah sebagai berikut� :

Tabel 4.30 Weight antar atribut dari hasil ekperimen penentuan Performa Neural Network yang terbaik

Input	Hidden 1				Output	Threshold
Nilai	Node 1	Node 2	Node 3	Node 4	Regression	-0.328
	(Sigmoid)	(Sigmoid)	(Sigmoid)	(Sigmoid)	(Linear)
Smt 1	0.783	1.230	1.385	0.932	1.151
Smt 2	2.417	1.193	0.936	1.663	1.143
Smt 3	1.484	-0.296	-2.206	-0.550	-1.519
Smt 4	0.281	0.611	1.529	-3.243	-0.945
Smt 5	1.534	0.333	-1.768	1.355
Threshold Node	-0.241	-1.362	-2.082	-1.759

Berdasarkan ekperimen yang telah dilakukan, diperoleh hasil performa konfigurasi Neural Network lima inputan satu hiden layer untuk nilai bahasa Indonesia dengan pola (5-6-1), dengan setting default pada tools rapidminer traing cycles = 500, k-fold validation = 5, learning rate = 0.1,� momentum = 0.1, jumlah hiden layer = 1, size hiden layer = 6, nilai bahasa Inggris dengan pola (5-6-1), dengan� setting� default� pada� tools� rapidminer� traing cycles = 500, k-fold validation = 5, learning rate = 0.1,� momentum = 0.1,� jumlah hiden layer = 1, size hiden layer = 6,dan nilai Matematika dengan pola (5-4-1), dengan setting default pada tools� rapidminer� traing� cycles = 500,� k-fold� validation� = 5,� learning rate= 0.1,� momentum = 0.1.

Kesimpulan

Berdasarkan hasil eksperimen dan penelitian yang telah dilakukan maka dapat di lakukan kesimpulan :

1. Model performa konfigurasi dan pembelajaran pada neural network backpropagation� dilakukan untuk mendapatkan RMSE yang paling terkecil dengan waktu yang terpendek, eksperimen ini menghasilkan nilai k-fold validation atau number of validation (k) = 3, 5, 10, training cycles = 500, learningrate = 0.1, 0.2, 0.3, momentum 0.1, 0.2, 0.3. dengan setting� diperoleh Root Mean Squared Error (RMSE) = (0.835 +/- 0.102) dan waktu komputasi (execution time) = 3 second.

2. Metode neural network backpropagation dapat digunakan untuk memprediksi nilai ujian nasional di SMK untuk mata pelajaran bahasa Indonesia, bahasa Inggris dan Matematika. Hal ini dapat dibuktikan dari kesalahan rata-rata (root mean square error-RMSE) yang relatif kecil yaitu : untuk Bahasa Indonesia (1.129 +/- 0.090), Bahasa Inggris (0.835 +/- 0.102) dan Matematika (1.238 +/- 0.133).

BIBLIOGRAFI

Buku

Anggarani. 2006. Jaringan Saraf Tiruan untuk Prediksi kelulusan dan penjurusan ke sekolah lanjutan pada siswa sekolah menengah pertama (SMP) dengan menggunakan metode Backpropagation.

Gorunescu. 2011. Pengujian �dataset (classifier). Staf Administrasi SMK Muhammadiyah Slawi bagian kurikulum melalui staf pendataan siswa. 2013.

Hermawan,A. 2006. Jaringan Saraf Tiruan :Teori dan Aplikasi , Andi Publisher, Yogyakarta,

Hilda Amalia. 2012. Komparasi Metode Klasifikasi Data Mining Untuk Prediksi Ketepatan Kelulusan Mahasiswa.

Hindayati Mustafidah. 2013. Tingkat Keoptimalan Algoritma Pelatihan pada Jaringan Syaraf� Tiruan, studi kasus prediksi �prestasi belajar �mahasiswa Program Studi Teknik Informatika Universitas Muhammadiyah Purwokerto.

Kusumadewi, S. 2004. Membangun Jaringan Saraf Tiruan. Graha Ilmu: Yogyakarta.

__________dan Hartati, S. 2006. Neuro Fuzzy:Integrasi Sistem Fuzzy dan Jaringan Saraf , Graha Ilmu: Yogyakarta.

Larose,� Daniel T. 2005. Discovering Knowledge in Data: An Introduction to Data Mining, Wiley-Interscience; USA.

Lubis, Chairisni �dkk. Prediksi �Harga Saham� �Dengan� �algoritma� �Hybrid� �Neural� Network. Seminar Nasional Aplikasi Teknologi Informasi 2005 (SNATI 2005) ISBN: 979-756- 061-6 Yogyakarta, 18 Juni 2005.

Maria Agustin. 2012. penggunaan jaringan syaraf tiruan backpropagation untuk seleksi penerimaan mahasiswa baru pada jurusan teknik komputer di Politeknik Negeri Sriwijaya.

Nandan Supriatna, 2009. Daya prediksi nilai rapor terhadap prestasi belajar mahasiswa jalur PMDK.

Nuraeni. 2009. Melakukan �penelitian �menggunakan �jaringan �syaraf� tiruan untuk mengukur tingkat korelasi antara NEM dengan IPK kelulusan siswa.

Pramudiono,I., Apa itu data mining? http://datamining.japati.net/cgi-bin/indodm.cgi?bacaarsip&1155527614&artikel, tanggal terakhir akses 16 Januari 2007.

Puspitaningrum. 2006. Pengantar Jaringan Saraf Tiruan, C.V Andi Offset: Yogyakarta.

Sutikno,� Tole� dkk.� 2007.� Prediksi� Resiko Kredit��� dengan��� Jaringan Syaraf��� Tiruan Backpropagation.� Seminar� Nasional� Aplikasi Teknologi Informasi 2007 (SNATI 2007) ISSN: 1907-5022 Yogyakarta, 16 Juni 2007

Turban, E., dkk. 2005. Decicion Support Systems and Intelligent Systems, Andi Offset.Yoghyakarta.

Zhang,�Guoqiang�dkk.�1999. Theory�and Methodology� �Artificial� �neural� �networks� �in bankruptcy prediction: General framework and cross-validation analysis. European Journal of Operational Research�116. ����

Undang � undang

Undang-Undang No 20 Tahun 2003 tentang Sistem Pendidikan Nasional

PP No. 19 Tahun 2005 Pasal 63, tentang Penilaian Pendidikan Pada Jenjang Pendidikan Dasar dan Menengah

PP No. 19 Tahun 2005 Pasal 66, tentang Penilaian Hasil Belajar Oleh Pemerintah

������ Hadjaratie, Lillyan http://repository.ipb.ac.id/handle/123456789/51748. Jaringan saraf tiruan untuk prediksi tingkat kelulusan mahasiswa diploma Program Studi Manajemen Informatika Universitas Negeri Gorontalo, 2011.

������