Metode Jaringan Syaraf Tiruan Untuk Prediksi Performa Mahasiswa Pada Pembelajaran Berbasis Problem Based Learning (PBL)

Abstract

In order to improve academic quality in higher education, students’ performance evaluation is becoming important. To prevent increasing failure rate in the course, we need a system that is capable of predicting student’s performance in the end of the course. The research used several factors that are considered to affect students' performance on Problem Based Learning (PBL), such as students’ demography, students’ prior knowledge and group heterogeneity. The method used in the study was Artificial Neural Network (ANN) with backpropagation training algorithm. Total 8 neurons were used as inputs for ANN which were obtained from gender variable (2 neurons), age variable (1 neuron), students’ average knowledge variable (1 neuron), students’ average skill variable (1 neuron) and group heterogeneity variable (3 neurons). Several different ANN architecture were tested in the study using 2, 7 and 12 hidden neurons respectively. Each architecture was trained using various different training parameters in order to find the best ANN architecture. Dataset used in the research were obtained from Academic Information System in Faculty of Dentistry Unissula which contained Adult and Elderly Diseases Course’s participants from year 2009 to 2013. The ANN output were numeric values which represented students’ performance in Adult and Elderly Diseases Course. The output of this study is a system that is able to predict the student performance in block course. The result shows that using 7 hidden neurons in the network combining with 0.5 ,0.1 and 9000 for learning rate, momentum and epoch respectively, were the best ANN architechture and parameters in the study. The MSE obtained from validation test was 0,011926 with correlation coefficient (R) 0,796879. The prediction system are expected to help faculty and academic evaluation team to conduct actions to improve student’s academic performance and prevent them from failure in the course.

Analisis dan Pemetaan Mata Kuliah Bersyarat Program Studi Fisika Menggunakan BackPropagation Neural Network

“…Penerapan NN diantaranya dalam memprediksi pola huruf [2] dan pengenalan karakter huruf jawa menggunakan aplikasi algoritma backpropagation [1]. Penerapan NN ini dalam dunia pendidikan yaitu untuk menentukan korelasi antara nilai evaluasi murni di sekolah lanjutan atas dan indeks prestasi mahasiswa [3], serta prediksi performa mahasiswa dalam mata kuliah [4].…”

“…Nilai R Square yang rendah untuk Fisika Matematika tidak didukung oleh nilai MAPE. Akurasi MAPE mata kuliah ini masih tergolong sangat baik (4,8) Dari tabel 2 terlihat bahwa nilai MAPE untuk semua mata kuliah <10 yang artinya tingkat akurasi semua mata kuliah prediksi termasuk kategori sangat baik. Akurasi yang berada di angka 1 (paling mendekati 0) terdapat 4 mata kuliah, yaitu Mata Kuliah Listrik Magnet, Fisika Matematika II, Tafsir Ayat Tarbawi dan Fisika Dasar II.…”

Penerapan Jaringan Syaraf Tiruan Backpropagation Pada Peramalan Curah Hujan Di Kota Kendari

“…Membuat variasi laju pembelajaran dan neuron lapisan tersembunyi.Laju pembelajaran mengontrol ukuran perubahan bobot pada setiap iterasi. Nilai laju pembelajaran berada dalam kisaran 0 ≤ α ≤ 1 [15].Neuron lapisan tersembunyi ditambahkan apabila performa JST berjalan lama untuk mencapai konvergen atau jika nilai error semakin besar [16]. Akan tetapi, semakin banyak neuron lapisan tersembunyi maka proses komputasi akan semakin berat [17].…”

Pemanfaatan ANN untuk Prediksi Penjualan Online Industri Rumahan selama Pandemi Covid-19

“…Besarnya output ini selanjutnya dibandingkan dengan suatu batas ambang. [2] Beberapa penelitian tentang penggunaan jaringan syaraf tiruan untuk melakukan prediksi, yaitu penelitian yang dilakukan oleh B. Badieah [3] tentang penggunaan Jaringan Syaraf Tiruan untuk memprediksi nilai akhir mata kuliah mahasiswa dengan tujuan untuk mengurangi tingkat kegagalan mahasiswa dalam perkuliahan, dari penelitian ini diperoleh bahwa Jaringan Syaraf Tiruan dapat melakukan penelitian dengan Learning Rate sebesar 0,5. Kemudian penelitian yang dilakukan oleh Laila Sari Lubis [4] tentang pemodelan Jaringan Syaraf Tiruan untuk memprediksi awal musim hujan dengan menggunakan suhu permukaan laut, dari hasil pelatihan yang dilakukan diperoleh hasil bahwa Jaringan Syaraf Tiruan dapat melakukan prediksi sebesar 5%.…”