JURNAL

PREDIKSI NILAI UJIAN NASIONAL

PADA SEKOLAH MENENGAH KEJURUAN
DENGAN METODE NEURAL NETWORK

Oleh :

Drs. Samsuri, M. Kom

NIP. 196605071991031024

TEKNIK KOMPUTER DAN JARINGAN(TKJ)

SEKOLAH MENENGAH KEJURUAN(SMKN 3) PALU
DINAS PENDIDIKAN KOTA PALU
APRIL 2013

ABSTRACT
The aim is that the organizers soon learned early education potential students scored
lower UN (Indonesia, English, Mathematics, andvocational theory) and immediately
take strategic steps to more intensive coaching in order to minimize students who
scored low on National Exam (UN) in 2013, which is leading to a graduating student
achievement and increased graduation presentation.
This study begins with a data mining capabilities SMK Negeri 3 Palu, include
the value of report cards grade X, XI and XII (semesters 1,2,3,4 and 5) the academic
year 2012/2013, as the input variables and the value of the UN in 2012 / 2013 as
output. As a learning pattern formation and configuration of neural network back
propogation is a data value of report cards grade X, XI, and XII as well as the value
of the UN students who have graduated in 2009/2010/, 2010/2011, and 2011/2012.
Valid data is numbered 1906, was divided into training data (66.6 %) and data
testing (33.3 %). Computing processes using neural network algorithm back
propagation. Prediction result abtained with the best output for Indonesia with root
mean square error (RMSE): (1,207+/-0.005), Enlish (1.134+/-0.087), mathematics
(1698+/-0.167), and vocational theory (1.180+ /-0.054). Highest prediction
accuarcy in this study lies in the results of the prdictive value of English UN RMSE
(1.134+/- 0.087).
Keywords: Data mining, predictive value of the UN, Neural Network

1. PENDAHULUAN
1.1 Latar Belakang
Pemerintah juga menaruh perhatian yang sangat besar terhadap hasil evaluasi dan
penilaian hasil belajar, dalam [2] Pasal 63; Ayat (1): Penilaian pendidikan pada
jenjang pendidikan dasar dan menengah terdiri atas: (a) Penilaian oleh pendidik; (b)
Penilaian oleh satuan pendidikan; dan (c) Penilaian oleh Pemerintah; Pasal 66 Ayat
(1): Penilaian hasil belajar oleh Pemerintah bertujuan untuk menilai pencapaian
standar kompetensi lulusaan secara nasional, dilakukan dalam bentuk ujian nasional.
Masih banyak siswa SMK yang lulus dengan memperolr nilai yang rendah.
Demikian pula di SMK Negeri 3 Palu perolehan nilai hasil UN masih sangat
berfariasi, dan masih banyak siswa yang memperoleh nilai rendah. Oleh karena itu
perlu diadakan prediksi guna memperoleh peta kemampuan siswa lebih dini untuk
mengambil langkah-langkah antisipasi untuk memperkecil jumlah siswa yang
memperoleh nilai rendah pada Ujian Nasional.
Salah satu teknik soft computing yang dapat digunakan untuk meprediksi nilai
UN siswa adalah metode neural network (NN). Neural Network adalah cabang ilmu
artificial intelligence yang merupakan salah satu sistem pemrosesan informasi yang
didesain dengan menirukan cara kerja otak manusia dalam menyelesaikan suatu
masalah[3].
2

Neural Network telah banyak diaplikasikan dalam bidang komputer, terutama

dalam untuk meprediksi terhadap berbagai masalah seperti perdagangan, financial,
pertatian, kedokteran, pendidikan dan lain-lain. Peneliti terdahulu[4] mengimplementasikan NN dalam penelitian untuk memprediksi masa studi sarjana, Fitra[5] Aplikasi
jaringan syaraf tiruan untuk memprediksi prestasi siswa SMU dengan metode
Backpropagation, Lillyan[6], jaringan syaraf tiruan untuk meprediksi tingkat
kelulusan mahasiswa diploma program studi manajemen informatika Universitas
Negeri Gorontalo.
Melihat kemampuan data mining dengan algoritma neural network dalam
melakuan prediksi menghasilkan ketepatan yang tinggi, memiliki karakteristik yang
bagus dan memiliki kemampuan pembelajaran serta adaptasi yang tinggi, maka
penulis melakukan prediksi nilai Ujian Nasional siswa SMK pada Ujian Nasioal
(UN) tahun 2013 dengan menerapkan metode Neural Network.
1.2 Rumusan Masalah
Perlu adanya pengetahuan tentang kemapampuan siswa-siswi calon peserta Ujian
Nasional, sebagai dasar untuk memberikan bimbingan yang lebih intensif, sehingga
lulus dalam Ujian Nasional dengan prestasi yang lebih baik.
1.2 Batasan Masalah
Agar pembahasan lebih terfokus, maka penulis memberikan batasan sebagai berikut:
a) Penelitian dilakukan di SMK N 3 Palu.
b) Nilai yang digunakan sebagai dasar pembentukan model performa konfigurasi
Neural Network dan proses pembelajaran adalah nilai raport semester(1-5)
tahun (2009/2010 - 2011/2012), untuk mata pelajaran Bahasa Indonesia, Bahasa
Inggris, Matematika, dan teori kejuruan, sedangkan nilai yang diprediksi adalah
Nilai UN Tahun ajaran 2012/2013 untuk mata ujian yang sama.
c) Penelitian ini menggunakan metode Jaringan syaraf Tiruan (Neural Network
backpropagation) dengan memanfaatkan Tools Rapidminer.
1.4 Tujuan Penelitian
1. Pembentukan model performa konfigurasi Neural Network terbaik berdasarkan
nilai siswa sebelumya, tahun (2009/2010 s/d 2011/2012, kelas X, XI dan XII,
semester 1, 2, 3, 4 dan 5), yaitu nilai mata pelajaran Bahasa Indonesia,
Matematika, Bahasa Inggris dan Nilai Teori Kejuruan.
2. Menerapkan metode Neural Network Backpropagation model performa
konfigurasi terbaik, untuk memprediksi nilai Ujian Nasional (UN) siswa SMK
pada tahun 2013.
1.5 Manfaat Penelitian
Manfaat dari penelitian ini adalah :
1. Manfaat bagi Institusi; hasil penelitian ini dapat memberikan informasi lebih dini
tentang hasil prediksi nilai UN siswa SMK Negeri 3 Palu, dalam mengikuti UN

tahun 2013, sehingga Kepala sekolah dapat mengambil langkah lebih dini,
memberikan bimbingan pembinaan.
2. Manfaat untuk Peneliti; hasil penelitian ini merupakan sumbangan pemikiran
terkait dengan hasil prediksi nilai UN siswa SMK Negeri 3 khususnya, dan
seluruh penyelenggara pendidikan SMK pada umunya, dapat membantu
penyelenggara pendidikan untuk memprediksi siswa calon peserta UN sehingga
diperoleh peta kemampuan hasil nilai UN dan segera dapat mengambil langkah
setrategis untuk memberikan bimbingan yang lebih intensif.
3. Sebagai referensi bagi peneliti selanjutnya, khususnya penelitian yang berkaitan
dengan prediksi dengan mengembangkan implentasi metode algoritma Neural
Network.
4. Manfaat pengetahuan; penelitian ini diharapkan dapat menjadi sumbangan
pengetahuan dan pengembangan dalam implementasi algoritma Neural Network
untuk memprediksi berbagai masalah, sehingga dapat memberikan solusi
berdasarkan analisis, yang dapat dipertanggungjawabkan secara ilmiah.
1.6 Kontribusi
Kontribusi yang diharapkan dapat diberikan dari penelitian ini adalah hasil
pemodelan performa konfigurasi Neural Network ini dapat digunakan untuk
memprediksi nilai UN siswa SMK secara lebih dini, sehingga dapat membantu
penyelenggara pendidikan untuk memberikan triger (bimbingan yang lebih intensif)
kepada siswa peserta Ujian Nasional sehingga dapat mengikuti UN dengan optimis,
dan lulus berprestasi dengan nilai UN yang tinggi.

2 . TINJAUAN PUSTAKA
2.1 Penelitian Terkait
Peneliti terdahulu dalam kaitannya dengan prediksi, Muhamad[4] telah melakukan
prediksi dengan Artificial Neural Network dan metoda data mining untuk
memprediksi lama masa studi sarjana. Fitra[5] Mengaplikasikan jaringan syaraf
tiruan untuk memprediksi prestasi siswa SMU dengan metode Backpropagation.
Lillyan[6], Jaringan syaraf tiruan untuk meprediksi tingkat kelulusan mahasiswa
diploma program studi manajemen informatika Universitas Negeri Gorontalo, Hasil
prediksi, mahasiwa yang lulus dengan predikat terpuji memiliki persentase yang
lebih rendah dibandingkan dengan mahasiwa yang lulus dengan predikat sangat
memuaskan. Penelitian lain Neural Network (NN) juga digunakan untuk
memprediksi pada berbagia bidang, yaitu: Bambang[7], Menerapkan Artificial
Neural Network(ANN) dengan Proses Pembelajaran Backpropagation dalam
peramalan data deret waktu.
2.2 Prediksi
Prediksi adalah memperkirakan sesuatu yang akan terjadi di masa yang akan datang.
Kejadian masa lampau dipelajari untuk menentukan kecenderungan/pola datanya.
Peramalan[15] adalah menduga atau memperkirakan suatu keadaan di masa yang
akan datang berdasarkan keadaan masa lalu dan sekarang yang diperlukan untuk
menetapkan kapan suatu peristiwa akan terjadi, sehingga tindakan yang tepat dapat
4

dilakukan. Jenis prediksi ada tiga, yaitu: (1) Prediksi jangka pendek, (2) Prediksi
jangka menengah, (3) Prediksi jangka panjang. Sedangkan teknik prediksi dapat
dikategorikan menjadi: (1) Time series dan (2) Causal, yang termasuk kategori ini
adalah: regression model, judgemental, expert opinion, Delphi, sales force
composite, customer expectation (customer survey), simulation.
2.3 Hubungan Nilai Semester dan Nilai UN
Beberapa hasil penelitian yang menjadi dasar untuk mengetahui pola hubungan
antara nilai Ujian Nasional, Nilai Ujian Sekolah dan Nilai Rapor. Kusaly [16]
menggunakan metode SUR (Seemingly Unrelated Regression) dalam memodelkan
nilai ujian akhir nasional yang menghasilkan bahwa nilai semester dan nilai tryout
berpengaruh positif terhadap nilai ujian akhir nasional untuk semua mata pelajaran
UN. Rosyidi[23] lebih menegaskan lagi bahwa berdasarkan hasil uji korelasi antara
variabel input (nilai rapor sem 1,2,3,4,5 dan 6) dengan target (nilai UN) dengan
kepercayaan sebesar 95%.
2.4 Faktor-Faktor yang Mempengaruhi Prestasi Belajar
Beberapa pendapat menyebutkan tentang faktor-faktor yang mempengaruhi prestasi
belajar, menurut M. Dalyono [21], faktor-faktor yang mempengaruhi prestasi belajar
yaitu: Faktor Internal dan Faktorr Eksternal
2.5 Ujian Nasional
Untuk meningkatkan kualitas pendididkan maka perlu adanya standar nasional dan
tiap-tiap daerah harus mengikuti standar nasional tersebut agar perkembangan
Negara Indonesia lebih baik dan maju. Berdasarkan[1] Pasal 68, UN digunakan
sebagai salah satu pertimbangan untuk: (1) pemetaan mutu program dan/atau satuan
pendidikan, (2) dasar seleksi masuk jenjang pendidikan berikutnya, (3) penentuan
kelulusan peserta didik dari program dan/atau satuan pendidikan, (4) pembinaan dan
pemberian bantuan kepada satuan pendidikan dalam upaya untuk meningkatkan
mutu pendidikan.
Data kelulusan UN secara Nasional sesuai dengan tahun kelulusan adalah
disajikan dalam tabel 2.1 berikut:
Tabel 2.1. Data hasil Ujian Nasional (UN) berdasarkan tahun kelulusan secara
Nasional [24]
TINGKAT
SEKOLAH

SMA/MA
SMK

2009
Lulus
(%)
93.74
93.85

100

Tdk
Lulus
(%)
6.26
6.15

Lulus
(%)
89.88
99.20

93,74 93,85 89,88

6,26 6,15

TAHUN KELULUSAN
2010
2011
Tdk
Tdk
Lulus
Lulus
Lulus
(%)
(%)
(%)
10.12
99.22
0.78
0.8
99.51
0.49

99,2 99,22

99,51 99,5

10,12 0,8

0,78 0,49

2012
Lulus
(%)
99.50
99.7

99,7
0,5 0,3

0
2008/2009

2009/2010

SMA/MA

2010/2011
SMK

2011/2012

Tdk
Lulus
(%)
0.50
0.30

Gambar 2.1 Grafik prosentase hasil Ujian Nasional (UN) berdasarkan tahun
kelulusan
Sedangkan data kelulusan siswa SMK Negeri 3 Palu pada tiga tahun terakhir adalah
dapat pada tabel 2.2.
Tabel 2.2 Data kelulusan siswa pada tiga tahun terakhir[25].
No

Tahun
Ajaran

Jumlah Siswa
Peserta UN

Lulus

Tidak
Lulus

1
2
3

2009/2010
2010/2011
2011/2012

578
460
471

537
434
458

41
26
13

600
400

578
460

471

200
0

Tidak Lulus
(%)
7.09

94.35
97.45

5.65
2.76

537
458

1 2009/2010

434

41
Peserta Un

Lulus
(%)
92.91

94,35
5,65
92,91
97,45
26
2,76
7,09
13

2 2010/2011
3 2011/2012

Lulus UN Tdk Lulus UN (%) Kelulusan (% ) Ketidak Lulusan

Gambar 2. 2 Grafik Data Peserta UN dan Kelulusan SMK Negeri 3 Palu Pada 3 Tahun
Terakhir[25]

Pada tahun ajaran 2012/2013 ini berbeda dengan tahun sebelumnya, pelaksanaan
UN tahun ini menggunakan 20 paket soal pada setiap ruangan (Pengembangan aturan
untuk Ujian Nasional 2013). Hal ini bertujuan untuk menghindari ketidak jujuran dan
kecurang pelaksanaan UN. Kriteria kelulusan ditetapkan oleh satuan pendidikan
dalam rapat dewan guru. Untuk sekolah SMK, apabila nilai rata-rata dari semua NA
mencapai paling rendah 5,5 (lima koma lima) dan nilai setiap mata pelajaran paling
rendah 4,0 (empat koma nol) [1], Sedangkan untuk menentukan nilai akhir Ujian
Nasional (NA) adalah gabungan antara Nilai Sekolah/ Madrasah (Nilai S/M) dengan
Nilai Ujian Nasional (Nilai UN) Bobot nilai akhir (NA), dirumuskan:
NA = 0,60 UN + 0,40 NS
Keterangan:
[NA : Nilai akhir, US : Nilai Sekolah, UN : Nilai Ujian Nasional].

(1)

Ada beberapa hal yang pelu dilaksanakan untuk memperkecil jumlah siswa yang
perolehan nilai UN rendah, yang sangat berpengaruh terhadap lulusan, yaitu
merubah strategi dan metode pembelajaran, memberikan bimbingan dan motivasi
belajar, memberikan pengayaan, penambahan jam pelajaran (les), latihan
mengerjakan dan penyelesaian soal-soal UN tahun lalu serta memberikan try out
kepada semua siswa calon peserta Ujian Nasional.
Diperlukan kajian dan dukungan teknologi informatika (soft computing, data
mining) untuk melakukan beberapa analisis dengan menerapkan metoda algaritma
Neural Network Back Propagation. Dengan memanfaatkan toolboxs Rapidminer,
dapat membantu penyelesaian analisis penelitian dan memprediksi kemampuan
siswa. Penelitian prediksi dilakukan jauh-jauh sebelum berlangsungnya Ujian

Nasional agar manfaat dari penelitian tersebut dapat memberikan solusi, yaitu
meningkatkan kinerja dan kempuan siswa memperoleh nilai UN yang tinggi dan
lulus berprestasi.
2.6. Data Mining
Tan[34] mendefinisikan data mining sebagai proses untuk mendapatkan informasi
yang berguna dari gudang basis data yang besar. Istilah data mining kadang diasebut
juga knowledge discovery. Merceron dan Yacef[29] berpendapat, data mining
berhubungan dengan pencarian pola baru dalam sejumlah besar data. Beberapa
manfaat yang dapat diberikan oleh data mining , yang dilakukan terhadap sebuah
basis data yang besar dan berkualitas, adalah sebagai berikut: (a)Data mining dapat
memprediksi kecenderungan data dan tingkah lakunya (b) Menjelajahi kandungan
basis data dan secara otomatis akan menemukan pola-pola data yang sebelumnya
tersembunyi. Aktifitas dan tugas-tugas dalam Data mining secara umum dibagi ke
dalam dua kategori utama[29]: prediktif dan deskriptif.
2.7 Arsitektur Jaringan Saraf Tiruan (Artificial Neural Network)
Jaringan saraf tiruan dapat diklasifikasikan menjadi 3 (tiga) jenis[38], yaitu jaringan
syaraf dengan lapisan tunggal (single-layer net),gambar 2.9a, jaringan syaraf dengan
banyak lapisan (multi layer net), gambar 2.9b dan jaringan syaraf dengan lapisan
kompotitif (compotitive layer net),gambar 2.9c. Jaringan syaraf tiruan (JST) atau
(Artifial Neural Network, ANN), merupakan sekumpulan aturan dan suatu metode
inferensi yang dikombinasikan dalam suatu struktur terhubung, kemudian dilakukan
pelatihan dan adaptasi.

(a)

(b)
(c)
Gambar 2.9 Arsitektur Neural Network

2.8 Multi-Layer perceptron

Multi-Layer Perceptron adalah jaringan saraf tiruan feedforward yang terdiri dari
sejumlah neuron yang dihubungkan oleh bobot-bobot penghubung. Neuron-neuron
tersebut disusun dalam lapisan-lapisan yang terdiri dari satu lapisan input (input
layer). Lapisan input menerima lapisan sinyal dari luar, kemudian melatkannya ke
lapisan tersembunyi pertama, yang akan diteruskan sehingga akhirnya
mencapailapisan output.
Terdapat 3 jenis utama neural network, yaitu multilayer perceptron, radial
basis fungtion, dan koheren network. Multi layer perceptron merupakan model yang
paling banyak digunakan untuk melakukan prediksi. Radial Basis function
merupakan model yang dilakukan oleh Multi layer perceptron. Pada penelitian ini

digunakan model Multilayer Perceptron, karena model ini umum digunakan pada
permasalahan prediksi.
2.9.1 Metode Backpropagation
Salah satu metode pelatihan terawasi pada neural network adalah metode
backpropagation, ciri dari metode ini adalah meminimalkan error pada output yang
dihasilkan oleh jaringan. Pada gambar di bawah ini, unit input dilambangkan dengan
X, hidden unit dilambangkan dengan Z, dan unit output dilambangkan dengan Y.
Bobot antara X dan Z dilambangkan dengan v sedangkan bobot antara Z dan Y
dilambangkan dengan w.

Gambar 2.12 Arsitektur Jaringan Backpropagation

Penerapan backpropagation network terdiri dari 2 tahap[10]:
1) Tahap pelatihan, di mana pada tahap ini diberikan sejumlah data pelatihan dan
target
2) Tahap pengujian atau evaluasi, dilakukan setelah selesai tahap pelatihan.
Pada intinya, pelatihan dengan metode backpropagation terdiri dari tiga
langkah, yaitu:(1) Data dimasukkan ke input jaringan (feedforward), (2) Perhitungan
dan propagasi balik dari error yang bersangkutan, (3) Pembaharuan (adjustment)
bobot dan bias.
Saat umpan maju (feedforward), setiap unit input (Xi) akan menerima sinyal
input dan akan menyebarkan sinyal tersebut pada tiap hidden unit (Zj), setiap hidden
unit kemudian akan menghitung aktivasinya dan mengirim sinyal (zj) ke tiap unit
output. Kemudian setiap unit output (Yk) juga akan menghitung aktivasinya (yk)
untuk menghasilkan respons terhadap input yang diberikan jaringan.
Saat proses pelatihan (training), setiap unit output membandingkan aktivasinya
(yk) dengan nilai target (tk) untuk menentukan besarnya error. Berdasarkan error ini
dihitung faktor k, di mana faktor ini digunakan untuk mendistribusikan error dari
output ke layer sebelumnya. Dengan cara yang sama, faktor j juga dihitung pada
hidden unit Zj, di mana faktor ini digunakan untuk memperbaharui bobot antara
hidden layer dan input layer. Setelah semua faktor ditentukan, bobot untuk semua
layer diperbaharui.
Notasi yang digunakan dalam algoritma pelatihan:
X = Data training input x = (x1,,xi,,xn)
t = Data training untuk target output t = (t1,,tk,,tm)
= Learning rate yaitu parameter untuk mengontrol perubahan bobot selama
pelatihan.
Xi = Unit input ke-i
Zj = Hidden unit ke-j
Yk = Unit output ke-k
8

voj = Bias untuk hidden unit ke-j

vij = Bobot antara unit input ke-i dengan hidden unit ke-j
w0k = Bias untuk unit output ke-k
Wjk = Bobot antara hidden unit ke-j dengan unit output ke-k
k = Faktor koreksi error untuk bobot wjk
j = Faktor koreksi error untuk bobot vij
m = Momentum
Tahap-tahap pelatihan[14]:
1) Tahap 0: Inisialisasi bobot dan bias. Baik bobot maupun bias dapat diset dengan
sembarang angka (acak) dan biasanya angka di sekitar 0 dan 1 atau -1 (bias positif
atau negatif).
2) Tahap 1: Jika stopping condition masih belum terpenuhi, jalankan tahap 2-9
3) Tahap 2: Untuk setiap data training, lakukan tahap 3-8
4) Tahap 3: Setiap unit input (Xi,i=1,2, 3,,n) menerima sinyal input xi dan
menyebarkan sinyal tersebut pada seluruh unit pada hidden layer. Perlu diketahui
bahwa input xi yang dipakai di sini adalah input training data yang sudah
diskalakan.
5) Tahap 4: Setiap hidden unit (Zj,j=1,2, 3,p) akan menjumlahkan sinyal-sinyal
input yang sudah berbobot, termasuk biasnya
(11)

dan memakai fungsi aktivasi yang telah ditentukan untuk menghitung sinyal output
dari hidden unit yang bersangkutan,
(12)
lalu mengirim sinyal output ini ke seluruh unit pada unit output 6. Tahap 5: Setiap
unit output (Yk,k=1,2, 3,m) akan menjumlahkan sinyal-sinyal input yang sudah
berbobot termasuk biasnya,
(13)
dan memakai fungsi aktivasi yang telah ditentukan untuk menghitung sinyal output
dari unit output yang bersangkutan
(14)
7) Tahap 6: Propagasi balik error (backpropagation of error).
Setiap unit output (Yk,k=1,2,3,,m) menerima suatu target (output yang
diharapkan) yang akan dibandingkan dengan output yang dihasilkan.
(15)
Faktor k ini digunakan untuk menghitung koreksi error (wjk) yang nantinya akan
dipakai untuk memperbaharui wjk, di mana:
(16)
Selain itu juga dihitung koreksi bias w0k yang nantinya akan dipakai untuk
memperbaharui w0k, di mana:

(17)

Faktor k ini kemudian dikirimkan ke layer di depannya.

8) Tahap 7: Setiap hidden unit (Zj,j=1,2,3,,p) menjumlah input delta (yang dikirim
dari layer pada tahap 6) yang sudah berbobot.
(18)

Kemudian hasilnya dikalikan dengan turunan dari fungsi aktivasi yang digunakan
jaringan untuk menghasilkan faktor koreksi error j, di mana:
(19)

Faktor j ini digunakan untuk menghitung koreksi error (vij) yang nantinya akan
dipakai untuk memperbaharui vij, di mana:
(20)
Selain itu juga dihitung koreksi bias v0j yang nantinya akan dipakai untuk
memperbaharui v0j, di mana:
(21)
9) Tahap 8: Pembaharuan bobot dan bias:
Setiap unit output (Yk,k=1,,m) akan memperbaharui bias dan bobotnya dengan
setiap hidden unit.
(22)
Demikian pula untuk setiap hidden unit akan memperbaharui bias dan bobotnya
dengan setiap unit input.
(23)
10) Tahap 9: Memeriksa stopping condition
Jika stop condition telah terpenuhi, maka pelatihan jaringan dapat dihentikan.
Untuk menentukan stopping condition terdapat dua cara yang biasa dipakai,
yaitu:
1) Membatasi iterasi yang ingin dilakukan
Misalnya jaringan akan dilatih sampai iterasi yang ke-500. Yang dimaksud dengan
satu iterasi adalah perulangan tahap 3 sampai tahap 8 untuk semua training data
yang ada.
2) Membatasi error
Misalnya menentukan besar Mean Square Error antara output yang dikehendaki dan
output yang dihasilkan oleh jaringan. Jika terdapat sebanyak m training data, maka
untuk menghitung Mean Square Error digunakan persamaan berikut:
(24)
Setelah pelatihan selesai, backpropagation network (BPN) dianggap telah pintar
sehingga apabila jaringan diberi input tertentu, jaringan akan menghasilkan output
seperti yang diharapkan.
Cara mendapatkan output tersebut adalah dengan mengimplementasikan metode
backpropagation yang sama seperti proses pelatihan, tetapi hanya pada bagian
umpan majunya saja.
Notasi yang digunakan dalam algoritma pengujian:
Xi = Unit input ke-i
Zj = Hidden unit ke-j
10

Yk = Unit output ke-k

v0j = Bias untuk hidden unit ke-j
vij = Bobot antara unit input ke-i dengan hidden unit ke-j
w0k = Bias untuk unit output ke-k
Wjk = Bobot antara hidden unit ke-j dengan unit output ke-k
Tahap-tahap pengujian:
1) Tahap 0: Inisialisasi bobot sesuai dengan bobot yang telah dihasilkan pada proses
pelatihan di atas.
2) Tahap 1: Untuk setiap input, lakukan tahap 2-4
3) Tahap 2: Untuk setiap input i=1,,n skalakan bilangan dalam range fungsi
aktivasi seperti yang dilakukan pada proses pelatihan di atas
4) Tahap 3: untuk j=1,,p:
(25)
(26)
5) Tahap 4: Untuk k=1,,m:
(27)
(28)
Variabel yk adalah output yang masih dalam skala menurut range fungsi aktivasi.
Untuk mendapatkan nilai output yang sesungguhnya, yk harus dikembalikan seperti
semula.

3. METODOLOGI PENELITIAN
3.1 Metode Penelitian
Penelitian ini adalah penelitian eksperimen dengan tahapan penelitian sebagai
berikut:
Pengumpulan Data
Pengolahan Awal Data
Metode Yang Diusulkan
Eksperimen dan Pengujian Metode
Evaluasi dan Validasi Hasil

Gambar 3.1 Blok alur penelitian

3.2 Pengumpulan Data (Data Gathering)
Pengumpulan data awal dimulai dengan melakukan pengumpulan data.
Bentuk data berupa data rekaman nilai siswa, yang diperoleh dari Wakil kepala
sekolah bagian kurikulum SAMK Negeri 3 Palu, berupa:Nilai raport semester 1, 2,
3, 4 dan 5 calon peserta Ujian Nasional (UN) tahun 2010-2013 untuk mata pelajaran
Bahasa Indonesia, Bahasa Inggris, Matematika dan Teori Kejuruan, yang digunakan
sebagai dasar untuk memprediksi nilai nilai UN.
3.3 Pengolahan Data Awal

11

Pada bagian ini dijelaskan tentang tahap pengolahan awal (preprocessing)

data meliputi: yang pertama pemilahan data dengan mencermati data tersebut apakah
data sudah dalam bentuk numerik, jika belum semua data nilai siswa harus diubah
kedalam numerik. Yang kedua data yang uotlier harus dihapus atau di buang karena
jika tidak dibuang akan mengganggu proses penelitian. Tujuan dari pengolahan data
awal (pre-processing) adalah untuk menghilangkan Missing value.
3.4. Metode yang Diusulkan
Berdasarkan kajian teori dan pengalaman para peneliti terdahulu, tentang
kemampuan prediksi Neural Network dan daya nalar serta proses pembelajaran yang
baik, maka untuk memprediksi nilai siswa pada UN 2013, penulis menggunakan
metode Neural Network Backpropagation, dengan memanfaatkan toolbox
Rapidminer.
3.5 Eksperimen dan Pengujian Metode
Variabel Penelitian,variabel yang digunakan pada penelitian terdiri dari 5 variabel
input dan 1 variabel target, yaitu: X= nilai raport semester 1, X2 = nilai raport
semester 2, X3 = nilai raport semester 3, X4 = nilai raport semester 4, X5 = nilai
raport semester 5, dan sebagai target adalah Y= nilai UN.
Ada beberapa tahap untuk memperoleh performa konfigurasi Neural Network
yang terbaik, yaitu dengan menentukan parameter neural network, yaitu: model
performa konfigurasi neural network, k-Foldvalidation, learning rate, momentum,
dan training cycle.
3.6 Kerangka Pemikiran
Kerangka pikir pada penelitian ini dilatarbelakangi dengan masalah umum bahwa
perolehan nilai UN yang rendah menyebabkan ketidak lulusan siswa. Sacara grafis
kerangka pemikiran dalam penelitian ini dapat dilihat pada gambar 3.2 di bawah.

Gambar 3. 2 Kerangka pemikiran

4. HASIL DAN PEMBAHASAN

4.1 Hasil Eksperimen dan Pengujian Model/Metode
a. Pengumpula Data
12

Kegiatan pengumpulan data dilaksanakan di SMK Negeri 3 palu, baralamat di Jalan

Tanjung Santigi No. 19 Palu, Provinsi Sulawesi Tengah, sebagai obyek penelitian.
Data yang diperoleh merupakan data nilai siswa kelas x, xi dan xii semester (1 5)
dan nilai UN, mualai tahun ajaran (2009/2010-2012/2013), yaitu data mata pelajaran
yang diujikan pada Ujian Nasional (Bahasa Indonesia, Bahasa Inggris, Matematika
dan Teori Kejuruan).
Data yang dikumpulkan berasal dari sumber data[25], Data yang dapat
dihimpun peneliti berdasarkan sumber data diperoleh sebesar 1920 data.
b. Pengolahan Data Awal (Pre-processing)
Data yang telah terkumpul selanjutnya diolah dalam bentuk exel windows 2003,
kemudian diperiksa apakah semua data sudah valid atau masih ada kesalahan
(missing), apakah semua data sudah dalam bentuk numerik, karena jika masih ada
data yang dalam bentuk lain (misal: bentuk tex), maka sistem akan menganggap data
tersebut kosong atau kesalahan (missing value) dan outlier. Teknik pengolahan data
awal (pre-processing) menggunakan Microsoft Office Exel 2007, dengan
Memanfaatkan fasilitas menu Filter.
Dari pengolahan data tahap pertama (1920), setelah pengolahan data
menggunakan microsoft office exel, data yang valid berkurang lagi menjadi 1906
dan data yang invalid bertamba menjadi 14 data.
c. Skenario eksperimen
Pertama penentuan parameter Neural Network; penentuan model, hidden layer,
learning rate, momentum, dan Training cycle serta dilanjutkan Penetapan model
konfigurasi Neural Network.
Tabel 4.1. Perbandingan hasil perbaan penerapan 2 hidden layer
dengan 1 hidden layer untuk k=3
Model
Learning
Training
Momentum
RMSE
time
NN
rate
cycle
5-8-1

0.1

0.2

500

1.249 +/- 0.026

0:11

5-8-8-1

0.1

0.2

500

1.264 +/- 0.045

0:23

Sebagai pembanding berikut ini adalah konfigurasi Neural network dua hidden
layer sebagai hasil eksperimen penentuan pola yang terbaik gambar 4.1.

(a)
(b)
Gambar 4.1. Model konfigurasi NN 1 hidden layer yang dipilih untuk eksperimen
dan sebagai pembanding untuk dua hidden layer.

13

Berdasarkan eksperimen yang telah dilakukan, didapatkan hasil terbaik sebagai

berikut, yaitu pada performa konfigurasi Neural Network lima inputan - satu hidden
layer dengan 8 size (node)-satu output atau dengan pola (5-8-1) dengan setting
default pada tools Rapidminer sebagai berikut: training cycle : 500, k-fold
validation(k) : 3, learning rate : 0.1, momentum : 0.2, jumlah hidden layer : 1 dan
size hidden layer : 8.
Hasil eksperimen diatas kemudian digunakan untuk mensetting default
rapidminer, dan selanjutnya dilakukan eksperimen untuk memperolah hasil prediksi.
Dengan memasukkan data nilai siswa semester 1 sampai denga semester 5 dan Nilai
UN untuk mata pelajaran bahasa Indonesia diperoleh hasil prediksi seperti pada
tabel 4.2 di bawah.
Tabel 4.2 Hasil prediksi nilai Ujian N asional
UN
5
7
6.4
5.8
5.4
4.8
4.4
6.2
7.4
5.8

Bhs Ind
Pred UN
5.656535
5.884352
5.648432
4.985831
5.723243
5.522707
5.416933
5.803143
5.673735
5.283195

UN
6.2
6.2
5.6
6.8
6.4
6
6
6.4
4.8
6.4

Bhs. Ing
Pred UN
6.762901
6.773
6.772232
6.695136
6.773041
6.859777
6.754868
6.791693
6.742599
6.635285

Matematika
UN
Pred UN
UN
Pred.UN
4.5
5.477252
5.5
5.5182
4.25
5.485793
3.5
5.485793
3.75
5.682383
3.25
5.572201
7.25
8.085857
4.5
5.62513
4.75
5.477252

Teori Kejuruan
UN
Pred UN
8.33
6.362601
8.2
6.05403
7.97
5.863052
8.26
5.875344
7.62
5.722597
8.05
5.775789
8.33
6.445927
7.62
5.705693
7.62
5.725597
7.85
6.187196

Tabel 4.3 Hasil prediksi untuk mata pelajaran UN

No
1
2
3
4

Model konfigurasi NN
5 8 -1
6 8 -1
5 8 -1
5 8 -1

Mata Pelajaran UN
Bahasa Indonesia
Bahasa Inggris
Matematika
Teori Kejuruan

RMSE
1.207 +/- 0.005
1.134 +/- 0.087
1.698 +/-0.167
1.180 +/- 0.054

Waktu Komputasi
298.9 (second)
68
(second)
72 (second)
130
(second)

Untuk mengetahui kualitas dan keakurasian metode NN ini, peneliti

melakukan eksperimen menggunakan metode lain, yaitu menggunakan metode
Regresi Linier sebagai pembanding, dan diperoleh hasil seperti pada tabel 4.4
dibawah.
Tabel 4.4 Perbandingan antara metode NN dan Metode Regresi Linier
Neural Network
No Mata Pelajaran UN

Linier Regresi

RMSE

Waktu
Komputasi
(second)

RMSE

Waktu
Komputasi
(second)

Bahasa Indonesia

1.207 +/- 0.005

127

1.231 +/- 0.007

2
3
4

Bahasa Inggris
Matematika
Teori Kejuruan

1.134 +/- 0.087

1.698+/-0.167
1.180 +/- 0.054

129
72
130

1.440 +/- 0.001

1.855+/- 0.001
1.517 +/- 0.393

2
2
2

4.2 Pembahasan dan Implikasi Penelitian

Berdasarkan hasil eksperimen (tabel 4.23) dan grafik perbandingan antar hasil
prediksi dan aktual, bahwa hasil prediksi Nilai bahasa Indonesia, Bahasa Inggris,

14

Matematika dan Teori Kejuruan hasil prediksinya mendekati akurat, karena

kesalahan prediksi rata-rata (RMSE) untuk semua mata uji ini relatif kecil. Sedang
kan berdasarkan tabel 4.24 perbandingan hasil ekspereimen antara dua metode (NN
dengan Regresi linier) dari 4 mata Uji UN metode NN memberikan hasil prediksi
yang lebih terpercaya (lebih akurat) dibandingkan dengan hasil Regresi Linier.
5. PENUTUP
5.1 Kesimpulan
Berdasarkan hasil penelitian, eksperimen dan analisis yang telah dilakukan dapat
disimpulkan bahwa:
5.1.1 Model performa konfigurasi
dan pembelajaran pada neural network
Backpropagation yang terbaik adalah lima inputan 1 trheshold - satu hidden
layer dengan 8 size (node)- dan satu output atau dengan pola (5-8-1),
dengan setting default pada tools Rapidminer sebagai berikut: k-fold
validation (k) = 3, learning rate = 0.1, momentum = 0.2, jumlah hidden layer
= 1, size hidden layer(node)= 8, dan training cycle= 5500.
5.1.2 Model performa konfigurasi neural network yang terbaik yaitu (5-8-1), dapat
memprediksi nilai UN siswa SMK untuk mata pelajaran UN (Bahasa
Indonesia, Bahasa Inggris, Matematika dan Teori Kejuruan) dengan
ketepatan prediksi yang tergolong tinggi, Hal ini dapat diboktikan dari
kesalahan rata-rata (root mean square error-RMSE) yang relatif kecil, yaitu
untuk Bahasa Indonesia (1.207 +/- 0.005), Bahasa Inggris (1.134 +/- 0.087),
Matematika (1.698+/-0.167), dan Teori Kejuruan (1.180 +/- 0.054).
Ketepatan dan keakurasian prediksi yang tertinggi pada penelitian ini terlelak
pada hasil prediksi nilai UN Bahasa Inggris.
5.1.3 Metode Neural Network Backpropagation dapat memprediksi Nilai Ujian
Nasional Sekolah Menengah Kejuruan, dengan hasil yang lebih baik dengan
kesalahan root mean square error (RMSE) relatif kecil jika dibandingkan
dengan metode Regresi Linier. Hasil Prediksi Metode Neural Network
Backpropagation sangat dipengaruhi oleh model performa konfigurasi neural
network, variabel learning rate, momentum, training cycle dan training cycle.
Dalam situasi penelitian ini, semakin kecil learning rate dan diikuti perubahan
momentum akan semakin kecil RMSE dan waktu komputasi semakin pendek.
5.2 Saran
5.2.1 Utuk meningkatkan akurasi prediksi dan memperkecil RMSE adalah pada saat
pre-proscessing, data supaya benar-benar valid dan bersih dari missing value,
data yang dikumpulkan juga data valid dan ketelitian dan kepiawaian dalam
menyesuaikan parameter-parameter dalam rapidminer
5.2.2 Model performa konfigurasi neural network backpropagation (5-8-1) dapat
diimplementasikan untuk memprediksi Nilai UN di satuan-satuan pendidikan
khusus untuk Kelompok SMK, guna membantu penyelenggara pendidikan
untuk memberikan bimbingan yang lebih intensif kepada siswa-siswi calon
peserta Ujian Nasional, sehingga bisa lulus berprestasi dan meningkatkan
prosentasi kelulusan.

15

5.2.3 Penelitian prediksi nilai UN Sekolah Menengah Kejuruan ini masih perlu
dikembangkan, disamping menggunakan model performa konfigurasi neural
network, dapat menambahkan atribut-atribut lain yang dapat mempengaruhi
nilai UN, (misalnya: karakter, kepribadian, kecemasan, ketakutan, dan
kondisi kesehatan) masing-masing peserta ujian.
5.2.4 Untuk data terlalu besar, dengan training cycle yang tinggi, diperlukan waktu
yang relatif lama, dan semakin banyak jumlah hidden layer juga akan
menambah tempo komputasi. Hal ini dapat diatasi dengan mengatur
parameter tools Rapidminer, training cycle yang tidak terlalu tinggi dan
mengatur tempo pembelajaran dan momentum serta pengaturan data untuk
training dan testing.

DAFTAR PUSTAKA
[1] Undang-Undang No 20 tahun 2003 tentang Sistem Pendidikan Nasional.
[2] Badan Standar Nasional Pendidikan Kementrian Pendidikan Nasional,
Republik
Indonesia(BNSP), sosialisasi-un.(2013).
[3] Suyanto. Artificial Intelligence; Searching, Reasoning, Planning, and Learning.
Bandung: Informatika, 2007.
[4] Meinanda Muhamad Hanief, at al, Prediksi Masa studi Sarjana dengan
Artificial Neural Network, Jurnal Vol.l_No.2, Fakultas Teknologi Industri,
Institut Teknologi Bandung (ITB), Indonesia, 2009.
[5] Fitra Yunanti, Aplikasi jaringan syaraf tiruan untuk memprediksi prestasi siswa
SMU dengan metode Backpropagation, Skripsi, Yogyakarta,2010
[6] Lillyan Hadjaratie, Jaringan syaraf tiruan untuk meprediksi tingkat kelulusan
mahasiswa diploma program studi manajemen informatika Universitas Negeri
Gorontalo,Tesis Sekolah Pascasarjana Institut Pertanian Bogor, 2011.
[7] Bambang Wijanarko Otok, Penerapan artificial Neural network(ANN) dengan
Proses Pembelajaran Backpropagation dalam Peramalan Data Deret Waktu,
Tesis proram Pascasarjana ITB. 2000.
[8] Yanti Novi, Penerapan Metode Neural Network dengan Struktur
Backpropagation untk Memprediksi Stok Obat di Apotek (Stu Kasus: Apotek
ABC), Seminar Nasional Aplikasi Teknologi Informatika,
Yoyakarta
2011.Jurusan Teknik Informatika, Fakultas Sains dan Teknologi, Universitas
Islam Negeri Syarif Kasim Riau, 2011.
[9] Aziz Kustiyo, Handayani Tjandrasa, Model Neural Network dengan Inisialisasi
pembobotan awal menggunakan regresi logistik biner untuk memprediksi jenis
penyakit Erythematho-Squamous, Jurnal Ilmiah Ilmu Komputert vol.2 No.2
November, 2004.
[10] Qoriatul Fitriyah, Didi Istardi, Prediksi Beban Listrik Pulau Bali Dengan
Menggunakan Metode Backpropagasi, Jurusan Teknik Elektro Politeknik
Batam, Batam 29461.

16

[11] Warih Maharani, Klasifikasi data menggunakan JST Bacpropagation

momentum dengan adaptive learning rate, menggunakan metode feature
selection information gain, Makalah seminar Nasional Informatika, Fakultas
Teknik Informatika Institut Teknologi Bandung, 2009.
[12] Alexander driyarkoro, at al, Simulasi neural network untuk prediksi user pada
mobile network. Jurusan Teknik Elektro Sekolah Tinggi Teknologi Telkom
Bandung, 2010.
[13] Resa Alfarisi, at al, Pembuatan perangkat lunak untuk peramalan
menggunakan metode AAN dengan memanfaatkan library encg java. Jurusan
Sistem Informasi, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh
Nopember (ITS), 2011.
[14] Kusumadewi, S. Artificial Intellegence (Teknik dan Aplikasinya). Yogyakarta:
Graha Ilmu. 2003.
[15] Pujiadi, Penggunaan metode artificial neural network dengan algoritma self
organizing maps untuk membantu guru dalam melakukan pemetaan ujian
nasional, Widyaiswara LPMP Jawa Tengah, 2012.
[16] Kusaly J. Pemodelan Nilai Ujian Akhir Nasional Siswa SMA Negeri 2 Ambon
Tahun 2007/2008 Menggunakan Metode Seemingly Unrelated Regression
(SUR), Tesis. Surabaya: Sekolah Pascasarjana, Institut Teknologi Surabaya,
2010.
[17] Setyaningsih Martina Endah,
Peningkatan Presentasi Siswa Melalui
Pembelajaran berbasis TIK di SMK negeri 1 Surabaya. Jurnal Surabaya,
2012.
[18] Rosyidi Imron dkk, Data Mining Kemampuan Siswa Berbasis Neuro
Fuzzy. Paper Seminar Tugas Akhir, Sistem Informasi, Teknik Elektro, FTI,
ITS, Surabaya.2011.
[19] Siswo Pratomo & Sumadi Suryabrata, Validitas prediktif NEM SMA, STTB
SMA, TKU, dan nilai ujian tulis Sipenmaru tahun 1988 sebagai prediktor
prestasi belajar mahasiswa Fakultas non eksakta Universitas Gajah Mada.
Berkala penelitian Pasca Sarjana, UGM seri A: Kelompok Ilmu Pengetahuan
Sosial dan Humaniora. Jilid 4, Nomor 3A. 1991. hlm 517525.
[20] Syamsurizal J, Analisis Daya Prediksi Beberapa Aspek yang
Dipertimbangkan dala Penerimaan Peserta Didik Baru(PPDB) SMK Negeri
Terhadap Prestasi Peserta Didik, tesis, Program Studi Administrasi
Pendidikan
Program Pascasarjana Universitas Penndidikan Ganesha
Singaraja,2012.
[21] M Dalyono. (2009). Psikologi Pendidikan. Jakarta: Rineka Cipta. tt.
[22] Ngalim Purwanto, Psikologi Pendidikan. Bandung: Remaja Rosdakarya,
2007.
[23] Nana Sudjana, Dasar-dasar Proses Belajar Mengajar. Bandung : Sinar
Baru Algasindo, 2005.
[24] Tempo.com (Jakarta: Kamis, 24 Mei 2012), diakses pada 28 Des 2012
[25] Wakasek Kuri kulum SMK N 3 Palu, Data Kelulusan siswa (2009/2010 s/d
2011/2012).
17

[26] Kiki, Sri Kusumadewi, Analisis Jaringan Saraf Tiruan dengan Metode
Backpropagation Untuk Mendeteksi Gangguan Psikologi, Laboratorium
Komputasi & Sistem Cerdas, Jurusan Teknik Informatika, Fakultas Teknologi
Industri Universitas Islam Indonesia. 2011.
[27] Linda Aqnes Desi Susanti, Arna Fariza, Setiawardhana, Peramalan harga
saham menggunakan reurrent neural network dengan algoritma
backpropagation through time(BPTT), Teknik Informatika, Politeknik
Elektronika Negeri Surabaya,Institut Teknologi Sepuluh Nopember Kampus
PENS-ITS Keputih Sukolilo Surabaya, 2010.
[28] http://www.paudni.kemdikbud.go.id/wp-content/uploads/2012/08/PP-no-19-th2005- ttg-standar-nasional-pendidikan. diakses pada : 28 Des 2012.
[29] Merceron, A & Yacef, K. Educational Data Mining: a Case study.
pdf.
http://www.it.usyd.edu.au/kalina/publis/mercferon_yacef.
aied05.
(diakses: 17 September 2013)
[30] Banon Tri Kuncahyo, at al. Penerapan Metode Neuro-Fuzzy inference system
untuk memprediksi Nilai Post Test Mahasiswa Pada Jurusan Teknik
Informatika, Makalah Seminar tugas Akhir, FTIF ITS, 2012.
[31] Beghdad bey, Kadda. 2011. CPU load prediction using neuro-fuzzy and
Bayesian inferences. Neurocomputing 74 (2011) 16061616.
[32] Fausset, Laurence. Fundamental of Neural Network : Architecture, Algorithm,
and Application. New Jersey : Prentice-Hall, 1994.
[33] Haykin, S. Neural Networks: A Comprehensive Foundation, NY, Macmillan,
1994.
[34] Pang-Ning Tan, Michael Steibach and Vipin Kumar, Introduction To Data
Mining, Companion Book Site, ISBN 0-321-32136-7, 2005.
[35] Zurada, J.M. Introduction To Artificial Neural Systems, Boston: PWS
Publishing Company, (1992).
[36] Chaudhuria, Arindam dkk. 2011. Fuzzy Support Vector Machine for
bankruptcy prediction. Applied Soft Computing 11 (2011) 24722486
[37] Jang, JSR, Sun, CT, dan Mizutani, E. 1997. Neuro Fuzzy and Soft Computing.
London. Prentice-Hall.2007.
[38] Kusumadewi Sri dan Hartati Sri, Neuro Fuzzy, Integrasi Sistem Fuzzy &
Jaringan Syaraf. (Yogyakarta, Graha Ilmu, Edisi ke dua 2010).
[39] http://www.it.usyd.edu.au/~kalina/publis/merceron_yacefaied05.pdf, Diakses
pada( 9 September 2013)
[40] 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
[41] Peraturan Mentri Pendidikan Nasional Nomor 46 Tahun 2010. Jakarta.2010.
[42] Xenos, Michalis.2004. Prediction and assessment of student behaviour in open
and distance education in computers using Bayesian networks. Computers &
Education 43 (2004) 345359.

18

[43] 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 (1999)
[44] Zemke, Stefan. Data Mining for Prediction.Financial Series Case. Doctoral
Thesis, The Royal Institute of Technology, Sweden ISBN 91-7283-613-X,
2003.
[45] Fitrianto Yuli, Penerapan Neural Network untuk memprediksi Time- Series
Arus Lalu lintas jangka pendek, tesis. 2011.
[46] http://bsnp-indonesia.org/id/?page_id=61, Standar Pendidikan Nasional, di
akses pada: 15 Des 2012.
[47] Permendiknas No. 14 tahun 2007, Standar Isi Pendidikan Kesetaraan Sistem
Derajat dan tingkatan kompetensi, (2007).
[48] http://www.paudni.kemdikbud.go.id/wp-content/uploads/2012/08/PP-no-19-th2005- ttg-standar-nasional-pendidikan. diakses pada : 28 Des 2012.
[49] McCulloch, Warren S., and Walter Pitts. A Logical Calculus of the Ideas
Immanent in Nervous Activity." Bulletin of Mathematical Biophysics, 5 (1943):
115-133. Reprinted in The Collected Works of Warren S. McCulloch, vol. 1,
Edited by Rook McCulloch, Salinas, CA: Intersystems Publications, 1989.

19

LAMPIRAN
Lampiran 1. Sampel nilasi siswa semester (1- 5) mulai tahun (3019-2013) untuk mata
Ujian bahasa Indonesia, bahasa Inggris, Matematika dan Teori Kejuruan.

20

21