Oleh :
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
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
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
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
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.
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)
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
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
11
0.1
0.2
500
0:11
5-8-8-1
0.1
0.2
500
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
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
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)
Linier Regresi
RMSE
Waktu
Komputasi
(second)
RMSE
Waktu
Komputasi
(second)
Bahasa Indonesia
127
2
3
4
Bahasa Inggris
Matematika
Teori Kejuruan
129
72
130
2
2
2
14
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
[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
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