TESIS
SALMIATI
191321064
MARET 2021
i
PROGRAM MAGISTER (S2)
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS ILMU KOMPUTER
NAMA : SALMIATI
NO.BP : 191321064
MENYETUJUI
PEMBIMBING I PEMBIMBING II
ii
Telah dinyatakan lulus Ujian Tesis Pada Sidang Tertutup Program Magister (S2)
Program Studi Sistem Informasi Fakultas Ilmu Komputer Universitas Putra
Indonesia “YPTK” Padang pada Bulan September 2020 dengan hasil baik.
Tim Penguji
Penguji I :
……………………………………………………
NIDN :
Penguji II :
......................................................................
NIDN :
D
Mengesahkan
“Saya akui karya ini adalah hasil kerja saya sendiri kecuali kutipan dan
ringkasan yang masing-masing telah saya jelaskan sumbernya”.
KATA PENGANTAR
Puji syukur penulis ucapkan kepada Allah SWT, serta shalawat dan salam
dipersembahan kepada Nabi besar Muhammad SAW, sebagai ungkapan rasa syukur
dan terima kasih penulis atas terwujudnya penyelesaian tesis yang berjudul Tingkat
Pemahaman Siswa Dalam Pembelajaran Daring Dan Tatap Muka Langsung
Dalam Masa Pandemi Covid-19 Terhadap Bimbingan TIK Menggunakan
Metode Backpropagation.
Pada kesempatan ini rasa terimakasih yang tulus dan ikhlas penulis
sampaikan kepada semua pihak yang telah banyak membantu dalam menyelesaikan
tesis ini, antara lain :
Penulis menyadari bahwa dalam penulisan tesis ini masih terdapat banyak
kekurangan dan kelemahan, untuk itu sangat mengharapkan masukan berupa kritik
dan juga saran yang bersifat membangun. Penulis berharap semoga tesis ini dapat
bermanfaat bagi pembaca dan semua pihak yang berkentingan dengan tesis ini
Akhir kata hanya kepada Allah SWT tempat berserah diri, semoga bimbingan
dan bantuan yang telah diberikan kepada penulis mendapat balasan yang sitimpal
dari-NYA.
Penulis
Salmiati
vii
ABSTRAK
ABSTRACT
DAFTAR ISI
HALAMAN JUDUL i
HALAMAN PERSETUJUAN ii
HALAMAN PENGESAHAN iii
HALAMAN PENGAKUAN iv
HALAMAN DEDIKASI v
KATA PENGANTAR vii
ABSTRAK ix
ABSTRACT x
DAFTAR ISI xi
DAFTAR TABEL xiv
DAFTAR GAMBAR xv
I PENDAHULUAN
1.1 Latar Belakang Masalah 1
1.2 Perumusan Masalah 5
1.3 Batasan Masalah 5
1.4 Tujuan Penelitian 5
1.5 Manfaat Penelitian 6
1.6 Sistematika Penulisan 7
II LANDASAN TEORI
2.1 Konsep Pemahaman 8
2.1.1 Definisi Pemahaman Menurut Para Ahli 9
2.1.2 Jenis- Jenis Pemahaman 10
2.2 Pembelajaran Pada Masa Pandemi Covid-19 10
2.2.1 Pengertian Pembelajaran Daring dan Luring 11
2.2.2 Dampak Pembelajaran Daring 17
2.3 Bimbingan Teknologi Informasi dan Komunikasi 23
2.3.1 Konsep Teknologi Informasi dan Komunikasi 20
2.3.2 Bentuk Bimbingan dan fasilitas TIK
x
DAFTAR TABEL
DAFTAR GAMBAR
BAB I
PENDAHULUAN
Covid-19 ini tidak dapat terlaksana dengan optimal. Pelaksanaan pembelajaran ini
tergantung sepenuhnya oleh kebijakaan pada Satuan Pendidikan. Pelaksanaan
bimbingan TIK dilakukan secara daring dan tatap muka langsung namun dengan
berpedoman kepada protokol kesehatan masa pandemi Covid-19.
Pada penelitian kali ini dikemukakan sebuah metode untuk memprediksi hasil
tingkat pemahaman siswa dalam pembelajaran di masa pandemi Covid-19, yaitu
dengan menggunakan Jaringan Syaraf Tiruan (JST) metode Backpropagation. JST
merupakan bagian dari kecerdasan buatan yang bisa dipergunakan dalam
meramalkan atau memprediksi. Backpropagation merupakan metode pada JST yang
banyak digunakan dalam memprediksi atau peramalan. JST akan mempelajari
kumpulan berbagai data terdahulu seperti halnya otak manusia, sehingga mampu
memberikan keputusan terhadap masalah baru dari data yang sebelumnya belum
pernah dipelajari sesuai dengan pola atau pemodelan data terdahulu.
JST untuk memprediksi jumlah siswa baru pada SMK Swasta Abdi Sejati
Kerasaan, ditemukan bahwa model arsitektur terbaik yaitu 3-22-1 dengan tingkat
akurasi nya 75%. MSE pelatihan 0,000993661 serta MSE pengujian sebesar
4
Pada penelitian terdahulu lainnya untuk menguji dan melatih data dengan
menggunakan algoritma Backpropogation untuk meningkatkan kemampuan
mahasiswa untuk memahami matakuliah algoritma dan pemrograman. Hasil
penelitian ini menemukan bahwa jika outputnya mendekati target maka proses
pelatihan dapat diselesaikan. Selanjutnya, kesalahan rata-rata dapat dihitung dari
hasil pelatihan yang telah dilakukan. Jika hasilnya belum tercapai maka metode
Backpropagation selalu melakukan iterasi dengan melakukan perubahan bobot
hingga hasil maksimal(Lubis, 2019).
Dari uraian diatas, maka penulis melakukan penelitian dalam bentuk tesis
dengan judul Tingkat Pemahaman Siswa dalam Pembelajaran Daring dan Tatap
Muka Langsung dalam Masa Pandemi Covid-19 Terhadap Bimbingan TIK
Menggunakan Metode Backpropagation.
5
Tujuan yang ingin diperoleh dari penelitian ini agar lebih bermanfaat
kedepannya antara lain sebagai berikut :
Sistematika yang digunakan dalam penyusunan tesis ini antara laian sebagai
berikut :
BAB I PENDAHULUAN
Bab ini dijelaskan tentang jawaban singkat dari rumusan masalah atau
kesimpulan serta saran dalam pengembangan serta penyempurnaan
penilitian yang dibuat.
8
BAB II
LANDASAN TEORI
Pemahaman berasal dari kata paham yang artinya mengerti benar, maka
didefinisikan sebagai proses pembuatan cara memahami. Selain itu pemahaman
merupakan terjemahan dari istilah understanding yang artinya penyerapan terhadap
suatu materi yang telah dipelajari (Sariningsih, 2014). Sebagaimana yang dikutip
pada Wikipedia bahwa pemahaman berawal dari kata mengerti yang berarti (1)
penafsiran; wawasan yang banyak, (2) opini, benak, (3) gerakan; pemikiran, (4)
paham betul (hendak), (5) cerdas serta paham betul, apabila diberi imbuhan me-i
menjadi menguasai, artinya; (1) mengenali betul, (2) pembuatan, (3) metode
menguasai ataupun menekuni dengan serius agar bisa mengerti.
Definisi Pemahaman oleh sebagian para ahli antara lain; (1) Sudirman yakni
sesuatu kemampuan seseorang untuk mendefinisikan, mengasosiasikan,
menerjemahkan, ataupun memberi tahu sesuatu menurut caranya sendiri mengenai
wawasan yang telah diterimanya, (2) Suharsimi menerangkan bahwa pemahaman
(comprehension) artinya bagaimana seseorang mempertahankan, memisahkan,
menduga (estimates), menerangkan, meluaskan, merumuskan, menggeneralisasikan,
membagikan ilustrasi, menorehkan kembali dan berspekulasi.
pengalaman pikiran), uraian yang terhayati. Terkait dengan uraian para pakar diatas,
maka sesorang dapat dikatakan paham apabila mampu mengartikan, menafsirkan,
menerjemahkan sesuatu dengan caranya sendiri terhadap pengetahuan yang telah
didapat berdasarkan fakta-fakta yang ada (Purwanti, 2012).
menekankan pada ketelitian dan kejelian siswa dalam menerima serta mengolah
informasi yang disajikan secara online (Putria et al., 2020).
dan psikologis. Dimensi-dimensi yang muncul harus diperiksa lebih lanjut untuk
lebih mempersiapkan sistem pendidikan dalam periode baru dalam sejarah manusia
(Cahapay, 2020).
Maka dari uraian tersebut telah ditemukan fakta bahwa pembelajaran online
tidak dapat memberikan hasil yang di inginkan di negara-negara terbelakang seperti
Pakistan, dimana sebagian besar siswa tidak dapat mengakses internet karena
masalah teknis dan moneter (Adnan et al., 2020). Selain itu menurut Syah (2020)
memaparkan dalam penelitiannya tentang dampak pandemi Covid-19 bagi
keberlangsungan hidup manusia, yaitu pertama dampak jangka pendek, khususnya
bagi produktivitas orangtua yang biasanya sibuk dengan pekerjaannya di luar
rumah yang bertambah tugasnya untuk mendampingi anak mereka saat
pembelajaran di rumah. Kemudian masalah psikologis siswa yang terbiasa belajar
bertatap muka langsung dengan guru-guru mereka terpaksa dialihkan pelaksanaan
pengajarannya secara online.
terjadi banyak trial and error dengan sistem yang tidak ada kepastian, bahkan malah
banyak penilaian yang dibatalkan. Kedua yaitu dampak jangka panjang seperti
banyak kelompok masyarakat di Indonesia yang akan terpapar dampak jangka
panjang dari covid-19 ini.
Teknologi Informasi dan Komunikasi (TIK) terdiri atas tiga kata, yaitu
teknologi, informasi dan komunikasi yang mana setiap katanya memiliki arti.
Teknologi yaitu suatu penemuan-penemuan baru dari suatu pengembangan serta dan
pengaplikasian sebagai alat bantu untuk memecahkan masalah. Informasi merupakan
hasil dari pemrosesan data untuk mendapatkan manfaat dan tujuan tertentu.
Sedangkan Komunikasi adalah suatu proses menyampaikan informasi dari pengirim
14
informasi ke penerima. Maka dari itu informasi dan komunikasi ini sangat berkaitan
erat satu sama lainnya (Huda, 2020).
Pengembangan model pembelajaran TIK terdiri atas beberapa aspek yaitu: (1)
pemahaman tentang teknologi informasi dan komunikasi; (2) pengembangan
keterampilan untuk memanfaatkan teknologi informasi dan komunikasi; (3)
pengembangan sikap kritis, kreatif, apresiatif dan mandiri dalam menggunakan
teknologi informasi dan komunikasi; (4) menghargai karya cipta di bidang TIK.
Pengembangan model pembelajaran TIK tersebut perlu dilakukan karena
selama ini pelaksanaan pembelajaran TIK pada jenjang SMP kurang menyentuh
penguatan dalam life skills para siswa, dengan pembelajaran yang lebih menekankan
pada praktik komputer. Maka pada pelaksanaan kurikulum 2013, mata pelajaran TIK
telah berubah menjadi bimbingan TIK. Dengan demikian model pengembangan pada
pembelajaran ini perlu terus ditingkatkan (Wahyudin, 2010).
Menurut Haykin bahwa neuron merupakan dasar dari proses JST untuk
pengolah informasi. Terdapat tiga elemen dasar dari model saraf yaitu: (1) Satu set
dari sinapsis, atau penghubung yang masing-masing digolongkan oleh bobot atau
kekuatannya. (2) Sebuah penambah untuk menjumlahkan sinyal-sinyal input. (3)
Sebuah fungsi aktivasi untuk membatasi amplitudo output dari neuron. Fungsi ini
17
bertujuan membatasi jarak amplitude yang diperbolehkan oleh sinyal output menjadi
sebuah angka yang terbatas (Solikhun et al., 2017).
Secara umum, aplikasi JST dalam bidang teknik telah diterima secara luas.
Popularitas dan penerimaan teknik ini berasal dari fitur JST yang sangat menarik
untuk analisis data. Fitur-fitur ini mencakup penanganan data yang terfragmentasi,
kecepatan yang melekat pada arsitektur terdistribusi paralel, kemampuan generalisasi
atas data baru, kemampuan untuk secara efektif menggabungkan sejumlah besar
parameter input, dan kemampuannya untuk memodelkan sistem nonlinier. Karena
fitur-fitur khusus ini, JST juga digunakan untuk menambahkan kemampuan cerdas
ke sistem komputer. JST membutuhkan proses learning atau training untuk
pengenalan pola atau klasifikasi.
18
ditemukan model atau pola yang sesuai, sedangkan pengujian (testing) adalah proses
menguji ketelitian dari model yang sebelumnya sudah didapatkan dari proses
pelatihan (Saubari, Nahdi, 2016).
Proses pelatihan (training) pada algoritma Backpropagation terdiri atas
beberapa langkah sebagai berikut yaitu:
1. Inisialisasi (Initialization)
Ini merupakan tahap proses pemberian nilai awal kepada nilai-nilai yang
diperlukan oleh JST seperti nilai bobot (weight) dan nilai ambang batas
(threshold).
2. Aktivasi (Activation)
Selanjutnya pada tahap ini, nilai yang sudah diberikan pada tahap sebelumnya
(initialization) digunakan pada tahap activation. Perhitungan yang dilakukan
antara lain:
a. Menentukan atau menetapkan nilai actual output pada hidden layer
b. Menentukan atau menetapkan nilai actual output pada output layer.
3. Weight Training
Kegiatan yang terjadi pada tahap ini terdiri atas 2 (dua) kegiatan, antara lain:
a. Menghitung nilai error gradien pada layer output
b. Menghitung nilai error gradien pada layer hidden
4. Iterasi (Iteration)
Tahap ini merupakan tahapan pengulangan sampai didapatkan error yang
minimal (Lestari, Yuyun Dwi, 2017).
Pada proses pelatihan (training) ini akan dibagi menjadi tiga fase, fase yang
pertama yaitu fase maju (feedforward), fase ini akan menghitung pola masukan
sampai keluaran dengan melalui fungsi aktivasi. Kemudian masuk ke fase kedua
yaitu fase mundur (backpropagation), yang berfungsi untuk menghitung selisih
antara hasil keluaran dengan target yang telah ditetapkan, disini akan terlihat tingkat
kesalahan yang terjadi. Kesalahan tersebut akan diproses balik melalui proses
propagasi mundur melalui neuron yang terhubung langsung melalui layer keluaran.
Sedangkan fase ketiga yaitu memodifikasi nilai bobot untuk menurunkan tingkat
kesalah yang terjadi (Lestari, Yuyun Dwi, 2017). Sampai tahapan ini maka tahap
pelatihan selesai, selanjutnya akan dilakukan tahap pengujian (testing).
21
Pada tahap testing, langkah yang dilakukan hanya fase I yaitu propagasi maju,
tidak ada fase II atau propagasi mundur apalagi fase III atau perubahan nilai bobot.
Pada tahapan testing ini, jaringan diharapkan dapat mengenali pola pembelajaran
berdasarkan data yang telah diberikan sebelumnya. Metode Backpropagation ini
digunakan dalam menginput data secara manual dan nantinya akan diteruskan
menggunakan metode matlab agar data dan proses penginputannya cepat dan akurat
dengan menggunakan aplikasi matlab.
tinggi, bahasa pemrograman lazim diucap oleh orang dengan sebutan“ coding“) serta
bermanfaat buat penggambaran informasi serta komputasi numerik.
Matlab merupakan aplikasi buatan the mathwork inc, yang bermanfaat dalam
menyelesaikan berbagai macam masalah numerik, software ini menawarkan
kesederhanan dan kemudahan dalam menyelesaikan permasalahan yang terhubung
dengan matriks dan vektor. Tujuan pengujian dengan perangkat lunak ini yaitu untuk
membuktikan bahwa susunan atau arsitektur jaringan yang dibangun terutama pada
prediksi tingkat pemahaman siswa dalam pembelajaran daring dan tatap muka
langsung di masa pandemi (Sudarsono, Aji, 2016).
Dalam kegiatan pelatihan dan pengujian data hasil dari prediksi tingkat
pemahaman siswa, maka proses pengenalan pola akan diuji ke dalam komputasi.
Pelatihan akan dilakukan dengan aplikasi Matlab yang bertujuan untuk mempercepat
pelatihan. Hasil dari uji coba dengan Matlab akan memberikan keluaran yang tepat
jika diberikan data masukan serupa menggunakan pola yang diterapkan dalam
pelatihan dan pengujian (Putra, Khelvin Overa, 2018).
(Tahun)
2 Zola et al Jaringan Syaraf 1. Mendeskripsikan masalah Hasil dari pengujian dengan pola arsitektur
(2018) Tiruan Menggunakan 2. Menganalisa permasalahan 4-2-1, data menjadi dua bagian yaitu 20 data
Algoritma 3. Menentukan tujuan pelatihan dengan persentase error 95,6 %,
Backpropagation 4. Mempelajari literatur dan 20 data pengujian dengan persentase
Untuk Memprediksi 5. Pengumpulan data error 100%. Semakin kecil tingkat ketelitian
Prestasi Siswa 6. Analisis teknik Jaringan Syaraf Tiruan error yang digunakan maka akan semakin
7. Pengolahan data dengan Matlab kecil penyimpangan hasil Jaringan Syaraf
R2011b dan melakukan pengujian Tiruan dengan target yang diinginkan.
hasil.
24
(Tahun)
3 Bose & Mali 7 Backpropagation 1. Menggunakan Teknik backpropagation Model mengambil urutan nilai sebelumnya
Through Time through time (BPTT) digunakan untuk sebagai input (input fuzzy) ke lapisan
(2020)
Algorithm in melatih jaringan berulang (RNN). berbeda dari jaringan yang tidak dilipat dan
Temperature 2. Mengubah jaringan berulang menjadi menghasilkan output fuzzy. Dataset suhu
Prediction jaringan feedforward yang tidak dilipat digunakan untuk mengevaluasi kinerja model
(jaringan multilayer) dan akurasi prediksi BPTT lebih baik
daripada model jaringan saraf tiruan
backpropagation.
4 Muhammad Model Jaringan Saraf 1. Menggunakan algoritma Jika hasilnya belum tercapai maka metode
Ridwan Lubis Tiruan backpropagation backpropagation selalu melakukan iterasi
Backpropagation 2. menggunakan Matlab sebagai software dengan melakukan perubahan bobot hingga
(2019)
Untuk Meningkatkan yang mendukung hasil maksimal dan dapat untuk
Penguasaan 3. Nilai Ujian Sekolah sebagai data mendapatkan hasil yang menjadi target
Mahasiswa Pada Mata pelatihan dan pengujiannya dengan metode backpropagation yang
Kuliah algoritma dan digunakan.
Pemrograman
25
(Tahun)
6 Sinaga et al Prediksi Jumlah 1. Studi kepustakaan Dari kelima model arsitektur yang digunakan di
Siswa Baru pada 2. Konversi data peroleh satu model arsitektur terbaik 3-22-1
(2020)
SMK Swasta Abdi 3. Tahapan Pra proses dengan tingkat keakurasian 75%, hal ini karena
Sejati Kerasaan 4. Menentukan Pola dan model ini memiliki MSE pengujian yang lebih
dengan Metode Model Arsitektur kecil dibandingkan model 3-24-1, kendati
26
Backpropagation 5. Menguji data dengan sama-sama memiliki hasil akurasi yang sama.
aplikasi matlab
Tabel 2.1 Penelitian Terdahulu (Lanjutan)
(Tahun)
7 Adnyana et al Jaringan Syaraf 1. Sistem peramalan yang Penggunaan sebuah hidden layer yang terdiri
(2019) Tiruan dibangun berbasis web dari 50 neuron dengan menerapkan fungsi
Backpropagation menggunakan framework sigmoid biner menghasilkan peramalan yang
Untuk Peramalan Code igniter terbaik dengan nilai MSE pada pelatihan data
Suhu Minimum dan 2. Alur proses pembuatan pada suhu minimum 3,11 x 10-5, suhu
Maksimum, system peramalan maksimum 3,90 x 10-5, kelembaban 3,38 x 10-
Kelembaban, menggunakan metode 5, tekanan udara 3,35 x 10-5, jumlah hari hujan
Tekanan Udara, jaringan syaraf tiruan 3,37 x 10-5, dan curah hujan 3,08 x 10-5 .
Jumlah Hari Hujan, backpropagation terdiri
dan Curah Hujan dari empat tahap, yaitu
Bulanan di Kota tahap awal (penyiapan
Mataram data), tahap pelatihan,
tahap pengujian, dan
tahap peramalan.
27
(Tahun)
8 Izhari et al., Analysis of 1. Mengumpulkan Data Kemampuan anak pada aspek kognitif
backpropagation neural Mentah dilakukan dengan cara menghasilkan prediksi
(2020)
neural network algorithm 2. Menentukan Desain dari jaringan saraf tiruan menggunakan metode
on student ability based Arsitektur propagasi balik dengan mencari akurasi
cognitive aspects 3. Tahap Pelatihan tertinggi baik pada sigmoid biner maupun
4. Pengujian Data sigmoid bipolar pada Jaringan Syaraf Tiruan
Backpropagation. Tingkat akurasi tertinggi
terdapat pada fungsi aktivasi sigmoid biner dan
sigmoid bipolar pada epoch ke-64 dengan
akurasi masing-masing fungsi sebesar 82.93%
+/- 37.63% dan 85,37% +/- 35,34%.
9 Yessa & Hardjianto, Prediction of Water Use Metode Neural Network Bahwa prediksi penggunaan air menggunakan
(2020) Using Backpropagation Backpropagation Jaringan Syaraf Tiruan Backpropagation dan
Neural Network Method berfokus pada PSO. memberikan hasil prediksi yang lebih
28
and Particle Swarm rekapitulasi penggunaan baik dan lebih akurat dalam memprediksi
Optimization air oleh masyarakat. penggunaan air.
(Tahun)
10. Sinaga et al., (2020) Prediksi Jumlah Siswa Metode Jaringan Saraf Pada penelitian ini model arsitektur terbaik
Baru pada SMK Swasta Tiruan Backpropagation. adalah 3-22-1 dengan tingkat akurasi nya
Abdi Sejati Kerasaan 75%. MSE pelatihan 0,000993661 serta MSE
dengan Metode pengujian sebesar 0,146896423
Backpropagation
11. Nafi‟iyah et al., Prediksi Nilai Calon Algoritma Training dilakukan sebanyak tiga kali agar
(2020) Mahasiswa dengan backpropagation mendapatkan nilai akurasinya tinggi. Nilai
Algoritma error terendah pada model ke-1 adalah
Proses training
Backpropagation (Studi 0,0016. Dan model ke-2 nilai error terendah
backpropagation
Kasus: Data Kaggle) adalah 0,0012. Sedangkan MSE secara
menggunakan toole
berturut- turut model ke-1 dan ke-2 adalah
Matlab dengan
0,0027, dan 0,0029
arsitektur jaringan 2
29
model.
(Tahun)
12. Apriyani Penerapan Jaringan 1. Metode penelitian Hasil penelitian menunjukkan bahwa nilai
Syaraf Tiruan kuantitatif Mean Square Error (MSE) terkecil pada
(2018)
Backpropagation Untuk 2. Pengumpulan data mata pelajaran B. Indonesia sebesar
Prediksi Nilai UN Siswa 3. Pengumpulan sampel 0.011279, B.Inggris sebesar -0.019804,
SMPN 2 Cihaurbeuti 4. Pengolahan data Matematika diperoleh sebesar -0.06416 dan
menggunakan Jaringan IPA sebesar -0.0075304 dengan kombinasi
Syaraf Tiruan dengan parameter pelatihan berupa 2.000 epoch dan
tool matlab learning rate sebesar 0,1. Jaringan
13. Hutabarat et al., Penerapan Algoritma Algoritma Penelitian ini menggunakan 5 model
(2020) Backpropagation Dalam Backpropagation arsitektur yaitu 3-2-1, 3-4-1, 3-5-1, 3-6-1, 3-
Memprediksi Jumlah 9-1. Dari kelima model arsitektur yang
30
(Tahun)
14. Fitriadini et al., Penerapan 1. Pengumpulan data Algoritma backpropagation neural network
(2020) Backpropagation Neural 2. Preprocessing Data dapat digunakan untuk memprediksi harga
Network Dalam Prediksi 3. Konstruksi Algoritma saham penutup pada hari berikutnya.
Harga Saham Backpropagation Parameter terbaik untuk pelatihan data
Neural Network saham bank BRI adalah 400 neuron hidden
4. Training & Testing layer, 0.0001 learning rate, dan 0.0000001
5. Hasil Prediksi batas error yang menghasilkan nilai RMSE
0.0169134.
15. Indrayati Sijabat et Algoritma 1. Normalisasi Data Hasil prediksi harga kopi dari harga aktual
al., (2020) Backpropagation 2. Analisa Sistem 74205 ke hasil harga prediksi 73668 dengan
Prediksi Harga Komoditi (Algoritma akurasi 99.9928, harga aktual 73892 ke
terhadap Karakteristik Backpropagation) harga prediksi 73175 dengan akurasi
31
BAB III
METODOLOGI PENELITIAN
3.1 Pendahuluan
Adapun kerangka kerja penelitian dapat dilihat pada gambar 3.1 berikut ini:
Mengidentifikasi Masalah
Menganalisis Masalah
Menentukan Tujuan
Mengumpulkan Data
Mengolah Data
Mengimplementasikan Sistem
1. Mengidentifikasi Masalah
Tahap ini merupakan langkah awal untuk menemukan permasalahan yang akan
diteliti. Dimulai dari menemukaan permasalahan yang terdapat dalam kehidupan
sehari-hari. Selanjutnya pada tahap ini dilakukan peninjauan terhadap sistem yang
akan diteliti.
2. Menganalisis Masalah
Pada tahap ini masalah yang telah ditemukan tersebut dianalisis dan dipahami
dengan baik sebelum menentukan tujuan penelitian. Kemudian batasan masalah atau
ruang lingkupnya ditentukan agar penelitian ini lebih terarah dengan baik.
Menganalisis masalah bertujuan untuk memahami persoalan yang terjadi dalam
ruang lingkup penelitian. Permasalahan inilah yang akan diselesaikan dalam
penelitian. Maka hasil analisis masalah dengan Jaringan Syaraf Tiruan yang dibangun
dengan menggunakan metode Backpropagation tersebut, diharapkan mampu
memberikan solusi dalam prediksi tingkat pemahaman siswa dalam pembelajaran
daring dan tatap muka langsung di masa pandemi Covid-19 terhadap bimbingan TIK
di SMP Negeri 1 Lengayang
3. Menentukan Tujuan
Langkah selanjutnya menetapkan tujuan penelitian. Adapun manfaat menetapkan
tujuan penelitian antara lain untuk memperjelas ruang lingkup atau batasan masalah
dari kegiatan penelitian yang ingin dicapai dalam prediksi tingkat pemahaman
belajar siswa dalam pembelajaran daring dan tatap muka langsung pada masa
pandemi Covid-19 terhadap bimbingan TIK di SMP Negeri I Lengayang Kabupaten
Pesisir Selatan.
4. Melakukan Studi Literatur
Pada tahap ini dilakukan studi literatur dengan mencari kajian pustaka berupa
landasan teori yang berkaitan dengan penyelesaian masalah dalam penelitian ini.
Teori-teori yang berkaitan didapat melalui buku, jurnal nasional maupun jurnal
internasional yang berkaitan dengan tesis maupun referensi lain. Landasan teori yang
dipelajari antara lain tentang pelaksanaan bimbingan TIK dalam masa Pandemi
Covid-19, Neural Network, Jaringan Syaraf Tiruan, Metode Backpropagation, serta
Aplikasi Matlab.
35
5. Mengumpulkan Data
Mengumpulan data merupakan salah satu proses dalam penelitian yang bertujuan
untuk memperoleh data-data dan berbagai macam informasi untuk dibahas dalam
penelitian ini. Adapun data awal yang digunakan dalam penelitian ini adalah data
berbentuk numerik, sebab data ini akan dapat dikenali dan sekaligus diproses
penggunakan aplikasi atau software. Maka data yang dikumpulkan pada penelitian
ini merupakan data yang telah diproses. Sumber data yang digunakan pada penelitian
yaitu nilai rata-rata hasil pembelajaran pada aspek koginitif saat pembelajaran daring
dan tatap muka pada bimbingan TIK dimasa Pandemi Covid-19 pada semester 1
Tahun Pelajaran 2020/2021 di SMP Negeri I Lengayang . Data yang dikumpulkan
pada tahap ini didapatkan dengan cara sebagai berikut:
a. Studi Pustaka
Studi Pustaka dijadikan sebagai acuan untuk membantu memecahkan
permasalahan yang terjadi pada penelitian ini. Adapun kegiatan yang dilakukan
adalah mempelajari literatur yang akan digunakan sebagai kajian teori dalam
penelitian ini. Untuk itu dibutuhkan studi pustaka sebelum memulai penelitian.
Terdapat banyak sumber yang bisa dijadikan pedoman pada penelitian. Studi
pustaka ini diakukan dengan cara mempelajari buku-buku, jurnal dan artikel yang
berhubungan dengan permasalahan yang dibahas, yaitu tentang tingkat pemahaman
siswa dalam pembelajaran daring dan tatap muka langusung di Masa Pandemi
Covid-19 dengan menggunakan metode backpropagation.
b. Wawancara
Wawancara bertujuan untuk mengumpulkan informasi yang dibutuhkan
dalam merancang dan membangun aplikasi jaringan syaraf tiruan dengan metode
Backpropagation untuk memprediksi tingkat pemahaman belajar siswa dalam
pembelajaran daring dan tatap muka langusung di masa Pandemi Covid-19. Maka
wawancara merupakan langkah dalam mengumpulkan data untuk mendapatkan
informasi yang dibutuhkan dengan cara mengajukan beberapa pertanyaan tentang
topik permasalahan kepada pihak terkait, yang dalam hal ini antara lain Waka
Kurikulum dan Guru TIK SMP Negeri 1 Lengayang Kabupaten Pesisir Selatan untuk
penyelesaiannya.
36
Metode pengambilan data yaitu secara sampling sebanyak 20 data nilai hasil
belajar siswa kelas IX dalam pembelajaran daring dan tatap muka langsung pada
masa Pandemi Covid-19 terhadap bimbingan TIK pada semester 1 tahun ajaran
2020/2021 di SMP Negeri 1 Lengayang. Data yang diperoleh kemudian diolah
berdasarkan kebutuhan agar bisa disajikan berupa data latih dan data uji. Hal ini
bertujuan untuk mempermudah penulis dalam merancang JST dengan menggunakan
metode backpropagation untuk memprediksi tingkat pemahaman siswa dalam
pembelajaran daring dan tatap muka langsung terhadap bimbingan TIK di masa
Pandemi Covid-19.
0,8 ( x – a)
X‟ = ---------------- + 0.1
b–a
Keterangan :
Selanjutnya dilakukan proses iterasi. Pada tahap ini data diolah menggunakan
fungsi aktivasi sigmoid. Langkah-langkahnya adalah sebagai berikut:
a. Tahap initialization, merupakan tahap dalam mendefinisikan awal nilai untuk
variabel-variabel yang diperlukan seperti : nilai input, weight, output yang
diinginkan, learning rate (α), threshold (θ) dan sebagainya.
c. Tahap weight training, pada tahap ini memiliki 2 langkah yaitu pada output
layer dilakukan proses perhitungan error gradiaent nya, dan pada hidden layer
dilakukan proses perhitungan error gradient
d. Tahap iteration, merupakan tahap dalam pengujian dimana iterasi akan terus
dilakukan jika error yang diharapkan belum tercapai.
7. Mengolah Data
Pada tahap ini dilakukan pengolahan data yang sudah ditraining/ dilatih dan di
testing. Proses pelatihan disebut disebut tahap belajar (Learning Process), yang
merupakan bagian penting dalam pelatihan ini. Pada proses pelatihan (training) ini
akan dibagi menjadi tiga fase yaitu
a. Fase maju (feedforward), pada fase ini pola masukan dihitung maju mulai
layer masukan hingga layer keluaran menggunakan fungsi aktivasi yang
ditentukan .
b. Fase mundur (backpropagation), yang berfungsi untuk menghitung selisih
antara hasil keluaran dengan target yang telah ditetapkan, disini akan terlihat
tingkat kesalahan yang terjadi.
c. Fase perobahan bobot, pada fase ini bobot akan dimodifikasi untuk
menurunkan kesalahan yang terjadi.
8. Merancang Arsitektur JST
Perancangan arsitektur atau model JST merupakan perancangan yang terdiri atas,
penetapan data masukan, penetapan data keluaran, serta menentukan arsitektur
jaringan yang akan digunakan. Langkah yang dilakukan dalam merancang arsitektur
JST antara lain:
a. Menetapkan Data Masukan
Data masukan yang dipakai pada aplikasi jaringan ini yaitu berupa data
nilai kognitif dan praktek selama pembelajaran daring dan tatap muka
langsung di masa pandemi Covid-19 terhadap siswa kelas IX yang mengikuti
38
bimbingan TIK. Data masukan meliputi rata-rata dari nilai tugas, nilai
ulangan harian serta nilai ujian praktek selama pembelajaran daring dan tatap
muka langusung dimasa pandemi Covid-19. Nilai data terhadap variabel
ditentukan antara 0 sampai 1, disesuaikan dengan data masing-masing.
Pada penelitian ini, akan ditetapkan apabila nilai variabel tersebut
semakin rendah, maka prediksi tingkat pemahaman belajar siswa dalam
pembelajaran daring dan tatap muka langsung juga akan semakin rendah.
b. Menetapkan Data Keluaran
Data keluaran yang akan diperoleh oleh jaringan berupa data prediksi
tingkat pemahaman belajar siswa. Data keluaran akan diproses terlebih
dahulu oleh JST.
c. Melakukan konfigurasi Jaringan
Konfigurasi jaringan pada JST ini dirancang untuk memperoleh hasil
prediksi yang baik, sehingga sistem yang dirancang tersebut dapat
diaplikasikan.
9. Mengimplementasikan Sistem
Pada tahap ini digambarkan proses pengimplementasikan analisa dan
perancangan tersebut dengan membangun suatu aplikasi Jaringan Syaraf Tiruan
(JST). Implementasi sistem akan diakukan dengan spesifikasi software yang
dibutuhkan dalam aplikasi ini adalah:
a. Sistem Operasi Windows Pro Education 64 bit
b. Microsoft Word 2013
c. Aplikasi MATLAB
Selain Software diatas juga dibutuhkan hardware antara lain sebagai berikut :
a. Laptop HP 14 inc
b. Processor I n t e l ( R ) Core(TM) i5-8250U (8 CPU) , 1 , 8 GHz 270 GHz c.
c. RAM 4 GB
d. Hardisk 1 Tera
BAB IV
Pada bab ini dibahas tentang analisa dan perancangan sistem untuk
memprediksi tingkat pemahaman siswa dalam pembelajaran daring dan tatap muka
langsung pada masa Pandemi Covid-19. Analisa sistem adalah proses
mengumpulkan data, mengola data, mengidentifikasi, mengevaluasi permasalahan
serta kendala yang terjadi, sehingga dari analisa tersebut dilakukan perbaikan.
Selanjutnya pada tahap perancangan sistem dibangun sistem untuk memprediksi
tingkat pemahaman siswa dengan menggunakan JST metode Backpropagation.
Maka dari itu dibuat bagan alir seperti yang disajikan pada Gambar 4.1:
ANALISA SISTEM
PERANCANGAN
DATA (METODE SISTEM
BACKPROPAGATION)
Uraian penjelasan dari bagan alir diatas yaitu pertama diperoleh data
kemudian dilanjutkan dengan tahap analisa sistem menggunakan metode
Backpropagation. Analisanya adalah data yang akan diuji berdasarkan data nilai
rata-rata aspek kognitif pada bimbingan TIK, dimana yang menjadi target adalah
siswa memahami materi bimbingan TIK berdasarkan hasil prediksi. Tahap
berikutnya yaitu perancangan sistem, untuk memprediksi tingkat pemahaman siswa
terhadap bimbingan TIK dimasa Pandemi Covid-19.
40
4.2 Data
Data yang digunakan adalah nilai kognitif siswa pada kegiatan bimbingan
Teknologi Informasi dan Komunikasi (TIK) dalam pembelajaran daring dan tatap
muka langsung dimasa Pandemi Covid-19. Data sampel pada penelitian ini adalah
siswa SMP Negeri 1 Lengayang yang mengikuti kegiatan bimbingan TIK pada
semester 1 tahun Pelajaran 2020/2021 yang terdiri atas 30 data dan masing-masing
data memiliki 3 variabel input dan 1 target. Data nilai tersebut diperoleh dari guru
bimbingan TIK serta wawancara dengan wakil bidang kurikulum SMP Negeri 1
Lengayang tentang pelaksanaan bimbingan TIK pada masa Pandemi Covid-19.
Data yang diperoleh untuk penelitian ini berupa format .xlsx sehingga
memudahkan pengolahan data. Selanjutnya data tersebut di transformasi dalam
bentuk numerik antara 0 sampai dengan 1, baik variabel maupun isinya sebagai
pengenalan pola dan keluaran yang merupakan prediksi tingkat pemahaman siswa
yang diperoleh dari model arsitektur terbaik pada saat penentuan pola terbaik. Maka
dari hasil prediksi nanti didapatkan MSE dan rata-rata akurasi tertinggi. Data nilai
kognitif siswa pada kegiatan bimbingan TIK pada semester 1 Tahun Pelajaran
Tahun 2020/2021 disajikan pada Tabel 4.1:
Pada Tabel 4.1 diatas terdapat 3 nilai input yaitu rata-rata tugas pembelajaran
daring (X1), rata-rata tugas saat tatap muka (X2), rata-rata UH (X3) serta nilai
target (T) yaitu rata-rata dari ketiga nilai input tersebut. Data nilai akan dilatih
dengan metode Backpropagation yang akan dijadikan sebagai acuan untuk
mengetahui prediksi nilai siswa TIK di SMP Negeri 1 Lengayang. Data uji adalah
data yang akan digunakan sebagai penguji jaringan hasil pelatihan. Dari hasil
pengujian akan diketahui tingkat akurasi dari hasil program yang telah dibuat.
1. Input data
Pada tahap input data ini, terlebih dahulu dilakukan proses pendefinisian
input dan output antara lain sebagai berikut:
1. Pendefinisian Input
Variabel untuk menentukan tingkat pemahaman siswa digunakan
sebagai acuan dalam pengambilan keputusan pada penilaian dengan
menggunakan JST. Variabel ditentukan dengan cara melihat keterkaitan
data terhadap penelitian yang dilaksanakan. Data input yang digunakan
sebagaimana telah dijelaskan pada sub bab 4.2 yaitu data nilai kognitif
(pengetahuan) siswa kelas IX yang mengikuti kegiatan bimbingan TIK di
SMP Negeri I Lengayang pada tahun pelajaran 2020/2021. Data Input
untuk pembelajaran disajikan pada Tabel 4.2 :
2. Pendefinisian Output
46
Data maksimum dan minimum ini dijadikan sebagai nilai untuk melengkapi
rumus dari normalisasi data untuk mendapatkan nilai terbaik, berikut ini rumus
dari normalisasi:
Keterangan :
Xn = Input layer, input yang terdiri dari nilai kognitif bimbingan TIK
Input Nilai
Normalisasi
X1 84 0.4939
X2 85 0.5632
X3 80 0.3000
T 83 0.4471
Dari data sampel proses data pelatihan normalisasi diatas, dapat dilakukan
perhitungan secara manual sebagai berikut:
X1 = 0.8*(84-70)/98-70+0.1 = 0.4939
X2 = 0.8*(85-71)/95-71+0.1 = 0.5632
X3 = 0.8*(80-75)/95-75+0.1 = 0.3000
Selanjutnya normalisasi juga untuk target pada pelatihan JST tetap menggunakan
rumus seperti sebelumnya, berikut adalah tahapan normalisasi selanjutnya:
T = 0.8*(83-70)/98-70+0.1 = 0.4471
48
NO X1 X2 X3 TARGET (T)
1 0.4939 0.5632 0.3000 0.4471
2 0.2909 0.3947 0.1000 0.2495
3 0.4005 0.4284 0.1400 0.3170
4 0.6970 0.7400 0.1400 0.5438
5 0.4736 0.3274 0.1800 0.3236
6 0.9000 0.9000 0.9000 0.9000
7 0.6036 0.6053 0.7000 0.6213
8 0.4858 0.5884 0.3000 0.4524
9 0.7010 0.4537 0.3000 0.4936
10 0.5345 0.4789 0.5000 0.4924
11 0.4127 0.7147 0.1800 0.4314
12 0.6401 0.6895 0.3000 0.5496
13 0.4330 0.4705 0.1000 0.3330
14 0.4046 0.4537 0.2200 0.3503
15 0.3315 0.3105 0.1000 0.2371
16 0.6766 0.8579 0.5000 0.6797
17 0.4046 0.5211 0.5000 0.4541
18 0.3761 0.2263 0.1800 0.2495
19 0.3437 0.2684 0.1000 0.2276
20 0.3802 0.3526 0.5000 0.3866
21 0.6442 0.7316 0.7000 0.6810
22 0.3599 0.4368 0.1000 0.2919
23 0.4777 0.4789 0.1800 0.3771
24 0.4371 0.4368 0.1400 0.3347
25 0.1812 0.1000 0.1000 0.1041
26 0.1000 0.1842 0.1000 0.1000
27 0.1853 0.1842 0.1400 0.1461
28 0.1528 0.2263 0.2200 0.1704
29 0.1650 0.2684 0.1800 0.1782
30 0.1041 0.2263 0.1400 0.1276
49
Pada tabel normalisasi data diatas dapat digambarkan bahwa data input
terdiri atas 3 variabel input yaitu (X1, X2 dan X3) serta 1 variabel output/ target
yang diberi variabel T dengan data sampel hasil normalisasi sebanyak 30 data.
Maka data normalisasi tersebut diolah menggunakan aplikasi Matlab berdasarkan
pada parameter yang ditentukan. Setelah normalisasi data, maka dirancang aristektur
jaringan pada penelitian ini, yang terdiri atas jumlah unit pada lapisan input adalah
3, jumlah unit pada lapisan tersembunyi (hidden layer) adalah 10 dan jumlah unit
pada lapisan output adalah 1. Adapun Arsitektur Jaringan yang dirancangan adalah
sebagai berikut :
Pada Gambar 4.4 ditampilkan bentuk arsitektur jaringan yang akan dibangun
yang terdiri atas input layer yaitu X1, X2, X3, hidden layer (Z1, Z2, Z3, Z4, Z5, Z6,
Z7, Z8, Z9, Z10) Output layer dengan simbol (Y) serta variabel (V) sebagai bobot
dari input ke hidden layer dan bobot dari hidden ke output layer di beri simbol (W).
Tahap berikutnya adalah mencarai MSE. Mean Squared Error (MSE) adalah
suatu metode untuk mengukur tingkat keakuratan dari suatu prediksi sehingga
nantinya akan ditemukan nilai kesalahan yang terkecil. Semakin kecil MSE
semakin baik kerja dari JST. Adapun Persamaan untuk mencari MSE sebagai
berikut:
∑
MSE =
Di mana : MSE yaitu Meas Squared Error (MSE), Xt merupakan nilai aktual pada
waktu t, sedangkan Ft adalah nilai peramalan pada waktu t sedangkan n adalah
jumlah data.
4.3.7 Hasil
Penyelesaian:
Iterasi 1
53
Langkah 0
Untuk membentuk JST, terlebih dahulu dilakukan inisialisasi bobot awal. Bobot
awal yang menghubungkan simpul-simpul pada lapisan input dan lapisan hidden
(tersembunyi) pada arsitektur jaringan pada Gambar 4.4 diatas Vij dipilih secara
acak. Demikian pula bobot awal yang menghubungkan simpul-simpul pada lapisan
tersembunyi dan lapisan output juga dipilih secara acak dari bilangan random.
Berikut adalah data bobot dari hidden layer. Selanjutnya dari data tersebut dilakukan
Insialisasi nilai bobot yang menuju output layer dapat dilihat pada Tabel 4.8:
Tabel 4.8 Hasil Bobot dari Input Layer ke Hidden Layer dan Bias
Z Y/W
z1 0.4670
z2 0.3040
z3 0.3590
z4 0.5470
z5 0.3650
z6 0.8410
z7 0.6110
z8 0.4710
z9 0.5050
z10 0.5040
Bias 0.4075
Pada Tabel 4.8 diatas, didapatkan hasil bobot dari input layer ke hidden layer
mulai dari Z1 sampai dengan Z10 dengan nilai bobot seperti yang tertera pada
kolom ke-2 pada tabel tersebut. Kemudian juga didapatkan nilai bias
Langkah 1
Bobot pada satu output layer. Bobot ini adalah bobot yang terdapat pada hidden
layer menuju output layer (Wjk). Nilai diambil dari bilangan acak dan akan
diperbaiki saat proses perambatan balik, bobot pada output layer.
Langkah 2
Untuk setiap pasang data pelatihan, lakukan langkah 3-8
54
1. Setiap unit input (X1i = 1,2,3..,p) menerima sinyal Xi dan meneruskan sinyal
tersebut kesemua unit pada hidden layer.
2. Tiap unit tersembunyi (X1i = 1,2,3, …p) menjumlahkan bobot sinyal dengan
input dengan persamaan;
Z_net 1 =Vj11+ (X1* Z11) + (X2* Z12) + (X3* Z13)
Z_net 2 =Vj12 +(X1 * Z21) + (X2 * Z22) + (X3 * Z23)
Hasil perhitunganya dapat disajikan pada Tabel 4.9:
Znet Z net
z1 577589.5
z2 463204.7
z3 500251.3
z4 633295.1
z5 503759.9
z6 908250.7
z7 580785.7
z8 693497
z9 580785.7
z10 604371.4
Pada Tabel 4.9 diatas, terdapat nilai bobot dari input layer ke hidden layer
sebanyak 10 bobot dimulai dari Z1 sampai dengan Z10 dengan nilai bobot seperti
yang tampil pada tabel diatas.
Selajutnya melakukan penghitungan Output aktual pada Hidden Layer dengan
menggunakan fungsi aktivasi, dengan persamaan, yaitu:
55
( )
( )
( )
( )
Zj Zj
ZJ1 0.0000017
ZJ2 2.15887E-06
ZJ3 1.999E-06
ZJ4 1.57904E-06
ZJ5 1.98507E-06
ZJ6 1.10102E-06
ZJ7 1.44197E-06
ZJ8 1.72181E-06
ZJ9 1.65461E-06
ZJ10 1.64788E-06
Pada Tabel 4.10 diatas, terdapat nilai bobot dari hidden layer ke output layer
sebanyak 10 bobot dimulai dari ZJ1 sampai ZJ10 yang memiliki bobot berbeda-beda
seperti yang terlihat tabel tersebut.
Langkah 5
Hitung keluaran unit output (yk) dengan rumus:
Yk = ƒ wok ZjWjk)Pi=1
Di mana : Yk = Unit output ke-k ƒ = Fungsi non linier Wok = Unit ke-0 dan k zj =
Jumlah unit tersembunyi ke-j Wjk = Bobot awal.
Jumlahkan semua sinyal yang masuk ke unit output dengan persamaan , yaitu
ynet k = wko + ∑ 1Zj Wk
56
Dari hasil perhitungan diatas, maka didapat hasil output actual pada hidden layer
yaitu = 0.407489.
Kemudian hitung semua output aktual pada output layer dengan persamaan berikut:
( )
( ) = 1.687733
Berdasarkan perhitungan diatas, maka didapat hasil output actual pada output layer
yaitu = 0.407489
Tahap II : Umpan Mundur (Backward Propagation)
Langkah 6
= 1.8429
Pada langkah ke 6 sudah didapatkan output aktual yang diharapkan, jika dilihat
dengan fungsi threshold yakni f (net) = { 1 jika net > ø atau 0 jika net ≤ ø}, maka
data Nilai responden 1 sudah dapat dikenali karena nilai
. Tahapan ini dikatakan epoch 1 pada data
Responden 1, dimana proses Algoritma Backpropagation ini belum mencapai error
yang dinginkan, maka pelatihan jaringan harus dilakukan perulangan dimulai dari
langkah 2 sampai error yang dihasilkan sesuai dengan yang diharapkan.
Hasil sementara perubahan dari perubahan bobot yang terjadi pada data
Responden 1 dapat dilihat pada Tabel 4.11 berikut:
57
No X1 X2 X3 T Error
Res
1 0.4939 0.2909 0.4005 0.9000 8.0853E-08
Berdasarkan Tabel diatas diperoleh hasil dari pengolah data responden 1 adalah
Rata-rata tugas daring (X1) sebesar 0.4878, Rata-rata tugas tatap muka (X2) 0.2909,
Rata-nilai UH (X3) 0,4005, Target (t) 0,9000 dan outputnya 0.4670 dengan nilai
error 8.0853E-08. Tahap terkahir adalah proses prediksi tingkat pemahaman siswa
terhadap bimbingan TIK. Dengan model arsitektur 3-10-1, data akan diprediksi
untuk melihat seberapa akurat model ini dapat mengenali data. Adapun data yang
akan diprediksi untuk melihat tingkat kebenarannya disajikan pada Tabel 4.11:
Tabel 4.11. Sampel Hasil Prediksi Tingkat Pemahaman Siswa Model 3-10-1
Pada Tabel 4.11 diperlihatkan tampilan hasil dari pengujian sistem prediksi
tingkat pemahaman siswa yang terdiri atas 10 sampel data yang terdiri atas nilai
daring, tatap muka, rata-rata ulangan harian, target serta nilai error minimum hasil
pengolahan JST dimana terdapat 1 dari 10 data dengan keterangan hasil “sangat
memahami” serta serta yang lainnya “memahami”.
Pada Gambar 4.5 diatas terlihat bahwa arsitektur jaringan tersebut terdiri atas 3
neuron input, 10 neuron hidden layer, dan 1 neuron output layer. Maka disebut
dengan arsitektur 3-10-1
1. Desain Input
BAB V
5.1. Implementasi
Pada bab ini dijelaskan tentang implementasi hasil analisa data dan
perancangan seperti yang sudah dibuat pada bab sebelumnya. Implementasi ini
dilakukan dengan menggunkan aplikasi berbasis web. Adapun tujuan pengujian
dengan perangkat lunak ini adalah untuk membuktikan bahwa prediksi mengenai
tingkat pemahaman siswa menggunakan metode Backpropagation dalam
pembelajaran daring dan tatap muka langsung dimasa Pandemi Covid-19 terhadap
bimbingan TIK telah sesuai dengan perancangan arsitektur jaringan yang telah
dibangun pada sistem. Tahapan implementasi dari sistem yang diarancang dapat
diuraikan sebagai berikut:
Pada bagian ini dijelaskan mengenai rincian perangkat keras yang digunakan
untuk membangun sistem. Spesifikasi terhadap perangkat keras ini penting
dilakukan sebab akan berpengaruh pada kinerja sistem yang telah dibangun. Berikut
spesifikasi perangkat keras yang digunakan:
1. Laptop ACER
2. Processor Intel Core i5
2. Memory : 4096 MB RAM
4. Hardisk : 2 GB
5. Beberapa perangkat keras lainnya.
Pada proses pembangunan sistem agar dapat berjalan dengan baik, juga
dibutuhkan perangkat lunak (software). Adapun perangkat lunak yang digunakan
untuk merancang dan memprediksi tingkat pemahaman siswa dalam pembelajaran
TIK dengan menggunakan aplikasi berbasis web bahasa pemograman PHP.
Pada Gambar 5.1 diatas dibangun arsitektur jaringan dengan tipe Feed-forward
Backpropagation berdasarkan data input dan target sesui dengan parameter jaringan
yang telah ditentukan sebelumnya. Selanjutnya dilakukan pelatihan dengan
berbagai parameter seperti yang dijelaskan pada bab 4. Berdasarkan pada pengujian
yang dilakukan secara manual bisa dilihat hasil dari aplikasi yang dibuat dimana
pada aplikasi juga akan dilakukan pada iterasi ke 1 dengan learning rate 0,1, goal
0,01 dan neuron pada hidden layer 10 maka dapat dilihat seperti pada gambar
dibawah ini :
65
Pada Gambar 5.2 diatas terlihat bahwa bentuk arsitektur jaringan yang
digunakan adalah 3-10-1, yaitu terdiri dari 3 neuron pada input layer, 10
neuron pada hidden layer, dan 1 neuron pada output layer. Epoch yang
digunakan adalah 1. Kemudian Performance dan Regression dapat diihat
sebagai berikut:
66
Pada Gambar 5.4 diatas, terlihat Performance terbaik atau nilai MSE pada
jaringan tersebut adalah 0.0008474 dengan 1000. Maka berdasarkan pelatihan
arsitektur jaringan 3-10-1 disimpulkan bahwa belum didapatkan target yang
diharapkan pada epoch 1, selanjutnya didapatkan perfomance terbaik pada epoch
1000 dengan MSE sebesar 0.0008474. Setelah melakukan pengolahan dengan
parameter yang ditentukan, baru dilakukan implementasi prediksi pada aplikasi
yang telah dibuat untuk menguji hasil prediksi tersebut.
XAMPP merupakan perangkat lunak bebas yang terdiri atas kompilasi dari
beberapa program yang berfungsi sebagai server yang berdiri sendiri meliputi
program Apache HTTP Server, MySQL database, serta penerjemah bahasa
pemograman yang ditulis dengan bahwa pemograman PHP dan Perl. Berikut
tampilan dari Xampp.
Pada sistem ini digunakan Google Chrome, namun juga dapat digunakan
web browser lain seperti Internet Explorer, Mozilla firefox dan lain-lain. Setelah
kita jalankan Google Chrome, lalu ketikkan localhost, maka aplikasi yang sudah
dibuat akan muncul, seperti gambar berikut:
Tampilan aplikasi tingkat pemahaman siswa ini terdiri dari tampilan aplikasi
bagian Admin_Home serta tampilan Aplikasi Bagian User-Tingkat Pemahaman,
Pada tampilan Admin home berisi program database pada sistem, sedagkan pada
Aplikasi bagian User, berisi fitur-fitur pada program yang akan digunakan untuk
melihat hasil prediksi tingkat pemahaman siswa. Berikut penjelasannya tampilan
aplikasi yang telah dirancangan.
Tampilan Basis data pada aplikasi prediksi tingkat pemahaman siswa sebagai
berikut:
Adapun form yang telah dibuat pada sistem tersebut adalah sebagai berikut:
1. Home
Implementasi Tampilan awal saat mengakses aplikasi dapat dilihat
seperti berikut:
2. Data Konversi
72
Adapun tampilan data konversi pada apliksi ini dapat dilihat pada
Gambar 5.10 sebagai berikut:
Pada Gambar 5.5 dapat dilihat tampilan data konversi yaitu minimum
dan maksimum, dimana bagian data konversi ini dapat diinputkan sendiri
oleh user nilai maximum dan minimum sesuai dengan kategori tingkat
mahamipemahaman yaitu Sangat memahami, memahami serta cukup
memahami.
3. Data Input
data pada bagian chooce file setelah diisi sesuai format download yang telah
ditentukan .
Adapun tampilan menu data input dapat dilihat pada Gambar 5.6
berikut ini:
Pada Gambar 5.11 diatas dapat dilihat tampilan data input setelah
user menginputkan data, di mana terlihat hasil inputan data sesuai data hasil
pengolahan secara manual yang telah diinput berdasarkan format template
data yang telah disedikan.
6. Tampilan Hasil
Tampilan Kumpulan hasil proses Backpropagation setelah proses
backpropagation dilakukan sebagai berikut:
76
X1 X2 X3 y/w Y
83.5714 85.0000 80.0000 0.467 82.8571
76.4286 80.0000 75.0000 0.304 77.1429
80.2857 81.0000 76.0000 0.359 79.0952
90.7143 90.2500 76.0000 0.547 85.6548
82.8571 78.0000 77.0000 0.365 79.2857
97.8571 95.0000 95.0000 0.841 95.9524
87.4286 86.2500 90.0000 0.611 87.8929
83.2857 85.7500 80.0000 0.471 83.0119
90.8571 81.7500 80.0000 0.505 84.2024
85.0000 82.5000 85.0000 0.504 84.1667
80.7143 89.5000 77.0000 0.454 82.4048
88.7143 88.7500 80.0000 0.552 85.8214
77
Pada tabel diatas, terlihat ada 30 data dari hasil pengolahan JST
metode Backpropagation dari pengolahan data dengan menggunakan
arsitektur jaringan 3-10-1 yang telah diolah dan diuji parameternya dengan
Matlab. Maka hasil dari pengujian data diatas, didapatkan hasil prediksi
seperti yang terdapat pada Gambar 5.9. Maka pengujian JST dengan
arsitektur 3-10-1 pada aplikasi sesuai dengan hasil pengolahan manual yang
dilakukan.
Berdasarkan hasil yang diperlihatkan pada Tabel 5.1 maka dapat di
hitung tingkat akurasi dari sistem prediksi tingkat pemahaman siswa. Tingkat
akurasi dihitung dengan rumus seperti berikut:
Sehingga jika dihitung maka proses hasil tingkat akurasi siswa yang
termasuk kategori paham yaitu :
BAB VI
6.1 Kesimpulan
6.2 Saran
DAFTAR PUSTAKA
Adnan, M., Sains, U., & Nasional, T. (2020). Artikel Penelitian Pembelajaran
online di tengah pandemi COVID-19 : Perspektif siswa. 2.
https://doi.org/10.33902/JPSP. 2020261309
Antari, N. M. D., Agustini, K., & Divayana, D. G. H. (2016). Studi Komparatif
Model Pembelajaran Talking Stick Dan Snowball Throwing Terhadap Hasil
Belajar Teknologi Informasi Dan Komunikasi (TIK) Siswa Kelas XI SMA
Negeri 1 Seririt Tahun Ajaran 2015/2016. Jurnal Pendidikan Teknologi Dan
Kejuruan, 13(2), 127–136. https://doi.org/10.23887/jptk.v13i2.8521
Apriyani, Y. (2018). Penerapan Jaringan Syaraf Tiruan Backpropagation Untuk
Prediksi Nilai UN Siswa SMPN 2 Cihaurbeuti. IJCIT (Indonesian Journal on
Computer and Information Technology), 3(1), 63–70.
Bose, M., & Mali, K. (2020). 7 Backpropagation Through Time Algorithm in
Temperature Prediction. Deep Learning: Research and Applications, 137–152.
https://doi.org/10.1515/9783110670905-007
Cahapay, M. B. (2020). Rethinking Education in the New Normal Post-COVID-19
Era: A Curriculum Studies Perspective. Aquademia, 4(2), ep20018.
https://doi.org/10.29333/aquademia/8315
Cahyono, B. (2016). Penggunaan Software Matrix Laboratory (Matlab) Dalam
Pembelajaran Aljabar Linier. Phenomenon : Jurnal Pendidikan MIPA, 3(1), 45.
https://doi.org/10.21580/phen.2013.3.1.174
Dewi, W. A. F. (2020). Dampak COVID-19 terhadap Implementasi Pembelajaran
Daring di Sekolah Dasar. In Edukatif : Jurnal Ilmu Pendidikan (Vol. 2, Issue 1,
pp. 55–61). https://doi.org/10.31004/edukatif.v2i1.89
Fitriadini, A., Pramiyati, T., & Pangaribuan, A. B. (2020). Penerapan
Backpropagation Neural Network Dalam Prediksi Harga Saham. Seminar
Nasional Mahasiswa Ilmu Komputer Dan Aplikasinya (SENAMIKA), 1–4.
Haris Budiman. (2017). Peran Teknologi Informasi Dan Komunikasi Dalam
Pendidikan. Al-Tadzkiyyah: Jurnal Pendidikan Islam, 8(I), 31–43.
Hasanah, S. H., & Permatasari, S. M. (2020). UNIVERSITAS TERBUKA
Backpropagation Artificial Neural Network Classification Method In Statistics
Students of Open University. 14(2), 243–252.
Huda, I. A. (2020). Perkembangan Teknologi Informasi Dan Komunikasi ( Tik )
Terhadap Kualitas Pembelajaran. JURNAL PENDIDIKAN Dan KONSELING,
1(2), 143–149.
Hutabarat, M. A. P., Handrizal, & Jalaluddin. (2020). Penerapan Algoritma
Backpropagation Dalam Memprediksi Jumlah Penduduk di Kecamatan
Pematang Bandar Berdasarkan Nagori / Kelurahan. Journal of Information
System Research (JOSH), 1(2), 63–69.
Indah Purwanti. (2012). Pemahaman. Thesis Studi Kasus Tentang Pemahaman
Orang Tua Yang Memiliki Anak Berkebutuhan Khusus Di SDN Kembangan
Kecamatan Kebomas Kabupaten Gresik, 1, 6–47. http://etheses.uin-
83
malang.ac.id/2258/6/08410049_Bab_2.pdf
Indrayati Sijabat, P., Yuhandri, Y., Widi Nurcahyo, G., & Sindar, A. (2020).
Algoritma Backpropagation Prediksi Harga Komoditi terhadap Karakteristik
Konsumen Produk Kopi Lokal Nasional. Digital Zone: Jurnal Teknologi
Informasi Dan Komunikasi, 11(1).
https://doi.org/10.31849/digitalzone.v11i1.3880
Izhari, F., Zarlis, M., & Sutarman. (2020). Analysis of backpropagation neural
neural network algorithm on student ability based cognitive aspects. IOP
Conference Series: Materials Science and Engineering, 725(1).
https://doi.org/10.1088/1757-899X/725/1/012103
Kemendikbud. (2014). Pedoman Pelaksanaan Tugas Guru TIK dan KKPI.
Lubis, M. R. (2019). Model Jaringan Saraf Tiruan Backpropagation Untuk
Meningkatkan Penguasaan Mahasiswa Pada Matakuliah Algoritma Dan
Pemrograman. In Paradigma - Jurnal Komputer dan Informatika (Vol. 21,
Issue 1, pp. 91–94). https://doi.org/10.31294/p.v21i1.5079
Muzawi, R., & Sahrun, N. (2016). Jaringan Syaraf Tiruan Dengan Teknik
Backpropagation Untuk Prediksi Standar Kelulusan Ujian Nasional Produktif
Kompetensi Di Smk (Studi Kasus Di Smk Nasional Al Huda Pekanbaru).
SATIN - Sains Dan Teknologi Informasi, 2(2), 49–63. http://jurnal.stmik-amik-
riau.ac.id/index.php/satin/article/view/171
Nafi’iyah, N., Ahmad, R. A., & Mujilahwati, S. (2020). Prediksi Nilai Calon
Mahasiswa dengan Algoritma Backpropagation (Studi Kasus: Data Kaggle).
Jurnal Nasional Komputasi Dan Teknologi Informasi (JNKTI), 3(1), 9–17.
https://doi.org/10.32672/jnkti.v3i1.1945
Putria, H., Maula, L. H., & Uswatun, D. A. (2020). Analisis Proses pembelajaran
Dalam Jaringan (DARING) Masa Pandemi COVID-19 pada Guru Sekolah
Dasar. Jurnal Basicedu, 4(4), 861–872.
https://doi.org/10.31004/basicedu.v4i4.460
Radwan, E., Radwan, A., & Radwan, W. (2020). The Mental Health of School
Students and the COVID-19 Pandemic. Aquademia, 4(2), ep20020.
https://doi.org/10.29333/aquademia/8394
Sariningsih, R. (2014). Pendekatan Kontekstual Untuk Meningkatkan Kemampuan
Pemahaman Matematis Siswa Smp. Infinity Journal, 3(2), 150.
https://doi.org/10.22460/infinity.v3i2.60
Setti, S., Wanto, A., Syafiq, M., Andriano, A., & Sihotang, B. K. (2019). Analysis
of Backpropagation Algorithms in Predicting World Internet Users. Journal of
Physics: Conference Series, 1255(1). https://doi.org/10.1088/1742-
6596/1255/1/012018
Sinaga, R., Solikhun, S., & Jalaluddin, J. (2020). Prediksi Jumlah Siswa Baru
pada SMK Swasta Abdi Sejati Kerasaan dengan Metode Backpropagation. 2,
348–354.
Solikhun, S., Safii, M., & Trisno, A. (2017). Jaringan Saraf Tiruan Untuk
Memprediksi Tingkat Pemahaman Sisiwa Terhadap Matapelajaran Dengan
Menggunakan Algoritma Backpropagation. J-SAKTI (Jurnal Sains Komputer
84