TINGKAT PEMAHAMAN SISWA DALAM PEMBELAJARAN DARING

DAN TATAP MUKA LANGSUNG DALAM MASA PANDEMI COVID-19

TERHADAP BIMBINGAN TIK MENGGUNAKAN METODE
BACKPROPAGATION

TESIS

Diajukan untuk Memenuhi Salah Satu Syarat

Memperoleh Gelar Magister Komputer

SALMIATI
191321064

PROGRAM MAGISTER (S2)

PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS ILMU KOMPUTER
UNIVERSITAS PUTRA INDONESIA “YPTK” PADANG

MARET 2021

i
 PROGRAM MAGISTER (S2)
PROGRAM STUDI TEKNIK INFORMATIKA
FAKULTAS ILMU KOMPUTER

Tanda Persetujuan Diberikan Kepada

NAMA : SALMIATI
NO.BP : 191321064

TINGKAT PEMAHAMAN SISWA DALAM PEMBELAJARAN DARING

DAN TATAP MUKA LANGSUNG DALAM MASA PANDEMI COVID-19
TERHADAP BIMBINGAN TIK MENGGUNAKAN METODE
BACKPROPAGATION.

Disetujui Untuk Diajukan Pada Ujian Akhir, Sidang Tertutup

Program Magister (S2)
Program Studi Teknik Informatika
Fakultas Ilmu Komputer
Universitas Putra Indonesia “YPTK” Padang

MENYETUJUI

PEMBIMBING I PEMBIMBING II

Dr. Yuhandri, S.Kom., M.Kom Dr. Ir. H. Sumijan, M. Sc

NIDN : 1015057301 NIP : 19660507 199403 1 004

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.

Padang, Maret 2021

Tim Penguji

Penguji I :

……………………………………………………

NIDN :

Penguji II :

......................................................................

NIDN :

D
Mengesahkan

Dekan Fakultas Ilmu Komputer

Universitas Putra Indonesia “YPTK” Padang

Dr. Ir. Sumijan, MSc.

NIP : 196605071994031004
iii
 iv

“Saya akui karya ini adalah hasil kerja saya sendiri kecuali kutipan dan
ringkasan yang masing-masing telah saya jelaskan sumbernya”.

Tanda Tangan : ................................................

Nama Penulis : SALMIATI

Tanggal : Maret 2021

 v

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 :

1. Bapak H. Herman Nawas ( ) selaku Ketua Yayasan Perguruan Tinggi

Komputer (YPTK) Padang.
2. Bapak Prof. Dr. H. Sarjon Defit, S.Kom., MSc. selaku Rektor Universitas
Putra Indonesia YPTK Padang
3. Bapak Dr. Yuhandri, S.Kom., M.Kom, selaku pembimbing 1 yang
telahbanyak membantu dan memberikan banyak masukan dan memotivasi
semangat bagi penulis dalam penyelesaian penyususnan tesis ini
4. Bapak Dr. Ir. Sumijan, M.Sc selaku Dekan Fakultas Ilmu Komputer
Universitas Putra Indonesia “YPTK” Padang dan Pembimbing 1 yang telah
membantu serta memotivasi penulis dalam penyusunan tesis ini.
5. Bapak Ir. Gunadi Widi Nurcahyo, MSc., PhD. selaku Ketua Program
Studi Magister Ilmu Komputer Universitas Putra Indonesia “YPTK” yang
 vi

telah berkontribusi memotivasi dan membantu penulis di dalam penyelesaian

tesis ini.
6. Seluruh Dosen Program Pascasarjana Universitas Putra Indonesia ”YPTK”
Padang yang mendistribusikan pengetahuannya kepada penulis selama
mengikuti perkuliahan.
7. Bapak dan Ibu Staf Administrasi Program Pascasarjana Universitas Putra
Indonesia ”YPTK” Padang yang telah banyak membantu penulis dalam
penanganan administrasi akademis selama penulis aktif sebagai mahasiswa.
8. Bapak Kepala Sekolah, Wakil dan seluruh majelis guru, karyawan dan tata
usaha di SMP Negeri 1 Lengayang, yang telah memberikan dukungan moril
dan membantu penulis dalam menyelesaikan Studi Program Magister Ilmu
Komputer pada Universitas Putra Indonesia “YPTK” Padang

9. Kepada keluarga besar tercinta, dan spesial kepada teman-teman angkatan

M.Kom angkatan 34 C serta seluruh pihak yang tidak dapat disebutkan satu
persattu, yang telah membantu penulis dalam penyelesaian tesis ini

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.

Aamiin Yaa Robbal „Alamin

Padang, Maret 2021

Penulis

Salmiati
 vii

ABSTRAK

Pandemi Covid-19 membawa dampak besar di dunia pendidikan. Kebijakan

Pemerintah untuk melaksankan Pembelajaran Jarak Jauh (PJJ) berdampak pada
pembelajaran di Sekolah. Peningkatan kompetensi TIK sangat diperlukan untuk
mendukung kelancaran PJJ. Salah satunya dengan kegiatan bimbingan TIK dimasa
Pandemi Covid-19. SMP Negeri 1 Lengayang melaksanakan kegiatan bimbingan
TIK secara daring dan tatap muka langsung di masa Pandemi Covid-19. Namun hasil
belajar siswa dalam pembelajaran daring dan tatap muka langsung belum
menunjukkan hasil yang maksimal. Berbagai kendala muncul sehingga
mempengaruhi hasil belajar siswa. Guru kesulitan untuk mengukur tingkat
pemahaman siswa terhadap bimbingan TIK. Prediksi tingkat pemahaman siswa
penting dilakukan sebagai tolak ukur keberhasilan pembelajaran di masa Pandemi
Covid-19. Penelitian ini bertujuan untuk memprediksi tingkat pemahaman siswa
dalam pembelajaran daring dan tatap muka langsung dimasa pademi covid-19,
sehingga dapat pula membantu pihak sekolah mengambil kebijakan yang tepat untuk
meningkatkan kualitas pembelajaran kedepannya. Penelitian ini menggunakan
Jaringan Syaraf Tiruan (JST) metode Backpropagation. JST merupakan bagian dari
kecerdasan buatan yang dapat digunakan untuk memprediksi. Data yang dikelola
adalah rekap nilai hasil belajar koginitif siswa pada saat bimbingan TIK dalam
pembelajaran daring dan tatap muka langsung dimasa Pandemi Covid-19. Hasil dari
perhitungan dengan metode Backpropagation dengan aplikasi Matlab menghasilkan
nilai persentase tingkat pemahaman siswa, sehingga diperoleh nilai akurasi dalam
prediksi. Dengan hasil pengujian akurasi prediksi tingkat pemahaman secara daring
dan tatap muka langsung dengan pola 3-10-1 didapatkan nilai akurasi terbaik
mencapai 90 %. Hasil prediksi dapat mengkur tingkat pemahaman belajar siswa
dimasa Pandemi Covid 19 terhadap bimbingan TIK.
Kata kunci: Pemahaman, Pembelajaaran Daring Masa Pandemi Covid-19,
Bimbingan TIK, Metode Backpropagation
 viii

ABSTRACT

The Covid-19 pandemic has a major impact on the world of education.

Government policies to implement Distance Learning (PJJ) have an impact on
learning in schools. Increasing ICT competence is needed to support the smooth
running of PJJ. One of them is through ICT guidance activities during the Covid-19
Pandemic. SMP Negeri 1 Lengayang carried out online and face-to-face ICT
guidance activities during the Covid-19 Pandemic. However, student learning
outcomes in online and face-to-face learning have not shown maximum results.
Various obstacles arise that affect student learning outcomes. Teachers have
difficulty measuring the level of students' understanding of ICT guidance. Predicting
the level of understanding of students is important as a measure of learning success
during the Covid-19 Pandemic. This study aims to predict the level of understanding
of students in online and face-to-face learning during the Covid-19 period, so that it
can also help schools to take the right policies to improve the quality of learning for
the future. This study uses the Backpropagation method of Artificial Neural Network
(ANN). ANN is a part of artificial intelligence that can be used to predict. The data
that is managed is a recap of the value of student cognitive learning outcomes during
ICT guidance in online and face-to-face learning during the Covid-19 Pandemic. The
results of calculations using the Backpropagation method with the Matlab application
produce a percentage value for the level of student understanding, so that the
accuracy value in prediction is obtained. With the results of testing the predictive
accuracy of the level of understanding online and face-to-face with the 3-10-1
pattern, the best accuracy value is 90%. The prediction results can measure the level
of students' understanding of learning during the Covid 19 Pandemic towards ICT
guidance.
Keywords: Understanding, Online Learning during the Covid-19 Pandemic, ICT
Guidance, Backpropagation Method
 ix

DAFTAR ISI

BAB JUDUL HALAMAN

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

2.4 Definisi Kecerdasan Buatan (Artificial Intelegent) 15

2.4.1. Neural Network (ANN) 16
2.4.2 Pengertian Jaringan Syaraf Tiruan (JST) 17
2.4.3 Arsitektur Jaringan Syaraf Tiruan 18
2.4.4 Algoritma Backpropagation 18
2.4.5 Peramalan dengan Backpropagation 20
2.5 Matrix Labritory ( Matlab) 21
2.6 Penelitian Terkait 22
III METODOLOGI PENELITIAN
3.1 Pendahuluan 30
3.2 Kerangka Kerja Penelitian 31
IV ANALISA DAN PERANCANGAN
4.1 Tahapan Analisa dan Perancangan 31
4.2 Data 31
4.3 Analisa Sistem 33
4.3.1 Input Data 33
4.3.2 Normalisasi Data Real 34
4.3.3 Melakukan Iterasi Pertama Hingga Akhir 37
4.3.4 Melakukan Pelatihan dan Pengujian Parameter Jaringan 38
4.3.5 Mencari Error Terkecil 39
4.3.6 Melakukan Pengujian Metode Backpropagation 40
4.4 Perancangan Sistem 37
4.4.1 Perancangan Arsitektur Jaringan pada Matlab 38
4.4.2 Rancangan Interface Sistem 39
V IMPLEMENTASI DAN HASIL
5.1 Implementasi 58
5.1.1 Spesifikasi Perangkat Keras (Hardware) 58
5.1.2 Spesifikasi Perangkat Lunak (Software) 58
5.2 Impelementasi Pelatihan Arsitektur Jaringan 59
5.3 Implementasi Sistem Aplikasi Prediksi Tingkat Pemahaman Siswa 63
5.3.1 Instal Xampp 63
5.3.2 Tampilan Aplikasi Web Browser 64
5.3.3 Tampilan Aplikasi Bagian User-Tingkat Pemahaman 65
5.4 Hasil Pengujian Sistem 65
 xi

VI KESIMPULAN DAN SARAN

6.1 Kesimpulan 66
6.2 Saran 67
DAFTAR PUSTAKA 68
 xii

DAFTAR TABEL

TABEL JUDUL HALAMAN

2.1 Penelitian Terdahulu 23

4.1 Data Nilai Bimbingan TIK Semester 1 36
4.2 Data Nilai Input Untuk Pembelajaran 40
4.3 Variabel Input 40
4.4 Data Kategorisasi “memahami” 43
4.5 Sampel Proses Data Pelatihan Normalisasi 39
4.6 Hasil Normalisasi Data Input dan Output Prediksi 44
4.7 Sampel Hasil Normalisasi Untuk Pembelajaran 48
4.8 Hasil Bobot dari input Layer ke Hidden Layer 49
4.9 Hasil Penjumlahan Bobot dari Input ke Layer 50
4.10 Hasil Bobot dari Hidden layer ke Output layer 51
4.11 Hasil Perbandingan Data Target Dengan Output Aktual 53
4.12 Sampel Hasil Prediksi Tingkat Pemahaman Siswa Model 53
 xiii

DAFTAR GAMBAR

GAMBAR JUDUL HALAMAN

3.1 Kerangka Kerja Penelitian 28

4.1 Bagan Alir Analisa dan Perancangan 35
4.2 Tahapan Algoritma Backpropagation 39
4.3 Flowchart Algoritma Backpropagtion 43
4.4 Proses Arsitektur Jaringan Backpropagtion 54
4.5 Pola Arsitektur Jaringan Matlab 55
4.6 Desain Input Training 55
4.7 Desain Proses Pelatihan Backpropagtion 56
4.8 Desain Hasil Pengujian Prediksi Tingkat Pemahaman 57
5.1. Proses Perancangan Arsitektur JST Pada Matlab 59
5.2. Tampilan Pola Pelatihan Arsitektur 3-10-1 60
5.3. Tampilan Regression pada epoch 1 61
5.4. Hasil Performance pada Epoch 1000 62
5.5. Tampilan XAMPP 63
5.6. Tampilan Local Host Program 64
5.7. Tampilan User-Home 65
5.8. Tampilan Data Konversi 66
5.9. Tampilan Data Input 67
5.10. Tampilan Backpopagation Sebelum Proses 68
5.11. Tampilan Backpropagation Setelah Proses 69
5.12. Tampilan Proses Backpropagation Setelah di Print 69
 1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Perkembangan Teknologi Informasi dan Komunikasi di era globalisasi ini

sangat pesat. Teknologi Informasi dan Komunikasi (TIK) mencakup dua aspek yakni
teknologi informasi dan teknologi komunikasi. Teknologi Informasi (TI) meliputi
segala hal yang berkaitan dengan proses, penggunaan sebagai alat bantu, manipulasi,
dan pengelolaan informasi. Sedangkan teknologi komunikasi ialah segala sesuatu
yang berhubungan dengan penggunaan alat bantu untuk memproses dan mentransfer
data dari perangkat yang satu ke perangkat yang lain. Teknologi Informasi dan
Komunikasi mengandung pengertian luas yaitu segala kegiatan yang terkait dengan
pemprosesan, manipulasi, pengelolaan, pemindahan informasi antar media (Huda,
2020)

Pemanfaatan TIK dalam bidang pendidikan mulai merambah sejak

dimasukkan dalam kurikulum 2004. Hal ini bertujuan untuk meningkatkan
keterampilan siswa secara lebih optimal, sehingga dapat diaplikasikan pada mata
pelajaran lain sebagai lintas kurikulum (Haris Budiman, 2017). Namun pembelajaran
Teknologi Informasi dan Komunikasi (TIK) di Sekolah Menengah Pertama (SMP)
mengalami beberapa perobahan. Hal ini terjadi semenjak diberlakukannya kurikulum
2013. Mata pelajaran TIK berobah menjadi bimbingan TIK. Perubahan kurikulum
dari KTSP (Kurikulum Tingkat Satuan Pendidikan) menjadi Kurikulum 2013
berakibat terjadinya perubahan mata pelajaran Teknologi Informasi dan Komputer
(TIK) menjadi Bimbingan TIK (BTIK). Mata pelajaran ini tidak dilakukan terjadwal
secara umum (Montesna et al., 2019)

Pembelajaran TIK sangat berperanan penting di era milineal, apalagi dimasa

pandemi Corona Virus Disease (COVID-19), penguasaan TIK oleh guru maupun
siswa sangat diperlukan.Peranan Teknologi Informasi dan Komunikasi sangat
penting untuk mendukung pelaksanaan pembelajaran jarak jauh. Kebijakan
pemerintah untuk tetap melaksanakan pembelajaran di masa pandemi telah
membawa dampak besar di dunia pendidikan. Maka untuk memenuhi hak peserta
 2

didik mendapatkan layanan pendidikan selama darurat penyebaran COVID-19,

proses pembelajaran jarak jauh dilaksanakan melalui penyelenggaraan Belajar dari
Rumah (BDR) sebagaimana tercantum dalam Surat Edaran Kemendikbud Nomor 4
Tahun 2020 tentang Pelaksanaan Kebijakan Pendidikan dalam Masa Darurat
Penyebaran Covid-19 yang diperkuat dengan SE Sekjen Nomor 15 tahun 2020
tentang Pedoman Pelaksanaan BDR selama darurat Covid-19(Kurniasar A, Fitroh
Setyo Putro Pribowo, 2020)
Penyelenggaraan pembelajaran jarak jauh ini tidak terlepas dari pemanfaatan
alat teknologi informasi dan komunikasi untuk mendukung kegiatan pembelajaran
secara daring. Dengan pembelajaran daring siswa memiliki keleluasaan waktu
belajar, dapat belajarkapanpun dan dimanapun. Siswa dapat berinteraksi denganguru
menggunakan beberapa aplikasi seperticlassroom, video converence, telepon atau
live chat,zoom maupun melalui whatsapp group (Dewi, 2020a). Namun, penerapan
belajar jarak jauh di Indonesia belum mencapai hasil yang optimal. Begitu juga
dengan beberapa negara di dunia. Pembelajaran online tidak dapat memberikan hasil
yang diinginkan di negara-negara terbelakang seperti Pakistan, dimana sebagian
besar siswa tidak dapat mengakses internet karena masalah teknis dan moneter
(Adnan & Anwar, 2020).

Dewi (2020) dalam penelitiannya tentang dampak Covid-19 pada pendidikan

di Indonesia menyatakan bahawa pelaksanaan kebijakan belajar di rumah pada
institusi pendidikan menyebabkan gangguan besarseperti pembelajaran siswa,
hambatan dalam penilaian, batalnya penilaian, terganggunya peluang mendapatkan
pekerjaan setelah lulus pendidikan, pembatalan penilaian publik untuk kualifikasi
dalam seleksi pekerjaan.

Masih berkaitan dengan persoalan tersebut, juga terdapat beberapa

permasalahan yang menyangkut siswa,guru, serta orang tua dalam kegiatan belajar
mengajar online yakni seperti penguasaan teknologi masih kurang, adanya
penambahan biaya kuota internet, beban orang tua semakin bertambah karena harus
mendampingi anaknya belajar, komunikasi dan sosialisasi antar siswa yang menurun,
guru serta dan komunikasi antara guru, oarang tua, dan kepala sekolah menjadi tidak
terbatas (Setyorini, 2020).

Pelaksanaan Bimbingan TIK dalam masa pandemi juga mengalami kendala,

sama halnya dengan mata pelajaran lainnya. Bimbingan TIK di masa Pandemi
 3

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.

Kegiatan bimbingan TIK tidak berjalan optimal seperti sebelum pandemi

Covid-19. Salah satu kendala yaitu guru kesulitan untuk memprediksi tingkat
pemahaman belajar siswa baik yang dilakuka secara daring maupun tatap muka
langsung. Hasil belajar yang telah mereka dapatkan, belum mampu menjadi tolak
ukur keberhasilan pembelajaran. Oleh sebab itu, penting untuk melakukan prediksi
untuk mengukur tingkat pemahaman hasil belajar siswa, agar satuan pendidikan
dapat mengambil kebijakan yang tepat untuk peningkatan kualitas pembelajaran
dimasa yang akan datang.

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.

Implementasi metode Backpropagation pada penelitian terdahulu yang

bertujuan memprediksi suatu hal, antara lain JST untuk memprediksi pengguna
internet di dunia. Hasil penelitian ini menunjukkan bahwa arsitektur jaringan terbaik
yang dihasilkan adalah 3-50-1 dengan tingkat akurasi 92% dan nilai Mean Squared
Error (MSE) sebesar 0,00151674 (Setti et al., 2019). JST untuk memprediksi
prestasi siswa, didapatkan hasil bahwa semakin kecil tingkat ketelitian error yang
digunakan maka akan semakin kecil penyimpangan hasil Jaringan Syaraf Tiruan
dengan target yang diinginkan (Zola et al., 2018).

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

0,146896423(Simatupang et al., 2020). JST untuk memprediksi deret waktu fuzzy.

Penelitian ini menggunakan teknik Backpropagation Through Time (BPTT) untuk
melatih jaringan berulang (RNN). Hasil penelitian ini menyatakan bahawa data set
suhu digunakan untuk mengevaluasi kinerja model dan akurasi prediksi BPTT lebih
baik dari pada model jaringan saraf tiruan Backpropagation(Bose & Mali, 2020)

JST untuk memprediksi tingkat kelulusan ujian kompetensi siswa berdasarkan

rekap nilai rata-rata kejuruan jurusan teknik komputer jaringan dari semester 1
sampai semester 5 dengan aspek pengetahuan pada target siswa Tahun Pelajaran
2017 dan Tahun Pelajaran 2018 yang diperoleh dari penjumlahan seluruh mata
pelajaran pada setiap semester. Hasil penelitian menunjukkan pengujian akurasi
prediksi uji kompetensi siswa ditemukan tingkat nilai akurasi terbaik pola 5-6-1
mencapai 95% (Syofneri et al., 2019).

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).

Penerapan metode Backpropagationpada penelitian kali ini bertujuanuntuk

memprediksi tingkat pemahaman siswa dalam pembelajaran daring dan tatap muka
langsung dalam masa pandemi Covid-19. Penelitian inidiharapkan bisa membantu
sekolah untuk mengambil kebijakan yang tepat untuk meningkatkan kualitas
pembelajaran di masa pandemi. Data input (masukan) diambil dari data nilai siswa
kelas IX yang mengikuti bimbingan TIK dalam pembelajaran daring dan tatap muka
langsung.

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

1.2 Perumusan Masalah

Dari uraian latar belakang diatas, maka dapat dirumuskan permasalahan

penelitian ini antara lain:

1. Bagaimana menerapkan sistem JST untuk memprediksi tingkat

pemahaman siswa terhadap dalam pembelajaran daring dan tatap muka
langsung dalam masa pandemi Covid-19 terhadap bimbingan TIK
menggunakan Backpropagation?

2. Bagaimana menentukan tingkat keakuratan yang dihasilkan dalam

memprediksi tingkat pemahaman siswa dalam pembelajaran daring dan
tatap muka langsung pada masa pandemi Covid-19 terhadap bimbingan
TIK pada satuan pendidikan?

1.3 Batasan Masalah

Agar pembahasan penelitian ini tidak menyimpang dari rumusan masalah

diatas, maka penulis membatasi ruang lingkup objek penelitian. Adapun ruang
lingkup penelitian antara lain :
1. Data yang dipakai untuk data input adalah data nilai tugas bimbingan
TIK saat daring dan tatap muka langsung dimasa pandemi Covid-19
pada tahun Pelajaran 2020/2021.
2. Tempat penelitian dilakukan di SMP Negeri 1 Lengayang, Kecamatan
Lengayang , Kabupaten Pesisir Selatan.

1.4 Tujuan Penelitian

Tujuan yang ingin diperoleh dari penelitian ini agar lebih bermanfaat
kedepannya antara lain sebagai berikut :

1. Mengetahui model arsitektur sistem JST yang dipakai untuk memprediksi

tingkat pemahaman belajar siswa dalam pembelajaran daring dan tatap
muka langsung dalam masa pandemi Covid-19 terhadap bimbingan TIK.

2. Mengetahui kemampuan prediksi tingkat pemahaman siswa dalam

 6

pembelajaran daring dan tatap muka langsung dalam masa pandemi

Covid-19 berdasarkan banyaknya data yang dilatih atau banyaknya data
input.

3. Merancang JST dengan metode Backpropagtion untuk mengetahui tingkat

pemahaman siswa dalam pembelajaran daring dan tatap muka langsung
dalam masa pandemi Covid-19.

4. Menguji keakuratan atau ketepatan metode Backpropagation untuk

memprediksi tingkat pemahamansiswa dalam pembelajaran daring dan
tatap muka langsung dalam masa pandemi Covid-19.

1.5 Manfaat Penelitian

Penelitian ini diharapkan dapat menghasilkan suatu telaah yang komprehensif

sehingga dapat diambil manfaat, diantaranya :

1. Membantu pihak sekolahuntuk memprediksitingkat pemahaman siswa

dalam pembelajaran daring dan tatap muka langsung dalam masa
pandemi covid-19 sehingga diharapkan dapat menjadi bahan
pertimbangan dalam pelaksanaan kegiatan pembelajaran di sekolah agar
menjadi lebih efektif.

2. Membantu siswa untuk mengetahui tingkat pemahaman dalam

pembelajaran daring dan tatap muka langsung dalam masa pandemi
Covid-19, khususnya pada hasil penilaian bimbingan TIK.

1.6 Sistematika Penulisan

Sistematika yang digunakan dalam penyusunan tesis ini antara laian sebagai
berikut :

BAB I PENDAHULUAN

Bab ini akan menjelaskan tentang latar belakang, rumusan masalah,

pembatasan masalah, tujuan dan manfaat penulisan, serta metodologi
penulisan dan sistematika penulisan.
 7

BAB II LANDASAN TEORI

Bab ini akan dijelaskan tentang metode yang digunakan yaitu

Backpropagation, serta rumus-rumus yang akan dipergunakan, dan
mengenai teori-teori tentang pemahaman belajar, sistem penilaian pada
bimbingan TIK.

BAB III METODOLOGI PENELITIAN

Bab ini menjelaskan tentang metode yang dipakai dalam penelitian.

Diantaranya berisi tentang langkah atau prosedur yang dilakukan dalam
penelitian, rumusan masalah, pemecahan masalah serta penarikan
kesimpulan.

BAB IV ANALISA DAN PERANCANGAN

Bab ini menjelaskan tentang analisis dan perancangan sistem, meliputi:

gambaran umum penelitian, data yang digunakan, tahap penelitian,
spesifikasi alat dan gambaran perancangan.

BAB V IMPLEMENTASI DAN HASIL

Bab ini menjelaskan tentang implementasi atau pelaksanaan metode

Backpropagation guna mengetahui tingkat pemahaman siswa dalam
pembelajaran daring dan tatap muka langusung dalam masa pandemi.

BAB VI KESIMPULAN DAN SARAN

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

2.1. Konsep Pemahaman

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.

2.1.1 Definisi Pemahaman Menurut Para Ahli

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.

Senada dengan pendapat diatas, Poesprodjo menjelaskan bahwa pemahaman

bukan aktivitas berpikir semata, melainkan pemindahan letak dari dalam, berdiri di
suasana ataupun dunia orang lain. Hadapi kembali suasana yang ditemukan individu
lain di dalam erlebnis (sumber pengetahuan tentang hidup, aktivitas melaksanakan
 9

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).

Konsep tentang pemahaman belajar terdapat pula dalam tujuan pengajaran,

sebagaimana yang termuat dalam Taksonomi Bloom antara lain: Pengetahuan
(Knowlegde), Pemahaman (Comprehension), Penerapan (Application), Analisis
(Analysis), Sintesis (Synthesis), dan Evaluasi (Evaluation). Berdasarkan hal tersebut
maka kemampuan yang termasuk dalam taksonomi pemahaman yaitu: (1)
kemampuan menerjemah (Translasi), yaitu kemampuan untuk mengubah suatu
simbol tertentu menjadi simbol lain tanpa merubah makna, (2) kemampuan
menafsirkan (Interpretasi) merupakan kemampuan untuk menjelaskan makna yang
terdapat di dalam simbol, baik simbol verbal maupun nonverbal serta (3)
kemampuan meramalkan (Ekstrapolasi), yaitu kemampuan untuk melihat
kecenderungan atau arah kelanjutan dari suatu temuan (Hasanah & Permatasari,
2020).

2.1.2 Jenis - Jenis Pemahaman

Pada penelitian yang dilakukan oleh (Sariningsih, 2014) memaparkan jenis-

jenis pemahaman menurut para pakar antara lain sebagai berikut:

1. Polya, terdiri atas empat jenis pemahaman yaitu:

a. Pemahaman mekanikal, berarti mampu mengingat dan
mengaplikasikan sesuatu secara rutin atau dengan perhitungan yang
sederhana.
b. Pemahaman induktif, berarti dapat mempraktikkan sesuatu dalam
kasus sederhana dan mengetahui bahwa sesuatu itu berlaku dalam
kasus serupa
c. Pemahaman rasional, berarti mampu membuktikan kebenaran
sesuatu
d. Pemahaman intuitif, berarti mampu memperkirakan kebenaran sesuatu
tanpa ragu-ragu sebelum melakukan analisis secara analitik.
 10

2. Polattsek, terdiri atas dua jenis pemahaman yaitu :

a. Pemahaman komputasional, artinya mampu melakukan sesuatu secara
algoritmik/sederhana saja
b. Pemahaman fungsional, artinya mampu mengaitkan sesuatu dengan
hal lainnya secara benar serta menyadari proses yang telah dikerjakan.
3. Copeland, terdiri atas dua jenis pemahaman:
a. Knowing how to, artinya mampu melakukan sesuatu secara
rutin/algoritmik.
b. Knowing, artinya mampu melakukan sesuatu dengan sadar terhadap
proses yang dikerjakannya.
4. Skemp, terdiri atas dua jenis pemahaman:
a. Pemahaman instrumental, artinya mampu menghafal sesuatu secara
terpisah atau mampu mengaplikasikan sesuatu pada perhitungan
rutin/sederhana, melakukan sesuatu secara algoritmik saja.
b. Pemahaman relasional, artinya telah mampu mengaitkan sesuatu
dengan hal lainnya secara benar serta menyadari proses yang telah
dikerjakan.

2.2. Pembelajaran Pada Masa Pandemi Covid-19

Pemerintah melalui Menteri Pendidikan dan Kebudayaan Republik Indonesia

telah mengeluarkan Surat Edaran Nomor 4 Tahun 2020 Tentang Pelaksanaan
Kebijakan Pendidikan Dalam Masa Darurat Penyebaran Corona virus Diseases 2019
(COVID-19) pada tanggal 24 maret 2020, dalam Surat Edaran tersebut dinyatakan
bahwa proses pembelajaran dilaksanakan di rumah melalui pembelajaran
daring/jarak jauh yang dilaksanakan untuk memberikan pengalaman belajar yang
bermakna bagi siswa. Belajar Dari Rumah (BDR) tersebut difokuskan pada
pendidikan kecakapan hidup yang berkaitan dengan pandemi Covid-19 (Dewi,
2020b).

2.2.1 Pengertian Pembelajaran Daring dan Luring

Pembelajaran daring merupakan sebuah pembelajaran yang dilakukan dalam

jarak jauh menggunakan media berupa internet serta penunjang lainnya seperti
telepon seluler dan komputer. Pembelajaran daring jauh berbeda dengan
pembelajaran seperti biasa ketika disekolah, yang mana pembelajaran daring lebih
 11

menekankan pada ketelitian dan kejelian siswa dalam menerima serta mengolah
informasi yang disajikan secara online (Putria et al., 2020).

Senada dengan pandangan diatas dijelaskan pula bahwa pembelajaran daring

merupakan pembelajaran yang memanfaatkan jaringan internet dalam proses
pembelajaran. Pada pembelajaran daring tersebut, siswa dapat berinteraksi dengan
guru dan teman-temannya melalui penggunaan beberapa aplikasi daring seperti
google classroom, video conference, telegram, live chat, zoom maupun melalui
whatsapp group (Dewi, 2020b).

Pembelajaran daring memiliki kelebihan dan kekurangan. Terdapat beberapa

kelebihan pembelajaran daring antara lain: keluwesan waktu dan tempat belajar,
seperti dapat dilakukan di kamar, ruang tamu serta waktu yang disesuaikan misalnya
pagi, siang, sore atau malam. Selain itu juga dapat mengatasi permasalahan yang
menyangkut jarak, misalnya siswa tidak harus pergi ke sekolah untuk belajar. Tidak
ada batasan yang mencakup area yang luas. Akan tetapi pembelajaran daring ini juga
memiliki kekurangan seperti terbatasnya kuota internet, siswa sulit fokus pada
pembelajaran karena suasana rumah yang mungkin kurang kondusif, seta berbagai
gangguan lainnya (Putria et al., 2020)

2.2.2 Dampak Pembelajaran Daring

Pelaksanaan pembelajaran daring telah berdampak pada sistem pendidikan.

Sebagaimana hasil penelitian oleh Setyorini (2020) dalam jurnalnya tentang Pandemi
Covid-19 dan Online Learning yang menjelaskan tentang beberapa permasalahan
yang dialami oleh siswa, guru, dan orang tua saat pelaksanaan dalam kegiatan belajar
mengajar online meliputi kurangnya penguasaan teknologi, biaya kuota internet
semakin bertambah, beban orang tua untuk mendampingi anaknya, serta interaksi
dan jam kerja antara orang tua, guru lain, dan kepala sekolah menjadi tidak terbatas.

Selain itu, pandemi covid-19 telah mempengaruhi banyak hal termasuk

kehidupan pendidikan, orang tua siswa, dan proses pembelajaran. Oleh sebab itu
guru harus menemukan berbagai cara yang tepat dan sesuai dengan kondisi murid
untuk melakukan proses pembelajaran secara akademis serta sosial-emosional.
Kemudian guru harus dapat mengelola kelas online. Selain itu pandemi Covid-19
juga melanda berbagai dimensi kehidupan meliputi dimensi politik, ekonomi, sosial,
 12

dan psikologis. Dimensi-dimensi yang muncul harus diperiksa lebih lanjut untuk
lebih mempersiapkan sistem pendidikan dalam periode baru dalam sejarah manusia
(Cahapay, 2020).

Salah satu akibat dari merebaknya wabah pandemi Covid-19 di masyarakat

yaitu berdampak kepada kesehatan global dan kesehatan mental siswa selama
akibat penutupan sekolah. Pembatasan pergerakan, penutupan sekolah dan tinggal
di rumah selama pandemi Covid-19 kemungkinan akan menyebabkan peningkatan
tingkat kekerasan dalam rumah tangga, kesepian, depresi, ketakutan, kepanikan dan
kecemasan, serta penggunaan narkoba di kalangan siswa sekolah (Radwan et al.,
2020).

Sama halnya dengan pandangan diatas bahwa Covid-19 berdampak pada

metode pembelajaran konvensional lembaga akademis diseluruh dunia.
Administrasi sekolah, perguruan tinggi dan universitas memilih kuliah/kelas online
sebagai cara alternatif untuk melanjutkan pendidikan. Meskipun pembelajaran
online terbukti membantu dalam menjaga kesehatan mahasiswa dan fakultas di
tengah pandemi covid-19, namun pembelajaran tersebut tidak seefektif
pembelajaran konvensional.

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.

Apabila keadaan ini berjalan terus maka akan menimbulkan kebingungan

pada tingkat masyarakat menengah kebawah,sebab infrastruktur informasi teknologi
sangat terbatas. Oleh karena itu juga berpengaruh kepada sistem penilaian
pembelajaran sebab dilakukan secara online, maka tidak tertutup kemungkinan
 13

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.

2.3 Bimbingan Teknologi Informasi dan Komunikasi (BTIK)

Teknologi Informasi dan Komunikasi secara umum bertujuan agar siswa
memahami perangkat teknologi informasi dan komunikasi secara umum, seperti
komputer (literasi) dan literasi informasi, dengan arti kata siswa dapat mengenali
istilah yang digunakan dalam TIK (Haris Budiman, 2017). Hal tersebut
menunjukkan bahwa pembelajaran TIK sangat penting untuk diajarkan kepada siswa
sedini mungkin, agar terampil serta mampu beradaptasi dengan perkembangan
teknologi yang semakin canggih di masa yang akan datang. Bimbingan TIK di
sekolah bertujuan untuk mempersiapkan siswa agar sanggup mengestimasi pesatnya
pertumbuhan teknologi, sehingga siswa bisa menggunakan TIK dengan baik dan
benar sesuai dengan keahliannya (Kemendikbud, 2014). Selain itu bertujuan supaya
siswa dapat menggunakan peralatan TIK secara cepat dan optimal untuk memproses
dan menerima informasi dalam proses kegiatan belajar, bekerja dan aktivitas lainnya,
sehingga siswa dapat berkreasi, mengembangkan sikap inisiatif, mengembangkan
kemampuan eksplorasi mandiri dan mudah beradaptasi dengan perkembangan baru
(Antari et al., 2016).

Huda (2020) menyarankan agar para guru mampu memanfaatkan Teknologi

Informasi dan Komunikasi dalam proses pembelajaran, sehingga dapat menarik
perhatian siswa. Lebih lanjut dikemukakan bahwa pemanfaatan TIK dalam proses
pembelajaran akan sangat berguna agar siswa dapat belajar di rumah tanpa bertatap
muka langsung apalagi pada masa pandemi wabah Covid-19.

2.3.1 Konsep Teknologi Informasi dan Komunikasi

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).

2.3.2 Bentuk Bimbingan dan Fasilitasi TIK

Berdasarkan pada (Kemendikbud, 2014) tentang Pedoman Pelaksanaan

Tugas Guru TIK dan KKPI, diuraikan beberapa ketentuan sebagai berikut:

1. Bimbingan kepada siswa terdiri atas 2 (dua) cara yaitu klasikal/kelompok

dan individual yang mana dapat dilakukan dilaksanakan secara berkala
paling tidak 5 (lima) kali dalam 1 (satu) semester yang materinya
tercantum pada program tahunan dan program semester. Materi
pembimbingan memuat tentang pemanfaatan TIK meliputi mencari,
mengolah, menyimpan, menyajikan, menyebarkan data dan informasi
dalam rangka mendukung kelancaran proses pembelajaran.
2. Bimbingan siswa juga dilaksanakan secara individual di sekolah sesuai
dengan jam kerja guru. Tujuan bimbingan ini untuk membantu sekaligus
memfasilitasi kesulitan siswa dalam mencari, mengolah, menyimpan,
menyajikan, menyebarkan data, serta informasi dalam rangka untuk
mendukung pembelajaran berbasis proyek, masalah dan discovery
learning, dibuktikan dengan lampiran daftar peserta didik yang
melakukan konsultasi.
3. Program pembimbingan TIK kepada siswa dilaksanakan secara terjadwal
di sekolah. Program bimbingan TIK terdiri dari kegiatan perencanaan,
pelaksanaan, evaluasi dan tindak lanjut.
 15

Adapun kegiatan perencanaan meliputi; menentukan ruang lingkup materi,

merumuskan kompetensi TIK, menyusun silabus bimbingan TIK, membuat program
tahunan, program semester, rencana pelaksanaan pembelajaran, merancang penilaian.
Pelaksanaan kegiatan bimbingan TIK untuk setiap periode disusun dengan
memperhatikan unsur-unsur sebagai berikut:

1. Kebutuhan siswa, guru dan tenaga kependidikan yang diketahui melalui

pengumpulan data dalam peminatan.
2. Siswa yang wajib dibimbing oleh guru TIK minimal 150 orang siswa,
Kepala sekolah yang memiliki sertifikat pendidik TIK minimal 40 orang
siswa, dan wakil kepala sekolah yang memiliki sertifikat pendidik
sekurang-kurangnya 80 orang siswa.
3. Materi bimbingan berupa bidang yang terkait dengan peningkatan bidang
TIK
4. Bentuk bimbingan dapat dilakukan secara individual/klasikal
5. Frekuensi bimbingan minimal 5 kali per semester dan bimbingan
individual diatur sesuai kebutuhan.
6. Lama kegiatan kepada siswa yang dilaksanakan dengan mekanisme
klasikal/kelompok berlangsung minimal 1 (satu) jam tatap muka,
sedangkan bimbingan individual sesuai dengan kebutuhan siswa
7. Waktu bimbingan TIK kepada siswa dilakukan secara berkala per minggu
melalui tatap muka sesuai dengan jadwal akademik di sekolah.
8. Bimbingan TIK kepada siswa secara individual dilakukan diluar jadwal
akademik selama jam kerja guru TIK/KKPI.
Pada kegiatan evaluasi, dilakukan sebagai upaya pengembangan kompetensi
siswa di sekolah. Maka evaluasi ini terdiri atas:
1. Evaluasi hasil bimbingan, bertujuan untuk mengetahui evaluasi
bimbingan TIK apakah berlangsung efektif dan membawa dampak positif
pada murid.
2. Evaluasi Program, meliputi evaluasi terhadap; kegiatan pembimbingan,
mekanisme, pengelolaan dan administrasi.
3. Tindak Lanjut, meliputi evaluasi terhadap kegiatan yang telah dilakukan
untuk peningkatan dan pengelolaan serta administrasi.

2.4. Definisi Kecerdasan Buatan (Artificial Intellegence)

 16

Menurut Solikhun et al (2017) kecerdasan buatan (Artificial Intelligence atau

AI) didefinisikan sebagai kecerdasan yang ditunjukkan oleh suatu entitas buatan.
Komputer pada umumnya dianggap sistem sebagai salah satu sistem ini. Selajutnya
Muzawi & Sahrun (2016) mengemukakan bahwa AI memiliki cabang yang salah
satunya di kenal dengan istilah Jaringan Syaraf Tiruan (Artificial Neural Network).
Kecerdasan buatan secara umum diartikan sebagai mesin yang bisa berfikir,
merancang kegiatan yang akan dilakukan, dan dapat mengambil suatu keputusan
layaknya seorang manusia (Sovia, Rini dan Yanto, Musli, 2018).

Senada dengan hal tersebut kecerdasan buatan merupakan suatu kemampuan

belajar dari pengalaman, manganalisa dan memahami hal atau pesan yang ambigu
atau kontradiktif, memanfaatkan peralatan untuk memecahkan persoalan atau
masalah, kemudian menyeleseikan masalah tersebut dengan efektif (Br Mangunsong,
Yushika Novryanti, 2017). Berdasarkan uraian diatas, maka tujuan dari kecerdasan
buatan yaitu dapat membuat sistem komputer menjadi lebih cerdas, memahami
tentang hal kecerdasan, dan menciptakan mesin yang lebih bermanfaat.

2.4.1 Neural Network (NN)

Neural Network merupakan sebuah sistem pemrosesan informasi dengan

karakteristik dan kinerja yang mendekati saraf biologis otak manusia. Selain
pemrosesan, jaringan syaraf tiruan juga memiliki kemampuan untuk menyimpan
informasi seperti yang dikemukakan oleh Simon Haykin, bahwa jaringan syaraf
tiruan merupakan pemrosesan sederhana yang bekerja secara paralel dan
terdistribusi. Neural Network mempunyai kemampuan untuk menyimpan dan
menyediakan pengetahuan. Kemudian Pengetahuan yang dimiliki tersebut sebagai
hasil proses pembelajaran dan hubungan antar neuron yang berfungsi menyimpan
pengetahuan tersebut (Yessa & Hardjianto, 2020).

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).

2.4.2. Pengertian Jaringan Syaraf Tiruan

Ahmad, et al (2020) mengemukakan bahwa JST adalah suatu sistem yang

mengolah suatu data dengan meniru jalan kerja otak manusia. Dimana pada otak
manusia terdapat aliran yang saling berhubungan yang akan memberikan informasi
atau neuron. JST membutuhkan proses learning atau training saat digunakan untuk
pengenalan pola atau klasifikasi data.
Jaringan Syaraf Tiruan merupakan model umum dari model matematis
jaringan syaraf tiruan, dengan asumsi bahwa: (1) Pemrosesan informasi terjadi di
banyak elemen sederhana (neuron) (2) Sinyal dikirim antar neuron melalui link (3)
Tautan antar neuron memiliki bobot yang akan memperkuat atau melemahkan sinyal
(4) Untuk menentukan keluaran, setiap neuron menggunakan fungsi aktivasi
(biasanya bukan fungsi linier) yang ditetapkan ke jumlah masukan yang diterima.
Besarnya keluaran ini kemudian dibandingkan dengan garis ambang.

Pengertian Jaringan Syaraf Tiruan sebagaimana yang dilansir pada Wikipedia

merupakan sistem adaptif yang dapat mengubah strukturnya untuk memecahkan
masalah berdasarkan informasi eksternal maupun internal yang mengalir melalui
jaringan tersebut. JST merupakan suatu metode digunakan untuk melakukan suatu
prediksi (peramalan). JST berfungsi untuk mensimulasikan proses pembelajaran otak
manusia atau dapat pula dinyatakan sebagai salah satu representasi buatan dari otak
manusia. JST adalah program komputer yang dilatih untuk mengenali hubungan
linier dan nonlinier antara variabel input dan output dalam kumpulan data tertentu.

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

JST tercipta sebagai suatu generalisasi model matematika dari pemahaman

manusia (human cognition) yang didasarkan atas asumsi pemrosesan informasi
terjadi pada elemen sederhana yang disebut neuron. Salah satu kelebihan jaringan
syaraf tiruan yaitu mampu mempelajari bagaimana belajar dari data yang diberikan
atau melatih diri dari data awal. JST mampu merepresentasikan diri sendiri bahkan
membuat suatu organisasi sendiri atau dari pengetahuan yang diterima saat belajar
(Nafi‟iyah et al., 2020)

2.4.3 Arsitektur Jaringan Syaraf Tiruan (JST)

Arsitektur JST adalah sebuah bentuk atau struktur hubungan antar neuron.
JST terdiri atas dari lapisan pertama yaitu lapisan input, lapisan output dan lapisan
tersembunyi yang berada di antara keduanya (Hrasko & Rafael, 2015). Blok
bangunan utama untuk arsitektur JST adalah elemen pemrosesan atau neuron.
Neuron-neuron ini terletak di salah satu dari tiga jenis lapisan: lapisan masukan,
lapisan tersembunyi, atau lapisan keluaran. Neuron masukan menerima data dari
lingkungan luar, neuron tersembunyi menerima sinyal dari semua neuron di lapisan
sebelumnya, dan neuron keluaran mengirim informasi kembali ke lingkungan
eksternal. Neuron-neuron ini dihubungkan bersama oleh jalur komunikasi yang
disebut koneksi.

Menurut Nafi‟iyah, et al (2020) Jaringan syaraf tiruan terdiri atas beberapa

layer yaitu:
1. Input layer: unit yang terdapat dalam lapisan input disebut unit input yang
berfungsi menerima pola inputan dari luar yang menggambarkan suatu
permasalahan.
2. Hidden layer: unit yang terdapat dalam lapisan tersembunyi disebut dengan
unit tersembunyi, dimana pada hidden layer ini nilai outputnya tidak dapat
diamati secara langsung.
3. Output layer: unit yang terdapat dalam lapisan output disebut unit output,
yang mana output layer ini merupakan solusi jaringan syaraf tiruan terhadap
suatu permasalahan.
Model jaringan syarf tiruan ditentukan oleh beberapa hal jika dilihat
berdasarkan model matematis, yaitu :
1. Arsitektur jaringan, merupakan sebuah arsitektur yang menentukan pola atau
neuron
 19

2. Model pembelajaran (learning method), adalah metode yang berfungsi

digunakan untuk menentukan dan mengubah bobot
3. Fungsi aktivasi
Fungsi aktivasi merupakan salah satu komponen penting dalam membangun
Jaringan Syaraf Tiruan. Karena fungsi aktivasi sangat berpengaruh terhadap
nilai keluaran (output) dari jaringan itu sendiri. Fungsi aktivasi digunakan
untuk menentukan nilai keluaran suatu neuron. Fungsi aktifasi dipakai harus
memenuhi syarat yaitu kontinuitas, terdiferensial dengan sangat mudah, dan
memiliki fungsi yang tidak turun nilainya (Rahayu, Dwi, 2018).

2.4.4 Algoritma Backpropagation

Backpropagation merupakan algoritma pembelajaran yang diwariskan dan

biasanya digunakan oleh perceptron dengan banyak lapisan untuk mengubah bobot
yang terkait dengan neuron di lapisan tersembunyi. Algoritma Backpropagation
menggunakan kesalahan keluaran untuk mengubah nilai bobotnya ke arah belakang.
Tahap forward propagation harus dilakukan terlebih dahulu untuk mendapatkan nilai
error. Algoritma backpropagation pertama kali dirumuskan oleh Werbos dan
dipopulerkan oleh Rumelhart dan Mccleland untuk digunakan dalam jaringan syaraf
tiruan, dan kemudian algoritma ini diberi nama Backpropagation.
Backpropagation merupakan algoritma pembelajaran untuk memperkecil
tingkat eror dengan cara menyesuaikan bobotnya berdasarkan perbedaan output dan
target yang diinginkan. Backpropagation memiliki tiga layer dalam proses
pelatihannya, yaitu input layer, hidden layer dan output layer. Dengan adanya hidden
layer pada backpropagation dapat menyebabkan besarnya tingkat error pada
backpropagation lebih kecil dibandingkan tingkat error pada single layer network,
sebab hidden layer pada backpropagation berfungsi untuk mengupdate dan
menyesuaikan bobot, sehingga didapatkan nilai bobot baru yang bisa diarahkan
mendekati dengan target output yang diinginkan.
Secara umum proses JST Backpropagation terdiri atas dua bagian yaitu
proses training dan testing. Proses pelatihan (training) merupakan proses
pembelajaran atau pelatihan sistem jaringan syaraf yang berfungsi mengatur nilai
masukan (input) dan melakukan pemetaan terhadap nilai keluaran (output) sampai
 20

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.

2.4.5 Peramalan dengan Backpropagation

Syaharuddin et al (2020) menyatakan bahwa peramalan atau prediksi

merupakan salah satu bidang yang dapat diaplikasikan dengan metode
backpropagation. Peramalan merupakan suatu kegiatan memperkirakan apa yang
akan terjadi di masa depan dengan menggunakan kondisi atau data yang ada.
Peramalan telah banyak digunakan hampir di semua instansi atau lembaga
pemerintah untuk menentukan kebijakan yang harus diambil berdasarkan data atau
fakta sebelumnya. Oleh karena itu, berbagai metode peramalan digunakan sesuai
dengan jenis data yang tersedia.
Peramalan sangat penting dilakukan dalam persiapan dan mengatasi berbagai
masalah yang mungkin timbul terjadi di masa depan. Ini juga merupakan
karakteristik dari metode peramalan yang menunjukkan hasil prediksi itu harus
benar-benar akurat. Peramalan dengan banyak data dengan pembobotan pada setiap
jaringan input sangat tinggi direkomendasikan sebagai upaya untuk mengurangi hasil
peramalan yang tidak tepat.

2.5 Matrix Laboratory (Matlab)

Dalam mengukur tingkat pemahaman belajar TIK di SMPN 1 Lengayang

diperlukan aplikasi yang dapat membantu mengimplementasikannya. Pada penelitian
ini penulis menggunakan aplikasi Matrix Laboratory (MATLAB) sebagai software
yang dapat dimanfaatkan untuk menyelesaikan permasalahan tentang pengenalan
pola. Matlab merupakan aplikasi yang memakai bahasa pemrograman tingkatan
 22

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).

2.6. Penelitian Terkait

Penelitian terkait merupakan penelitian sebelumnya yang memiliki hubungan

atau keterkaitan dengan penelitian ini, sehingga ada perbandingan atau sumber yang
lebih jelas tentang bagaimana penelitian ini dibuat. Penelitian terkait dengan metode
backpropagation sudah banyak dilakukan oleh banyak peneliti serta mendapat
berbagai solusi dari setiap permasalahan yang diangkat. Berikut adalah rangkuman
dari penelitian terdahulu yang digunakan sebagai referensi pada penelitian ini:
 23

Tabel 2.1 Penelitian Terdahulu

NO Penulis Judul Metode Hasil

(Tahun)

1 Setti et al Analysis Of 1. Studi Literatur Bahwa model arsitektur 3-50-1 merupakan

(2019) Backpropagation 2. Pre proses model arsitektur terbaik dari 5 model yang
Algorithms In 3. Pengolahan Data Menggunakan digunakan untuk memprediksi jumlah
Predicting World Aplikasi Matlab pengguna internet di 25 negara di dunia.
Internet Users 4. Melakukan Prediksi Akurasi yang diperoleh mencapai 92%
dengan epoch sebanyak 4218 iterasi dan
MSE 0,00151674.

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

Tabel 2.1 Penelitian Terdahulu (Lanjutan)

No Penulis Judul Metode Hasil

(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

Tabel 2.1 Penelitian Terdahulu (Lanjutan)

No Penulis Judul Metode Hasil

(Tahun)

5 Solikhun et al Jaringan Saraf 1. Algoritma Algoritma pembelajaran Backpropagation

(2017) Tiruan Untuk backpropagation untuk diterapkan untuk melatih delapan variabel
Memprediksi melakukan training tersebut untuk memprediksi tingkat
Tingkat Pemahaman terhadap suatu jaringan pemahaman mahasiswa terhadap mata
Siswa Terhadap 2. Melakukan tiga tahap, pelajaran. Hasil pengujian diperoleh prediksi
Mata pelajaran yaitu feedforward dari tingkat pemahaman siswa dengan tingkat
Dengan pola input training, akurasi 90 % dengan arsitektur 4-2-1.
Menggunakan backpropagation dari error
Algoritma yang terkait, dan
Backpropagation penyesuaian bobot

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)

No Penulis Judul Metode Hasil

(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

Tabel 2.1 Penelitian Terdahulu (Lanjutan)

No Penulis Judul Metode Hasil

(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.

Tabel 2.1 Penelitian Terdahulu (Lanjutan)

No Penulis Judul Metode Hasil

(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.

Tabel 2.1 Penelitian Terdahulu (Lanjutan)

No Penulis Judul Metode Hasil

(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

Penduduk di Kecamatan digunakan di peroleh satu model arsitektur

Pematang Bandar terbaik 3-4-1 dengan tingkat keakurasian
Berdasarkan Nagori / 92,3 %, epoch 796 iterasi dalam waktu 10
Kelurahan detik dan MSE 0,000930636.

Tabel 2.1 Penelitian Terdahulu (Lanjutan)

No Penulis Judul Metode Hasil

(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

Konsumen Produk Kopi Proses 99.9903, harga aktual 77981 ke hasil

Lokal Nasional 3. Perancangan prediksi 77481 akurasi 99.9936.
 32

BAB III

METODOLOGI PENELITIAN

3.1 Pendahuluan

Metodologi penelitian merupakan acuan dan tahapan yang diterapkan pada

sebuah penelitian untuk mencapai tujuan penelitian. Metodologi penelitian
mempunyai rencana kerja yang sistematis sehingga hasil yang didapatkan sesuai
dengan yang diharapkan. Salah satu unsur penting dari metodologi adalah adanya
metode yang diterapkan untuk pemecahan masalah penelitian.

Pada metodologi penelitian ini, penulis akan menguraikan tentang tahapan-

tahapan yang akan dilakukan dalam menyelesaikan penelitian agar lebih terarah dan
sesuai dengan tujuan yang ingin dicapai. Sebagaimana tujuan dari penelitian ini
antara lain untuk memprediksi tingkat pemahaman siswa pada pembelajaran daring
dan tatap muka langsung dalam masa pandemi Covid-19 terhadap bimbingan TIK di
SMP Negeri 1 Lengayang Kabupaten Pesisir Selatan Provinsi Sumatera Barat.

3.2 Kerangka Kerja

Metodologi penelitian digambarkan kedalam sebuah bentuk kerangka kerja.

Dalam hal ini, peneliti akan menguraikan tahapan demi tahapan dari kerangka kerja
penelitian ini. Ada beberapa tahapan yang dilakukan yaitu, melaksanakan studi
kasus, mengidentifikasi masalah, mempelajari literatur dan analisa metode smart
(menentukan masalah, menentukan kriteria, memberikan bobot dengan interval 1-
100, menghitung nilai normalisasi, menghitung utilities, perangkingan, pengujian
dan implementasi). Sistematika tahapan penelitian akan membimbing peneliti agar
tetap terukur dan terarah dalam melaksanakan kegiatan penelitian sehingga tujuan
yang telah ditetapkan dapat dicapai.
 33

Adapun kerangka kerja penelitian dapat dilihat pada gambar 3.1 berikut ini:

Mengidentifikasi Masalah

Menganalisis Masalah

Menentukan Tujuan

Melakukan Studi Literatur

Mengumpulkan Data

Menerapkan Metode Backpropagation

Mengolah Data

Merancang Arsitektur JST

Mengimplementasikan Sistem

Menguji Hasil dan Pembahasan

Gambar 3.1 Kerangka Kerja Penelitian

 34

Berikut ini uraian kerangka kerja penelitian pada gambar 3.1:

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.

6. Menerapkan Metode Backpropagation

Langkah awal dalam menerapkan metode backpropagation dimulai dengan
mendefinisikan nilai awal untuk variabel-variabel yang diperlukan seperti
menentukan nilai input, menentukan nilai output, menentukan nilai bobot,
menentukan nilai bias, menentukan learning rate (α) dan nilai batas
ambang/threashold (θ). Tahap normalisasi/transformasi data adalah membuat
bilangan bulat menjadi pecahan. Data diskalakan dari 0,1 sampai 0,9. Skala ini
digunakan pada data pelatihan Backpropagation. Rumus normalisasi disajikan pada
persamaan sebagai berikut:

0,8 ( x – a)

X‟ = ---------------- + 0.1

b–a

Keterangan :

X‟ = Nilai data ke-n setelah dinormalisasi

x = Nilai data ke-n

A = Data nilai terkecil

B = Data nilai Terbesar

 37

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

10. Menguji Hasil Penelitian & Pembahasan

Selanjutnya dilakukan tahapan pengujian untuk menentukan apakah metode
Backpropagation memakai fungsi aktivasi sigmoid dapat menghasilkan hasil
prediksi yang akurat. Perhitungan unjuk kerja pada Backpropagation dilakukan
 39

berdasarkan kuadrat rata-rata kesalahan (MSE). Adapun langkah-langkah untuk

menghitung Mean Square Error yaitu sebagai berikut:

a. Menghitung nilai keluaran JST untuk masukan pertama aktivasi prediksi

b. Menghitung selisih nilai target dengan nilai prediksi keluaran
c. Mengkuadratkan setiap selisih yang didapat sebelumnya.
d. Menjumlahkan semua kuadrat selisih dari tiap data pelatihan dalam satu
epoch
e. Membagi hasil penjumlahan tersebut dengan jumlah data pelatihan atau data
pembelajaran.
Kegiatan pengujian sistem dilaksanakan bertujuan untuk mengetahui sistem
yang telah dirancang apakah berjalan dengan baik atau tidak. Kegiatan yang
dilakukan pada tahap ini antara lain melakukan pelatihan atau pembelajaran
terhadap jaringan yang dibangun untuk mengenali model atau pola yang dibangun
dan bertujuan agar bisa mencapai target yang ingin dicapai pada penelitian ini.
Setelah mengenal pola dan dapat mencapai target yang diinginkan, maka akan
dilakukan kegiatan selanjutnya yaitu kegiatan pengujian dengan menggunakan
bantuan aplikasi matlab.
 39

BAB IV

ANALISA DAN PERANCANGAN

4.1. Tahapan Analisa dan Perancangan

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)

Gambar 4.1 Bagan Alir Analisa dan Perancangan

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:

Tabel 4.1. Data Nilai Bimbingan TIK Semester 1

NO Nama Siswa RT TGS RT TGS RT UH RATA-

Daring Tatap RATA
(X1) Muka (X3) NILAI
(X2) (T)
1 Aghita Qurratul Al Aini 84 85 80 83
2 Afdhal mughni yulri 76 80 75 77
3 Anggun permata sari 80 81 76 79
4 Dini Muspita 91 90 76 86
5 Havizah Winursih 83 78 77 79
6 Innayah Hasanah Putri 98 95 95 96
7 Jeni pristiawati 87 86 90 88
8 M. Duta Novendra 83 86 80 83
9 M. Wahyudi Ilham 91 82 80 84
10 Maisarah Putri 85 83 85 84
11 Martia perdana putri 81 90 77 82
 41

Tabel 4.1. Data Nilai Bimbingan TIK Semester 1 ( Lanjutan)

NO Nama Siswa RT TGS RT RT UH RATA-

Daring TGS RATA
(X1) Tatap (X3) NILAI
Muka (T)
(X2)
12 Nabila Ramadhani 89 89 80 86
13 Najwatul Khomaria 81 82 75 80
14 Natasya putri 80 82 78 80
15 Rahmawati Zalani 78 78 75 77
16 Ridha Junidawati 90 94 85 90
17 Salsabila Rahmania 80 84 85 83
18 Shara Faiziah 79 75 77 77
19 Sherli oktavia 78 76 75 77
20 Syafni Shabrina 80 79 85 81
21 Zakiatinnisa 89 90 90 90
22 Zhara Delvia Putri 79 81 75 78
23 Alex Sandra 83 83 77 81
24 Azzila kurnia 82 81 76 80
25 Fatia indah yulia 73 71 75 73
26 Istisharah khairani 70 74 75 73
27 Kennya Doni Dwi Putri 73 74 76 74
28 Nur Ayu 72 75 78 75
29 Nur Wulan Fitri Rahayu 72 76 77 75
30 Riska amanda chania 70 75 76 74

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.

4.3. Analisa Sistem (Metode Backpropagation)

 42

Tahapan awal yang dilakukan untuk menganalisa sistem adalah

mengidentifikasi kebutuhan yang diperlukan untuk membangun program aplikasi
meliputi analisa kebutuhan masukan (input), kebutuhan proses serta kebutuhan
keluaran. Adapun data masukan yang diambil untuk penelitian ini yaitu nilai kognitif
siswa kelas IX dalam masa Pandemi Covid-19 di semester 1 Tahun Pelajaran
2020/2021. Maka dari data hasil pengolahan data input nantinya dilakukan prediksi
tingkat pemahaman siswa yang mengacu kepada landasan teori tentang (JST)
metode Backpropagation. Analisa kebutuhan proses yaitu berupa pemodelan data
yang bertujuan untuk mendeskripsikan proses yang ada dalam program apliaksi
melalui sebuah bentuk pemodelan yaitu memakai Data flow Diagram (DFD) untuk
menggambarkan aliran data penelitian.
Tahap berikutnya melakukan analisa kebutuhan keluaran berupa rancangan
tampilan program aplikasi pada perancangan Interface. Perancangan interface
tersebut menggunakan beberapa perangkat lunak pendukung seperti PHP, Microsoft
visio dan lain-lain. Pada proses analisa sisten untuk melakukan prediksi tingkat
pemahaman siswa menggunakan metode Backpropagation, dilakukan dengan
mendefinisikan nilai awal untuk variabel- variabel yang diperlukan seperti
menentukan input, menentukan output, menetukan bobot, menentukan bias,
menentukan learning rate (α) atau nilai ambang/threashold (ө). Hal ini dapat
digambarkan melalui tahapan Algoritma Backpropagation sebagai berikut:

Algoritma Proses Backpropagation

1. Input data

2. Normalisasi Data Real

3. Melakukan Iterasi Pertama Hingga Akhir dari Data Pelatihan

4. Melakukan Pelatihan dan Menentukan parameter jaringan

5. Mencari eror terkecil

Gambar 4.2. Tahapan Algoritma Backpropagation

Sesuai dengan tahapan proses Algoritma Backpropagation pada Gambar 4.1,

dapat digambarkan melalui flowchart berikut:
 43

Gambar 4.3 Flowchart Algoritma Backpropagation

Pada Gambar 4.3 diperlihatkan alur dari proses Algoritma Backpropagation

pada penelitian ini yang meliputi star, input data, normalisasi data, melakukan iterasi
pertama hingga akhir, melakukan pelatihan menentukan parameter jaringan, mencari
error terkecil, melakukan pengujian metode Backpropagation sampai mendapatkan
hasil hingga proses berakhir.

Sesuai Flowchart diatas, dapat diuraikan langkah kerja Algoritma

Backpropagation seperti berikut:

4.3.1. Input Data

 44

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 :

Tabel 4.2. Data Nilai Input Untuk Pembelajaran

NO RT TGS RT TGS RT UH RATA-RATA

Daring (X1) Tatap Muka NILAI (T)
(X2) (X3)
1 84 85 80 83
2 76 80 75 77
3 80 81 76 79
4 91 90 76 86
5 83 78 77 79
6 98 95 95 96
7 87 86 90 88
8 83 86 80 83
9 91 82 80 84
10 85 83 85 84
11 81 90 77 82
12 89 89 80 86
13 81 82 75 80
14 80 82 78 80
15 78 78 75 77
 45

Tabel 4.2. Data Nilai Input Untuk Pembelajaran (Lanjutan)

NO RT TGS RT TGS RT UH RATA-RATA

Daring (X1) Tatap Muka NILAI (T)
(X2) (X3)
16 90 94 85 90
T
17 80 84 85 83
a 18 79 75 77 77
b 19 78 76 75 77
20 80 79 85 81
e 21 89 90 90 90
l 22 79 81 75 78
23 83 83 77 81
24 82 81 76 80
4
25 73 71 75 73
. 26 70 74 75 73
2 27 73 74 76 74
28 72 75 78 75
29 72 76 77 75
d 30 70 75 76 74
iatas dapat dijelaskan bahwa terdapat 3 data input meliputi RT Tgs
Daring (X1), RT Tgs Tatap Muka (X2), RT UH (X3) serta nilai rata-rata
seluruhnya (T). Berdasarkan pada data input diatas, terdapat beberapa
variabel yaitu X1, X2, X3 dan T sebagai data target. Keterangan variabel
secara lebih rinci disajikan pada Tabel 4.3 :

Tabel 4.3 Variabel Input

No Variabel Keterangan Inisial Nilai Input

1 X1 RT Tgs Daring Nilai desimal
2 X2 RT Tgs Tatap Muka Nilai desimal
3 X3 RT UH Nilai desimal

Penjelasan dari Tabel 4.3 yaitu X1 merupakan keterangan variabel

dari nilai rata-rata tugas daring (RT Tgs Daring ) X2 yaitu nilai rata-rata
tugas tatap muka (RT TGS Tatap Muka), X3 adalah nilai rata-rata
Ulangan Harian (RT UH).

2. Pendefinisian Output
 46

Hasil yang diharapkan pada tahap ini yaitu mendeteksi pola

menentukam nilai terbaik untuk memprediksi tingkat pemahaman siswa
terhadap bimbingan TIK. Berikut dijelaskan beberapa kriteria dalam hasil
pengujiannya yaitu:

a. Tingkat pemahaman siswa berdasarkan nilai kognitif dari

pembelajaran. Output dari tingkat pemahaman yaitu apakah siswa
memahami materi bimbingan TIK dengan bobot 1.
b. Kategorisasi “ memahami”, yaitu ditentukan oleh tingkat error
minimum dari target “ memahami” yang bobotnya 1. Maka
kategori ini disajikan pada Tabel 4.4:
Tabel 4.4 Data kategorisasi “ memahami ”

No Keterangan Error Minimum

1 Sangat Memahami 0.0000 - 0.0010
2 Memahami 0.0011 - 0.0100
3 Tidak memahami 0.0101 - 0.1000

Berdasarkan data kategorisasi diatas, hasil pengujian prediksi

tingkat pemahaman siswa dapat dikategorikan sesuai dengan data error
minimun pada JST metode Backpropagation yang telah ditetapkan
tersebut.

4.3.2. Normalisasi Data Real

Proses Normalisasi adalah suatu tahapa kerja untuk memindahkan angka

dari kolom menjadi baris dan bilangan bulat menjadi pecahan, hal tersebut
dilakukan agar data mudah untuk dilakukan proses perkalian bobot pada matlab
karena memiliki angka pecahan atau dinormalisasikan. Untuk menentukan prediksi
tingkat pemahaman siswa dalam pembelajaran daring dan tatap muka langsung di
masa Pandemi Covid-19, dilakukan proses pelatihan dan pengujian JST. Pada
penyelesaian masalah ini, penulis mengambil analisis data nilai kognitif
bimbingan TIK pada semester 1 Tahun Pelajaran 2020/2021. Tahap awal saat
melakukan normalisasi yaitu dengan menentukan data yang akan kita jadikan
input, selanjutnya menentukan nilai paling maksimum dan paling minimum dari
data nilai kognitif siswa.
 47

Data maksimum dan minimum ini dijadikan sebagai nilai untuk melengkapi
rumus dari normalisasi data untuk mendapatkan nilai terbaik, berikut ini rumus
dari normalisasi:

Xn‟ = 0,8(Sn-Min)/(Max-Min) + 0,1=N

Keterangan :

Xn = Input layer, input yang terdiri dari nilai kognitif bimbingan TIK

Sn = Nilai dari yang digunakan untuk normalisasi

Max = Nilai Tertinggi dari Rekap Data Siswa

Min = Nilai Terendah dari Rekap Data Siswa

N = Output dari nilai Normalisasi

Proses selanjutnya dilakukan input proses normalisasi berdasarkan Tabel 4.2

yang diperoleh data maksimum 98, dan data minimumnya 70. Data sampel proses
data pelatihan normlaisasi disajikan pada Tabel 4.5 Berikut:

Tabel 4.5. Sampel Proses Data Pelatihan Normalisasi

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

Maka didapatkan hasil target untuk data pertama yaitu 0.4471

Proses normalisasi ini berfungsi untuk memperoleh data yang dapat

digunakan sebagai input pada JST. Hasil normalisasi data dapat dilihat pada
Tabel 4.5, dengan pola data kognitif bimbingan TIK di masa Pandemi Covid-19
pada Semester 1 Tahun Pelajaran 2020/2021.

Tabel 4.6. Hasil Normalisasi Data Input dan Output Prediksi

Tingkat Pemahaman Siswa

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 :

Gambar 4.4. Arsitektur Jaringan Backpropagation

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).

4.3.3. Melakukan Iterasi Pertama Hingga Iterasi Terakhir

 50

Setelah selesai tahap normalisasi, maka dilanjutkan dengan melakukan iterasi

pada data pelatihan. Langkah-langkah iterasi pada Algoritma Backpropagation
menggunakan satu lapisan tersembunyi sebagai berikut: menentukan nilai awal serta
melakukan pendefenisian variabel-variabel, melakukan perhitungan dari nilai awal
yaitu perhitungan actual output pada hidden layer serta proses perhitungan actual
pada output layernya, melakukan perhitungan nilai error, yaitu menghitung nilai
error gradient pada hidden layer dan output layer, melakukan iterasi, yang mana
pada proses ini iterasi akan dilakukan jika error yang diharapkan belum tercapai.

4.3.4. Melakukan Pelatihan dan Menentukan Parameter Jaringan

Pada saat melakukan pelatihan dan menentukan parameter jaringan, terlebih

dahulu membentuk pola untuk identifikasi berdasarkan nilai kognitif bimbingan TIK,
dimana pola tersebut akan dikelompokkan berdasarkan variabelnya. Maka variabel-
variabel yang digunakan dalam membangun jaringan ini meliputi, iterasi (epochs),
laju pembelajaran (learning rate), jumlah neouron pada setiap hidden layer, goal,
epoch dan learning rate ditentukan dengan cara melihat Mean Square Error (MSE)
saat pelatihan dilakukan. Pada Awal pelatihan ditetapkan parameter dengan
arsitektur jaringan 3 masukan (input) dan 10 lapisan tersembunyi (hidden layer) dan
1 keluaran (output). Pemilihan bobot awal dan bias menghasilkan bobot awal
inisialisasi rendah. Jumlah pola yang dibutuhkan mempengaruhi tingkat akurasi.

Parameter jaringan untuk pelatihan adalah Jumlah hidden yang akan

dirancang yaitu 10 layer, epoch yang digunakan antara 1000 – 2000, dimana
kenaikan setiap epochnya 100, Menggunakan Learning rate (lr) yaitu: 0.1 dan 0.01
serta target error atau goal yang akan digunakan yaitu 0.1dan 0.01. Penentuan
parameter ini nantinya akan diuji pada Matlab untuk mengetahui proses
pembelajaran yang terbaik dari setiap percobaan yang dilakukan. JST yang akan
dibangun adalah dengan menggunakan algoritma Backpropagation dengan fungsi
aktivasi Sigmoid, fungsi aktivasi Sigmoid i ni yang akan dipakai untuk proses
perhitungan terhadap nilai aktual output pada hidden layer dan perhitungan nilai
aktual pada output layer.

4.3.5. Mencari Error Terkecil

 51

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.

4.3.6. Melakukan Pengujian Metode Backpropagation

Langkah selanjutnya yaitu melakukan pengujian metode Backpropagation,

dimana pada pada JST dengan menggunakan metode Backpropagation terdiri atas 2
tahapan, yaitu:
1. Tahapan Pelatihan
Pada proses pelatihan Backpripagation dimulai dengan membawa
sinyal pada layer input sampai pada layer output yang dilanjutkan dengan
membawa error dan koreksi bobot pada layer output hingga ke layer
input. Bobot akan dilatih dan diperbaiki secara berurutan pada setiap data
dan kondisikan terus berulang sampai kondisi terpenuhi, yaitu nilai error
dan jumlah iterasi maksimal yang telah ditentukan, artinya jika error yang
didapatkan lebih besar diandingkan error yang ditentukan, maka pelatihan
akan terus berulang hingga mencapai iterasi maksimal yang ditentukan.
2. Tahapan Pengujian
Bobot yang telah diperoleh dari tahapan pelatihan akan digunakan
sebagai pengujian. Tahap pengujian ini hanya menggunakan fase
feedforward, dimana hasil yang didapatkan merupakan keluaran berupa
prediksi tingkat pemahaman siswa, apakah sangat memahami, memahami
atau cukup memahami. Pengujian ini berdasarkan pada hasil nilai erorr
minimum JST dari data pelatihan dan pengujian.
 52

4.3.7 Hasil

Setelah normalisasi tersebut dirancang arsitektur jaringan dengan pola 3-10-1

menggunakan Algoritma Backpropagation dengan fungsi aktivasi sigmoid biner.
Berikut ini sampel hasil normalisasi untuk prediksi tingkat pemahaman siswa yang
disajikan pada Tabel 4.7:

Tabel 4.7. Sampel Hasil Normalisasi Untuk Pembelajaran JST

NO RT TgS Daring RT TgS Tatap RT UH (X3) RATA-RATA

(X1) Muka (X2) NILAI (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

Pada Tabel 4.7 diatas, ditampilkan sampel hasil normalisasi sebanyak 10

sampel data nilai, dimana pada masing-masing data tersebut terdiri atas nilai RT Tgs
daring (X1), RT Tgs Tatap Muka, RT UH (X3) serta nilai rata-rata (T). Selanjutnya
dari data sampel normalisasi tersebut, dilakukan pengolahan data menggunakan
Algoritma Backpropagation.
Pada perhitungan manual, hanya diberikan sampel data input dari data,
sebagai contoh pembuktian dengan menggunakan 3 Variabel input, yaitu X1, X2, dan
X3. dari Tabel 4.6 didapatkan bahwa : Data nilai input yang didapatkan sebagai
sampel yaitu nomor responden 1 : X1 = 0.4939, X2 = 0.5632, X3 = 0.3000 dan T =
[0.4471]. Berdasarkan dari data input dan target dari responden 1 tersebut diolah
menggunakan Algoritama Backpropagation.

Penyelesaian:

Iterasi 1
 53

Langkah 0

Inisialisasi semua bobot dengan bilangan menggunakan bilangan acak kecil.

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

Jika kodisi penghentian belum terpenuhi, lakukan langkah 2-9

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

Fase : Propagasi Maju

Langkah 3
Tiap unit masukan menerima sinyal dan meneruskan ke unit tersembunyi
Langkah 4
Hitung semua keluaran di unit tersembunyi (Zj).
Pada tahapan perambatan maju ini dilakuakan perhitungan bobot pada masing-
masing layer menggunakan fungsi aktivasi sigmoid, langkah-langkahnya sebagai
berikut :

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:

Tabel 4.9. Hasil Bobot dari Input Layer ke Hidden Layer

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

( )

( )

( )

( )

Hasil perhitungan fungsi aktivasi pada output actual sebagai berikut:

Tabel 4.10 Hasil Bobot dari Hidden Layer ke Output Layer

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

ynet1 = W0 + (W1*Z1) +(W2*Z2) +(W3*Z3) +(W4*Z4) +(W5*Z5) +(W6*Z6)

+(W7*Z7) +(W8*Z8) +(W9*Z9) +(W10*Z10)
ynet1 = 0.4075

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

Hitung faktor  di unit output (yk) dengan rumus

= 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

Tabel 4.11. Hasil Perbandingan Data Target Dengan Output Aktual

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

NO DATABASE SISTEM KETERANGAN

PREDIKSI HASIL
Daring Tatap RT T ERROR
Muka UH MINIMUM
1 84 85 80 83 0.04669958 Memahami
2 76 80 75 77 0.03039978 Memahami
3 80 81 76 79 0.03589972 Memahami
4 83 78 77 79 0.03649971 Memahami
5 83 86 80 83 0.06109941 Memahami
6 85 83 85 84 0.05049954 Memahami
7 87 86 90 88 0.06109941 Memahami
8 91 90 76 86 0.05469948 Memahami
9 91 82 80 84 0.04709958 Memahami
10 98 95 95 96 0.08409914 Sangat Memahami

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”.

4.4. Perancangan Sistem

4.4.1 Perancangan Arsitektur Jaringan Pada Matlab

 58

Penerapan JST dalam langkah prediksi tingkat pemahaman siswa yang

dibangun dengan menggunakan Algoritma Backpropagation (propagasi balik). Untuk
memudahkan pengguna dalam melakukan prediksi tingkat pemahaman siswa, maka
terlebih dahulu dirancanglah pola arsitektur jaringan dengan menggunakan Matlab
2018a yang berbasis Graphical User Interface (GUI). Kemudian berdasarkan pola
arsitektur rancangan tersebut dilakukan pengolahan dan pengujian data
menggunakan parameter yang telah ditentukan. Tampilan proses rancangan arsitektur
pada Matlab seperti disajikan pada Gambar 4.4:

Gambar 4.4 Proses Perancangan Arsitektur Jaringan Pada Matlab 2018a

Pada Gambar 4.4 diatas terlihat proses perancangan arsitektur jaringan

dengan menggunakan Training Function TRAINGD, Learning Function dan Tranfer
Function PURELIN dengan menggunakan 3 neuron input, 10 neurons hidden layer
serta 1 neouron Output.

Berikut tampilan jaringan arsitekturnya dengan pola 3-10-1 dengan

menggunakan apliaksi Matlab 2018a.
 59

Gambar 4.5 Pola Arsitektur Jaringan Pada Matlab

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

4.4.2. Perancangan Interface Sistem

1. Desain Input

Desain Input merupakan tampilan rancangan yang memuat data input

yang akan dimasukkan ke dalam sistem. Pada antar muka ini akan
ditampilkan beberapa menu meliputi home, data training, data testing,
backpropagation, hasil. Pada bagian input data pengguna harus
mendowload format xls seperti tampilan pada Gambar 4.5. Selanjutnya
data excel yang akan dilatih dan diuji akan diimport pada menu choose
file seperti tampilan berikut:

Gambar. 4.5 Desain Input Training

 60

Pada Gambar 4.5 diatas, terdapat beberapa menu pada aplikasi

pemahaman siswa meliputi menu Home, Data Training, Data Testing,
Backpropagation serta Hasil. Kemudian pada bagian Data input, terdapat
fitur Download format xls serta Choose File untuk mengupload data
yang akan diuji pada aplikasi tersebut.

2. Desain Proses Pelatihan Backpropagation

Pada bagian ini, terdiri atas beberapa kriteria Sebelum melakukan

proses pelatihan maka pengguna harus memilih kriteria pelatihan. Desain
proses Backpropagation pelatihan ini dapat dilihat pada Gambar 4.6 :

Gambar 4.6. Desain Proses Pelatihan Backpropagation

Pada Gambar 4.6 diatas terdapat beberapa elemen didalam desain

program proces Backpropagation meliputi learning rate, threshold,
training time, serta jumlah neuron network yang ingin dibuat pada input
layer, hidden layer dan output layer. Selanjutnya setelah semua item
tersebut diisi maka, dapat di klik tombol process untuk memulai process
atau mengklik tombol reset untuk mengganti data yang akan diproses.

3. Desain Output Hasil Pengujian Prediksi Tingkat Pemahaman Siswa

 61

Pada bagian ini merupakan desain tampilan hasil proses prediksi

tingkat pemahaman siswa terhadap Bimbingan TIK. Pada bagian ini, data
akan diprediksi untuk melihat seberapa akurat model ini dapat mengenali
data berdasarkan model arsitektur yang telah ditentukan. Adapun
tampilan desain output hasil pengujian prediksi tingkat pemahaman
siswa dapat disajikan pada Gambar 4.7 sebagai berikut:

Gambar 4.7. Desain Hasil Pengujian Prediksi Tingkat

Pemahaman

Pada Gambar 4.7 diatas, terlihat tampilan desain hasil pengujian

prediksi yang terdiri atas beberapa kolom data yang akan ditampilkan
yaitu no, nilai daring, tatap muka, ulangan harian, target, hasil, minimum
eror, keterangan (sangat memahami, memahami, cukup memahami).
 62

BAB V

IMPLEMENTASI DAN HASIL

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:

5.1.1 Spesifikasi Implementasi Perangkat Keras (Hardware)

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.

5.1.2 Spesifikasi Implementasi Perangkat Lunak (Software)

 63

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.

Berikut implmentasi perangkat lunak yang digunakan antara lain:

1. Operating System : Windows 10 Pro Education 64-bit
2. Microsoft Word 2013
3. Google Chrome
4. Notepad ++
5. Perangkat lunak lainnya

5.2. Implementasi Pelatihan Arsitektur Jaringan Pada Matlab

Perancangan arsitektur jaringan dengan menggunakan software Matlab
yang berbasis Graphical User Interface (GUI) bertujuan untuk menentukan pola
arsitektur jaringan terbaik berdasarkan parameter yang telah ditetapkan pada bab 4.
Pada penelitian ini dilakukan perancangan arsitektur dengan pola 3-10-1 dengan
menggunakan Training Function yaitu TrainGD, Adaption Learning Function yaitu
LearnGD dan Tranfer Function PURELIN dengan menggunakan 3 neuron input, 10
neurons hidden layer serta 1 neouron Output.. Sebagaimana pada bab sebelumnya
telah dijelaskan mengenai variabel input dan output yaitu data input diambil dari
rata-rata nilai tugas kognitif bimbingan TIK , dimana data tersebut sebelumnya harus
dinormalisasi terlebih dahulu. Selanjutnya data yang telah di normalisasikan tersebut
dilatih dan diuji pada sistem. Implementasi dari rancangan arsitektur tersebut
disajikan pada Gambar 5.1 sebagai berikut :
 64

Gambar 5.1. Proses Perancangan Arsitektur JST Pada Matlab

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

Gambar 5.2 Tampilan Pola Pelatihan arsitektur 3-10-1

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

Gambar . 5.3 Tampilan Regression pada epoch 1

PadaGambar diatas, Regression pada pola jaringan dengan menggunakan

arsitektur 3-10-1 dan epoch 1 dan Ir.0.1 dan goal. 0.1 memperoleh nilai
regression hingga0.97566. Maka hasil ini terlihat belum masih sangat jauh dari
target yang diharapkan. Selanjutnya dilakukan kembali pelatihan jaringan hingga
mencapai epoch 1000.

Berikut Tampilan Peformance arsitektur 3-10-1 pada epoch 1000 disajikan

pada Gambar 5.13 sebagai berikut:
 67

Gambar 5.4 Hasil Performance pada Epoch 1000

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.

5.3. Implementasi Sistem Aplikasi Prediksi Tingkat Pemahaman Siswa

 68

Pada pengimplementasian sistem prediksi tingkat pemahaman siswa dalam

pembelajaran daring dan tatap muka langsung di masa Pandemi Covid-19 dengan
menggunakan metode Backpropagation ini terdapat beberapa form yang saling
berhubungan dengan sistem ini. Pada sistem ini juga digunakan software
penunjang seperti Web Browser sebagai komponen dalam mengoperasikan program
ini. Adapun web browser yang peneliti gunakan dalam menjalankan aplikasi sistem
prediksi tingkat pemahaman siswa ini adalah Google Chrome.

5.3.1. Instalasi Xampp

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.

Gambar 5.5. Tampilan XAMPP Control

Gambar 5.5 diatas, menunjukkan tampilan hasil Xampp yang telah terinstal
dan dijalankan pada sistem, dimana dengan mengklik tombol star pada bagian
Apache dan My SQl hmaka program aplikasi dapat digunakan.

5.3.2. Tampilan Aplikasi Web Browser

 69

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:

Gambar 5.6. Tampilan Local Host Program

Pada Gambar 5.6 diatas memperlihatkan tampilan dari Web Browser

dimana menampilkan local host program web browser ketika dijalankan.

5.3.3. Tampilan Aplikasi

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.

5.3.4. Tampilan Aplikasi Bagian Admin-Home

 70

Tampilan aplikasi bagian admin-home merupakan bagian tempat basis data

disimpan . Adapun tampilannya dapat disajikan pada Gambar 5.3 sebagai berikut:

Gambar. 5.7 Tampilan Apliaksi Bagian Admin

Pada Gambar 5.3 diatas memperlihatkan tampilan dari Aplikasi Bagian
admin di mana pada bagian ini tersimpan basis data yang akan digunakan untuk
prediksi tingkat pemahaman siswa.

5.3.5 Tampilan Basis Data

Tampilan Basis data pada aplikasi prediksi tingkat pemahaman siswa sebagai
berikut:

Gambar 5. 8. Tampilan Basis Data

 71

Pada Gambar 5.8 diatas memperlihatkan tampilan dari Aplikasi Bagian

Basis Data di mana pada bagian ini tersimpan basis data yang diberi nama
db_salmiati yang akan digunakan untuk prediksi tingkat pemahaman siswa.

5.3.6. Tampilan Aplikasi Bagian User-Tingkat Pemahaman

Adapun form yang telah dibuat pada sistem tersebut adalah sebagai berikut:
1. Home
Implementasi Tampilan awal saat mengakses aplikasi dapat dilihat
seperti berikut:

Gambar. 5.9. Tampilan User- Home

Pada Gambar 5.5 diatas memperlihatkan tampilan pada user home , di

mana terdapat fitur-fitur seperti data konversi, data input, Backpropagation
dan hasil serta tampilan home overview seperti yang tertera pada Gambar
tersebut.

2. Data Konversi
 72

Pada bagian ini, konversi hasil akhir Backpropagation dengan keterangan

yang ada, bisa di input baru dan dihapus serta pada bagian konversi ini tidak
ada tombol edit karena jika konversi tidak digunakan langsung bisa dihapus.

Adapun tampilan data konversi pada apliksi ini dapat dilihat pada
Gambar 5.10 sebagai berikut:

Gambar. 5.10. Tampilan Data Konversi

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

Berisi data input yang digunakan untuk proses backpropagation

dengan cara import file dengan type “xls” atau “Excel 98 – 2003” sesuai
format yang disediakan pada aplikasi. Setelah itu user dapat menginputkan
 73

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:

Gambar. 5.11. Tampilan Data Input

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.

4. Proses Backpropagation sebelum di klik Proses.

 74

Pada bagian fitur Backpropagation, terdapat pilihan fitur learning rate

yang akan digunakan sebelum di klik proses, dimana user dapat
menginputkan nilai lerningrate untuk prediksi hasil tingkat pemahaman siswa
sesuai ketentuan yang telah ditetapkan.

Tampilan sebelum Proses Backpropagation dapat dilihat sebagai

berikut:

Gambar. 5.7. Tampilan Backpropagation sebelum proses

Pada Gambar 5.7 diatas dapat dilihat tampilan Backpropagation

sebelum proses input nilai learning rate. Setelah data learning rate diinput,
maka dapat di klik menu Process untuk mendapatkan hasil tingkat
pemahanan

5. Tampilan Backpropagation Setelah diklik Tombol Proses.

 75

Ini merupakan kelnjutan dari pada Process Backpropagation , dimana

setelah diinputkan nilai leraning ratenya, maka hasil proses dapat dilihat
pada Gambar 5.8 :

Gambar. 5.8. Tampilan Backpropagation setelah proses

Pada Gambar 5.8 diatas dapat dilihat tampilan Backpropagation

setelah proses input nilai learning rate sebesar 0.1, maka kelurlah data hasil
proces backpropagation dengan nilai leraning rate seperti gambar tersebut.

6. Tampilan Hasil
Tampilan Kumpulan hasil proses Backpropagation setelah proses
backpropagation dilakukan sebagai berikut:
 76

Gambar. 5.9. Tampilan Proses Backpropagation Setelah di Print

Pada Gambar 5.9 diatas dapat dilihat tampilan Backpropagation
setelah proses input nilai learning rate 0.1, dimana sudah terdeteksi tingkat
pemahaman siswa pada kolom keterangan. Pada aplikasi diatas diinputkan
data hasil pengolahan JST dengan metode Backpropagation sehingga dapat
dilihat hasil prediksi tingkat pemahaman siswa sesuai kategori yang telah di
tetapkan. Adapun Tabel Uji Coba Program inputan pengolahan data nilai
dalam pembelajaran daring dan tatap muka langusung dapat dilihat pada
Tabel 5.1 sebagai berikut:

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

81.4286 82.2500 75.0000 0.373 79.5595

80.4286 81.7500 78.0000 0.387 80.0595
77.8571 77.5000 75.0000 0.293 76.7857
90.0000 93.7500 85.0000 0.659 89.5833
80.4286 83.7500 85.0000 0.473 83.0595
79.4286 75.0000 77.0000 0.304 77.1429
78.2857 76.2500 75.0000 0.286 76.5119
79.5714 78.7500 85.0000 0.417 81.1071
88.8571 90.0000 90.0000 0.661 89.6190
78.8571 81.2500 75.0000 0.339 78.3690
83.0000 82.5000 77.0000 0.409 80.8333
81.5714 81.2500 76.0000 0.374 79.6071
72.5714 71.2500 75.0000 0.184 72.9405
69.7143 73.7500 75.0000 0.181 72.8214
72.7143 73.7500 76.0000 0.218 74.1548
71.5714 75.0000 78.0000 0.238 74.8571
72.0000 76.2500 77.0000 0.245 75.0833
69.8571 75.0000 76.0000 0.203 73.6190

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 :

Dengan menggunakan program pengujian berbasis PHP dalam penerapan

metode Backpropagation untuk mengukur tingkat pemahaman siswa dalam
pembelajaran daring dan tatap muka langsung dimasa Pandemi Covid-19
 78

diperoleh tingkat akurasi sebesar 100%. Dengan demikian maka metode

Backpropagation dengan sistem pengujian memakai PHP dapat digunakan
untuk mengukur tingkat pemahaman siswa dalam pembelajaran daring dan
tatap muka langsung di masa Pandemi Covid-19.
79
 80

BAB VI

KESIMPULAN DAN SARAN

6.1 Kesimpulan

Berdasarkan hasil pembahasan dan hasil pengujian yang telah dilakukan,

maka dapat disimpulkan sebagai berikut:

1. Implementasi model arsitektur sistem Jaringan Syaraf Tiruan untuk

memprediksi tingkat pemahaman siswa dalam pembelajaran daring dan
tatap muka langsung di masa Pandemi Covid-19 terhadap bimbingan TIK
telah menghasilkan pola 3-10-1.
2. Hasil dari perhitungan JST dengan metode Backpropagation berdasarkan
arsitektur 3-10-1, selanjutnya diuji dengan menggunakan aplikasi berbasis
PHP, menghasilkan nilai persentase tingkat pemahaman siswa, sehingga
diperoleh nilai akurasi dalam prediksi dengan data input nilai kognitif
siswa kelas IX yang mengikuti kegiatan bimbingan TIK dalam masa
Pandemi covid 19 dalam pembelajaran daring dan tatap muka langsung
pada semester 1 Tahun Pelajaran 2020/2021 di SMP Negeri 1 Lengayang.
3. Hasil pengujian akurasi prediksi tingkat pemahaman secara daring dan
tatap muka langsung dengan pola 3-10-1 didapatkan nilai akurasi terbaik
mencapai 100 %. Hasil prediksi dapat mengukur tingkat pemahaman
belajar siswa dimasa Pandemi Covid 19 terhadap bimbingan TIK dari 30
Siswa dengan tingkat “ memahani” 98 % dan tidak memahami 2 %

6.2 Saran

Penulis memberikan beberapa saran untuk pengembangan penelitian ini lebih

lanjut, antara lain sebagai berikut:
 81

1. Untuk pengembangan pelatihan berikutnya sebaiknya menggunakan data

input lebih banyak, supaya hasil prediksi mencapai nilai akurasi terbaik
yang lebih akurat.
2. Sebaiknya melakukan prediksi tingkat pemahaman siswa terhadap mata
pelajaran lain dimasa Pandemi Covid-19 dengan pola arsitektur jaringan
yang berbeda serta menggunakan aplikasi selain dari berbasis web untuk
menguji akurasi prediksinya.
 82

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

Dan Informatika), 1(1), 24. https://doi.org/10.30645/j-sakti.v1i1.26

Syah, R. H. (2020). Dampak Covid-19 pada Pendidikan di Indonesia: Sekolah,
Keterampilan, dan Proses Pembelajaran. In SALAM: Jurnal Sosial dan Budaya
Syar-i (Vol. 7, Issue 5). https://doi.org/10.15408/sjsbs.v7i5.15314
Wahyudin, D. (2010). Model pembelajaran ICARE pada kurikulum mata pelajaran
TIK di SMP. Jurnal Penelitian Pendidikan, 11(1), 23–33.
Yessa, A. R., & Hardjianto, M. (2020). Prediction of Water Use Using
Backpropagation Neural Network Method and Particle Swarm Optimization. Bit
Tech, 2(3).
Zola, F., Nurcahyo, G. W., & Santony, J. (2018). Jaringan Syaraf Tiruan
Menggunakan Algoritma Backpropagation Untuk Memprediksi Prestasi Siswa.
Jurnal Teknologi Dan Open Source, 1(1), 58–72.
https://doi.org/10.36378/jtos.v1i1.12