Rekomendasi Paket Mata Pelajaran SMA Kurikulum Merdeka Menggunakan Algoritma Backpropagation
DOI:
https://doi.org/10.52436/1.jpti.1446Kata Kunci:
Backpropagation (BP), Kurikulum Merdeka, mata pelajaran pilihanAbstrak
Pemahaman tentang potensi diri, yang meliputi bakat, minat, dan kemampuan bagi setiap siswa merupakan kunci keberhasilan dalam meniti karier masa depan. Pada kenyataannya, hubungan antara bakat, minat dan kemampuan sangatlah kompleks, yang sangat sulit diselesaikan dengan menggunakan aturan-aturan pemrograman sederhana (rule-based system). Penelitian ini mengembangkan rekomendasi paket mata pelajaran pilihan bagi siswa Sekolah Menengah Atas (SMA) sesuai dengan kebijakan pemerintah yang tertuang dalam kurikulum merdeka yaitu sekolah mengorganisasikan 9 mata pelajaran pilihan ke dalam 4 kelompok peminatan (paket). Algoritma Backpropagation diimplementasikan dalam penelitian ini karena efektivitasnya dalam memproses pola data kompleks melalui mekanisme pembelajaran adaptif untuk menghasilkan rekomendasi paket mata pelajaran yang akurat bagi siswa. Model ini mengintegrasikan 13 variabel input yang mencakup nilai tes diagnostik pada 9 mata pelajaran pilihan sebagai representasi bakat, serta 4 paket pilihan sebagai representasi minat siswa. Adapun output yang dihasilkan berupa klasifikasi 4 paket mata pelajaran berdasarkan capaian prestasi akademik selama masa pembelajaran. Arsitektur jaringan saraf tiruan yang dikembangkan menggunakan konfigurasi 13-13-4, yang terdiri dari 13 neuron pada input layer, 13 neuron pada hidden layer, dan 4 neuron pada output layer sebagai representasi pilihan paket. Pembagian data strategis berbasis domain atau transfer learning pada model diterapkan untuk mempertahankan akurasi personalisasi rekomendasi yang tangguh terhadap karakteristik lintas angkatan. Rekomendasi berupa paket mata pelajaran pilihan dihasilkan melalui proses training pada data pelatihan (source domain). Dengan melakukan modifikasi parameter bobot secara berulang yang bertujuan untuk meminimalisir kesalahan yaitu Mean Square Error (MSE) antara nilai aktual dengan nilai prediksi. Pengamatan terhadap grafik nilai MSE dilakukan pada setiap modifikasi parameter, sampai dengan diperoleh fenomena grafik MSE yang mengalami penurunan secara signifikan (konvergen). Hasil validasi pada data pengujian (target domain) memunjukkan bahwa kinerja model yang dikembangkan adalah sangat memuaskan. Accuracy mencapai 91,52%, menunjukkan bahwa output yang dihasilkan model adalah benar. Precision sebesar 99,71% menunjukkan tingkat kesalahan yang sangat rendah dalam mengidentifikasi paket mata pelajaran yang relevan. Selain itu, nilai recall sebesar 91,72%, dan F1-score sebesar 95,55% semakin menegaskan keandalan dan efektivitas model dalam memberikan rekomendasi yang akurat dan relevan. Tingginya nilai efektivitas pada seluruh metrik evaluasi membuktikan bahwa pembelajaran adaptif pada Backpropagation mampu menangani pola data pendidikan yang kompleks secara akurat. Penelitian ini memberikan kontribusi praktis dalam membantu siswa menentukan pilihan paket mata pelajaran yang selaras dengan potensi diri, yang secara jangka panjang diproyeksikan dapat meningkatkan kesiapan siswa dalam meniti karier masa depan.
Unduhan
Referensi
A. Aryanto et al., Panduan Pemilihan Mata Pelajaran Pilihan di SMA/MA/Bentuk Lain yang Sederajat, Jakarta: Kementerian Pendidikan, Kebudayaan, Riset, dan Teknologi, 2022.
F. Zulfikar, "https://www.detik.com/", 26 11 2021. [Online]. Available: https://www.detik.com/edu/detikpedia/d-5828770/87-persen-mahasiswa-ri-merasa-salah-jurusan-apa-sebabnya. [Accessed 22 09 2025].
A. A. Butt et al., "Comparative analysis of the rule-based and machine learning approach for assessing student reflections," in International Society of the Learning Series, Hiroshima, 2022.
A. Hosna, E. Merry, J. Gyalmo, Z. Alom, Z. Aung and M. A. Azim, "Transfer Learning: a Friendly Introduction," Journal of Big Data, vol. 9, p. 102, 2022.
S. M. Bhatt, K. Verbert and W. V. D. Noortgate, "Teacher-Centric Educational Recommender Systems In K12 Practice: Usage and Evaluation," Heliyon, vol. 11, p. e42012, 2025.
C. F. Rodriguez-Hernandez, M. Musso, E. Kyndt and E. Cascallar, "Artificial Neural Networks In Academic Performance Prediction: Systematic Implementation and Predictor Evaluation," Computers and Education: Artificial Intelligence, vol. 2, p. 100018, 3 2021.
N. Endut, W. M. A. F. W. Hamzah, I. Ismail, M. K. Yusof, Y. A. Baker and H. Yusoff, "A Systematic Literature Review on Multi-Label Classification based on Machine Learning Algorithms," TEM Journal, vol. 11, pp. 658-666, 2022.
S. Algarni and F. T. Sheldon, "Personalized Course Recommendations Leveraging Machine and Transfer Learning Toward Improved Student Outcomes," Machine Learning and Knowledge Extraction, vol. 7, p. 138, 11 2025.
D. E. Rumelhart et al., "Learning Representations By Back-propagating Errors," Nature, vol. 323, pp. 533-536, 1986.
M. Sabzi-Nojadeh et al., "Modeling the Essential Oil and Trans-Anethole Yield of Fennel (Foeniculum vulgare Mill. var. vulgare) by Application Artificial Neural Network and Multiple Linear Regression Methods," Agriculture, p. 17, 26 11 2021.
A. I. Rodriguez P. and X. D. Buitrago R., "How to Choose an Activation Function for Deep Learning," Tekhne, vol. 19, pp. 23-32, 5 2022.
M. F. V. Ruslau, R. A. Pratama, M. Betaubun and D. R. Suryani, "Multiclass Classification Using Backpropagation," IJCST-ICST, vol. 012037, p. 1454, 2024.
Y. Cui et al., "Investigation On The Ignition Delay Prediction Model of Multi-Component Surrogates Based On Back Propagation (BP) Neural Network," Combustion and Flame, p. 16, 19 11 2021.
S. Nasir and A. S. Berrouk, "Numerical and Intelligent Neuro-Computational Modelling With Fourier’s Energy and Fick’s Mass Flux Theory of 3D Fluid Flow Through a Stretchable Surface," Engineering Applications of Computational Fluid Mechanics, vol. 17, p. 21, 2023.
G. M. M. Alshmrani et al., "A Deep Learning Architecture For Multi-Class Lung Diseases Classification Using Chest X-Ray (CXR) Images," Alexandria Engineering Journal, vol. 64, pp. 923-935, 2022.
I. Kamarudin et al., "Bab 5 Teknik Pengumpulan Data," in Metodologi Penelitian Kuantitatif, Padang, PT. Global Eksekutif Teknologi, 2023, p. 68.
M. Prasad and Srikanth T, "Clustering Accuracy Improvement Using Modified Min-Max Normalization Technique," Preprint.org, p. 4, 2024.
D. Gostautaite and L. Sakalauskas, "Multi-Label Classification and Explanation Methods for Students Learning Style Prediction and Interpretation," Applied Science, vol. 12, p. 5396, 5 2022.
N. L. Rane, S. P. Choudhary and J. Rane, "Ensemble Deep Learning and Machine Learning: Application, Opportunities, Challenges, and Future Directions," Studies in Medical and Health Sciences, vol. 5, no. 2, pp. 18-41, 2024.
M. Iman, H. R. Arabnia and K. Rasheed, "A Review of Deep Transfer Learning and Recent Advancements," MDPI, vol. 11, p. 40, 3 2023.
A. Geron, Hands-on Machine Learning with Scikit-Learn, Keras & TensorFlow, Sebastopol: O'Reilly Media, Inc, 2019.
K. Wong, R. Dornberger, and T. Hanne, "An Analysis of Weight Initialization Methods In Connection With Different Activation Functions For Feedforward Neural Networks," Evolutionary Intelligence, p. 9, 2022.
C. Desai, "Impact of Weight Initialization Techniques on Neural Network Efficiency and Performance: A Case Study with MNIST Dataset," www.ijecs.in, vol. 13, p. 6, 2024.
M. M. Hammad, Artificial Neural Network and Deep Learning: Fundamentals and Theory, Damanhour, 2024.
O. A. M. Lopez, A. M. Lopez and J. Crossa, Multivariate Statistical Machine Learning Methods for Genomic Prediction, Mexico: Springer, 2022.
S. T. J. and K. K. E., "Impact of Weight Initialization on the Performance of Neural Networks," Applied Sciences, vol. 12, p. 2456, 2022.
H. Lee, Y. Kim, S. Y. Yang and H. Choi, "Improved Weight Initialization for Deep and Narrow Feedforward Neural Network," Neural Network, p. 176, 2024.
Z. Sabir and M. Umar, "Levenberg-Marquardt Backpropagation Neural Network Procedures for The Consumption of Hard Water-Based Kidney Function," International Journal of Mathematics and Computer in Engineering, vol. 1, pp. 127-138, 2023.
D. Vithanage et al., "Evaluating Approaches of Training a Generative Large Language Model for Multi-Label Classification of Unstructured Electronic Health Records," MedRxiv, p. 25, 2024.
P. S. Rana, Kalpana, Chahat, S. K. Modi, A. L. Yadav and S. Singla, "Comparative Analysis of Tree-Based Models and Deep Learning Architectures for Tabular Data," in ICACCTech, 2023.
T. Sutojo, E. Mulyanto and V. Suhartono, Kecerdasan Buatan, Yogyakarta: Penerbit Andi, 2011.
I. Goodfellow, Y. Bengio and A. Courville, Deep Learning, MIT, 2017.
P. Mirza, A. Vatres, F. Ferizbegovic, H. Bajric and M. Pasic, "Machine Learning Prediction and Analysis of Students’ Academic Performance," Periodicals of Engineering and Natural Sciences, vol. 11, pp. 27-46, 10 2023.
P. A. J., P. R. H. Y. and F. M. A., "Optimization of Artificial Neural Network using Sigmoid Activation Function for Prediction," Journal of Physics: Conference Series, vol. 1899, p. 012112, 2021.
E. Chris, A. Johnson and G. Phonix, "Deep Learning vs. Traditional Machine Learning: Key Differences," 11 2024.
C. Li, I. Ishak, H. Ibrahim, M. Zolkepli, F. Sidi and C. Li, "Deep Learning-Based Recommendation System: Systematic Review and Classification," IEEE Access, vol. 11, pp. 113790-113835, 10 2023.
