Pengembangan tes minat dan bakat dengan metode jaringan syaraf tiruan (JST) untuk memprediksi potensi siswa bidang robotika

Abstract

Penelitian pengembangan ini bertujuan untuk: (1) mengembangkan model tes minat dan bakat dengan metode jaringan syaraf tiruan; (2) memperoleh hasil uji fungsionalitas tes minat dan bakat yang dikembangkan dengan model Jaringan Syaraf Tiruan (JST); dan (3) memperoleh hasil unjuk kerja dari pengujian tes minat dan bakat dengan model jaringan syaraf tiruan untuk memprediksi potensi siswa bidang robotika. Penelitian ini merupakan penelitian dan pengembangan. Subjek uji coba dibagi menjadi dua, uji coba secara terbatas pada 10 siswa dan uji coba secara luas sebanyak 31 siswa. Hasil dari penelitian pengembangan ini adalah: (1) keberhasilan produk yang dikembangkan dengan beberapa spesifikasi model yaitu; (a) JST dibangun dengan struktur single layer, jawaban tes sebagai masukan dan kesimpulan hasil tes sebagai keluaran; (b) Model pembelajaran JST menggunakan metode perceptron dengan model aktifasi pada JST menggunakan model bipolar (symmetric hard limit); (2) Proses pembelajaran secara terbimbing dengan 10 pola mendapatkan bobot yang dapat membedakan 10 pola dengan tepat, berdasar pengujian secara terbalik. (3) Pengujian secara luas menunjukan produk yang dibangun mampu memprediksi potensi siswa dalam bidang robotika, dengan membedakan 31 pola hasil tes siswa yang berbeda dengan menggunakan bobot yang didapat dari 10 pola pembelajaran.

DEVELOPING INTEREST AND TALENT TEST USING ARTIFICIAL NEURAL NETWORK (ANN) TO PREDICT STUDENTS’ APTITUDE IN ROBOTICS

Abstract

This investigation was aimed: (1) to develop the model of interest and talent test using ANN; (2) to obtain the results of functionality examination of interest and talent test which is developed using ANN; and (3) to obtain the results of the performance from the examination of interest and talent test which is developed using ANN to predict students’ aptitude in robotics. This study was a research and development. Subjects were divided into two trials, limited trial was given to 10 trainee students, and wider trial was tested on the 31 students. From the analysis, it can be concluded that: (1) the success of the products developed had some model specifications as follows; (a) ANN was built with a single-layered structure, the answers to the test was the input and the conclusion of the test was as output. (b) ANN learning model used a neural network perceptron method with activation of the ANN using bipolar model (symmetric hard limit). (2) The learning process was guided by the 10 patterns that could be weighted appropriately to distinguish 10 patterns, based on testing in reverse. (3) Extensive testing showed the developed product was able to predict the aptitude of students in the field of robotics, by distinguishing 31 different student examination result pattern using the weights obtained from the 10 patterns of learning.