JEPIN (Jurnal Edukasi dan Penelitian Informatika) ISSN(e): 2548-9364 / ISSN(p) : 2460-0741 Vol. 7 No. 2 Agustus 2021 Submitted 26-07-2021; Revised 09-08-2021; Accepted 22-06-2021 293 Model berbasis Sistem Kecerdasan Buatan yang Efektif: Analisis Kebijakan bagi Siswa Mengulang Indra Prasetia #1 , Muhammad Noor Hasan Siregar *2 , Rusmin Saragih -3 # Universitas Muhammadiyah Sumatera Utara Jl. Kapten Muchtar Basri No.3, Glugur Darat II, Kec. Medan Tim., Kota Medan, Sumatera Utara 20238 1 indraprasetia@umsu.ac.id * Universitas Graha Nusantara, Padangsidimpuan, Sumatera Utara Jl. Dr. Sutomo, Wek I, Padangsidimpuan Utara, Kota Padang Sidempuan, Sumatera Utara 22718 2 noor.siregar@gmail.com - STMIK Kaputama Jl. Veteran No.4A, Tangsi, Kec. Binjai Kota, Kota Binjai, Sumatera Utara 20714 3 evitha12014@gmail.com Abstrak— Pendidikan Sekolah Dasar (SD) sangat penting dalam memberikan keterampilan dasar yang dibutuhkan siswa untuk bertahan dalam mengikuti dan memahami kelas- kelas pada jenjang di atasnya sehingga jika pondasi pendidikan SD kuat maka dapat meningkatkan kualitas pendidikan di Indonesia. Tujuan dari penelitian adalah membuat model arsitektur terbaik yang akan digunakan untuk melakukan peramalan pada jumlah siswa mengulang berdasarkan provinsi pada jenjnag Sekolah Dasar baik negeri dan swasta dengan model berbasis sistem kecerdasan buatan. Sumber data berasal dari data statistik pendidikan dengan url: http://statistik.data.kemdikbud.go.id/. Data terdiri dari 34 provinsi untuk tahun ajaran 2017/2017; 2017/2018; 2018/2019; 2019/2020. Metode solusi yang digunakan adalah back-propagation yang merupakan bagian dari sistem kecerdasan buatan dimana dalam menentukan model arsitektur terbaik dilakukan dengan menguji serangkaian arsitektur (2-5-1; 2-10-1; 2-15-1 dan 2-20-1) mengunakan fungsi aktivasi sigmoid dan parameter pendukung seperti performFcn = MSE; goal = 0.001; epochs = 10000; mc = 0.95 dan lr = 0.1. Hasil menunjukkan back-propagation dapat diterapkan untuk melakukan peramalan dengan sistem kecerdasan buatan dengan menghasilkan sebuah model arsitektur terbaik yakni 2-10-1 dengan MSE pelatihan adalah 0.00099299, koefisien korelasi (R) pelatihan adalah 0.976972 pada epoch 81, MSE pengujian adalah 0.001325, koefisien korelasi (R) pengujian dengan akurasi 85%. Fakta baru menyebutkan bahwa akurasi sangat tergantung terhadap banyaknya data. Selain harus memperhatikan MSE, epoch dan durasi waktu pelatihan. Diharapkan model arsitektur ini dapat membantu melakukan peramalan terhadap jumlah siswa mengulang pada jenjang Sekolah Dasar sehingga hasil dari peramalan dapat digunakan untuk membuat analisis kebijakan. Kata kunci— Siswa mengulang, model arsitektur, JST, back- propagation, Indonesia, Sekolah Dasar I. PENDAHULUAN Sekolah Dasar (SD) merupakan salah satu bentuk satuan pendidikan dasar yang melandasi sekolah menengah atas sebagaimana diatur dalam UU No. 20 Tahun 2003 dan Jenis Pendidikan Pasal 17 (1) [1]. Pendidikan Sekolah Dasar di Indonesia masih sangat memprihatinkan. Padahal pendidikan SD sangat penting dalam memberikan keterampilan dasar yang dibutuhkan siswa untuk bertahan dalam mengikuti dan memahami kelas-kelas pada jenjang di atasnya. Jika memungkinkan untuk memperkuat pondasi pendidikan sejak SD maka beban pada jenjang pendidikan selanjutnya akan berkurang sehingga dapat meningkatkan kualitas pendidikan di Indonesia [2]. Pada prinsipnya pengulangan kelas dapat dilakukan sebagai proses belajar dimana hal ini dibenarkan dalam teori psikologi. Dengan mengadakan pengulangan maka daya tersebut akan berkembang. Daya itu merupakan daya yang melatih, daya mengamati, menanggapi, mengingat, mengkhayal, merasakan, dan berfikir [3]. Pada penelitian ingin dilakukan peramalam terhadap jumlah siswa mengulang berdasarkan provinsi untuk jenjang pendidikan Sekolah Dasar baik negeri dan swasta menggunakan sistem kecerdasan buatan. Hal ini dilakukan untuk dapat membuat kebijakan berdasarkan data peramalan yang dihasilkan. Data yang digunakan berasal dari data statistik pendidikan dengan url: http://statistik.data.kemdikbud.go.id/. Analisis peramalan perlu dilakukan mengingat kebanyakan metode statistik untuk peramalan yang digunakan pada saat ini memiliki kelemahan karena data yang digunakan untuk peramalan harus bersifat linear dan hasil tingkat akurasi yang kurang baik [4]. Beberapa metode statistik yang banyak digunakan adalah Exponential Smoothing (ES), SARIMA dan ARIMA) [5]–[7]. Untuk mengatasi kelemahan tersebut maka digunakan analisis peramalan dengan memanfaatkan teknik sistem kecerdasan buatan (artificial intelligence) [8]. Salah satu teknik yang