SISTEM PREDIKSI KETUNTASAN BELAJAR SISWA BERBASIS WEBSITE MENGGUNAKAN RECURRENT NEURAL NETWORK BERDASARKAN ANALISIS NILAI UJIAN DAN KEHADIRAN

Sidiq, Rivandi Nur (2025) SISTEM PREDIKSI KETUNTASAN BELAJAR SISWA BERBASIS WEBSITE MENGGUNAKAN RECURRENT NEURAL NETWORK BERDASARKAN ANALISIS NILAI UJIAN DAN KEHADIRAN. Skripsi thesis, UNIVERSITAS SANGGA BUANA YPKP.

	Text cover.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (120kB)
	Text lembar pengesahan Rivandi.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (627kB)
	Text lembar pernyataan.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (147kB)
	Text Abstrak rivandi .pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (126kB)
	Text BAB 1.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (286kB)
	Text Skripsi full.pdf - Accepted Version Restricted to Repository staff only Available under License Creative Commons Public Domain Dedication. Download (3MB) | Request a copy
	Text Datfar pustaka.pdf - Bibliography Available under License Creative Commons Public Domain Dedication. Download (261kB)
	Text Plagiat rivandi.pdf - Accepted Version Available under License Creative Commons Public Domain Dedication. Download (226kB)

Abstract

Ketuntasan belajar siswa merupakan indikator penting dalam mengukur keberhasilan proses pendidikan. Namun, proses evaluasi ketuntasan yang dilakukan secara manual masih menyisakan berbagai kendala, seperti keterlambatan analisis, kurangnya akurasi, dan keterbatasan visualisasi data bagi guru dan orang tua. Penelitian ini bertujuan untuk membangun sistem prediksi ketuntasan belajar berbasis website dengan memanfaatkan algoritma Recurrent Neural Network (RNN) untuk memberikan hasil prediksi yang akurat dan real-time. Data yang digunakan mencakup nilai ujian tengah semester (UTS), ujian akhir semester (UAS), serta data kehadiran siswa dari tahun-tahun sebelumnya. Proses pengembangan sistem dilakukan melalui pendekatan System Development Life Cycle (SDLC), dimulai dari tahap analisis kebutuhan, perancangan sistem, pengembangan model prediksi, hingga implementasi antarmuka pengguna. Model RNN yang digunakan dirancang untuk memproses data sekuensial siswa dan memprediksi apakah siswa berpotensi mencapai Kriteria Ketuntasan Minimal atau tidak. Hasil pengujian menunjukkan bahwa sistem mampu memberikan prediksi dengan tingkat akurasi rata-rata mencapai 88–90,2%, serta menyediakan visualisasi data akademik dalam bentuk grafik yang mudah dipahami oleh guru maupun orang tua. Sistem ini tidak hanya mendeteksi siswa yang berisiko tidak tuntas, tetapi juga memberikan rekomendasi strategi pembelajaran yang lebih personal. Penerapan sistem ini diharapkan dapat menjadi solusi inovatif dalam mendukung evaluasi akademik yang lebih cepat, akurat, dan berbasis data, serta berkontribusi pada peningkatan kualitas pendidikan di era digital.

Actions (login required)

View Item