IMPLEMENTASI DEEP LEARNING BERBASIS RECURRENT NEURAL NETWORK (RNN) UNTUK MEMPREDIKSI KEMAMPUAN PEMECAHAN MASALAH MATEMATIS SISWA
DOI:
https://doi.org/10.58917/ijme.v5i1.522Kata Kunci:
Deep Learning, LSTM, Matematis, Pemecahan Masalah, Recurrent Neural NetworkAbstrak
Kemampuan pemecahan masalah matematis merupakan aspek mendasar yang tidak hanya mencerminkan kemampuan kognitif, tetapi juga kemampuan penalaran dan analisis siswa. Di Indonesia, kemampuan ini masih menjadi tantangan karena siswa cenderung fokus pada penyelesaian prosedural, namun mengalami kesulitan menghadapi masalah yang lebih kompleks atau konteks baru. Kondisi ini menunjukkan perlunya pendekatan inovatif untuk memprediksi kemampuan pemecahan masalah matematis siswa, sehingga dapat diberikan stimulus yang sesuai dan dilakukan observasi terhadap perkembangannya.
Perkembangan pesat Artificial Intelligence (AI) dalam beberapa tahun terakhir telah memberikan peluang besar dalam menganalisis perilaku belajar serta memprediksi kinerja akademik siswa. Salah satu pendekatan yang unggul untuk menganalisis data berurutan seperti nilai siswa adalah Deep Learning dengan model Recurrent Neural Network (RNN), karena kemampuannya menangkap hubungan temporal antar variabel dan memodelkan pola belajar secara dinamis.
Penelitian ini berfokus pada prediksi tingkat kemampuan pemecahan masalah matematis siswa SMP Negeri 7 Percut menggunakan 179 data nilai matematika dari empat semester. Data dibagi menjadi 150 data training dan 29 data uji. Dengan metode RNN berbasis Long Short-Term Memory (LSTM), hasil terbaik diperoleh pada epoch 150 dan learning rate 0,001, menghasilkan nilai RMSE dan MAE sebesar 0,00, menunjukkan bahwa LSTM efektif dalam memprediksi kemampuan pemecahan masalah matematis siswa.
Referensi
Al Kiramy, R., Permana, I., Marsal, A., Munzir, M. R., & Megawati, M. (2024). Perbandingan Performa Algoritma RNN dan LSTM dalam Prediksi Jumlah Jamaah Umrah pada PT. Hajar Aswad: Comparison of RNN and LSTM Algorithm Performance in Predicting the Number of Umrah Pilgrims at PT. Hajar Aswad. MALCOM: Indonesian Journal of Machine Learning and Computer Science, 4(4), 1224–1234. https://doi.org/10.57152/malcom.v4i4.1373
Azhar, E., Saputra, Y., & Nuriadin, I. (2021). EKSPLORASI KEMAMPUAN PEMECAHAN MASALAH MATEMATIS SISWA PADA MATERI PERBANDINGAN BERDASARKAN KEMAMPUAN MATEMATIKA. AKSIOMA: Jurnal Program Studi Pendidikan Matematika, 10(4), 2129. https://doi.org/10.24127/ajpm.v10i4.3767
Belinda, H., & Susilowaty, N. (2023). ANALISIS KEMAMPUAN PEMECAHAN MASALAH MATEMATIS SISWA BERDASARKAN SELF EFFICACY. JP2M (Jurnal Pendidikan dan Pembelajaran Matematika), 9(1), 125–135. https://doi.org/10.29100/jp2m.v9i1.4018
Cahyani, J., Mujahidin, S., & Fiqar, T. P. (2023). Implementasi Metode Long Short Term Memory (LSTM) untuk Memprediksi Harga Bahan Pokok Nasional. Jurnal Sistem dan Teknologi Informasi (JustIN), 11(2), 346. https://doi.org/10.26418/justin.v11i2.57395
Harjo, R. S. D., Anugrah, R., & Darmawan, J. (n.d.). Prediksi Coin Kripto Dengan Menggunakan Metode LSTM (Long Short-Term Memory).
Khadafi, M., & Yusrianti, O. (2025). Sistem Prediksi Kebutuhan Stock Obat Menggunakan Metode Long Short Term Memory (LSTM) Time Series Berbasis Deep Learning.
Kurniansyah, J., Gusti, S. K., Yanto, F., & Affandes, M. (2025). Implementasi Model Long Short Term Memory (LSTM) dalam Prediksi Harga Saham. 6(2).
Larasati, L., Saadah, S., & Yunanto, P. E. (2024). Recurrent Neural Networks (RNN) and Long Short-Term Memory (LSTM) Methods to Forecast Daily Turnover at BM Motor Ngawi. Indonesian Journal of Artificial Intelligence and Data Mining, 7(1), 141. https://doi.org/10.24014/ijaidm.v7i1.27643
Lubis, N., Siambaton, Mhd. Z., & Aulia, R. (2024). Implementasi Algoritma Deep Learning pada Aplikasi Speech to Text Online dengan Metode Recurrent Neural Network (RNN). sudo Jurnal Teknik Informatika, 3(3), 113–126. https://doi.org/10.56211/sudo.v3i3.583
Muhammad Haris Diponegoro, Sri Suning Kusumawardani, & Indriana Hidayah. (2021). Tinjauan Pustaka Sistematis: Implementasi Metode Deep Learning pada Prediksi Kinerja Murid. Jurnal Nasional Teknik Elektro dan Teknologi Informasi, 10(2), 131–138. https://doi.org/10.22146/jnteti.v10i2.1417
Muhammad, R., & Nurhaida, I. (2025). Penerapan LSTM Dalam Deep Learning Untuk Prediksi Harga Kopi Jangka Pendek Dan Jangka Panjang. JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), 10(1), 554–564. https://doi.org/10.29100/jipi.v10i1.5904
Ningrum, A. A., Syarif, I., Gunawan, A. I., Satriyanto, E., & Muchtar, R. (2021). Algoritma Deep Learning-LSTM untuk Memprediksi Umur Transformator. Jurnal Teknologi Informasi dan Ilmu Komputer, 8(3), 539–548. https://doi.org/10.25126/jtiik.2021834587
Nugroho, A. S., & Nugroho, K. (2025). Comparison of RNN and LSTM Algorithms Based on Fasttext Embeddings in Sentiment Analysis on the Merdeka Mengajar Platform. Sinkron, 9(1), 117–128. https://doi.org/10.33395/sinkron.v9i1.14296
Nurashila, S. S., Hamami, F., & Kusumasari, T. F. (2023). PERBANDINGAN KINERJA ALGORITMA RECURRENT NEURAL NETWORK (RNN) DAN LONG SHORT-TERM MEMORY (LSTM): STUDI KASUS PREDIKSI KEMACETAN LALU LINTAS JARINGAN PT XYZ. JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), 8(3), 864–877. https://doi.org/10.29100/jipi.v8i3.3961
Rachmawati, A., & Adirakasiwi, A. G. (n.d.). ANALISIS KEMAMPUAN PEMECAHAN MASALAH MATEMATIS SISWA SMA.
Sakir, R. K. A. (2023). Pengujian Long-Short Term Memory (LSTM) Pada Prediksi Trafik Lalu Lintas Menggunakan Multi Server. Jurnal Teknologi Elekterika, 20(1), 14. https://doi.org/10.31963/elekterika.v20i1.4242
Selle, N., Yudistira, N., & Dewi, C. (2022). Perbandingan Prediksi Penggunaan Listrik dengan Menggunakan Metode Long Short Term Memory (LSTM) dan Recurrent Neural Network (RNN). Jurnal Teknologi Informasi dan Ilmu Komputer, 9(1), 155–162. https://doi.org/10.25126/jtiik.2022915585
Unduhan
Diterbitkan
Cara Mengutip
Terbitan
Bagian
Lisensi
Hak Cipta (c) 2026 Samuel Juliardi Sinaga, Sanggam Gultom , Rolan Manurung
Artikel ini berlisensi Creative Commons Attribution 4.0 International License.
