Main Article Content

Abstract

Berdasarkan Peraturan Bersama antara Kementerian Pendidikandan Kementrian Kesehatan Tentang Ujian Kompetensi Tahun 2013 No. 36/2013 & No.I/Iv/Pb/2013, maka seluruh Perguruan Tinggi Kesehatan di Seluruh Indonesia wajib untuk melaksanakan Ujian Kompetensi  sebagai syarat utama mendapatkan gelar bagi mahasiswa kesehatan dalam menyelesaikan studinya. Di Akademi Kebidanan Dehasen Bengkulu, Lulus Ujian Kompetensi juga merupakan syarat utama untuk meraih gelar Amd.Keb. Oleh karena itu mahasiswa Kebidanan Dehasen Bengkulu wajib mengikuti Ujian Kompetensi. Sebelum melakukan Ujian Kompetensi, dosen ataupun pihak kampus tentu ingin mengetahui prediksi jumlah kelulusan dari  mahasiswa yang akan melaksanakan Ujian Kompetensi. Adapun teknik dalam memprediksi hasil kelulusan ini menggunakan Algoritma Backpropagation. Penelitian ini dilakukan dengan mengamati beberapa variabel penelitian yang sering dipertimbangkan oleh perguruan tinggi kebidanan khususnya bagian akademik dalam memprediksi hasil ujian kompetensi, yaitu 7 variabel nilai dalam ujian kompetensi kebidanan yaitu nilai dengan tipe soal tentang Ibu Hamil, Ibu Bersalin, Ibu Nifas, BBL, KB, Kespro, dan Patologi. Variabel nilai tersebut digunakan sebagai variabel input pada algoritma Backpropagation serta keputusan Lulus dan Gagal sebagai outputnya. Hasil penelitian ini adalah berupa sebuah knowledge dalam memprediksi hasil ujian kompetensi kebidanaan dengan mengimplementasikan algoritma Backpropagation pada perangkat lunak Matlab R2010a. Dari hasil penerapan algoritma Backpropagation, didapatkan tingkat akurasi 90% dalam menentukan hasil yang lebih akurat sesuai dengan data aktual untuk sebuah acuan prediksi hasil kelulusan ujian kompetensi kebidanan di Akademi Kebidanan Dehasen Bengkulu.

Kata Kunci : Backpropagation, Prediksi.

Article Details

How to Cite
Kurniawan, A. S. (2018). IMPLEMENTASI METODE ARTIFICIAL NEURAL NETWORK DALAM MEMPREDIKSI HASIL UJIAN KOMPETENSI KEBIDANAN (STUDI KASUS DI AKADEMI KEBIDANAN DEHASEN BENGKULU). Pseudocode, 5(1), 37–44. https://doi.org/10.33369/pseudocode.5.1.37-44