<![CDATA[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.]]>
