PENELITIAN DOSEN PEMULA PENERAPAN JARINGAN SYARAF TIRUAN FULLY

PENELITIAN DOSEN PEMULA PENERAPAN JARINGAN SYARAF TIRUAN FULLY RECURRENT NEURAL NETWORK UNTUK PENENTUAN SATUAN KERJA SISWA BINTARA POLISI PADA SEKOLAH POLISI NEGARA KUPANG TIM PENGUSUL Kornelis Letelay, S. Kom. , M. Cs/NIDN. 0012047805/Ketua Bertha S. Djahi, S. Kom, MT/ NIDN. 0010098003 /Anggota Tahun 2018

PENDAHULUAN • Proses penentuan satuan kerja merupakan suatu proses yang sangat menentukan dalam mendapatkan karyawan/personil yang kompeten yang di butuhkan pada suatu lembaga atau instansi, karena penempatan yang tepat dalam posisi yang tepat akan dapat membantu lembaga tersebut dalam mencapai tujuan yang di harapkan. • SPN diselenggarakan dalam memiliki tanggung jawab untuk melahirkan polisi yang professional, produktif, dan kualitas, hal ini memerlukan penanganan yang professional, dan tidak terlepas dari orang-orang yang mengelola secara terorganisasi. Adapun tugas dan fungsi SPN menyelenggarakan pendidikan pembentukan bintara polri serta pendidikan dan pelatihan lainnya sesuai kebijakan Kapolda dan/atau Kapolri (Djamin, 2007). • Dalam proses pendidikan dan pelatihan para Siswa Bintara Polisi pada SPN Kupang diberikan tes yang berhubungan dengan materi yang didapat selama pendidikan dan pelatihan di SPN Kupang, sehingga dari tes tersebut didapat nilai-nilai yang nantinya dipakai sebagai bahan evaluasi penentuan kelulusan bagi Siswa Bintara Polisi. Nilai yang nantinya akan dipakai dalam proses kelulusan siswa DIKTUKBRIG Polri adalah Nilai 3 aspek yang meliputi Akademik, Mental, dan Samjas. • Dalam prakteknya penentuan satuan kerja yang ada di SPN Kupang belum ada atau dengan kata lain pelaksanaannya belum dilakukan. Sehingga yang terjadi selama ini untuk penentuan satuan kerja bagi Siswa Bintara Polri masih dilakukan secara manual.

• Berdasarkan hal tersebut penulis membuat sistem penentuan satuan kerja bagi Siswa Bintara Polisi dengan menggunakan jaringan sayaraf tiruan model Fully Recurrent Neural Network yang diharapkan dapat membantu dan mempermudah bagi Pimpinan Sekolah Polisi Negara Kupang dalam pengambilan keputusan menentukan satuan kerja yang cocok bagi Siswa Bintara Polisi yang didasarkan pada aturan Div. Humas Polri. RUMUSAN MASALAH “Bagaimana Membangun Sistem Penentuan Satuan Kerja Bagi Siswa Bintara Polisi Pada SPN Kupang Dengan Menggunakan Jaringan Syaraf Tiruan Model Fully Recurrent Neural Network”. TUJUAN PENELITIAN Penelitian ini bertujuan untuk rancang bangun penentuan satuan kerja bagi Siswa Bintara Polisi pada SPN Kupang dengan menggunakan Jaringan Syaraf Tiruan model Fully Recurrent Neural Network berdasarkan nilai hasil pendidikan sehingga dapat memberikan informasi yang akurat kepada pihak SPN Kupang dalam membuat keputusan yang tepat dalam mengatasi masalah yang ada.

PROSEDUR PENELITIAN

PROSES SISTEM YANG DI BANGUN Sistem yang dibangun untuk menentukan satuan kerja menggunakan data nilai hasil pendidikan masing-masing siswa Bintara Polisi Baru yaitu nilai akhir pendidikan DIKTUKBRIG Gel. II TA. 2015/2016 SPN Kupang meliputi : 1. Nilai Akademik yang terdiri dari : Nilai POP (Pengenalan orientasi pendidikan), Nilai KU (Kompetensi umum), Nilai KUT (Kompetensi utama), Nilai KKS (Kompetensi khusus), 2. Nilai Latnis (Latihan teknis), 3. Nilai Mental Kepribadian, 4. Nilai Samjas (Samapta jasmani) Jumlah data sebanyak 100 data, yang diambil dari nilai setiap siswa Bintara Polisi Baru. Data tersebut dibagi menjadi dua bahagian data yaitu data training dan data testing. untuk data training diambil 75% data (75 data) dan data testing diambil 25% data (25 data).

Kelas satuan yang menjadi ouput sistem adalah : 1. Dit. Sabara, 2. Sat. Brimob, dan 3. Dit. Pol. Air.

Contoh Data Training

Contoh Data Testing

RANCANGAN DIAGRAM ALIRAN DATA ( FLOWCHART SISTEM )

RANCANGAN ANTAR MUKA SISTEM

HASIL DAN PEMBAHASAN 1. Pengambilan Data • Data yang digunakan disini diperoleh dari data base SPN kupang DIKTU Polisi 2015/2016 yaitu data nilai hasil pendidikan Diktuk Brigadir Polri Gel. II, sebanyak 100 Data. • Data dibagi dalam 2 kelas data berbeda yaitu data training sebesar 75% (75 data) dan untuk testing sebesar 25% (25 data). 2. Proses Analisis Training dengan FRNN • Pada penelitian ini menggunakan arsitektur Fully RNN, untuk menentukan arsitektur terbaiknya dilakukan dengan cara trial and error. • Settingan parameter yang dilakukan dalam sistem sbb : Nilai learning rate, momentum, target error, epoch maksimal, serta jumlah hidden layer dan neuron-nya.

A. Pengaruh Parameter Jumlah Neuron Hidden Layer Parameter jumlah neuron akan sangat berpengaruh pada keakuratan dari hasil penentuan terhadap data yang digunakan dalam penelitian ini. Jumlah neuron pada hidden layer yang cocok digunakan untuk penentuan satuan kerja diperoleh melalui proses training. Hasil yang dijadikan sebagai acuan awal adalah dengan membandingkan target error dengan toleransi 0. 1 dengan 0. 01 1. Pengujian 1 (pertama) Tabel. 1 Nilai Parameter Pengujian dengan Target 0. 1 Parameter Target error Laju Pembelajaran Momentum Jumlah Hidden Layer Nilai 0. 1 0. 0001 0. 95 1 Keterangan Target proses berhenti Kecepatan pembelajaran sistem Konstanta momentum Jumlah lapisan tersembunyi

Tabel. 2 Hasil Training Jumlah Neuron dengan 1 Hidden Layer Target 0. 1

1. Pengujian 2 (kedua) Tabel. 1 Nilai Parameter Pengujian dengan Target 0. 01

2. Pengaruh Parameter Learning Rate (α) Parameter learning rate ( α ) berpengaruh terhadap keakuratan sebuah klasifikasi untuk penentuan satuan kerja bagi Bintara Polisi Baru. Beberapa nilai learning rate ( α ) yang diuji antara 0. 0001, 0. 0002, 0. 00015, dengan momentum 0. 95 dan toleransi error 0. 1, jumlah neuron 17. Tabel. 5 Pengaruh LR dengan Target 0. 1

Tabel. 6 Hasil Pengujian LR dengan Target 0. 1

Tabel 7. Pengaruh LR dengan target 0. 01 Tabel. 8 Hasil Pengujian LR dengan target 0. 01 LR SSE Data 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 0. 0001 0. 00999991 Y 2 0 0 1 0 0 0 0 0 0 1 0 1 0 1 0 0. 0002 0. 00999993 Y 1 Y 2 0 0 1 0 0 0 0 0 0 1 0 1 0 1 0 0. 00015 0. 00999996 Y 1 Y 2 0 0 1 0 0 0 0 0 0 1 0 1 0 1 0 Target Y 1 0 0 0 0 0 1 1 1 1 Y 2 0 0 0 0 1 1 0 0 0 0

Tabel 9. Prosentase Pengujian LR dengan Target 0. 1 Learning Rate (α) Jumlah Data Presentasi Benar Salah 0. 0001 24 1 96% 0. 0002 24 1 96% 0. 00015 24 1 96%

3. PENGARUH PARAMETER MOMENTUM • Pemberian parameter momentum di dalam sistem JST berfungsi untuk mencegah sistem terjebak di dalam minimum lokal. Adapun nilai momentum yang coba diujikan adalah : 0. 75, 0. 85, dan 0. 95 Tabel. 11 Hasil Pengujian Momentum dengan Target 0. 1 LR 0. 0001 0. 0002 0. 00015 Momentum Epoch SSE Durasi 0. 75 100040 0. 09999951 24. 15. 455 0. 85 72987 0. 09999875 17. 47. 025 0. 95 20406 0. 09999459 04. 56. 663 0. 75 64832 0. 09999932 16. 07. 646 0. 85 31391 0. 09999987 07. 48. 118 0. 95 98460 0. 09999918 20. 22. 150 0. 75 48174 0. 09999972 06. 46. 289 0. 85 39173 0. 09999942 08. 30. 355 0. 95 13963 0. 09999561 03. 16. 798 Dengan nilai momentum sebesar 0. 95 memiliki nilai epoch paling kecil dengan nilai LR 0. 0001. Hal ini berarti bahwa konvergensi lebih cepat dicapai dan nilai ini cocok untuk digunakan pada setiap nilai LR.

Tabel 12. Hasil Pengujian Momentum dengan Target 0. 01 LR 0. 0001 0. 0002 0. 00015 Momentum Epoch SSE Durasi 0. 75 741411 0. 009999993 03: 07: 27: 382 0. 85 499164 0. 009999981 02: 12: 04: 353 0. 95 168253 0. 009999906 40: 12: 525 0. 75 511299 0. 009999987 02: 08: 16: 626 0. 85 250185 0. 009999999 01: 02: 52: 241 0. 95 85462 0. 009999925 24: 46: 132 0. 75 583687 0. 009999984 02: 55: 10: 996 0. 85 342527 0. 009999906 01: 39: 25: 946 0. 95 106594 0. 009999900 26: 53: 692

4. Analisis Hasil Testing • Berdasarkan hasil percobaan hasil pengujian pengaruh parameter-parameter JST terhadap. SSE, maka untuk mendapatkan bobot yang paling optimal untuk proses testing dalam pelatihan JST, kali ini peneliti menggunakan parameter sebagai berikut : • Bias = 1. • Learning rate (α) = 0. 0001. • Momentum = 0. 95. • Jumlah hidden layer = 1 lapis. • Jumlah neuron = 17. • Error = 0. 1. 5. Analisis Hasil Pengujian

• Proses pengujian JST dilakukan dengan cara memasukan data penentuan yang hendak diuji ke dalam sistem pengujian JST. Dengan mengambil bobot yang telah tersimpan sebagai hasil pelatihan, sistem pengujian JST kemudian akan memberikan hasil pengujian terhadap data penentuan yang akan diuji. • Pada penelitian ini proses pengujian data penentuan dilakukan untuk menguji kemampuan JST dalam mengenali pola-pola data penentuan yang digunakan sebagai data pengujian. Data yang digunakan sebagai data uji sebanyak 25 data baru dari 100 data. Data yang digunakan untuk testing adalah data baru yang tidak diikutsertakan dalam training. • Pada data uji dilakukan dengan menggunakan parameter hasil percobaan dan bobot hasil training. Tabel 13. Data Uji POP KU KUT KKS LATNIS MENTAL SAMJAS TARGET 80. 05 83. 87 86. 04 81. 85 84. 72 83. 64 82. 45 83. 39 81. 74 79. 63 83. 15 84. 88 81. 2 81. 17 81. 59 82. 26 83. 03 81. 64 86. 56 82. 43 85. 46 80. 28 87. 24 85. 35 79. 14 87. 57 88. 52 85. 4 84. 63 83. 47 85. 76 85. 47 80. 55 82. 23 83. 67 83 81. 67 86. 88 87. 64 77. 16 87. 84 88. 57 83. 26 83. 75 84. 67 84. 9 83. 81 86. 39 85. 37 86. 35 82. 85 84. 78 88. 28 86. 99 80. 25 85. 93 85. 42 89. 4 86. 77 81. 87 76. 33 74. 78 76. 68 76. 19 75. 77 76. 43 74. 17 74. 74 74. 70 76. 48 74. 33 75. 23 75. 32 74. 02 73. 17 73. 00 72. 80 72. 90 72. 50 72. 90 72. 80 72. 50 86. 05 84. 00 83. 00 86. 25 83. 87 79. 00 79. 80 90. 13 84. 75 86. 25 65. 00 80. 00 83. 15 73. 25 67. 00 2 3 3 2 3 1 1 2 3 2 1 1 3 1 1

Tabel 14. Data Uji (lanjutan) POP KU KUT KKS LATNIS MENTAL SAMJAS TARGET 82. 27 84. 79 85. 56 82. 75 74. 39 72. 70 74. 35 1 82. 02 84. 55 85. 7 84. 9 75. 08 73. 00 63. 45 1 78. 78 84. 98 85. 75 83. 36 74. 08 72. 90 76. 13 1 84. 33 81. 96 78 84. 99 73. 39 72. 80 83. 05 3 83. 95 86. 93 88. 85 86. 44 73. 76 72. 40 79. 55 1 78. 86 84. 92 85. 85 82. 97 76. 19 72. 70 81. 35 3 78. 91 83. 79 86. 63 81. 93 77. 34 72. 80 67. 43 1 82. 8 85. 99 86. 68 85. 98 77. 14 72. 90 74. 80 1 83. 47 86 86. 9 85. 46 74. 78 72. 80 78. 25 1 83. 58 80. 27 89. 58 80. 25 74. 39 72. 90 82. 00 3 Berdasarkan data uji pada tabel 13, hasil pengujian dengan nilai akurasi yang dicapai dapat dilihat pada Tabel 14 Hasil Pengujian Data Baru Data Uji 25 data Jumlah Data Presentasi Benar Salah 24 1 96%

• Akurasi hasil testing terbaik dengan SSE terkecil dan tingkat kestabilan dalam proses pengujian data adalah dengan menggunakan LR sebesar 0. 0001 untuk target 0. 1.

BAB VII KESIMPULAN DAN SARAN 7. 1 Kesimpulan Berdasarkan hasil penelitian dan pembahasan yang telah dilakukan, maka diperoleh kesimpulan sebagai berikut : 1. Pada penelitian yang telah dilakukan, sistem yang dibangun menggunakan JST model FRNN dengan parameter inputan nilai POP, KUT, KKS, nilai Latnis, nilai Mental, dan nilai Samjas mencapai nilai akurasi 96. 66%. 2. Model terbaik JST FRNN untuk mencapai konvergen dengan nilai SSE minimum sebesar 0. 09990867, epoch 13436 dengan runtime 40182 detik dengan menggunakan 1 hidden layer dengan jumlah neuron 17 unit, LR sebesar 0. 0002, momentum 0. 95, dengan targe error 0. 1. 3. Dengan penelitian yang dilakukan menggunakan JST model FRNN untuk kasus klasifikasi penentuan satuan kerja bagi bintara polisi baru di SPN kupang, sistem dapat digunakan untuk pengambilan keputusan merekomendasikan personil bintara polri sesuai dengan target yang sudah ditentukan berdasarkan pada standar kriteria Polri untuk penjurusan satuan kerja yang ada. 4. Pada kasus ini, JST model FRNN berhasil menentukan data uji sebanyak 30 data untuk merekomendasikan bintara polisi baru sesuai dengan kompetensi yang dimiliki.