1
BAB I PENDAHULUAN
1.1 Latar Belakang Masalah
Pengelolaan Sumber Daya Manusia (SDM) merupakan salah satu bagian penting dalam perusahaan, instansi pemerintah maupun lembaga pendidikan dan pelatihan yang sangat mempengaruhi banyak aspek keberhasilan SDM dalam penentu keberhasilan kerja dari setiap perusahaan, instansi pemerintah dan swasta maupun lembaga pendidikan dan pelatihan. 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 jabatan yang tepat akan dapat membantu lembaga tersebut dalam mencapai tujuan yang di harapkan.
Dalam proses pendidikan dan pelatihan para siswa Bintara Polisi Baru diberikan tes yang berhubungan dengan materi dan pelatihan yang didapat di SPN Kupang, sehingga dari tes tersebut didapat nilai-nilai yang nantinya dipakai sebagai bahan evaluasi penentuan kelulusan bagi Bintara Polisi Baru. Nilai yang nantinya akan dipakai dalam proses kelulusan siswa DIKTUKBRIG Polri adalah Nilai 3 aspek yang meliputi Akademik, Mental, dan Samjas. Ketiga nilai aspek ini akan dilaporkan pada sidang dewan pimpinan SPN untuk dijadikan acuan dalam menentukan kelulusan siswa DIKTUKBRIG Polri. Setelah dinyatakan lulus maka siswa DIKTUKBRIG Polri akan dilantik dan selanjutnya dilakukan proses penentuan satuan kerja bagi Bintara Polisi Baru pada satuan kerja wilayah POLDA NTT, sistem yang diberlakukan adalah sistem manual (penarikan lotre) untuk penentuan satuan kerja (Dit.Sabara, Dit.PolAir, dan SatBrimob), bagi setiap Brigadir Polri yang mendapatkan hasil dari sistem manual tersebut merupakan hasil final untuk dipakai dalam mengarahkan dan menempatkan meraka pada satuan kerja yang ada.
Hal ini tentunya berpengaruh pada kinerja dan prestasi kerja dari personil polisi pada saat melaksanakan tugas dan tanggungjawab pada satuan kerja yang ada. Sistem yang dipakai saat ini juga mengakibatkan kesalahan dalam
menempatkan personil pada pekerjaan yang tidak sesuai dengan kompetensi yang didasarkan pada standar kriteria penentuan kepolisian RI.
Berdasarkan uraian permasalahan tersebut, perlu dibangun sebuah sistem komputerisasi yang dapat digunakan SPN Kupang dalam mengatasi permasalah penentuan satuan kerja bagi bintara polisi baru. Sistem yang dibangun menerapkan struktur JST dengan model Fully Recurrent Neural Network yang memiliki kemampuan dalam mengatasi beberapa masalah seperti klasifikasi, prediksi, pengolahan data, dan robotik. Fully Recurrent Neural Network juga mempunyai kompleksitas arsitektur sistem yang dinamis karena mempunyai feedback yang dapat mempercepat proses iterasi dan membuat kecepatan update parameter dan konvergensi menjadi lebih cepat (Samarasingghe, 2006). Fully Recurrent Neural Network dapat mengatasi masalah-masalah sederhana dengan memanfaatkan pengetahuan awal yang tersedia dengan lebih baik (Fransconi, 1994). Menurut William, (1989) model Fully Recurrent Neural Network juga dirancang untuk dapat mengatasi masalah-masalah khusus, sehingga diharapkan dengan adanya sistem penentuan satuan kerja menggunakan model Fully Recurrent Neural Network dapat digunakan dalam penentuan satuan kerja pada SPN kupang.
1.2 Rumusan Masalah
Berdasarkan latar belakang, maka masalah yang diangkat pada penelitian ini adalah “Bagaimana membangun sistem penentuan satuan kerja bagi bintara polisi baru pada SPN kupang dengan menggunakan model Fully Recurrent Neural Network”.
1.3 Batasan Masalah
Untuk menjaga fokus dari penelitian ini, maka beberapa batasan yang diberikan dalam penelitian ini adalah sebagai berikut :
1. Data input berasal dari Nilai Hasil Pendidikan antara lain Nilai Akademik : Pengantar orientasi pendidikan (POP), KU (kompetensi
umum), KUT (kompetensi utama), KKS (kompetensi khusus), Nilai Latnis (latihan dan teknis), Nilai Mental, dan Nilai Samjas.
2. Output sistem berupa satuan kerja antara lain, Dit. Sabara, Dit.PolAir dan SatBrimob.
3. Faktor-faktor internal dan eksternal seperti hobi, hubungan kekerabatan, kegiatan pekerjaan lain, dan pengaruh lingkungan dan lain-lain yang mempengaruhi penentuan satuan kerja bagi setiap bintara polisi baru Sekolah Polisi Negara Kupang diabaikan.
1.4 Tujuan dan Manfaat Penelitian 1.4.1 Tujuan
Penelitian ini bertujuan untuk rancang bangun sistem jaringan syaraf tiruan dengan menerapkan Model Fully Recurrent Neural Network dalam menentukan satuan kerja bagi Bintara Polisi Baru berdasarkan nilai hasil pendidikan sehingga dapat memberikan informasi yang akurat kepada pihak SPN Kupang dalam membuat keputusan yang tepat dalam mengatasi masalah yang ada.
1.4.2 Manfaat
Adapun manfaat yang diharapkan dari penulisan Penelitian ini adalah : 1. Dapat membantu proses penentuan satuan kerja bagi Bintara Polisi
Baru pada SPN Kupang.
2. Dapat membantu mengatasi permasalahan yang dihadapi oleh pihak SPN Kupang sehubungan dengan proses penentuan satuan kerja.
1.5 Keaslian Penelitian
Berdasarkan referensi yang dimiliki, dapat dikatakan bahwa penelitian yang membahas tentang Penentuan Satuan Kerja Bagi Bintara Polisi Baru pada Sekolah Polisi Negara menggunakan model Fully Recurrent Neural Network dengan studi kasus pada SPN Kupang belum pernah dilakukan. Walaupun demikian, terdapat penelitian terdahulu tentang topik dan metode sejenis dipaparkan dalam tinjauan pustaka dalam usulan penelitian ini.
1.6 Metodologi Penelitian
Metode penelitian yang digunakan dalam penentuan satuan kerja Bintara Polisi Baru menggunakan Fully RNN sebagai berikut :
1. Pengumpulan Informasi Wawancara
Melakukan wawancara dengan Pimpinan SPN Kupang untuk mendapatkan informasi yang akurat terkait dengan sistem yang sedang diteliti dan dikembangkan.
Studi Kepustakaan
Dalam menunjang penelitian ini, informasi juga bersumber dari studi pustaka yaitu dengan mempelajari beberapa buku teks, jurnal, dan karya ilmiah lainnya yang relevan dengan topik penelitian yang sedang dilakukan.
2. Analisis dan Perancangan
Pada tahapan ini terdapat beberapa proses-proses antara lain seperti : desain input dan desain output serta perancangan arsitektur FRNN, dan penentuan proses pelatihan.
3. Implementasi Sistem
Pada tahapan ini, melakukan rancang bangun sistem dan meng- implementasikan dengan perangkat lunak. Perangkat lunak yang digunakan adalah bahasa pemrograman C#.
4. Pengujian Sistem
Pada tahap ini, dilakukan pengujian terhadap sistem yang akan dikembangkan dengan menggunakan data training dan testing, berupa Pengantar orientasi pendidikan, KU (kompetensi umum), KTU (kompetensi utama), KHS (kompetensi khusus), nilai latnis, nilai mental, dan nilai samjas. Sistem juga diharapkan dapat membantu SPN Kupang dalam menentukan satuan kerja yang dibutuhkan bagi Bintara Polisi Baru sesuai dengan fungsi dan tugas pokok.
1.7 Sistematika Penulisan
Laporan tesis ini diorganisasikan dalam 7 bab dan diberi nomor secara berurutan dari I sampai VII dari masing- masing bab adalah sebagai berikut : 1. BAB I. PENDAHULUAN, berisi penjelasan tentang latar belakang, rumusan
masalah, batasan masalah, tujuan dan manfaat, keaslian penelitian, metodologi penelitian, serta sistematika penulisan laporan tesis.
2. BAB II. TINJAUAN PUSTAKA, berisi uraian sistematis tentang informasi hasil-hasil penelitian sebelumnya dengan menghubungkannya dengan masalah penelitian yang sedang diteliti.
3. BAB III. LANDASAN TEORI, berisi pembahasan mengenai teori-teori yang dibutuhkan dan berhubungan dengan masalah yang akan dibahas dalam penelitian.
4. BAB IV. ANALISIS DAN PERANCANGAN SISTEM, berisi penjelasan tentang kontribusi utama yang dilakukan peneliti dalam merancang klasifikasi satuan kerja menggunakan jaringan syaraf tiruan.
5. BAB V. IMPLEMENTASI SISTEM, berisi implementasi sistem penentuan satuan kerja dengan bahasa pemrograman dari model yang telah di desain dengan pemilihan bahasa pemrograman.
6. BAB VI. HASIL PENELITIAN DAN PEMBAHASAN, berisi hasil penelitian yang digunakan untuk melakukan pengujian, skenario pengujian, indikator keberhasilan, hasil pengujian, dan analisis hasil pengujian.
7. BAB VII. KESIMPULAN DAN SARAN, berisi kesimpulan dari hasil pengujian dan analisis yang dilakukan dan membandingkannya dengan tujuan penelitian.
6
BAB II
TINJAUAN PUSTAKA
Dalam penelitian ini, digunakan beberapa referensi sumber pustaka yang berasal dari penelitian yang sudah dilakukan sebelumnya. Adapun beberapa penelitian tentang evaluasi atau kelayakan yang sudah pernah dilakukan sebelumnya, seperti yang dilakukan Sugiyanto dkk. (2009) yang melakukan penelitian tentang penentuan kompetensi mahasiswa untuk membentuk suatu sistem pengambilan keputusan dalam merencanakan kompetensi mahasiswa sesuai dengan kemampuan yang dimiliki. Penelitian yang serupa juga dilakukan oleh Nasibu (2009) melakukan penelitian untuk mengembangkan sistem pengambilan keputusan untuk penempatan karyawan dengan menerapkan metode Analytical Hierarchi Process (AHP) menggunakan aplikasi Expert Choice agar dapat memberikan gambaran solusi terhadap masalah pemilihan karyawan yang berprestasi untuk menduduki jabatan strategis. Hal yang sama dilakukan Maharani dkk. (2010) membuat sebuah sistem aplikasi pengambilan keputusan untuk memudahkan pihak manajemen dalam proses seleksi karyawan, khususnya pada proses penilaian hasil tes psikologi dalam bentuk keluaran nilai intensitas prioritas calon karyawan tertinggi.
Sistem aplikasi penentuan keputusan untuk menentukan pekerjaan di bidang teknologi informasi juga dilakukan Kaswidjanti dkk. (2010) dengan menggunakan kombinasi metode Fuzzy Logic-Tahani untuk melakukan pembobotan mengadaptasi metode direct data entry dalam memasukan langsung nilai dari kriteria atau alternatif dan selanjutnya membuat rasio perbandingan dari masing-masing node berdasarkan nilai yang dimiliki dengan rentang nilai berdasarkan node diatasnya. Penelitian serupa kembali dilakukan oleh Marwanta (2010) melakukan penelitian tentang Sistem Pengambilan Keputusan (SPK) untuk penentuan karyawan pada bidang kerja, dengan menggunakan metode Case Base Reasoning dengan beberapa faktor penilaian antara lain tanggungjawab, kedisiplinan, ketaatan.
Selain penelitian degan topik yang sejenis, penelitian dengan metode sejenis yang digunakan sebagai acuan pada beberapa penelitian antara lain yang digunakan oleh Gupta dkk. (2005) melakukan perbandingan permodelan Recurrent Neural Network menggunakan Fully Recurrent Neural Network (FRNN) dengan model Generalized Mean Neuron (GMN) terhadap RNN dengan model Multy Layer Perceptron untuk melihat jalur keluar dan masuk traffic port Ethernet. Penggunaan metode yang sama juga dilakukan Badjate dkk. (2011) dengan melakukan prediksi tentang Multi-step Ahead untuk Time Series Chaotic. Dari perbandingan metode yang digunakan menunjukan bahwa penggunaan RNN-Fully Recurrent Neural Network dengan model GMN memberikan hasil signifikan lebih baik dari RNN dengan model MLP.
Xu dkk. (2010) yang melakukan Konvergensi metode gradient menggunakan Fully Recurrent Neural Network dengan algoritma pelatihan gradient off-line untuk membuktikan beberapa hasil konvergensi secara deterministic dilakukan pada sejumlah data sampel pelatihan yang diurutkan secara temporal dengan asumsi masalah adalah masalah XOR dengan dua siklus delay sehingga stokastik tidak lagi sesuai dengan konvergensi probalistik.
Perbandingan beberapa metode dalam RNN dilakukan Tanoto dkk. (2011) dalam peramalan beban puncak listrik jangka panjang JAMABI dengan membandingkan metode Recurrent Network dengan algoritma pemebelajaran Levenberg Marquardt terhadap metode ekonomimatrik yang digunakan PLN. Di sisi lain Maraqa dkk. (2012) mengembangkan sistem pengenalan daftar bahasa Arab dengan Recurrent Neural Networks, dengan membandingkan metode Feedforward Neural Network dan Recurrent Neural Network, menggunakan arsitektur Elman Neural Network, Jordan Neural Network dan Fully Recurrent Neural Network untuk memperkenalkan penggunaan berbagai jenis jaringan saraf dalam gerakan tangan manusia Lat-nition untuk gambar statis serta untuk gerakan dinamis.
Berdasarkan pada penelitian terdahulu dengan menggunakan metode yang sama dengan penelitian yang akan diambil, menunjukan bahwa dengan metode Fully
Recurrent Neural Network (FRNN) mempunyai kelebihan dalam mengatasi masalah prediksi dengan tingkat error lebih kecil dalam penggunaan data yang besar dan bervariasi. Selain itu karena arsitekturnya yang dinamis sehingga dapat dimodifikasi dan disesuaikan dengan kasus yang diteliti dibandingkan dengan metode JST yang lain. Namun JST dengan metode Fully Recurrent Neural Network (FRNN) juga mempunyai kekurangan salah satunya adalah kompleksitas struktural besar yang dapat membuat proses pelatihan menjadi lambat.
Dari beberapa penelitian yang sudah dilakukan sebelumnya dengan menerapkan FRNN dengan beberapa kelebihan yang dimiliki, maka pada penelitian ini penulis mengusulkan suatu sistem dengan menerapakan metode Fully Recurrent Neural Network dengan aturan pembelajaran Gradient Discent Adaptive Learning Rate untuk penentuan satuan kerja bagi Bintara Polisi Baru di SPN Kupang. Untuk lebih mempertegas perbandingan penelitian yang dilakukan sebelumnya yang menjadi bahan rujukan untuk penelitian yang akan dilakukan, diuraikan pada Tabel 1.
Tabel 1.1 Rangkuman Perbedaan Penelitian
Nama Peneliti
Implementasi Metode Kelebihan Kekurangan Tujuan Penelitian
Gupta, dkk (2005)
Fully Recurrent Neural Network
(FRNN) dengan model
Generalized Mean Neuron
(GMN), Multi Layer Perceptron (MLP)-Back propagation
Dapat mencapai nilai konvergen dengan
Error lebih kecil. dengan jumlah data
besar dengan laju pembelajaran lebih cepat. Dibandingkan dengan MLP
- Inisialisasi bobot dilakukan secara random, Jaringan MLP masih bersifat statis. - FRNN dengan mempunyai data inputan
sedikit (=1) nilai error menjadi besar dibandingkan dengan jumlah inputan lebih
banyak (>1) nilai error menjadi lebih kecil.
Membandingkan FRNN dengan Model GMN terhadap RNN dengan model Multi
Layer Perceptrons (MLP) untuk jalur trafic router port Ethernet.
Sugiyanto, dkk (2009)
Pairwise Comparasion
Dapat memungkinkan tingkat kepentingan suatu kriteria relativ terhadap kriteria lain
yang tidak seragam.
Berfokus pada beberapa kompetensi saja dan tidak pada penilaian keahlian dan kelayakan
pada kegiatan-kegitan yang berhubungan dengan kompetensi mahasiswa lainnya.
Membentuk sistem pengambilan keputusan kompetensi mahasiswa sehingga bisa merencanakan kompetensi yang sesuai
dengan kemampuan yang dimiliki.
Nasibu, (2009)
Analytical Hierarchi Process
(AHP)- Expert Choice, direct,
pairwise comparisions
Dapat menghasilkan rekomendasi terbaik yaitu menetapkan seorang karyawan untuk
menempati suatu jabatan strategis.
Faktor kriteria pemilihan di prioritaskan pada kriteria lain maka akan diperoleh hasil
yang berbeda.
Memberikan gambaran solusi terhadap masalah pemilihan karyawan yang berprestasi untuk menduduki jabatan
strategis. Kaswidjanti,
dkk (2010)
AHP dan Fuzzy Logic- Tahani
Dapat melakukan penentuan pekerjaan yang sesuai dengan kriteria yang telah dimasukan
dengan hasil baik.
Permasalahan atau goal dengan beberapa level kreteria dan alternatif dimana kriteria memiliki bobot yang diperoleh dengan cara
yang sama.
Mengkumulasi total relasi dari banyak mata kuliah terhadap pekerjaan tertentu.
Marwanta,
(2010) Case Base Reasoning.
Dapat melakukan penilaian dengan hasil sesuai dengan kriteria yang dimasukan
dalam sistem.
Sebatas melakukan penilaian kelayakan, belum menampilkan informasi tambahan
lain.
Untuk penentuan karyawan pada bidang kerja sesuai dengan kriteria penilaian yang
dilakukan oleh STMIK AKAKOM. Xu,
(2010) FullyRNN-Gradient Descent LR
Dengan FRNN-Gradient Descent mencapai konvergensi dengan Error lebih kecil.
Menggunakan data training yang sedikit dengan bobot yang dibatasi.
Digunakan untuk analisis dan prediksi urutan temporal
Tabel 1.2 Rangkuman Perbedaan Penelitian (Lanjutan)
Nama Peneliti
Implementasi Metode Kelebihan Kekurangan Tujuan Penelitian
Maharani, dkk (2010)
Analytical Hierarchi Process
(AHP)
Dapat memecahkan masalah multi-kriteria yang berdasar pada perbandingan preferensi
dari setiap elemen.
Proses sangat kompleks, memakan waktu cukup lama dan terbuka peluang untuk melakukan kesalahan dalam menentukan
orang yang tepat.
Memudahkan pihak manajemen dalam proses seleksi karyawan, khususnya pada
proses penilaian hasil tes psikologi.
Badjate, dkk (2011)
Fully Recurrent Neural Network
(FRNN) dan Multi Layer
Preceptron (MLP)-Algoritma
Pembelajaran Back propagation
Pelatihan dan pengujian sampel ukuran kinerja yang optimal untuk data yang bervariasi dengan hasil yang optimal dan output jaringan
yang diusulkan erat mengikuti output aktual untuk semua langkah
Jaringan MLP masih bersifat statis , gagal dalam mengatasi dinamika nonlinear.
Membandingkan kedua metode, dengan memori gamma untuk prediksi time series
sunspot dengan langkah duffing
Tanoto, dkk (2011)
Elman dan Jordan Recurrent
Neural Network (Fully RNN)-Levenberg Marquardt.
Struktur jaringan yang dikemukakan menunjukkan kinerja yang lebih baik dibandingkan dengan perkiraan beban puncak
yang didapat dari jaringan umpan
maju-Levenberg-Marquadt,Regresi Berganda Double-log, dan proyeksi PLN
Periode peramalan dan pelatihan terbatas sehingga nilai kesalahan masih belum
mencapai titik optimal.
Menentukan perkiraan beban puncak listrik daerah Jawa-Madura-Bali, dengan membandingkan metode ekonomimatrik yang digunakan PLN dengan Recurrent
Network -Levenberg Marquardt.
Maraqa, dkk (2012)
Feed forward NN dan Recurrent Neural Network s (Elman NN,
Jordan NN dan Fully Recurrent
Neural Network s)/ Back propagation
Dapat menghasilkan tingkat akurasi 95% untuk pengenalan gerakan statis dibandingkan
denga FFNN.
Terjadi kesalahan pada proses pengenalan karena ekstraksi fitur palsu dari kesamaan
beberapa gerakan, gambar masih bersifat statis.
Untuk memperkenalkan penggunaan berbagai jenis jaringan saraf dalam gerakan
tangan manusia Lat-nition untuk gambar statis serta untuk gerakan dinamis.
Letelay (2013)
Fully Recurrent Neural Network -Gradient Descent Adaptive
Learning Rate.
Nilai akurasi sistem yang dihasilkan untuk pengenalan data dalam penentuan satuan
kerja sebesar 96%.
Penentuan satuan kerja hanya pada batasan data tertentu.
Penerapan metode JST Fully Recurrent
Neural Network untuk menentukan satuan
kerja bagi Bintara Polisi baru pada SPN Kupang