DESKRIPSI KINERJA SATPAM MENGGUNAKAN METODE MLP

Deskripsi Kinerja Satpam Menggunakan Metode MLP

 

Penelitian yang melibatkan Jaringan Syaraf Tiruan (JST), apapun arsitektur jaringannya, membutuhkan sekumpulan data histori yang digunakan sebagai bahan pembelajaran (learning) bagi JST untuk mengenali pola- pola datanya. Semakin besar jumlah data yang digunakan, tentunya waktu komputasi pada tahap learning pun akan bertambah, namun performa sistem akan cenderung lebih baik.

Pengaruh jaringan saraf tiruan terhadap kinerja satpam

Abstrak: 
Penilaian kinerja karyawan merupakan salah satu hal yang sangat penting dilakukan oleh pihak manajemen Sumber Daya Manusia (SDM) dalam suatu instansi, sebab aspek tersebut menjadi faktor penentu bagi para pengambil kebijakan untuk menaikkan jenjang karier dari para karyawannya atau tidak. Artikel ini menyajikan analisis terhadap penggunaan Multi Layer Perceptron (MLP) untuk memprediksi kinerja Satuan Pengamanan (Satpam) yang telah dididik oleh suatu instansi resmi. Data yang digunakan diperoleh secara langsung dari PT. Garuda Merah Indonesia, yakni lembaga pendidik dan pelatih calon Satpam, sebanyak 175 record dengan 10 atribut yang meliputi penilaian terhadap individu dalam aspek kemampuan kognitif, kepribadian, dan keterampilan. MLP memprediksi kinerja Satpam ke dalam tiga kategori, yakni “Baik”, “Cukup”, dan “Kurang”. Teknik Cross Validation sebanyak 10 fold juga digunakan pada tahap pengujian sistem untuk mengukur performa sistem secara komprehensif dengan keluaran berupa tingkat akurasi terbaik sebesar 97,75%.

 Apa itu JSF ??  

pengertian JSF : Jaringan saraf tiruan atau juga disebut simulated neural network (SNN), atau umumnya hanya disebut neural network (NN)), adalah jaringan dari sekelompok unit pemroses kecil yang dimodelkan berdasarkan sistem saraf manusia.

 Metode : Multi Layer Perceptron

Multilayer Perceptron (MLP) merupakan model Artificial Neural Network (ANN) yang sudah sangat popular digunakan oleh banyak peneliti untuk berbagai keperluan, seperti pengenalan tulisan tangan, pengenalan wajah, pengenalan suara, prediksi timeseries, dsb. Arsitektur dari sebuah MLP, terdiri dari tiga lapisan neuron, yakni -secara terurut- input layer, hidden layer, dan output layer, dimana di setiap layer tersebut berisi sejumlah neuron yang saling terhubung dengan neuron lainnya pada lapisan setelahnya.

 Deksripsi kinerja satpam menggunakan metode MLP :

Penelitian yang melibatkan Jaringan Syaraf Tiruan (JST), apapun arsitektur jaringannya, membutuhkan sekumpulan data histori yang digunakan sebagai bahan pembelajaran (learning) bagi JST untuk mengenali pola- pola datanya. Semakin besar jumlah data yang digunakan, tentunya waktu komputasi pada tahap learning pun akan bertambah, namun performa sistem akan cenderung lebih baik.

 

Pada penelitian ini, data mentah yang digunakan diperoleh dari penelitian sebelumnya yang dilakukan oleh Wibowo dan Hartati [4], yakni berupa data kinerja Satpam dari PT. Garuda Merah Indonesia sebanyak 175 record dan 12 atribut/ kolom yang terdiri dari aspek penilaian kemampuan individu Satpam meliputi kecerdasan kognitif, kepribadian, dan keterampilan.

KESIMPULAN

Penelitian ini, menggunakan metode MLP untuk mengetahui kepribadian kinerja satpam. Karena pendeskripsian kualitas satpam dapat di ukur secara teliti melalui metode MLP yaitu Multilayer Perceptron (MLP) merupakan model Artificial Neural Network (ANN) yang sudah sangat popular digunakan oleh banyak peneliti untuk berbagai keperluan, seperti pengenalan tulisan tangan, pengenalan wajah, pengenalan suara, prediksi timeseries, dsb.