PENENTUAN SATUAN KERJA BAGI BINTARA POLISI BARU PADA SEKOLAH POLISI NEGARA MENGGUNAKAN FULLY RECURRENT NEURAL NETWORK (STUDI KASUS : SPN KUPANG)

KORNELIS LETELAY, Drs. Retantyo Wardoyo, M.Sc., Ph.D.

2014 | Tesis | S2 Ilmu Komputer

Jaringan Syaraf Tiruan (JST) dapat digunakan untuk memecahkan permasalahan tertentu seperti prediksi, klasifikasi, pengolahan data, dan robotika. Berdasarkan paparan tersebut, sehingga dalam penelitian ini mencoba mengembangkan sistem dengan menerapkan model JST Fully Recurrent Neural Network (FRNN) untuk menangani permasalahan klasifikasi penentuan satuan kerja bagi Bintara Polisi Baru pada SPN Kupang antara lain DitSabara, DitPolAir, dan SatBrimob, yang selama ini menggunakan sistem manual, sehingga dengan sistem JST Fully Recurrent Neural Network dapat memberikan informasi yang akurat kepada pihak SPN Kupang untuk menentukan keputusan yang tepat. Struktur Fully Recurrent Neural Network dipilih karena adanya feedback yang dapat membuat iterasi jauh lebih cepat sehingga membuat kecepatan update parameter dan konvergensi menjadi cepat. Adapun metode pembelajaran yang digunakan adalah Backpropagation Through Time. Sistem diimplementasikan dengan menggunakan program C#. Vektor input yang digunakan terdiri dari 7 variabel. Hasil penelitian menunjukan bahwa sistem yang dikembangkan akan cepat mengalami konvergen dan mampu mencapai nilai error paling optimal (minimum error) apabila menggunakan 1 hidden layer dengan jumlah neuron 17 unit. Akurasi terbaik dapat diperoleh dengan menggunakan LR sebesar 0.001, target 0.1 dan momentum 0.95, dengan data uji 25 data, akurasi sistem mencapai 96%, sedangkan dengan data real, akurasi mencapai 83.33%.

Artificial Neural Networks (ANN) can be used to solve specific problems such as prediction, classification, processing data, and robotics. Based on the exposure, this study tried to develop a system by applying ANN models Fully Recurrent Neural Network (FRNN) to deal with the problems of classification determination unit for New Police Officer at SPN Kupang include DitSabara, DitPolAir, and SatBrimob, which has been using the system manually, the ANN system Fully Recurrent Neural Networks can provide accurate information to the SPN Kupang to determine the right decision. Fully Recurrent Neural Network structures have been presence of feedback that can make faster iteration thus making the update parameters and convergence speed become faster. The learning method used is Backpropagation Through Time. The system is implemented using the C# program. Input vectors used consisted of 7 variables. The results showed t the developed system will rapidly converge and able to achieve the most optimal error value (minimum error) when using one hidden layer with 17 units of the number of neurons . The best accuracy can be obtained using the LR of 0.001 , target of 0.1 and momentum 0.95, with 25 test data of data, the system accuracy reaches 96%, while the real data, the accuracy reached 83.33%.

Kata Kunci : Penentuan, Satuan kerja, Fully Recurrent Neural Network, Jaringan Syaraf Tiruan (JST), Klasifikasi