Analisis Produktivitas Kinerja Dosen dan Tenaga Kependidikan dalam Mewujudkan Tahun Reputasi Universitas Negeri Semarang (UNNES) Menggunakan Jaringan Saraf Tiruan
Article Sidebar
Main Article Content
Abstract
Produktivitas sebagai suatu ukuran pada kualitas dan kuantitas dari pekerjaan yang telah dikerjakan dengan mempertimbangkan biaya dan sumber daya yang digunakan untuk mengerjakan pekerjaan tersebut. Hal ini menunjukan bahwa produktivitas kinerja dosen dan karyawan adalah suatu konsep yang menunjukan adanya kaitan antara hasil kerja dengan satuan waktu yang dibutuhkan untuk menghasilkan produk dari semua unit satuan yang ada di kampus. Produktivitas di lingkungan Universitas Negeri Semarang (UNNES) merupakan suatu interkasi terpadu secara serasi dari tiga faktor esensial, yaitu optimalisasi kemampuan, manajemen dan sumber daya yang dimiliki oleh UNNES. Pemberian motivasi kepada seluruh civitas akademikia UNNES sangatlah berpengaruh terhadap jalannya kemajuan UNNES dalam mewujudkan tahun reputasi yang dicanangkan pada tahun 2017 ini. Jaringan saraf tiruan sebagai salah satu sistem pemrosesan informasi yang didesain dengan menirukan cara kerja otak manusia dalam menyelesaikan suatu maslah dengan melakukan proses belajar melalui perubahan bobot sinapsisnya dapat digunakan untuk melakukan analisis terhadap produktivitas keinerja dosen dan karyawan UNNES dalam memujudkan tahun reputasi yang dicanangkan pada tahun 2017. Penelitian berkaitan dengan pengembangan jaringan saraf tiruan telah cukup banyak dilakukan oleh ahli dibidang ini,antara lain hasil penelitian yang dilakukan oleh Walid dkk (2015) tentang peramalan menggunakan model jaringan saraf tiruan pada data berpola long memory dengan konsentrasi ada penggunaan beban konsumsi listrik PLN di Jawa dan Bali. Dalam penelitian ini akan dikembangkan model analisis produktivitas kinerja dosen dan tenaga kependidikan dalam mewujudkan tahun reputasi UNNES menggunakan jaringan saraf tiruan. Adapun faktor-faktor yang digunakan untuk mengukur tingkat produktivitas antara lain: 1. Pengetahuan (knowledge), 2. keahlian (skill), 3. Kemampuan (capability), 4. Sikap (attitude) dan 5. Perilaku (behavior). Kelima aspek tersebut yang akan dijadikan alat ukur untuk menganalisis produktivitas civitas akademika UNNES. Berdasarkan analisis akan diperoleh sebesar besar pengaruh yang diberikan oleh masing-masing aspek dalam kontribusinya memwujudkan tahun reputasi sekaligus dapat diketahui aspek-aspek mana saja yang masih harus ditingkatkan. Penelitian ini akan dilaksanakan dengan studi literatur, simulasi dan metode kuesioner dengan responden dosen dan tenaga kependidikan UNNES, dengan mengambil sampel representatif di fakultas MIPA. Hasil penelitian ini menunjukan bahwa data-data yang dikumpulkan melalui kuesioner kemudian diberikan pelatihan dan diuji menunjukan bahwa faktor pengetahuan, keahlian, kemampuan sikap dan perilaku yang baik tidak selalu menunjukan produktivitas yang baik. Namun demikian ada dua faktor yang cukup dominan dalam mempengaruhi ketercapaian tahun reputasi di FMIPA UNNES tahun 2017 yaitu faktor pengetahuan dan perilaku.
Article Details
References
Chen, J., dan Chaudhari, N.: Protein Secondary Structure Prediction with bidirectional LSTM networks. In: International Joint Conference on Neural Networks: Post conference Workshop on Computational Intelligence Approaches for the Analysis of Bio-data (CI-BIO), (205).
Fine, T.L. (1999). Feedforward Neural Network Methodology. Springer, New York.
Gers F.A., Schmidhuber, J (2001). LSTM Recurrent Networks Learn Simple Context Free and Context Sensitive Languages. IEEE Transactions on Neural Network 12 (6), 1333-1340.
Hoptroff (1993). : Framewise Phoneme Classification with Bidirectional LSTM Networks and Other Neural Network Architectures. Neural Networks 18 (5-6), 602-610 (2005b)
Hawkins, D.M. (1980). Identification of Outlier. London: Chapman and Hall
Haykin, H. (1999). Neural Networks: A Comprehensive Foundation, 2nd edition. Prentice-Hall, Oxford.
Hochreiter, S., Bengio, Y., Frasconi, P., Schmidhuber, J. (2001b) Gradient flow in Recurrent Nets: the Difficulty of Learning Long-Term Dependencies. In: Kremer, S.C., Kolen, J.F. (eds) A Filed Guide to Dynamical Recurrent Neural Networks, IEEE Press
Husen, W. (2001). Forecasting of Maximum Short Term Electricity Consumption by Using Elman-Recurrent Neural Network, Unpublished Final Project, Department of Physics Engineering, Institut Teknologi Sepuluh Nopember, Indonesia.
Kaashoek, J.F. and Van Dijk, H.K., (2001). Neural Networks as Econometric Tool. Report EI 2001–05, Econometric Institute Erasmus University Rotterdam.
Lawrance dan Balakrishma, N. (2001). Statistical aspects of chaotic maps with negative dependence in communication setting. Journal of the Royal Statistical Society, B 63, 843-853.
Menezes, L.M. & McSharry, P.E. (2006). A comparison of univariate methods for forecasting electricity demand up to a day ahead. International Journal of Forecasting, 22, 1-16.
Park, K, and Willinger W. (2000) (eds) Self-similiar network traffic and performance evaluation, John Wiley & Sons, New York.
Ripley, B.D. (1996). Pattern Recognition and Neural Networks. Cambridge University Press, Cambridge.
Ristiana, Y. 2008. Autoregressive Neural Network Model (ARNN) for Forecasting Short Term Electricity Consumption at PT. PLN Gresik. Unpublished Final Project, Department of Physics Engineering, Institut Teknologi Sepuluh Nopember, Indonesia.
Swanson dan White, H. (1995). Learning in Artificial Neural Networks: A statistical Perspective. Neural Computation, Vol. 1, pp. 425-464.
Taylor J.W. (2003). Short-term electricity demand forecasting using double seasonal exponential smoothing. Journal of the Operational Research Society, 54, 799-805
Walid, Subanar, Dedi. R., Suhartono (2012). Recurrent Neural Network (RNN) pada Beban Listrik di Semarang. Prosiding Seminar Nasional Matematika. Unnes.
Walid dkk (2015). Fractional Integrated Recurrent Neural Network (FIRNN) for Forecasting of Time Series Data with Applications in Electric Load in Java-Bali. Contemporary Engineering Sciences, Vol. 8, 2015, no. 31, 1485 - 1500