ANALISIS HIDDEN LAYER PADA FUNGSI AKTIVASI MULTIPLE LAYER PERCEPTRON DALAM KLASIFIKASI KINERJA PEGAWAI STMIK TRIGUNA DHARMA

Abstract

Masalah penilaian kinerja karyawan sering kali menyulitkan pihak STMIK Triguna Dharma dalam menilai bidang mana yang menghasilkan kinerja terbaik berdasarkan kinerja masing-masing karyawan. Penulis tertarik untuk menganalisa masalah ini dari sudut pandang klasifikasi, khususnya yang menggunakan jaringan syaraf tiruan (JST). Multilayer perceptron (MLP) menggunakan penambahan lapisan tersembunyi pada arsitekturnya. Penambahan ini memungkinkan MLP untuk mempelajari data secara lebih mendalam, menghasilkan hasil klasifikasi yang lebih akurat. Pada algoritma MLP, fungsi aktivasi, khususnya ReLu, Tanh, dan Sigmoid, akan mempengaruhi kinerja algoritma ini, terutama dalam hal akurasi. Selain fungsi aktivasi, pemilihan jumlah hidden layer juga mempengaruhi kinerja algoritma ini, sehingga menarik untuk dianalisa bagaimana pengaruh kedua hal tersebut terhadap model klasifikasi yang dibangun untuk menyelesaikan permasalahan klasifikasi kinerja karyawan di STMIK Triguna Dharma. Hasil yang diharapkan dari penelitian ini adalah model klasifikasi menggunakan MLP dapat membantu STMIK Triguna Dharma dalam menyelesaikan permasalahan penilaian kinerja karyawan. Selain itu, dengan menganalisis jumlah hidden layer yang paling optimal pada setiap fungsi aktivasi diharapkan dapat berguna bagi peneliti lain yang ingin mengangkat permasalahan serupa.