PERAN CONVOLUTIONAL NEURAL NETWORK (CNN) DENGAN RECURRENT NEURAL NETWORK (RNN) TERHADAP LEADERSHIP DAN WORKFORCE AGILITY PADA PROGRAM PASCASARJANA UMSU

Abstract

Penelitian ini bertujuan untuk mengetahui dan menganalisis pengaruh Convolution Neural Network (CNN) dengan Recurrent Neural Network (RNN) Terhadap leadership dan workforce agility pada Program Pascasarjana UMSU menggunakan aplikasi RapidMiner. Sampel dalam penelitian ini diambil dari rekap kehadiran dosen pascasarjana UMSU sebanyak 202 data Dosen Pascasarjana UMSU. Convolutional Neural Network (CNN) adalah pengembangan dari Multilayer Perceptron (MLP) yang didesain untuk mengolah data dan mengklasifikasikan data tersebut. Recurrent Neural Network (RNN) adalah arsitektur jaringan saraf tiruan yang telah terbukti berkinerja baik karena pemrosesannya disebut berulang kali untuk memproses input data sekuensial. Pada penelitian yang dilakukan Sugiharto et.al diketahui metode Recurrent Neural Network memiliki tingkat akurasi sebesar 65% dengan nilai rata-rata macro precision sebesar 0,59, nilai rata-rata macro recall sebesar 0,62 dan nilai rata-rata macro F1-score sebesar 0,60; serta nilai rata- rata terbobot precision sebesar 0,67, nilai rata-rata terbobot recall sebesar 0,65 dan nilai rata-rata terbobot F1-score sebesar 0,65. maka dapat disimpulkan akurasi metode CNN memiliki hasil sebesar 100% dan metode RNN sebesar 86.63%, Hasil dari prediksi metode CNN memiliki hasil Baik sebanyak 141 dan hasil metode RNN sebanyak 135 dan Dapat disimpulkan bahwa metode CNN sangat berpengaruh terhadap Leadership Dan Workforce Agility dengan persentase sebesar 100%.