LPPM UNIVERSITAS NUSA MANDIRI Lembaga Penelitian dan Pengabdian Masyarakat Universitas Nusa Mandiri
Inovasi perpaduan Neural Network dan Particle Swarm Optimization membuka peluang pemanfaatan teknologi kecerdasan buatan untuk mendukung evaluasi kompetensi tenaga kerja bidang kelistrikan.
Perkembangan teknologi kecerdasan buatan atau Artificial Intelligence (AI) semakin memberikan kontribusi nyata dalam berbagai bidang kehidupan, termasuk pendidikan dan sertifikasi kompetensi tenaga kerja. Teknologi ini tidak hanya dimanfaatkan untuk mengotomatisasi pekerjaan, tetapi juga membantu menganalisis data dan menghasilkan prediksi yang dapat mendukung pengambilan keputusan secara lebih tepat.
Salah satu penerapannya terlihat dalam penelitian yang dilakukan oleh tiga dosen dari tiga kampus yang berbeda yang saling berkolaborasi, Universitas Siber Indonesia, Universitas BSI Karawang dan Universitas Nusa Mandiri. Adapun Dosen tersebut adalah Elin Panca Saputra, Aryo Tunjung Kusumo, dan Andi Saryoko melalui pengembangan model prediksi kelulusan sertifikasi kompetensi listrik berbasis kecerdasan buatan. Penelitian tersebut menunjukkan bahwa penggabungan algoritma Neural Network (NN) dengan Particle Swarm Optimization (PSO) mampu meningkatkan akurasi prediksi dari 76,50 persen menjadi 83 persen.
Hasil penelitian ini telah dipublikasikan dalam JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), Volume 11, Nomor 3, September 2026, dengan judul “Penerapan Particle Swarm Optimization untuk Peningkatan Akurasi Kelulusan Sertifikasi Listrik dengan Algoritma Neural Network”.
Sertifikasi Kompetensi dan Tantangan Dunia Kerja
Di tengah meningkatnya kebutuhan tenaga kerja profesional, sertifikasi kompetensi menjadi salah satu instrumen penting untuk memastikan seseorang memiliki keterampilan sesuai standar bidang pekerjaannya. Hal ini sangat relevan pada sektor ketenagalistrikan yang menuntut ketelitian, keterampilan teknis, dan kepatuhan terhadap standar keselamatan.
Kompetensi tenaga listrik tidak cukup hanya dibuktikan melalui penguasaan teori. Kemampuan melakukan instalasi, menentukan kesesuaian komponen, memasang kabel, serta memahami perangkat pengaman listrik menjadi bagian penting dalam penilaian.
Namun, proses evaluasi kompetensi menghasilkan berbagai data penilaian yang perlu dianalisis secara cermat. Pemanfaatan teknologi pengolahan data dapat membantu lembaga sertifikasi mengenali pola hasil penilaian peserta sekaligus mengembangkan sistem prediksi kelulusan yang lebih akurat.
Melalui pendekatan tersebut, kecerdasan buatan berpotensi menjadi instrumen pendukung evaluasi, bukan sebagai pengganti penilaian kompetensi yang dilakukan oleh asesor.
Menggabungkan Dua Teknologi Kecerdasan Buatan
Penelitian ini memanfaatkan dua pendekatan komputasi, yakni Neural Network dan Particle Swarm Optimization.
Neural Network merupakan metode pembelajaran mesin yang dirancang dengan meniru prinsip kerja jaringan saraf manusia. Teknologi ini dapat mempelajari hubungan antardata dan mengenali pola tertentu untuk menghasilkan prediksi.
Dalam penelitian sertifikasi listrik, Neural Network digunakan untuk mempelajari hubungan antara hasil penilaian teknis peserta dan status kelulusannya.
Sementara itu, Particle Swarm Optimization merupakan metode optimasi yang terinspirasi dari perilaku kawanan burung ketika mencari makanan. Setiap anggota kawanan bergerak berdasarkan pengalaman terbaiknya sendiri dan informasi dari kelompok untuk menemukan posisi yang paling menguntungkan.
Prinsip tersebut diterapkan dalam proses komputasi untuk mencari kombinasi parameter atau atribut yang menghasilkan kinerja model lebih baik.
Dengan menggabungkan kedua metode tersebut, peneliti berupaya meningkatkan kemampuan sistem dalam mengenali pola data dan memprediksi hasil sertifikasi kompetensi listrik.
Mengolah Data 200 Peserta Sertifikasi
Penelitian menggunakan 200 data peserta ujian kompetensi yang diselenggarakan oleh PT Sertifikasi Instalasi Prima di Jakarta.
Data tersebut mencakup sejumlah atribut penilaian, antara lain kesesuaian titik lampu, titik stop kontak, titik saklar, kualitas kabel, pemasangan kabel, serta pemasangan Miniature Circuit Breaker (MCB), di samping atribut jenis kelamin yang tercantum dalam dataset penelitian.
Selanjutnya, data diolah menggunakan perangkat lunak RapidMiner untuk membandingkan kinerja dua model prediksi.
Model pertama menggunakan Neural Network tanpa optimasi, sedangkan model kedua menggabungkan Neural Network dengan Particle Swarm Optimization.
Pengujian dilakukan untuk mengetahui apakah penggunaan metode optimasi dapat meningkatkan kemampuan sistem dalam mengklasifikasikan hasil kelulusan peserta.
Akurasi Prediksi Meningkat Menjadi 83 Persen
Hasil penelitian memperlihatkan adanya peningkatan kinerja setelah Neural Network dikombinasikan dengan Particle Swarm Optimization.
Pada pengujian awal, model Neural Network menghasilkan akurasi sebesar 76,50 persen dengan nilai Area Under the Curve (AUC) sebesar 0,783.
Setelah menerapkan PSO, akurasi meningkat menjadi 83 persen dengan nilai AUC sebesar 0,796.
Dengan demikian, terjadi peningkatan akurasi sebesar 6,5 poin persentase dan peningkatan AUC sebesar 0,013.
Peningkatan tersebut menunjukkan bahwa pemilihan atribut dan optimasi model dapat membantu sistem mengenali pola data sertifikasi dengan lebih baik.
Penelitian juga menemukan bahwa penggunaan PSO dapat menyederhanakan atribut prediksi dari tujuh variabel menjadi empat atribut terpilih. Temuan ini memperlihatkan bahwa tidak semua variabel yang tersedia harus digunakan untuk menghasilkan model prediksi yang lebih baik.
Meskipun demikian, akurasi 83 persen tidak berarti sistem mampu menentukan kelulusan setiap peserta tanpa kesalahan. Hasil tersebut menggambarkan kinerja model pada data pengujian penelitian, sehingga penerapan dalam lingkungan yang lebih luas masih membutuhkan pengujian lanjutan.
Peluang Transformasi Digital Lembaga Sertifikasi
Temuan penelitian ini memberikan gambaran mengenai potensi pemanfaatan kecerdasan buatan dalam pengelolaan sertifikasi kompetensi.
Lembaga sertifikasi dapat mempertimbangkan pengembangan sistem analitik berbasis AI untuk membantu mengidentifikasi pola penilaian, mengevaluasi hasil pengujian, serta menyediakan informasi pendukung bagi pengambilan keputusan.
Dalam konteks pendidikan vokasi, pendekatan serupa juga berpotensi dimanfaatkan untuk mengembangkan sistem pemantauan kesiapan peserta didik sebelum mengikuti uji kompetensi keahlian.
Sebagai contoh, data hasil latihan praktik instalasi listrik dapat dianalisis untuk mengenali aspek keterampilan yang masih membutuhkan penguatan. Informasi tersebut dapat menjadi bahan pertimbangan bagi guru atau instruktur dalam merancang pembelajaran dan pendampingan yang lebih terarah.
Namun, penerapan tersebut masih merupakan peluang pengembangan, bukan hasil implementasi yang telah dibuktikan secara langsung dalam penelitian ini.
Selain itu, penggunaan atribut seperti jenis kelamin dalam model prediksi memerlukan evaluasi lebih lanjut untuk memastikan bahwa sistem tidak menghasilkan keputusan yang bias atau merugikan kelompok peserta tertentu.
Oleh karena itu, pengembangan teknologi prediksi perlu disertai prinsip transparansi, perlindungan data, pengujian keadilan model, dan pengawasan manusia.
Mendorong Inovasi Penilaian Kompetensi Berbasis Data
Penelitian ini menunjukkan bahwa inovasi kecerdasan buatan tidak selalu harus diwujudkan melalui pengembangan algoritma yang sepenuhnya baru. Penggabungan metode yang telah tersedia secara tepat juga dapat menghasilkan peningkatan kinerja yang terukur.
Keberhasilan meningkatkan akurasi prediksi dari 76,50 persen menjadi 83 persen menjadi bukti empiris bahwa optimasi berbasis Particle Swarm Optimization dapat memperbaiki kinerja Neural Network pada dataset sertifikasi listrik yang diteliti.
Ke depan, penelitian dapat dikembangkan menggunakan jumlah data yang lebih besar, melibatkan lebih banyak lembaga sertifikasi, serta membandingkan berbagai metode pembelajaran mesin dan deep learning.
Pengujian pada data dari peserta dan lembaga yang berbeda juga diperlukan untuk memastikan kemampuan model bekerja secara konsisten dalam kondisi nyata.
Pada akhirnya, pemanfaatan kecerdasan buatan dalam sertifikasi kompetensi bukan semata-mata tentang meningkatkan angka akurasi. Lebih jauh, teknologi ini membuka peluang bagi pengembangan sistem evaluasi yang lebih informatif, terukur, dan berbasis bukti.
Dengan pengembangan yang bertanggung jawab, kolaborasi antara teknologi informasi, pendidikan vokasi, dan lembaga sertifikasi diharapkan dapat mendukung peningkatan kualitas sumber daya manusia yang kompeten dan siap menghadapi kebutuhan dunia kerja.
Sumber Penelitian
