Prediksi tunjangan kinerja aparatur sipil negara (ASN) menggunakan metode neural network backpropagation

ABSTRAK:

Penentuan tunjangan kinerja di Kantor Kementerian Agama Kota Batu menggunakan beberapa parameter, yaitu grade, potongan, penghasilan kena pajak, pajak penghasilan, dan total pajak. Hasil yang diperoleh berupa total bruto tunjangan kinerja dan total tunjangan kinerja yang diterima. Dari data yang sudah diperoleh, terdapat beberapa data yang hilang dari parameter penghasilan kena pajak dan pajak penghasilan, sehingga untuk menentukan tunjangan kinerja pada bulan berikutnya menjadi kesulitan. Oleh karena itu, penelitian ini melakukan implementasi untuk memprediksi tunjangan kinerja Aparatur Sipil Negara. Penelitian ini dilakukan dengan tujuan untuk memprediksi tunjangan kinerja ketika terdapat data yang hilang. Metode yang digunakan dalam penelitian ini adalah Neural Network Backpropagation.. Hasil dari penelitian ini terdiri dari 24 model yang dibedakan berdasarkan jumlah epoch, hidden layer, dan split ratio data dan terdapat pengujian penggunaan 9 variasi learning rate yang dimulai dari 0,1 – 0,9 pada model terbaik yang dihasilkan dari 24 model tersebut untuk mengetahui variasi learning rate yang terbaik. Accuracy yang paling besar didapatkan dari model F4 dengan epoch 60000, 12 hidden layer, dan 50:50 split ratio data, dengan hasil MSE 0,000037, MAPE 25,61%, dan accuracy 74,38%. Dari hasil yang diperoleh, dapat disimpulkan bahwa pada implementasi metode Neural Network Backpropagation untuk melakukan prediksi tunjangan kinerja dengan data yang hilang, jumlah learning rate, epoch, hidden layer, dan split ratio data mempengaruhi besaran accuracy perhitungan metode yang dihasilkan. Semakin banyak jumlah hidden layer dan jumlah learning rate, dan didukung dengan penggunaan epoch dan split ratio data yang tepat, maka akan semakin besar accuracy yang dihasilkan.

ABSTRACT:

Determination of performance allowances at the Office of the Ministry ofReligion of Batu City uses several parameters, namely grade, deduction, taxableincome, income tax, and total tax. The results obtained are in the form of totalgross performance allowances and total performance allowances received. Fromthe data that has been obtained, there is some missing data from the parameters oftaxable income and income tax, so it becomes difficult to determine performanceallowances in the following month. Therefore, this research implements it topredict the performance allowances of the State Civil Apparatus. This researchwas conducted to predict performance benefits when there are missing data. Themethod used in this study is Neural Network Backpropagation. The results of thisstudy consist of 24 models which are differentiated based on the number ofepochs, hidden layers, and split ratio data and there is a test using 9 variations oflearning rates starting from 0.1 – 0, 9 on the best model resulting from the 24models to find out the best learning rate variation. The greatest accuracy isobtained from the F4 model with epoch 60000, 12 hidden layers, and 50:50 splitratio data, with MSE results of 0.000037, MAPE of 25.61%, and accuracy of74.38%. From the results obtained, it can be concluded that the implementation ofthe Neural Network Backpropagation method to predict performance allowanceswith missing data, the amount of learning rate, epoch, hidden layer, and data splitratio affects the accuracy of the calculation of the resulting method. The more thenumber of hidden layers and the total learning rate, supported by the use of theright epoch and split ratio data, the greater the resulting accuracy.

مستخلص البحث:

حتديد نفقة العمل يف مكتب وزارة الدينية، ابتو، ابستخدام بعض معامالت، يعينgrade، التخفيض، خصمالضرائب،ضرائبالعطاائت، ومجيع الضرائب.النتائجاليتمتاحلصولعليهاهييفشكلإمجايلبدالتاألداءاإلمجاليةوبدالتاألداءاإلمجاليةاملستلمة. من البياانت، يُعرف أنهناكبعضالبياانتالناقصةمنمعامل خصم الضرائبوضرائبالعطاائت،حبيثيصبحمنالصعبحتديدنفقة العمليفالشهرالتايل. هذا البحث يهدف ليتنبأنفقة العمل عندما تكون البياانت الناقصة. الطريقةاملستخدمة يف هذا البحث يعينNeural Network Backpropagation.النتائج هذا البحث تتكون من24منوذجاليتمتباينةحسبالعددepoch،hidden layer،وsplit ratio dataوهناك حماكمات9أنواعlearningrateيُبدأ من0.1 – 0.9على أفضل النموذج املصنوعة من24منوذج ملعرفة أفضل أنواعlearning rate.يتماحلصولعلىأكربaccuracyمنمنوذجF4epoch60000،12hidden layerو50:50split ratio data،ابالنتائجMSE0.000037،MAPE25.61%، والدقّة74.38%. يستخلص أن ّ استخدام الطريقةNeuralNetwork Backpropagationليتنبأ نفقة العمل مع البياانت الضعيفة، عددlearning rate،epoch,hidden layer, وsplit ratio dataعلىaccuracyحساب الطريقة الناجتة.كلما زاد عددhidden layer,وعددlearning rate, واملدعوم ابستخدامepochوsplit ratio dataالصحيحة، فزادتaccuracyالناجتة