Prosiding Seminar Nasional Riset Dan Information Science (SENARIS) 2022

Vol. 4, (2022), pp. 62-70

Model Pengukuran Layanan POLRI Berbasis Kecerdasan Buatan

Yehu Wangsajaya1, Muhammad Zarlis2, Zakarias Situmorang3
1
Universitas Prima Indonesia, Indonesia.
2
Universitas Sumatera Utara, Indonesia
3
Universitas Katolik ST. Thomas, Indonesia
e-mail: 1yehu89@gmail.com, 2m.zarlis@usu.ac.id , 3zakarias65@ust.ac.id

Abstrak
Tingkat kepuasan masyarakat dan pengguna jasa menyatakan bahwa pemerintah
sebagai organisasi public belum menunjukkan hasil yang optimal dalam menciptakan
sistem pelayanan yang seharusnya diterima masyarakat, tentu hal ini berdampak pada
penurunan kepercayaan publik. Polri sebagai alat negara yang kompeten semestinya
memberikan jaminan keamanan, ketertiban, dan pelayanan kepada masyarakat dengan
optimal. Oleh sebab itu dalam upaya mencapai kualitas pelayanan publik kepada
masyarakat, Polri perlu melakukan upaya penyempurnaan dan perbaikan sistem
birokrasi agar sesuai dengan dinamika perkembangan masyarakat yang dikaitkan dengan
tingkat kepuasan masyarakat. Sesuai dengan perkembangan teknologi informasi dan
internet dalam pelayanan berbasis digital di era revolusi industry 4.0 saat ini yang
disertai dengan perkembangan media storage berbasis cloud terdapat data warehouse
layanan kepolisian, hal ini menjadi kesempatan dan peluang dalam mengoptimasi hasil
pengukuran layanan berbasis kecerdasan buatan. Dalam penelitian ini tujuan
diadakannya pengukuran layanan adalah untuk menghasilkan model smart pengukuran
kepuasan masyarakat terhadap layanan Polri yang berbasis kecerdasan buatan dan
mengetahui seberapa besar kepuasan masyarakat terhadap pelayanan Polri. Dengan
penerapan jaringan saraf tiruan algoritma backpropagation, maka selain dihasilkan
tingkat kepuasan masyarakat juga diketahui pola, trend dan forecasting jumlah peristiwa
yang akan terjadi sehingga dapat digunakan deteksi dini dan strategi penyelesaian
masalah yang terjadi di masyarakat

Keywords: Layanan Polri berbasis kecerdasan buatan

Abstract
The level complaints from the public using services show that the government as a
public organization is still not able to create an optimal service system that is accepted by
the community, and of course it has an impact on decreasing public trust. Polri as a
competent state instrument should provide optimal security, order, and service to the
community. Thus, in an effort to achieve the quality of public services to the community,
Polri need to make an effort to improve the bureaucratic system in accordance with the
dynamics of community development associated with the level of public satisfaction. In
accordance with the development of internet and information technology in digital based
services in the era of industrial revolution 4.0 which is accompanied by the development
of cloud based storage media, there is a police service data warehouse, this is an
opportunity in optimizing the results of measuring service based on artificial intelligence.
In this research, the purpose of service measurement is to produce a smart model for
measuring public satisfaction with artificial intelligence based on Polri services and to
find out how many people are satisfied with Polri service. With the application of the
backpropagation algorithm artificial neural network, it will produce the level of public
satisfaction, patterns, trends, and forecasting of the number of incidents that will occur so
that early detection and problem solving strategies can be used in the community.

ISSN: 2686-0260
Copyright ⓒ SENARIS 2022
 Prosiding Seminar Nasional Riset Dan Information Science (SENARIS) 2022
Vol. 4, (2022), pp. 62-70

Keywords: Artificial intelligence-based police services

1. Pendahuluan
1.1. Latar Belakang
Dalam pelayanan secara umum ada dua model pengukuran berdasarkan jenis
penyelenggara pelayanan yakni pengukuran kepuasan pelanggan secara privat dan
pengukuran kepuasan masyarakat secara publik. Dalam organisasi privat metode
pengukuran kepuasan pelanggan (costumer satisfaction) biasa dilakukan dengan
melakukan riset pasar atau riset marketing, sedangkan pada organisasi publik biasanya
berupa survey kepuasan masyarakat (SKM) yang hasilnya ditampilkan dalam bentuk
Indek Kepuasan Masyarakat (IKM). Demikian halnya dengan reformasi birokrasi Polri
menjadi kebutuhan dalam mewujudkan good governance dan clean government. Polri
sudah melaksanakan program reformasi birokrasi sejak tahun 2004 sampai dengan tahun
2014 yang terbagi dalam dua gelombang yaitu reformasi birokrasi Polri gelombang I
tahun 2004-2009, gelombang II tahun 2011-2014, dan gelombang III tahun 2016-2019,
karena itu pelaksanaan reformasi birokrasi saat ini merupakan penguatan dari pelaksanaan
reformasi birokrasi sebelumnya. Keberlanjutan pelaksanaan reformasi Polri memiliki
peran penting dalam mewujudkan Polri yang profesional dan mandiri sesuai harapan
masyarakat.
Road map reformasi birokrasi Polri diarahkan agar dapat memenuhi tuntutan
masyarakat sesuai dengan tugas pokok Polri selaku pelindung, pengayom, dan pelayan
masyarakat, memelihara keamanan dan ketertiban masyarakat, serta menegakkan hukum
dalam mewujudkan birokarasi yang berbasis kinerja (Performance Based Bureaucracy)
yang efektif, efisien dan ekonomis, dengan menerapkan manajemen kinerja yang berbasis
elektronik sehingga setiap anggota Polri memiliki kontribusi yang jelas terhadap kinerja
organisasi.
Konsep presisi sebenarnya merupakan fase lebih lanjut dari Polri Promoter
(PROfesional, MOdern, dan TERpercaya) yang telah digunakan pada periode sebelumnya
dengan pendekatan pemolisian berorientasi masalah atau problem oriented policing.
Dalam konteks pelayanan publik, pengukuran kepuasan masyarakat telah dimandatkan
kepada penyelenggara pelayanan publik melalui Undang-Undang No. 25/2009 tentang
Pelayanan Publik bahwa penyelenggara wajib mengikutsertakan masyarakat sebagai
upaya membangun sistem yang adil, transparan dan akuntabel. Survei kepuasan diatur
secara teknis pelaksanaan survei tersebut ke dalam Peraturan Menteri PAN-RB No.
16/2014 tentang Pedoman Survei Kepuasan Masyarakat terhadap Penyelenggara
Pelayanan Publik. Permenpan-RB No. 16/2014 kemudian disempurnakan melalui
Permenpan-RB No. 14/2017 tentang Pedoman Survei Kepuasan Masyarakat Unit kerja
Penyelenggara Pelayanan Publik. Tingkat kepuasan masyarakat dan pengguna jasa
menyatakan bahwa pemerintah sebagai organisasi public belum menunjukkan hasil yang
optimal dalam menciptakan sistem pelayanan yang seharusnya diterima masyarakat, tentu
hal ini berdampak pada penurunan kepercayaan publik. Polri sebagai alat negara yang
kompeten semestinya memberikan jaminan keamanan, ketertiban, dan pelayanan kepada
masyarakat dengan optimal. Oleh sebab itu dalam upaya mencapai kualitas pelayanan
publik kepada masyarakat, Polri perlu melakukan upaya penyempurnaan dan perbaikan
sistem birokrasi agar sesuai dengan dinamika perkembangan masyarakat yang dikaitkan
dengan tingkat kepuasan masyarakat.
Sesuai dengan perkembangan teknologi informasi dan internet dalam pelayanan
berbasis digital di era revolusi industry 4.0 saat ini yang disertai dengan perkembangan
media storage berbasis cloud terdapat data warehouse layanan kepolisian, hal ini menjadi
kesempatan dan peluang dalam mengoptimasi hasil pengukuran layanan berbasis
kecerdasan buatan. Dalam penelitian ini tujuan diadakannya pengukuran layanan adalah

63
 Prosiding Seminar Nasional Riset Dan Information Science (SENARIS) 2022
Vol. 4, (2022), pp. 62-70

untuk menghasilkan model smart pengukuran kepuasan masyarakat terhadap layanan

Polri yang berbasis kecerdasan buatan dan mengetahui seberapa besar kepuasan
masyarakat terhadap pelayanan Polri.
.
2. Metode Penelitian
2.1. Penelitian Terdahulu
Pemerintah di dalam menyelenggarakan pelayanan publik masih banyak dijumpai
kekurangan sehingga jika dilihat dari segi kualitas masih jauh dari yang diharapkan
masyarakat. Hal ini ditunjukkan dengan masih munculnya berbagai keluhan masyarakat
melalui media massa. Jika kondisi ini tidak direspon oleh pemerintah maka akan dapat
menimbulkan citra yang kurang baik terhadap pemerintah sendiri. Mengingat fungsi
utama pemerintah adalah melayani masyarakat maka pemerintah perlu terus berupaya
meningkatkan kualitas pelayanan publik.
Artificial inteligence adalah bidang ilmu komputasi yang memungkinkan untuk
memahami, bernalar dan bertindak. Dari persfektif defenisi ini, artificial inteligence
berbeda dengan sebagian besar psikologi sebab penekanan pada komputasi, dan berbeda
dengan kebanyakan ilmu komputer sebab adanya penekanan pada persepsi penalaran dan
tindakan. Dari persfektif tujuan, artificial inteligence dapat dipandang sebagai bagian
ilmu teknik dan bagian ilmu pengetahuan. Tujuan teknik berarti memecahkan masalah
dunia nyata dengan menggunakan kecerdasan buatan sebagai senjata bagi gagasan tentang
penyajian pengetahuan, penggunaan pengetahuan dan penyusunan sistem, sedangkan
tujuan ilmiah berarti untuk menentukan gagasan mana yang berkenaan dengan penyajian
pengetahuan, penggunaan pengetahuan dan penyususunan sistem yang menjelaskan
berbagai macam inteligensi.[1]
Kecerdasan buatan dapat dimanfaatkan dalam mempercepat pelayanan publik yang
diselenggarakan pemerintah dalam bentuk transformasi layanan yang meliputi e-services,
penguatan pengawasan masyarakat, serta penguatan ekosistem inovasi. Penerapan
kecerdasan buatan dalam bidang layanan publik dapat diterapkan pada meja bantuan di
unit pelayanan, analisis pengaduan pelayanan, mengarahkan pengaduan ke instansi yang
dituju, bahkan menjawab pengaduan, dalam situasi yang sangat dinamis ini, perlu
dilakukan percepatan penerapan kecerdasan buatan. Implementasi kecerdasan buatan
adalah salah satu prioritas Presiden Joko Widodo, untuk menunjang kegiatan dan
pekerjaan yang dilakukan aparatur sipil negara (ASN). Pekerjaan bersifat teknis
administrasi dan pengolahan data yang sebelumnya manual, dapat beralih dengan
memanfaatkan teknologi, sehingga lebih efisien dan mempersingkat waktu. Kecerdasan
buatan digunakan untuk mencapai penyediaan data dan informasi terintegrasi dan
berkualitas. Dari sisi administrasi pemerintahan, bisa diterapkan sebagai pengolah
dokumen seperti pengenalan suara dan teks atau naskah serta bidang lain, seperti
perpajakan, untuk mendeteksi potensi kecurangan pajak. Pada bidang kesehatan dapat
digunakan untuk mendeteksi penyakit. Sedangkan pada bidang transportasi, kecerdasan
buatan bisa diterapkan untuk mengatur alur lalu lintas. Serta di bidang pariwisata untuk
memprediksi jumlah wisatawan dan dampak ekonomi serta pelayanan oleh POLRI.
Peningkatan kualitas pelayanan dengan implementasi teknologi, juga diarahkan untuk
mengatasi sumbatan birokrasi, sehingga pemerintah lebih leluasa dan cepat mengambil
keputusan. Penetapan standar pelayanan dan proses bisnis yang mengikutinya merupakan
kunci dari panjang pendeknya rentang birokrasi pemerintah[2].

2.2. Kecerdasan buatan dalam Pelayanan

Penelitian tentang kecerdasan buatan dimulai pada 1950-an ketika para ilmuwan
menggunakan komputer sebagai alat revolusioner untuk merangsang dan menunjukkan
kecerdasan. Sejak lahir AI foundation didasarkan pada kemampuan untuk membangun
sistem yang menunjukkan kemampuan kecerdasan yang mirip dengan kecerdasan
manusia dalam hal analisis numerik, pemrosesan bahasa alami dan pengenalan wajah dan

64
 Prosiding Seminar Nasional Riset Dan Information Science (SENARIS) 2022
Vol. 4, (2022), pp. 62-70

sebagainya diantaranya salah satu sistem yakni Chatbots. Saat ini, ada berbagai bentuk
chatbots mendominasi pasar dengan fungsi yang berbeda dan pilihan tergantung pada
preferensi dan pengalaman. Sementara chatbot berbasis aturan memiliki kemampuan
terbatas, hanya memahami serangkaian opsi yang telah ditentukan sebelumnya, chatbot
yang didukung oleh kecerdasan buatan memahami maksud dan konteks pengguna dari
percakapan pengguna dan karena itu mampu membawa manfaat diferensial[3].
Kecerdasan buatan memainkan peran yang sangat signifikan di hampir setiap sector yang
digunakan untuk menghemat sumber daya tetapi juga untuk menawarkan pelanggannya
dengan layanan personalized yang mengarah pada peningkatan layanan layanan
pelanggan. Bank maupun fasilitas layanan umum dianggap sebagai bagian yang sangat
berpengaruh dari sektor keuangan. Teknologi canggih dan kekuatan global telah
memaksa hampir setiap industri untuk menggunakan kecerdasan buatan untuk
memiliki pendekatan berorientasi pelanggan [4].
Keberhasilan dalam mencapai kepuasan pelanggan di industry, perbankan maupun
layanan public secara signifikan meningkatkan kinerja dan pada skala pertumbuhan
ekonomi yang lebih besar [5] dan [6]. Sebuah laporan yang menyoroti telah terjadi
pertumbuhan yang cepat di sektor perbankan setelah adopsi teknologi yang
muncul seperti rantai blok, kecerdasan buatan, internet banking, aplikasi seluler, dan
banyak teknologi terkait lainnya. Bahkan, kecerdasan buatan memiliki solusi provided
untuk banyak masalah serius seperti menyingkirkan jangka waktu tunggu yang panjang
dalam antrian, manajemen penipuan, memecahkan pertanyaan dan keluhan pelanggan
secara instan, dan mengatasi risiko dan ketidakpastian. [7]menyarankan untuk
mempertimbangkan beberapa tindakan pencegahan untuk membuat pelanggan lebih
puas dengan implementasi Kecerdasan Buatan seperti mudah digunakan, keamanan,
aksesibilitas, keandalan, kenyamanan yang dirasakan, pengasingan, dan kepekaan. [8]
menyebutkan bahwa tantangan utama dalam menarik dan mempertahankan pelanggan
adalah kualitas layanan, kepuasan pelanggan, retention, dan loyalitas, dimana kepuasan
pelanggan memainkan peran penting dalam menarik, mempertahankan pelanggan dan
menciptakan loyalitas merek di antara pelanggan. [9] telah mempelajari tingkat
kepuasan pelanggan perbankan dari lima negara bagian India yang berbeda. Menurut
penelitian, ada lima komponen dasar untuk mengidentifikasi tingkat kepuasan
consumer untuk layanan yang diberikan mencakup empati, tangibles, responsif, jaminan
dan keandalan. Studi ini menemukan bahwa dengan memasukkan teknologi terbaru dalam
sistem dapat mendapatkan hasil relatif quicker dan dengan hari-hari ketika kecerdasan
buatan tidak lazim diterapkan. Tetapi ada tingkat pertimbangan yang rendah dari
perhatian individu kepada pelanggan terutama di daerah pedesaan dan masih
pelanggan harus menunggu lama untuk menyelesaikan sesuatu

2.3. Backpropagation
Jaringan perambatan galat mundur (backpropagation) adalah salah satu algoritma yang
sering digunakan dalam menyelesaikan masalah-masalah yang rumit. Hal ini
dimungkinkan karena pelatihan dengan menggunakan metode belajar terbimbing. Pada
jaringan back propagation diberikan sepasang pola yang terdiri atas pola masukandan
pola yang diinginkan. Ketika suatu pola diberikan kepada jaringan, maka bobot-bobot
diubah untuk memperkecil perbedaan pola keluaran dan pola yang diinginkan.Latihan ini
dilakukan berulang-ulang sehingga semua pola yang dikeluarkan jaringan dapat
memenuhi pola yang diinginkan[10]. Metode backpropagation dapat menghasilkan
kinerja yang lebih baik dalam pengulangan latihan. Artinya bobot interkoneksinya dapat
mendekati bobot yang seharusnya. Keunggulan lain dari metode ini adalah kemampuan
dalam proses pembelajaran secara adaptif dan multilayer yang dimiliki pada metode ini
terjadi proses perubahan bobot sehingga meminimalkan kesalahan (fault tolerance).
Karena itu, metode ini dapat menjamin ketahanan sistem yang baik dan secara konsisten

65
 Prosiding Seminar Nasional Riset Dan Information Science (SENARIS) 2022
Vol. 4, (2022), pp. 62-70

bekerja dengan baik untuk memprediksi [11]. Jaringan perambatan galat mundur terdiri
atas tiga lapisan atau lebih unit pengolah.

Input signals
1
x1 1 y1
1
2
x2 2 y2
2

i wij j wjk
xi k yk

m
n l yl
xn
Input Hidden Output
layer layer layer

Error signals

I J K

Gambar 1. Arsitektur Backpropagation

Pola masukan ini merupakan nilai aktivasi unit-unit masukan.Dengan melakukan

perambatan maju dihitung nilai aktivasi pada unit-unit di lapisan berikutnya. Pada setiap
lapisan,tiap unit pengolah melakukan penjumlahan berbobot dan menerapkan fungsi
sigmoid untuk menghitung keluarannya.
Keluaran Hiden layer dengan menggunakan rumus :
n 
Yj ( p) = Sigmoid  xi ( p) x wij ( p) − j 
 i =1  (1)
Dimana :
Yj =keluaran unit j
Sigmoid =fungsi aktivasi
Xi =input dari unit i
Wij =bobot dari unit i ke j
j =batas ambang unit j
P =iterasi
Keluaran Output layer dengan menggunakan rumus :
m 
Yk = sigmoid  Xjk ( p) x Wjk ( p) − k 
 j =1  (2)
Dimana :
Yk =keluaran unit k
Sigmoid =fungsi aktivasi
Xjk =input dari unit j
Wjk =bobot dari unit j ke k
k =batas ambang unit k
P =iterasi
Menentukan Erorr dengan menggunakan rumus :
ek ( p) = Yd , k ( p) − Yk ( p) (3)
Dimana :
Ek =error unit k(output layer)
Ydk =output yang diharapkan pada unit k
Yk =output actual pada unit k
P =iterasi

66
 Prosiding Seminar Nasional Riset Dan Information Science (SENARIS) 2022
Vol. 4, (2022), pp. 62-70

Fungsi Aktivasi Ysigmoid :

Sigmoid
1
Y =
1 + e− X (4)
Dimana
X =nilai Yj/Yk
Gradien error Hidden
k ( p ) = Yk ( p ) x 1 − Yk ( p ) x ek ( p) (5)
Gradien error Input
l
j ( p) = Yj ( p) x 1 − Yj ( p) x  k ( p) x Wjk ( p)
k =1 (6)

3. Hasil dan Pembahasan

Fokus permasalahan dalam penelitian ini adalah bagaimana mengukur tingkat
kepuasan layanan POLRI berdasarkan data Sentra Pelayanan Kepolisian Terpadu (SPKT)
dengan penerapan teknologi informasi berbasis kecerdasan buatan. Oleh sebab itu pada
penelitian ini digunakan kombinasi beberapa metode kecerdasan buatan dalam mengukur
layanan POLRI. Kepuasan pelanggan adalah perasaan senang atau kecewa seseorang
yang dihasilkan dari membandingkan kinerja (atau hasil) suatu produk atau jasa yang
dirasakan dengan harapan. Untuk mengukur kepuasan pelanggan adalah dengan melihat
kinerja atau pengalaman pelanggan terhadap suatu produk atau jasa jika gagal dan tidak
sesuai harapan maka pelanggan tidak puas, tetapi jika sesuai dengan harapan maka
pelanggan puas dan bahkan jika melebihi harapan, pelanggan sangat puas atau
senang[12]. Kecerdasan buatan merevolusi cara pelanggan berinteraksi dengan produk
atau merek[13], kecerdasan buatan memiliki potensi yang sangat besar untuk merevolusi
cara bisnis berinteraksi dengan pelanggan karena didasarkan pada pemrosesan data yang
cepat. Kecerdasan umumnya dapat didefinisikan sebagai kemampuan untuk memproses
dan mengubah data menjadi dalam formasi untuk menginformasikan perilaku yang
diarahkan pada tujuan[14]. Lebih khusus lagi kecerdasan buatan mengacu pada agen
komputasi yang bertindak cerdas, yang dirancang untuk meniru kemampuan kekuatan
manusia bahkan melebihi dari segi akurasi. Hal ini dilakukan melalui pemodelan
kecerdasan biologis dan alami menggunakan satu set model algoritma[15].
Secara umum terdiri dari 4 tahapan yakni mengubah data menjadi data warehouse,
melakukan transformasi sesuai dengan format untuk diproses dengan menggunakan
kecerdasaan buatan, mengukur kualitas layanan, menampilkan hasil pengolahan data
menggunakan teknik kecerdassan buatan yang ditampilkan pada diagram blok berikut
ini:

67
 Prosiding Seminar Nasional Riset Dan Information Science (SENARIS) 2022
Vol. 4, (2022), pp. 62-70

Start

Data
Layanan

Laporan Polisi (LP)

Surat Tanda Terima Laporan Polisi (STTPLP)
Surat Pemberitahuan Perkembangan Hasil Penyidikan (SP2HP)
Surat Keterangan Tanda Lapor Kehilangan (SKTLK)
Surat Keterangan Catatan Kepolisian (SKCK)
Surat Tanda Terima Pemberitahuan (STTP)
Surat Keterangan Lapor Diri (SKLD)
Surat Ijin Keramaian
Surat Rekomendasi Ijin Usaha Jasa Pengamatan
Surat Ijin Mengemudi (SIM)
Surat Tanda Nomor Kendaraan Bermotor (STNK)

Mengukur
Artificial
Kualitas
Intelligence
Layanan

Prediksi Trend, Problem dan Kebutuhan

Layanan

End

Gambar 2.Kerangka Kerja Penelitian

Berdasarkan Gambar 2 dapat dijelaskan bahwa tahapan yang dilakukan adalah diawali
dengan data layanan dari masing-masing SKPT dibuat dalam satu database warehouse,
data ini diperoleh dari masing-masing SKPT secara terintegrasi antar SKPT. Format data
disesuaikan dengan kebutuhan metode penerapan kecerdasan buatan algoritma
backpropagation untuk mengenali pola, trend dan forecasting. Ada 2 hasil yang ingin
diperoleh yakni model pengukuran layanan dan hasil layanan berbasis kecerdasan buatan.
Arsitektur proses pengolahan jaringan saraf tiruan dengan menentukan target forecasting
dengan menggunakan data sebagai berikut:
Tabel 1. Data Penelitian
Nilai Data Nilai Data
Target Target
Pola X1 X2 Latih X1 X2 Latih
Feb-Maret April-Juni Feb-Juni
0.11 0.12 0.124
Pola 2021 2021 2022

Arsitektur Syaraf Tiruan Mengunakan Metode Backpropagation terdiri dari:

1. Lapisan Masukkan (X) terdiri dari 2 neuron.

68
 Prosiding Seminar Nasional Riset Dan Information Science (SENARIS) 2022
Vol. 4, (2022), pp. 62-70

2. Lapisan Tersembunyi (Y) terdiri dari 3 neuron.

3. Lapisan keluaran (Z) terdiri dari 1 neuron.
4. Learning rate (α) = 0.4
5. Target Error = 0.02
6. Kostanta Bias
Keterangan :
Xi : Lapisan input 2 neuron (Variabel jumlah bulan Januari dan Maret 2021).
Zj : Lapisan hidden 3 neuron (Variabel jumlah bulan April dan Juni 2021).
Yk : Lapisan output 1 neuron (Jumlah Kasus Tahun 2022)
Vij : Bobot pada lapisan tersembunyi
Wij : Bobot pada lapisan keluaran
V0j : Bias pada lapisan tersembunyi
W0j : Bias pada lapisan keluaran
i.j.k : 1,2,3 ...n
n : Jumlah neuron dalam suatu lapisan
I : Kostanta bias
Bobot awal yang menghubungkan neuron-neuron pada lapisan input dan lapisan
tersembunyi (V11, V1-n,V21, V2-n dan bobot bias V01 dan V0-n dipilih secara acak. Demikian
pula bobot awal yang menghubungkan neuron-neuron pada lapisan tersembunyi dan
lapisan output (W11, W12, W13,......W1n) dan bobot bias W01 juga dipilih secara acak.
Berikut ini merupakan perhitungan pelatihan menggunakan metode Backpropagation :

1. Learning Rate (α) = 0,4

2. Target Errorr = 0,02
3. Maksimum Epoch = 10000
4. Target (T) = 0.040

4. Kesimpulan
Untuk optimasi layanan Polri diusulkan model pengukuran layanan dengan model smart
pengukuran kepuasan masyarakat terhadap layanan Polri berbasis kecerdasan buatan
untuk mengetahui seberapa besar kepuasan masyarakat terhadap pelayanan Polri. Dengan
penerapan jaringan saraf tiruan algoritma backpropagation, maka selain dihasilkan tingkat
kepuasan masyarakat juga diketahui pola, trend dan forecasting jumlah peristiwa yang
akan terjadi sehingga dapat digunakan sebagai pendukung keputusan untuk mendeteksi
dini dan strategi penyelesaian masalah yang terjadi di masyarakat. Format data
disesuaikan dengan kebutuhan metode penerapan kecerdasan buatan algoritma
backpropagation untuk mengenali pola, trend dan forecasting. Arsitektur proses
pengolahan jaringan saraf tiruan menggunakan 3 layer yakni lapisan input 2 neuron
(variabel jumlah bulan Januari dan Maret), lapisan hidden 3 neuron (Variabel jumlah
bulan April, Juni, Juli ) dan lapisan output 1 neuron (jumlah kasus untuk tahun
berikutnya)

69
 Prosiding Seminar Nasional Riset Dan Information Science (SENARIS) 2022
Vol. 4, (2022), pp. 62-70

Referensi

[1] V. S. T. Sutojo, Edy Mulyanto, Kecerdasan Buatan. Yogyakarta: Andy, 2011.

[2] Humas MENPANRB, “Pelayanan Publik Lebih Efektif dengan Kecerdasan
Buatan,” 2020. https://menpan.go.id/site/berita-terkini/pelayanan-publik-lebih-
efektif-dengan-kecerdasan-buatan.
[3] H. A. Simon, “Artificial intelligence: an empirical science,” Artif. Intell., vol. 77,
no. 1, 1995, doi: 10.1016/0004-3702(95)00039-H.
[4] S. A. Raza, S. T. Jawaid, and A. Hassan, “Internet banking and customer
satisfaction in Pakistan,” Qual. Res. Financ. Mark., vol. 7, no. 1, 2015, doi:
10.1108/QRFM-09-2013-0027.
[5] N. Zeinalizadeh, A. A. Shojaie, and M. Shariatmadari, “Modeling and analysis of
bank customer satisfaction using neural networks approach,” Int. J. Bank Mark.,
vol. 33, no. 6, 2015, doi: 10.1108/IJBM-06-2014-0070.
[6] J. D. Farquhar and T. Panther, “Acquiring and retaining customers in UK banks:
An exploratory study,” J. Retail. Consum. Serv., vol. 15, no. 1, 2008, doi:
10.1016/j.jretconser.2007.02.001.
[7] Z. Liao and M. T. Cheung, “Measuring consumer satisfaction in internet banking:
A core framework,” Commun. ACM, vol. 51, no. 4, 2008, doi:
10.1145/1330311.1330322.
[8] U. S. Mishra, K. K. Sahoo, S. Mishra, and S. K. Patra, “Service quality assessment
in banking industry of India: A comparative study between public and private
sectors,” European Journal of Social Sciences, vol. 16, no. 4. 2010.
[9] A. Ali and B. Ratwani, “Customers’ satisfaction in Indian banks: Problems and
solutions,” Int. J. Econ. Res., vol. 14, no. 9, 2017.
[10] R. B. Muhammad Zarlis, Elviwani, Ami Dilham, Kecerdasan Buatan Era Revolusi
Industri 4.0. Bogor: Mitra Wacana Media, 2022.
[11] E. G. Wahyuni, L. M. F. Fauzan, F. Abriyani, N. F. Muchlis, and M. Ulfa,
“Rainfall prediction with backpropagation method,” in Journal of Physics:
Conference Series, 2018, vol. 983, no. 1, doi: 10.1088/1742-6596/983/1/012059.
[12] S. Alam, “Artificial Intelligent Service Quality to Increase Customer Satisfaction
and Customer Loyalty (Survey of PT. Telkomsel Customers),” no. 141, pp. 100–
104, 2020, doi: 10.2991/aebmr.k.200514.023.
[13] S. McKecnie, S. Ganguli, and S. K. Roy, “Generic technology-based service
quality dimensions in banking: Impact on customer satisfaction and loyalty,” Int.
J. Bank Mark., vol. 29, no. 2, 2011, doi: 10.1108/02652321111107648.
[14] J. Paschen, J. Kietzmann, and T. C. Kietzmann, “Artificial intelligence (AI) and its
implications for market knowledge in B2B marketing,” J. Bus. Ind. Mark., vol. 34,
no. 7, 2019, doi: 10.1108/JBIM-10-2018-0295.
[15] S. Gupta, V. A. Drave, Y. K. Dwivedi, A. M. Baabdullah, and E. Ismagilova,
“Achieving superior organizational performance via big data predictive analytics:
A dynamic capability view,” Ind. Mark. Manag., vol. 90, 2020, doi:
10.1016/j.indmarman.2019.11.009.

70