Kawanan Burung Jadi Kunci Prediksi Kelulusan Sertifikasi Listrik

Sukabumihitz.com, Jakarta – Kawanan burung ternyata mampu menginspirasi teknologi kecerdasan buatan Artificial Intelligence (AI) untuk memprediksi kelulusan uji sertifikasi listrik. Melalui pendekatan komputasi yang meniru perilaku kelompok burung saat mencari makanan, para peneliti berhasil meningkatkan akurasi prediksi kompetensi teknisi listrik hingga 83 persen.

Inovasi ini menjadi kabar menarik bagi perkembangan teknologi, khususnya dalam bidang ketenagalistrikan. Pasalnya, proses sertifikasi teknisi membutuhkan penilaian yang teliti untuk memastikan setiap peserta memiliki kemampuan sesuai standar keselamatan. Kesalahan kecil saat memasang kabel maupun perangkat pengaman dapat menimbulkan risiko serius.

Penelitian kolaboratif tiga dosen dari tiga perguruan tinggi berbeda ini melibatkan Andi Saryoko, dosen Universitas Nusa Mandiri (UNM) yang dikenal sebagai Kampus Digital Bisnis, bersama tim peneliti. Mereka mengembangkan sistem prediksi kelulusan sertifikasi listrik dengan menggabungkan metode Neural Network dan Particle Swarm Optimization (PSO).

Hasil penelitian tersebut telah terbit dalam JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), Volume 11, Nomor 3, edisi September 2026. Penelitian ini mengangkat judul “Penerapan Particle Swarm Optimization untuk Peningkatan Akurasi Kelulusan Sertifikasi Listrik dengan Algoritma Neural Network”.

Strategi Kawanan Burung Menginspirasi Teknologi AI

Penelitian ini menggabungkan dua metode komputasi yang memiliki fungsi berbeda, yaitu Neural Network (NN) dan Particle Swarm Optimization (PSO). Neural Network merupakan jaringan saraf tiruan yang meniru cara kerja otak manusia. Teknologi ini membantu komputer mengenali pola serta mempelajari hubungan antara hasil penilaian praktik peserta dan status kelulusannya.

Sementara itu, Particle Swarm Optimization mengambil inspirasi dari perilaku kawanan burung saat mencari sumber makanan. Setiap burung memanfaatkan pengalaman sendiri sekaligus informasi dari anggota kelompok untuk menemukan lokasi terbaik. Prinsip tersebut kemudian membantu komputer mencari kombinasi variabel penilaian paling optimal. Dengan begitu, sistem dapat menghasilkan prediksi yang lebih akurat berdasarkan pola data peserta.

Kawanan Burung Bantu Analisis Data 200 Teknisi Listrik

Untuk menguji kemampuan sistem, tim peneliti menggunakan data dari 200 peserta ujian kompetensi yang mengikuti sertifikasi melalui PT Sertifikasi Instalasi Prima, Jakarta. Data tersebut mencakup sejumlah aspek penilaian teknis, mulai dari kesesuaian titik lampu, titik stop kontak, titik sakelar, kualitas kabel, cara pemasangan kabel, hingga pemasangan Miniature Circuit Breaker (MCB). Peneliti juga memasukkan variabel jenis kelamin sebagai bagian dari data penelitian.

Selanjutnya, tim mengolah seluruh data menggunakan perangkat lunak RapidMiner. Mereka membandingkan dua model, yakni Neural Network tanpa optimasi dan Neural Network yang memperoleh bantuan Particle Swarm Optimization. Perbandingan tersebut bertujuan mengukur seberapa besar pengaruh metode PSO terhadap kemampuan sistem dalam memprediksi hasil kelulusan peserta sertifikasi listrik.

Akurasi Prediksi Meningkat hingga 83 Persen

Hasil pengujian menunjukkan bahwa kombinasi Neural Network dan Particle Swarm Optimization mampu memberikan performa lebih baik daripada penggunaan Neural Network secara mandiri. Model Neural Network tanpa optimasi menghasilkan akurasi sebesar 76,50 persen dengan nilai Area Under the Curve (AUC) sebesar 0,783.

Sebaliknya, kombinasi Neural Network dan PSO berhasil mencapai akurasi 83 persen dengan nilai AUC sebesar 0,796. Hasil tersebut menunjukkan peningkatan akurasi sebesar 6,5 poin persentase serta kenaikan nilai AUC sebesar 0,013. Temuan ini memperlihatkan bahwa strategi optimasi berbasis kecerdasan kelompok mampu membantu sistem mengenali pola data secara lebih efektif.

Selain meningkatkan akurasi, PSO juga membantu menyederhanakan proses analisis. Sistem berhasil menyeleksi tujuh kriteria penilaian menjadi empat atribut yang paling berpengaruh terhadap hasil prediksi. Artinya, komputer tidak harus menggunakan seluruh variabel untuk menghasilkan prediksi yang baik. Sebaliknya, pemilihan data yang relevan justru dapat membantu meningkatkan efektivitas analisis.

Potensi Kawanan Burung untuk Masa Depan Sertifikasi Cerdas

Keberhasilan sistem mencapai akurasi 83 persen membuka peluang pemanfaatan AI dalam proses evaluasi kompetensi tenaga kerja. Sekolah vokasi dan lembaga pelatihan dapat memanfaatkan teknologi ini untuk mengukur kesiapan peserta sebelum mengikuti ujian sertifikasi sesungguhnya.

Sebagai contoh, sistem dapat membantu instruktur mengenali kelemahan peserta pada aspek tertentu, seperti kualitas kabel atau ketepatan pemasangan komponen listrik. Dengan informasi tersebut, instruktur dapat menyusun pendampingan yang lebih terarah agar peserta mampu meningkatkan keterampilannya sebelum mengikuti ujian.

Meski demikian, teknologi ini belum bertujuan menggantikan peran asesor manusia. Hasil prediksi tetap membutuhkan pertimbangan dan evaluasi langsung dari penguji kompetensi. Selain itu, tim peneliti menekankan pentingnya evaluasi terhadap penggunaan variabel jenis kelamin agar sistem AI tetap adil, transparan, dan terhindar dari potensi bias.

Penelitian ini menunjukkan bahwa pengembangan teknologi tidak selalu membutuhkan algoritma baru. Melalui kombinasi Neural Network dan strategi Particle Swarm Optimization yang terinspirasi dari kawanan burung, para peneliti mampu menghadirkan pendekatan evaluasi kompetensi yang lebih terukur. Inovasi tersebut sekaligus memperlihatkan peluang pemanfaatan kecerdasan buatan untuk mendukung peningkatan kualitas tenaga kerja profesional, khususnya pada sektor ketenagalistrikan.