E-Jurnal Matematika Vol. 12(1), Januari 2023, pp. 31-36

DOI: https://doi.org/10.24843/MTK.2023.v12.i01.p396

ISSN: 2303-1751

MENDUGA KUALITAS LAYANAN MASKAPAI DOMESTIK MENGGUNAKAN JARINGAN SYARAF TIRUAN

Mulia Yasman1§, I Putu Eka Nila Kencana2, I Gusti Ayu Made Srinadi3.

§Corresponding Author

ABSTRACT

Measurement of service quality is very important because it can determine the accuracy between consumer perceptions and expectations when receiving information before using the items or services. Measurement of service quality can be done using the service quality method developed by Parasuraman et al. (1990). The independent variables used refer to the dimensions of service quality, namely reliability, assurance, tangiable, empathy, and responsiveness. While the dependent variable is satisfaction. The measurement of service quality using an artificial neural network with a backpropagation algorithm is carried out by obtaining input data and target data from calculations using service quality. Testing on the artificial neural network is carried out in two stages, namely training data and testing data. The results are then compared with the target data on the service quality method to determine accuracy.

Keywords: Service Quality, artificial neural network, backpropagation, satisfactions.

  • 1.    PENDAHULUAN

Transportasi adalah alat yang digunakan untuk memenuhi kebutuhan masyarakat dalam berpergian menuju lokasi yang ingin di tuju (Sholeha et al., 2018). Salah satu alat transportasi yaitu transportasi udara(pesawat).

Transportasi udara memiliki beberapa jenis pelayanan yang dapat dipilih masyarakat sesuai dengan kebutuhan, yaitu penerbangan full service dengan low-cost carrier. Penerbangan full service adalah penerbangan yang menyediakan bukan hanya pada pelayanan yang diberikan karyawan, tetapi juga tambahan beberapa fasilitas, seperti free bagasi 20kg, makan dan minum diatas pesawat, serta majalah dan hiburan diatas pesawat. Sedangkan pada penerbangan low-cost carrier hanya menyediakan pelayanan yang diberikan oleh karyawan, dan fasilitas-fasilitas umum di bandara maupun di pesawat.

Pemberian pelayanan pada pengguna jasa transportasi cenderung berbeda-beda. Menurut Aryani & Rosinta (2011), Pemberian kualitas pelayanan terbaik dapat mendorong konsumen untuk lebih menikmati produk maupun jasa yang diberikan perusahaan.

Kepuasan pelanggan memang memiliki efek positif untuk menarik minat pengguna jasa penerbangan. Pelanggan yang puas membentuk dasar dari setiap bisnis yang sukses karena pelanggan kepuasan mengarah pada pembelian berulang, loyalitas merek, dan kata positif dari mulut ke mulut (Angelova & Zekiri, 2011).

Menurut (Lestari, 2017), jaringan syaraf tiruan dibentuk untuk menentukan pemecahan masalah baik pada pengenalan pola maupun pengklasifikasian karena proses pembelajaran. Jaringan Syaraf Tiruan adalah sistem adaptif buatan yang terinspirasi dari cara kerja sistem syaraf manusia (Grossi & Buscema, 2007). Adapun salah satu algoritma yang digunakan dalam pemecahan masalah untuk pengenalan pola yaitu algortima backpropagation.

Backpropagation mengacu pada keluarga besar Artificial Neural Networks (ANN), yang arsitekturnya terdiri dari berbagai jaringan yang saling berhubungan pada setiap lapisan (Buscema, 1998). Backpropagation adalah pelatihan dengan menggunakan proses pembelajaran terawasi (survived learning), dimana menggunakan pola penyesuaian bobot

untuk mencapai nilai   kesalahan(error)

minimum (Yalidhan & Amin, 2018).

Adapun       algoritma       pelatihan

backpropagation meliputi 3(tiga) fase sebagai berikut (Lestari, 2017).

Fase I: Propagasi Maju.

  • 1.    Inisialiasasi bobot atau ambil nilai bobot awal random yang cukup kecil.

  • 2.    Ketika kondisi tidak berhenti, maka lakukan langkah berikut.

  • 3.    Untuk masing-masing pasangan training, lakukan langkah 4-9.

  • 4.    Tiap-tiap unit input ( Xj,t = 1,2,3, ^n ) menerima sinyal xi dan meneruskan sinyal tersebut ke semua unit pada lapisan yang ada diatasnya (lapisan tersembunyi).

  • 5.    Tiap-tiap unit tersembunyi ( Zj,j = 1,2,3, ...p ) menjumlahkan sinyal-sinyal input terbobot:

zιnj = v 0j+^i=iXiVij        (1)

Gunakan fungsi aktivasi untuk menghitung sinyal output nya:

Zj = f (ZJnj)                (2)

Hitung funsgi aktivasi untuk menghitung sinyal keluaran  Zj = f (ZJrij)  , lalu

mengirimkan sinyal ini ke semua unit pada layer diatasnya (unit keluaran).

  • 6.    Tiap-tiap unit output (Yi,K = 1,2,3, ...m) menjumlahkan sinyal-sinyal input terbobot.

Ymk = Wok+ ∑l^ZiWjk     (3)

Gunakan fungsi aktivasi untuk menghitung sinyal outputnya:

Yk = f (Ymk)                  (4)

Dan kirimkan sinyal tersebut ke semua unit di lapisan atasnya (unit-unit outputnya).

Fase II: Propagasi Mundur.

  • 7.    Tiap-tiap unit output (Yi,K = 1,2,3, . m) menerima target pola yang berhubungan dengan pola input pembelajaran, hitung informasi error-nya.

δk = (tk - yk)f'(yink)

Kemudian hitung koreksi bobot (yang nantinya    akan digunakan untuk

memperbaiki nilai Wjk:

∆Wjk = aδkZj               (5)

Hitung juga koreksi bias (yang nantinya digunakan untuk memperbaiki Wok):

∆Wok = aδk               (6)

Kirimkan δk unit-unit yang ada dilapisan bawahnya.

  • 8.    Tiap-tiap unit tersembunyi ( Zj,j = 1,2,3, .p ) menjumlahkan delta inputnya

(dari unit-unit yang berbeda pada lapisan diatasnya):

δtnj = ∑k=ιδkWjk(7)

Kalikan nilai ini dengan turunan dari fungsi aktivasinya untuk menghitung informasi error:

δj = δjnjf(zin.)(8)

Kemudian hitung koreksi bobot (yang nantinya    akan digunakan untuk

memperbaiki nilai V1j:

∆Vjk = aδjXi(9)

Hitung juga koreksi bias (yang nantinya akan digunakan untuk memperbaiki nilai Voj:

∆Voj = aδj(10)

Fase III: Perubahan Bobot.

  • 9.    Tiap-tiap unit output ( Yk = 1,2,3, ..m ) memperbaiki bias dengan bobotnya (i. = 0,1,2,.n):

Wjk(baru) = Wjk(Iama) + ∆wij (11)

Tiap-tiap unit tersembunyi ( Zj, j = 1,2,3, ...p) memperbaiki bias dan bobotnya (i = 0,1,2,.n):

Vjk(baru) = Vjk(Iama) + ∆Vij  (12)

  • 10.    Menguji apakah kondisi berhenti sudah terpenuhi. Kondisi terpenuhi jika nilai kesalahan yang dihasilkan lebih kecil dari nilai kesalahan refrensi.

Confusion Matrix adalah metode yang digunakan untuk menggambarkan performa pada sebuah model atau algoritma secara spesifik. Bentuk confusion matrix dapat diperlihatkan pada Tabel 1 berikut.

Tabel 1. Bentuk Confusion Matrix

Predicted Positive

Predicted Negative

Aktual Positive

True Positive (TP)

False Negative (FN)

Aktual

False Positive

True Negative

Negative

(FP)

(TN)

Adapun rumus untuk menentukan akurasi, presisi, dan recall sebagai berikut.

Akurasi

= --tp+tn--× 1oo%

TP+TN+FP+FN

(13)

Presisi =

TP

-- —t- × 100%

TP+FP

(14)

Recall =

TP

^t- × 100%

TP+FN

(15)

  • 3.    METODE PENELITIAN

Pada penelitian ini, adapun tahapan dalam pengimplementasian dengan menggunakan jaringan syaraf tiruan backpropagation sebagai berikut:

  • A.    Pola Data

Jumlah data primer yang diperoleh sebanyak 167 data. Variabel-variabel yang digunakan dalam penelitian ini meliputi tangiable, reliability, responsiveness, assurance, dan empathy. Adapun data input yang digunakan adalah nilai kesenjangan (gap) pada setiap variabel X1,X2,X3,^,X5 dan output yang digunakan adalah “Puas” dan “Tidak Puas”.

Tabel 2. Pola Data

Pola

Data Masukkan/Input

Target

1

Nilai-nilai X1,X2,... ,X5

Responden urut 1

Nilai Y

Responden

Urut 1

2

Nilai-nilai X1,X2,. ,X5

Responden urut 2

Nilai Y

Responden

Urut 2

.

.

.

.

.

.

167

Nilai-nilai X1,X2,. ,X5

Responden urut 167

Nilai Y Responden Urut 167

  • B.    Splitting data

Pembagian Data dilakukan dengan data pada penelitian ini dibagi menjadi dua bagian, yaitu data pelatihan sebesar 75% dari jumlah responden atau 125 sampel data, dan pengujian data sebesar 25% atau 42 sampel data.

  • C.    Penetapan Arsitektur yang digunakan

Jaringan Syaraf Tiruan (JST) terdiri dari sejumlah unit dasar yang disebut neuron. Neuron adalah prosesor sederhana yang mengambil satu atau lebih inputan untuk menghasilkan satu output (Benardos & Vosniakos, 2002). Proses kerja arsitektur multilayer perceptron adalah lapisan input menrima inputan dan meneruskan output ke hidden layer yang mana output yang diterima pada hidden layer akan dijadikan sebagai inputan. Inputan hidden layer akan diteruskan kepada output layer (Arnaiz-González et al., 2016).

Banyaknya jumlah neuron pada input layer adalah lima berupa dimensi-dimensi yang digunakan pada penelitian. Banyaknya neuron pada output layer adalah satu, yang mana dikarekan pola output yang digunakan “Puas”

dan “Tidak Puas”. Sedangkan penentuan jumlah neuron pada hidden layer akan ditentukan pada pelatihan data dengan mempertimbangkan nilai performance terkecil dari setiap percobaan (Sitanggang, 2019). Sedangkan jumlah neuron pada hidden layer seharusnya tidak lebih dari dua kali jumlah neuron pada input layer (Putra et al., 2016).

  • D.    Melakukan Pelatihan Jaringan

Melakukan Pelatihan jaringan dilakukan dengan menggunakan data pelatihan yang terdiri dari data input dan data target. Pelatiha jaringan dilakukan dengan menentukan nilai error terkecil pada setiap percobaan dengan menggunakan rumus-rumus (1) – (12).

  • E.    Melakukan Pengujian Jaringan

Melakukan pengujian jaringan dilakukan dengan menggunakan data-data pengujian yaitu data uji. Pengujian jaringan dilakukan dengan menggunakan parameter dan bobot-bobot yang telah di tetapkan pada pelatihan jaringan. Pengujian jaringan dilakukan hanya pada feedforward saja, yaitu menentukan nilai output pada neuron-neuron di hidden layer dapat dihitung dengan menggunakan persamaan (1) & (2), sedangkan untuk menentukan nilai output pada lapisan output (keluaran) dihitung dengan menggunakan persamaan (3) & (4).

  • F.    Perhitungan keakuratan

Melakukan    perhitungan    keakuratan

dilakukan dengan menggunakan confusion matrix untuk memperoleh nilai akurasi, presisi, dan recall.

  • 4.    HASIL DAN PEMBAHASAN

    • 4.1    Variabel dan atribut yang digunakan

Adapun variabel dan masing-masing atribut yang digunakan pada penelitian ini dapat ditampilkan pada Tabel 3.

  • 4.2    Uji Validitas & Reliabilitas

  • -    Validitas

Penentuan validitas pada atribut yang digunakan dengan membandingkan nilai r hitung (correct item total correlation) dengan r tabel (Dewi, 2017). Diketahui jumlah responden dalam untuk diuji validitas dan reliabilitas adalah 30 responden dengan taraf signifikansi (a) yang digunakan adalah 5%, sehingga nilai r tabel adalah 0,361. Adapun software yang digunakan pada proses penentuan validitas dan

reliabilitas adalah SPSS. Hasil validitas dapat dilihat pada Tabel 3.

Tabel 3. Hasil Uji Validitas.

Item

Nilai r hitung Ekspektasi Persepsi

Keterangan

Tangible

Atribut 1

0,981

0,996

Valid

Atribut 2

0,981

0,996

Valid

Reliability

Atribut 3

0,987

1,00

Valid

Atribut 4

0,987

1,00

Valid

Responsiveness

Atribut 5

0,955

0,996

Valid

Atribut 6

0,926

0,996

Valid

Assurance

Atribut 7

0,884

0,958

Valid

Atribut 8

0,884

0,962

Valid

Empathy

Atribut 9

0,994

1,00

Valid

Atribut 10

0,994

1,00

Valid

Pada Tabel 3 terlihat bahwa setiap atribut memiliki nilai korelasi tingkat harapan dan tingkat persepsi lebih besar dengan nilai r tabel yang diketahui yaitu 0,361. Maka seluruh atribut dapat dikatakan Valid.

  • -    Uji Reliabilitas

Uji reliabilitas dilakukan untuk mengukur konsistensi pada alat ukur yang digunakan. Untuk menguji reliabilitas, digunakan metode alpha cronbach, dimana dikatakan reliabel jika nilai alpha cronbach > 0,7 (Hair et al., 2014). Adapun hasil pengujian reliabilitas dapat diperlihatkan pada Tabel 4.

Tabel 4. Hasil Uji Reliabilitas

Kuesioner

Nilai alpha cronbach

Keterangan

Harapan

0,879

Reliabel

Kenyataan

0,942

Reliabel

Pada Tabel 4 terlihat bahwa pada semua atribut yang diteliti dalam tingkat alfa lebih dari 0,7 yang berarti seluruh atribut yang digunakan dinyatakan reliabel.

  • 4.3    Penetapan parameter yang akan digunakan

Sebelum dilakukan pelatihan jaringan, adapun parameter-parameter yang di tetapkan sebagai berikut:

  • -    Fungsi Aktifasi

Fungsi aktivasi yang digunakan adalah fungsi aktivasi sigmoid biner.

  • -    Fungsi Pelatihan

Fungsi pelatihan yang digunakan adalah leavenberg Marquardt (trainlm). Fungsi pelatihan ini telah ditentukan parameterparameter secara default seperti 1000 Maksimum epoch; performance goal adalah 0; Maksimum kegagalan validasi adalah 6; Gradien kinerja minimum e-7; Momentum awal 0,001; Faktor penurunan momentum adalah 0,1; Faktor kenaikan momentum adalah 10; dan Nilai maksimum momentum e10.

  • 4.4    Pelatihan Jaringan

Proses pelatihan jaringan dilakukan dengan menenrukan arsitektur terbaik dengan jumlah neuron pada hidden layer. Pemilihan arsitektur jaringan terbaik sangat mempengaruhi tingkat akurasi yang diperoleh (Sijabat et al., 2020). Proses pelatihan dilakukan dengan memasukkan jumlah neuron pada hidden layer hingga 10 neuron, dengan mempertimbangkan nilai performance terkecil untuk dijadikan sebagai arsitektur terbaik. Adapun hasil pelatihan dapat diperlihatkan pada Tabel 5.

Tabel 5. Nilai Perfromance Pada Setiap Jumlah Neuron Di Hidden Layer

Jumlah neuron pada input layer

Jumlah neuron pada hidden layer

Jumlah neuron pada output layer

Nilai Performance

5

1

1

7,99e-13

5

2

1

1,25e-13

5

3

1

4,34e-13

5

4

1

1,44e-9

5

5

1

7,71e-11

5

6

1

1,35e-10

5

7

1

1,48e-9

5

8

1

5,09e-10

5

9

1

7,35e-10

5

10

1

1,62e-9

Pada Tabel 5 dapat disimpulkan bahwa nilai performance terendah dengan percobaan 10 neuron pada hidden layer adalah pada jumlah neuron 2 dengan perolehan nilai performance sebesar 1,25 × 10-13. Jika dilihat kembali, nilai performance mengalami kenaikan setelah penambahan jumlah neuron 3, sehingga proses

DOI: https://doi.org/10.24843/MTK.2023.v12.i01.p396

pelatihan dihentikan pada jumlah neuron sebelumnya (Siang, 2005).

Akan ditetapkan parameter-parameter terbaik pelatihan jaringan. Penetapan parameterparameter terbaik pada pelatihan jaringan diantaranya jumlah epoch, jumlah hidden layer, jumlah neuron pada hidden layer, dan nilai performance (Sitanggang, 2019). Adapun parameter-parameter terbaik yang diperoleh diperlihatkan pada Tabel 6.

Confusion Matrik pada Pengujian Jaringan

Hasil Pengujian Jaringan

Gambar 5. Matrik Confusion Hasil Pengujian Jaringan


Tabel 6. Parameter-Parameter Terbaik Pelatihan Jaringan.

Epoch

Arsitektur pelatihan

Performance

21

5-2-1

1,25 × 10-13

  • 4.5    Pengujian Jaringan

Pengujian model yang diperoleh pada pelatihan jaringan arsitektur 5-2-1. Adapun hasil pengujian jaringan dapat diperlihatkan pada Gambar 3.

Gambar 4. Hasil keluaran Pengujian Jaringan dan Target Uji

Adapun rincian hasil keluaran JST diperlihatkan pada matriks confusion pada Gambar 5.

Berdasarkan Gambar 5, dengan menggunakan persamaan (13) – (15) maka diperoleh nilai akurasi sebesar 96,07%, nilai presisi 96%, dan nilai recall 100%. Hal ini dapat menunjukkan bahwa jaringan syaraf tiruan backpropagation dengan arsitektur 5-2-1 tersebut dapat mengenal dengan baik tingkat kepuasan pelayanan pengguna jasa penerbangan rute Jakarta-Medan.

  • 5.    KESIMPULAN

Hasil pengukuran kinerja terbaik dengan model arsitektur 5 input neuron, 2 hidden neuron, 1 output neuron, dan keakuratan yang diperoleh dengan   menggunakan   confusion matrix

diperoleh nilai akurasi sebesar 96,07%, presisi sebesar 96%, dan recall sebesar 100%. Hal ini menunjukkan model yang diperoleh pada arsitektur 5-2-1 dapat menjadi model yang baik dalam mengukur tingkat kepuasan pengguna jasa penerbangan rute Jakarta-Medan.

DAFTAR PUSTAKA

Angelova, B., & Zekiri, J. (2011). Measuring Customer Satisfaction with Service Quality Using American Customer Satisfaction Model (ACSI Model). International Journal of Academic Research in Business and Social Sciences, 1(3),                                      27.

https://doi.org/10.6007/ijarbss.v1i2.35

Arnaiz-González, Á., Fernández-Valdivielso, A., Bustillo, A., & López de Lacalle, L. N. (2016). Using artificial neural networks for the prediction of dimensional error on inclined surfaces manufactured by ballend milling. International Journal of Advanced Manufacturing Technology, 83(5–8),                      847–859.

https://doi.org/10.1007/s00170-015-7543-y

Aryani, D., & Rosinta, F. (2011). Pengaruh Kualitas Layanan terhadap Kepuasan Pelanggan dalam Membentuk Loyalitas Pelanggan. Jurnal Ilmu Administrasi Dan

Organisasi,       17(2),       114–126.

https://doi.org/10.20476/jbb.v17i2.632

Benardos, P. G., & Vosniakos, G. C. (2002). Prediction of surface roughness in CNC face milling using neural networks and Taguchi’s design of experiments. Robotics and Computer-Integrated Manufacturing,    18(5–6),   343–354.

https://doi.org/10.1016/S0736-5845(02)00005-4

Buscema, M. (1998). Back propagation neural networks. In Substance Use and Misuse (Vol. 33, Issue 2, pp. 233–270). Informa Healthcare.

https://doi.org/10.3109/10826089809115 863

Dewi, S. K. (2017).  Analisis  Kualitas

Pelayanan Dengan Metode Servqual Dan Zone Of Tolerance. Seminar Nasional Teknologi Dan Rekayasa (SENTRA), III1–III9.

https://doi.org/10.22219/sentra.v0i3.1473

Grossi, E., & Buscema, M. (2007). Introduction to artificial neural networks. In European Journal of Gastroenterology and Hepatology (Vol. 19, Issue 12, pp. 1046– 1054).

https://doi.org/10.1097/MEG.0b013e328 2f198a0

Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2014). Multivariate data analysis (7th ed.). Pearson Education Limited.

Lestari, Y. D. (2017). JARINGAN SYARAF TIRUAN    UNTUK    PREDIKSI

PENJUALAN           JAMUR

MENGGUNAKAN   ALGORITMA

BACKROPAGATION.       Journal

Information System Development (ISD),

2(1),       40–46.       https://ejournal-

medan.uph.edu/index.php/isd/article/vie w/88

Putra, I. M. D. U., Gandhiadi, G. K., & Harini, L. P. I. (2016). Implementasi Backpropagation Neural Network Dalam Prakiraan Cuaca Di Daerah Bali Selatan. E-Jurnal Matematika,  5(4),  126–132.

https://doi.org/10.24843/MTK.2016.v05.i 04.p131

Sholeha, L., Djaja, S., & Widodo, J. (2018). PENGARUH         KUALITAS

PELAYANAN       TERHADAP

KEPUASAN PELANGGAN DI AHASS SUMBER JAYA MAHA SAKTI KECAMATAN      ROGOJAMPI

KABUPATEN     BANYUWANGI.

JURNAL PENDIDIKAN EKONOMI: Jurnal Ilmiah Ilmu Pendidikan, Ilmu Ekonomi Dan Ilmu Sosial, 12(1), 15.

https://doi.org/10.19184/jpe.v12i1.6465

Siang, J. J. (2005). Jaringan Syaraf Tiruan dan Pemrogramannya Menggunakan Matlab (Ed. 1). ANDI.

Sijabat, P. I., Yuhandri, Nurcahyo, G. W., & Sindar,    A.    (2020).    Algoritma

Backpropagation    Prediksi    Harga

Komoditi    terhadap    Karakteristik

Konsumen Produk Kopi Lokal Nasional. Jurnal Teknologi Informasi & Komunikasi Digital Zone, 11(1), 96–107. https://doi.org/10.31849/digitalzone.v11i 1.3880ICCS

Sitanggang, E. D. (2019). Analisis Pengukuran Kualitas Pelayanan dan Kepuasan dengan Metode Servqual dan ImportancePerformance Analysis Menggunakan Jaringan Syaraf Tiruan [Universitas Sumatera                       Utara].

http://repositori.usu.ac.id/handle/123456 789/16741

Yalidhan, M. D., & Amin, M. F. (2018).

IMPLEMENTASI     ALGORITMA

BACKPROPAGATION     UNTUK

MEMPREDIKSI      KELULUSAN

MAHASISWA. Kumpulan JurnaL Ilmu Komputer (KLIK),  05(02),  169–178.

https://doi.org/10.20527/klik.v5i2.152

36