NusamandiriNews, Jakarta–Menentukan apakah seorang teknisi listrik sudah benar-benar kompeten bukanlah perkara sepele. Di dunia ketenagalistrikan, sedikit saja kesalahan dalam memasang kabel atau perangkat pengaman bisa berakibat fatal. Oleh karena itu, uji sertifikasi hadir untuk memastikan setiap instalatur memiliki keterampilan yang presisi dan memenuhi standar keselamatan ketat.
Namun, mengolah dan menganalisis tumpukan data ujian praktik mulai dari kerapian pemasangan sakelar hingga keakuratan komponen pengaman, membutuhkan ketelitian luar biasa. Dari tantangan inilah muncul sebuah terobosan tentang bagaimana jika kecerdasan buatan (Artificial Intelligence/AI) diajak berkolaborasi untuk membaca pola data evaluasi tersebut?
Inovasi ini lahir dari riset kolaboratif tiga dosen dari tiga perguruan tinggi berbeda, dipelopori oleh dosen Universitas Nusa Mandiri (UNM) yang dikenal sebagai Kampus Digital Bisnis, Andi Saryoko bersama tim. Dalam penelitian tersebut, tim peneliti berhasil mengembangkan sistem prediksi kelulusan sertifikasi listrik berbasis AI dengan memadukan dua metode komputasi canggih. Hasil riset ini resmi dipublikasikan dalam JIPI (Jurnal Ilmiah Penelitian dan Pembelajaran Informatika), Volume 11, Nomor 3, edisi September 2026, bertajuk “Penerapan Particle Swarm Optimization untuk Peningkatan Akurasi Kelulusan Sertifikasi Listrik dengan Algoritma Neural Network”.
Baca juga:Saat Kamera dan AI Berkolaborasi Menyelamatkan Lingkungan dari Menumpuknya Sampah
Menjodohkan Otak Buatan dengan Strategi Kawanan Burung
Untuk membangun sistem pemprediksi yang andal, tim peneliti mengawinkan dua teknologi AI unik: Neural Network (NN) dan Particle Swarm Optimization (PSO). Neural Network atau jaringan saraf tiruan adalah teknologi komputer yang cara kerjanya meniru otak manusia. Ia bertugas mengenali pola dasar dan mempelajari hubungan antara performa teknis peserta saat ujian dengan status akhir kelulusannya.
Sementara itu, Particle Swarm Optimization terinspirasi dari perilaku menakjubkan kawanan burung saat mencari sumber makanan. Dalam sebuah kawanan, setiap burung bergerak tidak hanya berdasarkan pengalamannya sendiri, tetapi juga memanfaatkan informasi terbaik dari kelompoknya untuk menemukan tempat paling ideal. Prinsip “kecerdasan kelompok” ini diadopsi oleh komputer untuk mencari kombinasi variabel penilaian yang paling tepat, sehingga hasil prediksi menjadi jauh lebih tajam.
Menguji Data 200 Teknisi Listrik
Eksperimen ini memanfaatkan data 200 peserta ujian kompetensi yang diselenggarakan oleh PT Sertifikasi Instalasi Prima di Jakarta. Data tersebut merekam berbagai detail penilaian teknis, seperti kesesuaian titik lampu, titik stop kontak, titik sakelar, kualitas kabel, cara pemasangan kabel, hingga pemasangan pemutus arus otomatis (Miniature Circuit Breaker/MCB), serta variabel jenis kelamin.
Seluruh data diolah menggunakan perangkat lunak RapidMiner untuk membandingkan dua skenario: model Neural Network polos tanpa optimasi, melawan model Neural Network yang dikombinasikan dengan strategi kawanan burung (PSO).
Akurasi Melonjak Menjadi 83 Persen
Hasil pengujian laboratorium menunjukkan lompatan performa yang signifikan:
• Neural Network Tanpa Optimasi: Menghasilkan tingkat akurasi 76,50 persen dengan nilai Area Under the Curve (AUC) sebesar 0,783.
• Neural Network + Particle Swarm Optimization (PSO): Akurasinya melonjak menjadi 83 persen dengan nilai AUC mencapai 0,796.
Artinya, ada kenaikan akurasi sebesar 6,5 poin persentase dan peningkatan AUC sebesar 0,013.
Menariknya lagi, penerapan teknik PSO berhasil menyederhanakan proses analisis. Komputer menyaring variabel yang ada dari tujuh kriteria penilaian menjadi hanya empat atribut paling berpengaruh. Ini membuktikan bahwa untuk menghasilkan prediksi yang tangguh, sistem tidak perlu dibebani oleh semua data, melainkan cukup berfokus pada data kunci yang paling relevan.
Menatap Masa Depan Sertifikasi Cerdas
Meskipun akurasi 83 persen ini merupakan hasil pengujian dalam kondisi eksperimen dan belum bermaksud menggantikan peran penguji (asesor) manusia, temuan ini membuka pintu lebar bagi digitalisasi lembaga sertifikasi.
Di masa depan, sistem berbasis AI ini dapat dimanfaatkan oleh sekolah vokasi atau lembaga pelatihan untuk memantau kesiapan peserta sebelum bertanding di ujian asli. Jika analisis AI menunjukkan indikasi kelemahan pada aspek tertentu misalnya pada kerapian pemasangan kabel instruktur bisa memberikan pendampingan yang lebih terarah sejak awal.
Tim peneliti juga memberikan catatan etik: penggunaan variabel seperti jenis kelamin tetap perlu dievaluasi berkala agar sistem AI yang dibangun tetap adil, transparan, dan bebas dari bias.
Riset dari UNM ini menegaskan bahwa inovasi AI tidak selalu harus membuat algoritma baru dari nol. Dengan mengombinasikan metode yang sudah ada secara cerdas, kita bisa membangun sistem evaluasi yang jauh lebih akurat, terukur, dan siap mencetak tenaga kerja profesional berstandar tinggi.
